---
id: CP-517
slug: ia-analise-contratos-limites
lang: pt
title: "Pedir a uma IA que reveja um contrato: o que identifica, o que lhe escapa"
description: Um assistente de IA pode identificar cláusulas de risco num contrato, mas omite algumas e inventa. Limites medidos e gestos a adotar.
canonical_url: https://startbrain.io/cyberpedia/pt/articles/ia-analise-contratos-limites/
markdown_url: https://startbrain.io/cyberpedia/pt/articles/ia-analise-contratos-limites.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: "Brain, «Pedir a uma IA que reveja um contrato: o que identifica, o que lhe escapa», Cyberpedia, 2026. https://startbrain.io/cyberpedia/pt/articles/ia-analise-contratos-limites/ (CC BY 4.0)"
wing: 4
theme: prompt_correctly
reflex: air-013
schema: G3
updated: "2026-11-14"
translations:
  pt: https://startbrain.io/cyberpedia/pt/articles/ia-analise-contratos-limites/
  fr: https://startbrain.io/cyberpedia/fr/articles/ia-analyse-contrats-limites/
  en: https://startbrain.io/cyberpedia/en/articles/ai-contract-review-limits/
  de: https://startbrain.io/cyberpedia/de/articles/ki-vertragsanalyse-grenzen/
  es: https://startbrain.io/cyberpedia/es/articles/ia-analisis-contratos-limites/
  it: https://startbrain.io/cyberpedia/it/articles/ia-analisi-contratti-limiti/
  nl: https://startbrain.io/cyberpedia/nl/articles/ai-contractanalyse-grenzen/
  pl: https://startbrain.io/cyberpedia/pl/articles/ai-analiza-umow-ograniczenia/
  ja: https://startbrain.io/cyberpedia/ja/articles/ai-contract-review-limits/
sources:
  - "n": 1
    title: "ContractEval: Benchmarking LLMs for Clause-Level Legal Risk Identification in Commercial Contracts"
    publisher: arXiv
    url: https://arxiv.org/abs/2508.03080
    published: "2025-08-05"
    accessed: "2026-11-14"
  - "n": 2
    title: LLM09:2025 Misinformation
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm092025-misinformation/
    published: "2024-04-10"
    accessed: "2026-11-14"
  - "n": 3
    title: "ChatGPT and large language models: what's the risk?"
    publisher: NCSC (Royaume-Uni)
    url: https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk
    published: "2023-03-14"
    accessed: "2026-11-14"
  - "n": 4
    title: "Inteligencia Artificial jurídica y el desafío de la veracidad: análisis de alucinaciones, optimización de RAG y principios para una integración responsable"
    publisher: arXiv
    url: https://arxiv.org/abs/2509.09467
    published: "2025-09-11"
    accessed: "2026-11-14"
  - "n": 5
    title: AI Risk Management Framework
    publisher: NIST
    url: https://www.nist.gov/itl/ai-risk-management-framework
    published: "2021-07-12"
    accessed: "2026-11-14"
  - "n": 6
    title: "A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions"
    publisher: arXiv
    url: https://arxiv.org/abs/2507.18910
    published: "2025-07-25"
    accessed: "2026-11-14"
---

# Pedir a uma IA que reveja um contrato: o que identifica, o que lhe escapa

Investigadores mediram a capacidade de modelos de linguagem para identificar, cláusula a cláusula, os riscos jurídicos de contratos comerciais. O seu banco de ensaio, o ContractEval, testou 4 modelos proprietários e 15 modelos open source [1]. Concluem que a maioria dos modelos atinge um nível comparável ao de assistentes jurídicos principiantes [1].

Esta ficha explica a um colaborador o que estes trabalhos mostram, o que um assistente de IA pode omitir ou inventar, e os gestos a adotar antes de lhe confiar um documento.

