Inteligencia Artificial para Abogados y el Sector Legal
Lección 1 de 18
IA en el ejercicio del derecho: qué puede hacer, qué no, y el riesgo de citar lo que no existe
Duración estimada: 25 minutos
La inteligencia artificial (IA) se ha vuelto un tema recurrente en el ámbito legal, pero la terminología y el funcionamiento de sus herramientas más populares, los Modelos Lingüísticos Grandes (LLM), suelen generar confusión. Esta falta de claridad puede llevar a expectativas irreales, usos inadecuados o, peor aún, a comprometer tu responsabilidad profesional. En esta lección, desmitificaremos qué es un LLM y cómo opera realmente, sentando las bases para que puedas interactuar con estas herramientas de forma informada y estratégica, sin asumir que "entienden" el derecho.
Un Modelo Lingüístico Grande, o LLM por sus siglas en inglés (Large Language Model), es un tipo de inteligencia artificial diseñado para procesar y generar texto. Imagina una de las redes neuronales más complejas jamás creadas, entrenada con cantidades masivas de información textual: libros, artículos científicos, páginas web, transcripciones de conversaciones y, sí, también documentos legales. Este entrenamiento le permite identificar patrones, estructuras gramaticales, estilos y relaciones semánticas dentro del lenguaje.
Pero, ¿qué hace exactamente un LLM con todo esto? Su función principal es predecir la siguiente palabra más probable en una secuencia dada. Piensa en el autocorrector de tu teléfono, pero llevado a un nivel exponencialmente superior. Cuando le das un texto, el LLM no "entiende" su significado de la misma manera que lo haría un ser humano. En cambio, analiza la secuencia de palabras (o, más precisamente, de "tokens") que le has proporcionado y, basándose en los billones de patrones que aprendió durante su entrenamiento, calcula estadísticamente cuál es el siguiente token que tiene más probabilidades de aparecer.
Aquí es donde entra el concepto de tokenización. Un LLM no procesa el texto palabra por palabra. En su lugar, el texto de entrada se divide en unidades más pequeñas llamadas "tokens". Un token puede ser una palabra completa, una parte de una palabra, un signo de puntuación o incluso un espacio. Por ejemplo, la frase "contrato de arrendamiento" podría tokenizarse como "contrato", " de", " arren", "da", "miento". Esta división permite al modelo manejar una mayor diversidad de entradas y encontrar patrones más finos en el lenguaje.
En resumen, un LLM es una sofisticada calculadora de probabilidades lingüísticas. Su "conocimiento" no es comprensión, sino una vasta colección de asociaciones estadísticas entre tokens. Cuando genera texto, no está razonando ni creando ideas originales, sino encadenando los tokens que, según su modelo probabilístico, son los más coherentes y probables para continuar la secuencia.
La forma en que un LLM "piensa" es fundamentalmente diferente a la de un abogado. Un abogado razona, interpreta leyes, aplica precedentes, considera la intención de las partes y evalúa las implicaciones éticas y estratégicas. Un LLM no hace nada de eso. Su "pensamiento" se reduce a un proceso matemático complejo de inferencia estadística.
Cuando le haces una pregunta o le pides que complete una frase, el LLM realiza los siguientes pasos de forma simplificada:
Este proceso es lo que le permite generar texto que a menudo suena coherente, gramaticalmente correcto y contextualmente relevante. Sin embargo, la coherencia no equivale a veracidad o a una comprensión profunda. El LLM no tiene un modelo del mundo real, ni conciencia, ni la capacidad de "entender" conceptos abstractos como la justicia, la equidad o el espíritu de una ley.
Para un abogado, esto implica una distinción crucial: un LLM puede ser excelente para generar borradores, resumir textos o identificar patrones lingüísticos, pero no puede sustituir el juicio profesional. Su "conocimiento" del derecho es superficial, basado en la frecuencia con la que ciertos términos y conceptos aparecen juntos en los textos con los que fue entrenado, no en una comprensión de su significado legal o sus implicaciones prácticas.
