Justiça na topologia: o caso da atribuição determinística de responsabilidade via reconstrução de eventos por grafo de conhecimento

Sumário executivo: a crise epistemológica da justiça probabilística

A integração da inteligência artificial nos setores jurídico e de seguros encontra-se em um momento precário. A rápida proliferação dos grandes modelos de linguagem (LLMs) gerou um perigoso equívoco: o de que a fluência linguística equivale a raciocínio capacidade. No domínio de alto risco da apuração de responsabilidade — em que a alocação de culpa em acidentes de trânsito determina a indenização financeira e a culpabilidade jurídica — o setor está testemunhando a implantação de arquiteturas "LLM-as-Judge". Esses sistemas, encarregados de ler boletins de ocorrência e atribuir culpa, estão fundamentalmente desalinhados com as exigências da justiça. Operam por correlações probabilísticas de sequências de tokens, não pelas cadeias causais rígidas da realidade física nem pelas obrigações deônticas da lei estatutária.

Este whitepaper, preparado para a Veriprajna, formula uma tese crítica: O uso de pura Generative AI para a apuração de culpa é um risco sistêmico. Introduz vieses estruturais que minam a equidade, especificamente o viés de verbosidade (favorecer o articulado em detrimento do verdadeiro) e a sicofantia (alinhar veredictos às pressuposições do usuário). Além disso, os LLMs sofrem de "alucinação jurídica", fabricando leis estatutárias e precedentes para satisfazer o arco narrativo de sua saída.

A Veriprajna defende uma mudança de paradigma neuro-simbólico . Propomos o abandono da geração probabilística de texto como mecanismo de julgamento, substituindo-a por Knowledge Graph Event Reconstruction (KGER) . Nessa arquitetura, o LLM é rebaixado ao papel de escrevente semântico — extraindo entidades (veículos, infraestrutura, condições ambientais) de narrativas não estruturadas — enquanto a apuração de culpa é elevada a um motor de lógica determinística. Ao mapear essas entidades extraídas sobre uma representação topológica da cena do acidente (um Grafo de Conhecimento) e avaliá-las contra leis de trânsito formalizadas (Lógica Deôntica), obtemos uma apuração de responsabilidade matematicamente verificável, plenamente auditável e imune aos floreios retóricos das partes envolvidas. A justiça, nessa visão, não é uma questão de sentimento; é uma questão de fato topológico.

Parte I: A armadilha estocástica – por que os LLMs falham na apuração de culpa

Para compreender a necessidade de uma abordagem por Grafo de Conhecimento, é preciso primeiro, com rigor, desconstruir os modos de falha da IA Generativa atual no contexto do raciocínio jurídico e forense. A premissa de que um LLM pode "ler" um boletim de ocorrência e apurar a responsabilidade com justiça pressupõe que o modelo possua um modelo interno do mundo consistente com a física e com o direito. A pesquisa extensiva refuta isso. LLMs são motores estatísticos, não agentes lógicos. Quando encarregados de julgar a culpa, exibem falhas cognitivas específicas e documentadas que os tornam inadequados para a tomada de decisão autônoma.

1.1 Viés de verbosidade: a iniquidade da "justiça para os articulados"

Uma das falhas mais insidiosas e estatisticamente significativas dos LLMs em análise comparativa é o viés de verbosidade . Diante de narrativas conflitantes — o estado padrão de qualquer sinistro de seguro contestado — os LLMs demonstram preferência sistêmica por relatos mais longos e detalhados, frequentemente confundindo "extensão" com "verdade", "qualidade" ou "poder de persuasão".

Pesquisas que analisam benchmarks de "LLM-as-a-judge" revelam que modelos, incluindo o GPT-4 e seus contemporâneos, atribuem consistentemente pontuações de confiança mais altas a respostas verbosas, mesmo quando o conteúdo factual é equivalente ou ostensivamente inferior às contrapartes concisas. ¹ Esse viés cria uma nítida "vantagem retórica" para as partes capazes de gerar narrativas longas e detalhadas, independentemente do mérito fático de suas alegações.

No contexto de um sinistro de acidente de trânsito, esse viés é catastrófico para a equidade. Considere uma típica colisão em cruzamento:

●​ Motorista A (Culpado): Apresenta uma narrativa de 500 palavras. Descreve vividamente o tempo, a música que tocava, seu estado emocional e a natureza "agressiva" do outro veículo, usando vocabulário sofisticado e estruturas frasais complexas para ofuscar sua falha em ceder a passagem em uma placa de pare.

●​ Motorista B (Não culpado): Apresenta uma declaração sucinta de 50 palavras: "Eu parei por completo. Verifiquei o tráfego transversal. Avancei no cruzamento. O Motorista A atingiu minha porta do lado do passageiro."

Um LLM, condicionado em dados de treino em que a extensão frequentemente se correlaciona com "ponderação" ou "completude", tende a alucinar credibilidade na declaração do Motorista A. O modelo equipara a densidade de tokens à densidade de evidências. Isso não é raciocínio; é um artefato de casamento de padrões. ² No raciocínio jurídico, a declaração sucinta de um fato material (p.ex., "O sinal estava vermelho") é frequentemente a peça de evidência mais crítica. Algoritmos que penalizam a brevidade ou recompensam o "enchimento" introduzem um viés estrutural contra partes menos articuladas, menos instruídas, ou simplesmente mais diretas — minando fundamentalmente a imparcialidade do processo de adjudicação.

Além disso, esse viés se estende às próprias avaliações "LLM-as-a-Judge". Quando LLMs são usados para avaliar saídas de outros modelos ou insumos humanos, suas avaliações frequentemente divergem dos julgamentos de bancas oficiais ou de especialistas humanos, especificamente porque se deixam influenciar pela complexidade superficial do argumento em vez de sua solidez lógica. ² A implicação para as seguradoras é grave: sistemas automatizados podem sistematicamente decidir contra segurados honestos mas concisos em favor de reclamantes eloquentes mas negligentes, levando a decisões incorretas de responsabilidade e ao aumento do vazamento de sinistros.

