eDiscovery a prueba de futuro: una filosofía pragmática de la revisión asistida por IA

eDiscovery a prueba de futuro: una filosofía pragmática de la revisión asistida por IA

Introducción: frente al diluvio de datos del eDiscovery

La profesión jurídica se encuentra en una encrucijada: la prueba crece de forma explosiva en volumen y variedad, mientras que los plazos y los presupuestos siguen siendo ajustados. Hace décadas, una sola caja de documentos en papel podía decidir un caso. Hoy, un solo litigio puede involucrar decenas de miles de documentos electrónicos –si no millones– que abarcan correos electrónicos, chats, bases de datos y más. Los estudios muestran que el departamento jurídico corporativo promedio gasta alrededor de US$3 millones por caso en discovery, y que la revisión de documentos por sí sola representa aproximadamente entre el 70% y el 75% de esos costos[^1]. Hoy no es raro que los casos involucren millones de páginas de prueba electrónica, como lo ilustra un litigio tecnológico de alto perfil que exigió revisar más de 11 millones de documentos (3,6 terabytes), un esfuerzo de discovery cuyo solo procesamiento y alojamiento costó una cifra de ocho dígitos[^2]. Este diluvio de datos está llevando los métodos de revisión tradicionales a su punto de quiebre. Los abogados y los equipos de soporte a litigios terminan trabajando más horas o tomando atajos, y los clientes se resisten ante los costos crecientes.

Sin embargo, la tecnología de eDiscovery siempre ha consistido en ponerse al día con el crecimiento de los datos. Desde el primer sello Bates en el siglo XIX hasta la inteligencia artificial actual, cada innovación en la gestión de la prueba buscó mantener la revisión jurídica eficiente y defendible, incluso a medida que la información proliferaba. Hoy estamos a las puertas del siguiente gran salto: la revisión de documentos asistida por IA. No se trata de una promesa llena de palabras de moda para reemplazar a los abogados con robots. Es un enfoque pragmático, basado en la práctica, para aprovechar la IA moderna como un multiplicador de fuerza para los equipos jurídicos. Al automatizar de forma inteligente las partes más laboriosas de la revisión, la IA puede ayudar a abogados y paralegales a tomar el control de conjuntos masivos de documentos –de forma más rápida, más precisa y más rentable– sin renunciar a la supervisión y al criterio que exigen la ética y la calidad profesionales.

En este artículo recorremos la evolución de la tecnología de eDiscovery y la próxima ola de revisión asistida por IA. Veremos cómo llegamos hasta aquí, qué puede (y qué no puede) hacer hoy la IA por la revisión de documentos, y cómo las firmas con visión de futuro pueden adoptar estas herramientas de una manera defendible y creíble. El objetivo es trazar un panorama claro de una “filosofía de revisión con IA”: una hoja de ruta para integrar la IA en su práctica que lo mantenga preparado para el futuro e impresione a sus clientes, sin delegar nunca su pensamiento crítico en una máquina. Esta filosofía se basa en la práctica real y en el contexto canadiense, pero es aplicable a cualquier jurisdicción que enfrente los desafíos modernos del eDiscovery. Comencemos por mirar atrás y ver cuánto ha avanzado la tecnología.

De los sellos Bates al big data: la evolución del eDiscovery

La era del papel – Organizar lo analógico: El concepto de identificación sistemática de documentos se remonta a más de un siglo. A finales del siglo XIX, Edwin G. Bates inventó la máquina de numeración Bates, un sello manual capaz de imprimir un número secuencial único en cada página[^3]. Esta sencilla innovación revolucionó la gestión de la prueba en la era del papel. De pronto, los abogados podían referirse a la “página 100” de un expediente con la certeza de que todos estaban, literalmente, en la misma página. El sellado Bates aportó la precisión y la facilidad de referencia que tanto necesitaban las cajas de documentos en papel, y sentó las bases de las prácticas modernas de discovery. Durante la mayor parte del siglo XX, manejar la prueba significaba mover papeles en archivos, sellar páginas e indexar manualmente por carpetas y números de caja. Era laborioso, pero los volúmenes eran manejables con esfuerzo humano, al menos hasta que el mundo se volvió digital.

Auge de la prueba electrónica – Los primeros años del eDiscovery: Hacia finales del siglo XX, empresas y personas comenzaron a generar las primeras oleadas de información almacenada electrónicamente (ESI): correos electrónicos, archivos de procesadores de texto, hojas de cálculo, etc. Los tribunales reconocieron que estos registros digitales eran objeto de discovery, igual que el papel. Pero ¿cómo podían los abogados revisar archivos electrónicos a gran escala? La solución que surgió en las décadas de 1980 y 1990 fue adaptar el antiguo paradigma del papel al nuevo medio. Los documentos en papel se escaneaban como imágenes TIFF, y las primeras herramientas de software aplicaban OCR (reconocimiento óptico de caracteres) a esas imágenes para extraer texto con capacidad de búsqueda. Para manejar los metadatos (como fechas, autores, etc.) y organizar miles de archivos de imagen, la industria introdujo los archivos de carga (load files) de eDiscovery: archivos de texto especializados que “cargan” en una base de datos toda la información que no aparece a simple vista en una página escaneada[^4]. En un archivo de carga típico (a menudo con extensión .DAT u .OPT), cada fila representa un documento y contiene campos como números Bates, custodios, fechas y rutas hacia las imágenes o los archivos nativos del documento. Los archivos de carga eran esencialmente el puente entre los archivos sin procesar y las bases de datos de revisión: permitían que el primer software de soporte a litigios reuniera todas las páginas, el texto y los metadatos en un conjunto coherente y con capacidad de búsqueda[^4].

Este período vio nacer la primera generación de bases de datos de soporte a litigios (las legendarias predecesoras de las plataformas actuales). Eran toscas según los estándares modernos –requerían instalaciones locales, configuraciones complejas y, a menudo, formatos propietarios–, pero permitían a los revisores hacer búsquedas por palabras clave en documentos escaneados y etiquetar documentos electrónicamente con códigos temáticos. Al convertir el papel en datos estructurados, estas herramientas ofrecían tecnología digna de “La guerra de las galaxias” a los abogados de la era Reagan[^4]. Aun así, en comparación con hoy, los volúmenes de datos eran relativamente pequeños (unos pocos gigabytes ya eran un caso grande), y el enfoque estaba en hacer que los flujos de trabajo en papel fueran un poco más eficientes mediante la digitalización.

