Una radiografía técnica y jurídica de la inteligencia artificial en la abogacía

Introducción

El debate sobre la inteligencia artificial en el ámbito jurídico oscila entre dos extremos igualmente estériles: el entusiasmo acrítico de quien ve en cada modelo de lenguaje un sustituto del jurista, y el pánico regulatorio de quien pretende embridar la tecnología con instrumentos que no comprende. Este artículo se sitúa deliberadamente en el terreno intermedio: el del análisis técnico riguroso puesto al servicio de la reflexión jurídica. A lo largo de seis bloques se examinan la verdadera naturaleza de las marcas de agua que exige la regulación europea, el diagnóstico real de los errores que la IA introduce —y los que hereda— en los escritos judiciales, la arquitectura del software legal y sus riesgos de obsolescencia, el cuello de botella económico de la IA local, la solución de la pseudonimización reversible como garantía de soberanía de datos y, finalmente, el modelo de validación masiva que permite hablar, por primera vez, de auditoría jurídica automática y de sus efectos sobre el principio de igualdad de armas.

1. La ilusión de la marca de agua y la regulación europea de la IA

El mecanismo técnico: estadística, no tinta

Cuando el legislador europeo y buena parte de la opinión pública hablan de “marca de agua” en textos generados por IA, imaginan algo parecido al sello traslúcido de un billete o a los caracteres invisibles incrustados en un PDF. La realidad técnica es radicalmente distinta. La marca de agua anunciada por empresas como Anthropic no es un sello gráfico ni una secuencia de caracteres ocultos: es un algoritmo estadístico de distribución de tokens, heredero directo de los desarrollos de DeepMind (SynthID-Text y familia). El procedimiento consiste, simplificando, en sesgar de forma imperceptible la elección de cada token durante la generación: cuando el modelo debe escoger entre varias palabras candidatas de probabilidad similar, una función criptográfica determina un subconjunto “preferido”, y el modelo se inclina sistemáticamente hacia él. El texto resultante es indistinguible para el lector humano, pero un verificador que conozca la clave puede medir estadísticamente si la distribución de tokens presenta ese sesgo característico.

Esto tiene una consecuencia inmediata que el debate público suele ignorar: la marca no está en el texto como objeto, sino en la probabilidad conjunta de sus palabras. No puede extraerse mirando el documento; solo puede inferirse con métodos estadísticos y con un margen de confianza, nunca con certeza absoluta.

Margen de error y limitaciones: por qué no es 100 % fiable

El método depende críticamente de la entropía del texto. Un texto con muchas alternativas léxicas plausibles (una narración, un ensayo) ofrece muchas “casillas” donde depositar el sesgo estadístico; un texto de baja entropía —una lista de artículos de un código, una fórmula procesal estereotipada, un suplico— apenas deja margen de elección al modelo, y por tanto apenas deja rastro verificable. A ello se suman ataques triviales: la paráfrasis (humana o mediante otro modelo), la traducción de ida y vuelta, o la simple edición parcial diluyen la señal hasta hacerla indetectable. Fragmentos cortos, además, no alcanzan la masa estadística mínima para una detección fiable.

No es una objeción teórica. Es precisamente el motivo por el que diversas tecnológicas —OpenAI entre ellas, con su clasificador de texto retirado por baja precisión— han abandonado o archivado sus verificadores públicos: la tasa de falsos positivos y falsos negativos los hacía inservibles y, peor aún, peligrosos, porque un falso positivo puede arruinar la reputación de un estudiante, de un periodista o de un letrado acusado injustamente de delegar su trabajo en una máquina.

El sesgo regulatorio: cuando la obligación colisiona con la excepción

El Reglamento Europeo de Inteligencia Artificial (Reglamento (UE) 2024/1689) impone en su artículo 50 obligaciones de transparencia y marcado de contenidos generados o manipulados artificialmente. La intención es legítima: combatir la desinformación y los deepfakes. Pero la aplicación indiscriminada del precepto a todo texto tocado por una IA produce resultados absurdos que el propio Reglamento intenta —con técnica mejorable— excepcionar: el uso personal, la asistencia editorial estándar y la corrección estilística que no altera sustancialmente el contenido quedan fuera, o deberían quedarlo, del deber de marcado.

