Por Antonio Cámara Largo

Lo que no escala tanto

En la entrada anterior hablamos de cómo la IA avanzada puede escalar el conocimiento y de la diferencia crítica que supone el aprovechamiento de datos públicos y privados. Terminé con la promesa de explorar cómo no todo el conocimiento jurídico escala igual. Es muy importante que entendamos esta diferencia para fijar bien nuestros esfuerzos.

Hay muchas formas de definirlo, pero como marco simplificado propongo pensar en el conocimiento jurídico dentro de un espectro entre lo general y lo idiosincrático. Lo que estudiamos en la universidad será casi invariablemente general: normas legales, doctrina, modos de pensar los problemas. En el ejercicio profesional, aparece también de muchas otras formas: por  ejemplo, «esta cláusula es la estándar para este tipo de prenda». No lo confundamos con “especializado”: un elemento de conocimiento puede ser sobre un nicho muy específico, pero ser general en ese nicho.

El extremo opuesto del espectro es lo que necesitamos saber que es absolutamente único del asunto del cliente. Por ejemplo, la forma en que una política corporativa interna de una empresa de minería gestiona los primeros signos de alarma antes de una posible fuga química (…que ahora nos toca defender como diligente/atacar como insuficiente).

Casi cualquier conocimiento tiene rasgos generales e idiosincráticos y vive dentro de ese espectro. También depende de la perspectiva con que elijamos verlo: un contrato de arrendamiento concreto puede ser extremadamente idiosincrático, pero un conjunto de cien nos puede revelar lecciones generales aplicables a otros.

La mezcla de elementos genéricos e idiosincráticos es, en cierto modo, el núcleo mismo del oficio. El derecho es en esencia subsunción, es decir, encajar hechos individuales en reglas generales. En el proceso de crear valor para nuestros clientes, tradicionalmente no nos preocupaba demasiado esta distinción, porque ambas cosas se entremezclan intuitivamente al mismo tiempo y en el mismo lugar. Ahora la tecnología nos está obligando a fijarnos.

La cadena de valor

El trabajo del abogado no ocurre de golpe. Mi opinión, tras muchos años de pensar en el proceso tanto como en el contenido, es que el valor se construye secuencialmente. Tareas que vemos como únicas son en realidad una sucesión de pequeños pasos lógicos. Cada paso aplica una mezcla distinta de conocimiento general e idiosincrático, y la proporción se desplaza a medida que avanzamos. No hay norma única, pero los pasos tempranos tienden a ser más generales: ¿qué dice la ley?, ¿cuál es la cláusula estándar?, ¿qué precedentes existen? Los pasos posteriores tienden a ser más idiosincráticos: ¿qué necesita realmente este cliente?, ¿qué aceptará esta contraparte?, ¿cómo leerá este juez?

La IA avanzada comprime los pasos con más componente general. Se puede resolver en minutos cosas que antes consumían horas. Eso no elimina la secuencia, pero redistribuye dónde va el tiempo y la atención del abogado: se concentran en los pasos con más componente idiosincrático, que son precisamente los que resisten la automatización.

Y aquí es donde empieza a emerger el cuello de botella.

El cuello de botella idiosincrático

El conocimiento general escala, pero el valor que paga el cliente deriva de la combinación adecuada de elementos generales e idiosincráticos. Para cualquier trabajo concreto, nuestra capacidad de crear valor crece cuanto más hayamos escalado el conocimiento general, pero siempre condicionado por las partes específicas del caso.

No tengo un modelo exacto de qué fracción del trabajo es puramente idiosincrático. Pero veo cada día cómo los abogados adaptan el mensaje y la atención a las particularidades del cliente. De hecho, esa personalización es una forma de valor añadido y se paga más. Los abogados mejor pagados prestan más atención a los factores muy individuales de cada caso. Ilustremos con un ejemplo.

Ejemplo: Pensemos en un despacho especializado en litigación masiva (Firma A). Ha detectado cierta tendencia en mala praxis bancaria que cree ganable para el 80% de los consumidores afectados. Concentra su esfuerzo en la captación de clientes: acoge a cualquiera que haya comprado el producto afectado por la posible práctica irregular. Redacta una reclamación previa y una demanda modelo y simplemente cambia nombres, fechas y cifras. Su estrategia es el escalamiento de conocimiento general en su forma más pura.

