O problema da papelada que custa dois meses aos pacientes

A Enter esteve no HackPrinceton Spring 2026 — 410 participantes, 36 horas, no campus de Princeton. A equipe por trás da ACTA AI escolheu o problema mais difícil da sala. E eles sabiam exatamente o porquê.

Um Problema Humanitário Disfarçado de Jurídico

Cada dia que um ensaio clínico é atrasado, pacientes com cânceres agressivos, doenças raras e condições crônicas esperam mais tempo por terapias que poderiam mudar ou salvar suas vidas.

Antes que um único paciente possa se inscrever em um ensaio, patrocinadores farmacêuticos e locais de pesquisa clínica devem negociar um Contrato de Ensaio Clínico — um documento jurídico complexo que cobre propriedade intelectual, indenização, direitos de publicação, privacidade do paciente e obrigações de relatórios regulatórios. Essa negociação leva em média 100 dias. Com um custo de US$ 800.000 a US$ 1,4 milhão em valor de pipeline perdido por dia, o custo financeiro é significativo. Mas o número mais importante é aquele que não aparece em nenhum modelo financeiro: os pacientes do outro lado desse atraso que estão sem tempo.

Para uma empresa que executa 56 programas ativos em estágio clínico, reduzir 50 dias de cada negociação libera mais de US$ 2,24 bilhões em valor de pipeline. Mais importante, significa que pacientes enfrentando linfomas agressivos ou doenças inflamatórias raras obtêm acesso a terapias potencialmente salvadoras quase dois meses antes.

A equipe não enquadrou isso como um problema de automação jurídica. Eles enquadraram corretamente: como um problema humanitário que, por acaso, parece papelada.

O que a ACTA AI realmente faz

A ACTA AI é uma plataforma de inteligência de contratos multiagentes construída em torno do processo de contrato de ensaio clínico — projetada para fazer o que nenhuma ferramenta comercial de IA jurídica faz atualmente: analisar contratos cláusula por cláusula, aplicar uma base de referência padronizada, rastrear negociações entre versões e partes, e identificar conflitos entre contratos antes que se tornem crises jurídicas.

A decisão arquitetural que define todo o produto é também a mais simples de explicar. Um contrato jurídico de 30 páginas jogado em um modelo de linguagem como um único bloco de texto produz resultados não confiáveis. A equipe foi na direção oposta. Cada contrato é dividido em cláusulas individuais, cada uma analisada independentemente em relação a uma base de referência codificada de sete padrões da ACTA — janelas de revisão de publicação, estrutura de indenização, termos de pagamento, duração da confidencialidade, limites de custos indiretos — antes que os resultados sejam agregados em um resumo executivo. A estrutura é o que separa uma ferramenta de inteligência jurídica de uma caixa de busca sofisticada.

Interface de análise de cláusulas da ACTA AI, mostrando pontuação de conformidade independente para cada seção do contrato em relação à base da ACTA — desvios sinalizados por gravidade antes que o resumo executivo seja gerado.

Um sistema de pontuação de confiança tria cada cláusula em quatro categorias: alinhada com a base e pronta para prosseguir, um desvio menor com uma correção padrão, um desvio crítico que causará atrasos de várias semanas se não for resolvido, ou linguagem que o sistema não encontrou antes e encaminha diretamente para um advogado humano. Uma equipe jurídica de duas pessoas pode gerenciar 50 contratos simultâneos porque elas sempre sabem onde procurar primeiro.

O modo ACTA com um clique aborda o cenário onde uma negociação parou completamente. Um único botão reescreve cada cláusula divergente para a base de referência simultaneamente, gerando uma visualização lado a lado de alterações rastreadas e um memorando de negociação pronto para envio, explicando cada mudança para a outra parte.

Personas de locais preditivas levam em conta algo que ferramentas genéricas de contrato ignoram totalmente: hospitais diferentes negociam de maneiras diferentes. Um centro médico acadêmico e um hospital comunitário regional têm prioridades jurídicas diferentes, reflexos diferentes e linhas vermelhas diferentes. A ACTA AI prevê onde o atrito surgirá antes mesmo de o contrato ser enviado.

O Detector de Conflitos Multipartes — que a equipe descreveu como o recurso que mais os surpreendeu — resolve um problema que atualmente exige que advogados seniores cruzem manualmente centenas de documentos. Carregue vários CTAs, execute a varredura, e o sistema mostra inconsistências entre os contratos: concessões de PI conflitantes para locais diferentes para o mesmo composto, janelas de publicação incompatíveis prometidas a instituições separadas. O que anteriormente surgia como uma crise jurídica meses após o início de um programa agora surge em segundos.

Interface do Detector de Conflitos Multipartes, mostrando inconsistências entre contratos sinalizadas em Contratos de Ensaio Clínico simultâneos — uma capacidade que a equipe construiu em três horas e que pode ser o recurso comercialmente mais significativo do produto.