Aquí aparece el sesgo regulatorio que conviene denunciar: si un abogado redacta íntegramente un recurso y utiliza un modelo de lenguaje para pulir la sintaxis, unificar terminología o corregir erratas, ¿debe ese escrito llevar la mancha estadística de “texto generado por IA”? La equiparación entre generación y asistencia es técnicamente falsa y jurídicamente injusta, porque desplaza la atención del contenido (¿es correcto el escrito?, ¿son reales las citas?) hacia el instrumento (¿ha pasado por una IA?), que es exactamente la pregunta equivocada.

Normalización del instrumento

La conclusión de este primer bloque es una tesis de fondo que recorre todo el artículo: la IA debe concebirse como herramienta de apoyo, equiparable a la calculadora del perito, a la hoja de cálculo del economista o al procesador de textos que hace décadas sustituyó a la máquina de escribir en los despachos. A nadie se le ocurre exigir que un dictamen pericial declare que las multiplicaciones se hicieron con calculadora. Lo relevante no es el instrumento, sino la diligencia profesional de quien lo emplea y responde de sus resultados. La regulación madura no será la que estigmatice el uso de la herramienta, sino la que exija —y facilite verificar— que el resultado es correcto.

2. Del «corta y pega» a la alucinación jurídica: diagnóstico de los errores actuales

El caso de las 48 citas inexistentes

El ejemplo más ilustrativo del uso irresponsable de la IA en la práctica forense española es el caso penal tramitado en Canarias en el que un escrito de defensa incorporaba 48 citas de jurisprudencia inexistente, generadas por una IA generalista —ChatGPT— utilizada sin ninguna capa de auditoría jurídica. El episodio, que motivó la deducción de testimonio y un intenso debate deontológico, no demuestra que “la IA se inventa sentencias”; demuestra algo más preciso y más útil: que un modelo de lenguaje generalista, diseñado para producir texto plausible, hará exactamente eso —texto plausible— también cuando lo plausible sea una referencia jurisprudencial con número de recurso, fecha y ponente perfectamente verosímiles y perfectamente falsos. El fallo no está en la herramienta, sino en usar una herramienta de generación como si fuera una herramienta de verificación.

El caso tuvo, además, un epílogo revelador que rara vez se cuenta. Desde Nearius se contactó con el letrado afectado para poner a su disposición la herramienta de verificación, con un objetivo simple: que aquello no pudiera volver a ocurrirle. Y el diagnóstico resultó más inquietante que el propio incidente. El abogado no era un tecnófobo ni un imprudente: tras el episodio se había equipado, y estaba utilizando ya dos herramientas de IA específicamente jurídicas. Ninguna de las dos incorporaba verificación. En las pruebas realizadas sobre esos sistemas, uno de ellos citaba como vigente una ley que había sido derogada, y se apoyaba en doctrina errónea que no se correspondía con el estado real de la cuestión. Es decir: el profesional que había pagado el precio reputacional más alto por confiar en una IA sin auditoría había migrado, de buena fe, a productos etiquetados como “jurídicos” que le habrían conducido exactamente al mismo problema, solo que con la falsa tranquilidad de estar usando herramientas del sector. La lección es doble: la etiqueta “IA jurídica” no garantiza nada por sí misma, y el usuario final carece de medios para distinguir, desde fuera, un sistema que verifica de uno que solo aparenta hacerlo. Lo que conecta directamente con el dato del epígrafe siguiente.

Perspectiva histórica: el error no nació con la IA

Conviene, antes de rasgarse las togas, un ejercicio de memoria profesional. La principal fuente histórica de transposición de errores en los escritos judiciales no ha sido nunca la inteligencia artificial: ha sido el tradicional copy-paste. Generaciones de escritos han arrastrado artículos derogados, citas de la Ley de Enjuiciamiento Civil de 1881 en pleitos posteriores a 2000, nombres de partes de otro procedimiento olvidados en mitad de un fundamento, y jurisprudencia “de plantilla” que nadie había releído en años. La diferencia entre el corta y pega y la alucinación es de grado y de detectabilidad, no de naturaleza: ambos son fallos de diligencia en la verificación. Y, paradójicamente, la alucinación de una IA es hoy más fácil de detectar automáticamente que el artículo derogado que lleva quince años copiándose de escrito en escrito.

