Ertas + OpenClaw para Bufetes de Abogados

The Challenge

La capacidad de OpenClaw para clasificar correos, revisar documentos, extraer términos contractuales y redactar correspondencia lo hace muy adecuado para el trabajo jurídico. Sin embargo, los bufetes trabajan bajo obligaciones de confidencialidad que hacen difícil defender ante sus propios comités de riesgos la configuración por defecto con una API en la nube.

El privilegio abogado-cliente protege de la divulgación las comunicaciones entre los abogados y sus clientes. Cuando un abogado usa OpenClaw con una API en la nube para revisar un documento privilegiado, el contenido del documento se envía a los servidores del proveedor del modelo como parte del prompt. Que eso ponga en riesgo el privilegio depende de las condiciones del proveedor, de la jurisdicción y de las salvaguardas de la propia firma, y muchas firmas prefieren no tener que discutirlo.

Además del privilegio, los bufetes tienen obligaciones sobre los datos de sus clientes. La Ley de Privacidad australiana, el RGPD (para firmas con clientes en la UE) y las normas de los colegios de abogados inciden en cómo se almacenan, procesan y transmiten esos datos. Cada API comercial de IA que toca documentos de clientes es un proveedor más que evaluar bajo cada una de ellas.

Las tareas que OpenClaw hace bien (revisión de documentos, clasificación de correos, extracción de cláusulas, redacción de memorandos) son justamente las que más tiempo consumen a paralegales y asociados júnior. La ganancia de productividad es real, y la cuestión pendiente es dónde se ejecuta el modelo.

The Solution

Ertas permite a los bufetes ejecutar OpenClaw con un modelo a medida que la propia firma aloja. La configuración es sencilla: ajusta un modelo con los datos jurídicos de la firma en Ertas Studio, expórtalo como GGUF, sírvelo con Ollama en un servidor que controla la firma y apunta OpenClaw a ese endpoint local.

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 confirmar que usar ese material para entrenar encaja con sus condiciones de encargo. Tras la exportación, el modelo se ejecuta en el servidor de la firma, de modo que los documentos, correos y detalles de asuntos que OpenClaw lee en el trabajo diario se quedan dentro de la red de la firma.

Un modelo entrenado con el trabajo real de la firma aprende sus criterios concretos: qué se considera una cláusula de indemnización desfavorable, qué límites de responsabilidad son aceptables según el tamaño de la operación, qué términos propios de cada jurisdicción hay que señalar. Un modelo de uso general aplica conocimiento jurídico general, mientras que un modelo entrenado aplica los estándares de la firma, y la firma mide la diferencia con sus propios ejemplos reservados antes de confiar en él.

Las firmas con varias áreas de práctica pueden entrenar un modelo distinto para cada grupo. El modelo del equipo societario aprende de documentos de fusiones y adquisiciones y listas de due diligence; el del equipo de litigio, de respuestas a solicitudes de exhibición de pruebas y borradores de escritos; el del equipo de propiedad intelectual, de memorias descriptivas de patentes e historiales de tramitación. Cada modelo es un archivo propiedad de la firma, que puede alojarlo detrás de sus propias reglas de acceso.

Key Features

Example Workflow

Un bufete comercial de tamaño medio en Sídney implanta OpenClaw para agilizar la revisión de contratos en su práctica de asesoría corporativa. Hoy, sus paralegales dedican de 8 a 12 horas semanales a revisar contratos con proveedores, señalar términos desfavorables y trasladar fechas y obligaciones clave a un sistema de gestión de asuntos. La firma exporta 400 contratos anotados de su sistema de gestión documental, cada uno con las cláusulas marcadas por los paralegales (señalada o aceptable) y los campos de datos extraídos, y elimina los nombres de clientes y los términos que identifican cada operación. El dataset se sube a Ertas Studio, donde se ajusta un modelo base Llama 3.1 8B con LoRA (rango 16, 3 épocas) junto con una ejecución sobre Qwen 2.5 7B para comparar. Con los mismos criterios, el equipo evalúa ambos en un conjunto reservado de contratos y frente al modelo de frontera con prompt engineering que venía probando. El modelo elegido se exporta como GGUF (cuantización Q5_K_M) y se sirve con Ollama en un Mac Studio de la sala de servidores de la firma, y OpenClaw se configura para usar ese modelo local. El agente de revisión de contratos ahora lee los contratos que llegan por correo, extrae los términos clave a JSON estructurado, señala las cláusulas desfavorables con explicaciones basadas en los criterios de la firma y redacta un memorando de revisión para el socio supervisor. Los paralegales verifican los elementos señalados, y sus correcciones se convierten en ejemplos de entrenamiento para la siguiente ejecución. Los costes de funcionamiento son el hardware propio de la firma más la suscripción a Ertas, sin factura de API por token para el trabajo diario del agente.