Resulta que ese enfoque 100% general y 0% idiosincrático era correcto y efectivamente gana el 80% de las reclamaciones. Esto le permite usar su demanda modelo como una cadena de montaje. No gasta nada en elegir casos ni personalizarlos. Puede ser muy competitivo en precio gracias a su escala y trabajar al 100% a éxito. Si eres un consumidor afectado, ¿por qué no coger una probabilidad gratis del 80% de recuperar tu dinero? Consiguen diez mil clientes, con el resultado de ocho mil pleitos ganados y dos mil perdidos.

Ahora bien: ¿habrían tenido los dos mil perdedores mejor suerte con una demanda más adaptada a su caso? Asumamos que sí. Quizá la mitad habría ganado si el escrito hubiera estado mejor pensado para su situación particular. Lo sabemos porque la ratio de victorias de la Firma B, que también se dedica a litigación de consumidores financieros, es del 90%. Firma B adopta un enfoque más a medida, emplea muchas horas de abogado para individualizar la estrategia de cada caso y por tanto cobra más.

Un 10% no parece tanto, pero en teoría de juegos estricta, asumiendo que no hay honorarios mínimos, todo reclamante racional debería gastar más dinero por esa mejora en la probabilidad de ganar. Hagamos las cuentas:

  • Asumamos que la Firma A trabaja a éxito y cobra el 2,5% de lo recuperado si se gana, 0 si se pierde.
  • Asumamos que la Firma B cobra el 5% de la cuantía de la reclamación por adelantado, con independencia del resultado.

Para una reclamación de 100 000 €, ir a la Firma A da un valor esperado de 78 000 € (97 500 de recobro neto × 0,8; es decir, 20% de probabilidad de cero y 80% de probabilidad de 97 500).

Para la misma reclamación, ir a la Firma B da un valor esperado de 85 000 € (95 000 de recobro neto × 0,9 – 5000 de pérdida neta × 0,1; es decir, 10% de probabilidad de perder 5000 y 90% de probabilidad de ganar 95 000).

De hecho, con estos porcentajes tiene sentido usar el enfoque más caro y adaptado de la Firma B en todo caso, ¡incluso si la Firma A actuara pro bono! Basta una mejora del 7% en la tasa de éxito para que valga la pena pagar un 5%, en vez de una alternativa gratis.

Este es el cuello de botella idiosincrático. Aun cuando el conocimiento general escale, si se comoditiza (esto es, si no está suficientemente especializado como para quedar contenido en fuentes de datos privadas, como veíamos en la anterior entrada), toda la diferencia de valor se derivará de las partes que son idiosincráticas. Así que, incluso si son pequeñas, tendrá sentido dedicar recursos a refinarlas tanto como sea posible. Este es un ejemplo inventado para ser extremo, pero ilustra que cada vez más problemas se moverán en esa dirección.

La adaptación al cuello de botella

Llevemos el ejemplo a sus últimas consecuencias. En el mundo de IA avanzada, la Firma B no es tonta: se da cuenta de que el 80% de las reclamaciones son tan estandarizables que el primer borrador de la IA es lo bastante bueno con poca personalización (equivalente al modelo antiguo de la Firma A). Ahora puede usar IA para hacer un triaje inicial de casos y segmentar su oferta entre casos fáciles y casos complejos, con presupuestos de honorarios en consecuencia. Esencialmente, ofrece lo mejor de ambos mundos: sigue dedicando su esfuerzo a los casos difíciles mientras compite con la Firma A en los fáciles.

La Firma A tampoco se queda de brazos cruzados. Ve que la Firma B le está comiendo cuota y se da cuenta de que sus propios agentes de IA pueden hacer un triaje inicial de casos tan bien como los de la Firma B. Ofrece un descuento a los casos sencillos con mejores probabilidades de ganar. Sus agentes tienen, además, una profunda base de datos de casos ganados y perdidos, con lo que personalizar los casos menos obvios se vuelve más factible, y empieza a dedicar recursos a mejorar ese 20% de derrotas. Ambas compiten por ese segundo segmento principalmente en calidad, no en precio, porque como hemos visto, incluso diferencias muy pequeñas en probabilidad de éxito justifican el gasto.

