{"id":807,"date":"2026-10-28T18:33:45","date_gmt":"2026-10-28T21:33:45","guid":{"rendered":"https:\/\/yellowkode.com\/blog\/legora-arquitetura-sistema-multiagente-juridico\/"},"modified":"2026-10-28T18:33:45","modified_gmt":"2026-10-28T21:33:45","slug":"legora-arquitetura-sistema-multiagente-juridico","status":"publish","type":"post","link":"https:\/\/yellowkode.com\/blog\/legora-arquitetura-sistema-multiagente-juridico\/","title":{"rendered":"Legora e a Arquitetura de um Sistema Multiagente para Trabalho Jur\u00eddico: O que a OpenAI Descreveu"},"content":{"rendered":"<p>Em 28 de outubro de 2026, a OpenAI publicou um customer story sobre a Legora, descrevendo a empresa como construtora de um &#8220;agentic operating system for legal work&#8221;. O texto p\u00fablico \u00e9 curto e, por isso, este artigo \u00e9 mais cauteloso que o normal: vou explicar s\u00f3 o que a arquitetura descrita pela pr\u00f3pria Legora, pela Microsoft e pela OpenAI permite afirmar, e marcar com clareza o que ainda \u00e9 especula\u00e7\u00e3o.<\/p>\n<h2>O fato, primeiro<\/h2>\n<p>Em 28 de outubro de 2026, a OpenAI publicou um customer story sobre a Legora, enquadrando a plataforma da empresa de legal AI como um &#8220;sistema operacional ag\u00eantico&#8221; para trabalho jur\u00eddico. O texto diz que a Legora usa modelos da OpenAI, ChatGPT e Codex para acelerar fluxos jur\u00eddicos, ampliar an\u00e1lise de contratos e permitir que advogados gastem mais tempo em tarefas de maior valor.<\/p>\n<p>A Legora \u00e9 sueca, lan\u00e7ou a plataforma em outubro de 2024, mudou de nome de Leya para Legora em 19 de fevereiro de 2025, e \u00e9 usada por mais de 100.000 profissionais em mais de 1.800 departamentos jur\u00eddicos e escrit\u00f3rios de advocacia em mais de 50 mercados. O customer story da OpenAI em si \u00e9 um resumo. Para entender o mecanismo, \u00e9 preciso cruzar com a documenta\u00e7\u00e3o t\u00e9cnica anterior da Legora com a Microsoft e com a p\u00e1gina de produto da empresa.<\/p>\n<h2>Como funciona a arquitetura, at\u00e9 onde a documenta\u00e7\u00e3o deixa ver<\/h2>\n<p>Antes de entrar nos componentes, uma analogia que carrega a mec\u00e2nica. Pense num escrit\u00f3rio onde um s\u00f3cio recebe um pedido do cliente, repassa peda\u00e7os para associados diferentes (um faz pesquisa de jurisprud\u00eancia, outro extrai cl\u00e1usulas de contratos, outro redige), e depois junta tudo numa resposta assinada. O s\u00f3cio n\u00e3o escreve cada linha, ele decide quem faz o qu\u00ea, confere, e manda para fora. A arquitetura descrita pela Legora funciona nessa divis\u00e3o: um orquestrador decide quais ferramentas chamar, cada ferramenta roda uma tarefa espec\u00edfica, e o advogado humano fica no papel de quem confere e assina. A analogia quebra num ponto: o &#8220;s\u00f3cio&#8221; aqui n\u00e3o aprende com o caso do jeito que um humano aprende, cada corrida \u00e9 independente, e a mem\u00f3ria entre mat\u00e9rias depende de como o escrit\u00f3rio configurou os playbooks.<\/p>\n<h3>A camada de orquestra\u00e7\u00e3o<\/h3>\n<p>A pr\u00f3pria p\u00e1gina de produto da Legora chama Workflows de &#8220;the orchestration layer for legal work&#8221; e descreve o mecanismo: os Workflows s\u00e3o totalmente ag\u00eanticos e constru\u00eddos sobre um framework no qual agentes de IA raciocinam e executam tarefas jur\u00eddicas complexas passo a passo, seguindo l\u00f3gica e aplicando a expertise do escrit\u00f3rio. Em termos pr\u00e1ticos, uma &#8220;workflow&#8221; \u00e9 uma sequ\u00eancia declarada de passos (ler estes documentos, extrair estas cl\u00e1usulas, comparar com este playbook, redigir esta minuta) na qual cada passo pode invocar uma ferramenta nativa da plataforma.