# Cada documento importa: por qué revisamos el conjunto completo, no una muestra _2026-04-16_ _Un artículo de la filosofía de Claira sobre defendibilidad, pistas de auditoría y por qué “la máquina lo encontró” no es una respuesta._ ## **La pregunta que nos siguen haciendo** Cuando presentamos Claira a nuevos usuarios, hay una pregunta que surge más que cualquier otra: “¿No podemos simplemente pedirle a la IA que encuentre los documentos relevantes y saltarnos el resto?” La respuesta corta es no, al menos no en el sentido que suele tener la pregunta. La respuesta larga es el propósito de este artículo, y vale la pena entenderla, porque define cómo construimos Claira y cómo creemos que debe funcionar la revisión en eDiscovery. Tenemos una postura firme al respecto. Una vez que un documento se ha recopilado en un conjunto de revisión, todos los documentos de ese conjunto deben revisarse. Sin muestreos. Sin búsquedas vectoriales para encontrar los probablemente relevantes. Revisados. Cada documento evaluado frente a sus criterios de revisión, con una decisión registrada y una justificación que usted podría respaldar si se lo pidieran. No es una preferencia tecnológica. Es un problema de lógica, y la lógica es simple. ## **Por qué la recopilación es el momento clave** El proceso de depuración existe por una razón. La depuración es donde se toman las decisiones masivas y defendibles de excluir documentos de la revisión: por rango de fechas, por custodio, por tipo de archivo, por dominio, por filtros de palabras clave, por deduplicación. Cuando se hace correctamente, la depuración refleja juicios deliberados y documentados sobre la relevancia que pueden explicarse ante un juez o el abogado de la contraparte. Lo que queda después de la depuración es, por definición, un conjunto de documentos que _podrían_ ser relevantes. Esa es precisamente la razón por la que sobrevivieron. Si no hubiera ninguna posibilidad de que importaran, la depuración debería haberlos eliminado. Así que la premisa operativa para todo lo que sigue en el conjunto de revisión es simple: cada uno de estos documentos podría ser pertinente. No sabemos cuáles lo son hasta que los examinamos. Es en ese momento cuando la cuestión filosófica se vuelve real. ¿Qué hace con un conjunto de documentos que ya decidió que podrían ser relevantes? ## **Los dos caminos posibles** A grandes rasgos, hay dos enfoques. El primero es lo que podríamos llamar recuperación probabilística: usar la IA para buscar, clasificar o agrupar documentos y sacar a la luz los que considera más probablemente pertinentes. La generación aumentada por recuperación (RAG), la búsqueda vectorial, la codificación predictiva y la mayoría de las herramientas de IA del tipo “pregúntele a sus documentos” pertenecen a esta familia. Son herramientas útiles y tienen un lugar real en el eDiscovery, especialmente en la evaluación temprana del caso, el triaje y la investigación. Nosotros mismos usamos técnicas similares cuando son las adecuadas. Pero como método _principal_ para decidir qué se produce y qué no, la recuperación probabilística introduce un problema difícil de resolver: los documentos que no se devolvieron no tienen una justificación escrita de su exclusión. Simplemente quedaron peor clasificados. Si más adelante necesita explicar por qué no se produjo un documento en particular, la respuesta honesta es “el modelo no lo sacó a la luz”, que es el tipo de respuesta que suele generar preguntas de seguimiento que preferiría no recibir. El segundo enfoque es aquel en torno al cual construimos Claira. Después de la depuración, cada documento del conjunto de revisión se evalúa frente a sus criterios de revisión. Se toma una decisión para cada uno. Se redacta una justificación para cada uno. Existe una pista de auditoría para cada uno. Eso es todo. No es llamativo. No es un gran avance. Es la misma lógica que siempre ha sustentado la revisión defendible: si lo recopiló y la depuración no lo eliminó, alguien –o algo supervisado por alguien– tiene que examinarlo y tomar una decisión. ## **El problema de la caja negra** Hay una razón por la que esto importa más allá del principio abstracto. Cuando la IA se usa para _decidir_ qué se revisa, en lugar de para _ayudar_ a revisarlo, el equipo de revisión pierde algo importante: la capacidad de defender las decisiones a posteriori. Considere las dos preguntas que un abogado debe poder responder sobre cualquier documento de un asunto: - ¿Por qué se produjo este documento? - ¿Por qué se retuvo este documento? En una revisión humana tradicional, la respuesta está en la codificación y en las notas del revisor. En una revisión asistida por IA bien estructurada, la respuesta está en el análisis escrito de la IA junto con la verificación humana. En ambos casos, puede señalar algo concreto. En un flujo de trabajo de recuperación puramente probabilística, la respuesta para los documentos excluidos es alguna variante de “el sistema lo clasificó por debajo de nuestro umbral”. Puede ser correcto, e incluso razonable en ciertos contextos, pero no es una justificación: es la descripción de un proceso. Cuando el abogado de la contraparte pregunte por qué no se produjo un documento específico, usted querrá poder decir algo más que “la puntuación de similitud vectorial era baja”. A esto nos referimos cuando hablamos de evitar una caja negra. No a que la IA no deba participar: la IA es enormemente útil, y prescindir de ella en 2026 es, en un asunto de gran volumen, una forma de negligencia profesional en sí misma. Nos referimos a que el rol de la IA debe ser _documentar su razonamiento_ sobre cada documento, no decidir en silencio a qué documentos se les aplica un razonamiento en primer lugar. ## **Cómo se ve esto en la práctica** En un flujo de trabajo con Claira, el proceso es sencillo. El equipo del asunto realiza