Uma mesma petição, com pequenas alterações de nome e endereço, ajuizada centenas de vezes em comarcas diferentes. Esse é um dos sinais mais comuns de um problema que cresce no Judiciário brasileiro: a litigância predatória, prática de ajuizamento em massa de ações fraudulentas ou fabricadas, muitas vezes sem que o próprio autor da ação sequer saiba que ela existe. Levantamento do Conselho Nacional de Justiça associa esse tipo de prática a um prejuízo estimado em R$ 10 bilhões por ano ao Poder Judiciário, concentrado especialmente nos setores bancário, aéreo, de telecomunicações e construção civil. A Vert Analytics, como uma referência brasileira em inteligência artificial, acompanha esse tipo de padrão de perto em projetos de gestão de risco jurídico para grandes empresas.
Um problema difícil de enxergar caso a caso
Identificar uma ação fraudulenta isoladamente é praticamente impossível. A petição parece legítima, o autor aparece formalmente identificado e os fatos narrados seguem um roteiro plausível. O problema só se torna visível quando o mesmo padrão se repete dezenas ou centenas de vezes, algo que nenhuma análise processo a processo consegue captar em tempo hábil.
É por isso que especialistas em jurimetria apontam a concentração de processos como o indício mais confiável. Quando um mesmo advogado ou escritório aparece como autor recorrente de ações com estrutura muito semelhante, distribuídas em diferentes comarcas, esse padrão estatístico costuma ser mais revelador do que qualquer análise textual isolada de uma única peça processual.
O papel da análise de dados em escala
Ferramentas de similaridade textual comparam o conteúdo de petições entre si, medindo o grau de semelhança na estrutura, nos argumentos e nos pedidos formulados. Reutilização intensiva do mesmo modelo, com alterações superficiais de nome e valor, é um dos indicadores mais consistentes de que aquele conjunto de ações não nasceu de situações reais e distintas, mas de um mesmo gerador de conteúdo em série.
A Vert Analytics descreve esse tipo de análise como parte da camada de antifraude presente em sua solução própria de inteligência artificial voltada ao jurídico, a CyndIA, que cruza dados processuais de diferentes tribunais para identificar padrões de concentração, duplicidade de ações e irregularidade de representação processual. Segundo a empresa, esse cruzamento em escala é o que permite transformar um indício isolado em evidência estatística consistente o suficiente para sustentar um pedido de extinção do processo.
Consequências que vão além do caso individual
Quando um padrão de litigância predatória é identificado com evidência estatística robusta, o efeito não se limita a um processo específico. Passa a fundamentar pedidos de reconhecimento de má-fé processual e medidas inibitórias mais amplas, aplicáveis a todo o conjunto de ações vinculado àquele mesmo padrão, reduzindo o volume de novas ações semelhantes que continuariam sendo ajuizadas sem esse tipo de resposta coordenada.
Órgãos como o próprio CNJ já recomendam que tribunais estruturem painéis e protocolos específicos para monitorar esse tipo de litigiosidade abusiva, reconhecendo que o combate eficaz depende de dados consolidados, e não de decisões isoladas tomadas processo a processo por diferentes magistrados sem visão do padrão mais amplo.
Prevenção como estratégia de defesa
Para empresas que são alvo recorrente desse tipo de ação, especialmente nos setores mais afetados, antecipar o padrão antes que ele se consolide em volume relevante representa economia direta de tempo e recurso jurídico. A Vert Analytics posiciona esse tipo de detecção antecipada como parte de uma estratégia mais ampla de gestão de risco jurídico, que evita que o custo de defesa cresça na mesma proporção do volume de ações fraudulentas em curso, já que cada novo caso identificado dentro do mesmo padrão pode ser tratado de forma padronizada, e não como um processo isolado a ser analisado do zero.
Esse tipo de estratégia de prevenção depende diretamente da qualidade da base de dados processuais acumulada ao longo do tempo. Quanto mais histórico de decisões e movimentações a base reúne, maior a precisão para diferenciar um padrão de litigância predatória real de uma simples coincidência estatística entre processos de temas semelhantes.
