O fundo do J

A ciência acaba de medir, com dados causais e dentro da fábrica, o que acontece quando a inteligência artificial chega. A produtividade cai antes de subir, e um terço da queda vem de arrancar, junto com a papelada, justamente a burocracia boa que esta série passou seis artigos defendendo.

Existe uma frase que virou lugar-comum nas reuniões de diretoria dos últimos dois anos: "a gente testou IA e não deu certo". Ela vem quase sempre acompanhada de um piloto encerrado, de uma licença que não foi renovada e de um certo alívio malcontido, como quem escapou de uma moda cara.

Os números dão razão à frase. Um estudo do MIT que correu o mundo em agosto de 2025 afirmou que cerca de 95% dos pilotos corporativos de IA generativa não produziram impacto mensurável no resultado. A S&P Global Market Intelligence mediu que 42% das empresas abandonaram a maioria de suas iniciativas de IA na onda de pesquisa de 2025, contra 17% na anterior, e que a organização média descartou 46% de suas provas de conceito antes de chegarem à produção. O Gartner projeta que mais de 40% dos projetos de agentes de IA serão cancelados até o fim de 2027. E a McKinsey, na sua pesquisa anual com quase dois mil respondentes em 105 países, encontrou o contraste mais eloquente de todos: 88% das organizações já usam IA em ao menos uma função, e apenas 39% conseguem apontar qualquer impacto no EBIT, sendo que, mesmo entre essas, a maioria o estima abaixo de 5%.

A leitura fácil desses números é "bolha". A leitura correta é mais interessante, e é o assunto deste artigo: isso é exatamente o que a teoria previa, tem nome, tem formato e tem 140 anos de precedente. O nome é curva em J. E, no ano passado, ela ganhou algo que nunca teve: uma medição causal feita dentro da empresa, que revela por onde a produtividade escapa. O achado que nos interessa é o mais incômodo de todos, e fecha o círculo com o primeiro artigo desta série.

A régua histórica

Em julho de 1987, resenhando um livro para o New York Times Book Review, o economista Robert Solow escreveu a frase que ficou: a era do computador podia ser vista em toda parte, menos nas estatísticas de produtividade. Era uma provocação empírica honesta. Os Estados Unidos tinham investido bilhões em informática ao longo de duas décadas, e a produtividade agregada não se mexia.

Três anos depois, Paul David publicou a resposta que hoje é clássica. Em The Dynamo and the Computer, ele mostrou que a eletrificação industrial levou cerca de quatro décadas entre a disponibilidade do motor elétrico e o salto de produtividade nas fábricas americanas. O motivo não era técnico, era organizacional. Enquanto as fábricas se limitaram a trocar a máquina a vapor central por um motor elétrico central, mantendo a arquitetura de eixos e correias herdada da água, o ganho foi pequeno. O salto veio quando alguém reprojetou o galpão inteiro em torno do motor individual por máquina, o que permitiu redesenhar o layout pela lógica do fluxo de produção e não pela geometria da transmissão mecânica. Foi preciso jogar fora a planta da fábrica, não só comprar o motor.

Em 2021, Erik Brynjolfsson, Daniel Rock e Chad Syverson deram forma matemática a isso no artigo The Productivity J-Curve. Quando uma tecnologia de propósito geral chega, as empresas precisam construir ativos intangíveis complementares: processos novos, competências novas, dados organizados, gente treinada. Esse esforço é custoso e imediato; o retorno é lento e difuso. Como a contabilidade nacional não enxerga o intangível, a produtividade medida cai primeiro e sobe depois. Daí o J.

É por isso que a decepção de 2026 não deveria surpreender ninguém. Ela é a assinatura estatística do fundo do J, e é indistinguível de uma bolha para quem olha um ano de cada vez.

A novidade: o J visto por dentro

Até aqui, tudo isso era um argumento macroeconômico, com um problema desconfortável: se a queda é só efeito de intangível mal medido, ela é uma ilusão contábil. Ninguém tinha ido ver o que acontece dentro do galpão.