Antes de los LLMs, la inteligencia artificial en el ámbito legal a menudo se basaba en sistemas expertos tradicionales. Comprender la diferencia entre ambos es crucial para saber cuándo usar cada tipo de herramienta.
Un sistema experto tradicional se construye con un conjunto de reglas explícitas y predefinidas, codificadas por expertos humanos. Por ejemplo, un sistema experto para determinar la validez de un contrato podría tener reglas como:
Estos sistemas son deterministas: para una misma entrada, siempre producirán la misma salida, siguiendo la lógica programada. Son excelentes para tareas donde las reglas son claras, fijas y no ambiguas. Sin embargo, son rígidos, difíciles de escalar y no pueden manejar matices o situaciones no previstas en sus reglas.
Por otro lado, un LLM es un sistema probabilístico. No sigue reglas explícitas de "si X entonces Y" para generar su respuesta. En lugar de ello, aprende patrones y relaciones a partir de enormes volúmenes de datos. Cuando le pides algo, no busca una regla predefinida, sino que predice la secuencia de tokens más probable basándose en su entrenamiento.
Aquí tienes una tabla comparativa para visualizar estas diferencias:
| Característica | LLM (Modelo Lingüístico Grande) | Sistema Experto Tradicional |
|---|---|---|
| Funcionamiento | Probabilístico, basado en patrones estadísticos y predicción de tokens. | Determinista, basado en reglas explícitas programadas por humanos. |
| "Conocimiento" | Asociaciones estadísticas aprendidas de datos textuales masivos. | Reglas lógicas y hechos codificados por expertos. |
| Flexibilidad | Alta, puede generar texto creativo y manejar una amplia gama de temas. | Baja, limitado a las reglas y el dominio para el que fue diseñado. |
| Explicabilidad | Baja, difícil de rastrear el razonamiento detrás de una respuesta específica. | Alta, se puede auditar la cadena de reglas que llevó a una conclusión. |
| Actualización | Requiere reentrenamiento con nuevos datos (costoso y lento). | Se actualiza modificando o añadiendo reglas específicas. |
| Aplicación Legal | Generación de borradores, resúmenes, análisis de estilo, lluvia de ideas. | Cálculo de impuestos, validación de formularios, verificación de cumplimiento normativo específico. |
Para el abogado, esta distinción es vital. No puedes esperar que un LLM te dé una respuesta legal "correcta" en el sentido de un sistema experto, porque no sigue reglas lógicas predefinidas. Su fortaleza está en la generación de lenguaje, no en el razonamiento deductivo o la aplicación estricta de la ley.
Vamos a ilustrar cómo un LLM completa un enunciado legal y por qué esto difiere de un sistema experto.
Considera el prompt (la instrucción que le das al LLM): «El contrato de arrendamiento es nulo si...»
Un sistema experto tradicional para la validez de contratos necesitaría tener reglas explícitas sobre la nulidad. Si se le pregunta, intentaría aplicar estas reglas:
Un LLM no tiene reglas explícitas de "nulidad contractual" codificadas. En cambio, su proceso sería el siguiente:
El resultado podría ser algo como: «El contrato de arrendamiento es nulo si existe un vicio del consentimiento, el objeto es ilícito o la causa es falsa.»
La clave aquí: El LLM no "sabe" qué es un vicio del consentimiento en el sentido jurídico, ni está aplicando el Código Civil. Simplemente está encadenando palabras que estadísticamente aparecen juntas en contextos similares. Su respuesta suena jurídicamente plausible porque ha sido entrenado con textos jurídicos, pero no hay un razonamiento jurídico subyacente. Podría incluso generar una razón incorrecta o inexistente si los patrones de su entrenamiento lo llevasen a ello (fenómeno conocido como "alucinación").
La desinformación sobre los LLMs lleva a errores que pueden ser costosos en la práctica legal:
Para que experimentes de primera mano la naturaleza probabilística de los LLMs y su sensibilidad al input, realiza el siguiente ejercicio: