La decisión de IA que definirá a los grandes estudios de abogados: Construir, comprar o co-construir

Durante un par de años la pregunta en los grandes estudios fue si convenía o no adoptar inteligencia artificial. Esa pregunta quedó atrás. Hoy el debate es cómo hacerlo, y las opciones son tres: construir herramientas propias, licenciar plataformas de proveedores como Harvey o Legora, o co-construir con un vendor un producto que incorpore el conocimiento del estudio. Ninguna es la respuesta universal: cuál calza mejor depende de la escala del estudio, de sus datos, de su capacidad técnica y de su apetito de riesgo, no de lo que esté de moda en el mercado. Ni tampoco son excluyentes, como muchas veces se cree.

La tesis de este análisis es que la ventaja competitiva no vive en el modelo de IA, sino en dos cosas más difíciles de copiar —los datos propietarios del estudio y la disciplina con que se adopta la herramienta—, y que lo que separa a un proyecto que llega a producción de uno que muere en piloto no es el presupuesto, sino el método: datos preparados, un caso de uso acotado y acompañamiento experto. Para la mayoría, el punto de partida sensato es comprar con criterio, co-construir donde el conocimiento propio es diferenciador, y construir de forma acotada donde hay datos limpios y acompañamiento para hacerlo bien.

El número que sacudió al sector

En 2026, Kirkland & Ellis, el primer estudio de abogados de la historia en superar los 10.000 millones de dólares en ingresos, comprometió 500 millones de dólares en tres a cuatro años para construir su propia plataforma de IA, con más de 100 millones el primer año. Según reportó el Financial Times, unos 180 profesionales de tecnología y 250 abogados, incluidos 100 socios, participan en el diseño, y el estudio retendrá la propiedad del código.

Es la apuesta más ambiciosa de la industria por poseer la IA en lugar de solo usarla. Y sin embargo, replicarla sería un error para casi todos. El propio presidente del estudio planteó que un estudio debería invertir en nuevas iniciativas alrededor del 1% de sus ingresos: en Kirkland eso equivale a unos 100 millones anuales; en un estudio de 500 millones de ingresos son 5 millones, suficientes para licenciar bien y para builds acotados. La lección no es imitar a Kirkland ni descartar la idea de construir: es calibrar el alcance a la realidad económica y de datos de cada estudio.

Las tres rutas

Construir: control total, y más al alcance de lo que se cree

Construir significa desarrollar herramientas propias sobre modelos fundacionales (habitualmente vía Azure OpenAI, Anthropic Claude o Google Gemini) con equipos internos. Los ejemplos varían enormemente en ambición. En el extremo está Kirkland, con infraestructura de GPU propia. Un escalón más abajo, Clifford Chance fue uno de los primeros en construir su herramienta privada de IA generativa (Clifford Chance Assist, sobre Azure OpenAI), combinada con un despliegue masivo de Microsoft Copilot. Linklaters construyó «Laila», su chatbot interno que maneja más de 200.000 consultas al mes, y publica el benchmark LinksAI English Law, que incluso en el mejor modelo registró un 20% de respuestas total o mayormente incorrectas y un 8% de citas ficticias.

El dato que rompe el mito de que construir es solo para gigantes son los builds acotados: Gunderson Dettmer (ChatGD, sobre Azure OpenAI) y Troutman Pepper (Athena, más de 1.000 usuarios al año de su lanzamiento) son estudios medianos que levantaron asistentes internos exitosos con equipos pequeños y casos de uso bien definidos. También lo hicieron Fried Frank, White & Case y Dentons.

Construir a gran escala exige talento escaso y caro: al menos 16 grandes estudios están reclutando roles de IA con sueldos de entre 295.000 y 440.000 dólares anuales, y aun así no hay suficiente talento en el mercado. Pero lo que construir exige a cualquier escala es método.

El informe de MIT («The GenAI Divide», 2025) encontró que el 95% de los pilotos empresariales de IA generativa no genera retorno medible, y que los pilotos desarrollados mediante alianzas estratégicas tenían el doble de probabilidad de llegar a despliegue completo que los construidos internamente (67% frente a 33%). Gartner, en la misma línea, predijo que al menos el 30% de los proyectos de IA generativa se abandonaría tras la prueba de concepto, por mala calidad de datos, controles de riesgo inadecuados, costos crecientes o valor de negocio poco claro.

