RAG (Retrieval-Augmented Generation)

RAG é categoria técnica com implicações dogmáticas relevantes para responsabilidade, prova e proteção de dados.

(i) Mecânica e caso de uso jurídico: RAG é arquitetura preferencial para aplicações jurídicas de IA — busca em legislação, jurisprudência, doutrina, processos. Vantagens — (a) resposta com fundamentação em fontes específicas; (b) redução de alucinações (verbete autônomo em A) por fundamentação em texto real; (c) atualização rápida sem retreinamento — basta indexar documentos novos; (d) rastreabilidade — resposta pode citar fonte.

Aplicações comerciais incluem Lexis+ AI, Westlaw Precision, Harvey, CoCounsel, Spellbook. No Brasil — Pesquisa Jurídica Inteligente (Tribunal de Justiça de Minas Gerais), ferramentas internas de tribunais e MPs.

(ii) Alucinação em RAG — paradoxo: contraintuitivo. Apesar da promessa de redução de alucinações, RAG pode (a) alucinar mesmo com contexto fornecido — modelo ignora ou contradiz contexto; (b) alucinar citações — atribuir afirmação a documento que não a contém; (c) interpretar incorretamente documentos recuperados; (d) misturar fontes — combinar afirmações de múltiplos documentos de forma errada. Pesquisa de Stanford RegLab (2024) sobre ferramentas legais comerciais documentou taxas de alucinação entre 17% e 33% mesmo em sistemas RAG.

(iii) Caso Mata v. Avianca (EUA, 2023) e correlatos: paradigma. Advogados americanos foram sancionados por apresentar petição com citações inventadas pelo ChatGPT. Casos análogos no Brasil documentados em diversos tribunais a partir de 2024. RAG é vendido como solução para o problema mas pesquisa empírica demonstra que risco persiste. Dever de verificação humana é incontornável.

(iv) RAG e LGPD — proteção de dados: implicações estruturais. Sistemas RAG em contextos jurídicos frequentemente operam com (a) processos judiciais, incluindo dados pessoais sensíveis; (b) pareceres com identificação de partes; (c) comunicações confidenciais; (d) documentos com sigilo profissional.

Tratamento exige (a) base legal adequada sob LGPD; (b) finalidade restrita; (c) limitação de retenção em vector databases; (d) acesso controlado; (e) medidas técnicas robustas. Casos paradigmáticos de leakage em RAGs corporativos têm gerado debate.

(v) RAG e sigilo profissional do advogado: implicações específicas. Advogado que utiliza RAG corporativo de fornecedor (Harvey, CoCounsel, similares) pode estar (a) transferindo informações sigilosas para infraestrutura externa; (b) alimentando treinamento de modelos do fornecedor; (c) expondo a comprometimento em incidentes de segurança do fornecedor.

Lei 8.906/1994 (Estatuto da OAB), art. 7º, II, e §6º, estabelece sigilo profissional robusto. Adoção de RAG por escritórios exige (a) due diligence sobre fornecedor; (b) contratação adequada com cláusulas de confidencialidade; (c) arquitetura compatível (idealmente on-premises ou em ambiente isolado); (d) comunicação ao cliente.

(vi) Prompt injection em RAG — vetor de ataque: zona técnica preocupante. RAG amplia superfície de ataque para indirect prompt injection — atacante insere instruções maliciosas em documento que será indexado, com objetivo de manipular comportamento do LLM quando o documento for recuperado.

Exemplos documentados — comprometimento de RAGs corporativos via documentos PDF maliciosos. Defesa exige (a) sanitização de inputs; (b) instruções robustas; (c) human-in-the-loop em decisões sensíveis.

(vii) RAG forense em investigação: aplicação emergente. Sistemas RAG sobre bases probatórias massivas — milhões de mensagens de WhatsApp/Telegram, e-mails, documentos — em investigações complexas. Permite (a) busca semântica avançada; (b) síntese de evidências; (c) identificação de padrões.

Mas risco de alucinação e fabricação de evidência exige rigor especial — saídas de RAG devem ser verificadas contra documentos originais antes de uso processual.

(viii) Distinção dogmática — RAG vs. fine-tuning: ver verbete fine-tuning (item 11). RAG mantém modelo base inalterado e adiciona contexto na inferência. Fine-tuning modifica parâmetros do modelo. RAG é (a) mais ágil para atualização; (b) mais transparente quanto à fonte; (c) menos custoso computacionalmente; (d) preserva separação entre modelo e dados específicos. Mas fine-tuning produz (a) respostas mais consistentes em domínio; (b) maior internalização de estilo; (c) menor latência. Combinações híbridas são frequentes.

(ix) RAG agentico — emergente: tendência 2024-2026. Sistemas RAG combinados com agentic AI — modelos que podem executar ações sequenciais, usar ferramentas externas, decompor tarefas. Implicações de segurança ampliadas — Mini Shai-Hulud (abril/2026) documentou ataques que weaponizam configurações de Claude Code e VS Code AI assistants para execução. Categoria de risco emergente.

(x) Implicações dogmáticas: RAG é arquitetura técnica de relevância crescente em aplicações jurídicas, com implicações sobre (a) dever profissional de verificação — RAG não dispensa revisão humana; (b) proteção de dados sob LGPD em contextos com dados sensíveis; (c) sigilo profissional em adoção por advogados; (d) valor probatório de saídas RAG forenses; (e) responsabilidade civil e disciplinar em casos com saídas alucinadas usadas profissionalmente; (f) paridade de armas em processos com uso judicial de RAG. Categoria de fronteira contemporânea relevante.