Muestreo de fiabilidad: el 60-80 % de la «IA jurídica» no verifica

La observación empírica sobre el mercado actual es demoledora: entre un 60 % y un 80 % de las herramientas comercializadas bajo la etiqueta de “IA jurídica” incurren en errores de citación legislativa o jurisprudencial, por una razón estructural: carecen de motores de verificación. Son, en esencia, un modelo de lenguaje generalista con una interfaz jurídica y, en el mejor de los casos, un prompt de sistema que le pide “citar con precisión” —petición tan eficaz como pedirle a un testigo que no se equivoque—. Sin un contraste automático de cada cita contra la fuente oficial (el BOE para la legislación, el repositorio jurisprudencial para las resoluciones), el sistema no puede distinguir una cita real de una inventada, ni un artículo vigente de uno derogado.

Búsqueda semántica frente a búsqueda por palabras

El segundo déficit estructural del mercado es la confusión entre buscar y comprender. Buena parte de las plataformas existentes actúan como meras pasarelas de palabras clave hacia los buscadores públicos de jurisprudencia: reciben la consulta del usuario, extraen términos y los lanzan contra el buscador oficial, devolviendo lo que este devuelva. Eso no es inteligencia artificial jurídica; es un formulario con mejor tipografía. La búsqueda conceptual profunda —la búsqueda semántica sobre representaciones vectoriales del texto íntegro de las resoluciones— permite en cambio encontrar la doctrina aplicable aunque la sentencia no use ninguna de las palabras de la consulta: encuentra el concepto de enriquecimiento injusto donde el texto habla de “desplazamiento patrimonial carente de causa”, y la ratio decidendi pertinente aunque el supuesto de hecho sea aparentemente distinto. La distancia entre ambos enfoques es la distancia entre un índice alfabético y un jurista que ha leído la colección entera.

3. Arquitectura del software legal: el «efecto Kodak» y el protocolo MCP

Sistemas cerrados frente a arquitecturas abiertas

La historia industrial reciente ofrece dos advertencias con nombre propio: Kodak, que inventó la fotografía digital y murió protegiendo el carrete; y Nokia, que dominaba la telefonía móvil y desapareció defendiendo un sistema operativo propio frente a un ecosistema abierto. El software legal tradicional está repitiendo el patrón: entornos legados, cerrados, que encierran al usuario en un modelo de IA único —el que el proveedor haya licenciado, con la versión que haya licenciado— y en un formato de datos propietario del que es costoso salir.

El encierro tiene además una variante comercial especialmente engañosa: la tarifa plana sobre modelo anticuado. Buena parte de las IAs jurídicas del mercado se venden con cuota fija mensual —fórmula tranquilizadora para el despacho, que teme la factura variable— pero sostienen esa tarifa plana sirviendo por debajo modelos de generaciones anteriores y de bajo coste, porque es la única manera de que las cuentas del proveedor cuadren con un precio cerrado. El usuario paga hoy por razonar con la tecnología de hace dos o tres generaciones, sin saberlo, porque el producto rara vez declara qué modelo ejecuta ni cuándo lo actualiza. Y en un campo donde la capacidad de razonamiento jurídico de los modelos mejora sustancialmente cada pocos meses, la diferencia entre el modelo puntero y el modelo amortizado no es un matiz de velocidad: es la diferencia entre detectar o no la contradicción entre dos cláusulas, entre encontrar o no la doctrina aplicable. La tarifa plana no es mala en sí; lo inaceptable es que funcione como cortina que oculta qué motor hay debajo.

Frente a ese modelo, la arquitectura abierta apuesta por la fusión flexible de modelos: combinar LLMs occidentales y orientales según la tarea, el coste y la sensibilidad de los datos; cambiar de modelo el día que aparece uno mejor sin reescribir una línea del sistema; y dejar que sea el dato jurídico auditado —no el modelo de moda— el activo permanente de la plataforma. Los modelos pasan; el corpus verificado queda.