<\/p>\n<p>As capacidades nativas (Tabular Review, Legal Research, Translation, Drafting e Database search) s\u00e3o parte de um sistema maior conectado, e cada workflow chama as capacidades certas para entregar solu\u00e7\u00f5es end-to-end. Isso \u00e9 importante por um motivo t\u00e9cnico: significa que o orquestrador n\u00e3o est\u00e1 pedindo para o modelo &#8220;fazer tudo&#8221; num \u00fanico prompt gigante. Ele est\u00e1 roteando subtarefas para componentes especializados, o que reduz o espa\u00e7o de erro de cada chamada.<\/p>\n<h3>Os componentes especializados<\/h3>\n<p>O que a documenta\u00e7\u00e3o p\u00fablica descreve como &#8220;ferramentas&#8221; tem fun\u00e7\u00f5es bem concretas. O Tabular Review transforma pastas grandes de contratos, acordos ou materiais de caso em uma grade interativa onde cada documento vira uma linha e prompts gerados por IA correspondem a colunas, permitindo extra\u00e7\u00e3o de dados-chave, compara\u00e7\u00e3o de cl\u00e1usulas e identifica\u00e7\u00e3o de inconsist\u00eancias em escala, seja analisando centenas ou milhares de documentos. Isso \u00e9 um padr\u00e3o de map-reduce cl\u00e1ssico adaptado para LLM: voc\u00ea aplica o mesmo prompt a N documentos em paralelo e consolida em tabela.<\/p>\n<p>O Assistant \u00e9 a camada conversacional. Permite que advogados interajam com documentos internos e externos em qualquer idioma, fazendo perguntas e recebendo respostas que incluem cita\u00e7\u00f5es de fonte. &#8220;Com cita\u00e7\u00e3o de fonte&#8221; aqui \u00e9 a parte t\u00e9cnica relevante: \u00e9 um sistema de RAG (Retrieval-Augmented Generation), n\u00e3o gera\u00e7\u00e3o solta.<\/p>\n<h3>Como o modelo se encaixa<\/h3>\n<p>O customer story da Microsoft, de 2025, descreve a stack subjacente com mais detalhe que o da OpenAI. A Legora usa v\u00e1rias tecnologias, como comportamento multi-ag\u00eantico, Retrieval-Augmented Generation (RAG) e paraleliza\u00e7\u00e3o em larga escala de chamadas de API aos LLMs. A paraleliza\u00e7\u00e3o \u00e9 o que viabiliza a tabular review em grande volume: voc\u00ea n\u00e3o roda 500 documentos em sequ\u00eancia, roda em lotes concorrentes.<\/p>\n<p>Vale notar que a plataforma \u00e9 alimentada por Azure OpenAI e combina uma ontologia jur\u00eddica e um citador de IA para eliminar alucina\u00e7\u00f5es. Ou seja, por cima do modelo h\u00e1 uma camada estruturada que mapeia conceitos jur\u00eddicos, e por baixo h\u00e1 um sistema de verifica\u00e7\u00e3o de cita\u00e7\u00f5es. O modelo bruto n\u00e3o \u00e9 a resposta final, \u00e9 um dos passos.<\/p>\n<h3>O papel do Codex no ciclo de desenvolvimento<\/h3>\n<p>O customer story da OpenAI menciona Codex entre os produtos usados pela Legora. Pelo que o resumo deixa claro, o Codex entra no desenvolvimento interno da plataforma, n\u00e3o no runtime do produto. O resumo diz que o uso de IA pela Legora vai al\u00e9m do produto que ela vende, mas o texto completo com os detalhes n\u00e3o ficou acess\u00edvel para esta an\u00e1lise. Ent\u00e3o: Codex como ferramenta de engenharia da pr\u00f3pria Legora \u00e9 o que o material sustenta, qualquer afirma\u00e7\u00e3o al\u00e9m disso \u00e9 especula\u00e7\u00e3o.