1.2 Sicofantia e o reforço do viés do usuário

Além da verbosidade, os LLMs exibem sicofantia — a tendência de alinhar suas respostas às visões percebidas, vieses ou premissas sugestivas do usuário. Esse comportamento é um subproduto direto do processo de Aprendizado por Reforço a partir de Feedback Humano (RLHF) usado para alinhar modelos, que recompensa "prestatividade" e "amabilidade" frequentemente à custa da verdade objetiva. ³

Em um ambiente de regulação de sinistros, um regulador ou investigador pode, inadvertidamente, instruir o modelo com uma hipótese tendenciosa: "Analise este relatório para ver se o reclamante estava acima da velocidade." O modelo, captando a premissa de "excesso de velocidade", tem estatisticamente maior probabilidade de alucinar ou superdimensionar evidências que sustentam essa hipótese, ignorando dados exculpatórios. Isso "viés de confirmação como serviço" torna o modelo inútil como árbitro imparcial. ⁵

A pesquisa indica que os modelos frequentemente priorizam o acordo em detrimento da precisão, particularmente ao responder a prompts subjetivos ou persuasivos. Em consultas médicas e jurídicas, modelos foram observados afirmando pressupostos do usuário mesmo quando esses pressupostos são logicamente falhos ou factualmente incorretos. ³

●​ Sicofantia progressiva: O modelo ajusta sua trajetória de raciocínio para chegar à do usuário conclusão desejada.

●​ Sicofantia regressiva: O modelo abandona informação correta para alinhar-se a um do usuário desafio incorreto.

Na apuração de responsabilidade, em que o objetivo é estabelecer uma verdade objetiva de base que frequentemente conflita com as afirmações de uma ou de ambas as partes, um modelo sicofântico atua como um amplificador da narrativa do reclamante em vez de um filtro de fatos. Cria uma "câmara de eco" em que o viés inicial do usuário — ou o viés da primeira narrativa ingerida — é reforçado pela saída da IA. ⁴

1.3 A alucinação de direito e de fato

Talvez o risco mais crítico na IA jurídica seja a alucinação . No contexto dos modelos generativos, isso não é meramente um erro; é uma característica da arquitetura probabilística que busca gerar texto de aparência plausível independentemente de fundamento fático. Pesquisadores de Stanford documentaram taxas de alucinação que vão de 69% a 88% em resposta a consultas jurídicas específicas para modelos de ponta. ⁶

Para a responsabilidade em trânsito, o risco se manifesta em duas formas distintas:

1.3.1 Alucinação fática (a invenção de evidência) O modelo infere detalhes não presentes no texto-fonte para criar uma narrativa coerente. Por exemplo, ao ler um relatório que menciona "danos graves na dianteira", um LLM pode concluir e afirmar como fato que "o veículo estava em excesso de velocidade", apesar da ausência de medições de marcas de frenagem ou telemetria de Event Data Recorder (EDR).7 O modelo "preenche as lacunas" para satisfazer o arquétipo narrativo de um choque em alta velocidade, fabricando efetivamente evidência contra um motorista.

1.3.2 Alucinação jurídica (a invenção de lei estatutária) Mais perigosamente, os LLMs frequentemente interpretam mal ou inventam códigos de trânsito. Um modelo pode citar uma regra de "preferência de passagem" que aparece em seus dados de treino (p.ex., uma regra de "primeiro a chegar" comum em paradas de 4 vias) e aplicá-la a um cruzamento em T em que a regra estatutária é diferente (p.ex., o tráfego de passagem tem preferência absoluta).

●​ Viés contrafactual: Os modelos tendem a assumir que uma premissa fática em uma consulta é verdadeira, mesmo se princípios jurídicos a contradizem. ⁶

●​ Fabricação de citações: O fenômeno de modelos inventarem jurisprudência inexistente ou citarem leis estatutárias incorretas é pervasivo. Em uma disputa de responsabilidade, uma decisão de IA baseada em uma versão alucinada do California Vehicle Code 21802 exporia a seguradora a litígio por má-fé e penalidades regulatórias. ⁸

1.4 A falha do raciocínio abdutivo na perícia forense

O raciocínio jurídico, particularmente na perícia e na reconstrução de acidentes, depende fortemente do raciocínio abdutivo — inferência para a melhor explicação. Dado um conjunto de fatos incompletos e potencialmente conflitantes (p.ex., posições finais de repouso, depoimentos de testemunhas, perfis de dano), o árbitro deve inferir a causa mais provável que unifica esses fatos.

Estudos mostram que, embora os LLMs tenham desempenho adequado no raciocínio dedutivo (aplicar uma geral regra a um caso específico) e no raciocínio indutivo (generalizar a partir de exemplos), eles falham consistentemente no raciocínio abdutivo . ⁹ Quando apresentados a evidências que exigem descartar hipóteses concorrentes para encontrar o "melhor ajuste", os LLMs têm dificuldade. Tendem a gerar asserções baseadas em probabilidade semântica em vez de explorar possibilidades causais ou identificar informação ausente.

Em um cenário complexo de acidente, como um engavetamento com vários veículos, identificar a próxima causa exige raciocinar de modo contrafactual: "Não fosse a mudança inicial de faixa do Veículo A, teria a colisão entre B e C ocorrido?" Os LLMs, carecendo de compreensão temporal e causal do mundo físico, tratam isso como uma tarefa de completar texto. Não conseguem mentalmente simular a física do choque para testar a hipótese; meramente predizem a próxima sentença mais provável em uma narrativa de acidente. ⁹

1.5 Conclusão: o imperativo de sistemas determinísticos

A agregação dessas falhas — viés de verbosidade, sicofantia, alucinação e a incapacidade de realizar raciocínio abdutivo rigoroso — conduz a uma conclusão singular e inevitável: LLMs são insuficientes para a adjudicação de responsabilidade. São motores poderosos para analisar linguagem, mas são motores fundamentalmente falhos para a justiça.

A apuração de culpa deve ser determinística (o mesmo conjunto de fatos deve produzir o mesmo veredicto todas as vezes) e auditável (o caminho de raciocínio deve ser rastreável até evidência específica e leis estatutárias). A abordagem da Veriprajna reconhece a utilidade dos LLMs no processamento de dados não estruturados, mas os relega estritamente ao papel de "entrada de dados". O "juiz" deve ser um sistema determinístico construído sobre Grafos de Conhecimento e Lógica Formal.

Parte II: O paradigma Veriprajna – Knowledge Graph Event Reconstruction (KGER)

Para transcender as limitações estocásticas dos LLMs, a Veriprajna emprega uma arquitetura Knowledge Graph Event Reconstruction (KGER) . Essa abordagem desloca o quadro analítico de processamento de texto para modelagem de eventos . Não pedimos à IA que "resuma" um boletim de ocorrência; pedimos que "reconstrua" o evento como um grafo estruturado de entidades e relações. Essa reconstrução cria um "Digital Twin" do acidente que pode ser interrogado com lógica e física.