El resultado: la IA ha comoditizado la parte del mercado que era comoditizable, pero el coste de las partes que no lo eran sigue siendo el mismo. Ambos despachos compiten ahora solo en precio para los casos muy fáciles (¿quizá generando más volumen?). Pero compiten también en cómo adaptar mejor los casos complejos. Y aquí, independientemente de lo mucho o poco que pueda hacer la IA, tiene sentido poner todos los recursos humanos posibles en mejorar la calidad, aunque sea marginalmente. Como estos casos son tan comunes, ninguna IA tiene ventaja sobre la otra en términos genéricos, así que el único terreno para competir es «lo que la IA no puede hacer». Si la IA ha liberado varias horas de nuestro día, tendrá sentido dedicarlas a esa otra fuente de valor para poder competir.

Por qué esto no es una casualidad del derecho

El patrón que acabamos de ver no es una peculiaridad del sector jurídico. Catalini, Wu y Zhang (2025) sostienen que la mensurabilidad es la variable decisiva que separa las tareas automatizables de las no automatizables: la IA puede optimizarse bien para todo trabajo cuya calidad pueda capturarse en una métrica, y deja atrás lo que resiste la cuantificación. El argumento me resulta convincente, con un matiz importante. Nos cuesta imaginar que haya partes cuantificables en nuestro trabajo; pocas veces vamos a ver un escenario numérico tan limpio como el de las imaginarias Firmas A y B. La medición de resultados que necesitan una verificación resiste a esa exponencialidad (en el ejemplo la verificación es binaria y la hace el juzgado al dictar sentencia, pero pocos abogados nos la querremos jugar tanto).

No obstante, podemos considerar la verificabilidad a escala como el primo pequeño de la mensurabilidad y aplicar parcialmente la lógica que proponen Catalini et al.

Aplicado a nuestro espectro, el conocimiento jurídico general se sitúa en el extremo mucho más medible. Recuperación de precedentes, clasificación de cláusulas, comprobaciones de cumplimiento regulatorio: son ejemplos de tareas que producen salidas de datos evaluables a escala. Incluso si una verificación es necesaria, la verificación también escala con la generalidad del conocimiento, léase, una vez un precedente está bien verificado por su exactitud, la tarea de verificación de futuros usos se limita a comprobar el encaje en ese precedente verificado (si lo usamos mil veces, hemos ahorrado no solo mil redacciones nuevas, sino también mil verificaciones). Liberamos el elemento general y dejamos el idiosincrático: si este precedente tiene un argumento perfecto para X e Y, ¿es el argumento más adecuado para mi cliente actual equivalente a X o Y?

Visto con esta lente, el cuello de botella idiosincrático no es un accidente local del derecho sino un caso particular de un principio más general: donde no se puede medir (léase verificar a escala), quizá se podrá mejorar la eficiencia, pero no se podrá automatizar.

El valor económico se crea en la conjunción los dos planos. El elemento general, si proviene de una fuente de datos privada que solo yo tengo, lo podré cobrar caro. Si proviene de fuente pública, acabará comoditizado (pero mientras esto sucede, podré aprovecharlo si voy por delante de la competencia en adopción tecnológica y gestión del conocimiento). El elemento idiosincrático siempre requerirá un trabajo individualizado y se seguirá pareciendo al presente.

Lo que viene

Si el cuello de botella es este, la pregunta inevitable es: ¿qué es lo que el abogado aporta en ese punto que la máquina no? No se trata de memorizar más derecho que la IA, ni siquiera saber recombinarlo mejor. Esa batalla la doy por perdida. Se trata de otra cosa, algo que todavía no hemos nombrado con precisión pero que llevamos toda la vida utilizando sin darnos cuenta. Lo vemos en la próxima entrada.

foto: Pedro Fraile