Esta es una versión traducida y adaptada de JP Morgan COIN: A Bank’s Side Project Spells Disruption for the Legal Industry publicado en Harvard Business School.
La revisión de documentos es la parte más tediosa del trabajo de un joven abogado corporativo. El proceso involucra leer miles de documentos para determinar cuáles son relevantes para litigar. Rutinario e intensivo en tiempo, este trabajo es aburrido para los abogados y costoso para los clientes que pagan una tarifa por hora.
Debido a la importancia de la revisión de documentos, la consultora McKinsey sostiene que aproximadamente un cuarto del trabajo de un abogado puede ser automatizado (1). Muchas firmas están buscando automatizar estos procesos de revisión (las firmas más importantes, desde hace tiempo que lo tercerizan).
Pero los incentivos están mal alineados. Las firmas de abogados generalmente cobran por hora. Y los clientes piden reducir las horas facturadas. Un estudio académico concluyó que, con solo adoptar técnicas existentes de machine learning, se podría reducir la cantidad de horas en un 13%. [2]
Como consecuencia de esto, algunas empresas comenzaron a convertir en productos parte del trabajo de sus abogados.
El banco JP Morgan recientemente emergió como líder en esta tendencia.
En 2017, anunció que había desarrollado un nuevo software llamado COIN (siglas de Contract Intelligence) que automatiza la revisión de documentos para ciertos tipos de contratos. La compañía primero utilizó el software para revisar miles de sus propios contratos.
El programa utiliza reconocimiento de imágenes para identificar patrones en esos acuerdos. [3]
A pesar de que JP Morgan fue muy escueto en la información proporcionada, se sabe que el algoritmo utiliza un método de aprendizaje sin supervisión: a través del procesamiento de la gran cantidad de contratos del banco, es capaz de identificar y categorizar cláusulas repetidas [4].
El sistema clasifica la cláusulas en alguno de los 150 atributos diferentes de los contratos de crédito.[5] Por ejemplo, puede detectar ciertos patrones basándose en las palabras de la cláusula o en su ubicación dentro del acuerdo.
En unos pocos segundos, el software revisa una cantidad de contratos que insumía más de 360.000 horas a los abogados. El incentivo económico de JPMorgan para desarrollar este producto es evidente.
Pero hay más: el algoritmo es más preciso que los abogados humanos. [6] Así que la inversión del banco en esta tecnología no es sólo cuestión de costo. Es también sobre calidad.
Aunque las soluciones automatizadas de revisión de documentos no son nuevas, JPMorgan se beneficia de la escala y baja variabilidad que tiene en sus contratos de crédito.
El banco procesa más de 12,000 acuerdos crediticios por año, que son menos complejos que otros contratos que necesitan de revisión humana, como los acuerdos de fusiones y adquisiciones.[7]
De esta forma, el banco parece bien posicionado para expandir su uso de machine learning en tareas legales y ya está explorando otras oportunidades de reducir costos en abogados. [8]
En el corto plazo, planea desplegar COIN en documentos más complejos, como credit-default swaps y acuerdos de custodia. [9] En el mediano y largo plazo, también espera usar machine learning para interpretar nuevas regulaciones (cuestiones de primera impresión, como las llaman los abogados). [10] La idea es moverse desde la clasificación de datos a la interpretación de datos.
A través de COIN, JP Morgan resuelve un problema importante de su negocio al tiempo que promueve una industria legal más eficiente.
Pero debería tener claridad sobre el tipo de trabajo legal que una máquina puede automatizar y priorizar su desarrollo de software de manera acorde.
Primero, aunque el uso de machine learning en tareas legales fue recientemente aprobado por las cortes federales de Estados Unidos, jueces y abogados aún mantienen un monopolio humano ya que la ley exige que una gran parte del trabajo sea hecha por un profesional licenciado. [11] Por eso, hasta que los algoritmos tengan diplomas en derecho, gran parte del trabajo de los abogados sigue a salvo.
Segundo, las nuevas preguntas legales no siempre encajan en el molde de la vieja doctrina; a medida que la tecnología y los negocios cambian, también lo hacen las decisiones judiciales.
