Em 1985, Rick Briggs publicou um artigo relacionando sânscrito, representação do conhecimento e inteligência artificial. Mais de quarenta anos depois, usamos modelos capazes de analisar milhares de páginas, pesquisar, programar e operar ferramentas. Mesmo assim, uma questão permanece surpreendentemente atual: uma máquina pode receber muitas palavras e ainda não compreender o contexto necessário para resolver o problema certo.
Há algo curioso quando voltamos a um artigo de inteligência artificial publicado em 1985.
Naquele ano, não existiam ChatGPT, Claude, Gemini, Copilot ou os grandes modelos de linguagem que hoje cabem no celular. A internet comercial sequer fazia parte da vida das pessoas. Processamento e armazenamento tinham outra escala. A inteligência artificial daquela época estava muito ligada a lógica, sistemas especialistas e representação do conhecimento.
Mesmo assim, pesquisadores já estavam enfrentando uma questão que continua aparecendo diariamente quando usamos IA:
Como transformar aquilo que uma pessoa quis dizer em uma representação suficientemente organizada para que uma máquina consiga trabalhar com isso?
É exatamente nesse ponto que entra um artigo pouco conhecido fora de determinados círculos acadêmicos.
Em março de 1985, Rick Briggs publicou na AI Magazine, periódico da Association for the Advancement of Artificial Intelligence, o artigo Knowledge Representation in Sanskrit and Artificial Intelligence. Briggs analisou paralelos entre formas de representação utilizadas em inteligência artificial e métodos desenvolvidos pela tradição gramatical indiana para analisar e representar relações presentes em frases em sânscrito.
O tema costuma circular pela internet de forma bastante exagerada. Há versões dizendo que a NASA teria concluído que o sânscrito seria “a melhor linguagem para programar inteligência artificial” ou mesmo que seria uma língua completamente livre de ambiguidades.
Não é isso que o artigo demonstra.
E, para mim, tentar transformar essa história em uma curiosidade sobre a NASA diminui justamente a parte mais interessante dela.
O artigo fala de representação do conhecimento.
E representação do conhecimento, quarenta anos depois, continua sendo um dos pontos centrais do uso profissional de inteligência artificial.
O problema de 1985 continua na nossa frente
Briggs começa seu artigo tratando de uma preocupação bastante concreta da inteligência artificial daquele período: como representar linguagem natural de maneira que pudesse ser processada computacionalmente.
A linguagem humana é cheia de contexto implícito.
Nós entendemos muito sem perceber que estamos fazendo isso.
Imagine que alguém entre no escritório e diga:
“Já mandei aquilo para ele.”
Para duas pessoas que participaram da conversa anterior, talvez seja uma frase perfeitamente compreensível.
Mas praticamente toda a informação necessária está escondida.
O que foi enviado?
Quem é “ele”?
Quem enviou?
Quando?
Por qual meio?
Para qual finalidade?
Existe algum prazo relacionado?
A pessoa recebeu?
Era necessária alguma confirmação?
Um ser humano inserido naquela situação pode preencher boa parte dessas lacunas usando memória, convivência e contexto.
Uma máquina que receba somente a frase não possui essas informações.
Esse exemplo simples ajuda a entender um ponto importante sobre inteligência artificial:
palavras e contexto não são a mesma coisa.
Quanto mais importante for a tarefa, maior será o custo de deixar a máquina completar sozinha aquilo que nós não informamos.
É aqui que o sânscrito aparece
O interesse de Briggs pelo sânscrito estava relacionado à tradição de análise gramatical desenvolvida durante séculos na Índia.
Um dos nomes centrais dessa tradição é Pāṇini, cuja gramática sistematizou milhares de regras para descrever o funcionamento do sânscrito.
Briggs chama atenção, porém, para algo ainda mais específico: métodos pelos quais relações existentes em uma sentença podiam ser explicitadas de forma estruturada.
Em termos bastante simplificados, pense nesta frase:
“Maria enviou o contrato para João ontem.”
Nós podemos enxergar uma frase.
Uma representação estruturada poderia enxergar:
Ação: enviar
Agente: Maria
Objeto: contrato
Destinatário: João
Momento: ontem
Só que ainda existe um problema.
