Una firma de abogados de tamaño medio (40 a 60 profesionales, práctica de derecho mercantil, societario y litigios) usa Claude y ChatGPT a diario para resumir contratos, extraer cláusulas, preparar borradores de escritos y buscar precedentes internos. Su repositorio central es un Nextcloud on-premise con contratos, expedientes, due diligence, memorandos y correspondencia confidencial.
La IA ahorraba horas cada semana. La firma no tenía ninguna cifra de cuántos documentos salían de su red ni de cuánto costaba cada consulta.
Qué salía de la red y cuánto costaba
El patrón de trabajo era siempre el mismo: abrir el documento en Nextcloud, copiarlo o subirlo al chat, preguntar. En el diagnóstico de las dos primeras semanas detectamos dos problemas graves y simultáneos.
Fuga de información continua. Contratos con datos de clientes, cláusulas de no competencia, valoraciones, estrategias de litigio e información sujeta a secreto profesional salían del perímetro de la firma hacia proveedores de modelos externos. Sin registro, sin control de retención y sin posibilidad de revocación.
Coste de tokens desproporcionado. Un contrato de 40 o 80 páginas se reenviaba varias veces en la misma conversación o en hilos posteriores. El consumo medio por consulta de documentación era entre 8 y 15 veces superior al necesario.
El intento fallido del equipo técnico
Antes de contactarnos, el equipo técnico había intentado resolverlo por su cuenta desplegando el MCP oficial de Nextcloud. El resultado empeoró la factura:
- El servidor resultó pesado para una infraestructura limitada. Consumía memoria y CPU de forma notable en un entorno ya ajustado, con degradación de rendimiento y preocupación de estabilidad.
- La forma en que exponía y procesaba los documentos generó más contexto del necesario, más llamadas y más tokens facturados, agravando el problema de coste que pretendía solucionar.
El equipo había cambiado una fuga por copy-paste por un servidor que consumía recursos de infraestructura y subía el gasto en IA.
Qué hicimos: una capa de seguridad entre Nextcloud y los modelos
En el Assessment de IA con control diseñamos e implementamos una capa de seguridad para el acceso de agentes de IA a la documentación confidencial, compuesta por seis piezas:
-
Servidor MCP ligero y controlado. Desarrollamos y liberamos como open source nextcloud-mcp-fast: un servidor MCP escrito en Go con huella mínima de recursos (20 a 50 MB de RAM en idle), path jail estricto, permisos granulares (read-only por defecto) y circuit breaker. Elimina el consumo excesivo de infraestructura y evita que el modelo reciba más contexto del necesario.
-
Guardrail de protección de datos sensibles. Antes de que cualquier contenido llegue a los modelos, un componente intercepta y redacta (o bloquea) datos sensibles: datos personales de clientes, números de identificación, importes críticos, nombres de partes en litigio, cláusulas marcadas como confidenciales y cualquier otro patrón definido por la firma. La IA trabaja con una versión saneada del documento; los datos sensibles nunca salen del perímetro ni llegan al proveedor del modelo.
-
Gobernanza del perímetro de IA. Definición clara de qué modelos y agentes pueden acceder a qué carpetas y con qué permisos, y eliminación del copy-paste como vector de fuga.
-
Auditoría y trazabilidad. Registro de cada llamada de herramienta y de cada acción del guardrail: quién consultó qué archivo, qué se redactó, cuándo y con qué resultado. Evidencia demostrable ante compliance, clientes o reguladores.
-
Controles técnicos de contención. Path jail, límites de tamaño de lectura, rate limiting y autenticación con App Passwords u OAuth. El modelo solo ve lo que el abogado ya tiene derecho a ver en Nextcloud, y solo después de pasar por el filtro de protección.
-
Arquitectura compatible con infraestructura limitada. Despliegue ligero, sin exigir más recursos de los que la firma ya tenía.
Con estas piezas, el acceso de la IA a los documentos pasó a ser una operación controlada y auditable, con protección previa de datos sensibles y coste predecible.
Pulse un paso para ver qué ocurre en él, o reproduzca el recorrido completo.
Resultados a los 90 días
Medición sobre el caso anonimizado, 90 días después del despliegue.
| Indicador | Copy-paste | MCP oficial | Capa de seguridad |
|---|---|---|---|
| Documentos confidenciales enviados a modelos externos | Constante | Reducido, no eliminado | Cero. Se redactan antes de salir |
| Tokens por consulta de documentación | 100 % (base) | Por encima de la base | 70 a 85 % menos |
| Memoria del servidor MCP | No aplica | Alta, con presión sobre CPU | 20 a 50 MB en reposo |
| Tiempo para reunir el contexto de un expediente | 10 a 20 min | Variable | 2 a 3 min |
| Trazabilidad de accesos y redacciones | Ninguna | Parcial | Completa y auditable |
| Riesgo para el secreto profesional | Alto | Moderado | Mitigado y demostrable |
Los abogados siguen usando los mismos modelos, ahora dentro del perímetro de la firma y con el guardrail de redacción activo antes de que el contenido llegue al proveedor.
Por qué importa para una firma de abogados
En el sector legal, una fuga de información tiene consecuencias reputacionales, disciplinarias y contractuales, además de las técnicas. Por otro lado, el gasto en tokens por consultas repetidas de documentos largos crece rápido hasta ser un coste operativo relevante.
La intervención eliminó la fuga por copy-paste, evitó el sobrecoste de una solución pesada y redujo el consumo de tokens. La protección de datos sensibles actúa antes de que la información llegue a los modelos externos.
¿Su firma usa IA sobre documentación confidencial y no sabe qué sale de su perímetro?
El Assessment de IA con control incluye un diagnóstico de alcance y precio cerrado: inventario de documentos, superficie de exposición hacia proveedores de modelos y hoja de ruta priorizada por riesgo.