En mi opinión, estos reportes de fracasos responden a la primera etapa de adopción de IA, lo que desde fines del año pasado está cambiando gracias a los grandes avances de la tecnología y a la mayor educación de quienes la utilizan. La conclusión honesta no es que no haya que construir, sino que construir a ciegas es la ruta con mayor riesgo de fracaso; construir con foco, datos preparados y acompañamiento correcto es otra historia.

Comprar: velocidad, madurez y dependencia

Licenciar plataformas de proveedores es la ruta dominante, y el mercado se ha consolidado alrededor de un puñado de nombres. Harvey alcanzó una valoración de 11.000 millones de dólares en marzo de 2026 y reportó 190 millones de ARR: más de 100.000 abogados en 1.300 organizaciones, incluida la mayoría del AmLaw 100, trabajan en la plataforma (entre sus clientes, A&O Shearman, Latham & Watkins, O’Melveny y PwC). Legora, antes Leya, alcanzó los 5.550 millones de valoración, supera los 100 millones de ARR y los 800 clientes (White & Case, Goodwin, Linklaters y Dentons, entre otros). A su lado siguen los incumbentes: Thomson Reuters CoCounsel, LexisNexis Protégé, Luminance, Robin AI, Spellbook y Litera.

Sobre los precios conviene una advertencia: son siempre estimados, porque ningún proveedor mayor publica tarifas. Con esa salvedad, Harvey está cerca de los 1.200 dólares por asiento al mes, con mínimos de unos 20 asientos, es decir cerca de 288.000 dólares anuales antes de generar un solo documento; Legora, entre 300 y 800 dólares por asiento al mes, y CoCounsel más Westlaw unos 3.000 dólares por asiento al año. Son cifras elevadas para el ecosistema en Latam, donde algunos han negociado licencias de estos actores y están aún rasguñando por ver el retorno.

Comprar tiene sus riesgos: dependencia del proveedor (lock-in), incrementos de renovación del 10% al 25% anual sin tope contractual, confidencialidad de los datos y la posibilidad de que el proveedor sea adquirido o cierre. A eso se suma un solapamiento con Microsoft Copilot que erosiona el caso de negocio de las herramientas stand-alone: según la encuesta de tecnología de ILTA 2025, Copilot es ya la herramienta de IA más usada (68% de los encuestados) y está presente en el 84% de los estudios de 700 o más abogados. La misma encuesta encontró que el 71% de los estudios que usan Harvey sigue en fase de piloto. (Nota: hace un tiempo escribí sobre Copilot https://tintatech.com/articulo/microsoft-por-que-la-tesis-de-inversion-sigue-intacta )

Co-construir: lo mejor, y lo más complejo, de ambos mundos

Co-construir significa asociarse con un vendor (start up o empresa tech) para desarrollar productos que incorporan el conocimiento propietario del estudio, y en algunos casos licenciarlos al mercado. El caso paradigmático es A&O Shearman con Harvey y Microsoft: co-desarrolló ContractMatrix, hoy usado por unos 2.000 abogados a diario y licenciado a clientes, y en 2025 anunció que venderá agentes de IA a clientes y otros estudios, compartiendo ingresos con Harvey. David Wakeling lo resumió diciendo que pusieron los cerebros de sus abogados en el stack tecnológico.

Hay más ejemplos: PwC mantiene una alianza global con Harvey desde 2023, con acceso exclusivo entre las Big Four, y entrena sus propios modelos; Freshfields trabaja con Anthropic en flujos de trabajo agénticos que podrían licenciarse a otros estudios; e incluso Kirkland, el gigante del build, co-construyó un motor de formación de fondos con Palantir. El modelo de estudio como proveedor tiene precedentes rentables: Wilson Sonsini creó SixFifty en 2019 y la vendió en 2025 por entre 70 y 85 millones de dólares.

El marco de decisión: seis criterios

Con las tres rutas sobre la mesa, la decisión se puede estructurar como una matriz donde cada «sí» empuja hacia construir o co-construir, y cada «no» hacía comprar.

Escala e ingresos. ¿Puede destinar un 1% de sus ingresos a tecnología sin afectar la distribución a socios? Hoy el desarrollo tecnológico es más abordable que antes; la democratización de la tecnología es una gran oportunidad para quien se arriesgue.

Capacidad técnica interna. ¿Tiene, o puede contratar y complementar con socios externos, ingenieros, científicos de datos e ingenieros legales? La brecha de capacidad se puede cerrar con acompañamiento; lo que no se puede es ignorarla.

Combinación de práctica. El trabajo genérico y de alto volumen se resuelve mejor comprando; las áreas donde su conocimiento es único justifican co-construir o un build acotado. Donde hay estudios que buscan diferenciarse.

