Quando a startup brasileira Enter atingiu a marca de US$ 1,2 bilhão em valor de mercado em maio, o feito foi celebrado como o nascimento do primeiro unicórnio de inteligência artificial da América Latina. Criada em 2023, a empresa captou mais de US$ 100 milhões para aplicar IA no setor jurídico — um segmento historicamente conservador, mas que hoje representa um dos maiores laboratórios de inovação regulada do mundo. A pergunta que fica para engenheiros, arquitetos e gestores de produto não é se essa valuation é justa, mas sim quais reais desafios técnicos e operacionais surgem quando se coloca IA no centro da máquina judiciária.
Do ponto de vista de engenharia, construir uma plataforma de IA para o direito brasileiro é significativamente mais complexo do que adaptar modelos de linguagem genéricos. O sistema jurídico nacional é prolífico em produção de textos — são milhões de processos, acórdãos, pareceres e petições gerados todos os anos, cobrindo desde direito tributário até questões previdenciárias. O volume é tentador para qualquer cientista de dados, mas a qualidade e a granularidade dos dados impõem barreiras que poucas startups conseguem transpor. A Enter, pelo que se sabe, desenvolveu modelos proprietários de linguagem (LLMs) especializados no jargão forense brasileiro, incluindo abreviações, regionalismos e a estrutura recursiva de recursos processuais.
Na minha experiência com infraestrutura em nuvem, um dos primeiros gargalos que emergem nesse tipo de aplicação é a latência de inferência combinada com a necessidade de precisão quase cirúrgica. Um assistente de IA para advogados que sugira jurisprudência ou resuma petições precisa responder em segundos, não em minutos. Isso força decisões de arquitetura que vão além do simples fine‑tuning: é preciso orquestrar servidores de inferência com GPUs dedicadas, usar técnicas de quantização e caching semântico, e muitas vezes implementar sistemas híbridos que mesclam modelos grandes para tarefas complexas e modelos menores para consultas rápidas. Ferramentas como vLLM, TensorRT e TorchServe se tornam peças centrais, e o custo operacional de manter centenas de GPUs rodando 24h por dia não é trivial.
Infraestrutura de IA jurídica: muito além do servidor de desenvolvimento
Quando lidamos com dados processuais, a segurança e a privacidade saltam para o topo da lista de requisitos não funcionais. O segredo de justiça, as informações de partes e testemunhas, e a própria estratégia de defesa de um escritório são ativos que exigem criptografia em repouso e em trânsito, controle de acesso granular e logs de auditoria imutáveis. A Lei Geral de Proteção de Dados (LGPD) agrava a complexidade: qualquer vazamento ou uso indevido de dados de processos pode gerar multas milionárias e perda de credibilidade. Do ponto de vista de segurança da informação, uma plataforma como a da Enter precisa ser projetada com zero trust desde o início — segmentação de rede, autenticação multifator para todas as APIs de modelo e políticas de retenção de dados que respeitem prazos processuais.
Outro ponto que costuma passar despercebido em análises de mercado é a governança dos dados de treinamento. O Poder Judiciário brasileiro disponibiliza vasta base de jurisprudência em repositórios como o do STJ e do STF, mas esses textos são ruidosos: há erros de OCR em documentos digitalizados, inconsistências na formatação e, em alguns casos, decisões sigilosas que não deveriam entrar no treinamento. Uma startup responsável precisa construir pipelines de ETL robustos que removam informações sensíveis (anonimização), padronizem metadados e eliminem vieses geográficos ou de instância. Um modelo treinado predominantemente com decisões de um tribunal de grande porte (ex.: TJSP) pode ter desempenho pífio ao analisar processos de varas do interior do Nordeste, onde a linguagem e a cultura jurídica diferem.
O trade‑off entre automação e risco regulatório
O setor jurídico é um dos ambientes mais arriscados para se implementar IA generativa. Um alucinação — aquela resposta confiante mas factualmente incorreta — em um resumo de contrato ou em uma sugestão de tese jurídica pode custar uma causa de milhões. Diferente de um chatbot de atendimento, onde um erro é apenas constrangedor, aqui o erro tem consequências legais. A Enter, para mitigar isso, provavelmente adota camadas de validação: um modelo grande gera a resposta, um modelo menor de verificação checa a consistência com fontes primárias, e um operador humano revisa os casos de maior risco. Esse design aumenta a latência e reduz o ganho de produtividade, mas é um mal necessário para construir confiança com escritórios de advocacia e departamentos jurídicos corporativos.
Do ponto de vista de produto, a integração com sistemas legados (como os portais dos tribunais e os softwares de gestão de processos) é outra camada de complexidade. Muitos tribunais brasileiros ainda usam APIs arcaicas, com baixa disponibilidade e documentação deficiente. Um serviço de IA que precise consultar andamentos processuais em tempo real precisa de circuit breakers, filas de retry e adaptadores específicos para cada tribunal. Isso não é um problema de IA, mas de engenharia de software clássica — e muitas startups subestimam o esforço de integração, focando apenas no brilho do modelo.
O que engenheiros e gestores podem aprender com esse unicórnio
A ascensão da Enter não é apenas uma boa notícia para o ecossistema brasileiro de startups; é um sinal de que a especialização vertical em IA está se tornando um diferencial competitivo real. Modelos genéricos como GPT‑4 ou Llama são excelentes, mas não capturam as nuances de um domínio tão específico como o direito processual brasileiro. A vantagem da Enter provavelmente não está em um modelo fundamentalmente superior, mas sim na curadoria dos dados, no fine‑tuning orientado a tarefas (sumarização, extração de entidades, classificação de peças) e na operação em nuvem otimizada para latência e compliance.
Para profissionais de tecnologia que consideram atuar nesse mercado, algumas habilidades se destacam: engenharia de prompt para contexto jurídico, implantação de LLMs em produção com ferramentas de MLOps (MLflow, Kubeflow, Ray), e conhecimento profundo de LGPD e segurança de dados. Além disso, a capacidade de traduzir requisitos legais para requisitos técnicos — por exemplo, transformar a obrigação de "fundamentação das decisões" em um requisito de explicabilidade do modelo — é um diferencial raro e valioso.
Riscos e limitações que o mercado ainda precisa enfrentar
Apesar do valuation bilionário, a Enter e outras legal techs enfrentam riscos não negligenciáveis. O primeiro é regulatório: o Conselho Nacional de Justiça (CNJ) e a Ordem dos Advogados do Brasil (OAB) já discutem regras para uso de IA na advocacia, e uma regulação restritiva pode limitar o escopo de atuação. O segundo é a dependência de fornecedores de nuvem: treinar e servir modelos de grande porte exige GPU clusters que hoje são dominados por AWS, Google Cloud e Azure. Qualquer aumento de preço ou mudança nas políticas de uso pode comprimir margens. Por fim, há o risco de commoditização: se grandes players como Microsoft ou Google lançarem modelos jurídicos especializados e os oferecerem integrados ao Office 365 ou ao Google Workspace, a vantagem competitiva de uma startup focada pode desaparecer rapidamente.
Na minha perspectiva como consultor de infraestrutura, o maior desafio técnico será escalar a operação mantendo a confiabilidade. Um modelo de linguagem que hoje funciona bem para 10 mil usuários pode degradar horrores quando utilizado por 100 mil, porque a distribuição de consultas muda, os tokens de contexto explodem e os custos de inferência disparam. Soluções como roteamento de consultas baseado em tipo de documento, uso de modelos especializados por área do direito (tributário, trabalhista, cível) e servidores de inferência regionais para reduzir latência serão cruciais. A Enter já deve estar pensando nisso, mas a implementação é uma corrida de maratona, não de cem metros.
Um marco que exige mais do que entusiasmo
O primeiro unicórnio de IA da América Latina é um motivo de orgulho e uma prova de que o ecossistema brasileiro pode gerar inovação profunda. Mas, como engenheiro, prefiro olhar para o que está por trás do valor de mercado: a capacidade de executar uma visão técnica em um ambiente cheio de arestas legais e operacionais. A Enter tem a oportunidade de pavimentar o caminho para outras verticalizações de IA no Brasil — na saúde, na educação, no agronegócio — desde que suas equipes de engenharia mantenham o foco em confiabilidade, segurança e escalabilidade. O hype passa; a arquitetura fica.