Em abril de 2025, quatro pesquisadores foram. Kristina McElheran, Mu-Jeung Yang, Zachary Kroff e o próprio Brynjolfsson publicaram, como working paper do Center for Economic Studies do Census Bureau americano, The Rise of Industrial AI in America: Microfoundations of the Productivity J-curve(s). Eles cruzaram dados censitários de cerca de 28,5 mil estabelecimentos industriais e 55 mil empresas, ondas de 2017 e 2021, com balanços do Census, dados da Receita americana e o crescimento efetivo de cada planta até 2021.

O resultado central é o J, agora causal e no nível da fábrica: adotar IA na produção derruba a produtividade total dos fatores no curto prazo, e os estabelecimentos que adotaram cedo cresceram mais em receita, emprego e produtividade nos anos seguintes. O tamanho da queda de curto prazo, na estimativa com controles completos, é de 1,33 ponto percentual de produtividade para cada desvio-padrão a mais de intensidade de IA.

A parte que interessa é por onde a produtividade vaza. Não é uma sutileza contábil. É física, e aparece em indicadores que qualquer gerente de chão de fábrica reconhece:

O estoque em processo aumenta, porque a máquina nova quebra a coordenação apertada que o processo enxuto tinha, e o sistema passa a precisar de amortecedores. O investimento em robôs aumenta, porque IA industrial não é só software, exige co-investimento físico. Emprego e salários caem no curto prazo, porque o trabalho é reconfigurado antes de ser recolocado. E o algoritmo, para achar os parâmetros bons, precisa testar os ruins, o que custa produção real enquanto aprende.

Vale registrar os limites, porque eles são grandes e o artigo não os esconde. É indústria de transformação americana, é IA industrial (visão de máquina, manutenção preditiva, robótica), o período vai de 2012 a 2021 e, portanto, é anterior à difusão da IA generativa. É um working paper, não passou por revisão por pares e não representa posição oficial do Census Bureau. A adoção medida ainda era baixa: 22,8% dos estabelecimentos com alguma IA, 8% com IA na produção. Nada disso se transporta para o trabalho do conhecimento pela magnitude. Se transporta pelo mecanismo, que é o mesmo documentado na eletrificação e nos computadores. É a terceira confirmação de um padrão, não a primeira.

O achado que ninguém comentou

Entre os canais pelos quais a produtividade escapa, um se destaca, e é o motivo de este artigo existir.

Um desvio-padrão a mais de IA reduziu em 0,83 log points a adoção de práticas estruturadas de gestão nos estabelecimentos com mais de 25 anos. E as práticas específicas que se perderam têm nome: a revisão de indicadores de desempenho por funcionários que não são gerentes, e o conhecimento das metas de produção pelo pessoal da linha de frente. Esse canal, sozinho, explica cerca de um terço da perda total de produtividade documentada. Os autores estimam que a destruição de capital organizacional como um todo pode responder por até dois terços.

Traduzindo do econometrês: ao instalar a máquina, as empresas desligaram o quadro branco onde o operário anotava o problema. Desligaram a reunião de dez minutos em que a equipe olhava o número do dia. Desligaram o ritual em que quem opera o processo revisa o indicador do processo. Tudo isso, visto do alto, parecia papelada substituível por um dashboard. Era o mecanismo que transformava a experiência individual do chão de fábrica em conhecimento da organização. E arrancá-lo custou caro, de forma medida, em dinheiro.

Agora aplique o teste das três perguntas do artigo 1 a essas práticas. Protegem um direito ou uma renda? Protegem uma função real: a captura do conhecimento de quem está mais perto do problema. O custo tem contrapartida? Tem, e agora sabemos quanto vale, porque temos o preço de removê-la. Sobreviveriam a uma digitalização honesta? Sobreviveriam, e é precisamente isso que separa quem atravessou o J de quem afundou nele: digitalizar o ritual não é o mesmo que abolir o ritual.

Esta série passou seis artigos separando a burocracia que protege da burocracia que só cobra pedágio. Sempre foi um argumento normativo, uma questão de critério. O paper do Census é a primeira contraprova quantitativa que encontramos: existe burocracia cuja remoção destrói valor, e o valor destruído é mensurável.

A IA não fracassa por excesso de burocracia. Fracassa quando arranca a burocracia errada, a que era boa.