El protocolo MCP: el conector universal

La pieza que hace posible esa apertura es el Model Context Protocol (MCP), el estándar abierto que permite conectar cualquier modelo compatible con fuentes de datos y herramientas externas. En lugar de incrustar el conocimiento jurídico dentro del modelo (con su fecha de corte, sus lagunas y sus alucinaciones), el MCP invierte la arquitectura: el modelo más potente del mercado en cada momento se alimenta, en tiempo de consulta, de conectores avanzados que le sirven datos jurídicos auditados —jurisprudencia verificada, legislación consolidada, información registral y catastral— con trazabilidad completa de cada dato hasta su fuente. El modelo aporta el razonamiento; el conector aporta la verdad. Y el usuario conserva la libertad de enchufar esos conectores al modelo que prefiera.

Resultados medibles: 26 agentes, mejora de 3,9 veces con el mismo modelo

La superioridad de esta arquitectura no es una afirmación de marketing: es un resultado experimental. Porque la fusión de IAs a través del MCP de Nearius no se agota en conectar modelos con datos auditados; permite además orquestar pipelines de agentes especializados que descomponen el trabajo jurídico como lo haría un despacho bien organizado. En experimentos controlados, la aplicación de un pipeline de 26 agentes especializados al análisis de un contrato complejo —cada agente centrado en una dimensión concreta: cláusulas abusivas, régimen de responsabilidad, vencimientos, garantías, normativa sectorial aplicable, coherencia interna, citación de fuentes— generó una mejora de 3,9 veces en la detección de riesgos y en la colocación de citas legales pertinentes, en comparación con un prompt tradicional que pedía al modelo el mismo análisis de una sola vez. El dato decisivo del experimento es la variable que se mantuvo constante: se utilizó exactamente el mismo modelo subyacente en ambos casos. La diferencia de rendimiento no procede, por tanto, de un modelo mejor, sino de la arquitectura: de dividir el problema en tareas especializadas, dotar a cada agente del contexto y las herramientas de verificación que su tarea exige, y agregar los resultados de forma estructurada. Es la refutación empírica del mito central del mercado —“todo depende de qué modelo uses”— y la demostración de que el valor diferencial está en la ingeniería que rodea al modelo, no en el modelo mismo. Un corolario práctico se sigue de inmediato: quien construye sobre arquitectura multiplica el rendimiento de cualquier modelo presente o futuro; quien construye sobre un modelo concreto hereda sus límites y queda atado a su ciclo de vida.

Ingeniería de datos frente a automatización superficial

El auge del no-code ha poblado el mercado de soluciones construidas encadenando herramientas tipo Zapier: un formulario que dispara un prompt que rellena una plantilla. Es legítimo llamarlo automatización; no es legítimo llamarlo ingeniería. La frontera entre ambas cosas es nítida: la ingeniería de datos rigurosa implica corpus documentales medidos en millones de resoluciones, índices híbridos (léxicos y vectoriales) mantenidos y auditados, grafos de citas entre resoluciones y normas, pipelines de ingesta con control de calidad, deduplicación, detección de versiones y verificación contra la fuente oficial. Un flujo superficial produce demos impresionantes; solo la ingeniería de datos produce respuestas de las que un profesional pueda responder ante un tribunal.

La inversión de la paradoja de Moore

Durante medio siglo, la ley de Moore describió un mundo en el que el hardware mejoraba más deprisa de lo que el software sabía aprovecharlo. Ese mundo se ha invertido: el desarrollo de software impulsado por IA —donde los propios modelos escriben, prueban y refactorizan código— evoluciona hoy más rápido que la capacidad del hardware que debe ejecutarlo. Los ciclos de mejora del software se miden en semanas; los del silicio, en años, con las fábricas de memoria de alta velocidad saturadas de pedidos. La consecuencia estratégica es directa: la ventaja competitiva ya no está en poseer las máquinas más grandes, sino en la arquitectura que permite iterar el software más deprisa y en el dato verificado que ese software explota. Lo que enlaza directamente con el problema del bloque siguiente.