“Ontem” em relação a quê?
Se a frase estiver em um processo judicial, um relatório ou uma conversa arquivada, precisamos saber a data da declaração.
Vamos acrescentar:
Data da mensagem: 17 de setembro de 2026
Agora “ontem” pode ser convertido em:
Data do envio: 16 de setembro de 2026
Perceba o que aconteceu.
Não acrescentamos inteligência à máquina.
Acrescentamos contexto.
E o significado ficou mais preciso.
Quarenta anos depois, mudamos a tecnologia. O problema não desapareceu
A inteligência artificial de 2026 é muito diferente daquela discutida em 1985.
Os grandes modelos de linguagem não trabalham simplesmente com as redes semânticas estudadas naquele período. Foram treinados sobre quantidades gigantescas de dados e desenvolveram capacidade impressionante de reconhecer padrões, relacionar conceitos, produzir linguagem e executar tarefas complexas.
Os sistemas atuais também possuem janelas de contexto muito maiores.
Mas existe uma diferença que considero essencial:
ter espaço para contexto não significa ter o contexto correto.
Você pode entregar mil páginas para uma IA e ainda fazer uma pergunta ruim.
Pode entregar um processo inteiro e não explicar qual é a tese que precisa ser investigada.
Pode conectar uma IA ao SharePoint inteiro do escritório e não dizer quais documentos são confiáveis.
Pode colocar anos de jurisprudência em uma base e não estabelecer qual tribunal, período ou matéria deve prevalecer.
Pode fornecer todo o histórico de um cliente e esquecer de informar que determinado documento está desatualizado.
Volume não corrige significado.
Às vezes, inclusive, piora.
Talvez este seja um dos maiores erros atuais com IA
Tenho visto equipes tentando resolver problemas de contexto aumentando a quantidade de informação entregue à inteligência artificial.
A lógica parece razoável:
“Se ela souber mais, responderá melhor.”
Nem sempre.
Imagine pedir:
“Analise este processo.”
Mesmo que você anexe 1.500 páginas, ainda existe uma enorme quantidade de decisões que não foram informadas à IA.
Analisar para quem?
Autor ou réu?
Qual é o objetivo?
Preparar contestação?
Avaliar risco?
Encontrar contradições?
Montar cronologia?
Identificar provas?
Preparar audiência?
Revisar trabalho de outro advogado?
Pesquisar prescrição?
Avaliar possibilidade de acordo?
A IA tem o documento.
Mas ainda não conhece a finalidade.
E finalidade também é contexto.
Um prompt não deveria ser apenas uma ordem
É por isso que tenho insistido tanto que trabalhar com inteligência artificial não pode se resumir a colecionar prompts.
Um bom prompt é muito mais próximo de um briefing de trabalho.
Quando entregamos uma atividade para um profissional experiente, normalmente explicamos o caso, o problema, o que queremos descobrir, quais materiais devem ser usados e como esperamos receber o resultado.
Com IA deveria ser semelhante.
Compare estes dois prompts.
Prompt simples
Analise este contrato e encontre problemas.
A IA tentará interpretar o que significa “problema”.
Pode procurar cláusulas abusivas, inconsistências, riscos comerciais, erros de redação, conflitos internos ou qualquer outra coisa que estatisticamente pareça adequada.
Agora veja:
Prompt contextualizado
Você está auxiliando o advogado da empresa CONTRATANTE na revisão deste contrato de prestação de serviços.
O objetivo é identificar riscos jurídicos e operacionais antes da assinatura.
Considere especialmente responsabilidade das partes, multas, hipóteses de rescisão, tratamento de dados pessoais, confidencialidade, propriedade intelectual, níveis de serviço e obrigações que dependam de terceiros.
Para cada ponto encontrado, informe:
1. cláusula correspondente;
2. trecho relevante;
3. risco identificado;
4. consequência prática possível;
5. sugestão de ponto que merece revisão humana.
Não presuma fatos que não estejam no contrato. Quando a conclusão depender de informação externa, indique claramente qual informação está faltando.
O documento é o mesmo.
O modelo pode ser o mesmo.
O que mudou?
Contexto.
Contexto também reduz uma das maiores tentações da IA: completar lacunas
Modelos de linguagem são muito bons em encontrar continuidades plausíveis.
