El análisis de contratos a gran escala, mediante el uso de software, seguramente sea una de las áreas más concurridas de la Legaltech actual a nivel mundial.
Kira Systems, Luminance, Seal Software, LegalSifter, LawGeex, Beagle, ThougtRiver o eBrevia son solo algunas de las empresas destacadas a nivel mundial en esta labor del análisis y revisión inteligente de contratos. Por no hablar de los proveedores alternativos de servicios legales que crean su propia solución, como pueda ser recientemente el caso de Axiom.
Ahora bien, ¿en qué consiste su labor?
El escenario es muy común: un departamento jurídico o despacho de abogados medio -grande necesita revisar no docenas, sino centenares o miles de contratos en un periodo de tiempo escaso o muy escaso. ¿Solución? Añadir la mayor cantidad de manos, ojos y cabezas posible. Una aproximación al problema muy básica, teniendo en cuenta que muchas de las cláusulas de esos contratos son comunes y en realidad simplemente deben cumplir una serie de patrones o estándares propios de la empresa afectada.
Sin embargo, al tener que realizar la tarea de forma manual (por ejemplo para comprobar la legislación y jurisdicción aplicable de los últimos 120 NDAs enviados) se consume mucho tiempo para algo que en el fondo resulta muy mecánico y poco provechoso. Y es que ambas partes, el abogado que debe hacerlo y la empresa que debe pagar y esperar por el resultado, podrían salir ganando si algo así pudiera hacerse de una forma menos «artesanal».
Y ahí entra en acción el software de empresas como las indicadas.
De hecho, en el caso de los NDAs tenemos ejemplos y noticias más que destacadas. Por un lado el ejemplo de TELSTRA, la mayor teleco de Australia, que consiguió ahorrar 6.500 horas de trabajo analizando NDAs al automatizar ese proceso casi por completo. De hecho, los tres abogados que antes se dedicaban en exclusiva a eso ahora podían hacer labores de mayor valor.
Por otro lado, esta semana ha resultado muy mediático el estudio de LawGeex, que al enfrentar a su IA Legal para el análisis de 5 NDAs frente a 20 abogados experimentados, la IA legal ha conseguido un 94% de éxito frente al 85% de los abogados. Con la diferencia que el software de media tardó 26 segundos y los abogados 92 minutos. El estudio al completo aquí.
Otro ejemplo similar al de LawGeex fue lo conseguido por CaseCrunch el año pasado y que ya comentamos aquí como quizá el primer Deep Blue de la abogacía.
Sea como sea, ¿cómo consigue un software analizar un contrato y alcanzar ese nivel de precisión en la detección de errores, patrones o indicaciones destacables? Mayormente mediante muchos datos, tiempo y conocimiento para entrenar bien al algoritmo y los modelos y sobretodo dos campos de estudio, el procesamiento de lenguaje natural o NLP y el aprendizaje automático o machine learning.
Del procesamiento de lenguaje natural en su aplicación a las tareas legales ya hablamos en detalle hace unos meses. Por tanto, me remito mayormente a lo dicho allí. En todo caso, el mismo consiste en el campo que estudia la comprensión y manipulación del lenguaje natural humano escrito o hablado por parte de un ordenador. Por ello trabaja áreas como el entendimiento por parte de una máquina del lenguaje humano, su percepción o generación. Por ejemplo, un software de traducción aplica NLP, siendo una de sus tareas entender que “Hello” es una palabra inglesa que en castellano se traduce como “Hola”.
En cuanto al aprendizaje automático, y de forma muy simplificada, se trata de una rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender. De esa forma, se intentan crear programas capaces de generalizar comportamientos (por ej. esta cláusula es correcta/incorrecta) a partir de una información suministrada en forma de ejemplos (por ejemplo, estas 2.000 cláusulas son incorrectas pero estas 2.000 son correctas).
Ahora bien, y entrando más en detalle, ¿cómo aprende el software?
El funcionamiento del software de análisis de contratos es un conjunto de tecnologías y procesos capaces de analizar o «parsear» decenas, miles, cientos de miles o millones de contratos para identificar patrones en el texto. La aproximación a ese problema consiste en lo que se llama una deconstrucción jerárquica.