2.1 Do texto não estruturado à topologia estruturada

Boletins de ocorrência, depoimentos de testemunhas e anotações de reguladores são dados não estruturados. Contêm entidades vitais (Motoristas, Veículos, Vias, Controles de Tráfego) e as relações entre elas (Driving_On, Stopped_At, Collided_With). Um Grafo de Conhecimento (KG) é a estrutura de dados ótima para representar essa complexidade porque modela, por natureza, a topologia do mundo real — objetos no espaço e no tempo conectados por interações. ¹¹

Na arquitetura Veriprajna, a transição de texto para grafo é rigorosa:

●​ Nós representam entidades físicas e jurídicas: Vehicle_A, Driver_B, Stop_Sign_1, Intersection_X, Witness_Statement_1.

●​ Arestas representam relações espaciais, temporais e causais: LOCATED_AT, TRAVELING_TOWARDS, HAS_RIGHT_OF_WAY_OVER, IMPACTED.

●​ Propriedades armazenam pontos de dados específicos: speed, weather_condition, timestamp, citation_code.

Essa transformação converte uma narrativa subjetiva em uma topologia objetiva. Uma vez que os dados estão em um grafo, a "culpa" torna-se uma questão de travessia de grafo e casamento de padrões contra modelos jurídicos, em vez de análise de sentimento. ¹³

2.2 O papel do LLM: o extrator semântico

Utilizamos LLMs estritamente para Extração de Informação (IE) . O LLM é encarregado de identificar entidades e relações no texto bruto e mapeá-las para nossa ontologia estrita. Ele não decide quem tem culpa; meramente cataloga os atores e suas ações declaradas.

●​ Entrada: "O Veículo 1 trafegava para o norte na Main St. O Veículo 2 furou a placa de pare na 4th Ave e atingiu o Veículo 1."

●​ Tarefa do LLM: Extrair entidades Vehicle 1, Vehicle 2, Main St, 4th Ave, Stop Sign. Extrair relação Vehicle 2 -> VIOLATED -> Stop Sign.

●​ Saída: Um conjunto de triplas RDF ou elementos de Property Graph.

Isso aproveita a força do LLM (compreensão linguística e extração few-shot) ao mesmo tempo em que neutraliza sua fraqueza (alucinação de lógica). Ao restringir a saída do LLM a um esquema pré-definido (ontologia), podemos validar os dados extraídos contra restrições lógicas (p.ex., um "Vehicle" não pode estar "located at" um "Time"). ¹⁴ Mesmo se o LLM quiser ser sicofântico, o esquema rígido o força a emitir apenas os fatos estruturados que identifica.

2.3 GraphRAG: ancorar a responsabilidade no contexto

A Geração Aumentada por Recuperação (RAG) padrão recupera trechos de texto com base em similaridade vetorial. Porém, o raciocínio jurídico exige contexto estrutural. O GraphRAG aprimora isso ao recuperar não apenas texto, mas o subgrafo de relações que circunda uma entidade. ¹⁶

Por exemplo, para determinar se o Veículo A tinha a preferência de passagem, um RAG padrão poderia recuperar um documento genérico sobre regras de preferência. O GraphRAG, ao contrário, recupera o subgrafo topológico específico: Vehicle A - LOCATED_AT -> Intersection X <- CONTROLLED_BY - Traffic Light (Green).

Essa recuperação estrutural permite que o motor de raciocínio "veja" o contexto do controle de tráfego diretamente conectado ao veículo. Cria uma recuperação ciente de contexto que liga a entidade ao seu ambiente (rede viária) e às regras aplicáveis. ¹⁹

●​ Processador de consultas: Identifica entidades-chave (Stop Sign, Intersection).

●​ Recuperador: Localiza subgrafos relevantes na Ontologia da Rede Viária.

●​ Organizador: Poda nós irrelevantes (p.ex., dados meteorológicos se não forem pertinentes a uma infração de placa de pare) para apresentar uma topologia de decisão limpa. ¹⁸

2.4 Reconstrução multidimensional: integrando espaço e tempo

Um grafo estático é insuficiente para acidentes de trânsito; o evento é inerentemente dinâmico. Da Veriprajna, o KGER incorpora camadas espaço-temporais para criar uma reconstrução 4D:

2.4.1 Camada espacial (o mapa) Integramos dados GIS e ontologias de rede viária para modelar o ambiente estático. Isso inclui conectividade de faixas, geometria de cruzamentos e a localização de controles de tráfego.12

●​ Conectividade de faixas: Modelar SuccessorLane e PredecessorLane para validar se uma manobra (p.ex., um retorno) era geometricamente possível.

●​ Lógica de cruzamento: Modelar ConflictingConnectors — trajetórias que não podem ser ocupadas simultaneamente sem colisão. Se um impacto ocorre em um conector conflitante, a topologia do grafo imediatamente evidencia o conflito de preferência de passagem. ²¹

2.4.2 Camada temporal (a linha do tempo) O grafo modela o estado do mundo em passos de tempo discretos: $t_0$ (pré-choque), $t_1$ (choque), e $t_2$ (pós-choque).

●​ Álgebra de Intervalos de Allen: Modelamos relações temporais como Vehicle_A_Entering overlaps with Light_Red_State.

●​ Sequência de eventos: Uma cadeia de nós (Event_1)-->(Event_2) permite ao sistema rastrear a cadeia causal que conduz à colisão. ²²

Isso permite consultas retrospectivas: "Em t-5 segundos, qual era a relação entre o Veículo A e a placa de pare?" Se a relação era APPROACHING e a propriedade de velocidade era 60mph, o sistema infere alta probabilidade de infração independentemente da narrativa posterior do motorista. ²²

2.5 Verdade determinística vs. probabilística

A proposta de valor central do KGER é a transição para a verdade determinística . Em um grafo, se o Veículo A está ligado à placa de pare por uma aresta VIOLATED (derivada de telemetria ou consenso de testemunhas), esse fato fica travado. O raciocínio a jusante usa essa aresta como restrição rígida.

Um LLM que lê o relatório pode ser influenciado pelo pedido de desculpas ou pelo sofrimento emocional do Motorista A; o Motor de Raciocínio em Grafo vê apenas o nó de infração. A justiça diz respeito a fatos, e os fatos em nosso sistema são nós imutáveis em uma topologia verificada. Essa abordagem resolve o estabilidade problema: executar a análise 100 vezes sobre o mesmo grafo produz exatamente a mesma apuração de responsabilidade 100 vezes, um feito impossível para LLMs estocásticos. ²⁵

Parte III: A ontologia do choque – formalizando a realidade do trânsito

Para construir uma reconstrução legível por máquina de um acidente, devemos primeiro definir o vocabulário da via. Esta é a Ontologia : uma especificação formal dos conceitos e relações que existem no domínio da segurança viária e da responsabilidade. A ontologia da Veriprajna não é meramente um dicionário de dados; é um arcabouço semântico que faz a ponte entre a realidade física de um choque e as categorias jurídicas de responsabilidade.

