🚀 /case launch — Skill principal
A skill central do sistema da Sally: /case launch [nome-do-caso]. Em um único comando, ela cria a estrutura completa do caso, roda o conflict check automático, gera o brief inicial e abre o audit log. O que levava 3 horas manual vira 30 minutos auditados.
📂 O que /case launch cria automaticamente
$ /case launch "Acquisition_TechCorp_2026-05"
→ Criando estrutura em iManage...
→ /cases/2026-05-TechCorp/ criada
→ Rodando conflict check... LIMPO
→ Gerando brief_inicial.md...
→ Abrindo audit_log.jsonl...
✓ Caso lançado em 28 segundos. Pronto para onboarding.
💡 Scaffold, Conflict Check, Audit Log — a trindade
Três saídas obrigatórias de cada /case launch: (1) Scaffold — estrutura de pastas e templates preenchidos; (2) Conflict check — verificação automática de partes contra base existente; (3) Audit log — registro de cada ação do agente com input, modelo, timestamp. Nenhuma pode ser omitida.
📊 3h manuais → 30 min auditados
O tempo caiu, mas o que importa mais é a palavra "auditados". Antes, o processo de estruturação era ad hoc — dependia de humor, atenção e experiência do momento. Agora é determinístico: cada passo é registrado, cada decisão do agente é rastreável. Sally pode provar para qualquer comitê o que foi feito e quando.
🔍 Conflict Check Automático — Sem cruzar nomes
O conflict check é o componente de maior risco legal do sistema. Um conflito de interesses não detectado pode resultar em cancelamento de licença. O agente compara sistematicamente todas as partes do novo caso contra a base histórica de clientes e sinaliza qualquer sobreposição para revisão humana.
🏗️ Arquitetura do Conflict Check
Extração de entidades
Agente lê o intake do novo caso e extrai: empresa adquirente, alvo, advisors, signatários, cônsules conhecidos.
Entity matching fuzzy
Compara contra base de clientes com tolerância a variações de nome (TechCorp vs Tech Corp Ltd vs TechCorporation).
Escalação com evidência
Se match > 70%: pausa o processo, notifica Sally com evidência textual. Abaixo de 70%: registra no audit trail e continua.
⚠️ O que o agente NÃO decide
O agente nunca decide que um conflito é aceitável. Sua função é detectar e escalar. A decisão final é sempre humana. O CLAUDE.md da Sally inclui explicitamente: "Em caso de qualquer match, pare e aguarde confirmação do revisor antes de prosseguir."
📄 Brief Inicial — Resumo do caso
Com o conflict check limpo, o agente lê os documentos de intake — PDFs, DOCX, e-mails — e produz um brief estruturado com partes, prazos, valores, e riscos identificados. É o primeiro documento real do caso, gerado em minutos a partir de materiais brutos.
📋 Estrutura do brief_inicial.md
# Brief: Acquisition_TechCorp_2026-05
**Data:** 2026-05-15 | **Status:** Ativo | **Revisor:** Sally Tan
## Partes
- Adquirente: InnovateCo Inc. (Cliente representado)
- Alvo: TechCorp Solutions Ltd.
## Prazos Críticos
- Due diligence: 30 dias a partir de 2026-05-20
- Closing estimado: 2026-08-01
## Riscos Identificados
- IP em disputa (3 patentes, mencionadas no MOU)
- Cláusula de non-compete vaga (§ 7.3)
💡 Multi-doc summarization com fidelidade
O agente lê simultaneamente o MOU, os e-mails de intake, e o NDA. A instrução no CLAUDE.md é explícita: "Preserve termos jurídicos literalmente. Nunca parafraseie cláusulas. Quando incerto sobre interpretação, inclua o trecho original entre aspas." Isso evita o risco de o resumo distorcer o significado legal.
☁️ Bedrock-only — Compliance corporativa
O escritório da Sally tem um requisito não-negociável: dados de clientes não podem sair da conta AWS da firma. A solução é apontar o Claude Code para AWS Bedrock em vez da API pública da Anthropic — mesma inteligência, mas processamento dentro do perímetro corporativo.
🔧 Configuração Bedrock no Claude Code
# ~/.claude/settings.json
{
"model": "anthropic.claude-sonnet-4-5",
"apiProvider": "bedrock",
"awsRegion": "us-east-1",
"awsProfile": "lawfirm-prod"
}
📊 Bedrock, data residency, no-egress
Com Bedrock, os dados de inferência ficam na VPC da firma. A Anthropic não vê o conteúdo das requisições. Isso satisfaz três requisitos: (1) data residency para clientes com contratos de não-saída de dados; (2) SOC2 Type II do escritório; (3) exigências do BAA para casos com qualquer dado de saúde.
Custo adicional: pricing do Bedrock é ~15% mais caro que API direta. Para o escritório, é trivial vs. o risco de compliance.
📋 Audit Log de Cada Decisão — Para revisão ética
Toda saída do agente — conflict check, brief, análise de cláusula — fica registrada em um log imutável com input exato, modelo utilizado, timestamp e identificador do revisor. Bar association e comitê de ética exigem rastreabilidade; o audit log entrega isso automaticamente.
📝 Estrutura do audit_log.jsonl
{
"timestamp": "2026-05-15T14:23:11Z",
"action": "conflict_check",
"model": "anthropic.claude-sonnet-4-5@bedrock",
"input_hash": "sha256:a3f9c2...",
"result": "CLEAR",
"reviewer": "sally.tan@firm.com",
"reviewed_at": "2026-05-15T14:31:00Z"
}
💡 Tamper-proof via append-only
O audit log é JSONL (uma linha por evento) com append-only — nenhuma linha pode ser editada depois de gravada. O hash do input garante que ninguém alterou o que o agente recebeu. Model attribution garante que, se o modelo mudar, fica registrado. Isso cria uma cadeia de custódia digital equivalente a um log de assinatura notarial.
📈 Resultado: 4-5h/caso recuperadas — ROI
Cinco casos por mês, quatro horas recuperadas por caso: 20 horas mensais redirecionadas de estruturação mecânica para trabalho estratégico. O ROI de Sally é medido em horas billable recuperadas — e em riscos de compliance evitados.
📊 ROI em números
📊 Time saved vs billable hours uplift
Sally cobra $450/h. 20h recuperadas = $9.000/mês de capacidade adicional de faturamento — mesmo que só metade seja convertida em horas billables, o ROI é $4.500/mês sobre um investimento de ~$200/mês em API + infraestrutura. O argumento para o sócio sênior aprovar o projeto foi direto: payback em 2 semanas.
✅ Resumo do Módulo 6.2
Próximo módulo: Caso Dra. Sana — dermatologia. O caso mais crítico do curso: PHI obrigatoriamente isolado, biópsias com terminologia especializada, e a lição de que "esperança" em dados de saúde pode ter consequências reais.