<\/p>\n<h2>O que isso significa na pr\u00e1tica<\/h2>\n<p>Para quem vai construir algo parecido, o ponto mais importante \u00e9 a decis\u00e3o de arquitetura: um pipeline multi-agente com orquestra\u00e7\u00e3o expl\u00edcita e ferramentas especializadas, em vez de um prompt monol\u00edtico. Trabalhei em algo estruturalmente an\u00e1logo num sistema multi-agente de captura e enriquecimento de lead, com orquestra\u00e7\u00e3o expl\u00edcita em vez de framework, porque quando quebra voc\u00ea precisa saber exatamente qual passo quebrou. Escrever a orquestra\u00e7\u00e3o na m\u00e3o custa tempo no come\u00e7o e devolve em depura\u00e7\u00e3o, especialmente quando o cliente aparece com um caso onde a sa\u00edda est\u00e1 estranha e voc\u00ea precisa reconstruir o rastro.<\/p>\n<p>Um esqueleto m\u00ednimo de workflow nesse estilo, s\u00f3 para fixar o mecanismo, ficaria assim:<\/p>\n<pre><code># pseudoc\u00f3digo de orquestra\u00e7\u00e3o expl\u00edcita\nworkflow = [\n (\"retrieve\", {\"source\": \"dms\", \"query\": input.matter}),\n (\"tabular_extract\", {\"docs\": \"$retrieve.out\", \"columns\": playbook.clauses}),\n (\"compare\", {\"table\": \"$tabular_extract.out\", \"against\": playbook.standard}),\n (\"draft\", {\"findings\": \"$compare.out\", \"template\": playbook.memo}),\n]\n\nfor step, args in workflow:\n result = tools[step].run(args)\n log(step, args, result) # rastro para depura\u00e7\u00e3o\n context[step] = result\n<\/code><\/pre>\n<p>O ponto que a documenta\u00e7\u00e3o da Legora refor\u00e7a, e que vale para qualquer um construindo nessa linha, \u00e9 que cada passo tem entrada e sa\u00edda tipadas, e o log de cada passo \u00e9 o que torna o sistema audit\u00e1vel. Num contexto jur\u00eddico, auditabilidade n\u00e3o \u00e9 feature, \u00e9 requisito.<\/p>\n<h2>Onde quebra<\/h2>\n<p>Primeiro ponto, o \u00f3bvio: paraleliza\u00e7\u00e3o em larga escala de chamadas a LLMs custa dinheiro e tem limites de rate. Rodar tabular review em milhares de documentos exige acordo comercial com o provedor de modelo e um sistema de retry\/backoff bem feito. O material p\u00fablico n\u00e3o diz quanto a Legora gasta por mat\u00e9ria, e sem isso qualquer estimativa de ROI \u00e9 chute.<\/p>\n<p>Segundo, RAG com cita\u00e7\u00e3o n\u00e3o \u00e9 prova de aus\u00eancia de alucina\u00e7\u00e3o. \u00c9 redu\u00e7\u00e3o. O modelo pode citar uma fonte corretamente e ainda interpretar errado o conte\u00fado dela. A Legora reconhece isso ao posicionar a ferramenta como apoio e manter o julgamento final com o profissional: a Legora usa Astra para melhorar precis\u00e3o, completude e confiabilidade, mantendo o julgamento final com os profissionais do direito. Qualquer sistema multiagente que voc\u00ea construir em dom\u00ednio regulado precisa dessa linha expl\u00edcita.<\/p>\n<p>Terceiro, orquestra\u00e7\u00e3o expl\u00edcita custa tempo. \u00c9 o trade-off real: voc\u00ea ganha depura\u00e7\u00e3o, perde velocidade de itera\u00e7\u00e3o no come\u00e7o. Para uma pessoa fazendo um prot\u00f3tipo de fim de semana, framework pronto compensa. Para um sistema que vai processar documento jur\u00eddico em escala, o custo inicial se paga.<\/p>\n<p>Quarto, integra\u00e7\u00e3o com o estoque legado do cliente \u00e9 onde a maior parte dos projetos trava. A Legora investe pesado nisso, conectando a iManage, NetDocuments, SharePoint, Microsoft 365, sem projeto de migra\u00e7\u00e3o, e isso n\u00e3o \u00e9 detalhe, \u00e9 metade do produto. Modelo bom sem integra\u00e7\u00e3o n\u00e3o vira workflow.