Agreement Analyzer: precedentes, revisión y decisión humana

Del prototipo a la revisión compartida

OpenAI publicó el 15 de octubre de 2026 el caso de Agreement Analyzer, desarrollado con Sullivan & Cromwell. John Savva inició un prototipo individual con Codex y colaboró con OpenAI para mejorar las salidas y permitir su uso por varios abogados.

Los materiales cambian la pregunta

La herramienta combina ChatGPT Enterprise, precedentes curados y playbooks. El abogado aporta un borrador y puede añadir precedentes, posiciones del despacho y del cliente, y práctica de mercado. Varios ciclos de revisión producen un memorando y cambios propuestos que el profesional revisa, adapta o rechaza.

Análisis editorial. La diferencia relevante para una empresa está en cómo comprobar la relación entre esos materiales. Imaginemos dos evaluaciones del mismo documento: una utiliza una colección de referencia; otra añade las posiciones particulares de quien encarga el trabajo. Si las sugerencias cambian, convendría poder identificar qué entrada motivó la diferencia. Es una comparación propuesta, no un experimento realizado por el despacho.

También habría que evitar tratar todas las referencias como intercambiables. Un documento previo puede servir para comparar una formulación, mientras una instrucción expresa una preferencia para el encargo actual. La evaluación tecnológica necesita distinguir esas funciones para que la persona revisora pueda entender por qué aparece una sugerencia. Encontrar una coincidencia textual y justificar una decisión son tareas diferentes.

Preguntas pegadas al resultado

Esta tabla propone comprobaciones para una evaluación del software. No afirma que sean funciones instaladas ni requisitos del servicio.

Elemento del caso	Pregunta de evaluación propuesta	Qué registrar
Referencias aportadas	¿Cambió la explicación al sustituir una versión por otra?	Entrada utilizada y diferencia concreta en la salida.
Posiciones particulares	¿Puede la persona revisora distinguir una preferencia del encargo de una comparación documental?	Motivo expuesto y duda pendiente.
Memorando y cambios	¿Se puede relacionar cada propuesta con su explicación sin reconstruirla de memoria?	Correspondencia, discrepancias y corrección humana.
Decisión profesional	¿Qué ocurrió con una sugerencia que no se aceptó?	Descarte, modificación y responsable de la decisión.

Visibilidad de la incertidumbre

Savva describe hallazgos respaldados, descartados y no verificados. La revisión especializada por agentes paralelos figura como uso potencial.

Esos estados plantean una diferencia práctica para quien examina una salida: una duda conservada no debería confundirse con una propuesta lista para aceptar. En una evaluación propia convendría observar si la interfaz permite reconocer esa diferencia y si conserva la explicación cuando una persona cambia de criterio. La etiqueta de un estado, por sí sola, no demuestra que el contenido sea correcto.

Una discrepancia entre revisiones también puede ser útil sin convertirse automáticamente en un resultado favorable. Puede revelar que falta contexto o que las entradas permiten interpretaciones distintas. Lo interesante sería comprobar si la persona logra localizar el desacuerdo y decidir qué necesita revisar. Contar cuántos agentes intervinieron no responde esa pregunta.

Qué permite concluir el caso

El interés empresarial está en conservar una cadena comprensible entre entrada, explicación y decisión. Esa cadena permitiría estudiar el trabajo humano que sigue siendo necesario, incluyendo sugerencias descartadas y correcciones. Aquí no hay mediciones para calcular ahorro, rapidez o calidad jurídica, ni condiciones verificadas para comprar esta herramienta en otro mercado.

Lee la fuente oficial de OpenAI. Para ampliar el contexto: 1Password y Codex y Data Agent Kit.

¿Qué necesitarías ver para confiar en la trazabilidad de una sugerencia? Conversemos en la Comunidad IA.