Como tudo se juntou

O backend é um pipeline de quatro agentes — Analisador de Documentos, Extração de Cláusulas, Identificação de Risco, Verificação de Conformidade, Sugestão — com um objeto de estado compartilhado que transporta cláusulas extraídas, descobertas de risco, resultados de conformidade e diferenças de versão em cada etapa. A arquitetura também inclui uma camada de roteamento que espelha como os escritórios de advocacia realmente alocam trabalho: cláusulas com carga jurídica vão para um modelo otimizado para raciocínio jurídico, tarefas de classificação rápida vão para um modelo otimizado para velocidade, e reescritas complexas vão para um modelo otimizado para qualidade de linguagem. O modelo certo para o trabalho certo, integrado ao sistema em vez de deixado ao acaso.

Ninguém da equipe tinha construído um pipeline multiagentes de produção antes do início do fim de semana. A arquitetura passou por três redesenhos completos antes de chegar àquela que realmente se sustentou. Olhando para trás, a equipe descreveu essas primeiras discussões como as horas mais valiosas do hackathon.

O frontend foi reconstruído duas vezes — intencionalmente. A linguagem visual consiste em cremes quentes, verdes sálvia e tons de azul-petróleo. A razão por trás dessas escolhas foi dita claramente: softwares clínicos devem transmitir confiança e calma. O design é uma decisão de produto, não estilística.

Do que eles mais se orgulham

De que funciona em documentos reais.

Contratos de Ensaio Clínico reais — formatação bagunçada, ordenação incomum de cláusulas, linguagem jurídica que o sistema nunca tinha encontrado no desenvolvimento — e o pipeline os manipula. Casos extremos degradam graciosamente. Fallbacks funcionam de forma limpa. A saída estruturada se mantém.

O Detector de Conflitos Multipartes quase não entrou na submissão. Foi uma adição tardia construída em três horas. Eles enviaram mesmo assim, e acreditam ser a coisa comercialmente mais valiosa do produto.

Eles também se orgulham de algo que não aparece na demonstração: na 28ª hora, cansados e sob pressão, eles não descontaram uns nos outros. Eles descreveram ser respeitoso com sua equipe sob pressão como uma habilidade, e tratar isso como tal. Isso não é pouca coisa. Provavelmente é por isso que todo o resto foi concluído.

O Detector de Conflitos Multipartes é a primeira prioridade — passar de um protótipo funcional para armazenamento persistente de contratos, histórico de rastreamento de conflitos, alertas automatizados e visualização de rede mostrando quais locais compartilham termos jurídicos sobrepostos.

Arquitetura voltada para a privacidade é o próximo passo. Contratos de Ensaio Clínico contêm informações sensíveis tanto sobre pacientes quanto sobre organizações. A próxima versão precisa de criptografia de ponta a ponta, controles de acesso baseados em funções e uma estrutura de tratamento de dados que satisfaça os requisitos regulatórios para ambos os lados da negociação. Confiança, como a equipe colocou, é a base de qualquer produto jurídico. Eles querem conquistá-la da maneira correta.

A ambição de longo prazo é o aprendizado de agentes a partir de casos reais — alimentando o sistema com resultados reais de negociação para que ele refine seus modelos de risco ao longo do tempo. Quais desvios causaram atrasos. Quais linhas vermelhas foram aceitas. Quais tipos de locais resistiram mais a quais cláusulas. O sistema fica mais inteligente a cada contrato que processa.

E, eventualmente, inteligência de negociação longitudinal: um recurso que diz a uma equipe jurídica exatamente como um determinado local negociou no passado, qual linguagem eles finalmente aceitaram e onde o atrito tem maior probabilidade de surgir — o tipo de memória institucional que atualmente vive na cabeça de advogados individuais, tornada acessível a todos na equipe.

O Problema que Vale a Pena Resolver

A ACTA AI não foi construída para vencer uma categoria. Foi construída porque o problema é real, a matemática é brutal e ninguém realmente o resolveu.

A lacuna entre uma terapia promissora entrando em ensaios e um paciente obtendo acesso a ela não é, principalmente, um problema científico. É um problema de coordenação, um problema de documentação, um problema de processo — exatamente o tipo de problema que inteligência estruturada aplicada na camada certa pode colapsar.

A equipe viu essa lacuna e passou 36 horas construindo algo que a fecha. Os pacientes do outro lado daquela mesa de negociação não têm 100 dias para esperar.

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→ Vol. 8 *— Aletheia *→ Vol. 9 *— Synova → Vol. 10 — Overturn Insurance→Vol. 11 — **VentureLink *→**Vol. 11 *—Atlas: Immersive 3D AI Learning