Aletheia: Seu histórico de compras já era a evidência

"Justiça é a verdade em ação." — Benjamin Disraeli

Todos os anos, bilhões de dólares em dinheiro de acordos de ações coletivas não são reclamados. Não porque as ações judiciais não sejam reais. Não porque as pessoas afetadas não sejam elegíveis. É porque abrir o pedido exige encontrar um prazo sobre o qual você nunca ouviu falar, comprovar uma compra que você fez há três anos e navegar por um formulário de solicitação que parece ter sido projetado para ser abandonado.

O padrão é consistente. Uma manchete surge — um acordo de 3,6 milhões de dólares sobre benzeno, um caso de contaminação por talco, uma ação coletiva de PFAS — e as pessoas veem, reconhecem que provavelmente usaram o produto e continuam rolando a página. Não porque não se importem. É porque o esforço necessário para ir de "posso ser elegível" a "fiz a solicitação e recebi o pagamento" é alto demais para a maioria das pessoas superar.

Anteriormente, compartilhamos nossa experiência no HackPrinceton 2026 x Enter.pro: Construindo o Futuro | Enter . Aquele artigo tratava da energia, da missão e do cenário geral. Este artigo é um mergulho profundo em uma equipe que construiu com o Enter durante a competição e ganhou um prêmio: Aletheia.

O que a equipe por trás do Aletheia notou é que o esforço é quase inteiramente fabricado. As evidências já existem. Históricos de compras de grandes varejistas, aplicativos de entrega e plataformas de pagamento contêm registros de nível de SKU exatamente do que as pessoas compraram, quando e de quem. Os dados que comprovam a elegibilidade já estão lá. Eles apenas estão do lado errado de um login.

O que o Aletheia faz

O Aletheia transforma o histórico de compras em um pacote de solicitação pronto para envio em três movimentos.

Vincular contas. Os usuários conectam suas contas de compras e entrega, e o Aletheia extrai os dados da transação — cada nome de produto, comerciante, data e preço do item. Não categorias. Produtos reais.

Escanear em busca de exposição. Uma análise baseada em IA cruza cada produto comprado com um catálogo selecionado de produtos químicos vinculados a litígios: benzeno, talco, parabenos, PFAS, liberadores de formaldeído e outros. Os usuários recebem um relatório de exposição com uma pontuação de 0 a 100, uma classificação percentil e um detalhamento por produto químico e produto sinalizado. Não é um aviso. É uma imagem do que você foi realmente exposto, com base no que você realmente comprou.

Corresponder a acordos. Os produtos químicos e produtos detectados são comparados com um catálogo ao vivo de acordos de ações coletivas ativos, atualizado de hora em hora a partir de bancos de dados jurídicos públicos. Cada correspondência é classificada: ou o usuário comprou o produto elegível específico, ou sua exposição se sobrepõe ao produto químico em questão. Acordos expirados são filtrados. Duplicatas são descartadas. Para cada correspondência, o Aletheia gera um guia de envio de cinco etapas e um pacote de evidências em PDF — construído a partir dos registros de compra — pronto para enviar.

A lacuna que o Aletheia está fechando não é sobre complexidade jurídica. É sobre informação e atrito. Os administradores de reivindicações já aceitam registros de compra como prova. Os registros já existem. A lacuna era uma ferramenta que pudesse conectá-los automaticamente.

A construção — e o problema que enfrentou

A equipe construiu o Aletheia no HackPrinceton Primavera 2026; e seu fluxo de trabalho passou da pesquisa aos requisitos de produto para o Enter — usando as integrações MCP e Skills do Enter para conectar as fontes de dados externas e construir a camada de inteligência — até um produto totalmente implantado. O Enter cuidou da infraestrutura de backend: a camada de autenticação, o banco de dados e as funções de borda (edge functions) que impulsionam a análise de exposição, a coleta de acordos e a lógica de correspondência.

O problema mais difícil não foi a infraestrutura técnica. Foi a confiança.

A primeira versão da lógica de exposição e correspondência permitiu que a IA sintetizasse tanto o catálogo de acordos quanto as pontuações de correspondência. Foi rápido de construir e plausível no resultado — até que não foi. O modelo inventou valores de acordos. Ele gerou solicitações para ações judiciais que não existiam. Ele produziu vereditos de elegibilidade que não tinham base em nenhum processo legal real.

Para um produto de finanças do consumidor, isso não é um bug. É uma falha desclassificante. Você não pode dizer a alguém que eles têm uma reivindicação no valor de US$ 4.200 se esse número veio de um modelo que estava preenchendo lacunas em vez de ler dados verificados.

A correção exigiu separar o que a IA faz bem do que não se pode confiar que ela faça sozinha. Os dados reais de acordos agora são extraídos diretamente de bancos de dados jurídicos públicos, armazenados de forma canônica e enriquecidos com pagamentos, prazos e URLs de solicitação verificados. O papel da IA no momento da correspondência é limitado a citar apenas o que já está no catálogo — sem síntese, sem extrapolação. O resultado é fundamentado porque o banco de dados é fundamentado.

Três camadas de desduplicação lidam com o fato de que o mesmo acordo aparece frequentemente sob URLs e títulos ligeiramente diferentes em várias fontes. A lógica de prazos distingue entre acordos que estão genuinamente encerrados e aqueles com datas não analisáveis ou pendentes — os primeiros filtrados agressivamente, os últimos tratados como ainda abertos. O recibo em PDF foi iterado até parecer algo que um administrador de solicitações realmente aceitaria: cabeçalhos de comerciantes, tabelas de itens, rodapés de verificação.

Cada caminho tem uma alternativa de fallback. A demonstração nunca atinge um estado de erro.

Do que eles mais se orgulham

O pipeline completo, de ponta a ponta. Um usuário vincula suas contas, recebe um relatório de exposição, vê seus acordos correspondentes e baixa um PDF pronto para envio — tudo a partir de dados de compra que ele já tinha, processados de uma maneira que ele nunca precisou pensar.

E o recibo. Fazer com que um documento gerado parecesse uma prova legal, e não um resultado de hackathon, exigiu iteração. O fato de ter conseguido é o detalhe ao qual a equipe sempre retorna.

O que vem a seguir

Alertas acionados por webhook: notificar os usuários no momento em que uma nova compra corresponder a um acordo existente, sem exigir uma nova varredura manual. Formulários de solicitação de preenchimento automático: pré-preencher campos padrão a partir de registros de compra e dados de exposição, e enviar em nome do usuário onde os administradores permitirem. Retrospectiva histórica via OCR de extrato bancário, que é onde vive o dinheiro de acordos de longo prazo — solicitações sobre produtos comprados anos antes de qualquer plataforma começar a rastrear SKUs. E integração de pagamento real: aceitar fundos de acordos diretamente, com uma pequena taxa de sucesso.

A infraestrutura para tudo isso já está no lugar. O pipeline que funciona para acordos ativos funciona para qualquer acordo. A recuperação de evidências que funciona para contas vinculadas funciona para extratos enviados. O escopo do que o Aletheia pode fazer se expande com cada fonte de dados que ele consegue alcançar.

O dinheiro sempre esteve lá. Era o caminho até ele que estava faltando.

A equipe por trás disso construiu: Haoran Xu | Anish Yenduri | Brian Li | Adarsh Danda

Perdeu os volumes anteriores? → Vol. 1 — Heritage in Pixels → Vol. 2 — Terra Zone AI *→ Vol. 3: *reAgent *→ Vol. 4: *TaleTailor *→ Vol. 5: *LEGR *→ Vol. 6: *PolyPath *→ Vol. 7: *EcoThread