## Em 30 segundos

- Onde acontece: quando se pede a um assistente de IA que identifique num contrato as cláusulas de risco [1].
- O que pode correr mal: alguns modelos respondem no related clause quando existe uma cláusula pertinente [1], e um modelo pode produzir afirmações jurídicas sem fundamento [2].
- O reflexo: não colocar informação sensível num pedido a um modelo público [3], e fazer verificar os resultados por uma pessoa quando o que está em causa é importante [2].

## Perguntas diretas

### Um assistente de IA identifica todas as cláusulas de um contrato?

Os trabalhos do ContractEval não permitem afirmá-lo. Os autores utilizaram o conjunto de dados Contract Understanding Atticus Dataset (CUAD) [1]. Observam que os modelos open source geram respostas no related clause com mais frequência, mesmo quando existem cláusulas pertinentes [1]. Veem nisso um sinal possível de laziness no raciocínio ou de uma fraca confiança do modelo para extrair o conteúdo pertinente [1].

Os modelos proprietários obtêm melhores resultados do que os modelos open source em exatidão e em eficácia das respostas, embora alguns modelos open source continuem competitivos em certos pontos [1].

### Um modo de raciocínio torna a análise mais fiável?

Não necessariamente. Segundo o ContractEval, o modo de raciocínio (thinking) melhora a eficácia das respostas, mas reduz a sua exatidão, provavelmente porque complica em excesso tarefas mais simples [1].

### Uma IA pode inventar textos ou decisões judiciais?

Sim. A OWASP dá o exemplo do ChatGPT, que fabricou falsos processos judiciais, com consequências importantes perante um tribunal [2]. A OWASP chama a isto uma alucinação: o modelo gera um conteúdo que parece exato, mas que é inventado [2]. Um relatório técnico de Alex Dantart analisa este problema das alucinações dos modelos de linguagem aplicados ao direito, as suas causas e as suas manifestações [4].

### Porque é que uma resposta falsa parece tão confiante?

A OWASP descreve a desinformação de um modelo como informações falsas ou enganadoras que parecem credíveis [2]. O NCSC (Reino Unido) escrevia em 2023 que os modelos têm o defeito de parecer convincentes, tenham ou não razão [3]. Acrescentava que as respostas podem estar apenas parcialmente corretas, sobretudo quando o assunto é especializado [3].

### Pode-se colar um contrato num assistente público?

O NCSC recomenda não incluir informações sensíveis nos pedidos dirigidos a modelos públicos, e não lhes submeter pedidos que criariam problemas se se tornassem públicos [3]. Descreve também a prática que consiste em copiar grandes quantidades de texto, ou mesmo documentos inteiros, para a pergunta a fim de dar contexto, e não a recomenda com informações sensíveis em modelos públicos [3].

### O que acontece ao que escrevo no assistente?

Segundo o NCSC, o pedido é visível para a organização que fornece o modelo, é armazenado e será quase certamente utilizado um dia para desenvolver o serviço ou o modelo [3]. À data em que escrevia, o NCSC esclarecia que um modelo não acrescentava automaticamente as informações dos pedidos ao seu modelo para os outros utilizadores [3]. Nota também que os pedidos armazenados em linha podem ser pirateados, divulgados ou, mais provavelmente, tornados públicos por acidente [3].

### Existe um quadro para avaliar estes riscos?

O NIST publicou a 26 de janeiro de 2023 o seu AI Risk Management Framework, de utilização voluntária [5]. A 26 de julho de 2024, publicou o NIST-AI-600-1, um perfil dedicado à IA generativa, que pode ajudar as organizações a identificar os riscos próprios destas ferramentas [5].

## Como funciona

Segundo o NCSC, um modelo de linguagem foi treinado com uma grande quantidade de textos e extrai deles um modelo de probabilidades baseado nas relações entre as palavras [3]. A OWASP explica que as alucinações surgem porque o modelo preenche as lacunas dos seus dados de treino com regularidades estatísticas, sem compreender o conteúdo [2]. Pode então produzir respostas que parecem justas, mas que não têm fundamento [2].