4. El cuello de botella de la IA local y los costes de infraestructura

La realidad del hardware on-premise

La aspiración de muchos despachos —“que la IA corra en mis máquinas y los datos no salgan de aquí”— choca con una limitación física concreta: la memoria de alta velocidad (VRAM). Un modelo de lenguaje competente exige decenas de gigabytes de VRAM solo para cargarse, y la velocidad de generación —medida en tokens por segundo— depende del ancho de banda de esa memoria. Las tarjetas profesionales con VRAM suficiente cuestan lo que un vehículo de gama alta, y aún así un modelo local de tamaño ejecutable en un despacho rinde varios escalones por debajo de los modelos punteros servidos en la nube. La velocidad de transferencia de tokens no es una incomodidad: es la diferencia entre analizar un expediente en minutos o dejarlo procesando toda la noche.

El volumen real: 35 millones de tokens en una ejecución

Los números concretos ilustran mejor que cualquier teoría. Una demanda de ejecución compleja —con el título, la documentación bancaria, los requerimientos, las certificaciones y los antecedentes registrales— puede requerir el procesamiento de hasta 35 millones de tokens. Ningún modelo local ejecutable en hardware de despacho puede tratar ese volumen en tiempo real: haría falta clusterización de alto coste —varios nodos con múltiples GPU profesionales coordinadas— para acercarse a tiempos de respuesta aceptables, una inversión de cientos de miles de euros que ningún despacho mediano puede justificar para una carga de trabajo intermitente.

Cálculo de costes: suscripción frente a API

La disparidad económica entre las dos vías de acceso a los modelos en la nube agrava el problema. La suscripción tipo “Cloud Pro” (tarifa plana mensual de decenas de euros) resulta imbatible para el uso conversacional cotidiano, pero sus límites de uso la hacen inviable para el procesamiento sistemático de expedientes voluminosos. La tarificación por consumo de API, en cambio, escala sin límite… también en la factura: a los precios por millón de tokens de los modelos de primera línea, aquellos 35 millones de tokens de una sola ejecución pueden costar más que la minuta que el asunto genera, y un despacho que procese decenas de expedientes al mes descubre que su coste de IA crece linealmente con su actividad, sin economía de escala alguna si no optimiza qué modelo usa para qué tarea.

La crisis de memoria y el in-memory indexing

A los costes de inferencia se suma un frente menos visible: la búsqueda semántica de calidad exige mantener índices vectoriales en memoria RAM para responder en milisegundos. Cuando el corpus se mide en millones de documentos y los vectores en miles de dimensiones, el índice en memoria devora cientos de gigabytes, y la actual crisis de suministro de memoria —con precios de módulos de servidor multiplicándose— ha llevado el sobrecoste de esta arquitectura hasta un factor 10 respecto a la alternativa en disco. La ecuación completa del bloque es, por tanto, esta: ni el despacho puede permitirse la IA local seria, ni la nube por consumo es sostenible sin optimización, ni la infraestructura de búsqueda es barata para nadie. La respuesta racional no es elegir un extremo, sino una arquitectura híbrida que sitúe cada pieza donde su coste-beneficio lo justifique. Y esa arquitectura híbrida exige resolver primero el problema jurídico del bloque siguiente: qué datos pueden salir del despacho, y en qué condiciones.

5. Soberanía de datos y la solución de la pseudonimización reversible

El dilema del almacenamiento europeo

La respuesta habitual del mercado al problema de la soberanía de datos —“nuestros servidores están en Europa”— merece un escrutinio técnico que rara vez supera. Primero, porque la capacidad real de cómputo de IA de primera línea dentro de la Unión Europea es limitada: los centros de datos con los aceleradores necesarios para servir los mejores modelos están mayoritariamente fuera de la Unión, y el “endpoint europeo” es con frecuencia una puerta de entrada cuyo procesamiento efectivo, telemetría, registros de depuración o copias de resiliencia implican una transferencia implícita de datos a servidores en Estados Unidos. Segundo, porque aun cuando el cómputo sea genuinamente europeo, la matriz empresarial suele estar sujeta a legislación extraterritorial (CLOUD Act) que puede obligar a entregar datos con independencia de dónde se almacenen. La localización del servidor, en suma, es una garantía mucho más débil de lo que el folleto comercial sugiere. Cabe añadir que en buena parte de los servicios jurídicos con IA que se comercializan hoy ni siquiera consta qué modelos utilizan ni dónde procesan realmente los datos, lo que impide al despacho hacer el juicio de riesgo que el RGPD le exige.

