Mikhail Yatsuha, CEO y cofundador de CaseCraft.AI

Mikhail Yatsuha, CEO y cofundador de CaseCraft.AI, es un abogado del Reino Unido y emprendedor en tecnología legal con más de una década de experiencia en servicios jurídicos. Ascendió de interno y abogado en prácticas a socio en Sterling Law, donde dirigió el departamento comercial y se encontró repetidamente con disputas de bajo valor viables que se volvieron poco rentables una vez que se tenían en cuenta los costos legales tradicionales. A finales de 2023, cofundó CaseCraft.AI para replantear cómo se evalúan, preparan y gestionan los reclamos civiles mediante flujos de trabajo habilitados por IA, en lugar de simplemente aplicar IA a la redacción legal.

CaseCraft.AI es una empresa británica de tecnología legal que está construyendo una plataforma nativa de IA para litigios civiles. La plataforma integra la evaluación de casos, el procesamiento de pruebas, la correspondencia previa a la acción, la generación de documentos, el seguimiento procesal y la revisión legal humana en un único flujo de trabajo, atendiendo a reclamantes individuales bajo la modalidad de no ganar, no cobrar, y a empresas mediante herramientas de reclamos masivos por suscripción y de gestión de casos. La compañía recaudó aproximadamente £1,8 m en tres rondas de financiación y, a agosto de 2026, había registrado 4 562 asuntos creados con un valor acumulado de £14,9 M, el 51 % se había conciliado o ganado por sentencia en rebeldía, y 373 asuntos estaban en trabajo legal activo; también está pilotando su primer despliegue empresarial y probando un MVP de Derecho Laboral.

Pasaste años ascendiendo de interno y abogado en prácticas a socio en Sterling Law antes de cofundar CaseCraft.AI en 2023. ¿Qué observaste de forma recurrente en la práctica jurídica que te convenció de que el proceso de pequeñas reclamaciones podría rediseñarse fundamentalmente con IA en lugar de simplemente hacerlo más eficiente con un mejor software legal?

Lo que me convenció no fue que los abogados necesitaban una mejor herramienta de redacción. Fue que, en muchas disputas de bajo valor, la economía falla antes de que un abogado pueda ayudar. El costo de la representación puede acercarse o superar el valor en juego, y la mayoría de los costos legales generalmente no son recuperables en pequeñas reclamaciones. Vi reclamaciones viables abandonadas por esa razón en Sterling Law, y luego observé la misma aritmética con empresas que cancelaban facturas impagadas. Eso es un problema del modelo de prestación, no de la redacción. La IA hizo posible rediseñar más del proceso alrededor de la persona que presenta la reclamación, en lugar de simplemente hacer que el abogado que trabaja en ella sea un poco más rápido.

CaseCraft.AI se ha utilizado ahora para crear miles de asuntos legales, con cientos avanzando a trabajo legal activo. ¿Qué has aprendido al operar IA en casos reales que nunca podrías haber descubierto solo con prototipos, simulaciones o pruebas de referencia?

Dos cosas destacan. Primero, generar un documento es la parte fácil; gestionar un asunto es difícil. Un caso en vivo implica que la evidencia, los pagos, los plazos, las respuestas y los próximos pasos deben mantenerse consistentes durante meses. A agosto de 2026, se habían creado más de 4 500 asuntos a través de CaseCraft, más de 400 habían avanzado a trabajo legal activo, y se habían presentado 130 reclamaciones ante el tribunal.

Segundo, las personas se comportan de manera diferente con la IA. Pueden ser más sinceras, lo que ayuda a revelar hechos importantes antes, pero el sistema también debe establecer límites y saber cuándo debe intervenir un ser humano. Aprendimos eso directamente al introducir una llamada humana en una etapa sensible de confianza, lo que mejoró la conversión en al menos un 15 %.

Gran parte de la primera ola de IA generativa se centró en producir texto. CaseCraft.AI, en cambio, debe recopilar pruebas, determinar la elegibilidad, seguir las normas procesales, activar acciones y seguir un asunto a lo largo del tiempo. ¿Cómo difiere técnicamente la construcción de este tipo de flujo de trabajo agente de la construcción de un asistente o chatbot de IA?