Vale um detalhe fino do estudo, porque tem tradução jurídica direta. A queda se concentra nos estabelecimentos antigos, com 25 anos ou mais, justamente os que tinham mais capital organizacional a perder. Mergulham raso as empresas jovens com estratégia de crescimento por novos mercados e os processos de fluxo contínuo, previsíveis e repetitivos. Mergulham fundo os processos tipo job shop, sob encomenda e de alta variedade, onde não há repetição suficiente para treinar nada. No escritório de advocacia, isso se lê sem tradutor: carteira de massa mergulha raso, peça artesanal mergulha fundo. E há uma boa notícia: nas empresas com várias unidades, a IA adotada nas outras plantas melhora a planta observada. O segundo caso de uso custa menos que o primeiro.

O espelho brasileiro

O Brasil entrou nessa curva com um padrão próprio, e ele é curioso.

Na adoção individual, somos entusiastas de ponta. Uma pesquisa Google/Ipsos em 21 países mostrou 54% dos brasileiros usando IA generativa contra 48% da média global, e 65% otimistas com a tecnologia contra 57%.

Na adoção organizacional, ficamos para trás. O CETIC.br mediu 17% das empresas brasileiras com dez ou mais empregados usando IA em 2025, contra 13% no ano anterior. Entre as grandes, chega a 50%. (Na indústria com 100 ou mais ocupados, um recorte diferente e não comparável, o IBGE registrou salto de 16,9% em 2022 para 41,9% em 2024.)

O resumo em uma frase: o brasileiro chegou à IA antes da empresa brasileira. É um país inteiro entrando no fundo do J com o cinto de segurança por afivelar.

No mundo jurídico, o retrato é ainda mais nítido. Uma pesquisa da OAB de São Paulo em março de 2026, com mais de 1.800 respondentes, encontrou 77% dos advogados usando IA com frequência, contra 55% na edição anterior. E apenas 34% das organizações com orçamento dedicado ao tema. Setenta e sete por cento de uso individual, trinta e quatro por cento de estrutura organizacional: é a distância entre a ferramenta e a co-invenção, medida em pontos percentuais. É a receita do mergulho fundo.

No Judiciário, a mesma assimetria aparece em escala institucional. A pesquisa do CNJ sobre IA no Judiciário, com adesão de 92 dos 95 tribunais e conselhos, identificou 178 projetos de IA registrados em 2024, dos quais 98 eram iniciativas novas. Quase metade dos tribunais e conselhos, 45,8%, já usa IA generativa, e entre os que ainda não usam, 81,3% pretendem usar.

Agora a parte que não aparece em nenhum release: não existe avaliação pública de impacto dessa tecnologia na produtividade dos tribunais. As pesquisas descrevem funcionalidades, contam projetos e medem percepções. Nenhuma mede resultado. A métrica pública mais citada do país sobre IA judicial continua sendo a notícia de 2018 de que o sistema Victor, no STF, fazia em cinco segundos uma tarefa de 40 minutos. É uma métrica de velocidade sem nenhuma métrica de resultado ao lado, o que, depois de tudo que este artigo apresentou, é precisamente o tipo de número que não diz se você está subindo ou descendo o J.

O contraste com o rigor do próprio CNJ em outras contas é revelador. O Justiça em Números 2026, divulgado em junho, mostra um ano notável: o acervo caiu para 75,5 milhões de processos, uma redução de 4,3%, com taxa de congestionamento de 62,6% e a menor taxa líquida da série histórica, tudo isso no ano de maior demanda já registrada, com 40,9 milhões de casos novos. E o CNJ atribui a melhora com todas as letras às execuções fiscais, que encolheram 21,3%, e à extinção de centenas de milhares de processos de FGTS após o julgamento da ADI 5.090 pelo STF. A palavra "inteligência artificial" não aparece no comunicado. O CNJ está certo em não atribuir o que não mediu. O ponto é outro: com 178 projetos em campo, ninguém mediu.