<\/p>\n<h2>O que n\u00e3o d\u00e1 para afirmar ainda<\/h2>\n<p>Esta \u00e9 a se\u00e7\u00e3o honesta. O customer story da OpenAI em si foi capturado s\u00f3 como resumo. Fontes de cobertura confirmam a limita\u00e7\u00e3o: o extrato dispon\u00edvel da p\u00e1gina da OpenAI d\u00e1 o t\u00edtulo, mas nenhum texto de artigo que o acompanhe, n\u00e3o fornece data de publica\u00e7\u00e3o nem linha do tempo, n\u00e3o d\u00e1 relato de releases de produto anteriores, e n\u00e3o diz o que o sistema faz, quais tarefas jur\u00eddicas ele \u00e9 desenhado para apoiar, ou se clientes podem us\u00e1-lo.<\/p>\n<p>O que isso significa: as m\u00e9tricas mencionadas no resumo (95%+ de redu\u00e7\u00e3o no tempo da equipe jur\u00eddica da Legora revisando NDAs, 90% mais r\u00e1pido no turnaround de contrato para um cliente Fortune 100, 9,5 horas devolvidas por advogado por semana) v\u00eam do pr\u00f3prio texto da OpenAI\/Legora e n\u00e3o foram verificadas de forma independente neste material. Trate como declara\u00e7\u00e3o do fornecedor.<\/p>\n<p>Tamb\u00e9m n\u00e3o d\u00e1 para afirmar com o que foi capturado: qual \u00e9 o modelo exato por tr\u00e1s de cada ferramenta hoje, como o roteamento decide quando usar modelo caro versus modelo barato, se h\u00e1 fine-tuning espec\u00edfico ou s\u00f3 prompting, e qual a lat\u00eancia real por workflow. Nada disso aparece com clareza no resumo p\u00fablico. Quem for construir um sistema an\u00e1logo vai precisar decidir cada um desses pontos no pr\u00f3prio projeto, sem copiar da Legora.<\/p>\n<h2>Como testar isso voc\u00ea mesmo<\/h2>\n<p>Para experimentar a mec\u00e2nica (n\u00e3o o produto da Legora, a mec\u00e2nica de orquestra\u00e7\u00e3o multiagente com RAG e sa\u00edda audit\u00e1vel), um caminho curto:<\/p>\n<ul>\n<li>Pegue 20 PDFs de contrato (podem ser templates abertos de NDA).<\/li>\n<li>Escreva um script que, para cada PDF, extrai o mesmo conjunto de campos via chamada de LLM (prazo, lei aplic\u00e1vel, cl\u00e1usula de confidencialidade, exce\u00e7\u00f5es). Isso \u00e9 seu Tabular Review m\u00ednimo.<\/li>\n<li>Rode as 20 chamadas em paralelo com um limite de concorr\u00eancia (comece com 5).<\/li>\n<li>Para cada campo extra\u00eddo, exija que o modelo devolva tamb\u00e9m o trecho exato do contrato que fundamenta aquele valor. Isso \u00e9 sua camada de cita\u00e7\u00e3o.<\/li>\n<li>Compare duas rodadas: uma com um prompt \u00fanico pedindo tudo, outra dividindo em dois agentes (um extrai, outro valida contra o texto original). Me\u00e7a diverg\u00eancia.<\/li>\n<\/ul>\n<p>Se voc\u00ea fizer isso, vai sentir no osso por que a arquitetura multiagente com orquestra\u00e7\u00e3o expl\u00edcita existe, e tamb\u00e9m por que ela custa mais que a vers\u00e3o monol\u00edtica no primeiro dia. Essa \u00e9 a decis\u00e3o de engenharia que est\u00e1 por tr\u00e1s do r\u00f3tulo &#8220;agentic operating system&#8221;.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Como funciona por baixo a plataforma da Legora que a OpenAI descreveu como sistema operacional ag\u00eantico para trabalho jur\u00eddico, e onde o modelo quebra.<\/p>\n","protected":false},"author":2,"featured_media":806,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-807","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/807","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/comments?post=807"}],"version-history":[{"count":0,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/807\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media\/806"}],"wp:attachment":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media?parent=807"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/categories?post=807"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/tags?post=807"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}