SpinLoyalty: Cuando la estadística entra al estrado marcario

Resumen rápido

¿Qué tan parecida tiene que ser una marca para que la SIC la declare desleal? SpinLoyalty intenta responder esa pregunta con modelos bayesianos jerárquicos, distancias de Levenshtein y análisis de componentes principales. Pero el verdadero debate es si ese número —78% de probabilidad de denegación— tiene peso en un estrado.

Hay una pregunta que todo abogado de propiedad industrial conoce de memoria: '¿Qué tan parecida tiene que ser esta marca para que la SIC la considere un aprovechamiento parasitario?'. Es la pregunta que llega cuando el cliente muestra emocionado su nuevo logo y tú notas que se parece peligrosamente al de un competidor consolidado. Y la respuesta honesta, durante décadas, ha sido una mezcla de intuición, experiencia y horas leyendo el complejo buscador de la SIC.

Esa incertidumbre tiene un costo real. Para el emprendedor, es el miedo a lanzar un producto y recibir una demanda ruinosa meses después. Para la empresa establecida, es no saber cuánto valen sus años de construcción de marca frente a un imitador oportunista. Para el abogado, es tener que dar una opinión jurídica robusta sin datos duros que la respalden.

El artículo 137 de la Decisión 486 de la Comunidad Andina regula esta causal: un signo puede ser irregistrable si su solicitud busca 'perpetrar, facilitar o consolidar un acto de competencia desleal', especialmente el aprovechamiento de la reputación ajena. La norma existe. La jurisprudencia de la SIC existe. Lo que no existía era una forma sistemática de convertir esos cientos de precedentes en una herramienta de análisis predictivo que cualquier abogado pudiera usar.

• La SIC emite decenas de resoluciones anuales sobre Art. 137; sin sistematización, cada caso se analiza desde cero
• El sistema de búsqueda público de la SIC no permite análisis de patrones ni exportación masiva de datos
• La respuesta 'depende' tiene un costo real: tiempo de investigación, inconsistencia en asesoría y negociaciones sin base empírica
• Los litigantes que han memorizado más precedentes tienen ventaja, pero esa ventaja no es escalable ni democratizable

SpinLoyalty es una plataforma de inteligencia jurídica predictiva que combina procesamiento de lenguaje natural (NLP), métodos estadísticos bayesianos y una base de datos exhaustiva de resoluciones de la SIC para calcular la probabilidad de que una oposición por competencia desleal prospere. No es una IA generativa que redacta escritos; es un motor analítico que convierte jurisprudencia en datos accionables.

El flujo básico es simple: el usuario ingresa los datos del caso (signo solicitado, signo oponente, clase de Niza, antigüedad del oponente, presencia geográfica, historial de solicitudes del solicitante). El sistema devuelve tres hallazgos clave: un semáforo de riesgo con probabilidad e intervalo de credibilidad, un desglose de los factores de mayor peso —¿es la similitud fonética o la notoriedad del oponente lo que mueve más la aguja?— y un listado de resoluciones análogas con enlace directo al PDF oficial de la SIC.

El módulo de simulación —el más estratégicamente valioso— permite el análisis what-if en tiempo real: cambiar 'Café Mañanero' por 'Café Amanecer Serrano' y ver cómo la probabilidad de conflicto cae del 78% al 22%. Eso transforma la conversación con el cliente: en lugar de 'creo que hay riesgo', puedes decir 'si modificas el elemento denominativo de esta forma, el riesgo cae significativamente según el histórico de la SIC'.

• Predictor de riesgo: probabilidad puntual + intervalo de credibilidad bayesiano para el Art. 137
• Simulador what-if: ajuste de variables en tiempo real con recalculación instantánea del riesgo
• Analítica de precedentes: dashboard de tendencias por clase de Niza, año, examinador y resultado
• Generador de argumentos: líneas argumentales sugeridas con citas de resoluciones análogas y tasas de éxito
• Reportes periciales: documentos en formato legal (PDF/Word) listos para adjuntar en escritos de oposición

El modelo no es una caja negra. Cada variable tiene su sustento en la Decisión 486 y en la doctrina de la SIC. El Art. 224 define los factores de notoriedad: antigüedad, extensión geográfica, inversión publicitaria, cifras de ventas y conocimiento en el sector. El Art. 136 delimita los planos de similitud: denominativo, gráfico y conceptual. La jurisprudencia sobre conexidad competitiva precisa qué mercados se consideran relacionados. Y el caso WooMooN (SD2016/0037470) fija la doctrina sobre los indicios objetivos de mala fe.

Dimensión 1 — Notoriedad: se construye un índice sintético combinando antigüedad de uso, extensión geográfica, inversión publicitaria ajustada por inflación, cifras de ventas y existencia de declaratoria formal. Método integrador: Análisis de Componentes Principales (PCA) para reducir estas variables correlacionadas en un solo predictor robusto (prcomp() sobre la matriz estandarizada, primer componente).

Dimensión 2 — Similitud: tres planos medidos con métodos distintos. Fonética: distancia de Levenshtein normalizada (stringdist::stringdist(method='lv')). Gráfica: embeddings de redes convolucionales pre-entrenadas (VGG16) con distancia coseno. Conceptual: Word2Vec o GloVe en español para capturar equivalencias semánticas. Dimensión 3 — Conexidad: MCA sobre clase de Niza, descripciones TF-IDF, canal de comercialización y segmento de precio. Dimensión 4 — Mala Fe: Análisis de Clases Latentes (LCA) sobre patrón de solicitudes previas del mismo solicitante, conocimiento previo inferible y solicitudes en múltiples clases para el mismo signo.

