# Revisión de eDiscovery con IA para casos de más de 100.000 documentos _2026-05-19_ En gran parte de la cobertura moderna sobre IA para el sector jurídico hay una suposición tácita: que el problema de la revisión de documentos ya está resuelto. Las demostraciones parecen rápidas. Las experiencias de chat con un solo documento resultan asombrosas. Las presentaciones comerciales hablan de agentes, orquestación y razonamiento, y las capturas de pantalla suelen mostrar una carpeta ordenada con unas pocas docenas de contratos. Si sus asuntos se parecen a eso, la generación actual de herramientas de IA jurídica de uso general probablemente le servirá. Pero si hace eDiscovery real, sus asuntos no se parecen a eso. Se parecen a una lista de custodios con veinte nombres, una recopilación que extrajo medio terabyte de buzones de correo y unidades compartidas, y una población de revisión que, después de la depuración, todavía contiene seiscientos o setecientos mil documentos sobre los que necesita tomar decisiones defendibles. Esa brecha entre la demostración y el discovery es precisamente la razón por la que construimos Claira como lo hicimos. Este artículo trata sobre lo que cambia cuando se deja de diseñar para conjuntos de revisión de mil documentos y se empieza a diseñar para conjuntos de un millón. ## Las plataformas que ve la mayoría de los abogados no están hechas para esto Hoy hay en el mercado dos grandes familias de herramientas de IA que se describen como “IA jurídica”, pero que resuelven problemas muy distintos. La primera familia es el copiloto del abogado. Harvey, Hebbia, CoCounsel, Spellbook y varias otras pertenecen a esta categoría. Son excelentes para el tipo de trabajo que un asociado sénior hace en una ventana de Word: redactar, resumir un puñado de documentos, responder preguntas sobre un contrato, elaborar memorandos. El modelo de interacción es conversacional, el corpus es pequeño y el flujo de trabajo supone que una persona lee casi todo lo que pasa por el modelo. Ya escribimos sobre [cómo traducir prompts de esas herramientas a Claira](https://www.claira.to/stories/how-to-get-a-useful-claira-prompt-from-cocounsel-or-harvey), porque los dos mundos usan la IA de manera diferente. La segunda familia es la plataforma de revisión de eDiscovery. Necesita hacer algo fundamentalmente distinto. Necesita evaluar cada documento de un conjunto de revisión depurado frente a sus criterios de revisión, producir una justificación escrita para cada decisión, presentar los casos dudosos a una persona y hacerlo con un presupuesto y un plazo que el asunto realmente pueda asumir. El corpus es grande, el modelo de interacción es masivo y el flujo de trabajo supone que la IA hace la revisión de primer nivel de documentos que la persona nunca lee desde cero. Un copiloto puede adaptarse para la segunda tarea, pero las costuras se notan rápidamente. La latencia deja de ser una curiosidad y pasa a ser una partida del presupuesto. Costos que eran insignificantes con cien documentos se convierten en cotizaciones que el cliente no aprobará con cien mil. Las pistas de auditoría que funcionaban chat por chat empiezan a requerir su propia infraestructura. Y toda la forma de la implementación cambia, porque los revisores ya no quieren una ventana de chat: quieren cada documento codificado dentro de la plataforma de revisión que ya usan. ## Lo que realmente exige la escala Cuando la unidad de trabajo no es un documento sino una población de revisión, algunos requisitos dejan de ser opcionales. El primero es el rendimiento con un costo por documento predecible. Ejecutar una búsqueda vectorial sobre cien mil documentos para encontrar un puñado es una sola invocación del modelo. Emitir una decisión de pertinencia escrita y justificada sobre cien mil documentos implica al menos cien mil invocaciones. O la plataforma le pone a esa carga de trabajo un precio que el cliente esté dispuesto a pagar, o no se usa a esa escala. El segundo es la integración con la plataforma en la que ya trabaja su equipo. La revisión en eDiscovery es un deporte de equipo, y el equipo no va a migrar a una nueva interfaz en cada asunto. Las decisiones de codificación, los testados, las decisiones de privilegio (secreto profesional) y la preparación de las producciones ocurren dentro de Nuix Discover o de la plataforma para la que el equipo tenga licencia. La IA necesita escribir sus resultados en los mismos campos con los que ya trabajan los revisores, no