IA no judiciário e na Saúde

Nas últimas semanas, temos visto um tema crescer em relevância global: o uso de inteligência artificial generativa em setores de decisão crítica. A notícia de hoje, vinda do clipping do InRad, é emblemática: o Conselho Nacional de Justiça (CNJ) anunciou que a partir de dezembro de 2025 passará a adotar uma plataforma de IA generativa para apoiar juízes em suas decisões e rotinas jurídicas. [Fonte: Portal Jota, 24/09/2025].

Embora à primeira vista possa parecer distante do universo da saúde, esse movimento tem implicações diretas para o nosso campo. O paralelo é inevitável: se até o sistema judiciário brasileiro — historicamente marcado pela lentidão e pela sobrecarga processual — se prepara para integrar IA generativa como ferramenta oficial de trabalho, o setor de saúde precisa acelerar sua própria curva de adoção. Aqui, falamos de duas esferas distintas, mas unidas pelo mesmo desafio: lidar com grandes volumes de informação não estruturada e transformá-los em decisões confiáveis.

No caso do Judiciário, a promessa é otimizar análise de processos, sintetizar jurisprudência e oferecer suporte textual para despachos e sentenças. Na saúde, especialmente em radiologia, patologia e atenção primária, o papel é muito semelhante: interpretar dados complexos (imagens, textos de laudos, históricos clínicos), gerar sínteses e apoiar decisões médicas com base em evidência. E em ambos os casos, o risco maior é o mesmo: viés algorítmico e falta de transparência.

No cenário internacional, essa discussão já está madura. A União Europeia aprovou em 2024 o AI Act, que classifica sistemas de IA em níveis de risco e impõe obrigações rígidas para aplicações de alto risco, incluindo saúde e justiça. [Fonte: Parlamento Europeu, 2024]. Além disso, em paralelo ao European Health Data Space (EHDS), que entra em vigor em 2025 para regular compartilhamento e uso secundário de dados de saúde, temos um ambiente onde inovação só prospera se vier acompanhada de compliance regulatório. No setor jurídico europeu, experimentos com IA generativa já estão sendo monitorados sob esse mesmo prisma.

Nos Estados Unidos, a Food and Drug Administration (FDA) segue testando mecanismos de aprovação rápida para softwares médicos baseados em machine learning adaptativo, ao mesmo tempo em que tribunais norte-americanos vêm discutindo se pareceres gerados por IA podem ter valor legal ou se devem ser sempre tratados como apoio não vinculante. [Fonte: FDA, 2025; Harvard Law Review, 2025]. O fio condutor é o mesmo: IA pode acelerar a tomada de decisão, mas não substitui a responsabilidade humana.

O Brasil, nesse contexto, corre o risco de ser espectador. O CNJ pode ter dado um passo ousado, mas o campo da saúde ainda carece de diretrizes claras. O Projeto de Lei 21/2020, que estabelece princípios para o uso da IA no país, segue em tramitação lenta. Enquanto isso, hospitais, startups e grandes redes de saúde tentam implementar soluções sem uma moldura regulatória sólida. Isso gera insegurança jurídica, risco para pacientes e uma desvantagem competitiva internacional.

Do ponto de vista clínico, a adoção de IA generativa na saúde brasileira precisa enfrentar três pontos centrais: acurácia clínica, explicabilidade e integração com os fluxos de trabalho. Diferentemente de um juiz, que pode revisar e ajustar um parecer gerado por IA antes de assinar uma sentença, um médico muitas vezes depende de decisões em tempo real, em cenários de vida ou morte. Isso torna a exigência de confiabilidade ainda mais crítica.

No plano econômico, a questão dos modelos de pagamento se torna central. Hoje, grande parte das soluções de IA em saúde são oferecidas como “IA-as-a-service”, com cobrança por volume de uso. No Brasil, como já discuti em outras ocasiões, esse modelo é pouco sustentável: hospitais públicos e privados têm margens apertadas e dificilmente conseguirão arcar com custos crescentes baseados em uso. Precisamos explorar alternativas mais aderentes, como modelos de remuneração por performance (pagamento por resultado clínico), integração em pacotes de software hospitalar ou licenciamento com manutenção previsível.

O caso do CNJ mostra que o Estado brasileiro está disposto a bancar a adoção de IA generativa em uma função crítica. Por que não imaginar o mesmo na saúde? Imagine o Ministério da Saúde contratando modelos generativos adaptados para a língua e a realidade clínica brasileira, capazes de apoiar médicos em laudos de radiologia, resumos de internação ou alertas de segurança. Isso poderia reduzir filas, acelerar diagnósticos e aumentar a eficiência do SUS. Mas, para isso, precisamos de governança pública, certificação independente e monitoramento contínuo.

A longo prazo, a visão de futuro passa por três camadas: primeiro, consolidar a IA como apoio confiável, auditado e transparente; segundo, criar um mercado de soluções interoperáveis, conectadas a prontuários eletrônicos e a sistemas nacionais como o Conecte SUS; terceiro, transformar essa base em alavanca de inovação regulatória, permitindo que o Brasil não apenas importe modelos, mas exporte soluções adaptadas à nossa realidade.

O que aprendemos com a decisão do CNJ é que a IA generativa já não é mais promessa futurista — é política pública em implementação. E quando o Estado brasileiro assume a dianteira em um campo, a pressão para outros setores, como a saúde, se torna inevitável. Se queremos que a inovação em saúde digital no Brasil seja competitiva e justa, precisamos garantir que nossos algoritmos sejam não apenas poderosos, mas também responsáveis, auditáveis e alinhados às necessidades locais.

Essa é a encruzilhada que temos diante de nós. A IA generativa pode ser o novo motor do sistema de saúde, mas só se formos capazes de calibrá-la com responsabilidade. O Judiciário já escolheu seu caminho. Agora é a nossa vez.