Enquanto isso, os incidentes se acumulam, e eles são o fundo do J em tempo real. Em novembro de 2023, um juiz federal do TRF-1 assinou sentença com precedentes inexistentes, inventados pelo ChatGPT e atribuídos ao STJ. O caso subiu à Corregedoria Nacional de Justiça e foi noticiado como caso inédito no país. Quase três anos depois, não há registro público de desfecho. Em fevereiro de 2026, a 6ª Turma do TRT-2 multou uma empresa em 5% do valor da causa e oficiou a OAB-SP porque o recurso citava jurisprudência fabricada por IA, que o advogado tentou atribuir ao "corpo de estagiários". Um mês depois, a mesma ConJur mapeou o padrão espalhado pelo Judiciário: multas e condenações por precedentes falsos de IA do STF ao TSE, passando por TST, TRTs e cortes estaduais.

E há um dado do próprio CNJ que amarra tudo: mais de 80% dos projetos de IA dos tribunais não estão integrados à plataforma Sinapses, o registro nacional. Apenas 10,2% estão totalmente integrados. Ou seja: a rotina de conferência existe na norma e não existe na prática. É o quadro branco desligado, versão Judiciário.

A boa burocracia nascendo

Aqui a história melhora, e vale dizer com clareza: a resposta institucional brasileira à IA é, até agora, um bom exemplo do que esta série defende.

A Resolução CNJ 615/2025, publicada em março de 2025, substituiu a antiga Resolução 332/2020 e montou uma estrutura que qualquer leitor do paper do Census reconheceria. Ela exige que os sistemas de IA possibilitem supervisão humana e permitam modificação pelo magistrado (art. 34), e determina que em nenhum momento o sistema possa restringir ou substituir a autoridade final do usuário (art. 32, parágrafo único). Veda categorias inteiras de uso, entre elas soluções que não permitam revisão humana, perfilamento preditivo criminal, ranqueamento de pessoas para aferir plausibilidade de direitos ou de testemunhos, e reconhecimento de emoções por biometria (art. 10). Classifica as demais em alto e baixo risco (art. 11 e anexo), exige avaliação de impacto algorítmico para as de alto risco (art. 14) e impõe cadastro obrigatório no Sinapses, antes mesmo do início do desenvolvimento no caso das de alto risco (art. 24). Sobre IA generativa, dedicou um capítulo inteiro (arts. 19 a 21), com registro automático de uso e vedação, na contratação individual, de que a fornecedora use os dados do Judiciário para treinar ou aperfeiçoar seus modelos (art. 19, § 3º, III).

Um ano antes, em novembro de 2024, a OAB já havia aprovado a Recomendação 001/2024, que veda a dependência absoluta da ferramenta, exige supervisão humana e trata da comunicação ao cliente.

Leia essas duas normas com o paper na mão. Supervisão humana obrigatória, classificação por risco, registro central, avaliação de impacto, revisão periódica: é o checklist que a fábrica não deveria ter desligado, redigido em linguagem normativa. É burocracia boa nascendo em tempo real, e ela passa no teste das três perguntas com folga.

Duas ressalvas, porque a série não faz propaganda. A primeira: a resolução não obriga o juiz a declarar na decisão que usou IA. A menção no corpo do texto é faculdade do magistrado (arts. 19, § 6º, e 33, § 3º); o que é obrigatório é o registro interno automático. A segunda: o prazo de doze meses para os tribunais adequarem seus projetos correu da publicação, em março de 2025, enquanto a norma só entrou em vigor 120 dias depois. Na prática, o prazo terminou em março de 2026 com menos de oito meses de norma vigente dentro dele. E os 80% de projetos fora do Sinapses sugerem que a adequação não aconteceu no papel nem na prática. Regra boa que não é medida é a mesma coisa que o Victor de cinco segundos: um número que não diz onde você está na curva.

Fora do Judiciário, o marco legal segue no ar. O PL 2338/2023, aprovado pelo Senado em dezembro de 2024, continua parado na comissão especial da Câmara, aguardando parecer do relator. O último andamento registrado, em junho de 2026, é a apensação de outros projetos.

O limite honesto

O outro lado tem bons argumentos, e três deles merecem resposta.

"O estudo é de fábrica americana e IA industrial. Não vale para escritório nem para IA generativa." Verdadeiro, e por isso está dito no corpo do texto e não em nota de rodapé. A defesa é que o mecanismo, e não a magnitude, é o que se transporta: co-invenção custosa, destruição de capital organizacional, heterogeneidade por idade da organização e por previsibilidade do processo. Esse mecanismo é o mesmo documentado na eletrificação nos anos 1920 e na informatização nos anos 1990. Quem usar o número de 1,33 ponto percentual para prever o resultado de um piloto de IA jurídica está fazendo mau uso do estudo. Quem usar o mecanismo para desenhar o piloto está fazendo o uso correto.