en un panel separado que alguien tenga que conciliar después. Claira [se instala dentro de Nuix Discover](https://support.claira.to/docs/en/ai-review/bulk-scan) y escribe los resultados directamente en campos nativos precisamente por esta razón. El tercero es el contexto específico del asunto. Una decisión genérica de pertinencia sobre cien custodios, tres líneas de productos y cuatro años de comunicaciones no es útil, porque el modelo no tiene idea de cómo luce un documento relevante para este asunto. La plataforma necesita una forma estructurada de transmitir la teoría del caso, los actores clave, las fechas que importan y las categorías que el equipo decidió codificar. Claira lo llama Case Context, y es la diferencia entre un modelo que produce análisis de apariencia plausible y un modelo que produce análisis con los que sus revisores sénior están de acuerdo. El cuarto, y el más difícil de incorporar a posteriori, es la defendibilidad. Cada documento del conjunto de revisión recibe una justificación escrita, no una puntuación de similitud. Ya expusimos en otro artículo [el argumento filosófico](https://www.claira.to/stories/every-document-matters-why-we-review-the-full-set) a favor de este enfoque. La cuestión práctica es que las plataformas diseñadas para interacciones de chat con corpus pequeños no necesitaban una capa de defendibilidad, así que no la construyeron. Incorporarla después es difícil. ## Por qué el argumento del costo importa más que la demostración En un asunto pequeño, el costo de la IA es una curiosidad. En un asunto grande, es la propuesta. Los gerentes de soporte a litigios y los socios que deciden qué IA implementar en una revisión de cien mil documentos hacen un ejercicio aritmético por documento, a menudo mentalmente y a veces en una hoja de cálculo. La pregunta no es si el modelo es impresionante. La pregunta es si lo es con una economía de tokens que permita facturarle al cliente y aun así quedar por debajo del costo de referencia de la revisión lineal. Claira está diseñada en torno a esa pregunta. El Bulk Scan está pensado para cargas de trabajo de alto volumen con justificación escrita, con un perfil de tokens que se sostiene a lo largo de cientos de miles de documentos. Case Context se reutiliza en cada análisis de un asunto, lo que mantiene estable el costo de entrada por documento a medida que crece el caso. Los resultados son estructurados, de modo que los revisores dedican su tiempo a las decisiones dudosas en lugar de leer cada análisis desde cero. El resultado es una plataforma que se vuelve más económica por documento a medida que el asunto crece, lo contrario de lo que la mayoría de los equipos esperan de la IA. ## Qué preguntar antes de comprometerse con una plataforma Si está evaluando una herramienta de revisión con IA para un asunto grande, tres preguntas suelen revelar si la herramienta está realmente diseñada para ese trabajo. La primera es qué ocurre cuando ejecuta el mismo prompt sobre cien mil documentos. Si la respuesta implica una cola de espera, una integración de API a medida o un modelo de precios por usuario que supone que un revisor procesa un documento a la vez, la herramienta es un copiloto disfrazado. La segunda es qué se escribe en la plataforma de revisión cuando termina el análisis. Si la respuesta es un panel, una exportación CSV o una interfaz separada, la herramienta le va a sumar trabajo a la jornada de sus revisores en lugar de quitárselo. La tercera es cómo es la pista de auditoría de un documento que el modelo consideró no pertinente. Si la respuesta es una puntuación de confianza, está ante un sistema de recuperación probabilística. Si la respuesta es un análisis escrito que explica por qué el documento no cumple los criterios de revisión, está ante una plataforma que se toma en serio la defendibilidad. No son preguntas con trampa. Son las preguntas que separan las herramientas con las que se puede hacer una demostración de las herramientas con las que se puede llevar adelante un discovery. Si está dimensionando un asunto que supera la línea de los cien mil documentos y quiere ver cómo es realmente una revisión con IA diseñada para esa escala, [reserve una demostración de quince minutos](https://www.claira.to/meet). Ejecutaremos Claira sobre una muestra representativa de sus datos y le mostraremos cómo es la economía por documento para su corpus específico. Suele ser una conversación más útil que otra presentación de diapositivas.