El correo electrónico y el eDiscovery 1.0 – Comienza la explosión: El verdadero diluvio de datos llegó a finales de los años noventa y principios de los dos mil con el correo electrónico y las bases de datos empresariales. De repente, incluso litigios medianos involucraban gigabytes de datos repartidos entre servidores de correo, computadoras personales y cintas de respaldo. En 2006, el discovery electrónico fue reconocido formalmente en las Reglas Federales (en EE. UU.) y hubo avances similares en Canadá (por ejemplo, los Principios de Sedona Canada en 2008), lo que obligó a todo abogado litigante a lidiar con la ESI. Proveedores y firmas de abogados se apresuraron a mantenerse al día. La revisión lineal tradicional –abogados leyendo manualmente cada documento, uno por uno– se convirtió en un serio cuello de botella. Si 1 gigabyte de datos puede contener más de 50.000 páginas de contenido (aproximadamente 30.000 documentos)[^1], un caso con 100 GB de correo electrónico podría fácilmente tener varios millones de páginas por revisar. Era evidente que revisar manualmente cada página resultaba inviable en muchos casos. El resultado fue una creciente industria de servicios y tecnologías de eDiscovery: expertos en recopilación forense, software de procesamiento para deduplicar e indexar datos, y plataformas de revisión en la nube a las que equipos de abogados contratados podían acceder las 24 horas. Si bien estas innovaciones (a veces llamadas “Discovery 2.0”) hicieron un poco más fácil el manejo de los datos, también introdujeron nuevos costos y complejidades. En 2011, un conocido informe estimó que un proceso completo de eDiscovery podía costar US$30.000 por gigabyte de datos al sumar todos los costos de proveedores y abogados[^2]. La revisión de documentos seguía siendo, con mucho, el mayor costo individual –a menudo más del 70% del presupuesto de discovery–, porque todavía se necesitaban ejércitos de revisores para examinar los documentos en busca de relevancia y privilegio (secreto profesional).

Los tribunales y los órganos normativos comenzaron a preocuparse por estas tendencias. Se hizo hincapié en conceptos como la proporcionalidad para frenar solicitudes de discovery excesivamente amplias. En Canadá, la proporcionalidad está integrada en el procedimiento civil y en los Principios de Sedona Canada, que respaldan explícitamente el uso de la tecnología para controlar el costo y el volumen. El Principio 7 de Sedona Canada establece que “una parte puede utilizar herramientas y procesos electrónicos para cumplir con sus obligaciones de discovery”, y los tribunales canadienses han reconocido este enfoque como coherente con el deber de proporcionalidad en el discovery[^5]. En otras palabras, el sistema jurídico empezó a señalar que es aceptable –e incluso aconsejable– usar herramientas avanzadas para reducir enormes conjuntos de datos a lo que es verdaderamente relevante y necesario. De este contexto surgió la siguiente evolución de la tecnología de eDiscovery: la analítica y el aprendizaje automático al servicio de los revisores humanos.

Analítica y TAR – eDiscovery 2.0: Hacia la década de 2010, las principales plataformas de eDiscovery introdujeron funciones analíticas como el agrupamiento de hilos de correo (email threading), la detección de casi duplicados, la agrupación por conceptos y la revisión asistida por tecnología (TAR). La TAR, a menudo usada como sinónimo de codificación predictiva, aplica algoritmos de aprendizaje automático para ayudar a identificar documentos relevantes. En lugar de simples palabras clave, la TAR aprende de las decisiones de los revisores humanos sobre un conjunto de documentos de entrenamiento y luego clasifica u ordena los documentos restantes según su probable relevancia. En 2012, los tribunales de EE. UU. (el caso más conocido es Da Silva Moore v. Publicis Groupe, S.D.N.Y. 2012) aprobaron la TAR como herramienta aceptable de discovery, y la jurisprudencia posterior en varias jurisdicciones (incluidos tribunales de Ontario y tribunales federales de Canadá) confirmó que el uso de la codificación predictiva es compatible con las obligaciones de discovery cuando se hace correctamente conforme al principio de proporcionalidad. La TAR 1.0 solía implicar un protocolo complejo: los abogados sénior etiquetaban un “conjunto semilla” (seed set) de documentos, el sistema entrenaba un modelo y, mediante rondas iterativas y muestreo estadístico, el equipo decidía cuándo la precisión de la máquina era suficiente para continuar. La TAR 2.0 (a menudo llamada aprendizaje activo continuo, o CAL) mejoró este esquema al actualizar el modelo de forma continua mientras los revisores trabajaban, lo que eliminó las rondas formales de entrenamiento. Estas técnicas generaron importantes ganancias de eficiencia: según diversos estudios, la TAR podía reducir las poblaciones de revisión entre un 50% y un 80% en muchos casos, con un ahorro significativo de tiempo y dinero.

Sin embargo, la TAR no era una solución mágica. Funcionaba mejor con grandes conjuntos de datos homogéneos centrados en determinaciones de relevancia (sí/no). No todos los proyectos se prestaban a la codificación predictiva: por ejemplo, las colecciones compuestas principalmente por imágenes u hojas de cálculo, o las revisiones centradas en cuestiones con matices que van más allá de la relevancia binaria, podían plantear desafíos[^6]. Y lo que es más importante: incluso cuando la TAR reducía drásticamente la cantidad de documentos que requerían revisión manual, no eliminaba la necesidad de experiencia humana. Los abogados aún tenían que revisar los documentos mejor clasificados, hacer control de calidad sobre las decisiones de la máquina y, sobre todo, realizar la revisión de privilegio, ya que ninguna firma responsable produciría documentos sin que ojos humanos verificaran el privilegio. En la práctica, la TAR desplazó el esfuerzo humano del trabajo pesado de primer nivel hacia un rol más de supervisión y validación. Fue un anticipo de la colaboración entre humanos e IA, aunque con una “IA” de funciones relativamente limitadas. A finales de la década de 2010, el uso de TAR y analítica se había convertido en una práctica recomendada estándar para los equipos jurídicos con visión de futuro, y la economía del discovery mejoró en cierta medida. Pero los volúmenes de datos siguieron creciendo sin freno –ahora incluían datos móviles, redes sociales, datos de dispositivos IoT y más– y los costos de eDiscovery siguieron aumentando. El escenario estaba listo para el siguiente salto: aplicar la nueva ola de inteligencia artificial –en particular la IA generativa y el procesamiento avanzado del lenguaje natural– al problema de la revisión de documentos.