Essa característica é parte da razão pela qual conseguem produzir respostas tão naturais.
Só que plausibilidade e verdade não são sinônimos.
Se determinada informação estiver ausente e a tarefa parecer exigir uma resposta, o modelo poderá construir uma interpretação provável.
Em atividades criativas isso pode ser ótimo.
Em atividades jurídicas, financeiras, médicas ou empresariais, pode ser perigoso.
Por isso considero uma instrução especialmente útil:
Separe fatos expressamente presentes nos documentos, inferências razoáveis e informações ausentes. Não transforme inferência em fato.
Essa frase simples muda bastante a forma como analisamos a resposta posteriormente.
Agora posso perguntar:
O que está no documento?
O que a IA concluiu?
O que ainda precisamos descobrir?
Esse é um nível de governança muito superior a simplesmente perguntar:
“O que você acha deste processo?”
Um exemplo jurídico muito claro
Imagine uma publicação judicial informando uma intimação.
Você envia para a IA:
“Qual o prazo?”
Falta contexto.
Prazo de quê?
Quem é a parte?
Qual procedimento?
Qual tribunal?
Quando houve disponibilização?
Quando houve publicação?
Existe feriado local?
A contagem segue dias úteis?
Há suspensão de prazo?
Existe alguma determinação específica no processo?
A IA poderá tentar responder.
Isso não significa que possua todas as informações necessárias.
Um prompt profissional deveria ser diferente.
Prompt para análise de publicação
Analise a publicação abaixo com o objetivo de auxiliar o controle interno de prazos.
Identifique primeiro, sem calcular ainda:
processo;
tribunal e órgão julgador;
parte representada;
tipo de ato;
providência determinada;
data de disponibilização, se houver;
data de publicação, se houver;
prazo mencionado expressamente;
informações necessárias para calcular o vencimento que não estejam disponíveis.
Somente depois avalie se existem informações suficientes para calcular o prazo.
Se faltar calendário do tribunal, feriado local, regra processual aplicável ou qualquer outro dado relevante, não invente. Indique exatamente o que precisa ser confirmado.
Esse prompt talvez pareça mais longo.
Mas o comprimento não é a parte importante.
A estrutura é.
Contexto não é colocar tudo no prompt
Também existe o exagero contrário.
Algumas pessoas começaram a acreditar que um prompt profissional precisa ter três páginas.
Não precisa.
Contexto bom não significa contexto enorme.
Significa contexto relevante.
Uma informação que não ajuda a decidir pode gerar ruído.
Imagine pedir à IA para preparar uma pauta de reunião com um cliente.
Talvez ela precise saber quem participará, quais foram as decisões da última reunião, quais pendências permanecem abertas e qual é o objetivo da próxima conversa.
Provavelmente não precisa receber todos os e-mails trocados com o cliente desde 2019.
A pergunta deveria ser:
Qual informação modifica a resposta?
Isso é gestão de contexto.
Um modelo simples para pensar prompts
Para tarefas profissionais mais importantes, gosto de verificar seis componentes:
Objetivo: o que realmente quero resolver?
Contexto: qual situação a IA precisa compreender?
Fonte: quais documentos ou informações devem sustentar a resposta?
Critérios: o que deve ser observado?
Saída: como quero receber o resultado?
Limites: o que a IA não deve assumir?
Não significa que todo prompt precise aparecer dividido nesses seis títulos.
Significa que vale pensar neles.
Prompt 1: transforme uma pergunta ruim em um briefing para IA
Vou fornecer abaixo uma solicitação que pretendo fazer a uma inteligência artificial.
[COLE A SOLICITAÇÃO]
Antes de executar a tarefa, analise se existem informações de contexto que podem alterar significativamente a resposta.
Identifique:
1. objetivo provável;
2. informações já disponíveis;
3. informações ausentes;
4. ambiguidades;
5. fontes que deveriam ser utilizadas;
6. critérios que precisam ser definidos.
Depois, reescreva minha solicitação como um briefing completo, sem inventar as informações ausentes. Onde faltar informação, utilize [PREENCHER].
Esse é um bom exercício porque usa a própria IA para melhorar a instrução dada à IA.