Un chatbot responde a una pregunta; un flujo de trabajo agente debe mantener el estado de un asunto real a lo largo del tiempo —qué ha sucedido, qué evidencia existe, qué falta y qué puede ocurrir a continuación. Por ello, concebimos el sistema como componentes especializados en lugar de un único modelo que lo haga todo: algunos recopilan y validan información, otros fundamentan el razonamiento legal o procesan documentos entrantes. El objetivo no es el mejor párrafo, sino una secuencia fiable de decisiones y acciones que avance el asunto hacia el mejor resultado disponible.

En un flujo de trabajo legal, un modelo puede producir algo que suena totalmente convincente pero que sigue siendo procedimental o factualemente incorrecto. ¿Cómo has diseñado CaseCraft.AI para distinguir entre una salida de IA plausible y la información que realmente es lo suficientemente fiable para usar en un asunto legal?

El principio rector es que el modelo no puede inventar el universo legal en el que opera. Limitamos el sistema a la evidencia del asunto y a fuentes legales autoritativas, en lugar de pedir a un modelo de propósito general que responda desde la memoria. CaseCraft.AI tiene acceso a los últimos cambios legislativos, precedentes relevantes y buenas prácticas establecidas mediante APIs gubernamentales y otras fuentes autoritativas, por lo que el contexto legal se mantiene actualizado.

También separamos la generación de la validación y mantenemos la revisión profesional dentro del marco regulado de servicios legales. La prueba no es si una salida suena como si la hubiera escrito un abogado, sino si la fuente, la evidencia y el paso procesal pueden verificarse.

Has hablado sobre la importancia de la “supervisión humana medible”. ¿Qué significa eso en la práctica y cómo determinas qué decisiones puede tomar un sistema de IA de forma autónoma versus dónde debe seguir siendo responsable un ser humano?

La supervisión humana medible implica que la participación humana está vinculada a un riesgo identificable, y podemos ver dónde ocurre la intervención y por qué. “Humano en el bucle” no debe ser solo una frase tranquilizadora; debemos poder señalar el desencadenante, la revisión y la decisión que le siguió.

Todavía estamos construyendo la base de evidencia sobre dónde deben situarse esos límites. Una medida a la que ya podemos referirnos es el tiempo de revisión: desde el lanzamiento, el tiempo necesario para la revisión humana se ha reducido cuatro veces a medida que el sistema ha mejorado. Con el tiempo, el objetivo es que la revisión sea más basada en el riesgo, manteniendo el juicio profesional responsable donde sea legalmente necesario.

La evidencia es fundamental en las pequeñas reclamaciones, pero puede presentarse como contratos, facturas, correos electrónicos, mensajes, fotografías y otra información no estructurada. ¿Cómo abordas la transformación de ese material en entradas estructuradas que un sistema de IA pueda razonar, preservando la procedencia y evitando conclusiones no respaldadas?

El principio clave es mantener la extracción separada de la inferencia. Si un usuario sube una conversación de WhatsApp con un constructor, las fechas, el precio cotizado y las palabras usadas son hechos extraídos; una conclusión sobre la relevancia legal de ese intercambio es inferencia. Ambos nunca deben presentarse como lo mismo. Estructuramos los documentos para que el flujo de trabajo los pueda usar mientras preservamos el vínculo con la evidencia original. Si ese vínculo desaparece, se puede crear un expediente que se lea bien pero que se desmorone cuando se cuestione.

Uno de los problemas más difíciles para los sistemas autónomos es saber cuándo no actuar. ¿Qué señales indican a CaseCraft.AI que una reclamación se ha vuelto demasiado ambigua, compleja o arriesgada para la automatización y debe, en su lugar, escalarse a un profesional del derecho?

