Uber reduce 20% el tiempo de revisión legal con un agente en LangGraph
Por JP Software ·
JP Software Uber redujo más de 20% el tiempo promedio que su equipo legal dedica a revisar contratos, según reportó la compañía. La herramienta, denominada Legal Redlining Agent, opera directamente dentro de Microsoft Word para evaluar cambios propuestos por contrapartes externas, calcular riesgos y sugerir modificaciones alineadas con las políticas internas de la empresa.
Datos clave
- Uber reporta más de 20% de reducción en el tiempo promedio de revisión de contratos.
- El sistema alcanza 91% de precisión en las decisiones generadas por inteligencia artificial, según la empresa.
- La arquitectura utiliza un decaimiento exponencial con vida media de 365 días para priorizar el historial legal reciente.
- La búsqueda semántica y el filtrado por metadatos reducen miles de interacciones pasadas a 20 candidatos relevantes.
- El desarrollo comenzó a inicios de 2024 y su fase piloto arrancó con el equipo legal en 2025.
La arquitectura detrás del agente
El agente funciona mediante un complemento de Microsoft Word construido con React y TypeScript. En el backend, un servicio en Python orquestado con LangGraph ejecuta nodos paralelos encargados de detectar la intención del texto, evaluar riesgos legales y consultar las políticas corporativas.
Para el almacenamiento de datos, Uber implementó OpenSearch, donde residen las reglas legales vectorizadas y la retroalimentación histórica de revisiones anteriores. Redis se encarga de sostener el estado de las sesiones para resolver dudas de seguimiento de los abogados.
Reglas deterministas y aprendizaje continuo
El enfoque inicial con recuperación aumentada por generación (RAG) dependía exclusivamente de manuales legales, pero presentaba fallas de precisión semántica y tono de negociación. Para solucionarlo, Uber integró un ciclo de retroalimentación que registra las decisiones finales de los abogados, sus explicaciones y el texto definitivo.
En tiempo de ejecución, un motor de reglas deterministas vigila los requerimientos legales no negociables. Si una regla fija se activa, el sistema anula cualquier recomendación generada por el modelo de lenguaje. Los modelos se reservan para tareas contextuales complejas, seguidos por un paso de verificación final que valida las respuestas contra las políticas recuperadas.
Por qué te importa
Desplegar agentes de IA en flujos de trabajo críticos exige precisión absoluta. La solución de Uber demuestra que los modelos de lenguaje no deben operar sin límites: la combinación de RAG con motores de reglas deterministas y filtros de relevancia histórica ofrece un patrón técnico viable para automatizar procesos corporativos sin perder la supervisión humana.