> ## Content Index > Fetch the complete content index at: https://www.digitalbrain.news/llms.txt > Use this file to discover other available public pages before exploring further. # Engram y Harvey bajan la consulta legal de 1,32 a 0,13 dólares metiendo el despacho en el modelo - URL: https://www.digitalbrain.news/noticias/engram-harvey-agente-legal-memoria-013-dolares/ - Published: 2026-08-19T14:27:22.000Z - Updated: 2026-08-20T07:41:48.000Z - Description: Engram y Harvey han publicado los números de un experimento que responde a la pregunta que más veces sale cuando alguien quiere meter agentes en su… - Author: Ramón Pérez Coronado - Tags: #noticias, memoria, agentes-ia, legaltech Engram y Harvey han publicado los números de un experimento que responde a la pregunta que más veces sale cuando alguien quiere meter agentes en su empresa: qué haces con los años de documentos que el modelo no conoce. Su respuesta es meterlos dentro del modelo, y [el resultado](https://engram.com/blog/legal-agents-with-memory?ref=digitalbrain.news) es una consulta a 0,13 dólares frente a los 1,32 que cuesta la misma pregunta con Opus 4.8. ## Puntos clave - Despacho sintético de 100 millones de [tokens](https://www.digitalbrain.news/guias/que-es-un-token-en-ia/), 266 asuntos y 9.286 ficheros. - 0,13 dólares por consulta con 30% de aciertos completos, frente a 1,32 y 25% de Opus 4.8 con [razonamiento](https://www.digitalbrain.news/guias/que-es-un-modelo-de-razonamiento-en-ia/) alto. - Alrededor de un 90% menos de coste por consulta, con más precisión. - El modelo base es [Qwen3.8-](https://www.digitalbrain.news/glosario/#qwen)27B, un denso ligero. - Conocimiento a libro cerrado del 4,7% al 72,6% durante el [entrenamiento](https://www.digitalbrain.news/glosario/#entrenamiento). ## El montaje Construyeron un despacho ficticio, Calderwood & Harkness, con el volumen de documentación que tendría uno real: 100 millones de tokens repartidos en más de 250 asuntos de cliente. Para hacerse una idea, es unas 67 veces la saga completa de Harry Potter. Encima de eso, tres tipos de memoria que se apoyan entre sí. Memoria en los parámetros: el conocimiento del despacho se mete dentro del modelo con ajuste fino eficiente en parámetros (LoRA, cachés KV entrenables y expertos [MoE](https://www.digitalbrain.news/glosario/#moe)). El modelo se aprende la casa. Memoria en texto: un millón de tokens de notas organizadas por esquemas, legibles por una persona, que identifican los rasgos comunes a muchos documentos. Es el resumen estructurado de los 100 millones. Y herramientas de búsqueda: acceso en vivo a los documentos originales y al archivo, para cuando hace falta el dato exacto. ## Los números que importan Frente a Opus 4.8 con razonamiento alto y acceso a las mismas herramientas de búsqueda, el agente de Engram gana en las dos columnas: 0,13 dólares por consulta contra 1,32, y 30% de aciertos completos contra 25%. La métrica que ellos llaman inteligencia por token va en la misma dirección: 190,8 puntos de criterio por cada 100.000 tokens frente a 129,3. Y el comportamiento cambia de forma medible. El agente entrenado llega al asunto correcto en 3,73 turnos, frente a 5,94 del modelo base. Sus búsquedas dirigidas devuelven 5,59 asuntos, frente a 12,17 del base, que es como decir que apunta mejor y trae menos ruido. El 99,2% de sus recorridos empiezan por una búsqueda dirigida; en el modelo base eso solo pasa el 3,2% de las veces. Esa última cifra es la más elocuente. Un modelo que no conoce la casa empieza dando palos de ciego y va acotando. Uno que la conoce sabe dónde mirar en el primer movimiento. Cada turno que se ahorra son tokens que no se pagan. ## El conocimiento a libro cerrado El salto del 4,7% al 72,6% mide cuánto sabe el modelo del despacho sin consultar ningún documento. Es lo que un abogado sénior lleva en la cabeza después de años: quién es quién, qué cláusulas usa la casa, cómo se resolvió aquel asunto parecido. Ese es el punto conceptual del experimento. La discusión de los últimos dos años ha girado alrededor de cuánto contexto le cabe al modelo en la ventana. Esto propone otra cosa: que parte del contexto deje de ser contexto y pase a ser peso. Con un matiz que ellos mismos mantienen. No han quitado la búsqueda. El modelo se sabe la casa y además puede ir a comprobar el documento. Lo que no hace es empezar cada consulta desde cero. ## Por qué importa a un operador El coste por consulta es el número que hay que llevarse a la hoja de cálculo. Diez veces menos cambia qué automatizaciones salen a cuenta. A 1,32 dólares la consulta, un proceso con 5.000 consultas al mes cuesta 6.600 dólares. A 0,13, cuesta 650\. Hay muchísimos procesos que solo funcionan del segundo lado. Y el modelo base es un denso de 27.000 millones de [parámetros](https://www.digitalbrain.news/glosario/#parametros), no un modelo de frontera. Es lo que se puede montar sin depender del modelo más caro del catálogo. Ahora la parte incómoda. Esto exige tener los documentos ordenados. Los 266 asuntos y los 9.286 ficheros del experimento son sintéticos y están limpios. En un despacho real, en una empresa real, ese material está en carpetas compartidas, en correos y en el disco duro de alguien que se fue en 2023. La conclusión de siempre, otra vez: lo primero no es el modelo, es el dato. Solo que ahora hay un número que dice cuánto vale ordenarlo. Un aviso final sobre el 30%. Ese es el porcentaje de consultas donde el agente cumple todos los criterios de evaluación. Está por encima del 25% de Opus, y sigue siendo tres de cada diez. Esto no sustituye a nadie: prepara el trabajo para que lo revise quien firma. --- **Relacionado** [![ChatGPT estrena Computer History: recuerda lo que hiciste en el Mac y lo convierte en skills](https://storage.ghost.io/c/6d/e3/6de31f63-d0a8-45df-9c6a-481016520347/content/images/size/w300/format/webp/2026/08/chatgpt-computer-history-memoria-actividad-mac.png)ChatGPT estrena Computer History: recuerda lo que hiciste en el Mac y lo convierte en skills](https://www.digitalbrain.news/noticias/chatgpt-computer-history-memoria-actividad-mac/)[![Harvey estrena modelo propio y agentes que abren ya dentro del expediente](https://storage.ghost.io/c/6d/e3/6de31f63-d0a8-45df-9c6a-481016520347/content/images/size/w300/format/webp/2026/08/harvey-ii-tenet-modelo-legal-propio-contexto-asunto.png)Harvey estrena modelo propio y agentes que abren ya dentro del expediente](https://www.digitalbrain.news/noticias/harvey-ii-tenet-modelo-legal-propio-contexto-asunto/)