This article investigates the application of artificial intelligence (AI) to address repetitive and predatory litigation in Brazilian courts through a literature mapping and technical review. In recent years, the Brazilian judiciary has experienced a surge in predatory litigation, leading to increased case backlogs and inefficiencies. Leveraging AI tools for litigation identification and classification presents a promising avenue to mitigate these challenges. This study systematically maps existing scientific literature and reviews AI-driven tools deployed within the Brazilian judicial system to combat repetitive claims, with particular attention to initiatives such as the Bastião Project, Genesis, and Sherlock systems. By examining the technological approaches, challenges, and reported outcomes of AI in managing predatory litigation, this paper highlights AI’s potential to support judicial efficiency and integrity. The findings suggest the need for continuous refinement of AI models to address ethical considerations, data transparency, and adaptation to evolving judicial demands.
AletrasNTsarapatsanisDPreoţiuc-PietroD, et al. (2016) Predicting judicial decisions of the European Court of Human Rights: a natural language processing perspective. In: PeerJ computer science, Vol. 2. p.e93. DOI: 10.7717/peerj-cs.93.
3.
BragançaFda FPG BragançaLF (2019) Revolucão 4.0 no poder judiciário: Levantamento do uso de inteligência artificial nos tribunais brasileiros. Revista da Secão Judiciária do Rio de Janeiro23(46): 65–76.
4.
BringsJDaunMKempeM, et al. (2018) On different search methods for systematic literature reviews and maps: Experiences from a literature search on validation and verification of emergent behavior. In: International Conference on Evaluation and Assessment in Software Engineering. pp.35–45.
5.
BritoCRBd (2024) Enfrentamento da litigância predatória no Poder Judiciário do Rio Grande do Norte. B.S. Thesis, Universidade Federal do Rio Grande do Norte.
6.
CarusoMLC (2023) Design de sistemas para tratamento da litigância repetitiva: conjugação de precedentes, inteligência artificial e cooperação judiciária. B.S. Thesis, Universidade Federal de Minas Gerais.
7.
CivitareseCH (2024) Inteligência artificial no sistema jurídico brasileiro: Fato ou ficção?Revista Processus de Estudos de Gestão, Jurídicos e Financeiros15(49): e491234.
das Chagas Moreira NetoF (2023) Entre Morosidade e Eficiência: Estudo sobre Justiça e Serviço Público Judiciário no Estado Brasileiro. Master’s Thesis, Universidade Federal do Ceará, Programa de Pós-Graduação em Direito, Fortaleza. https://repositorio.ufc.br/handle/riufc/72020 (acesso em: 25 out. 2024).
11.
da Silva CristóvamJSHahnTM (2020) Automation mechanisms applied in the legal practice of the Brazilian Federal Public Administration. International Journal of Advanced Engineering Research and Science (IJAERS), Jaipur (IN)7(8): 69–79.
12.
de Araujo AspertiMCda CostaSH (2022) Julgamento em extinção? o estudo “vanishing trial” de marc galanter e a transformação da atividade jurisdicional no brasil. Revista Direito Mackenzie16(1): 44–44.
de Justiça de São PauloT (n.d.c) The data was extracted from the lecture given in “7 caravana virtual dos centros de inteligência”. https://www.youtube.com/watch?v=7kZ-l-Bb5HI (accessed: 21 December 2024).
de MoraesVCA (coord.) (2016) As demandas repetitivas e os grandes litigantes: possíveis caminhos para a efetividade do sistema de justiça brasileiro. Brasília: ENFAM.
46.
de OliveiraRSReisASSperandio NascimentoEG (2022) Predicting the number of days in court cases using artificial intelligence. PloS one17(5): 1–17.
47.
de Oliveira VianaTCA (2024) Incidente de resolução de demandas repetitivas e o princípio da segurança jurídica: um exame sobre a aplicabilidade do instituto no Tribunal de Justiça do Estado do Maranhão. Master’s Thesis, Universidade Federal do Maranhão, São Luís, MA, Brasil. /mnt/data/TERESA CRISTINA ALVES DE OLIVEIRA VIANA.pdf. Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Direito e Instituições do Sistema de Justiça.
48.
de Queiroz Pereira CalçasM (2017) Monitoramento de perfis de demandas: um caminho na busca do planejamento no âmbito do poder judiciário? In: da Cunha Filho AJC (ed.) Direito, Instituições e Políticas Públicas, p.700. São Paulo: Quartier Latin.
49.
de Souza NettoJLGarcelAHipperttKP (2022) Acesso inautêntico à justiça e a crise da jurisdição: As taxas processuais na litigância predatória. Revista de Processo, Jurisdição e Efetividade da Justiça8(1): 15–47.
do PernambucoEJ (2022) Pitch bliind. https://www.youtube.com/watch?v=tpUKwgdip2w. 1 vídeo (7 min 33). Publicado pelo canal EAD da Escola Judicial do Pernambuco (accessed: 28 December 2024).
52.
dos SantosAV (2023) Design de Gestão de Precedentes Qualificados na Triagem de Processos no Juizado Especial de Contagem. Master’s Thesis, Universidade Federal de Minas Gerais, Faculdade de Direito, Programa de Pós-Graduação em Design de Sistemas Aplicados à Resolução de Conflitos e Gestão Processual, Belo Horizonte. https://repositorio.ufmg.br/handle/1843/61981 (acesso em: 25 out. 2024).
EngstromDFHoDESharkeyCM, et al. (2020) Government by algorithm: Artificial intelligence in federal administrative agencies. Administrative Conference of the United States Report to the Administrative Conference of the United States.
56.
