Ertas para el Sector Legal

The Challenge

Los bufetes de abogados y los departamentos legales corporativos generan enormes volúmenes de contratos, escritos, memorandos e investigación de jurisprudencia cada día. Extraer patrones de estos datos — identificar cláusulas desfavorables en acuerdos con proveedores, resumir declaraciones o encontrar precedentes relevantes en miles de expedientes — es exactamente el tipo de tarea en la que los modelos de lenguaje grandes destacan. Sin embargo, los modelos genéricos entrenados con texto de internet aplican incorrectamente la terminología legal, confunden jurisdicciones y producen citas de casos que no existen.

El problema de confidencialidad es aún más crítico que el de precisión. El privilegio abogado-cliente y la doctrina de producto del trabajo imponen obligaciones estrictas sobre cómo se manejan los datos legales. Enviar contratos de clientes o documentos de estrategia de litigio a una API de terceros — donde los datos pueden ser registrados, almacenados en caché o usados para mejorar modelos — crea riesgos de renuncia al privilegio que ningún asesor general quiere aceptar. Muchos bufetes tienen políticas generales que prohíben el uso de servicios de IA externos en asuntos de clientes, dejando a los abogados sin acceso a las ganancias de productividad que el resto de la empresa disfruta.

The Solution

Ertas permite a los equipos legales crear modelos de IA precisos en su propio ámbito. En Ertas Studio, los especialistas en tecnología jurídica ajustan modelos abiertos con conjuntos seleccionados de contratos anonimizados, resúmenes de casos y contenido interno de gestión del conocimiento, subidos en JSONL o construidos en Data Craft, el constructor guiado de datasets de Studio, donde los abogados revisan, editan y aprueban cada ejemplo. El ajuste con LoRA mantiene el entrenamiento eficiente, y varios modelos candidatos pueden entrenarse en paralelo para compararlos lado a lado. Los modelos resultantes aprenden los formatos de cita de la firma, sus cláusulas tipo y la terminología propia de cada jurisdicción.

El entrenamiento se ejecuta en las GPU en la nube de Ertas, así que el conjunto de entrenamiento se sube a Ertas. Las firmas deberían anonimizarlo o reducirlo al mínimo antes y decidir, según sus propias obligaciones de confidencialidad, qué material es adecuado para entrenar. Después, el modelo se descarga desde Hub en GGUF o safetensors y se ejecuta en los servidores de la firma, donde los documentos que los abogados le envían en el trabajo diario se quedan dentro de la red de la firma. El control de acceso, la separación por asuntos, los muros éticos y los registros los gestionan los sistemas que la firma ya tiene alrededor de ese servidor. Las firmas que quieran ayuda para definir un proyecto pueden empezar con el servicio empresarial de modelos a medida de Ertas: una revisión gratuita del caso de uso y luego una prueba de concepto de tres a cuatro semanas.

Key Features

Example Workflow

Un bufete corporativo mediano quiere agilizar la revisión de contratos en la debida diligencia de fusiones y adquisiciones. El equipo de tecnología jurídica exporta 30,000 contratos comerciales del sistema de gestión documental de la firma, los anonimiza, elimina los identificadores de clientes y convierte las anotaciones por cláusula en un dataset JSONL. Los asociados sénior revisan una muestra en Data Craft antes de subirlo a Ertas Studio. El equipo lanza en paralelo ejecuciones de ajuste con LoRA sobre Mistral 7B y Llama 3.1 8B, centradas en la clasificación de cláusulas y la señalización de riesgos, y compara cada ejecución con un conjunto reservado de contratos que los abogados de la firma ya revisaron. El mejor modelo se exporta como safetensors y se sirve con vLLM en los servidores de la firma. Los asociados del equipo de la operación envían los contratos de la empresa objetivo a través de una herramienta interna de revisión conectada a ese servidor y reciben notas de riesgo cláusula por cláusula sobre cambios de control, límites de indemnización y cláusulas de terminación no estándar. Los abogados revisan cada señalamiento, y sus correcciones alimentan la siguiente ejecución de entrenamiento.