El auge de la revisión de documentos asistida por IA (eDiscovery 3.0)

Hemos entrado en la era de la revisión asistida por IA, el paso más reciente en la evolución del eDiscovery. A diferencia de los sistemas TAR anteriores, que principalmente clasificaban los documentos como relevantes o no, las herramientas de IA más recientes pueden leer y comprender los documentos de una manera mucho más parecida a la humana. Gracias a los avances en el procesamiento del lenguaje natural (PLN) y el aprendizaje automático (en particular, los modelos basados en transformers, también conocidos como “IA generativa”), las plataformas de eDiscovery pueden realizar tareas que antes eran dominio exclusivo de los revisores humanos. Es importante subrayarlo: en este contexto, la IA no busca reemplazar a los abogados, sino manejar de forma más inteligente la escala y el tedio del discovery moderno, para que abogados y paralegales puedan concentrarse en el trabajo estratégico y sustantivo que realmente requiere su experiencia.

¿Qué puede hacer la IA en la revisión de documentos? Las mejores herramientas de eDiscovery impulsadas por IA de hoy (como Claira, un asistente de revisión con IA integrado en Nuix Discover) son capaces de realizar las siguientes funciones de alto valor:

• Revisión de primer nivel acelerada (resúmenes de documentos): En lugar de leer cada documento línea por línea, los revisores pueden apoyarse en resúmenes de documentos generados por IA para clasificarlos. La IA puede producir en segundos una visión general concisa de un correo electrónico o de un informe de 50 páginas, con los puntos clave destacados. Esto permite que un revisor humano decida rápidamente si un documento probablemente es relevante, no relevante o requiere más atención, lo que acelera de manera drástica la revisión de primer nivel[^7].
• Extracción y codificación automatizada de metadatos: Las tareas de codificación objetiva –como extraer fechas, autores, destinatarios, tipos de documento o rangos Bates– pueden realizarse automáticamente con IA con un alto grado de precisión. Por ejemplo, en lugar de que un paralegal dedique decenas de horas a codificar campos de correo electrónico o a identificar todos los documentos marcados como “Confidencial”, la IA puede extraer estos atributos en miles de documentos en cuestión de minutos[^7]. Esto garantiza la coherencia y libera a las personas para trabajos con más matices.
• Análisis temático y detección de patrones: La IA puede analizar un conjunto de datos completo para identificar temas, patrones y anomalías que podrían no ser evidentes en documentos individuales. Puede agrupar documentos por tema, señalar patrones de comunicación inusuales o identificar qué actores clave ocupan un lugar más central en los intercambios de correo. Estas conclusiones ayudan a los abogados a comprender rápidamente qué historia cuentan los documentos. Por ejemplo, la IA podría revelar que el nombre en clave de cierto proyecto aparece en muchos archivos dispares, o que el nombre de un empleado se menciona con frecuencia junto a frases específicas: pistas que una revisión manual podría pasar por alto hasta muy tarde[^7].
• Señalamiento inteligente de cuestiones: La IA moderna es muy hábil para detectar categorías específicas de contenido. Puede señalar comunicaciones potencialmente privilegiadas (como un hilo de correo que incluye al abogado interno), encontrar documentos que probablemente contengan información personal u otros datos sensibles que requieran testado, o alertar al equipo sobre documentos relacionados con cuestiones jurídicas particulares (por ejemplo, se le podría pedir a un modelo de IA que “encuentre todos los documentos que traten sobre una posible reexpresión de resultados financieros”). En lugar de depender de la suerte o de búsquedas por palabras clave demasiado amplias, la IA puede sacar a la luz estos documentos críticos para revisión humana mucho antes en el proceso[^7].
• Extracción de datos estructurados y resúmenes: Más allá de la clasificación, la IA puede extraer hechos y generar productos de trabajo. Por ejemplo, puede extraer todas las cifras financieras de un conjunto de hojas de cálculo o construir una cronología de hechos a partir de un gran volumen de correos (identificando oraciones que mencionan fechas y eventos clave). Puede identificar cláusulas contractuales en una pila de contratos o resumir los términos principales de cada acuerdo. En esencia, la IA puede hacer el primer borrador de análisis sustantivos que normalmente requerirían leer cientos de páginas; luego, los abogados pueden verificar y afinar esos resultados[^7].

Estas capacidades representan un salto cuántico en eficiencia. En lugar de ver la IA como una misteriosa caja negra, piense en ella como un analista junior extremadamente rápido: uno que puede hojear un millón de documentos y reportar al instante “estos 500 parecen los más relevantes”, resumir cada uno de ellos, etiquetar sus propiedades clave y destacar patrones dignos de atención. Usted, el abogado o paralegal, mantiene el control: usted decide qué busca la IA, revisa sus resultados y toma las decisiones finales sobre relevancia, privilegio y estrategia. Pero con la IA a cargo del trabajo pesado, su experiencia se aplica donde más valor aporta, en lugar de desperdiciarse en la tediosa lectura superficial de documentos intrascendentes.