Tercero, la ley es dinámica: con frecuencia los juristas se inspiran en un área de la ley para enfrentar un nuevo desafío en otra. Una máquina podría saber todo sobre ley contractual pero se necesita pensamiento lateral y razonamiento por analogía para predecir que un juez va a basar un fallo en una doctrina de responsabilidad civil. Sería un riesgo permitir que una máquina anticipe nuevas reglas.
Un mejor principio es enfocarse en la litigación y el trabajo corporativo que ya es automatizable (identificación de patrones y clasificación) y demorar el desarrollo de software en las tareas más complicadas (análisis, interpretación y argumentación).
Algunas preguntas a plantearse para el futuro: ¿La distinción entre máquina y trabajo humano va a desaparecer a medida que mejore el machine learning? ¿Las empresas intentarán reemplazar las firmas legales o sus departamentos legales internos con estas nuevas tecnologías?
[1] McKinsey & Company. (2018). Harnessing automation for a future that works.
[2] Remus, D. and Levy, F. (2015). Can Robots Be Lawyers? Computers, Lawyers, and the Practice of Law. SSRN Electronic Journal.
[3] Megatrends by HP. (2018). Bank on AI to shape the future of finance – Megatrends by HP.
[4] J. P. Morgan 2016 Annual Report.
[5] Bestpractice.ai. (2018). JPMorgan reduced lawyers’ hours by 36… – AI Case Study JPMorgan.
[6] J. P. Morgan 2016 Annual Report.
[7] J. P. Morgan (@jpmorgan) “Showcasing Innovation: A quick look at how $JPM is using machine learning.” Feb 28, 2017, 1:41pm. Tweet.
[8] J. P. Morgan 2016 Annual Report. [online].
[9] Sennaar, Kumba. “AI in Banking – An Analysis of America’s 7 Top Banks.” TechEmergence, 29 Oct. 2018.
[10] Son, Hugh. “This Software Does in Seconds What Took Lawyers 360,000 Hours.” The Independent, Independent Digital News and Media, 28 Feb. 2017.
[11] Michael Simon, Alvin F. Lindsay, Loly Sosa & Paige Comparato. Lola v. Skadden and the Automation of the Legal Profession. 20 Yale J.L. & Tech. 234 (2018).
Esta es una versión traducida y adaptada de JP Morgan COIN: A Bank’s Side Project Spells Disruption for the Legal Industry publicado en Harvard Business School.
La revisión de documentos es la parte más tediosa del trabajo de un joven abogado corporativo. El proceso involucra leer miles de documentos para determinar cuáles son relevantes para litigar. Rutinario e intensivo en tiempo, este trabajo es aburrido para los abogados y costoso para los clientes que pagan una tarifa por hora.
Debido a la importancia de la revisión de documentos, la consultora McKinsey sostiene que aproximadamente un cuarto del trabajo de un abogado puede ser automatizado (1). Muchas firmas están buscando automatizar estos procesos de revisión (las firmas más importantes, desde hace tiempo que lo tercerizan).
Pero los incentivos están mal alineados. Las firmas de abogados generalmente cobran por hora. Y los clientes piden reducir las horas facturadas. Un estudio académico concluyó que, con solo adoptar técnicas existentes de machine learning, se podría reducir la cantidad de horas en un 13%. [2]
Como consecuencia de esto, algunas empresas comenzaron a convertir en productos parte del trabajo de sus abogados.
El banco JP Morgan recientemente emergió como líder en esta tendencia.
En 2017, anunció que había desarrollado un nuevo software llamado COIN (siglas de Contract Intelligence) que automatiza la revisión de documentos para ciertos tipos de contratos. La compañía primero utilizó el software para revisar miles de sus propios contratos.
El programa utiliza reconocimiento de imágenes para identificar patrones en esos acuerdos. [3]
A pesar de que JP Morgan fue muy escueto en la información proporcionada, se sabe que el algoritmo utiliza un método de aprendizaje sin supervisión: a través del procesamiento de la gran cantidad de contratos del banco, es capaz de identificar y categorizar cláusulas repetidas [4].