FariaRM (2023) Tecnologia da informação como aliada no combate ao fenômeno da explosão de litigiosidade: busca e tratamento de dados, identificação, diagnóstico e limitações. In: Lunardi FC, Koehler FAL and Ferraz TS (eds.) Tratamento da litigiosidade brasileira: diagnósticos, abordagens e casos de sucesso. Brasília: ENFAM. https://www.enfam.jus.br/publicacoes-3/colecao-pesquisa-e-inovacao/tratamento-da-litigiosidade-brasileira/ (accessed: 3 January 2025).
57.
FerrazTS (2024) O tratamento das novas faces da litigiosidade: Das espécies anômalas à litigância predatória. Revista de Processo349: 727–758.
58.
FilhoMGF (2011) Aspectos Do Direito Constitucional Contemporâneo. 3 ed. São Paulo: Saraiva.
59.
GalanterM (2014) Why the Haves Come Out Ahead: The Classic Essay and New Observations. Vol. 23. New Orleans, LA: Quid Pro Books.
Jacob de Menezes-NetoEClementinoMBM (2022) Using deep learning to predict outcomes of legal appeals better than human experts: A study with data from Brazilian federal courts. PLoS one17(7): e0272287.
64.
JuniorJCLNetoCP (2015) Acesso à justiça e abuso do direito de ação. Revista Cidadania e Acesso à Justiça1(1): 1085–1103.
65.
KitchenhamBStuartC (2007) Guidelines for performing systematic literature reviews in software engineering. Technical Report EBSE-2007-01, School of Computer Science and Mathematics, Keele University, UK.
66.
KleinCC (1989) Economics of Sham Litigation: Theory, Cases and Policy. Washington: Bureau of Economics Staff Report to the Federal Trade Commission.
MagalhãesJLde SousaIDV (2024) Litigância judicial abusiva e instrumentos de gestão processual conferidos ao juiz no código de processo civil: A necessidade de preservação do direito fundamental de acesso à justiça. REVISTA FOCO17(4): e4789–e4789.
69.
Makowiecky SallesBMárcio CruzP (2022) Jurisdiction and artificial intelligence: Reflections and some applications in Brazilian courts. Opinión Jurídica21(46): 1–20.
of Brazil (STJ) BNHC (2021) Súmula n. 385. da anotação irregular em cadastro de proteção ao crédito, não cabe indenização por dano moral, quando preexistente legítima inscrição, ressalvado o direito ao cancelamento. https://esaj.tjsp.jus.br/cjsg/consultaCompleta.do?f=1 (accessed: 19 December 2024).
PetersenKVakkalankaSKuzniarzL (2015) Guidelines for conducting systematic mapping studies in software engineering: An update. Information and Software Technology64: 1–18.
75.
Poder Judiciário do Estado do Pará (2022) Diário da Justiça - Edição n 7510/2022. Tribunal de Justiça do Estado do Pará (TJPA), Belém, Brasil. Disponível em: https://www.tjpa.jus.br (acesso em: 15 dez. 2022).
76.
QueirozGNdo Prado DisconziVS (2024) O impacto da inteligência artificial no direito: Questões éticas e legais. Revista Ibero-Americana de Humanidades, Ciências e Educação10(4): 1388–1406.
77.
ReisEP (2021) Critérios de julgamento por atos de má-fé processual: Estudo de Caso a partir de julgados do Tribunal de Justiça de Santa Catarina. Master’s thesis (professional), Federal University of Santa Catarina, Center for Legal Sciences, Florianópolis.
78.
Salgado e SilvaLHZucolotoGFBarbosaDB (2023) Predatory litigation in Brazil: Economic and legal perspectives. Radar22: 26–28.
79.
SalomãoLF (2020) Inteligência artificial: Tecnologia aplicada à gestão dos conflitos no âmbito do poder judiciário brasileiro. FGV Conhecimento1(1): 521–535.
80.
SanctisFMD (2021) Artificial intelligence and innovation in Brazilian justice. International Annals of Criminology59: 1–10.
81.
ShapiroC (2000) Setting compatibility standards: cooperation or collusion? In: Dreyfuss RC, Zimmerman DL and First H (eds.) Expanding the boundaries of intellectual property. Oxford, UK: Oxford University Press.
82.
ShapiroC (2004) Patent system reform: Economic analysis and critique. Berkeley Technology Law Journal19(3): 1017–1047.
83.
SilvaLHSZucolotoGFBarbosaDBd (2012) Litigância predatória no brasil. Instituto de Pesquisa Econômica Aplicada (Ipea)1: 25–35.
84.
SouzaFRd (2020) O acesso à justiça pela via do litígio estratégico: Enfrentando a litigiosidade habitual predatória. Revista Científica do STJ, Brasília.
VezzosoS (2012) Towards an eu doctrine of anticompetitive ip-related litigation. Journal of European Competition Law & Practice3(6): 521–535.
87.
ViaroFAN (2021) Inteligência judicial e monitoramento de perfis de demandas: Jurisdição em rede. In: Lunardi FC and Clementino MBM (eds.) Inovação Judicial: Fundamentos e Práticas para uma jurisdição de alto impacto. Brasília: Enfam.
ViaroFAN (2023) Em busca de conceitos. In: Lunardi FC, Koehler FAL and Ferraz TS (eds.) Litigiosidade Responsável: contextos, conceitos e desafios do sistema de justiça. Brasília: Enfam, pp. 49–94. https://www.enfam.jus.br. Part of the professional master’s programme at ENFAM.
ZhongHGuoZTuC, et al. (2020) Legal judgment prediction via topological multi-task learning. IEEE Transactions on Knowledge and Data Engineering34(10): 4824–4837.