Algo fundamental: la revisión asistida por IA no funciona de manera aislada, sino que se integra en el flujo de trabajo de eDiscovery ya probado. La IA no reemplaza plataformas como Nuix Discover; más bien, las herramientas de IA se conectan a ellas. Por ejemplo, la integración de Claira con Nuix significa que, después de que Nuix realiza el procesamiento, la indexación, la deduplicación y otros pasos del modelo EDRM, los algoritmos de IA de Claira analizan el texto de los documentos y luego escriben los resultados (resúmenes, campos extraídos, etiquetas, etc.) directamente en los campos de la base de datos de Nuix[^8]. No hay exportaciones incómodas ni una interfaz separada: los revisores ven las conclusiones generadas por la IA justo al lado del documento original en su plataforma de revisión. Los campos agregados por la IA se pueden buscar, ordenar e incluir en sus flujos de trabajo existentes[^8]. Si la IA etiqueta un documento como “potencialmente privilegiado”, usted puede filtrar por esa etiqueta en Nuix. Si la IA resume un documento, ese resumen se almacena y puede revisarse o exportarse como cualquier otro metadato. Esta integración estrecha es vital para mantener la revisión defendible: todas las acciones quedan registradas en el sistema, y las contribuciones de la IA pueden validarse y auditarse según sea necesario.

Considere un escenario concreto que contrasta la revisión tradicional con la revisión asistida por IA[^9]: antes de la IA, un equipo de abogados junior podía pasar semanas leyendo a fuerza bruta 100.000 documentos, a menudo trabajando noches y fines de semana, para identificar los relevantes y registrar la información clave. Una prueba importante podía salir a la luz recién al final, después de decenas de miles de horas facturables. Con IA, ese mismo equipo puede lograr mucho más en una fracción del tiempo: la IA podría agrupar al instante esos 100.000 documentos por tema, resumir cada grupo y señalar los 5.000 probablemente más relevantes para una revisión más detallada. Un paralegal puede ejecutar un prompt de IA para codificar automáticamente todo el conjunto en campos básicos (fecha, custodio, tipo de documento) y luego dedicar un día a verificar por muestreo y corregir cualquier anomalía. Un asociado sénior podría pedirle a la IA que extraiga todos los eventos (quién se reunió con quién y cuándo) mencionados en la colección, y obtener así una línea de tiempo que habría requerido días de trabajo manual. Con estas conclusiones en mano desde el principio, los abogados pueden definir su estrategia de forma más rápida e inteligente. En todo momento, ningún documento privilegiado se produce sin aprobación humana y ningún resumen se toma al pie de la letra sin que un abogado lo revise. Pero al eliminar el trabajo tedioso, la IA permite que el equipo jurídico se concentre antes en el análisis y la defensa del caso.

La colaboración entre humanos e IA: credibilidad, control y defendibilidad

Con todos estos avances, un abogado razonable podría preguntarse: “Esto suena potente, pero ¿puedo confiar en ello? ¿Qué pasa con los errores? ¿Y cómo se lo explico a un juez si me lo cuestionan?” Son preguntas cruciales. Una filosofía de revisión con IA debe basarse en la credibilidad y la defendibilidad. La respuesta está en reconocer que la IA es una herramienta para potenciar, no para reemplazar, el criterio humano. El objetivo no es crear un “abogado robot” de ciencia ficción que realice el discovery de forma autónoma, sino establecer una colaboración entre expertos humanos e IA para que el resultado final sea más rápido, mejor y siga siendo confiable.

En primer lugar, es importante entender que los tribunales y los órganos normativos respaldan el uso cuidadoso de la IA en el discovery. El uso del aprendizaje automático para la revisión de documentos ya no es novedoso ni controvertido en los litigios: es una práctica aceptada siempre que se realice de forma transparente y razonable. De hecho, en Canadá, el uso de TAR y herramientas similares ha sido reconocido explícitamente como una forma de lograr un discovery proporcional. El énfasis de los jueces suele estar en el proceso, no en la tecnología: si puede demostrar que utilizó la IA para encontrar la verdad de manera más eficiente y que validó los resultados, el tribunal será receptivo. El deber profesional de los abogados sigue siendo el mismo de siempre: debe tomar medidas razonables para identificar y producir la prueba relevante, y proteger la información privilegiada. La IA es simplemente una ayuda para cumplir ese deber, no una renuncia a él.

Para mantener la credibilidad, la supervisión humana no es negociable. Piense en el rol de la IA como algo análogo al de un abogado junior o un paralegal competente: usted delega tareas, pero también supervisa y revisa su trabajo. Por ejemplo, si la IA dice que un documento “no es relevante”, usted no lo acepta ciegamente para todos los efectos; podría igualmente muestrear algunos de esos documentos para asegurarse de que no se pase por alto nada importante. Si el resumen que hace la IA de un documento clave parece extraño, o si usted sabe que ese documento podría ser una prueba decisiva, leerá el original completo. En particular, para la revisión de privilegio y el control de calidad final, los abogados deben mantenerse firmemente a cargo. Ninguna IA actual puede tomar decisiones de privilegio con un 100% de certeza; solo puede señalar candidatos. El registro de privilegios final y las decisiones deben ser validados por los abogados.

Las herramientas de IA modernas suelen incluir funciones que facilitan esta supervisión. Por ejemplo, pueden ofrecer puntuaciones de confianza o resaltar las partes exactas del texto que llevaron a una clasificación (para que usted vea rápidamente por qué la IA consideró pertinente un documento). También permiten una retroalimentación iterativa: si detecta que la IA comete cierto error (por ejemplo, confundir sistemáticamente un nombre en clave con el nombre de una persona), a menudo puede ajustar las instrucciones o dar ejemplos para corregirlo. Este enfoque de aprendizaje continuo convierte el proceso de revisión en un diálogo entre el abogado y la IA: tal como corregiría y orientaría a un miembro junior del equipo, lo hace con el sistema de IA.

Es importante destacar que cualquier resultado generado por IA puede validarse. Como la IA en eDiscovery trabaja dentro de su sistema, usted tiene un registro de lo que hizo. Si es necesario, puede presentar ante el tribunal los insumos (conjunto de entrenamiento, prompts utilizados) y los resultados para demostrar que su proceso fue razonable. Ya ha habido casos en los que las partes acordaron compartir información sobre su proceso de TAR para disipar inquietudes; con la IA puede adoptarse un enfoque cooperativo similar. La métrica fundamental no es “¿fue perfecta cada decisión?” –ninguna revisión humana es perfecta tampoco–, sino “¿fue el proceso razonable y defendible dadas las necesidades del caso?”. Con un proceso de IA guiado por personas, es más fácil argumentar que en realidad se logró un resultado más exhaustivo y eficiente que el que habría producido un arduo proceso puramente manual, porque la IA ayudó a eliminar esfuerzos inútiles y a sacar a la luz antes la prueba importante.