Uma defesa corrente é a Retrieval-Augmented Generation (RAG). A OWASP recomenda-a: consiste em recuperar informações pertinentes e verificadas em bases externas de confiança durante a geração da resposta, o que ajuda a limitar as alucinações [2]. Uma revisão da literatura sobre a RAG apresenta-a como uma combinação de modelos de linguagem e de sistemas de pesquisa de informação, destinada a reforçar a ancoragem factual e a atenuar as alucinações [6]. A mesma revisão cita entre as dificuldades persistentes a qualidade da pesquisa de informação e as questões de confidencialidade [6]. O relatório de Alex Dantart examina também a eficácia da RAG e expõe os seus limites [4].

## O que faz

- Antes de colar um texto, verifique o que ele contém: o NCSC recomenda não incluir informações sensíveis nos pedidos a um modelo público [3].
- Leia as condições de utilização e a política de privacidade da ferramenta antes de lhe colocar questões sensíveis: o NCSC indica que devem ser bem compreendidas [3].
- Numa ferramenta fornecida por um prestador de serviços cloud, o NCSC convida as organizações a compreender como os seus dados são geridos: será que os investigadores ou parceiros do fornecedor têm acesso a eles e em que condições pode um colaborador do fornecedor ver os pedidos [3]?
- Cruze as respostas com fontes externas de confiança. A OWASP recomenda encorajar essa verificação e instituir uma supervisão humana e um controlo dos factos, sobretudo para as informações críticas ou sensíveis [2].
- Não tome uma resposta no related clause como prova de que nenhuma cláusula se aplica: o ContractEval registou tais respostas quando existiam cláusulas pertinentes [1].
- Mantenha o controlo do juízo. O relatório de Alex Dantart insiste na supervisão humana, que considera insubstituível, e propõe uma IA «consultiva», ferramenta que amplifica o juízo profissional em vez de o substituir [4].

## As armadilhas

- A confiança excessiva. É assim que a OWASP designa o facto de confiar demasiado num conteúdo gerado sem verificar a sua exatidão, o que agrava o efeito de uma informação falsa quando entra numa decisão [2].
- Um nível de principiante. Os autores do ContractEval comparam a maioria dos modelos a assistentes jurídicos principiantes e consideram que os modelos open source precisam de um ajuste dirigido (fine-tuning) para serem corretos e eficazes em situações jurídicas de elevado risco [1].
- Um modo de raciocínio tomado por garantia de qualidade: nos testes do ContractEval, reduz a exatidão [1].
- Uma resposta que soa certa. O NCSC nota que as respostas convincentes podem estar apenas parcialmente corretas [3].

## Fontes

1. arXiv, «ContractEval: Benchmarking LLMs for Clause-Level Legal Risk Identification in Commercial Contracts», 5 de agosto de 2025. https://arxiv.org/abs/2508.03080 (consultado em 14 de novembro de 2026)
2. OWASP, «LLM09:2025 Misinformation», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (consultado em 14 de novembro de 2026)
3. NCSC (Royaume-Uni), «ChatGPT and large language models: what's the risk?», 14 de março de 2023. https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk (consultado em 14 de novembro de 2026)
4. arXiv, «Inteligencia Artificial jurídica y el desafío de la veracidad: análisis de alucinaciones, optimización de RAG y principios para una integración responsable», 11 de setembro de 2025. https://arxiv.org/abs/2509.09467 (consultado em 14 de novembro de 2026)
5. NIST, «AI Risk Management Framework», 12 de julho de 2021. https://www.nist.gov/itl/ai-risk-management-framework (consultado em 14 de novembro de 2026)
6. arXiv, «A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions», 25 de julho de 2025. https://arxiv.org/abs/2507.18910 (consultado em 14 de novembro de 2026)

---

Fonte original: Cyberpedia, a enciclopédia pública de cibersegurança e IA publicada pela Brain. Versão canónica: https://startbrain.io/cyberpedia/pt/articles/ia-analise-contratos-limites/
Pode reutilizar livremente este texto sob a licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), desde que cite «Brain, Cyberpedia» com uma ligação para o endereço acima.
