Enter estuvo en HackPrinceton Spring 2026: 410 participantes, 36 horas, en el campus de Princeton. El equipo detrás de ACTA AI eligió el problema más difícil de la sala. Y sabían exactamente por qué.

Un problema humanitario con disfraz legal

Cada día que un ensayo clínico se retrasa, los pacientes con cánceres agresivos, enfermedades raras y afecciones crónicas esperan más tiempo por terapias que podrían cambiar o salvar sus vidas.

Antes de que un solo paciente pueda inscribirse en un ensayo, los patrocinadores farmacéuticos y los centros de investigación clínica deben negociar un Acuerdo de Ensayo Clínico: un documento legal complejo que cubre propiedad intelectual, indemnización, derechos de publicación, privacidad del paciente y obligaciones de notificación regulatoria. Esta negociación toma un promedio de 100 días. Con una pérdida de valor de la cartera de entre 800.000 y 1,4 millones de dólares por día, el costo financiero es significativo. Pero el número más importante es el que no aparece en ningún modelo financiero: los pacientes al otro lado de ese retraso a quienes se les agota el tiempo.

Para una empresa que ejecuta 56 programas activos en etapa clínica, reducir 50 días de cada negociación libera más de 2.240 millones de dólares en valor de cartera. Más importante aún, significa que los pacientes que enfrentan linfomas agresivos o enfermedades inflamatorias raras obtienen acceso a terapias potencialmente vitales casi dos meses antes.

El equipo no enmarcó esto como un problema de automatización legal. Lo enmarcaron correctamente: como un problema humanitario que resulta parecerse a un papeleo.

Lo que ACTA AI hace realmente

ACTA AI es una plataforma de inteligencia contractual multiagente construida en torno al proceso de acuerdos de ensayos clínicos, diseñada para hacer lo que ninguna herramienta legal comercial de IA hace actualmente: analizar contratos cláusula por cláusula, aplicar una base estándar, rastrear negociaciones entre versiones y partes, y detectar conflictos entre contratos antes de que se conviertan en crisis legales.

La decisión arquitectónica que define todo el producto es también la más sencilla de explicar. Un contrato legal de 30 páginas lanzado a un modelo de lenguaje como un solo bloque de texto produce resultados poco fiables. El equipo fue en la dirección completamente opuesta. Cada contrato se divide en cláusulas individuales, cada una analizada de forma independiente frente a una base de datos codificada de siete estándares de ACTA (ventanas de revisión de publicación, estructura de indemnización, términos de pago, duración de la confidencialidad, límites de costos indirectos) antes de que los resultados se agreguen en un resumen ejecutivo. La estructura es lo que separa a una herramienta de inteligencia legal de un sofisticado cuadro de búsqueda.

Interfaz de análisis de cláusulas de ACTA AI, que muestra puntuación de cumplimiento independiente para cada sección del contrato frente a la base estándar de ACTA: las desviaciones se marcan por gravedad antes de que se genere el resumen ejecutivo.

Un sistema de puntuación de confianza clasifica cada cláusula en cuatro categorías: alineada con la base y lista para proceder, una desviación menor con una solución estándar, una desviación crítica que causará retrasos de varias semanas si no se resuelve, o lenguaje que el sistema no ha encontrado antes y dirige directamente a un abogado humano. Un equipo legal de dos personas puede gestionar 50 contratos simultáneos porque siempre saben dónde mirar primero.

El modo ACTA de un solo clic aborda el escenario en el que una negociación se ha estancado por completo. Un solo botón reescribe cada cláusula que se desvía hacia la base simultáneamente, generando una vista de cambios rastreados lado a lado y un memorándum de negociación listo para enviar que explica cada cambio a la otra parte.

Las personas de sitio predictivas tienen en cuenta algo que las herramientas de contrato genéricas ignoran por completo: diferentes hospitales negocian de forma diferente. Un centro médico académico y un hospital comunitario regional tienen diferentes prioridades legales, diferentes reflejos y diferentes líneas rojas. ACTA AI predice dónde surgirá la fricción antes incluso de que se envíe el contrato.

El detector de conflictos multipartes (que el equipo describió como la función que más les sorprendió) resuelve un problema que actualmente requiere que abogados senior crucen manualmente cientos de documentos. Cargue múltiples acuerdos de ensayos clínicos, ejecute el escaneo y el sistema muestra inconsistencias en los contratos: concesiones de propiedad intelectual conflictivas a diferentes sitios para el mismo compuesto, ventanas de publicación incompatibles prometidas a instituciones separadas. Lo que antes surgía como una crisis legal meses después del programa, ahora surge en segundos.

Interfaz del detector de conflictos multipartes, que muestra inconsistencias entre contratos señaladas en acuerdos de ensayos clínicos simultáneos: una capacidad que el equipo construyó en tres horas y que puede ser la característica más significativa comercialmente del producto.