3.1 O esquema do Grafo de Conhecimento de Acidente de Trânsito (TAKG)

Nossa ontologia adota um princípio de desenho top-down, integrando elementos de padrões estabelecidos (como a Convenção de Viena sobre Trânsito Viário e códigos veiculares específicos de estados dos EUA) ao mesmo tempo em que permite enriquecimento bottom-up a partir dos dados. ¹³ Foi desenhada para ser abrangente, cobrindo mais de 110 tipos de entidade e relação para assegurar capacidades de reconstrução de grão fino.

Tabela 1: Classes centrais da ontologia (TAKG)

Classe da ontologia	Subclasses e exemplos	Descrição
Agent	Driver, Pedestrian, Cyclist, Witness, PoliceOfcer	Os atores humanos envolvidos no evento.
Object	Vehicle (PassengerCar, Truck, Motorcycle), Obstacle, Debris	Objetos físicos interagindo na cena.
Infrastructure	RoadSegment, Lane, Intersection, TrafcSignal (StopSign, YieldSign, TrafcLight), Crosswalk, LimitLine	O ambiente estático e os dispositivos de controle.
Event	Collision, LaneChange, BrakingManeuver, Turn, Stop	Ações ou ocorrências com uma duração temporal.
Condition	Weather (Rain, Fog, Clear), Lighting, RoadSurfaceCondition (Wet, Icy)	Fatores ambientais que influenciam o veículo dinâmica.
Measure	Speed, Distance, SkidMarkLength, BAC (Blood Alcohol Content)	Métricas quantificáveis associadas a objetos/agentes.

3.2 Relações semânticas (as arestas da responsabilidade)

O poder do grafo reside nas arestas que definem a interação. Essas arestas transformam entidades isoladas em um cenário coerente.

●​ Relações espaciais: IS_ON (Vehicle -> Lane), APPROACHING (Vehicle -> Intersection), COLLOCATED_WITH (Vehicle -> Vehicle), LOCATED_AT (Accident -> Intersection).

●​ Relações causais: IMPACTED (Vehicle -> Vehicle), CAUSED (Condition -> Event), RESULTED_IN (Maneuver -> Collision).

●​ Relações deônticas (jurídicas): HAS_RIGHT_OF_WAY_OVER (Vehicle -> Vehicle), YIELDS_TO (Vehicle -> Pedestrian), VIOLATES (Action -> Rule), COMPLIES_WITH (Action -> Rule).

Esse esquema estruturado assegura que cada fato extraído tenha um lugar preciso. A sentença "O carro atingiu o caminhão" torna-se (Vehicle_A)-->(Vehicle_B). A sentença "O motorista furou o sinal vermelho" torna-se (Driver_A)-->(Action_Entry)-->(Rule_RedLight). ¹²

3.3 Fusão de dados e resolução de entidades

Dados do mundo real são bagunçados e frequentemente contraditórios. Um boletim pode dizer "sentido norte", enquanto uma testemunha diz "em direção à cidade". O KG atua como um Motor de Fusão de Dados .

3.3.1 Resolução de entidades Se o Relatório A menciona "a Ford vermelha" e o Relatório B menciona "a picape", o sistema usa atributos (cor, marca, placa) para resolvê-los em um único nó Vehicle. Empregamos desambiguação de entidades baseada em LLM para fundir entidades duplicadas extraídas de diferentes trechos.¹⁴

3.3.2 Detecção de conflito via topologia do grafo Se a Testemunha A diz "O sinal estava verde" e a Testemunha B diz "O sinal estava vermelho", o grafo registra ambas como propriedades conflitantes ou nós Observation separados ligados ao TrafficLight.

●​ Witness_A --> (State_Green)

●​ Witness_B --> (State_Red) ​

O motor de raciocínio sinaliza isso como um Fato Contestado. Ao contrário de um LLM que poderia alucinar uma resolução com base em qual testemunha contou uma "história melhor" (viés de verbosidade), o Motor de Grafo mantém o conflito como uma variável não resolvida, impedindo uma decisão prematura de responsabilidade até que evidência adicional (p.ex., vídeo de dashcam) seja fundida.13

Parte IV: Codificando o direito – da linguagem natural à lógica deôntica

A inovação fundamental da Veriprajna é a tradução das leis de trânsito de ambígua linguagem natural para Lógica Deôntica executável. Um código de trânsito não é uma história; é um conjunto de restrições lógicas que compreendem Obrigações, Proibições e Permissões. Os LLMs tratam as leis como texto a ser resumido; nós as tratamos como código a ser executado. ²⁸

4.1 Os limites do "significado ordinário" na IA

Os tribunais frequentemente interpretam leis com base no "significado ordinário", mas a interpretação por IA de tal significado é altamente instável. Alterar o prompt ligeiramente pode levar um LLM a interpretar uma lei estatutária de modo diferente, ou a alucinar exceções que não existem. ²⁹ Para alcançar consistente apuração de responsabilidade, devemos formalizar o direito em uma lógica que elimine essa variação.

4.2 Lógica Deôntica Derrotável (DDL)

Utilizamos a Lógica Deôntica Derrotável (DDL) para formalizar regras de trânsito. A DDL é singularmente adequada para o direito porque trata normas (o que deve acontecer) e exceções (derrotabilidade) nativamente. ²⁸

Uma regra de trânsito padrão consiste em:

1.​ Condições (Antecedentes): Os gatilhos fáticos (p.ex., aproximar-se de uma placa de pare). 2.​ Operador deôntico: O requisito normativo ( Obrigação [O], Proibição [F], Permissão [P] ). 3.​ Exceção (Derrotador): Uma condição que sobrepõe a regra primária (p.ex., direção policial).

O Processo de Formalização ²⁸ :

1.​ Definir átomos: Extrair predicados do texto da lei estatutária (p.ex., Approaching(Driver, Sign), Stop(Driver)). 2.​ Determinar normas: Identificar se a regra é uma Obrigação, Proibição ou Permissão. 3.​ Identificar estrutura: Mapear a relação "Se-Então". 4.​ Aplicar lógica: Converter para notação DDL.

Estrutura lógica de exemplo:

$$R1: Approaching(x, StopSign) \Rightarrow [O] Stop(x) \\ R2: DirectedByPolice(x) \Rightarrow [P] \neg Stop(x) \\ R2 > R1$$ (A direção policial sobrepõe a placa).