"A curva em J é desculpa de vendedor: confie, vai melhorar." É o melhor contra-argumento, e merece respeito. A diferença está no que a curva promete. Ela não promete que todo mundo sobe. O próprio paper reconhece que os ganhos de longo prazo são condicionais à sobrevivência da empresa e provavelmente têm viés de seleção para cima. O que a curva afirma é o contrário do ato de fé: que a descida é certa, previsível e mensurável, e que a subida depende de escolhas identificáveis, como o tipo de processo escolhido, a estratégia da casa e a preservação das práticas de gestão. É um mapa do mergulho, não uma promessa de voo. E um mapa do mergulho só serve para quem mediu a linha de base antes de pular. Piloto sem baseline não tem como distinguir o fundo do J de um fracasso: e o cliente vai lembrar só do mergulho.

"Manter humano revisando tudo anula o ganho da automação." O dado diz o contrário: quem preservou as práticas estruturadas perdeu menos e saiu antes. E o ponto nem é revisar tudo. A Resolução 615 já mostra o caminho ao calibrar a exigência pelo grau de risco, com vedação absoluta em alguns usos, avaliação de impacto em outros e regime leve para o resto. A regra desta série desde o artigo 1 é essa: onde o erro tem consequência, humano assina.

A linha de corte

O que defender: a medição da linha de base antes de qualquer automação; o indicador revisado por quem opera o processo, e não só por quem o dirige; a meta conhecida pela ponta; a saída da máquina como minuta sujeita a revisão, onde o erro tem consequência; o registro de qual modelo fez o quê; a avaliação de impacto proporcional ao risco; a publicação do resultado, inclusive quando ele for ruim.

O que combater: o piloto sem critério de aceite; a automação de ponta a ponta sem revisão em matéria de consequência; a demissão de quem detém o conhecimento do processo logo na entrada da curva, que é vender o ativo para pagar a obra; a métrica de velocidade apresentada como métrica de resultado; a norma de governança que existe no papel e não é medida na prática; e o hype que promete travessia sem mergulho.

Humano no comando, agora com prova

Esta série adotou "humano no comando" como princípio desde o primeiro artigo. Era uma posição, uma questão de gosto institucional, e um leitor cético tinha todo o direito de ler como marketing.

O paper do Census muda o estatuto da frase. Manter o humano no circuito, com o indicador vivo e a meta conhecida por quem executa, deixou de ser uma preferência ética e passou a ser o item que explica um terço da diferença entre atravessar a curva e afundar nela. Quem desliga o humano para ganhar eficiência mergulha mais fundo e sai mais tarde, se sair.

Há uma ironia final que fecha o círculo desta série. Passamos seis artigos mostrando burocracia que só cobra pedágio: o carimbo do cartório, a negativa automática do INSS, o recurso que morre na portaria, o edital ilegível do leilão, a fila do precatório sem data. Em todos, a saída apontava para a mesma direção: tecnologia que traduz o rito em linguagem de gente, com alguém que assina e responde. Este artigo mostra o erro simétrico, cometido do outro lado do balcão: a organização que compra a máquina e, no entusiasmo de eliminar papelada, arranca justamente o pedaço de burocracia que era o seu capital.

São o mesmo erro de julgamento, em espelho. Um mede a burocracia pelo volume e a defende toda. O outro mede pelo volume e a destrói toda. A pergunta certa nunca foi quanta burocracia a IA elimina. Sempre foi qual.

Chamam de transformação digital, de eficiência, de disrupção. A gente chama de burocracia. E aprendeu, em sete artigos, que existe uma que vale o seu preço, e que arrancá-la agora tem cotação em ponto percentual.

No próximo corredor, a série continua. O labirinto também.