El sistema clasifica la cláusulas en alguno de los 150 atributos diferentes de los contratos de crédito.[5] Por ejemplo, puede detectar ciertos patrones basándose en las palabras de la cláusula o en su ubicación dentro del acuerdo.
En unos pocos segundos, el software revisa una cantidad de contratos que insumía más de 360.000 horas a los abogados. El incentivo económico de JPMorgan para desarrollar este producto es evidente.
Pero hay más: el algoritmo es más preciso que los abogados humanos. [6] Así que la inversión del banco en esta tecnología no es sólo cuestión de costo. Es también sobre calidad.
Aunque las soluciones automatizadas de revisión de documentos no son nuevas, JPMorgan se beneficia de la escala y baja variabilidad que tiene en sus contratos de crédito.
El banco procesa más de 12,000 acuerdos crediticios por año, que son menos complejos que otros contratos que necesitan de revisión humana, como los acuerdos de fusiones y adquisiciones.[7]
De esta forma, el banco parece bien posicionado para expandir su uso de machine learning en tareas legales y ya está explorando otras oportunidades de reducir costos en abogados. [8]
En el corto plazo, planea desplegar COIN en documentos más complejos, como credit-default swaps y acuerdos de custodia. [9] En el mediano y largo plazo, también espera usar machine learning para interpretar nuevas regulaciones (cuestiones de primera impresión, como las llaman los abogados). [10] La idea es moverse desde la clasificación de datos a la interpretación de datos.
A través de COIN, JP Morgan resuelve un problema importante de su negocio al tiempo que promueve una industria legal más eficiente.
Pero debería tener claridad sobre el tipo de trabajo legal que una máquina puede automatizar y priorizar su desarrollo de software de manera acorde.
Primero, aunque el uso de machine learning en tareas legales fue recientemente aprobado por las cortes federales de Estados Unidos, jueces y abogados aún mantienen un monopolio humano ya que la ley exige que una gran parte del trabajo sea hecha por un profesional licenciado. [11] Por eso, hasta que los algoritmos tengan diplomas en derecho, gran parte del trabajo de los abogados sigue a salvo.
Segundo, las nuevas preguntas legales no siempre encajan en el molde de la vieja doctrina; a medida que la tecnología y los negocios cambian, también lo hacen las decisiones judiciales.
Tercero, la ley es dinámica: con frecuencia los juristas se inspiran en un área de la ley para enfrentar un nuevo desafío en otra. Una máquina podría saber todo sobre ley contractual pero se necesita pensamiento lateral y razonamiento por analogía para predecir que un juez va a basar un fallo en una doctrina de responsabilidad civil. Sería un riesgo permitir que una máquina anticipe nuevas reglas.
Un mejor principio es enfocarse en la litigación y el trabajo corporativo que ya es automatizable (identificación de patrones y clasificación) y demorar el desarrollo de software en las tareas más complicadas (análisis, interpretación y argumentación).
Algunas preguntas a plantearse para el futuro: ¿La distinción entre máquina y trabajo humano va a desaparecer a medida que mejore el machine learning? ¿Las empresas intentarán reemplazar las firmas legales o sus departamentos legales internos con estas nuevas tecnologías?
[1] McKinsey & Company. (2018). Harnessing automation for a future that works.
[2] Remus, D. and Levy, F. (2015). Can Robots Be Lawyers? Computers, Lawyers, and the Practice of Law. SSRN Electronic Journal.
[3] Megatrends by HP. (2018). Bank on AI to shape the future of finance – Megatrends by HP.
[4] J. P. Morgan 2016 Annual Report.
[5] Bestpractice.ai. (2018). JPMorgan reduced lawyers’ hours by 36… – AI Case Study JPMorgan.
[6] J. P. Morgan 2016 Annual Report.
[7] J. P. Morgan (@jpmorgan) “Showcasing Innovation: A quick look at how $JPM is using machine learning.” Feb 28, 2017, 1:41pm. Tweet.
[8] J. P. Morgan 2016 Annual Report. [online].
[9] Sennaar, Kumba. “AI in Banking – An Analysis of America’s 7 Top Banks.” TechEmergence, 29 Oct. 2018.