También vale la pena señalar que las herramientas de IA han avanzado hasta reducir significativamente los errores. La codificación predictiva de los primeros tiempos podía ser algo así como una caja negra, pero la IA moderna (en especial los grandes modelos de lenguaje) puede ser sorprendentemente precisa para comprender el contexto. Por ejemplo, una IA puede distinguir un correo dirigido a un abogado en el que se solicita asesoría jurídica (probablemente privilegiado) de un correo que simplemente pone en copia al departamento jurídico en una actualización de rutina (no privilegiado), a partir de sutiles señales del lenguaje, una tarea en la que los filtros de palabras clave solían fallar. Aun así, tratamos los resultados de la IA como sugerencias, no como verdades absolutas. La filosofía aquí es: confíe, pero verifique. Use la IA para reducir drásticamente el campo y organizar la información, y luego aplique el criterio humano al conjunto depurado.

Voces destacadas del eDiscovery coinciden con este enfoque equilibrado. Un análisis reciente de una importante firma de abogados canadiense advierte que, si bien la IA generativa acelerará la revisión de documentos con “un salto cuántico”, nada de eso exime a los abogados de sus obligaciones profesionales de supervisar el proceso y garantizar la exactitud[^9]. De hecho, los “revisores robot” totalmente autónomos –sistemas que deciden la pertinencia o el privilegio sin intervención humana– se consideran riesgosos y probablemente inaceptables según los estándares actuales[^9]. El uso más seguro y eficaz de la IA es la revisión aumentada, no la revisión autónoma. Su equipo sigue siendo el árbitro final de lo que se produce o se retiene. Piense en la IA como su agente en el terreno, que hace el reconocimiento y el trabajo pesado, pero que siempre le reporta a usted para las decisiones finales.

Si respeta estos principios, podrá incorporar la IA al discovery de forma defendible. Todo flujo de trabajo impulsado por IA debe incluir puntos de control de calidad: por ejemplo, después de que la IA etiquete el conjunto de documentos, haga que los abogados revisen una muestra estadísticamente representativa de cada categoría (relevante, no relevante, privilegiado) para verificar las tasas de acierto. Cualquier error sistemático detectado puede corregirse (a veces reentrenando la IA o ajustando un prompt, otras veces simplemente corrigiendo esos casos de forma manual). Documéntelo todo: si alguna vez necesita justificar el proceso, podrá demostrar, por ejemplo, que evaluó la precisión y la exhaustividad (recall) de la IA y las consideró aceptables para la tarea, y que una persona revisó todos los casos límite en los que “la IA dice quizás”. Este nivel de diligencia mantiene el uso de la IA dentro de los límites de un proceso de discovery defendible, uno que cualquier abogado de la contraparte o juez razonable debería respetar, sobre todo cuando la alternativa (la revisión manual de millones de documentos) es impracticable.

En resumen, la filosofía de la revisión con IA es una filosofía de colaboración: combinar las mejores capacidades de las máquinas –velocidad, escalabilidad, reconocimiento de patrones– con las fortalezas insustituibles de los abogados –criterio, ética, comprensión del contexto– para enfrentar desafíos de eDiscovery que ninguno de los dos podría resolver por sí solo. Bien implementada, la revisión asistida por IA no solo es creíble, sino que es más eficaz que los métodos tradicionales para encontrar la verdad en un mar de datos. Y permite a los abogados redirigir su tiempo hacia el análisis de mayor valor y el pensamiento estratégico, lo que en última instancia beneficia a los clientes.

Implementar la revisión con IA en la práctica: una hoja de ruta

Adoptar la IA en su flujo de trabajo de eDiscovery puede parecer abrumador, pero es posible abordarlo de manera pragmática. Esta es una guía paso a paso para que los equipos jurídicos (en especial en firmas u organizaciones pequeñas y medianas) comiencen a integrar la revisión con IA de forma práctica y defendible:

1. Apóyese en la base de su flujo de trabajo probado: Comience con el proceso de eDiscovery en el que ya confía. Use sus herramientas existentes (por ejemplo, Nuix o la plataforma de procesamiento que utilice) para realizar los pasos de eficacia comprobada: recopilación de datos, procesamiento, deduplicación y configuración de su asunto en una base de datos de revisión. La IA funciona mejor con datos que han sido normalizados y organizados. Asegúrese de tener todo el texto extraído y el filtrado básico realizado (por ejemplo, rangos de fechas, depuración por custodio), tal como lo haría normalmente. En otras palabras, la IA no elimina la necesidad de poner en orden sus documentos electrónicos: se construye sobre esa base[^8].
2. Identifique los puntos críticos (tareas repetitivas): Analice sus fases de revisión habituales e identifique dónde están los cuellos de botella o las tareas mecánicas. ¿Los miembros de su equipo dedican un tiempo desmesurado a tareas que no requieren un razonamiento jurídico profundo, como hojear documentos estándar, codificar campos de correo electrónico o buscar un detalle específico en miles de páginas? Esas son candidatas ideales para la asistencia de la IA. Algunos ejemplos comunes son la revisión de relevancia de primer nivel, la detección de privilegio, la codificación objetiva, la búsqueda de todas las apariciones de una cláusula o dato particular, y la elaboración de cronologías o resúmenes. Haga una lista de estas tareas “fáciles de abordar” que, si se aceleran, tendrían el mayor impacto en sus plazos y su presupuesto[^7].
3. Elija la herramienta de IA adecuada e intégrela: Seleccione una herramienta de revisión con IA que funcione con su plataforma y cumpla con sus necesidades de seguridad de datos. Para las firmas canadienses, la residencia de los datos es una consideración clave: puede optar por una herramienta como Claira, que mantiene los datos en Canadá (algo importante para el cumplimiento en materia de privacidad y confidencialidad). La herramienta debe integrarse con su base de datos de revisión para poder escribir los resultados de vuelta en el sistema (como se explicó, la integración evita crear nuevos silos o complicaciones de exportación). Trabaje con el proveedor para instalar o conectar la solución de IA y verifique cómo etiquetará los documentos o creará campos. Realice una prueba o piloto a pequeña escala: por ejemplo, ejecute primero la IA sobre un conjunto de unos cientos de documentos para ver cómo funciona y calibrar los prompts o la configuración.
4. Aplique la IA de forma estratégica, paso a paso: Es prudente introducir la IA por fases. Comience con uno o dos casos de uso de su lista de puntos críticos. Quizás empiece usando la IA para generar resúmenes de documentos de un conjunto de datos inicial, para codificar automáticamente los metadatos de correo electrónico o para señalar documentos potencialmente privilegiados. Observe los resultados e involucre a su equipo en su evaluación. ¿Los resúmenes de la IA captaron correctamente lo esencial? ¿Se pasó por alto o se clasificó mal alguna cuestión evidente? Mantenga la supervisión humana mientras implementa la IA: haga que una persona revise los resultados de la IA, aunque sea mediante verificaciones por muestreo o concentrándose en los casos dudosos. A medida que crezca la confianza, puede ampliar el rol de la IA a otras tareas o a porciones más grandes de la colección. Mantenga siempre una mentalidad iterativa: si algo no funciona como esperaba, ajuste el enfoque y vuelva a intentarlo. La IA suele mejorar a medida que recibe retroalimentación y usted afina sus prompts o instrucciones[^8].
5. Documente y defienda el proceso: Desde el principio, documente lo que hace. Anote qué funciones de IA utilizó (por ejemplo, “se usó Claira para resumir 10.000 documentos e identificar los que mencionan el Proyecto X”), qué verificaciones aplicó (por ejemplo, “un abogado revisó muestras de los documentos que la IA designó como no relevantes para confirmar que realmente no lo eran”) y cualquier ajuste realizado. Este registro no tiene por qué ser engorroso; sirve principalmente para que, si alguien pregunta más adelante “¿cómo realizaron la revisión?”, usted pueda explicar con claridad su flujo de trabajo defendible. En las discusiones internas o en las reuniones de coordinación (meet-and-confer) con el abogado de la contraparte, no evite mencionar que utiliza una herramienta de IA para agilizar la revisión: preséntela como un medio para garantizar un discovery más eficiente y exhaustivo, lo cual beneficia a todos. Sobre todo, esté preparado para revisar manualmente cualquier cosa sobre la que la IA tenga dudas o que el abogado de la contraparte señale como cuestionable. Esta transparencia y disposición a cooperar evitarán la mayoría de los cuestionamientos.
6. Capacite a su equipo y genere confianza: La gestión del cambio es una parte importante de la implementación de la IA. Dedique tiempo a capacitar a los profesionales (abogados, paralegales, soporte a litigios) sobre lo que la IA puede hacer y cómo usarla. Por ejemplo, muestre a los revisores cómo interpretar un resumen o una puntuación de confianza de la IA, y qué hacer si no están de acuerdo con su sugerencia. Fomente un entorno en el que el equipo vea a la IA como un asistente útil y no como una amenaza. Los proyectos piloto son ideales para esto: elija un asunto relativamente pequeño o una investigación interna para probar la IA y luego comparta el éxito (por ejemplo, “con la ayuda de la IA revisamos esos datos en 3 días en lugar de 3 semanas”). A medida que las personas vean resultados, se convertirán en promotoras. Además, designe a una persona de referencia o a un grupo pequeño que se conviertan en los expertos internos en la herramienta de IA: podrán perfeccionar la forma en que su firma la utiliza y mantener a todos al tanto de las nuevas funciones o prácticas recomendadas.
7. Escale de forma gradual: Tras los primeros éxitos, integre la IA en su manual estándar de discovery. Actualice sus protocolos internos de eDiscovery para reflejar dónde se usará la IA. Quizás cada caso nuevo por encima de cierto tamaño incluya automáticamente una fase de revisión de primer nivel con IA. Siga monitoreando los resultados y recopilando métricas; por ejemplo, registre cuántas horas se ahorraron o cuánto más rápido se descubrieron los documentos clave. Esto no solo valida el retorno de la inversión de la tecnología, sino que también puede usarse en presentaciones a clientes o en informes posteriores para demostrar la eficiencia de su firma. Con el tiempo, podría ampliar el uso de la IA más allá de la revisión, hacia áreas adyacentes como la evaluación temprana del caso (por ejemplo, usar la IA para resumir rápidamente la “esencia” de un conjunto de datos antes de la revisión formal) o la preparación de deposiciones (usar la IA para extraer posibles pruebas documentales). Deje que el nivel de comodidad y las necesidades específicas de cada asunto determinen hasta dónde llegar.

Si sigue esta hoja de ruta, incluso una firma pequeña o un equipo jurídico reducido puede comenzar a obtener los beneficios de la revisión con IA de manera controlada y defendible. La clave es la estrategia, no la moda: concéntrese en mejoras prácticas de su flujo de trabajo, en lugar de adoptar tecnología por la tecnología misma. La situación de cada firma es única –diferencias en tipos de casos, tipos de datos, presupuesto, jurisdicción, expectativas de los clientes–, pero la naturaleza flexible de la IA permite adaptar su uso a su contexto. En última instancia, una “filosofía” de revisión asistida por IA consiste en fusionar la tecnología con el arte de ejercer la abogacía: la tecnología está ahí para atender sus necesidades y evolucionar a medida que usted aprende qué funciona mejor.

Mirar hacia adelante: adoptar el futuro de la IA para servir mejor a los clientes

La trayectoria de la tecnología de eDiscovery no muestra señales de desaceleración. Al contrario, la creación de datos (y las exigencias de divulgación) seguirá acelerándose. Para 2025, se proyecta que la creación mundial de datos alcance niveles asombrosos (cientos de zettabytes por año, según algunas estimaciones) y, aunque solo una fracción ínfima se convierte en prueba en un litigio, esa porción sigue siendo enorme. Los equipos jurídicos que se aferren a procesos de revisión puramente manuales y lineales se verán desbordados: incapaces de cumplir los plazos, o forzados a recortar el alcance y arriesgarse a pasar por alto pruebas clave. En cambio, quienes adopten la automatización responsable y la IA estarán en condiciones de manejar la creciente marea de información sin ahogarse. Es una cuestión de supervivencia y competitividad en la práctica moderna del litigio.