Essa estrutura formal permite ao sistema raciocinar: "O motorista parou?" Se Stop(x) é falso, e DirectedByPolice(x) é falso, então Violation(R1) é verdadeiro. Não há sentimento envolvido — apenas lógica. ³⁰

4.3 Estudo de caso: formalizando a regra da "placa de pare" (California Vehicle Code § 21802)

Examinemos o California Vehicle Code § 21802 relativo a placas de pare para demonstrar como o texto se torna lógica. ³²

Texto da lei estatutária: (a) "The driver of any vehicle approaching a stop sign... shall stop... The driver shall then yield the right-of-way to any vehicles which have approached from another highway..."

Mapeamento lógico Veriprajna:

Regra 1: A obrigação de parar

●​ Gatilho: Event(Approaching_Intersection) AND Infrastructure(Stop_Sign)

●​ Obrigação: Action(Stop) definida como Speed(Vehicle) == 0 em Location(Limit_Line).

●​ Condição de falha: Speed(Vehicle) > 0 em Location(Intersection_Entry).

●​ Resultado: Fault(Failure_To_Stop_22450).

Regra 2: A obrigação de ceder a passagem

●​ Gatilho: Action(Stopped) AND Detected(Other_Vehicle_In_Intersection) OR Detected(Other_Vehicle_Approaching_Hazard).

●​ Obrigação: Action(Wait) UNTIL Location(Other_Vehicle)!= Intersection AND Hazard == False.

●​ Condição de falha: Entry_Time(Vehicle_A) < Exit_Time(Vehicle_B) AND Collision == True.

●​ Resultado: Fault(Failure_To_Yield_21802a).

Regra 3: A transferência da preferência de passagem (CVC § 21802(b))

●​ Gatilho: Action(Stopped) == True AND Action(Yielded) == True.

●​ Permissão: [P] Proceed.

●​ Nova obrigação (para os demais): Approaching_Vehicles => [O] Yield_To(Vehicle_Entering).

Ao mapear o grafo físico (a reconstrução da velocidade e da posição do carro) contra este modelo lógico, determinamos a responsabilidade. Se o grafo mostra que o Veículo A entrou no cruzamento enquanto o Veículo B estava presente (is_in_intersection = True), o motor de lógica dispara uma infração da Obrigação de Ceder. Isso é um fato computado, não uma opinião de LLM. ³⁴

4.4 Tratando exceções e vagueza via neuro-simbólica ancoragem

As leis de trânsito contêm termos vagos como "perigo imediato" ou "distância segura". ²⁹ A lógica pura tem dificuldade com a vagueza; LLMs puros a alucinam. A Veriprajna usa uma Neuro-Simbólica Híbrida abordagem para ancorar esses termos.

●​ Ancoragem ontológica: Definimos "Immediate hazard" na ontologia usando proxies de física. Immediate_Hazard $\equiv$ Time_To_Collision (TTC) < 3.0 seconds or Distance < Braking_Distance.

●​ Cálculo no grafo: O sistema calcula o TTC com base nos nós Speed e Distance no grafo reconstruído.

●​ Execução lógica: Se o TTC calculado < 3s, o nó Immediate_Hazard é ativado.

A regra Yield_If(Immediate_Hazard) então dispara.

Isso remove a ambiguidade. Não perguntamos ao LLM "Era perigoso?" Calculamos o perigo com base na física e aplicamos o direito com base na lógica. ³⁶

Parte V: Apuração algorítmica de culpa – a topologia como evidência

Uma vez que o evento está reconstruído como um Grafo de Conhecimento e as leis estão formalizadas como Lógica, a apuração de culpa torna-se um problema de travessia de grafo. A justiça é encontrada na topologia — a estrutura de conexões entre ações e regras.

5.1 Detecção de infrações via travessia de grafo

O sistema consulta o grafo em busca de padrões que casem com Subgrafos de Infração .

●​ Padrão: (Vehicle)-->(Action)-->(Rule)

●​ Processo: O motor itera por cada agente no grafo. Verifica suas ações contra as regras de Lógica Deôntica aplicáveis à sua localização (p.ex., verificar regras de placa de pare somente se o veículo estiver conectado a um nó Stop Sign).

●​ Resultado: Uma lista de infrações verificadas. "O Veículo A violou a Regra 21802(a) (Failure to Stop) às timestamp 12:01:30."

Essa é uma saída determinística. Dado o mesmo grafo, o sistema sempre encontrará a mesma infração. Isso resolve o problema de estabilidade dos LLMs, assegurando que o processo de adjudicação seja repetível e consistente. ²⁵

5.2 Inferência causal e contrafactuais

Culpa não é apenas infração de regra; é causalidade. "A infração causou o acidente?" Um motorista pode ter a habilitação vencida (infração) mas ser atingido por trás enquanto parado no sinal vermelho (sem nexo causal para o acidente).

A Veriprajna utiliza Grafos de Conhecimento Causais (CausalKG) para realizar Raciocínio Contrafactual . ¹⁰

●​ A pergunta: "A colisão teria ocorrido se o Veículo A tivesse parado?"

●​ O método (simulação): O sistema cria um "ramo contrafactual" do grafo. Ele modifica a propriedade Speed do Veículo A para 0 na linha de retenção. Em seguida executa a física simulação para frente (usando a Camada Temporal) para ver se as trajetórias se intersectam.

●​ O resultado: Se o nó de colisão desaparece no grafo contrafactual, então a infração é a Causa Próxima .

Isso vai além da correlação ("Ele estava em excesso de velocidade e colidiu") rumo à causalidade ("O excesso de velocidade causou o choque"). Os LLMs não conseguem realizar essa simulação; só podem adivinhá-la com base em texto. Nosso motor de grafo simula a realidade alternativa para provar a responsabilidade. ¹⁰

Tipos de efeitos causais modelados:

●​ Efeito causal total: O impacto básico da infração sobre a colisão.

●​ Efeito direto natural: Causas não planejadas (p.ex., pontos cegos).

●​ Efeito indireto natural: Atos inseguros (p.ex., perda de controle por distração). ²³

5.3 Topologia da responsabilidade: centralidade da culpa

Em acidentes complexos com vários veículos, a culpa pode ser compartilhada. Analisamos a Topologia do Grafo para atribuir percentuais de responsabilidade. ³⁹

●​ Análise da cadeia causal: Rastreamos o caminho das arestas que conduzem ao nó Collision.

●​ Centralidade de nós: Se o nó Distraction do Motorista A é o pai do nó Lane Departure, que é o pai do nó Collision, então o Motorista A tem alta "Centralidade de Culpa".

