"La justicia es la verdad en acción." — Benjamin Disraeli

Cada año, miles de millones de dólares en acuerdos de demandas colectivas quedan sin reclamar. No porque las demandas no sean reales. No porque las personas afectadas no sean elegibles. Es porque presentar la reclamación requiere rastrear una fecha límite de la que nunca oíste hablar, probar una compra que hiciste hace tres años y navegar por un formulario de reclamación que parece diseñado para que lo abandones.

El patrón es consistente. Aparece un titular —un acuerdo de 3,6 millones de dólares por benceno, un caso de contaminación por talco, una demanda colectiva por PFAS— y la gente lo ve, reconoce que probablemente usó el producto y sigue navegando. No porque no les importe. Sino porque el esfuerzo requerido para pasar de "podría ser elegible" a "presenté la reclamación y recibí el pago" es demasiado alto para que la mayoría de las personas lo supere.

Anteriormente compartimos nuestra experiencia en HackPrinceton 2026 x Enter.pro: Construyendo el Futuro | Enter . Ese artículo trataba sobre la energía, la misión y la visión general. Este artículo es una inmersión profunda en un equipo que construyó con Enter durante la competencia y ganó un premio: Aletheia.

Lo que el equipo detrás de Aletheia notó es que el esfuerzo es casi totalmente artificial. La evidencia ya existe. Los historiales de compra de grandes minoristas, aplicaciones de entrega y plataformas de pago contienen registros a nivel de SKU de exactamente qué compró la gente, cuándo y a quién. Los datos que prueban la elegibilidad ya están ahí. Simplemente están en el lado equivocado de un inicio de sesión.

Qué hace Aletheia

Aletheia convierte el historial de compras en un paquete de reclamación listo para presentar en tres pasos.

Vincular cuentas. Los usuarios conectan sus cuentas de compras y entregas, y Aletheia extrae los datos de transacciones: cada nombre de producto, comerciante, fecha y precio por artículo. No categorías. Productos reales.

Escanear en busca de exposición. Un análisis basado en IA compara cada producto comprado con un catálogo curado de productos químicos vinculados a litigios: benceno, talco, parabenos, PFAS, liberadores de formaldehído y otros. Los usuarios reciben un informe de exposición con una puntuación de 0 a 100, un ranking percentil y un desglose por producto químico y producto marcado. No es una advertencia. Es una imagen de a qué te has expuesto realmente, basado en lo que realmente compraste.

Emparejar con acuerdos. Los productos químicos y productos detectados se comparan con un catálogo en vivo de acuerdos de demandas colectivas activos, actualizado cada hora desde bases de datos legales públicas. Cada coincidencia se clasifica: o bien el usuario compró el producto elegible específico, o su exposición se solapa con el producto químico en cuestión. Los acuerdos caducados se filtran. Los duplicados se eliminan. Para cada coincidencia, Aletheia genera una guía de presentación de cinco pasos y un paquete de evidencia en PDF —construido a partir de los registros de compra— listo para enviar.

La brecha que Aletheia está cerrando no trata sobre la complejidad legal. Se trata de información y fricción. Los administradores de reclamaciones ya aceptan registros de compra como prueba. Los registros ya existen. La brecha era una herramienta que pudiera conectarlos automáticamente.

La construcción — y el problema que encontraron

El equipo construyó Aletheia en HackPrinceton Primavera 2026; y su flujo de trabajo pasó de la investigación a los requisitos del producto a Enter —usando las integraciones MCP y habilidades de Enter para conectar fuentes de datos externas y construir la capa de inteligencia— hasta un producto completamente desplegado. Enter manejó la infraestructura backend: la capa de autenticación, la base de datos y las funciones de borde que alimentan el análisis de exposición, el rastreo de acuerdos y la lógica de coincidencia.

El problema más difícil no fue la infraestructura técnica. Fue la confianza.

La primera versión de la lógica de exposición y coincidencia permitió a la IA sintetizar tanto el catálogo de acuerdos como las puntuaciones de coincidencia. Fue rápido de construir y plausible en el resultado — hasta que dejó de serlo. El modelo inventó montos de acuerdos. Generó reclamos por demandas que no existían. Produjo veredictos de elegibilidad que no tenían base en ningún procedimiento legal real.

Para un producto de finanzas al consumidor, eso no es un error. Es un fallo inaceptable. No puedes decirle a alguien que tiene una reclamación por valor de $4,200 si esa cifra provino de un modelo que estaba rellenando huecos en lugar de leer datos verificados.

La solución requirió separar lo que la IA hace bien de aquello en lo que no se puede confiar para hacerlo sola. Los datos reales de los acuerdos ahora se extraen directamente de bases de datos legales públicas, se almacenan canónicamente y se enriquecen con pagos verificados, fechas límite y URLs de reclamación. El papel de la IA en el momento de la coincidencia se limita a citar solo lo que ya está en el catálogo — sin síntesis, sin extrapolación. El resultado está fundamentado porque la base de datos está fundamentada.

Tres capas de deduplicación manejan el hecho de que el mismo acuerdo frecuentemente aparece bajo URLs y títulos ligeramente diferentes en distintas fuentes. La lógica de fechas límite distingue entre acuerdos que están genuinamente cerrados y aquellos con fechas no analizables o pendientes — los primeros filtrados agresivamente, los segundos tratados como todavía abiertos. El recibo en PDF se iteró hasta que pareció algo que un administrador de reclamaciones aceptaría realmente: encabezados de comerciante, tablas de elementos de línea, pies de página de verificación.

Cada ruta tiene una alternativa. La demo nunca llega a un estado roto.

De lo que están más orgullosos

La tubería completa, de principio a fin. Un usuario vincula sus cuentas, recibe un informe de exposición, ve sus acuerdos coincidentes y descarga un PDF listo para presentar — todo a partir de datos de compra que ya tenían, procesados de una forma en la que nunca tuvieron que pensar.

Y el recibo. Hacer que un documento generado parezca evidencia legal, no una salida de hackathon, tomó iteración. Que lo hayan logrado es el detalle al que el equipo sigue regresando.

Lo que sigue

Alertas impulsadas por webhooks: notificar a los usuarios en el momento en que una nueva compra coincida con un acuerdo existente, sin requerir un re-escaneo manual. Formularios de reclamación de autocompletado: precargar campos estándar desde registros de compra y datos de exposición, y enviar en nombre del usuario donde los administradores lo permitan. Revisión histórica mediante OCR de extractos bancarios, que es donde reside el dinero de las reclamaciones de larga cola — reclamaciones sobre productos comprados años antes de que cualquier plataforma comenzara a rastrear SKUs. Y la integración real de pagos: aceptar fondos de acuerdos directamente, con una pequeña comisión por éxito.

La infraestructura para todo ello ya está en su lugar. La tubería que funciona para acuerdos activos funciona para cualquier acuerdo. La recuperación de evidencia que funciona para cuentas vinculadas funciona para estados de cuenta subidos. El alcance de lo que Aletheia puede hacer se expande con cada fuente de datos a la que puede acceder.

El dinero siempre ha estado ahí. Era el camino hacia él lo que faltaba.

El equipo detrás de esto construyó: Haoran Xu | Anish Yenduri | Brian Li | Adarsh Danda

¿Te perdiste los volúmenes anteriores? → Vol. 1 — Heritage in Pixels → Vol. 2 — Terra Zone AI *→ Vol. 3: *reAgent *→ Vol. 4: *TaleTailor *→ Vol. 5: *LEGR *→ Vol. 6: *PolyPath *→ Vol. 7: *EcoThread