Una de nuestras salvaguardas es contraintuitiva: prestamos atención no solo a los casos que la IA quiere avanzar, sino también a los que tiende a rechazar. La supervisión humana no solo sirve para evitar que la IA sea demasiado agresiva; también puede impedir que el sistema sea demasiado conservador y descarte un argumento legítimo.

Una de las señales de escalada más claras hoy es la falta de evidencia. Las personas pueden no subir los documentos relevantes, pueden haberlos perdido con el tiempo, o pueden no darse cuenta de qué evidencia es importante para la reclamación. Cuando el asunto no es lo suficientemente claro o completo, el siguiente paso puede ser la revisión humana en lugar de la progresión automática. Los abogados siguen manejando el contexto y las áreas grises de forma más consistente que los sistemas actuales.

A medida que los sistemas de IA asumen más pasos tradicionalmente realizados por abogados, ¿cómo crees que evolucionará la frontera entre la automatización de software y los servicios legales regulados?

La frontera se desplazará, pero más lentamente de lo que muchas personas en tecnología esperan. Los sistemas de alto riesgo no pueden confiar en la promesa de que el próximo modelo será mejor; la fiabilidad debe demostrarse mediante fuentes autoritativas, validación, controles y revisión humana responsable. Con el tiempo, espero que la IA se convierta en algo en lo que los profesionales puedan confiar dentro de límites claramente definidos, pero la autonomía debe ganarse a través del desempeño observado y resultados reales. La pregunta útil no es “¿software o abogado?” sino qué actividad se está realizando, qué evidencia la respalda y quién sigue siendo responsable.

Los modelos de IA de propósito general están adquiriendo capacidad muy rápidamente. ¿Qué genera una ventaja sostenible para una empresa de IA vertical como CaseCraft.AI cuando los modelos base subyacentes disponibles para todos siguen mejorando?

Nuestra ventaja nunca iba a ser poseer un modelo base. Los modelos de propósito general mejores son una buena noticia para nosotros. La parte difícil es todo lo que los rodea: la recuperación, la base de datos de asuntos, el conocimiento legal, la infraestructura de flujos de trabajo, las integraciones, los controles y la comprensión operativa de cómo una reclamación avanza de principio a fin. Ese trabajo no desaparece cuando se lanza un nuevo modelo.

Para el usuario, debería sentirse como un único lugar donde ocurre el caso, mientras la orquestación permanece bajo la superficie. La misma infraestructura está empezando ahora a soportar tanto a reclamantes individuales como a empresas que utilizan reclamos por lotes de hasta 150 reclamaciones con un clic y flujos de gestión de casos. Creo que la orquestación y la ejecución del dominio son la barrera duradera para la IA vertical.

Mirando más allá de las pequeñas reclamaciones, ¿qué has aprendido de CaseCraft.AI sobre el futuro más amplio de la IA agente? ¿Qué otras industrias de alto riesgo consideras especialmente adecuadas para sistemas que pueden gestionar flujos de trabajo complejos mientras mantienen a los humanos responsables de decisiones críticas?

Soy optimista respecto a la IA agente, pero el trabajo difícil está alrededor del modelo: rediseñar procesos, estructurar la información, definir lo que el sistema puede hacer y construir validación y escalada. Por eso, las industrias reguladas a menudo avanzan más lentamente; las personas que comprenden el flujo de trabajo lo suficientemente bien como para automatizarlo suelen ser los expertos más ocupados de la organización.

Las oportunidades más fuertes son los flujos de trabajo con gran cantidad de recopilación de información y procesamiento de documentos repetibles, pero con un número menor de excepciones que aún requieren juicio responsable. Para CaseCraft, el Derecho Laboral es la expansión más cercana, con un MVP en pruebas activas, y estamos explorando Lesiones Personales con una firma de litigios especializada. Más allá del derecho, el seguro, los servicios financieros y el cumplimiento tienen una forma similar. Los sistemas que triunfen sabrán no solo cómo automatizar la conversación, sino exactamente cuándo la máquina debe detenerse y un humano debe intervenir.

Gracias por la excelente entrevista, los lectores que deseen obtener más información deben visitar CaseCraft.AI.