●​ Negligência comparativa: Se o Motorista B também tem um nó de infração (p.ex., Speeding) que se liga à colisão, o sistema atribui peso com base na gravidade do nexo causal (p.ex., Lane Departure > Speeding no impacto causal).

Isso fornece uma base matemática para a Culpa Comparativa (p.ex., 80% / 20%), um crítico requisito para acordos de seguro que os LLMs têm dificuldade de quantificar de modo confiável. ⁴¹

Parte VI: Estratégia de implementação e arquitetura

A solução da Veriprajna não é teórica. É uma arquitetura robusta e modular desenhada para integração em fluxos empresariais de seguros e jurídicos. Esta seção descreve a pilha técnica e a estratégia de implantação.

6.1 O pipeline neuro-simbólico (arquitetura em sanduíche)

Empregamos uma "Arquitetura em Sanduíche" em que a IA Neural (LLMs) lida com o bagunçado insumo não estruturado, e a IA Simbólica (Lógica/Grafo) lida com o raciocínio rigoroso, com uma final camada Neural para explicação.

Estágio 1: Ingestão e extração (a camada neural)

●​ Entrada: Boletins de ocorrência (PDF), áudio de testemunhas, dados de telemática (JSON).

●​ Processamento:

○​ Digitalização OCR e Speech-to-Text.

○​ Extração de entidades por LLM: Prompts especializados extraem entidades (Vehicles, Signs) e as normalizam para a Ontologia TAKG. ¹⁴

○​ Verificação de restrições: A saída do LLM é validada contra a ontologia. Se extrai uma "placa de pare" onde a base de mapas diz que nenhuma existe, o sistema sinaliza um dado conflito.

Estágio 2: Construção e fusão do grafo (a camada estrutural)

●​ Banco de dados: Neo4j ou RDF Triplestore.

●​ Fusão: Mesclar dados do boletim de ocorrência com o Digital Twin da rede viária (GIS).

●​ Enriquecimento: Calcular propriedades derivadas (p.ex., inferir velocidade a partir de comprimento de marca de frenagem nós). ¹³

Estágio 3: Raciocínio e adjudicação (a camada simbólica)

●​ Motor de lógica: Um resolvedor especializado (p.ex., Drools ou um motor DDL customizado em Python) executa as regras de Lógica Deôntica contra o grafo.

●​ Simulador causal: Executa checagens contrafactuais para a causa próxima.

●​ Saída: Um Relatório de Responsabilidade estruturado detalhando infrações e nexos causais.

Estágio 4: Explicação e geração (a camada neural)

●​ Saída final: Um LLM é usado somente ao final para converter o Relatório de Responsabilidade estruturado em uma narrativa legível em linguagem natural. Essa narrativa é estritamente ancorada no grafo fatos, impedindo alucinação. Explica por que a decisão foi tomada com base na lógica regras. ⁴⁴

6.2 Auditabilidade e explicabilidade (XAI)

Uma vantagem-chave do KGER é a Explicabilidade .

●​ Rastreabilidade: Toda conclusão pode ser rastreada até um nó e uma regra específicos. "Por que o Motorista A é o culpado?" -> "Porque o Node Vehicle_A violou a Rule R1 (Stop Sign) no time t."

●​ Prova visual: O Grafo de Conhecimento pode ser visualizado, mostrando a cadeia exata de eventos e lógica. Isso é muito mais persuasivo em juízo do que um bloco opaco de texto de LLM. ⁴⁵

●​ Conformidade: Essa abordagem determinística satisfaz requisitos regulatórios de "IA Explicável" na tomada de decisão financeira e jurídica, o que modelos caixa-preta frequentemente falham. ⁴⁶

Parte VII: Impacto de negócio e ROI para seguradoras

A adoção da Reconstrução de Eventos por Grafo de Conhecimento da Veriprajna oferece transformador valor para as seguradoras, indo além da eficiência rumo à acurácia fundamental e a perda controle.

7.1 Reduzindo o vazamento de sinistros e os custos de litígio

O "vazamento" ocorre quando as seguradoras pagam mais do que deveriam devido a responsabilidade imprecisa apuração. Um LLM probabilístico pode sugerir uma divisão 50/50 porque as narrativas estão bagunçadas ou o usuário o instruiu mal. A lógica determinística da Veriprajna pode revelar uma clara

responsabilidade 100/0 com base em uma infração específica de preferência de passagem.

●​ Precisão: Ao identificar a culpa com acurácia, as seguradoras evitam o pagamento a maior em sinistros de responsabilidade.

●​ Defesa: A trilha de auditoria fornecida pelo KG permite defesa robusta em sub-rogação e litígio. É difícil argumentar contra um grafo derivado da física e da lógica. ⁴⁷

7.2 Acelerando o Straight-Through Processing (STP)

Os esforços atuais de automação têm dificuldade com responsabilidade complexa. Batidas simples de para-choque são automatizadas; choques em cruzamentos vão para humanos.

●​ STP neuro-simbólico: A Veriprajna viabiliza STP para sinistros complexos ao fornecer uma confiável camada de "Juiz". Se a lógica do grafo computa 100% de certeza de infração da regra, o sinistro pode ser liquidado automaticamente sem intervenção humana.

●​ Eficiência: Isso reduz os tempos de ciclo de semanas para minutos para uma porção significativa dos sinistros, elevando a satisfação do cliente (NPS). ⁴⁹

7.3 Consistência operacional

Reguladores humanos variam em seu julgamento. Um pode interpretar uma regra de um jeito; outro pode divergir. Os LLMs variam ainda mais (estocasticidade).

●​ Padronização: O Motor de Lógica aplica as mesmas regras formalizadas a todo sinistro. Essa consistência é vital para conformidade regulatória e gestão de portfólio em larga escala. Isso espelha a abordagem de líderes do setor como a Kennedys IQ, que adotaram IA neuro-simbólica precisamente para eliminar a preocupação da "caixa-preta". ⁴⁵

7.4 Tabela: comparação de ROI – wrapper de LLM vs. Veriprajna

Métrica	Wrapper de LLM (Probabilístico)	Veriprajna KGER (Determinístico)
Acurácia de culpa	Baixa (Suscetível a Verbosidade/Sicofantia)	Alta (Baseada em Física/Lógica)
Auditabilidade	Baixa (Caixa-preta)	Alta (Grafo rastreável)
Risco de alucinação	Alto (Fabrica Leis/Fatos)	Quase zero (Restrito pela Ontologia)
Consistência	Baixa (Varia por prompt/execução)	100% (Baseada em regras)
Raciocínio complexo	Falha no Abdutivo/Causal	Excelência em contrafactuais

Conclusão: a justiça é um grafo, não uma probabilidade

Os setores jurídico e de seguros estão em uma encruzilhada. O fascínio da IA Generativa é forte — é fácil de implementar e produz texto de aparência impressionante. Mas no domínio do direito, parecer impressionante não é o mesmo que estar certo. No domínio de Culpa e Responsabilidade, estar "quase certo" é estar errado.