Cómo se unió todo

El backend es un flujo de trabajo de cuatro agentes (analizador de documentos, extracción de cláusulas, identificación de riesgos, verificación de cumplimiento, sugerencia) con un objeto de estado compartido que lleva las cláusulas extraídas, los hallazgos de riesgo, los resultados de cumplimiento y las diferencias de versión en cada paso. La arquitectura también incluye una capa de enrutamiento que refleja cómo los bufetes de abogados asignan el trabajo realmente: las cláusulas legalmente complejas van a un modelo optimizado para el razonamiento legal, las tareas de clasificación rápida van a un modelo optimizado para la velocidad y las reescrituras complejas van a un modelo optimizado para la calidad del lenguaje. El modelo adecuado para el trabajo adecuado, incorporado en el sistema en lugar de dejarlo al azar.

Ninguno de los miembros del equipo había construido un flujo de trabajo multiagente de producción antes de que comenzara el fin de semana. La arquitectura pasó por tres rediseños completos antes de llegar al que finalmente se mantuvo. Mirando hacia atrás, el equipo describió esas discusiones iniciales como las horas más valiosas del hackathon.

El frontend se reconstruyó dos veces, intencionadamente. El lenguaje visual utiliza cremas cálidos, verdes salvia y azules apagados. El razonamiento detrás de esas elecciones se declaró claramente: el software clínico debe sentirse confiable y tranquilo. El diseño es una decisión de producto, no una estilística.

De lo que están más orgullosos

De que funciona con documentos reales.

Acuerdos de ensayos clínicos reales (formato desordenado, orden inusual de cláusulas, lenguaje legal que el sistema nunca había encontrado en el desarrollo) y el flujo de trabajo los maneja. Los casos extremos se degradan correctamente. Los fallos se activan limpiamente. La salida estructurada se mantiene.

El detector de conflictos multipartes casi no llega a la presentación. Fue una adición tardía construida en tres horas. Lo enviaron de todos modos, y creen que es la cosa más valiosa comercialmente del producto.

También están orgullosos de algo que no aparece en la demostración: en la hora 28, cansados y bajo presión, no se desquitaron los unos con los otros. Describieron ser respetuosos con tu equipo bajo presión como una habilidad, y tratarla como tal. Eso no es algo menor. Probablemente por eso se terminó todo lo demás.

El detector de conflictos multipartes es la primera prioridad: pasar de un prototipo funcional al almacenamiento persistente de contratos, seguimiento del historial de conflictos, alertas automatizadas y visualización de red que muestre qué sitios comparten términos legales superpuestos.

La arquitectura centrada en la privacidad es lo siguiente. Los acuerdos de ensayos clínicos contienen información sensible tanto sobre pacientes como sobre organizaciones. La próxima versión necesita cifrado de extremo a extremo, controles de acceso basados en roles y un marco de manejo de datos que satisfaga los requisitos regulatorios para ambas partes de la negociación. La confianza, como dijo el equipo, es la base de cualquier producto legal. Quieren ganársela adecuadamente.

La ambición a más largo plazo es que el agente aprenda de casos reales, alimentando al sistema con los resultados reales de las negociaciones para que perfeccione sus modelos de riesgo con el tiempo. Qué desviaciones causaron retrasos. Qué líneas rojas fueron aceptadas. Qué tipos de sitios presionaron más en qué cláusulas. El sistema se vuelve más inteligente con cada contrato que procesa.

Y, finalmente, inteligencia de negociación longitudinal: una función que le dice a un equipo legal exactamente cómo un sitio determinado ha negociado en el pasado, qué lenguaje aceptaron finalmente y dónde es más probable que surja fricción; el tipo de memoria institucional que actualmente vive en las cabezas de los abogados individuales, hecha accesible para todos en el equipo.

El problema que vale la pena resolver

ACTA AI no se construyó para ganar una categoría. Se construyó porque el problema es real, los cálculos son brutales y nadie lo ha resuelto realmente.

La brecha entre una terapia prometedora que entra en ensayos y un paciente que obtiene acceso a ella no es principalmente un problema científico. Es un problema de coordinación, un problema de documentación, un problema de proceso; exactamente el tipo de problema que la inteligencia estructurada aplicada en la capa correcta puede eliminar.

El equipo vio esa brecha y pasó 36 horas construyendo algo que ayuda a cerrarla. Los pacientes al otro lado de esa mesa de negociación no tienen 100 días para esperar.

¿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→ Vol. 8 *— Aletheia *→ Vol. 9 *— Synova → Vol. 10 — Overturn Insurance→Vol. 11 — **VentureLink *→**Vol. 11 *—Atlas: Aprendizaje inmersivo 3D con IA