[10] Son, Hugh. “This Software Does in Seconds What Took Lawyers 360,000 Hours.” The Independent, Independent Digital News and Media, 28 Feb. 2017.
[11] Michael Simon, Alvin F. Lindsay, Loly Sosa & Paige Comparato. Lola v. Skadden and the Automation of the Legal Profession. 20 Yale J.L. & Tech. 234 (2018).
Federico AstLas Cortes de Internet de China: Hacia el Tribunal de Justicia del Futuro
En China, las cortes virtuales utilizan blockchain e inteligencia artificial para resolver disputas legales…Esta es una versión traducida y adaptada del artículo “Robot Justice: The Rise of China’s Internet Courts” publicado por Bryan Lynn. En China, millones de casos judiciales actualmente son resueltos por “cortes de Internet” que no requieren que los ciudadanos comparezcan en un juzgado físico. Estas “cortes inteligentes” incluyen jueces robot, programados con inteligencia artificial. Si a...
Federico AstCómo el Cripto Está Dando Forma a la Revolución Digital
Esta es una versión adaptada y traducida del texto “How Crypto Is Shaping the Digital Revolution” publicado por Mario Laul el 11 de octubre de 2021. En el pasado, definí al “cripto” (un término para denominar al blockchain y toda la innovación vinculada con la Web3) como una parte de la revolución digital que empezó hacia finales de la década de 1960 y comienzos de 1970 con la invención de las redes, los microprocesadores, y otras tecnología digitales que permiten la proliferación de computad...
Federico AstContratos Inteligentes, ¿Por Qué Importan?
Los contratos inteligentes son acuerdos escritos en código de computadora y registrados en un blockchain. Van a marcar el futuro de la industria legal…Este artículo es una versión traducida y adaptada del texto The Promise of Smart Contracts de Kate Sills. La película Fargo (1996) trata sobre las promesas. Se plantea si cumpliremos con nuestras promesas, incluso cuando vayan contra nuestro propio interés. Las promesas de la película no estaban respaldadas por el sistema legal. Y por un buen m...
Federico AstLas Cortes de Internet de China: Hacia el Tribunal de Justicia del Futuro
En China, las cortes virtuales utilizan blockchain e inteligencia artificial para resolver disputas legales…Esta es una versión traducida y adaptada del artículo “Robot Justice: The Rise of China’s Internet Courts” publicado por Bryan Lynn. En China, millones de casos judiciales actualmente son resueltos por “cortes de Internet” que no requieren que los ciudadanos comparezcan en un juzgado físico. Estas “cortes inteligentes” incluyen jueces robot, programados con inteligencia artificial. Si a...
Federico AstCómo el Cripto Está Dando Forma a la Revolución Digital
Esta es una versión adaptada y traducida del texto “How Crypto Is Shaping the Digital Revolution” publicado por Mario Laul el 11 de octubre de 2021. En el pasado, definí al “cripto” (un término para denominar al blockchain y toda la innovación vinculada con la Web3) como una parte de la revolución digital que empezó hacia finales de la década de 1960 y comienzos de 1970 con la invención de las redes, los microprocesadores, y otras tecnología digitales que permiten la proliferación de computad...
Federico AstContratos Inteligentes, ¿Por Qué Importan?
Los contratos inteligentes son acuerdos escritos en código de computadora y registrados en un blockchain. Van a marcar el futuro de la industria legal…Este artículo es una versión traducida y adaptada del texto The Promise of Smart Contracts de Kate Sills. La película Fargo (1996) trata sobre las promesas. Se plantea si cumpliremos con nuestras promesas, incluso cuando vayan contra nuestro propio interés. Las promesas de la película no estaban respaldadas por el sistema legal. Y por un buen m...
Web3 & Legaltech Entrepreneur. Founder at Kleros and Proof of Humanity. Building the Future of Law.
Web3 & Legaltech Entrepreneur. Founder at Kleros and Proof of Humanity. Building the Future of Law.
Share Dialog
Share Dialog
Subscribe to Federico Ast
Subscribe to Federico Ast
<100 subscribers
<100 subscribers
No activity yet