CURSO: Inteligencia artificial aplicada a la labor jurídica - 2° Ed.

 

Más allá del "Copiar y Pegar": 5 Lecciones Cruciales para Dominar la IA en el Derecho

1. El Dilema del Profesional frente a la Pantalla en Blanco

Es una escena recurrente en los estudios jurídicos y la administración pública en este 2024: un profesional frente a la interfaz de un modelo de lenguaje, esperando que la tecnología resuelva en segundos una tarea compleja, para terminar recibiendo una respuesta genérica o, peor aún, técnicamente imprecisa. A pesar de la promesa de una revolución en la productividad, la frustración suele nacer de una desconexión fundamental entre la expectativa del usuario y el funcionamiento real de la herramienta.

Para superar esta barrera, el Laboratorio de Innovación e Inteligencia Artificial de la Facultad de Derecho de la UBA (UBA IALAB) ha sistematizado hallazgos fundamentales en su reciente guía de agosto de 2024. La clave para obtener resultados de excelencia no reside en tratar a la IA como un buscador avanzado u oráculo, sino en comprender que estamos ante sistemas de predicción probabilística que exigen una dirección experta. Dominar la IA no es un problema de "software", sino de estrategia jurídica.

2. Takeaway 1: La IA no "piensa", predice (y por qué esto cambia su estrategia)

Los Grandes Modelos de Lenguaje (LLM) no poseen una comprensión semántica del mundo real ni "entienden" la lógica jurídica; son, en rigor, motores de predicción entrenados para identificar la probabilidad de ocurrencia de un "token" (un carácter o palabra) dentro de un contexto. Para el profesional de alto nivel, entender que la IA es un motor de predicción y no un verificador de hechos es la primera línea de defensa contra el riesgo reputacional.

Como bien señala el UBA IALAB, estos sistemas operan bajo una lógica de patrones y no de conocimiento fáctico:

"No se los entrena para decir por defecto '4' cuando el usuario pregunta '¿Cuántas patas tiene un perro?'. Por el contrario, se los entrena para identificar que luego de ese conjunto de palabras que conforman la pregunta, lo lógico sería a continuación decir '4', ya que es el patrón presente en los datos de su base".

Si los datos de entrenamiento presentan sesgos o información desactualizada, la predicción será coherente con ese patrón, aunque sea falsa en la realidad.

3. Takeaway 2: La Instrucción es nada sin el Contexto

Un prompt no es una orden imperativa aislada; es la construcción de un ecosistema descriptivo que orienta la probabilidad del modelo hacia la precisión. En la guía técnica de Agostina Jara Rey, se establece que la calidad del resultado es proporcional a la riqueza del entorno que el abogado sea capaz de describir.

Para mitigar la ambigüedad y maximizar la utilidad profesional, un prompt sólido debe integrar los seis componentes esenciales definidos por Jara Rey:

• Instrucción: El objetivo imperativo y conciso.
• Contexto: Antecedentes, entorno y detalles relevantes de la situación.
• Formato: Estructura de salida (tablas, listas, límites de caracteres o párrafos).
• Tono: Nivel de formalidad y estilo (ej. académico, litigante o informativo).
• Público: Perfil del destinatario (juez, cliente o investigador).
• Señales (Cues): Frases de inicio que impulsan al modelo en la dirección lógica deseada.

4. Takeaway 3: El "Esqueleto" de pensamiento como estrategia de precisión

La técnica de Skeleton-of-thought Prompting es la herramienta definitiva para replicar la estructura lógica humana en procesos algorítmicos. En entornos profesionales donde la claridad es innegociable, pedir el desarrollo completo de un documento denso sin una validación previa es un error estratégico.

Existen dos vías para ejecutar esta técnica según la complejidad del caso:

1. Estructura Manual: El abogado dicta el índice o los puntos nodales que el modelo debe seguir obligatoriamente.
2. Estructura Solicitada: El profesional pide a la IA un esquema inicial para su revisión y, tras validarlo o ajustarlo, autoriza el desarrollo de cada eje.

Esta metodología garantiza que la coherencia del razonamiento legal se mantenga intacta, permitiendo al experto ejercer un control de calidad granular antes de la redacción final.

5. Takeaway 4: El Poder de los Ejemplos (Few-shot prompting)

Mientras que el Zero-shot (dar órdenes sin ejemplos) es útil para tareas creativas, la redacción jurídica de alta complejidad requiere de Few-shot prompting. Proporcionar entre 2 y 4 ejemplos concretos —como modelos de contestación de demanda o escritos procesales previos— permite al modelo "capturar" el estilo y la terminología técnica de forma mucho más efectiva que cualquier descripción narrativa.

No obstante, esta técnica exige un rigor ético absoluto. De acuerdo con las directrices del UBA IALAB, la anonimización de datos sensibles no es una recomendación, sino una responsabilidad profesional y ética ineludible. Antes de proporcionar cualquier insumo, el abogado debe reemplazar nombres y datos identificables por términos genéricos para blindar la confidencialidad del cliente frente a la arquitectura de los modelos comerciales.

6. Takeaway 5: Divide y Vencerás (Break the task down)

Para el profesional jurídico, la modularidad es la única defensa efectiva contra la estocasticidad inherente de los LLM. La densidad de información es, paradójicamente, el enemigo de la precisión: cuando se enfrenta a comandos multifacéticos en documentos extensos, el modelo tiende a sufrir el fenómeno de "pérdida de información en el medio" (lost-in-the-middle), omitiendo detalles críticos por limitaciones de tokens o coherencia.

La solución estratégica consiste en fragmentar la tarea en pasos autónomos y progresivos. Dedicar un prompt exclusivo a la identificación de hechos, otro al análisis normativo y un tercero a la redacción de conclusiones eleva drásticamente la fidelidad técnica del resultado final.

7. Conclusión: Hacia una Práctica Jurídica Aumentada

La implementación exitosa de la IA en el derecho no depende de la sofisticación del algoritmo, sino de la capacidad del profesional para mutar de "usuario" a "director del proceso". Los resultados de alta calidad son la consecuencia directa de una supervisión crítica, un conocimiento técnico profundo de las limitaciones del modelo y una práctica deliberada.

Al dominar estas estrategias, el abogado no es reemplazado por la máquina; es aumentado por ella.

¿Estamos preparados para reclamar nuestro rol de directores en la era de la predicción algorítmica?