Voltar para a biblioteca

Pergunta central Novo

Processado por IA · Aprovado pelo autor

Como projetar um sistema com IA para detectar, classificar e explicar mudanças regulatórias de forma verificável por humanos?

From Detection to Decision: A Human-Centered Artifact for Regulatory Change Review
Joe Yu, Kevin Chenhao Li, Theresa Treffers, et al. · International Conference on Information Systems (ICIS) · 2026
Ilustração para: Como projetar um sistema com IA para detectar, classificar e explicar mudanças regulatórias de forma verificável por humanos?

Carrega o reprodutor do Spotify; o Spotify pode definir cookies. Este dispositivo memoriza a sua escolha.

Principais conclusões

  • O artefato integrado alcançou acurácia de alinhamento de 0,96 e pontuação Macro-F1 combinada de 0,69 em benchmark regulatório, superando todas as abordagens de linha de base avaliadas.
  • O sistema atingiu revocação de 0,99 para mudanças semânticas e adições, e de 0,97 para exclusões e dispositivos inalterados, alinhando-se à necessidade de priorizar a detecção de modificações críticas em detrimento de falsos alarmes.
  • Em sessões de avaliação com onze profissionais regulatórios, todos os participantes relataram manter total autoridade de decisão e consideraram o sistema um assistente eficaz capaz de reduzir substancialmente o tempo de revisão manual.
  • Os participantes enfatizaram que a fundamentação no texto-fonte e explicações em linha são pré-requisitos necessários para verificar recomendações da máquina, sendo a confiança construída pelo uso repetido.
  • O desempenho foi inferior em classes esparsas de alterações, como atualizações de referências (revocação de 0,20) e mudanças sintáticas (revocação de 0,21), refletindo o foco prioritário em mudanças semânticas de alto impacto.
  • O projeto estabelece cinco princípios reutilizáveis, permitindo que a abordagem seja aplicada a outros contextos regulatórios além do sistema desenvolvido neste trabalho.

O que isso significa para você

CIO / Executivo de TI

Procure or sponsor the development of regulatory change systems that prioritize high recall on substantive changes and source-grounded explanations, ensuring human reviewers retain final override authority.

Gerente de TI

Audit current regulatory text-processing workflows to identify bottlenecks in manual diffing, and have your engineering team test structural and semantic matching at the level of individual provisions rather than whole documents.

Estrategista de Negócios

Incorporate automated regulatory tracking tools into compliance operations to reduce manual review overhead, while establishing protocols for expert verification of high-consequence semantic shifts.

Pesquisador

Extend explanation layers beyond verification toward implication-aware support, such as whether a change affects deadlines, obligations or related provisions, and study how reviewer attention holds up as systems anticipate more.

Formulador de Políticas

Publish regulations in machine-readable form with each provision separately identified and with explicit version metadata, so that automated alignment across versions becomes reliable and compliance risk is reduced.

Resumo

Este estudo desenvolve e avalia um sistema de suporte à decisão de ponta a ponta projetado para auxiliar revisores de conformidade no rastreamento e na análise de alterações regulatórias. Seguindo a metodologia de pesquisa em ciência do design (Design Science Research), o artefato segmenta regulamentos em unidades jurídicas atômicas, alinha versões por correspondência estrutural e semântica, classifica modificações com uma ontologia de seis categorias e fornece explicações fundamentadas no texto de origem com controles de sobreposição para o revisor. O sistema foi avaliado em um benchmark regulatório baseado na legislação da UE, além de um estudo de usuário naturalista com onze profissionais da área regulatória.

Problema

As organizações enfrentam riscos operacionais e jurídicos significativos caso não identifiquem alterações regulatórias, mas revisar manualmente acervos jurídicos em constante evolução consome muito tempo e é propenso a erros. Abordagens automatizadas existentes costumam focar em tarefas técnicas isoladas, como comparação lexical ou recuperação de informações, falhando em separar mudanças jurídicas substantivas de reformulações inócuas e carecendo de interfaces de suporte à decisão verificáveis por especialistas humanos.

Transcrição
Host: Olá e boas-vindas ao A.I.S. Insights — powered by Living Knowledge. Eu sou Anna Ivy Summers e, no episódio de hoje, vamos discutir um estudo intitulado "Da Detecção à Decisão: Um Artefato Centrado no Ser Humano para Revisão de Alterações Regulatórias". Este trabalho foi desenvolvido pelos pesquisadores Joe Yu, Kevin Chenhao Li, Theresa Treffers e Isabell Welpe, e apresentado na International Conference on Information Systems de 2026. O foco central é um sistema de suporte à decisão projetado para auxiliar equipes de conformidade no acompanhamento de mudanças normativas. Comigo está nosso analista, Alex Ian Sutherland. Olá, Alex.