la depuración en Nuix Discover con las herramientas estándar: filtros de fecha, filtros por custodio, familias de términos de búsqueda, deduplicación, supresión de casi duplicados, exclusiones por dominio. Todo lo que un profesional razonable de eDiscovery haría para reducir un conjunto recopilado a una población de revisión defendible. Las decisiones tomadas durante la depuración están, a su vez, documentadas y son defendibles, porque son decisiones masivas basadas en criterios objetivos, no juicios documento por documento. Una vez definido el conjunto de revisión, el equipo redacta un plan de revisión: una formulación escrita de lo que busca, cómo lo reconocerá, qué está protegido por privilegio (secreto profesional) y qué formato deben tener las decisiones. Esto se convierte en el prompt que guía la revisión con IA. Hemos escrito en otros artículos sobre cómo abordarlo: consulte nuestra [descripción general de prompts](https://support.claira.to/docs/en/prompting/overview) para conocer los principios, y nuestra documentación sobre [Case Context](https://support.claira.to/docs/en/case-context/overview) para saber cómo darle a Claira los antecedentes específicos del asunto que afinan su análisis. Luego, Claira analiza cada documento del conjunto de revisión mediante un [Bulk Scan](https://support.claira.to/docs/en/ai-review/bulk-scan). No el subconjunto mejor clasificado. No los grupos más similares a un documento semilla. Cada documento. Para cada uno, Claira produce un análisis escrito: la decisión de pertinencia, una breve justificación, los pasajes o metadatos en los que se basó y cualquier alerta que considere que una persona debería revisar. Esos resultados se escriben directamente en campos de Nuix. Se pueden ordenar, filtrar y buscar. Los revisores pueden recorrerlos con eficiencia –concentrando su atención humana en los casos límite, las decisiones dudosas y la revisión de privilegio– en lugar de leer cada documento desde cero. Pero la pista de auditoría de cada documento existe desde el momento en que Claira termina su pasada. Nuestra guía para [entender los resultados](https://support.claira.to/docs/en/ai-review/understanding-results) explica cómo trabajan realmente los revisores con esos resultados. Si el asunto llega a cuestionarse –si el abogado de la contraparte quiere saber por qué no se produjo un documento específico, o si necesita demostrar la razonabilidad de su proceso conforme a la regla de proporcionalidad–, la respuesta no es “la IA no lo sacó a la luz”. La respuesta es la justificación escrita que se produjo para ese documento específico, en el momento de la revisión, como parte del expediente. ## **Herramientas para acelerar, no para decidir** Nada de esto significa que el proceso tenga que ser lento. Existen herramientas para agilizar cada parte de este flujo de trabajo. Los resúmenes con IA aceleran el triaje de primer nivel. La agrupación temática ayuda a los revisores a detectar patrones en el conjunto. La agrupación de casi duplicados reduce el trabajo redundante. Las puntuaciones de confianza ayudan a los revisores a priorizar qué decisiones de la IA verificar primero. Todos estos son aceleradores legítimos, y los usamos todos. Lo que no hacemos es permitir que alguno de esos aceleradores decida si un documento se evalúa o no. Una vez que está en el conjunto de revisión, se evalúa. Las herramientas cambian _qué tan rápido_ ocurre la evaluación, no _si_ ocurre. Es una distinción sutil pero importante. Los Principios de Sedona Canada –en concreto, el Principio 7– respaldan explícitamente el uso de la tecnología para cumplir con las obligaciones de discovery de forma proporcional. Los tribunales canadienses han afirmado reiteradamente que el uso de herramientas de IA es compatible con el deber de diligencia razonable del abogado. Lo que la jurisprudencia _no_ ha respaldado es el uso de la IA para excluir documentos en silencio sin una justificación por documento. El principio de proporcionalidad se refiere al _esfuerzo_, no a _recortar camino en la defendibilidad_. Puede cumplir con la proporcionalidad y aun así revisar cada documento de su conjunto de revisión. De hecho, con la asistencia de la IA, nunca ha sido tan factible. Ese es precisamente el punto. ## **La filosofía, en pocas palabras** Si tuviéramos que resumir nuestra filosofía en una sola página, diría algo así. La recopilación es el filtro más amplio. La depuración es donde ocurren las exclusiones masivas defendibles. Todo lo que sobrevive a la depuración es, por premisa, posiblemente relevante. Todo documento posiblemente relevante se revisa. Toda decisión de revisión se justifica por escrito. Las herramientas pueden hacer esto más rápido, pero no pueden volverlo opcional. El resultado es un proceso que es: - Fácil de explicar a un juez, un cliente o el abogado de la contraparte - Coherente entre asuntos, revisores y jurisdicciones - Defendible a nivel de documento, no solo a nivel de sistema - Compatible con la IA como acelerador y no como sustituto del criterio Creemos que esta es la forma correcta de hacer la revisión en eDiscovery en la era de la IA. Hemos escrito sobre la filosofía más amplia de la revisión asistida por IA en nuestro [artículo sobre una filosofía práctica](https://www.claira.to/stories/future-proofing-ediscovery-a-practical-philosophy-of-ai-assisted-review), que recorre la evolución desde el sellado Bates hasta la TAR y la IA moderna, y hacia dónde creemos que se dirige el sector. Las herramientas seguirán mejorando. Los volúmenes de datos seguirán creciendo. La tentación de dejar que la IA decida lo que importa seguirá aumentando. Nuestra opinión es que los fundamentos no cambian: si lo recopiló y no lo depuró, lo revisa. Así es como se mantiene la defendibilidad, y la defendibilidad es el producto que todos estamos vendiendo en realidad.