Desde la perspectiva del cliente, los beneficios son tangibles. Los clientes sofisticados –ya sean corporaciones, entidades gubernamentales o incluso litigantes individuales– son cada vez más conscientes de cómo la tecnología puede reducir costos. No quieren pagarle a un pelotón de abogados junior para que revise correos triviales si existe un método más inteligente. Al aprovechar la revisión con IA, usted puede reducir drásticamente las horas de revisión de un asunto determinado, lo que se traduce en ahorros de costos o en la posibilidad de reasignar esas horas a análisis de mayor valor agregado. Imagine decirle a un cliente: “Tenemos un sistema de IA que resumirá y categorizará este millón de documentos en una semana, lo que permitirá a nuestro equipo concentrarse solo en el 5% que realmente importa; esto significa que su caso avanzará más rápido y costará menos”. Ese es un poderoso diferenciador en un mercado competitivo. Los clientes también valoran que sus firmas de abogados tengan visión de futuro y sean eficientes. Eso habla bien de la calidad general del servicio de la firma. De hecho, en las solicitudes de propuestas (RFP) y presentaciones a clientes, las preguntas sobre innovación y uso de tecnología ya son habituales. Poder articular su enfoque de “revisión asistida por IA” demuestra que su firma no está anclada en la forma de trabajar del siglo XX.

Adoptar la IA también puede nivelar el terreno de juego. Las firmas más pequeñas o los litigantes de interés público pueden no contar con el personal que tienen los grandes despachos o las agencias gubernamentales. Pero la IA puede actuar como el multiplicador de fuerza que permite a un equipo pequeño enfrentar con éxito un enorme conjunto de datos. En el pasado vimos cómo la “carga del discovery” podía sesgar los resultados: por ejemplo, un demandante individual podía verse superado por un demandado que producía millones de documentos (sabiendo que el costo y el esfuerzo de revisarlos serían abrumadores). La IA tiene el potencial de mitigar esas asimetrías: aporta cierto grado de democratización del eDiscovery, en la que el tamaño del equipo de revisión importa menos que la inteligencia con la que se despliega la tecnología. Los jueces también son cada vez más conscientes de estas herramientas y podrían esperar que las partes las utilicen para que los casos avancen de manera eficiente. Podría llegar un momento en que no usar la asistencia de IA disponible se considere una falta de esfuerzo razonable (si ello provoca demoras o costos excesivos).

Por supuesto, el factor humano siempre seguirá siendo central. Aun cuando nos maravillemos ante la capacidad de la IA para redactar resúmenes o detectar patrones, debemos recordar que el derecho trata, en última instancia, de narrativas humanas, justicia y criterio. La IA puede encontrar las agujas en el pajar, pero se necesita un abogado para entretejer esas agujas en una historia o un argumento jurídico convincente. La filosofía que hemos descrito garantiza que el rol de la IA sea empoderar a los abogados –darles superpoderes de velocidad y comprensión– en lugar de relegarlos. Las prácticas de eDiscovery más exitosas en los próximos años serán las que encuentren la sinergia óptima entre las capacidades humanas y las de la máquina.

En conclusión, el camino de los sellos Bates a la revisión con IA ha sido de adaptación constante a un universo de pruebas en permanente expansión. Cada paso –indexar el papel, escanear a imágenes, cargar datos en bases de datos, buscar con palabras clave, depurar con analítica, priorizar con TAR y, ahora, revisar con IA– se ha construido sobre el anterior para mantener la eficacia del discovery ante el cambio. La revisión asistida por IA no es una ruptura radical, sino la siguiente evolución natural de este proceso continuo. Ofrece una manera de resolver el dilema entre datos en expansión y tiempo humano limitado, al permitirnos delegar las tareas de fuerza bruta en las máquinas mientras nos concentramos en el análisis y la defensa.

Para el abogado, paralegal o profesional de soporte a litigios que lee esto, el mensaje es alentador: usted puede ser quien impulse la incorporación de estas capacidades de IA en su organización. Al comprender y articular esta filosofía, puede ayudar a su firma a convertirse en una práctica innovadora y preparada para el futuro que impresione a los clientes y entregue resultados, incluso cuando los volúmenes de datos se disparan. Adoptar la revisión con IA no significa dejarse llevar por la moda; se trata de ejercer la abogacía de forma práctica en la era moderna. Implica estar dispuesto a cambiar la forma de trabajar, guiado por los principios atemporales de la diligencia, la proporcionalidad y el servicio al cliente. Las herramientas están listas; los argumentos a su favor son claros. Las firmas que prosperen serán las que aprovechen la oportunidad. El futuro del eDiscovery ya está aquí, y es uno en el que la experiencia humana y la capacidad de la IA se combinan para lograr lo que ninguna podría por sí sola. Al adoptar este enfoque pragmático y creíble de la revisión asistida por IA, no solo se mantiene al ritmo del cambio: se mantiene un paso adelante, justo donde sus clientes lo necesitan.

Referencias

[^1]: Según una encuesta del Compliance, Governance and Oversight Council (CGOC), el departamento jurídico promedio gasta alrededor de US$3 millones por asunto en discovery, y una investigación del RAND Institute determinó que aproximadamente 73 centavos de cada dólar invertido en eDiscovery se destinan a tareas de revisión de documentos. Fuente: ABA Journal (feb. 2013), que cita la encuesta del CGOC y el estudio de RAND – https://calattorneysfees.com/discovery-rand-discovery-shows-ediscovery-is-expensive-and-aba-journal-article-offers-tips-to-reduce-ediscovery-costs-for-le/

[^2]: Ejemplo – Apple v. Samsung: En un litigio de patentes, Samsung tuvo que recopilar y procesar más de 11 millones de documentos (3,6 TB de datos) para el discovery, y gastó alrededor de US$13 millones en procesamiento y alojamiento de datos en 20 meses (sin incluir los costos de revisión por parte de abogados). La revisión de documentos suele representar más del 70% del costo total de eDiscovery (según un estudio de RAND). Fuente: artículo “Discovery 3.0” de Logikcull – https://www.logikcull.com/blog/how-small-medium-sized-firms-can-thrive-in-discovery-3-0