De esa forma, en primer lugar el algoritmo deconstruye el contrato en las cláusulas que lo componen. A continuación, cada cláusula se divide en frases para que el software comience a analizar el lenguaje concreto de cada una. Finalmente, las frases se analizan a nivel de palabras individualizadas, señalándose nombres, lugares, fechas o importes.
En este sentido, un gran documento para profundizar en la materia del análisis de contratos es el Legal & Regulatory US Whitepaper de Wolters Kluwer, «Contract Analytics» de Kingsley Martin. Puedes descargarse aquí.
De esa forma, el paper indica que el primer paso es examinar la estructura del contrato a través de la denominada «Ciencia de la complejidad». Es decir, ese campo de la ciencia que lidia con sistemas complejos y problemas dinámicos, impredecibles y multi dimensionales y en el que coexisten múltiples partes interconectadas y relacionadas en diferentes grados. Por ejemplo un contrato.
Para intentar poner orden a ese tipo de sistemas, se crean subsistemas anidados jerárquicamente. Por tanto, si bien a priori cada contrato puede parecer único, un análisis empírico demuestra que a nivel de bloques informativos (eso sería principalmente cláusulas) hay muchas similitudes a partir de las cuales se puede comenzar a crear esa jerarquía.
En esa ciencia de la complejidad es muy importante la fase de deconstrucción del contrato en bloques de información. De esa forma de deconstruye el documento en cláusulas, frases y finalmente palabras, para luego por ejemplo agregar a nivel de cláusulas las más comunes en un contrato individual o en un conjunto de contratos en global. De esa forma, el software que analiza contratos puede ser enseñado sobre si una cláusula concreta es la más común en la muestra proporcionada, lo que le indicaría que la misma es obligatoria seguramente. Pero si aparece en alguno de los contratos pero no en toda la muestra, entonces le puede otorgar un carácter opcional.
Otro beneficio de ese proceso de deconstrucción es que el software analiza y obtiene datos sobre el nivel de consistencia de una palabra o expresión jurídica en un contrato. De esa forma, si el término es altamente variable en su forma escrita analizada, el software sabe que es un elemento negociable o muy condicionado a las circunstancias concretas del caso. Si por el contrario la forma de citarlo es muy consistente, se le esta indicando que es un término estándar.
Una vez identificadas y deconstruiadas las cláusulas, el software puede ir a mayor profundidad y comenzar a analizar frases y palabras. De esa forma, en una cláusula que fija una indemnización podría llegar a identificar quién indemniza a quién, cuál es el motivo y cuáles serían las circunstancias. Como señala el paper, un análisis de ese tipo de cláusulas demuestra que en la mayoría de contratos los conceptos básicos son muy comunes pero las concretas palabras usadas varían entre cláusulas.
Junto al procesamiento de lenguaje natural y el aprendizaje automático, también hace falta en tareas de entrenamiento de análisis de contratos la participación de expertos legales que revisan, ajustan y constantemente van guiando los resultados del software durante el periodo inicial de aprendizaje. Esos expertos legales son los que van señalando por ejemplo el carácter básico u opcional de una cláusula hasta que el software acumula suficientes datos y muestras de ese estilo para asegurar un resultado automático con un alto porcentaje de acierto.
Esa mezcla de tecnología y la revisión de expertos juristas en la materia a analizar es lo que garantizará un correcto entrenamiento del software y el modelo deseado, permitiendo luego detectar de forma automatizada patrones y datos de valor en un gran volumen de contratos y en cuestión de segundos.
Y si bien el análisis de contratos comienza a dar resultados muy destacados en áreas en las que lleva tiempo trabajando, los ejemplos comentados en NDAs o anteriormente en tareas de e-Discovery, el margen de mejora es todavía alto. Ahora bien, la capacidad y precisión del software no van a dejar de mejorar año a año.
Por tanto, seguramente en unos años el significado de una petición tan común como: «¿Me revisas este contrato?» puede cambiar muy considerablemente.