La incertidumbre jurídica como objeto de medición
La aplicación del artículo 137 de la Decisión 486 de la CAN, que sanciona el registro de signos que aprovechen indebidamente la reputación ajena, depende en la práctica de la apreciación subjetiva del examinador. Dos especialistas pueden evaluar el mismo caso y llegar a conclusiones opuestas; esa variabilidad es inherente al sistema, pero no por ello debe permanecer incontrolada.
La estadística ofrece una ruta alternativa: convertir la apreciación en medida. En lugar de preguntarse si un signo es o no confundible, SpinLoyalty cuantifica la probabilidad de que la Superintendencia de Industria y Comercio (SIC) aplique el artículo, basándose en patrones históricos, en la semántica de los textos y en la calibración objetiva de las diferencias entre examinadores.
Esa distinción la entendí en carne propia cuando, en la distribuidora, recibí una oposición marcaria sin previo aviso. El abogado me explicaba el riesgo con palabras «se parece», «el examinador es estricto» mientras yo necesitaba desesperadamente un número. Esa necesidad de un número, de una probabilidad que pudiera sopesar contra el costo de litigar o conciliar, fue la que dio origen a SpinLoyalty.
Juicios basados en medidas, no en impresiones
El enfoque tradicional se apoya en la experiencia acumulada; el enfoque estadístico se apoya en datos etiquetados y en distribuciones de probabilidad. Cada resolución de la SIC contiene una decisión binaria (aplica o no aplica el artículo 137) y un conjunto de características observables: clase de Niza, tipo de signo, similitud fonética, similitud gráfica, grado de notoriedad de la marca opuesta, examinador y año de emisión.
El modelo transforma esas características en un predictor lineal y, mediante una regresión logística bayesiana, produce una distribución posterior sobre la probabilidad de éxito. Esa distribución no es un número aislado; es un juicio con respaldo empírico. Decir que la probabilidad de que la SIC aplique el artículo es del 73 % es una afirmación muy distinta a decir que «es probable que lo aplique». La primera es una medida; la segunda, una intuición.
Como bien lo resume Richard McElreath, «la inferencia bayesiana no es más que contar el número de formas en que las cosas pueden ocurrir, de acuerdo con nuestros supuestos». SpinLoyalty cuenta esas formas usando el propio historial de la SIC como verdad de campo.
Calibración objetiva de discrepancias entre examinadores
Uno de los problemas estructurales del sistema es la heterogeneidad de criterios. Un examinador puede ser sistemáticamente más riguroso que otro; esa diferencia introduce ruido en cualquier evaluación basada únicamente en precedentes.
El modelo jerárquico resuelve este problema mediante contracción parcial (shrinkage). Cada examinador tiene un efecto aleatorio que se estima a partir de sus decisiones pasadas; sin embargo, ese efecto no se toma al pie de la letra, sino que se encoge hacia la media global. El grado de contracción depende de la cantidad de decisiones que haya emitido el examinador y de la variabilidad general del sistema.
Este mecanismo calibra las discrepancias de manera objetiva. Un examinador con pocas resoluciones se aproxima al comportamiento promedio; un examinador con un historial extenso y consistente puede desviarse más de la media, pero siempre dentro de un intervalo de credibilidad que cuantifica la incertidumbre de esa estimación. Así, la evaluación de un caso no depende de la suerte de topar con un examinador laxo o severo; depende de la evidencia acumulada y de la calibración estadística que la pondera.
Distinción estandarizada: medir la diferenciación entre signos
El concepto de «diferenciación» entre signos es central en el derecho marcario, pero suele operar como una noción difusa. SpinLoyalty la convierte en una variable cuantificable mediante dos mecanismos complementarios.
El primero es el procesamiento de lenguaje natural (NLP). Los textos de las resoluciones se proyectan en un espacio vectorial de alta dimensión; allí, la distancia semántica entre los signos en conflicto se mide con métricas estándar, como la similitud del coseno o la distancia euclidiana. Cuanto más cercanos son los vectores en ese espacio, menor es la diferenciación objetiva y mayor el riesgo de que el examinador aprecie un aprovechamiento indebido. Cuanto más separados, mayor la distinción y menor la probabilidad de aplicación del artículo.
El segundo es la estandarización de las variables predictoras. Las similitudes fonéticas, gráficas y conceptuales se codifican en escalas continuas y comparables; esa estandarización permite que el modelo aprenda umbrales de decisión que no dependen de la calificación subjetiva de un analista humano. La diferenciación deja de ser una impresión y se convierte en una distancia medida que, junto con las demás variables, alimenta la predicción.
Modelo bayesiano jerárquico: estructura y actualización
El núcleo de SpinLoyalty es una regresión logística bayesiana con efectos jerárquicos. Su especificación responde a la estructura del problema: un efecto por examinador que captura y calibra la heterogeneidad, efectos fijos para las variables del caso, y un predictor lineal que los combina en una probabilidad que se actualiza con cada nueva resolución.
El modelo no estima coeficientes estáticos. Cuando se emite una nueva resolución, la posterior se actualiza de forma automática. Si un examinador empieza a modificar su criterio, el modelo detecta el cambio y ajusta la estimación. Las predicciones no están congeladas: evolucionan con los datos, como lo describe Andrew Gelman: «La inferencia bayesiana es el proceso de ajustar un modelo de probabilidad a los datos y resumir el resultado mediante una distribución de probabilidad sobre los parámetros del modelo».
El resultado es una probabilidad que puede leer un abogado sin formación estadística: «Hay un 82 % de probabilidad de que la SIC considere que este signo aprovecha indebidamente la reputación de la marca opositora». Los números hablan el mismo idioma que el problema; no requieren traducción.
«La inferencia bayesiana es el proceso de ajustar un modelo de probabilidad a los datos y resumir el resultado mediante una distribución de probabilidad sobre los parámetros del modelo.» - Andrew Gelman, Bayesian Data Analysis (2013)