Prompt 2: encontre o contexto que está faltando
Antes de responder à tarefa abaixo, faça uma análise de suficiência de contexto.
Tarefa:
[DESCREVA]
Documentos disponíveis:
[INFORME OU ANEXE]
Liste somente informações ausentes que possam modificar materialmente a conclusão.
Para cada informação ausente, explique brevemente por que ela importa.
Diferencie:
informação indispensável;
informação importante, mas não impeditiva;
informação apenas complementar.
Não execute a tarefa principal até concluir esta avaliação.
Esse prompt é particularmente útil em trabalhos jurídicos porque força uma pergunta que deveria ocorrer antes de qualquer conclusão:
“Eu realmente tenho dados suficientes?”
Prompt 3: obrigue a IA a separar fato de inferência
Analise o material fornecido e organize sua resposta em três categorias:
FATOS: informações expressamente demonstradas pelas fontes fornecidas.
INFERÊNCIAS: conclusões que podem ser razoavelmente derivadas dos fatos, mas que não aparecem expressamente nas fontes.
LACUNAS: informações necessárias ou relevantes que não podem ser determinadas com segurança.
Para cada fato relevante, identifique a fonte correspondente.
Não converta inferências em fatos. Quando houver mais de uma interpretação possível, apresente as alternativas.
Eu utilizaria algo semelhante em praticamente qualquer habilidade jurídica baseada em documentos.
Prompt 4: faça a IA procurar contradições de contexto
Compare todos os documentos fornecidos considerando datas, pessoas, valores, eventos e afirmações relevantes.
Identifique situações em que:
dois documentos apresentam informações incompatíveis;
uma informação posterior modifica uma informação anterior;
há versões diferentes para o mesmo evento;
uma conclusão depende de um documento que não foi fornecido.
Monte uma tabela contendo questão, fonte 1, fonte 2, divergência encontrada, impacto possível e verificação recomendada.
Não decida qual versão é verdadeira quando as evidências disponíveis não permitirem essa conclusão.
Em processos grandes, contratos sucessivos, auditorias e investigações internas, isso pode valer muito mais do que simplesmente pedir um resumo.
Prompt 5: crie uma resposta auditável
Execute a análise solicitada utilizando somente as fontes disponibilizadas.
Para cada conclusão relevante:
indique qual informação a sustenta;
informe a fonte;
classifique a conclusão como direta ou inferencial;
indique eventual informação ausente que possa alterá-la.
Ao final, crie uma seção chamada “Pontos que exigem validação humana” contendo somente aquilo que não pode ser confirmado com segurança a partir das fontes disponíveis.
Aqui começa uma mudança importante de mentalidade.
Você deixa de avaliar apenas se a resposta da IA “parece boa”.
Passa a perguntar se consegue auditá-la.
A própria documentação das IAs atuais confirma a importância disso
Essa preocupação não ficou em 1985.
A documentação atual de empresas que desenvolvem grandes modelos de linguagem recomenda instruções claras, contexto sobre a finalidade da tarefa, exemplos e definição adequada de critérios quando queremos respostas mais consistentes.
Isso ajuda a entender uma transformação importante.
No começo da IA, boa parte da preocupação estava em descobrir como representar conhecimento dentro do sistema.
Hoje também precisamos pensar em como disponibilizar o conhecimento correto para o sistema, no momento correto e com o significado correto.
É aqui que entram projetos, memórias, RAG, conectores e agentes
Quando pensamos dessa forma, várias tecnologias atuais passam a fazer mais sentido.
Um projeto com documentos de um cliente fornece contexto.
Uma base RAG busca trechos relevantes antes da resposta.
Um conector com SharePoint pode fornecer documentos internos.
Uma habilidade define procedimentos e critérios.
Uma memória pode preservar preferências e informações persistentes.
Uma ferramenta de pesquisa fornece informação atualizada.
Um agente pode consultar sistemas antes de tomar determinada ação.
Tudo isso resolve, de maneiras diferentes, partes da mesma pergunta:
O que esta IA precisa saber para executar corretamente esta tarefa agora?
É uma pergunta de tecnologia.
Mas é principalmente uma pergunta de gestão.
