--- title: "MIT testa IA local para revisar contratos e riscos de demurrage" author: "Redação" date: "2026-10-17 00:05:00-03" category: "Logística" url: "http://tp.scale.press/portal/tp/post/2026/10/17/mit-testa-ia-local-para-revisar-contratos-e-riscos-de-demurrage/md" --- ## Resumo - Projeto de conclusão do MIT testa inteligência artificial local para revisar contratos marítimos. - O sistema busca identificar exposição potencial a custos de demurrage e apoiar negociações baseadas em dados. - A ferramenta processa PDFs não estruturados, remove marcações de revisão e identifica termos desatualizados. - A análise respeita a hierarquia jurídica entre documentos como Charter Party e Recap. - A solução roda em uma workstation compacta com AMD Ryzen AI Max+ 395 e 128 GB de memória unificada. - Modelos de linguagem de código aberto e validação humana acompanham a arquitetura do projeto. - A iniciativa é uma prova de conceito acadêmica e não comprova adoção ampla no mercado. --- Em maio de 2026, **Stephen Day III** e **Wathila Ekanayake** concluíram no Massachusetts Institute of Technology (MIT) uma prova de conceito acadêmica para revisar contratos marítimos com inteligência artificial local. O sistema foi desenhado para comparar acordos de transporte, identificar exposição potencial a **demurrage**, as taxas associadas a atrasos, e conferir as respostas com base nos documentos de origem. A aplicação chama atenção porque executa o processamento fora da nuvem, uma escolha voltada à confidencialidade de informações comerciais sensíveis. O projeto pode ser conhecido em detalhes na [descrição técnica do experimento](https://www.scmr.com/article/local-ai-shipping-contract-review-demurrage). ## O contrato fica fora da nuvem A decisão de usar **IA local** muda o ponto de controle sobre os arquivos analisados. Em vez de depender de serviços externos para interpretar contratos, a prova de conceito mantém o processamento na própria estação de trabalho. Essa arquitetura foi pensada para preservar a **confidencialidade** dos documentos comerciais, aspecto que ganha peso quando o material contém condições de frete, responsabilidades contratuais e parâmetros usados em discussões sobre atrasos. A proposta, contudo, permanece restrita ao experimento acadêmico e não deve ser apresentada como adoção generalizada pelas empresas marítimas. O sistema foi preparado para lidar com uma dificuldade comum na inteligência contratual: os arquivos chegam em **PDFs não estruturados**, e não em bases organizadas para consulta automática. A ferramenta identifica **termos desatualizados** e remove marcações de revisão, duas etapas que ajudam a separar o texto vigente de alterações acumuladas no documento. Essa preparação é necessária antes de comparar cláusulas e procurar elementos que possam ampliar a exposição a demurrage. A análise começa, portanto, pela organização do conteúdo que normalmente exige leitura manual. O processamento ocorre em uma workstation compacta equipada com o processador **AMD Ryzen AI Max+ 395** e **128 GB de memória unificada**. A configuração mostra que o projeto não depende, em sua demonstração, de uma infraestrutura de nuvem para executar o modelo e consultar os documentos. Esse detalhe técnico aproxima a experiência de uma operação em que o arquivo permanece sob controle direto do usuário, embora o material disponível não apresente métricas de implantação comercial ou ganhos financeiros realizados. O hardware sustenta a demonstração, mas não transforma sozinho o experimento em produto de mercado. ## A IA lê a hierarquia jurídica A comparação entre contratos exige mais do que localizar palavras semelhantes. O sistema respeita a **hierarquia legal** entre documentos como **Charter Party** e **Recap**, evitando tratar todos os arquivos como se tivessem o mesmo peso na interpretação. Essa distinção é relevante para a análise de demurrage porque uma condição encontrada em um documento pode precisar ser confrontada com a ordem jurídica estabelecida no acordo de transporte. A prova de conceito procura reproduzir essa lógica documental em vez de apenas gerar uma resposta baseada na frequência dos termos. Essa ordenação também se conecta ao uso de um sistema **RAG**, sigla para geração aumentada por recuperação, que consulta o material fornecido antes de produzir a análise. O projeto prevê **citações verificáveis** para as respostas geradas, permitindo conferir de onde cada conclusão foi extraída. Para o usuário, a diferença está entre receber uma interpretação isolada e revisar uma análise acompanhada pelo trecho contratual utilizado. A rastreabilidade não elimina a necessidade de conferência profissional, mas mantém a resposta ligada à documentação de origem. A pesquisa de **Wathila Ekanayake** já havia se concentrado no uso de **machine learning** para normalizar dados de demurrage em bancos estruturados. A prova de conceito amplia essa linha ao enfrentar documentos que não chegam prontos para análise quantitativa. O objetivo declarado é deslocar as empresas de revisões manuais e reativas para negociações mais proativas baseadas em dados. Essa conexão explica por que a tecnologia foi orientada à leitura contratual, e não apenas à classificação genérica de arquivos. ## A prova de conceito segura o freio Para tratar o conteúdo irregular dos contratos, o projeto adotou uma abordagem **design-first**, modelos de linguagem de código aberto e **validação humana**. A combinação coloca o fluxo de trabalho antes da escolha isolada do modelo: primeiro se define como o documento será recuperado e conferido, depois se produz a resposta. A participação humana funciona como etapa de controle sobre a interpretação dos acordos e sobre as referências apresentadas. O método reforça que a automação proposta apoia a revisão, sem substituir a análise responsável pelo contrato. O trabalho foi desenvolvido durante o mestrado de **Stephen Day III** no MIT, concluído entre **agosto de 2025 e maio de 2026**. A trajetória acadêmica de Ekanayake inclui o prêmio MIT Supply Chain Excellence Award, enquanto sua pesquisa se voltou à organização de dados de demurrage. Esses elementos situam a iniciativa como um projeto aplicado de formação em supply chain, com foco específico na documentação marítima e nos custos associados a atrasos. A origem acadêmica também recomenda cautela ao interpretar o alcance dos resultados. O resultado disponível é uma **prova de conceito** que demonstra como contratos marítimos podem ser analisados localmente, com preservação dos **documentos comerciais** fora da nuvem e respostas apoiadas em citações. A demonstração não comprova adoção ampla, redução efetiva de custos ou substituição dos processos existentes no mercado. Para profissionais de armadores, embarcadores e áreas de contratos, a contribuição está em apresentar uma alternativa técnica para testar inteligência contratual sem transferir os arquivos a um serviço externo. O próximo debate passa pela validação desse fluxo em operações reais, sem confundir a capacidade demonstrada no laboratório com uma solução já disseminada.