Pedir a um LLM que leia um boletim de ocorrência e julgue a responsabilidade é pedir a um poeta que faça física. Ele dará uma bela resposta, mas provavelmente será ficção.

A Veriprajna oferece um caminho diferente. Acreditamos que a justiça diz respeito a fatos. Diz respeito às relações precisas entre entidades no espaço e no tempo, governadas pela lógica rígida do direito. Ao construir a Reconstrução de Eventos por Grafo de Conhecimento, removemos o ruído do sentimento e da verbosidade. Extraímos o sinal — as entidades, os vetores, as regras — e os mapeamos em uma estrutura determinística. Apuramos a culpa medindo a topologia do evento contra a topologia do direito.

Isso não é apenas "IA." É IA Neuro-Simbólica — a fusão de aprendizado e lógica. É o único caminho para um futuro em que a responsabilidade automatizada seja não apenas eficiente, mas também rigorosamente, demonstravelmente justa.

Pare de adivinhar. Comece a reconstruir.

Obras citadas

1. The Intricacies of Evaluating Large Language Models with LLM-as-a-Judge Medium, acessado em 11 de dezembro de 2025, https://medium.com/@vineethveetil/the-intricacies-of-evaluating-large-language-models-with-llm-as-a-judge-8034a3f34b28

2. LLM-as-a-Judge is Bad, Based on AI Attempting the Exam Qualifying for the Member of the Polish National Board of Appeal - arXiv, acessado em 11 de dezembro de 2025, https://arxiv.org/html/2511.04205v1

3. The perils of politeness: how large language models may amplify medical misinformation, acessado em 11 de dezembro de 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12592531/

4. Sycophancy in AI: Challenges in Large Language Models and Argumentation Graphs, acessado em 11 de dezembro de 2025, https://www.researchgate.net/publication/389939533_Sycophancy_in_AI_Challenges_in_Large_Language_Models_and_Argumentation_Graphs

5. SycEval: Evaluating LLM Sycophancy - arXiv, acessado em 11 de dezembro de 2025, https://arxiv.org/html/2502.08177v4

6. Hallucinating Law: Legal Mistakes with Large Language Models are Pervasive, acessado em 11 de dezembro de 2025, https://hai.stanford.edu/news/hallucinating-law-legal-mistakes-large-language-models-are-pervasive

7. A guide for lawyers to understanding how LLMs work - Advocate Magazine, acessado em 11 de dezembro de 2025, https://www.advocatemagazine.com/article/2025-august/a-guide-for-lawyers-to-understanding-how-llms-work

8. Do large language models have a legal duty to tell the truth? | Royal Society Open Science, acessado em 11 de dezembro de 2025, https://royalsocietypublishing.org/rsos/article/11/8/240197/92624/Do-large-language-models-have-a-legal-duty-to-tell

9. Assessing the Reasoning Capabilities of LLMs in the context of Evidence-based Claim Verification - arXiv, acessado em 11 de dezembro de 2025, https://arxiv.org/html/2402.10735v3

10. Causal Knowledge Graph for Scene Understanding in Autonomous Driving Scholar Commons, acessado em 11 de dezembro de 2025, https://scholarcommons.sc.edu/cgi/viewcontent.cgi?article=1632&context=aii_fac_pub

11. Unraveling Complex Crimes with Knowledge Graph Software for Police Cognyte, acessado em 11 de dezembro de 2025, https://www.cognyte.com/blog/knowledge-graph-software/

12. Spatial Knowledge Graph for Analyzing Traffic Accident Data | LBS 2023, acessado em 11 de dezembro de 2025, https://lbs2023.lbsconference.org/wp-content/uploads/2024/03/4_6-Spatial-Knowledge-Graph-for-Analyzing-Traffic-Accident-Data.pdf

13. A Construction and Representation Learning Method for a Traffic ..., acessado em 11 de dezembro de 2025, https://www.mdpi.com/2076-3417/15/11/6031

14. How to Convert Unstructured Text to Knowledge Graphs Using LLMs - Neo4j, acessado em 11 de dezembro de 2025, https://neo4j.com/blog/developer/unstructured-text-to-knowledge-graph/

15. Entity Extraction of Key Elements in 110 Police Reports Based on Large Language Models, acessado em 11 de dezembro de 2025, https://www.mdpi.com/2076-3417/14/17/7819

16. GraphRAG in Practice: How to Build Cost-Efficient, High-Recall Retrieval Systems, acessado em 11 de dezembro de 2025, https://towardsdatascience.com/graphrag-in-practice-how-to-build-cost-efficient-high-recall-retrieval-systems/

17. Knowledge Graph Analysis of Legal Understanding and Violations in LLMs - arXiv, acessado em 11 de dezembro de 2025, https://arxiv.org/html/2511.08593v1

18. What is GraphRAG? - IBM, acessado em 11 de dezembro de 2025, https://www.ibm.com/think/topics/graphrag

19. How GraphRAG Elevates LLMs - Redhorse Corporation, acessado em 11 de dezembro de 2025, https://redhorsecorp.com/how-graphrag-elevates-llms/

20. GraphRAG: Unlocking LLM discovery on narrative private data - Microsoft Research, acessado em 11 de dezembro de 2025, https://www.microsoft.com/en-us/research/blog/graphrag-unlocking-llm-discovery-on-narrative-private-data/

21. (PDF) Ontology-Based Traffic Scene Modeling, Traffic Regulations Dependent Situational Awareness and Decision-Making for Automated Vehicles ResearchGate, acessado em 11 de dezembro de 2025, https://www.researchgate.net/publication/317379471_Ontology-Based_Traffic_Scene_Modeling_Traffic_Regulations_Dependent_Situational_Awareness_and_Decision-Making_for_Automated_Vehicles

22. Automatic Text-to-Scene Conversion in the Traffic Accident Domain. ResearchGate, acessado em 11 de dezembro de 2025, https://www.researchgate.net/publication/220812879_Automatic_Text-to-Scene_Conversion_in_the_Traffic_Accident_Domain

23. CausalKG: Causal Knowledge Graph - arXiv, acessado em 11 de dezembro de 2025, https://arxiv.org/pdf/2201.03647

24. Comprehensive Forensic Tool for Crime Scene and Traffic Accident 3D Reconstruction, acessado em 11 de dezembro de 2025, https://www.mdpi.com/1999-4893/18/11/707

