title: "Sanciones en e-discovery: cuando la IA redacta demasiado" description: "En Athletics Investment Group v. Schnitzer Steel (2024), una redacción indebida generó sanciones de discovery. Con una precisión de IA del 22,7 %, los equipos jurídicos enfrentan una responsabilidad real." category: legal-tech publishedAt: 2026-03-12 tags:
- sanciones e-discovery
- responsabilidad por redacción
- precisión redacción IA
- revisión de documentos
- tecnología jurídica readingTime: 10
Actualizado para 2026
Dos formas en que la redacción falla
Los equipos jurídicos enfrentan dos modos de fallo. Ambos crean responsabilidad real.
La sub-redacción expone datos privilegiados o información personal que debe permanecer oculta. La parte productora divulga material que tenía el derecho — y a menudo el deber — de proteger.
La sobre-redacción retiene hechos a los que el abogado contrario tiene derecho. Los tribunales lo tratan como obstrucción. Es una violación sancionable del procedimiento de discovery.
Las herramientas de IA que priorizan el recall sobre la precisión crean el segundo problema por diseño. Un motor que tachona el 80 % de un documento para no perderse nada produce resultados inútiles. También puede generar sanciones judiciales.
Ambos modos de fallo llevan al mismo lugar: un juez, una explicación y costos.
El caso Schnitzer Steel (2024)
El caso Athletics Investment Group v. Schnitzer Steel de 2024 muestra cómo los tribunales responden a la retención indebida de documentos en e-discovery.
Una parte produjo documentos con amplias marcas de redacción. El abogado contrario las impugnó. El tribunal examinó el material. Encontró que las marcas superaban lo que la ley permitía.
El resultado: sanciones bajo la Federal Rule of Civil Procedure 37. La parte productora pagó el precio de un proceso deficiente.
Estas sanciones no son nuevas. Los tribunales las aplican desde hace años. Lo que distingue este caso es el momento. La revisión asistida por IA es ahora habitual en litigios. El caso plantea una pregunta clave: ¿han verificado los equipos la precisión de sus herramientas de IA antes de usarlas en producción?
La respuesta importa. Una herramienta con poca precisión marcará demasiado. El abogado que confía en ella sin verificar asume el riesgo.
Para un análisis detallado del caso, véase E-Discovery LLC sobre la prohibición de redacciones por relevancia.
El problema de precisión del 22,7 %
Presidio es un motor de código abierto para detección de datos personales, desarrollado por Microsoft. Se usa ampliamente en herramientas de revisión documental. Las pruebas con escritos judiciales y contratos le otorgan una tasa de precisión del 22,7 %.
La precisión mide con qué frecuencia un resultado positivo es correcto. Al 22,7 %, alrededor de 77 de cada 100 elementos marcados son falsos positivos. No son sensibles según ningún estándar aplicable.
Para e-discovery, el cálculo es directo. Un conjunto de 10.000 documentos procesados a esa tasa contendrá miles de marcas infundadas. La parte productora enfrenta el mismo riesgo que el demandado en Schnitzer Steel: una producción impugnada, una revisión judicial y posibles sanciones.
Esta cifra refleja el comportamiento predeterminado de Presidio con contenido de despacho. No todas las herramientas de IA funcionan a este nivel. Pero este motor es la opción de código abierto más usada en el sector.
La causa es estructural. Los sistemas de NLP se entrenan con texto general. El lenguaje judicial es diferente. Usa términos técnicos, formatos de cita y convenciones de redacción que se apartan de los datos de entrenamiento. Una herramienta que rinde bien en registros médicos puede rendir mucho peor en transcripciones de deposiciones.
Qué revelan los datos de uso
Otro dato: el 27,4 % del contenido de chatbots de IA es sensible, según análisis independiente del uso empresarial de IA.
Esto describe lo que los empleados envían durante tareas normales. No datos que quisieron compartir — contenido incluido por hábito o accidente. Los abogados que usan IA para redactar cartas, revisar contratos o resumir deposiciones envían información sensible a servidores de IA como efecto secundario del trabajo ordinario.
Casi tres de cada diez interacciones involucran datos de clientes, comunicaciones privilegiadas o estrategia de caso. Ese contenido llega a los servidores del proveedor en forma utilizable, salvo que controles técnicos lo intercepten primero.
Para los despachos que evalúan su riesgo de IA, el 27,4 % no es un problema marginal. Es la hipótesis de partida. Casi un tercio del uso de IA en un despacho involucra contenido que requiere protección.
La cadena de responsabilidad
La retención excesiva y las fugas de datos de IA crean vías de riesgo separadas pero vinculadas. Ambas comienzan con la misma decisión: desplegar una herramienta de IA sin evaluación adecuada.
La vía discovery: La IA marca contenido ampliamente → el abogado confía en el resultado sin revisar cada marca → la producción tiene retenciones injustificadas → el contrario objeta → el tribunal revisa → sanciones.
La vía de fuga de datos: El abogado usa IA para el caso → la IA recibe comunicaciones privilegiadas → el proveedor sufre una brecha → los datos del cliente quedan expuestos → siguen reclamaciones por mala praxis.
El punto de partida es el mismo en ambos casos. Los despachos despliegan herramientas de IA sin conocer lo que hacen realmente. No se establecen controles adecuados para el trabajo.
Revisión orientada a la precisión para producciones
Los tribunales hacen una pregunta concreta al revisar marcas impugnadas. ¿Estaba cada una respaldada por un privilegio, una norma de confidencialidad o una orden judicial? No preguntan si la herramienta del productor marcó todo lo posible para estar seguro.
Una marca sin base válida es una violación del procedimiento. No importa si la hizo un humano o una IA. El análisis es marca a marca.
Para los abogados, esto significa que las herramientas de revisión con IA deben evaluarse por su precisión — la parte de marcas que son verdaderamente privilegiadas. No solo por el recall. Una herramienta con un 90 % de recall y un 22,7 % de precisión captura más contenido sensible. Pero crea una carga de revisión manual para el 77,3 % de falsas alarmas. Cuando esa revisión no ocurre, sigue una retención excesiva sistemática.
Cada marca en una producción es una afirmación implícita al tribunal. Dice: este contenido está retenido con razón. Tras Schnitzer Steel, esa afirmación debe sostenerse.
Para más información sobre la diferencia entre herramientas de anonimización y la detección estándar de datos personales, véase nuestra guía sobre precisión de IA en revisión documental. Para contexto sobre registros de privilegio y herramientas de IA, lea nuestro artículo sobre privilegio abogado-cliente e IA.