Expert: Olá, Anna. É um prazer estar aqui para analisar os aspectos práticos deste estudo.

Host: Alex, para começarmos, qual é o problema concreto que as empresas enfrentam ao tentar acompanhar as atualizações regulatórias?

Expert: As organizações enfrentam riscos operacionais e jurídicos expressivos caso não identifiquem uma alteração na legislação a tempo. No entanto, o processo manual de revisar textos normativos que mudam continuamente demanda muito tempo e apresenta margem para erros humanos. Além disso, as ferramentas tradicionais de automação costumam realizar apenas comparações lexicais diretas ou recuperação de palavras-chave. Elas não conseguem distinguir uma mudança jurídica substantiva de uma simples reformulação de texto, nem oferecem interfaces que permitam ao especialista humano auditar o resultado de forma transparente.

Host: E qual foi a abordagem desenvolvida pelos autores para lidar com essa limitação técnica?

Expert: O estudo seguiu a metodologia de pesquisa em ciência do design para construir um artefato centrado no usuário. Em vez de tratar a lei como um bloco de texto contínuo, o sistema primeiro segmenta os regulamentos em unidades jurídicas atômicas, como artigos e parágrafos específicos. Em seguida, ele alinha as versões antigas e novas usando critérios estruturais e semânticos. A partir daí, classifica as alterações por meio de uma ontologia de seis categorias e gera justificativas diretamente ancoradas no texto de origem, mantendo controles para que o revisor humano possa aceitar, rejeitar ou sobrescrever qualquer sugestão da máquina.

Host: Falando em termos de resultados, o que as avaliações empíricas demonstraram sobre a eficácia desse sistema?

Expert: A avaliação combinou um benchmark técnico na legislação da União Europeia e um estudo de usuário com onze profissionais regulatórios. No benchmark, o artefato atingiu uma acurácia de alinhamento de 0,96 e um Macro-F1 combinado de 0,69, superando as abordagens de linha de base testadas. O ponto mais relevante para a gestão de risco é que o sistema alcançou uma taxa de revocação de 0,99 para mudanças semânticas e adições, e de 0,97 para exclusões e dispositivos inalterados. Ou seja, ele praticamente não deixa passar modificações substantivas.

Host: Houve alguma área em que o desempenho do sistema foi mais limitado?

Expert: Sim, os autores relatam isso claramente. O sistema apresentou taxas de revocação mais baixas em categorias com menor frequência de exemplos, como atualizações de referências cruzadas, com 0,20, e alterações puramente sintáticas, com 0,21. Essa disparidade reflete a escolha do modelo em priorizar a detecção de mudanças semânticas de alto impacto em detrimento de ajustes formais periféricos.

Host: E na prática, como os onze especialistas regulatórios avaliaram o uso da ferramenta no dia a dia?

Expert: Todos os onze participantes relataram manter total autoridade de decisão ao longo da revisão e consideraram o sistema um assistente funcional capaz de diminuir o tempo de análise manual. Um dado interessante é que os profissionais indicaram que a fundamentação das decisões no texto original e as explicações em linha são requisitos indispensáveis para que aceitem as recomendações da máquina. A confiança na ferramenta foi descrita como um processo construído progressivamente pelo uso repetido.

Host: Pensando nas lideranças corporativas e equipes de compliance, quais são as implicações operacionais diretas desse estudo?

Expert: A lição central para os negócios é que a automação na área regulatória não deve visar a substituição do revisor jurídico, mas sim estruturar o fluxo de triagem para reduzir a sobrecarga cognitiva. Ao identificar de forma consistente onde estão as alterações relevantes, as equipes podem focar seu tempo na interpretação dos impactos estratégicos para a empresa. Além disso, o estudo formalizou cinco princípios de design reutilizáveis, o que significa que essa mesma arquitetura pode ser adaptada e aplicada a diferentes normas e ordenamentos jurídicos corporativos.

Host: Uma abordagem orientada à assistência prática e à preservação do julgamento humano. Alex, muito obrigada pelas explicações objetivas.

Expert: Obrigado, Anna.

Host: E a você que nos ouve, obrigado por acompanhar o A.I.S. Insights — powered by Living Knowledge. Até o próximo episódio.
Artificial Intelligence & Automation Information Systems & Management Human-Computer Interaction Data Analytics & Big Data Digital Transformation & Strategy Cybersecurity & Privacy Cloud & Infrastructure E-Commerce & Digital Platforms Operations & Supply Chain Sustainability & Green IS

Regulatory Change Analysis, Legal Natural Language Processing, Human-AI Collaboration, Explainable AI, Design Science Research, Regulatory Compliance