Tolerancia al riesgo. ¿Tolera la incertidumbre de un build que puede no llegar a producción, o prefiere la madurez de un producto probado? El riesgo se administra acotando el alcance y midiendo por etapas.

Activos de datos. Sin data propietaria ninguna ruta funciona: es la causa número uno de fracaso según Gartner. Con datos excepcionales, construir o co-construir crea un foso defensivo. Antes se hablaba de data limpia y estructurada, hoy la IA puede hacer eso.

Tiempo hasta el valor. Comprar entrega valor en semanas; construir toma meses. Los de mejor desempeño en el informe de MIT pasaron de piloto a implementación completa en 90 días; las grandes empresas tardaron nueve meses o más.

Ninguno de estos ejes se responde una sola vez. Lo que domina en la práctica es la estrategia híbrida, construir, comprar y co-construir a la vez, como el «ecosistema multi-proveedor”,, entendida como una cartera que se rebalancea.

En el caso de los estudios de LATAM, la estrategia sería utilizar herramientas de IA existentes y desarrollar, de forma independiente o en conjunto, herramientas que exploten su data, flujos y prácticas, no solo para el ejercicio de la profesión sino también para ofrecer a los clientes un servicio más personalizado, veloz e integral.

Recomendaciones

Parta por los datos y la gobernanza, no por la herramienta. Sin data propietaria limpia y una política formal de IA, cualquier ruta va a fracasar: solo el 45% de los estudios tiene una política oficial sobre el uso de IA generativa, según BestLawFirms.com. Cerrar esa brecha primero.

Comprar es el punto de partida natural para la mayoría, pero con disciplina de comprador. Negocie topes de renovación (entre 5% y 7% anual), portabilidad de datos y cláusulas de salida ante una eventual adquisición del vendor; corra pilotos de 30 a 90 días con métricas de adopción reales antes de firmar.

Co-construir donde su conocimiento o sus flujos sean un diferenciador genuino. Si tiene una práctica líder con datos únicos, i.e. formación de fondos, libre competencia, financiamiento apalancado, un acuerdo de co-desarrollo con reparto de ingresos, al estilo de A&O Shearman con Harvey, puede convertir ese conocimiento en un activo licenciable. La pregunta de control: ¿el área genera suficiente volumen y márgenes para justificar la inversión conjunta y la carga de mantenimiento?

Construir con el alcance correcto; no necesita ser Kirkland. Entre no construir nada y gastar 500 millones hay un espectro enorme. La clave para no engrosar la estadística de fracaso de MIT y Gartner no es el tamaño, sino tres condiciones: datos preparados, un caso de uso acotado con métricas claras, y método, idealmente con acompañamiento experto en el diseño y la implementación.

Tratar la adopción como un proyecto de gestión del cambio, no de TI. El mayor obstáculo, según la ILTA 2025 Technology Survey, es la resistencia de los usuarios: el 57% la citó como la principal barrera. La mejor herramienta sin adopción es plata quemada: mida usuarios activos semanales, no licencias vendidas.

Disclaimers

Casi todos los precios de las herramientas legales de IA son estimaciones de terceros —ningún proveedor mayor publica tarifas oficiales—, así que conviene tratarlos como órdenes de magnitud. Las valoraciones no equivalen a rentabilidad: reflejan optimismo inversor en un mercado en plena consolidación. Las estadísticas de fracaso de MIT NANDA y Gartner provienen de muestras generales de empresas, no exclusivas del rubro legal, con ventanas de observación cortas que podrían subestimar builds de horizonte largo; el «doble de probabilidad» mide despliegue exitoso, no retorno financiero directo. Y la inversión de Kirkland es un compromiso anunciado, no un ROI probado: una señal de dirección del mercado, no un caso de éxito cerrado. (Santiago, 7 de julio de 2026)

Fuentes

Financial Times y Bloomberg Law (inversión de Kirkland & Ellis; escasez de talento de IA); Harvey, CNBC y Forbes (valoración y ARR de Harvey); TechCrunch y Sacra (Legora); A&O Shearman y Artificial Lawyer (ContractMatrix y reparto de ingresos); Linklaters (benchmark LinksAI); Legal IT Insider (Clifford Chance; Linklaters/Legora); Thomson Reuters Institute; ILTA y Law360 Pulse (2025 Technology Survey); MIT Project NANDA («The GenAI Divide: State of AI in Business 2025») y Fortune; Gartner; PwC (alianza con Harvey); Wilson Sonsini y Law.com (SixFifty); LawSites/Bob Ambrogi; BestLawFirms.com.