[^3]: Historia de la numeración Bates: La máquina de numeración automática Bates fue inventada por Edwin G. Bates a finales del siglo XIX con el objetivo de simplificar la identificación y recuperación de documentos. En la era de los registros en papel, cada página se sellaba a mano con un número único (a menudo un código secuencial de cuatro dígitos) para permitir una referencia precisa. Fuente: Investintech – “Bates Numbering 101: History, Usage and Tutorial” – https://www.investintech.com/resources/blog/archives/7829-bates-numbering-101-history-usage-and-tutorial.html

[^4]: Origen de los archivos de carga (década de 1980): Los llamados archivos de carga (load files) aparecieron por primera vez en el eDiscovery en la década de 1980 como una forma de agregar capacidad de búsqueda y metadatos a los documentos en papel escaneados. Los abogados escaneaban los expedientes en papel como imágenes TIFF y aplicaban OCR al texto; el texto extraído y los metadatos del documento debían almacenarse en archivos separados (por ejemplo, .DAT para los metadatos y .TXT para el texto) que pudieran cargarse en una base de datos. Estos archivos de carga servían para “poblar” las primeras bases de datos de revisión (como Concordance o Summation) con información que las imágenes por sí solas no podían contener. Fuente: Craig Ball, “A Load (File) Off My Mind” (2013) – https://craigball.net/2013/07/17/a-load-file-off-my-mind/

[^5]: Uso de la tecnología y proporcionalidad (Canadá): Los Principios de Sedona Canada (2008) respaldan explícitamente el uso de herramientas electrónicas para cumplir con las obligaciones de discovery. El Principio 7 establece que las partes pueden usar la tecnología para reducir la carga y el costo. Los tribunales canadienses han aprobado la revisión asistida por tecnología como coherente con la regla de proporcionalidad en el discovery; por ejemplo, el Tribunal Superior de Justicia de Ontario, en Commonwealth v. CSA (2019), señaló que la TAR es un método aceptado para cumplir de manera eficiente con los deberes de producción de documentos en los casos apropiados. Fuente: Torys LLP Insight, “I, Robot-Reviewer? Generative AI and the future of eDiscovery” (2023), que cita el Principio 7 de Sedona Canada y la proporcionalidad – https://www.torys.com/en/our-latest-thinking/resources/forging-your-ai-path/generative-ai-and-the-future-of-ediscovery

[^6]: Límites de la TAR – Se necesita supervisión humana: La codificación predictiva/TAR tradicional reduce significativamente el volumen de documentos para revisión manual, pero no elimina la necesidad de las personas. Ciertos tipos de datos (por ejemplo, imágenes, hojas de cálculo compuestas principalmente por cifras, etc.) no son fáciles de manejar para los algoritmos de TAR, y tareas críticas como la revisión de relevancia de segundo nivel, la revisión de privilegio y el control de calidad (QC) siguen exigiendo que los abogados examinen los documentos. La TAR destaca en la priorización de documentos probablemente relevantes, pero los abogados deben validar los resultados y asegurarse de que no se pase por alto información importante ni material privilegiado. Fuente: análisis en un artículo de Torys LLP sobre TAR y CAL, que señala que la TAR no elimina la revisión humana para el privilegio y el QC – https://www.torys.com/en/our-latest-thinking/resources/forging-your-ai-path/generative-ai-and-the-future-of-ediscovery

[^7]: Capacidades de la IA en la revisión – Ejemplos prácticos: Las herramientas de IA modernas como Claira para Nuix pueden realizar una variedad de tareas de revisión, como: generar resúmenes de documentos para una clasificación rápida; codificar automáticamente campos de metadatos (fechas, autores, etc.) en miles de documentos; identificar temas recurrentes o patrones de comunicación en un conjunto de datos; señalar documentos potencialmente privilegiados o sensibles para un examen más detenido; y extraer información estructurada para elaborar, por ejemplo, cronologías o listas de testigos. Estas funciones impulsadas por IA aceleran el proceso de revisión y dejan la toma de decisiones final en manos de las personas. Fuente: Claira, “Cómo encaja la IA en el eDiscovery moderno: una guía práctica” (dic. 2025) – https://www.claira.to/stories/how-ai-fits-into-modern-ediscovery-a-practical-guide

[^8]: Integración de la IA con las plataformas de revisión: Es fundamental que los resultados de la IA se incorporen sin fricciones a su plataforma de eDiscovery existente. Por ejemplo, la integración de Claira con Nuix significa que los resultados generados por la IA (resúmenes, hechos extraídos, etiquetas) se escriben directamente en campos estándar de la base de datos del caso en Nuix. Los revisores pueden buscar, ordenar y filtrar de inmediato según las anotaciones de la IA, como con cualquier otro metadato. Esto elimina los traspasos manuales entre sistemas y garantiza que el flujo de trabajo de IA permanezca dentro de los límites defendibles de su base de datos de revisión principal. Fuente: guía de Claira, sobre por qué es importante la integración – https://www.claira.to/stories/how-ai-fits-into-modern-ediscovery-a-practical-guide

[^9]: La supervisión humana sigue siendo esencial: Incluso con una IA generativa avanzada capaz de redactar resúmenes y tomar decisiones sobre documentos, los profesionales del derecho deben mantener la supervisión. La forma más extrema –la “revisión robotizada” totalmente autónoma, sin validación humana– se considera riesgosa y propensa a errores (por ejemplo, con el riesgo de producir documentos privilegiados). Todas las implementaciones creíbles de la IA en eDiscovery siguen requiriendo la revisión de abogados y expertos en eDiscovery para garantizar la exactitud y proteger el privilegio. Los ahorros de tiempo y costos previstos gracias a la IA no eximen a los abogados de su deber de ejercer su criterio y utilizar procesos defendibles. Fuente: Torys LLP, “Generative AI and the future of eDiscovery”, que subraya que las herramientas de IA generativa siguen necesitando supervisión humana y que las responsabilidades profesionales de los abogados se mantienen – https://www.torys.com/en/our-latest-thinking/resources/forging-your-ai-path/generative-ai-and-the-future-of-ediscovery