---

Nota metodológica

Paper central: McElheran, K.; Yang, M.-J.; Kroff, Z.; Brynjolfsson, E., The Rise of Industrial AI in America: Microfoundations of the Productivity J-curve(s), US Census Bureau, Center for Economic Studies, Working Paper CES 25-27, abril de 2025. É working paper, não passou por revisão por pares, e as opiniões nele expressas não representam posição do Census Bureau. Amostras: ~28,5 mil estabelecimentos (MOPS-ASM, ponderados para ~300 mil) e ~55 mil empresas (ABS-CMF), ondas de 2017 e 2021, cruzadas com dados do IRS e do Longitudinal Business Database. A queda de 1,33 ponto percentual de PTF por desvio-padrão do índice de IA é a estimativa de OLS com controles completos (Tab. 3), usada aqui como magnitude típica citável. O artigo também reporta uma estimativa por variável instrumental substancialmente maior, deliberadamente não citada neste texto: trata-se de um efeito local sobre adotantes marginais (cerca de 3% da amostra, plantas pouco digitalizadas e distantes da matriz), e citá-la como média seria exagero. Canal gerencial: redução de 0,83 log points nas práticas estruturadas de gestão em estabelecimentos com 25+ anos, respondendo por cerca de um terço da perda de PTF (0,39 de 1,133), com estimativa dos autores de até dois terços para a destruição de capital organizacional como um todo (Tab. 7). Adoção: 22,8% com alguma IA, 8% com IA na produção (Tab. 1). Heterogeneidade por idade, tipo de processo e estratégia, e o transbordamento entre plantas da mesma firma: Tabs. 5 a 7.

Precedentes históricos: a frase de Robert Solow é de "We'd better watch out", New York Times Book Review, 12/07/1987, p. 36, e não do New York Review of Books, como se repete com frequência. Paul A. David, "The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox", American Economic Review 80(2), maio de 1990, pp. 355-361. Brynjolfsson, E.; Rock, D.; Syverson, C., "The Productivity J-Curve: How Intangibles Complement General Purpose Technologies", American Economic Journal: Macroeconomics 13(1), janeiro de 2021, pp. 333-372.

Números de decepção corporativa: o dado de ~95% é do projeto NANDA do MIT, The GenAI Divide: State of AI in Business 2025, e é usado neste texto como o número que circulou, não como medida consolidada: é preliminar, não revisado por pares, baseado em amostra pequena (52 entrevistas, 153 respostas de survey e cerca de 300 casos públicos), adota definição estreita de sucesso (impacto direto no P&L) e foi contestado publicamente por pesquisadores de outras instituições. Os 42% de abandono e os 46% de provas de conceito descartadas vêm da onda 2025 do Voice of the Enterprise: AI & Machine Learning, linha de pesquisa da S&P Global Market Intelligence (n≈1.006, América do Norte e Europa), divulgados em março de 2025 e reproduzidos verbatim pelo CIO Dive, com a publicação original da S&P em acesso restrito; a onda 2026 do mesmo survey substituiu a métrica de abandono por métricas de retorno, e registra 46% das iniciativas dos últimos doze meses no caminho de ROI positivo e 37% efetivamente em produção entregando valor. Gartner, press release de 25/06/2025. McKinsey, The state of AI in 2025: Agents, innovation, and transformation, publicado em 05/11/2025, campo de 25/06 a 29/07/2025, n=1.993 respondentes em 105 países; não existe edição 2026 até a data desta redação.

Brasil: CETIC.br/CGI.br, TIC Empresas 2025 (17% das empresas com 10 ou mais empregados; 13% em 2024; 50% entre as grandes); a comparação com a média da União Europeia, presente em versões anteriores do brief, não consta do release oficial e foi retirada do texto. IBGE, PINTEC/indústria com 100 ou mais ocupados (16,9% em 2022 para 41,9% em 2024); os dois recortes não são comparáveis entre si, e o texto os apresenta separadamente por essa razão. Google/Ipsos, pesquisa em 21 países divulgada em janeiro de 2025. OAB-SP, pesquisa de março de 2026 com mais de 1.800 respondentes; amostra autosselecionada, o que recomenda ler os percentuais como ordem de grandeza. O relatório Work Trend Index 2026 da Microsoft confirma que os "Frontier Professionals" são 16% dos usuários de IA pesquisados globalmente; o recorte brasileiro de 27% circulou na imprensa nacional e não foi localizado no relatório oficial até a data desta redação, razão pela qual não é usado no texto.

