Agentes legales auto‑evolutivos: ¿Innovación o nueva dependencia?

Un equipo de investigación ha puesto a prueba un agente impulsado por un modelo de lenguaje grande (LLM) que aprende a crear y depurar sus propias reglas de reformulación de consultas para buscar casos judiciales. El experimento, descrito en un preprint de arXiv, demuestra que, sin ajustar parámetros, la herramienta supera a enfoques tradicionales, incluido el propio BM25, siempre que cuente con un LLM de alta capacidad. La novedad radica en que el agente no solo propone nuevas reglas, sino que las evalúa en un entorno de pruebas automático, descarta las que fallan y conserva las que mejoran la precisión de la recuperación.

Desde la perspectiva de un director de despacho o de una entidad judicial, el atractivo es inmediato: la posibilidad de reducir el tiempo de investigación, abaratar costos de licencias de software especializado y, en teoría, democratizar el acceso a jurisprudencia relevante. En un contexto latinoamericano donde la carga de casos supera con creces la capacidad de los equipos de abogados, una herramienta que ajuste sus propias heurísticas podría traducirse en decisiones más rápidas y una carga operativa menor.

Sin embargo, la misma característica que le confiere potencia –la capacidad de auto‑optimizarse sin intervención humana constante– plantea una serie de riesgos que no pueden pasarse por alto. Primero, la opacidad del proceso de generación y eliminación de reglas dificulta la auditoría. Cuando un modelo decide que una regla es «ineficaz», no siempre queda claro si la decisión proviene de un sesgo inherente al entrenamiento del LLM o de una falla en los criterios de evaluación. En un entorno donde la precisión tiene implicaciones normativas, la falta de trazabilidad puede traducirse en decisiones judiciales vulnerables a impugnaciones.

Segundo, los datos de entrenamiento y los benchmarks empleados (en este caso, el conjunto chino LeCaRD‑v2) no garantizan una transferencia directa al derecho latinoamericano, que combina civil law, common law y sistemas híbridos. Un agente que optimiza sus reglas con base en patrones de otro idioma y marco jurídico corre el riesgo de reproducir sesgos culturales o de terminología que desvirtúen los resultados. La autogestión del agente no corrige automáticamente esas desviaciones; al contrario, puede reforzarlas si el feedback histórico está contaminado.

Tercero, la dependencia tecnológica crea una vulnerabilidad estratégica. Si una institución llega a depender de un sistema que evoluciona de forma autónoma, cualquier interrupción –por ejemplo, la caída del modelo de base o la imposibilidad de actualizar la infraestructura cloud– puede paralizar la capacidad de búsqueda jurídica. La resiliencia operativa, por tanto, exige planes de contingencia y la preservación de metodologías tradicionales como respaldo.

Frente a este panorama, la recomendación no es rechazar la tecnología, sino diseñar un marco de gobernanza que anticipe los peligros. Las auditorías continuas deben convertirse en requisito: cada iteración de regla generada debería quedar registrada, con métricas de precisión, recall y sesgo, accesibles a auditores externos y a los propios abogados. La transparencia puede lograrse publicando, al menos internamente, la lógica detrás de cada regla –por ejemplo, qué palabras clave o estructuras sintácticas se están priorizando.–

El control humano sigue siendo indispensable. Incluso con agentes capaces de evaluar experimentos, la decisión final sobre la adopción de una regla debería pasar por una revisión de un profesional del derecho, que pueda valorar la pertinencia normativa y la coherencia con la jurisprudencia local. Este enfoque híbrido preserva la ventaja de velocidad sin sacrificar la garantía de calidad.

Finalmente, la cuestión de la equidad merece atención. Si bien la automatización tiende a nivelar el acceso a información, la falta de supervisión puede perpetuar desigualdades existentes. Por ejemplo, un agente que favorece ciertos términos legales puede favorecer a firmas con mayor capacidad de entrenar modelos o a jurisdicciones con mayor presencia en los datos de entrenamiento. Un mecanismo de control que compare los resultados obtenidos por diferentes tipos de usuarios puede ayudar a detectar estos desbalances.

En síntesis, los agentes legales auto‑evolutivos representan una herramienta poderosa, pero su adopción indiscriminada implica riesgos de opacidad, sesgo y dependencia que pueden comprometer la integridad del proceso judicial. La respuesta estratégica para los directores y ejecutivos debe centrarse en un despliegue controlado, con auditorías sistemáticas, transparencia de reglas y supervisión humana continua. Solo así la tecnología podrá cumplir su promesa de agilizar la investigación jurídica sin erosionar la confianza en la justicia.

Para los líderes del sector, la cuestión no es si deben invertir en estos agentes, sino cómo estructurar la gobernanza que les permita extraer valor sin perder el control sobre la lógica que guía sus decisiones.