• Notoriedad → PCA sobre 8 variables del Art. 224 → índice sintético [0,1]
• Similitud → Levenshtein (fonética) + CNN embeddings (gráfica) + Word2Vec (conceptual) → distancia compuesta
• Conexidad → MCA sobre clase Niza + TF-IDF + canal + precio → posición en mercado relevante
• Mala Fe → LCA sobre patrón de solicitudes + conocimiento previo + solicitudes multi-clase → perfil de riesgo latente

El modelo integrador es un modelo logístico bayesiano jerárquico implementado en R con el paquete brms. La variable dependiente es binaria: la SIC aplica o no el Art. 137. Los cuatro índices de dimensión entran como predictores de efectos fijos. La clase de Niza y el año de la resolución entran como efectos aleatorios — interceptos que capturan la heterogeneidad no observada entre industrias y la evolución jurisprudencial en el tiempo.

La elección bayesiana tiene tres ventajas concretas para el litigio marcario. Primera: incertidumbre cuantificada. El modelo no devuelve '78%' como número puntual, sino una distribución completa de probabilidad con intervalos de credibilidad — 'hay un 95% de probabilidad de que la probabilidad real esté entre 65% y 88%'. Eso es más honesto y más útil ante un cliente o un funcionario que un número sin contexto.

Segunda: Bayesian updating. Cuando la SIC emite un fallo novedoso — digamos, dando peso inesperadamente alto a la identidad de colores del empaque — las distribuciones posteriores se actualizan incorporando el nuevo dato. El modelo aprende con la jurisprudencia, no queda obsoleto con un fallo innovador. Tercera: prioris informativas. El conocimiento experto del abogado puede codificarse formalmente: si sabemos que la similitud fonética históricamente pesa más que la conceptual en la SIC, eso se refleja en la distribución a priori del coeficiente.

• Distribución completa de probabilidad, no solo valor puntual — el intervalo de credibilidad es el argumento real
• Bayesian updating: cada nueva resolución SIC actualiza el modelo sin reentrenamiento desde cero
• Efectos aleatorios por clase de Niza y por año: la Clase 30 (alimentos) se juzga diferente a la Clase 25 (ropa)
• Prioris informativas: el conocimiento experto del abogado entra formalmente al modelo, no se descarta
• Implementación transparente en brms (R): código replicable, auditable, listo para peritaje técnico

La diferencia entre el argumento tradicional y el argumento potenciado por SpinLoyalty no es estética, es epistemológica. Argumento tradicional: 'Señor Superintendente, la marca solicitada Café Mañanero evoca de manera innegable a la reconocida Sello Mañanero, generando un riesgo evidente de asociación.' Argumento empírico: 'Señor Superintendente, un análisis de 347 resoluciones de esa misma entidad para la Clase 30 en los últimos 5 años revela que en el 82% de los casos donde concurren una distancia de Levenshtein inferior a 3 caracteres y un índice de notoriedad superior al percentil 75, la decisión fue denegar el registro. Adjuntamos el análisis estadístico y los 284 precedentes análogos que sustentan esta probabilidad.'

La admisibilidad ante la SIC no es automática. El Código General del Proceso exige que la prueba pericial sea elaborada por experto idóneo, con metodología replicable y susceptible de contradicción (Arts. 227-241 CGP). Una caja negra con un porcentaje nunca pasará ese filtro. Un modelo brms documentado, con código abierto, coeficientes interpretables e intervalos de credibilidad, tiene argumentos mucho más sólidos para ser admitido.

El límite más importante es el de la mala fe. Los patrones estadísticos pueden detectar indicios objetivos: un solicitante que ha presentado 12 marcas similares a las de sus competidores en los últimos 3 años genera una señal estadística clara. Pero la intención subjetiva — el dolo en sentido jurídico — siempre requerirá valoración humana. SpinLoyalty cuantifica el indicio; el abogado construye el argumento.

• Salto de la percepción a la evidencia: el número no reemplaza al abogado, lo arma con datos objetivos
• Estándar CGP para prueba pericial: metodología replicable + experto idóneo + posibilidad de contradicción
• Ventaja en negociación: 'tengo 78% de probabilidad según el historial de la SIC' es una posición de fuerza basada en hechos
• Mala fe tiene un techo estadístico: detectable como patrón de conducta, pero la intención subjetiva es irreemplazablemente humana
• Debida diligencia pre-lanzamiento: empresas evalúan múltiples opciones de branding antes de invertir en posicionamiento

Fuentes

• —Superintendencia de Industria y Comercio — Base de datos de resoluciones de propiedad industrial (acceso público)
• —Comisión de la Comunidad Andina — Decisión 486 de 2000 (Régimen Común sobre Propiedad Industrial)
• —Gelman, A. et al. — Bayesian Data Analysis, 3rd ed. (CRC Press, 2013)
• —Bürkner, P-C. — brms: An R Package for Bayesian Multilevel Models (Journal of Statistical Software, 2017)
• —van der Loo, M.P.J. — The stringdist Package for Approximate String Matching (R Journal, 2014)
• —OMPI / WIPO — Estadísticas de Litigiosidad Marcaria en la Comunidad Andina, 2024
• —LegalTech Co. — Debate comunitario SpinLoyalty (publicación original del autor, abril 2026)

Nota legal: Material educativo. No constituye asesoría legal. Normativa colombiana vigente al 1 de marzo de 2025. Consulte con un profesional habilitado para decisiones jurídicas.