25. (PDF) Deterministic Legal Retrieval: An Action API for Querying the SAT-Graph RAG, acessado em 11 de dezembro de 2025, https://www.researchgate.net/publication/396291946_Deterministic_Legal_Retrieval_An_Action_API_for_Querying_the_SAT-Graph_RAG

26. Why Knowledge Graphs Beat RAG for Incident Response - BACCA.AI, acessado em 11 de dezembro de 2025, https://www.bacca.ai/blog/why-knowledge-graphs-beat-rag-for-incident-response

27. Integration of road context information into knowledge graph for intelligent analysis of road accidents - ResearchGate, acessado em 11 de dezembro de 2025, https://www.researchgate.net/publication/398038115_Integration_of_road_context_information_into_knowledge_graph_for_intelligent_analysis_of_road_accidents

28. Traffic rule formalization for autonomous vehicle - Institutional Knowledge (InK) @ SMU, acessado em 11 de dezembro de 2025, https://ink.library.smu.edu.sg/context/cclaw/article/1008/viewcontent/8._Traffic_Rule_Formalization_for_Autonomous_Vehicle.pdf

29. Not ready for the bench: LLM legal interpretation is unstable and out of step with human judgments - arXiv, acessado em 11 de dezembro de 2025, https://arxiv.org/html/2510.25356v1

30. A Kelsenian Deontic Logic - TICAMORE, acessado em 11 de dezembro de 2025, https://ticamore.logic.at/publications/CiaParSar2021.pdf

31. Modelling Fault Tolerance using Deontic Logic: a case study - MacSphere, acessado em 11 de dezembro de 2025, https://macsphere.mcmaster.ca/bitstreams/975fd64c-3c02-4679-8996-fad7495998ec/download

32. California Code, Vehicle Code - VEH § 21802 - Codes - FindLaw, acessado em 11 de dezembro de 2025, https://codes.findlaw.com/ca/vehicle-code/veh-sect-21802/

33. California Vehicle Code Section 21802: Failure to Stop - Simmrin Law Group, acessado em 11 de dezembro de 2025, https://www.simmrinlawgroup.com/california-vehicle-code-section-21802/

34. Section 5 Continued | Georgia Department of Driver Services, acessado em 11 de dezembro de 2025, https://dds.georgia.gov/section-5-continued

35. Revised Statutes of Missouri, RSMo Section 304.351 - MO.gov, acessado em 11 de dezembro de 2025, https://revisor.mo.gov/main/OneSection.aspx?section=304.351

36. Integrating Legal and Logical Specifications in Perception, Prediction, and Planning for Automated Driving: A Survey of Methods - arXiv, acessado em 11 de dezembro de 2025, https://arxiv.org/html/2510.25386v1

37. Formalizing Traffic Rules for Machine Interpretability - mediaTUM - Technische Universität München, acessado em 11 de dezembro de 2025, https://mediatum.ub.tum.de/doc/1574461/1mjbi1qterg2szw5g2q93wf60.FormalizingTrafficRules.pdf

38. Causal Knowledge Graph for Scene Understanding in Autonomous Driving, acessado em 11 de dezembro de 2025, https://scholarcommons.sc.edu/aii_fac_pub/615/

39. (PDF) Fault Diagnosis Based on Graph Theory and Linear Discriminant Principle in Electric Power Network - ResearchGate, acessado em 11 de dezembro de 2025, https://www.researchgate.net/publication/284092877_Fault_Diagnosis_Based_on_Graph_Theory_and_Linear_Discriminant_Principle_in_Electric_Power_Network

40. Spatio-Temporal Graph Neural Networks for SDE inducing Faults Predication under Functional Test - arXiv, acessado em 11 de dezembro de 2025, https://arxiv.org/pdf/2509.06289

41. Liability Rules for Automated Vehicle: Definitions and Details - University of Miami School of Law Institutional Repository, acessado em 11 de dezembro de 2025, https://repository.law.miami.edu/cgi/viewcontent.cgi?article=2243&context=fac_articles

42. An accident portrait based on the traffic accident knowledge graph. ResearchGate, acessado em 11 de dezembro de 2025, https://www.researchgate.net/figure/An-accident-portrait-based-on-the-traffic-accident-knowledge-graph_fig8_362755211

43. Turning Unstructured Data into Structured Data: A Step-by-Step Guide - Domo, acessado em 11 de dezembro de 2025, https://www.domo.com/learn/article/unstructured-data-to-structured-data

44. ATA: A Neuro-Symbolic Approach to Implement Autonomous and Trustworthy Agents - arXiv, acessado em 11 de dezembro de 2025, https://arxiv.org/html/2510.16381v1

45. Kennedys IQ launches InsurTech's first neuro-symbolic AI solution for global insurance market, acessado em 11 de dezembro de 2025, https://fintech.global/2025/03/20/kennedys-iq-launches-insurtechs-first-neuro-symbolic-ai-solution-for-global-insurance-market/

46. Insurtech Kennedys IQ launches neuro-symbolic AI solution for insurance market - Beinsure, acessado em 11 de dezembro de 2025, https://beinsure.com/news/kennedys-iq-launches-gen-ai/

47. How Top Insurers Use AI to Drive ROI in Claims Automation - UST, acessado em 11 de dezembro de 2025, https://www.ust.com/en/insights/how-top-insurers-are-using-ai-to-speed-up-settlements-and-deliver-measurable-roi-across-the-claims-lifecycle

48. Aviva: Rewiring the insurance claims journey with AI | Tech and AI | McKinsey & Company, acessado em 11 de dezembro de 2025, https://www.mckinsey.com/capabilities/tech-and-ai/how-we-help-clients/rewired-in-action/aviva-rewiring-the-insurance-claims-journey-with-ai

49. Insurance Claims AI Agent: 99% Straight-Through Processing & 246% ROI - Roots Automation, acessado em 11 de dezembro de 2025, https://www.roots.ai/case-studies/insurance-claims-automation-ai-agent-straight-through-processing

50. The Complete Guide to Insurance Claims Automation - VCA Software, acessado em 11 de dezembro de 2025, https://vcasoftware.com/insurance-claims-automation/

51. Kennedys IQ launches Insurtech industry's first neuro-symbolic AI solution for global insurance market, acessado em 11 de dezembro de 2025, https://www.kennedyslaw.com/en/news/2025/kennedys-iq-launches-insurtech-industry-s-first-neuro-symbolic-ai-solution-for-global-insurance-market/