CRIS
Contract Risk Intelligence System
Ecossistema multiagente que audita contratos de engenharia pesada até a exaustão do risco, não até o fim da leitura.
CRIS (Contract Risk Intelligence System) é um sistema multiagente de auditoria de contratos, construído com Claude Sonnet 4.0 e um pipeline de 11 agentes especializados, cada um com busca vetorial (RAG) própria. Audita contratos de engenharia pesada de R$50M a R$100M+, mapeando riscos jurídicos e financeiros que uma revisão manual não teria fôlego para esgotar. Já identificou mais de R$5 milhões em vulnerabilidades. O sistema não decide sozinho: amplia a revisão da equipe jurídica humana, que mantém a decisão final.
Em resumo
O problema
Contratos de engenharia pesada, como obras portuárias e plantas industriais, chegam a dezenas de milhões de reais e centenas de páginas de cláusulas técnicas e jurídicas entrelaçadas.
Cláusulas de penalidade mal mapeadas viram multas pesadas por descumprimento involuntário, e auditorias manuais raramente têm fôlego para esgotar 100% dos riscos escondidos na interdependência entre cláusulas.
O resultado é semanas de revisão jurídica especializada para chegar a um retrato ainda parcial do risco, tempo que a equipe de administração contratual não recupera para negociar.
O impacto
Auditoria de risco exaustiva, não amostral: relatórios acionáveis para quem decide antes e durante a execução do contrato.
Prevenção de multas: verificação automatizada de conformidade e prazos onde antes só havia revisão pontual.
Semanas de revisão manual devolvidas à equipe: tempo para negociar, não para vasculhar cláusulas.
Em uso real, mais de R$5 milhões em vulnerabilidades contratuais identificadas.
Como foi medido
R$ 5M+ em exposição contratual mapeada
Em contrato de obra, cláusula ambígua não é problema abstrato: é porta aberta para pleito da contratante. E pleito nesse tipo de contrato raramente cobra valor fixo, cobra percentual do valor total da obra. Cada ambiguidade encontrada foi dimensionada por esse critério, em frentes diferentes do contrato. Somou-se a isso o escopo de suprimentos, onde a lista descrita não fechava com o que a execução exigiria: sem revisão, a diferença de compras seria absorvida pela contratada. O número é a soma dessa exposição mapeada, não perda incorrida.
Confiança não é binária: admitir dúvida é o que torna o sistema confiável em contratos de R$ 100M+.
O pipeline
O contrato não é lido de uma vez
Entra um PDF escaneado de mais de 70 páginas; sai um dossiê de risco rastreável até a cláusula de origem. As etapas entre um e outro existem por um motivo só: nenhum modelo analisa um contrato inteiro de uma vez sem perder precisão. Role para ver o pipeline completo e depois cada etapa de perto.
O pipeline completo
Seis etapas entre o contrato bruto e o dossiê de risco. Cada uma resolve um problema específico que a anterior deixou em aberto. A partir daqui, a câmera entra em cada uma delas.
Arquitetura
Um único modelo (Claude Sonnet 4.0) orquestra 11 agentes especializados, cada um com sua própria busca vetorial sobre o contrato inteiro. Nenhum agente processa o documento todo de uma vez.
Decisões
Antes de qualquer IA entrar em cena, eu já tinha um problema para resolver: o contrato chegava como PDF escaneado, imagem, sem uma letra selecionável. Resolvi isso com OCR (LlamaParse), convertendo o documento inteiro para markdown.
Só que aí veio o problema de verdade. Mesmo com o texto em mãos, um contrato de mais de 70 páginas não cabe numa análise séria de uma vez só: modelos de linguagem perdem precisão exatamente no meio de contextos longos (um problema documentado, não impressão minha), e mesmo que não perdessem, ninguém faz uma leitura linha a linha de 70 páginas dentro de um único prompt.
Pensei em quebrar o contrato em blocos e mandar cada bloco para a IA analisar. Isso trocou um problema por outro: um agente vendo 5% do contrato fica cego. Sem entender o resto da estrutura, ele não consegue montar uma análise coerente.
A resposta veio de pensar em como um advogado de verdade trabalha: quando tem dúvida sobre uma cláusula, ele não relê o contrato inteiro, volta e confere só a parte que precisa. Por que a IA não faria o mesmo? Cada agente ganhou acesso a uma busca vetorial (RAG) sobre o contrato completo, consultando sob demanda em vez de carregar tudo de uma vez.
A primeira versão dessa arquitetura deixava um modelo decidir, bloco a bloco, quais agentes deveriam entrar: um roteamento dinâmico rastreado em banco de dados. Funcionava, mas rastrear a conclusão assíncrona de cada agente por bloco virou mais complexidade do que valia a pena. Simplifiquei: todo bloco passa pelos 11 agentes em ordem fixa, e a resiliência vem de um checkpoint simples. Se o processo cair no meio de um contrato de 70+ páginas, ele retoma exatamente de onde parou.
Limites e o que ficou de fora
- O sistema lê o contrato, não a lei. Os modelos não tinham acesso consultável à legislação brasileira, então nuance de norma aplicável, hierarquia entre cláusula e lei e jurisprudência podem passar. Nada que o CRIS aponta é conclusão jurídica: é insumo para quem responde tecnicamente pelo parecer.
- A calibragem é deliberadamente pessimista. O prompt combina cadeia de raciocínio explícita (chain-of-thought) e conservadorismo extremo, porque num contrato desse valor é preferível um alarme falso a um risco não visto. O efeito colateral é observável: excesso de ruído pessimista, com parte dos apontamentos não se confirmando na revisão humana.
Lógica de domínio
Para eliminar alucinação em contratos multimilionários, o CRIS escala o rigor da validação junto com o valor do contrato.
- Cadeia de custódia: cada risco cita cláusula e página de origem
- Incerteza obrigatória: confiança abaixo de 0.7 aciona revisão humana
- Validação cruzada: riscos críticos confirmados por 2+ agentes independentes
- O que não está definido no contrato, e o risco que isso representa
- Inversão de perspectiva: agentes simulam a contraparte explorando as cláusulas
- Simulação de cenários adversos: atraso crônico, rescisão antecipada
- Revisão adversária: agentes tentam quebrar a própria conclusão do sistema
Aprendizados
Confiança não é binária: o sistema aprende a admitir dúvida (< 0.7) antes de fingir certeza, e é isso que o torna confiável em contratos de R$ 100M+.