Judiciário: Pesquisa Inteligência Artificial no Poder Judiciário 2024, CNJ, divulgada em 16/09/2025, com adesão de 92 dos 95 tribunais e conselhos e coleta entre dezembro de 2024 e janeiro de 2025; os percentuais de 45,8% e 81,3% referem-se a tribunais e conselhos, não apenas a tribunais; é a edição mais recente, não há edição 2025 ou 2026. Os dados de integração ao Sinapses (10,2% totalmente integrados e 9,2% parcialmente) são da mesma pesquisa. Justiça em Números 2026, ano-base 2025, divulgado em 23/06/2026: acervo de 75,5 milhões (queda de 3,4 milhões, ou 4,3%), taxa de congestionamento de 62,6%, taxa líquida de 56,6% (menor da série), 40,9 milhões de casos novos (maior da série), IAD de 110,4%; a atribuição da melhora às execuções fiscais (queda de 4,4 milhões de casos, ou 21,3%) e à extinção de processos de FGTS no TRF-3 após a ADI 5.090 é do próprio comunicado do CNJ, no qual a expressão "inteligência artificial" não aparece. A afirmação de que não existe avaliação pública de impacto da IA na produtividade dos tribunais é feita como constatação de ausência, após busca ativa em publicações do CNJ e da literatura acadêmica. Sistema Victor: notícia oficial do STF de 2018 (tarefa de 40 minutos executada em cinco segundos); circulam versões posteriores com "44 minutos" e "quatro segundos" em declarações de ministros, deliberadamente não usadas aqui.

Normas: Resolução CNJ 615/2025, publicada no DJe/CNJ de 14/03/2025, com vacatio de 120 dias (art. 47) e prazo de doze meses para adequação contado da publicação (art. 45, parágrafo único); revogou a Resolução CNJ 332/2020 (art. 46) e foi alterada pela Resolução CNJ 674/2026 apenas quanto à composição do Comitê Nacional de Inteligência Artificial do Poder Judiciário (art. 15), sem alteração dos dispositivos citados neste texto. A vedação de uso de dados judiciais para treinamento não é absoluta: é categórica na contratação individual pelo magistrado ou servidor (art. 19, § 3º, III), e nas demais hipóteses é condicionada às bases legais da LGPD e à anonimização na origem (arts. 20, II e parágrafo único, e 30). A comunicação do uso de IA no corpo da decisão é faculdade do signatário (arts. 19, § 6º, e 33, § 3º); o registro interno é que é obrigatório. Recomendação OAB 001/2024, aprovada em 11/11/2024; o texto integral está no Diário Eletrônico da OAB. PL 2338/2023: aprovado pelo Senado em 10/12/2024, remetido à Câmara em 17/03/2025, despachado à comissão especial em 29/04/2025, situação atual de "aguardando parecer do relator", com último andamento registrado em 17/06/2026 (apensações); não houve votação em plenário até a data desta redação.

Incidentes: o caso do magistrado do TRF-1 que assinou sentença com precedentes inexistentes atribuídos ao STJ é de novembro de 2023, foi remetido à Corregedoria Nacional de Justiça e não tem desfecho público localizado até a data desta redação; o texto registra a ausência de desfecho, sem afirmar punição nem arquivamento. O caso do TRT-2 (6ª Turma, multa de 5% por litigância de má-fé e ofício à OAB-SP, processo 1001128-84.2024.5.02.0044, rel. juiz convocado Fernando Cesar Teixeira França, com invocação expressa da Recomendação 1/2024 da OAB) é da ConJur de 16/02/2026, conferida na íntegra; o panorama multi-tribunais (STF, TSE, TST, TRTs e cortes estaduais) é da ConJur de 17/03/2026. Um caso distinto, decidido pelo Órgão Especial do TJ-SP em julho de 2026, manteve o arquivamento de reclamação disciplinar contra magistrado em situação análoga, e não se confunde com o caso do TRF-1.

A crítica deste artigo é dirigida a desenhos de adoção, não a pessoas ou instituições determinadas. Estimativas de terceiros são atribuídas como tal, e os limites de cada fonte estão declarados acima em vez de omitidos.