A continuaciónSiguiente guía
Predicción del valor de vida del cliente
Aplicaciones
GUÍA de aplicaciones
Predicción del resultado del litigio con IA
La predicción de resultados de litigios con IA utiliza registros judiciales históricos para estimar cómo se ha comportado un juez, tribunal o parte contraria y cómo podría terminar un asunto.
Escuche esta guíaNarrado por IA · ~3 min
En esta pagina3 minutos de lectura
Descripción general
Las medidas típicas incluyen la frecuencia con la que se conceden las mociones, la duración de los casos y las indemnizaciones típicas. Estas estimaciones guían la estrategia, los presupuestos, los acuerdos y la financiación de litigios, pero en su mayoría son tasas base históricas, no pronósticos de un caso concreto.
Buceo profundo
El análisis de litigios comienza con los expedientes. Los casos federales están disponibles a través de PACER y los proveedores recopilan, limpian y clasifican esos registros a escala. La cobertura de los tribunales estatales es más irregular porque los sistemas judiciales y las reglas de acceso difieren. Productos como Lex Machina, que LexisNexis adquirió en 2015, y los análisis de Westlaw y Bloomberg Law convierten las entradas de expedientes en medidas. Los ejemplos incluyen la frecuencia con la que un juez otorga un juicio sumario, el tiempo típico hasta el juicio, las indemnizaciones otorgadas en un tipo de caso y cómo le ha ido a una firma de abogados ante un tribunal. La mayor parte de lo que informan estas herramientas es descriptivo: tasas base históricas. La predicción de resultados va más allá y utiliza esas características para estimar la probabilidad de un resultado particular. El trabajo académico muestra tanto promesas como dificultades. Un modelo de 2017 de Katz, Bommarito y Blackman predijo correctamente las decisiones de la Corte Suprema de Estados Unidos aproximadamente el 70 por ciento de las veces a lo largo de muchas décadas. Un estudio de 2016 ampliamente citado sobre casos del Tribunal Europeo de Derechos Humanos informó una alta precisión. Los críticos señalaron, sin embargo, que utilizó el resumen escrito de los hechos del propio tribunal, que se prepara después de que se conoce el resultado. Se aplican varios límites a cualquier predicción: los efectos de selección son grandes. La mayoría de los casos se resuelven, por lo que los casos decididos no son una muestra aleatoria. Este punto está asociado con la hipótesis de Priest-Klein; Las muestras se encogen rápidamente. Es posible que un juez se haya pronunciado sobre sólo un puñado de mociones como la suya; La codificación de resultados es confusa. Alguien tiene que clasificar las concesiones parciales y las sentencias mixtas; y La ley y el personal cambian con el tiempo. También existen límites de política. En 2019, Francia prohibió el uso de datos de identidad de los jueces para evaluar o predecir sus prácticas profesionales. El error que se debe evitar es interpretar una tasa base como sus probabilidades. Una tasa de subvención del 40 por ciento describe mociones pasadas, no la fuerza de las suyas.
Implementación en el mundo real
Antes de presentar una moción para desestimar un caso de patentes, el abogado verifica con qué frecuencia el juez asignado ha aceptado tales mociones en los últimos años y cuánto tiempo demoran normalmente las decisiones.
Un financiador de litigios examina una disputa comercial entrante comparándola con resultados históricos de reclamos similares en el mismo lugar y el historial de acuerdos del demandado.
El equipo de reclamaciones de una aseguradora entrena un modelo en sus propios archivos cerrados para estimar los rangos de liquidación para nuevas reclamaciones de responsabilidad de locales.
Un equipo de defensa compara las indemnizaciones otorgadas en veredictos sobre secretos comerciales en dos distritos federales mientras decide si solicita una transferencia.
El futuro de la predicción de resultados de litigios con IA
La cobertura debería crecer a medida que más tribunales estatales digitalicen sus registros y los modelos lingüísticos extraigan eventos estructurados del texto de los expedientes. Espere más herramientas que combinen estadísticas con las órdenes subyacentes, para que los abogados puedan leer las decisiones detrás de una tasa. La regulación también importa. La Ley de IA de la UE trata ciertos sistemas de IA utilizados por las autoridades judiciales como de alto riesgo, y se aplican normas profesionales sobre franqueza y competencia a la forma en que los abogados utilizan las predicciones. Es probable que las predicciones sigan siendo más útiles para la elaboración de presupuestos, los rangos de liquidación y las decisiones en muchos casos, donde los errores se promedian. Seguirán siendo los menos confiables para una sola disputa novedosa.
Poniéndolo en práctica
Por qué es importante
- Construir opciones. El diseño a nivel de aplicación determina si la IA mejora los resultados reales.
- Equipo y flujo de trabajo. Una buena integración del flujo de trabajo genera ganancias de productividad en las que los usuarios pueden confiar.
- Riesgo y seguridad. Los casos de uso bien definidos reducen la fatiga del cambio y el riesgo de implementación.
cuidado con
- Automatizar un proceso roto puede amplificar los problemas existentes.
- Los equipos pueden automatizar demasiado y eliminar el juicio humano necesario.
- La calidad puede variar si los resultados no se evalúan continuamente.
Próximos pasos
- Mapee el flujo de trabajo actual e identifique el paso de mayor fricción.
- Defina puntos de control humanos antes de la automatización total.
- Capacite a los usuarios sobre indicaciones, rutas de escalada y estándares de calidad.
- Realice un seguimiento de los resultados a nivel de tarea para confirmar el valor sostenido.
Sigue explorando
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the AI Litigation Outcome Prediction quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
¿Qué es la predicción del resultado de los litigios con IA?
La predicción de resultados de litigios con IA utiliza registros judiciales históricos para estimar cómo se ha comportado un juez, tribunal o parte contraria y cómo podría terminar un asunto. Las medidas típicas incluyen la frecuencia con la que se conceden las mociones, la duración de los casos y las indemnizaciones típicas. Estas estimaciones guían la estrategia, los presupuestos, los acuerdos y la financiación de litigios, pero en su mayoría son tasas base históricas, no pronósticos de un caso concreto.
Según la guía, ¿qué informan principalmente la mayoría de las herramientas de análisis de litigios?
La mayor parte de los resultados describen el pasado, como las tasas de subvención, el tiempo hasta el juicio y los rangos de indemnización. La predicción de resultados es un paso más que se basa en esas tasas.
¿Por qué los críticos cuestionaron la alta precisión reportada por el estudio de 2016 de los casos del Tribunal Europeo de Derechos Humanos?
Si el texto de entrada fue escrito por el tribunal con el resultado ya conocido, puede revelar el resultado. Eso hace que la predicción sea más fácil de lo que sería en el momento de la presentación.
¿Cómo limita el efecto de selección asociado con la hipótesis de Priest-Klein la predicción de resultados?
Los casos que llegan a una decisión son los que no llegaron a un acuerdo, por lo que sus resultados pueden no representar todas las disputas de ese tipo.
¿Qué prohibió Francia en 2019?
La norma francesa apunta a análisis que perfilan a jueces individuales, no al acceso a las decisiones en general.
Cuando un modelo tiene solo unas pocas sentencias anteriores para un juez y un tipo de moción específicos, ¿qué sugiere la guía en lugar de informar la tasa bruta?
Llevar la estimación a un promedio más amplio evita reportar extremos ruidosos, como una tasa de subvención del 100 por ciento basada en dos fallos.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.