El mecanismo: pseudonimización local con clave de reversión

La solución técnicamente honesta invierte el planteamiento: en lugar de confiar en dónde están los servidores ajenos, se garantiza qué información llega a ellos. La pseudonimización reversible opera íntegramente en local, en el equipo del despacho, antes de que ningún dato viaje: un motor determinista detecta y sustituye los datos sensibles del expediente —nombres y apellidos, DNI y NIE, CIF, direcciones, cuentas bancarias, matrículas— por valores de reemplazo coherentes, manteniendo una tabla de correspondencias cifrada (la clave de reversión) que nunca abandona el despacho. El prompt que finalmente se envía a la API externa describe un caso jurídicamente idéntico protagonizado por personas que no existen; la respuesta del modelo se reversiona en local, restituyendo automáticamente los datos reales. El proveedor de IA procesa el razonamiento jurídico completo sin haber conocido jamás la identidad de nadie. A diferencia de la anonimización pura, el proceso es reversible para el despacho —que necesita el escrito final con los datos verdaderos— e irreversible para cualquier tercero que carezca de la clave.

Libertad de modelos y optimización de costes: hasta 50 veces menos

La consecuencia estratégica de la pseudonimización previa es doble. Jurídicamente, permite cumplir estrictamente con el RGPD: los datos personales identificables no se comunican al proveedor externo, y la pseudonimización es precisamente una de las medidas de protección que el propio Reglamento consagra (arts. 4.5, 25 y 32). Económicamente, libera al despacho de la cárcel del proveedor único: una vez que el expediente viaja pseudonimizado, se abre todo el mercado de modelos —incluidos los modelos asiáticos de bajo coste, cuya relación calidad-precio en tareas de análisis documental es hoy extraordinaria— y las tareas pueden enrutarse al modelo óptimo para cada una: el modelo puntero y caro para el razonamiento jurídico fino, el modelo económico para la extracción masiva de datos de miles de páginas. El resultado medido de esa optimización alcanza reducciones de coste de hasta 50 veces respecto al uso indiscriminado de un único modelo de primera línea, sin merma de calidad donde la calidad importa. La soberanía de datos deja así de ser un coste para convertirse en la llave del ahorro.

6. Validación masiva y nuevos modelos de negocio: el caso Nearius

Entrenamiento con simulación multi-agente: seis millones de peticiones cruzadas

¿Cómo se valida que un sistema de IA jurídica es fiable? No con una demo ni con un centenar de pruebas manuales, sino sometiéndolo a un volumen de uso adversarial que ningún equipo humano podría generar. El sistema Nearius fue sometido a más de seis millones de peticiones cruzadas en un entorno de simulación multi-agente: agentes de IA configurados como abogados —que plantean consultas, construyen argumentaciones, buscan jurisprudencia favorable y fuerzan los límites del sistema— frente a agentes de IA configurados como jueces, que examinan las respuestas, verifican cada cita contra la fuente y penalizan cualquier imprecisión. Cada fallo detectado retroalimenta la corrección del sistema: descripciones de herramientas que inducían a error, lagunas de cobertura del corpus, casos límite de la búsqueda. Tras ese proceso iterativo de fuego cruzado, la precisión del sistema alcanza el 99,99 %: no porque el modelo subyacente sea infalible —ninguno lo es—, sino porque la arquitectura verifica antes de responder.

Democratización del acceso: gratuidad de la búsqueda, valor en la auditoría

El modelo de negocio que se deriva de esta arquitectura invierte el planteamiento tradicional del sector, que cobraba precisamente por el acceso a la información. La búsqueda de jurisprudencia por palabras clave es gratuita: el acceso a la información jurídica básica se democratiza, porque su coste marginal es ínfimo y porque cobrarla perpetúa una barrera de entrada que perjudica al justiciable con menos recursos. El valor —y por tanto el precio— se imputa donde la ingeniería aporta algo que el usuario no puede hacer solo: la auditoría automática de escritos, el análisis de información registral mercantil (BORME) para la investigación patrimonial y societaria, el análisis catastral, y la verificación sistemática de jurisprudencia y legislación. Se regala el mapa; se cobra el copiloto.