O risco dos escritórios será acreditar que comprar a IA resolve o contexto
Aqui vejo um problema que tende a crescer.
Um escritório pode adquirir a melhor inteligência artificial disponível e continuar obtendo resultados medianos.
Porque a tecnologia chegou, mas o conhecimento da organização continua espalhado.
O procedimento está na cabeça de uma pessoa.
O modelo de contrato correto está na pasta de outra.
As regras do cliente estão em e-mails.
O histórico do processo está no software jurídico.
A estratégia foi discutida numa reunião que ninguém registrou.
As exceções foram resolvidas pelo WhatsApp.
Depois conectamos uma IA e perguntamos:
“Por que ela não entende como trabalhamos?”
Talvez porque nunca tenhamos organizado de verdade como trabalhamos.
A inteligência artificial torna esse problema muito mais visível.
IA não elimina a necessidade de organizar conhecimento. Ela aumenta o valor de quem consegue organizá-lo.
Essa, para mim, é uma das consequências mais importantes dessa discussão sobre representação do conhecimento.
O profissional continuará fazendo parte do contexto
Nenhum sistema recebe todo o contexto possível.
Sempre haverá elementos fora dele.
A conversa com o cliente.
A percepção de risco.
A cultura da empresa.
Uma negociação anterior.
O comportamento de determinada parte.
A experiência profissional.
A estratégia.
O que não deveria ser escrito em um documento, mas precisa ser considerado numa decisão.
Por isso, quanto mais utilizarmos inteligência artificial, mais precisaremos saber distinguir duas coisas:
aquilo que a máquina consegue processar e aquilo que nós ainda precisamos explicar para ela.
E há uma terceira categoria ainda mais importante:
aquilo que continua dependendo de julgamento humano.
De 1985 para 2026
Rick Briggs não estava descrevendo ChatGPT.
Também seria historicamente inadequado dizer que seu artigo “previu” os grandes modelos de linguagem.
O que ele discutia era uma questão anterior e mais ampla: como relações de significado podem ser representadas de maneira utilizável por sistemas computacionais.
Quarenta e um anos depois, nossas máquinas mudaram de uma forma que provavelmente seria difícil imaginar em 1985.
Mas uma pergunta permanece muito atual.
Podemos aumentar o modelo.
Podemos aumentar o contexto disponível.
Podemos conectar documentos.
Podemos criar agentes.
Podemos dar acesso a ferramentas.
Podemos permitir que uma IA pesquise milhões de informações.
No final, ainda teremos que responder:
Ela recebeu o contexto certo para entender o problema que queremos resolver?
Talvez seja por isso que alguns usuários conseguem resultados extraordinários com a mesma inteligência artificial que outros consideram apenas razoável.
A diferença nem sempre está no modelo.
Às vezes está naquilo que cada um conseguiu fazer a máquina compreender antes de pedir a resposta.
E isso muda bastante a discussão sobre o futuro da advocacia.
Aprender IA não será somente aprender onde clicar ou qual prompt copiar.
Será aprender a transformar conhecimento, experiência, procedimentos, documentos e objetivos em contexto utilizável.
Em 1985 chamávamos boa parte dessa discussão de representação do conhecimento.
Em 2026 falamos de prompts, contexto, RAG, memórias, habilidades, projetos, conectores e agentes.
A tecnologia mudou muito.
A pergunta continua excelente.
Antes de reclamar da resposta da IA, vale fazer uma pergunta mais difícil: que contexto nós realmente entregamos para ela?
Fontes
Rick Briggs. Knowledge Representation in Sanskrit and Artificial Intelligence. AI Magazine, volume 6, número 1, 1985.
Association for the Advancement of Artificial Intelligence, AI Magazine.
Stanford Encyclopedia of Philosophy. Logic Based Artificial Intelligence.
Documentação oficial da OpenAI sobre modelos, contexto, instruções, arquivos e ferramentas.
Documentação oficial da Anthropic sobre contexto, prompting e estruturação de instruções.
#ForteAbraco
Gustavo Rocha
Consultor em Gestão, Tecnologia, Inteligência Artificial e Marketing Jurídico
www.gustavorocha.com
Privacidade Importa.
O Futuro, hoje: A resposta é PENSAR.