Auditoría automática en dos segundos y el principio de igualdad de armas

La pieza final del sistema es también la de mayor calado procesal: la auditoría automática de escritos judiciales en aproximadamente dos segundos. El sistema recibe un escrito —propio o de contrario—, extrae todas sus citas legislativas y jurisprudenciales y las contrasta una a una contra las fuentes: detecta artículos derogados o modificados, resoluciones inexistentes, citas cuyo contenido real no dice lo que el escrito les atribuye, y jurisprudencia revocada o superada por doctrina posterior. Lo que un letrado diligente tardaría horas en verificar —y por eso rara vez se verifica exhaustivamente— se resuelve en el tiempo de un parpadeo.

Y la auditoría citacional es solo la punta del iceberg del tiempo recuperado. El mismo principio —automatizar con fuentes verificadas lo que el jurista hace a mano con riesgo de error— se extiende a los cálculos que devoran silenciosamente la jornada del despacho: el cómputo de plazos procesales y administrativos, con sus días inhábiles, festivos locales, agosto procesal y regímenes distintos según la jurisdicción, donde un error de un solo día puede costar un derecho; el cálculo de intereses, con sus tramos por años naturales, cambios de tipo legal, intereses moratorios y procesales del artículo 576 LEC y variantes de convenio que explican por qué dos liquidaciones del mismo asunto nunca coinciden; o la actualización de rentas por IPC en los arrendamientos, con sus índices de referencia, topes legales sobrevenidos y comunicaciones formales al arrendatario. Cada una de estas operaciones, ejecutada manualmente, consume entre minutos y horas por asunto y exige verificar tablas, boletines y calendarios oficiales; ejecutada sobre fuentes oficiales verificadas y de forma automática, se resuelve en segundos con el desglose completo del cálculo. Multiplicado por la cartera de asuntos de un despacho, el ahorro se mide en cientos de horas al año por abogado: horas que dejan de dedicarse a la aritmética defensiva y pueden dedicarse a lo que ninguna máquina hace, que es la estrategia del caso.

Las consecuencias sobre el principio de igualdad de armas son profundas y ambivalentes, y conviene enunciarlas con honestidad. En su cara luminosa, la herramienta nivela el terreno: el abogado individual puede someter el escrito del gran despacho contrario al mismo escrutinio implacable que antes solo podía costearse la parte poderosa, y el tribunal —si estas herramientas se generalizan en la oficina judicial— puede depurar de oficio la calidad citacional de todos los escritos por igual. En su cara exigente, eleva el estándar de diligencia profesional: cuando verificar cuesta dos segundos, no verificar deja de ser una omisión comprensible para convertirse en una negligencia difícilmente excusable, y el error citacional que durante décadas se toleró como pecado venial del corta y pega pasa a ser detectable, señalable y reprochable en el acto. La igualdad de armas del proceso del siglo XXI no consistirá en que ambas partes tengan acceso a la misma información —eso ya casi está conseguido—, sino en que ambas respondan ante el mismo estándar de verificación. Y ese estándar, por primera vez en la historia del proceso, es automático, instantáneo y está al alcance de todos.

Conclusión

Las seis piezas de este análisis componen un único argumento. La marca de agua estadística no resolverá el problema que la regulación cree estar resolviendo, porque el problema nunca fue el instrumento sino la verificación del resultado. Los errores que hoy se imputan a la IA son la versión acelerada de los que el corta y pega llevaba décadas sembrando, y su remedio no es prohibir la herramienta sino exigir motores de verificación que la inmensa mayoría del mercado no tiene. Esa verificación exige arquitecturas abiertas —no jaulas de proveedor condenadas al efecto Kodak—, ingeniería de datos real y una gestión honesta de los costes de infraestructura que ni la IA local pura ni la nube indiscriminada resuelven. La soberanía de datos se garantiza en el equipo del abogado, mediante pseudonimización reversible, y no en la promesa geográfica de un folleto. Y cuando todas esas piezas encajan, emerge algo genuinamente nuevo: la posibilidad de auditar cualquier escrito judicial en dos segundos, que convierte la diligencia citacional —hasta ayer una aspiración— en un estándar exigible a todos por igual. La inteligencia artificial no viene a sustituir al jurista; viene a dejarle sin excusas.

---

Entrevista relacionada: Ver entrevista en YouTube