🤖 AI

Deterministic Legal Agents: A Canonical Primitive API for Auditable Reasoning over Temporal Knowledge Graphs

Este artículo presenta la API SAT-Graph, una interfaz primitiva canónica que permite un razonamiento legal auditable y determinista al confinar la incertidumbre de los LLM a la traducción de intenciones y la síntesis narrativa, mientras ejecuta todos los recorridos de grafos estructurales, temporales y causales mediante operaciones simbólicas fiables.

Autores originales: Hudson de Martim

Publicado 2026-04-30

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hudson de Martim

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando resolver un misterio legal complejo, como averiguar exactamente qué decía una ley específica en un día concreto del pasado.

En el mundo de la inteligencia artificial estándar (como los chatbots que usamos hoy), el sistema actúa un poco como un bibliotecario que solo sabe adivinar. Si preguntas: "¿Qué decía la ley sobre la vivienda en 2001?", el bibliotecario escanea la biblioteca, encuentra páginas que parecen similares a tu pregunta y te las entrega. Pero aquí está el problema: el bibliotecario podría agarrar una página de 2024, o una página de un país diferente, o una página que fue eliminada hace años. El bibliotecario es bueno adivinando las palabras, pero terrible entendiendo la historia o las reglas de la biblioteca.

Este artículo propone una nueva forma de construir inteligencia artificial legal, llamada Agentes Legales Deterministas. En lugar de un bibliotecario que adivina, quieren construir un archivista robótico que sigue un conjunto estricto e inquebrantable de reglas.

Así es como el artículo explica este nuevo sistema utilizando conceptos sencillos:

1. El Problema: La Biblioteca "Plana"

La IA actual trata las leyes como una pila de papeles sueltos. No entiende que una ley es parte de un libro más grande, que los libros tienen capítulos y que las leyes cambian con el tiempo.

La Analogía: Imagina intentar encontrar una frase específica en una novela, pero la IA simplemente agarra frases aleatorias del libro que contienen las mismas palabras. Podría agarrar una frase del principio del libro cuando necesitabas una del final, o una frase de un borrador que fue desechado. En el derecho, esto es peligroso porque una ley que era cierta ayer podría ser falsa hoy.

2. La Solución: El "SAT-Graph" (El Plano Maestro)

Los autores construyeron previamente una base de datos especial llamada SAT-Graph. Piensa en esto no como una pila de papeles, sino como un árbol genealógico vivo y respirable para las leyes.

Cada ley es un "Elemento".
Cada vez que una ley cambia, nace una nueva "Versión".
Cada cambio es causado por una "Acción" específica (como la firma de un nuevo proyecto de ley).
Este gráfico conoce la historia exacta: ¿cuál es la ley padre? ¿Qué la cambió? ¿Cuándo expiró?

3. La Nueva Interfaz: La "API Primitiva" (El Menú Estricto)

La gran pregunta que responde el artículo es: ¿Cómo permitimos que la IA hable con este complejo árbol genealógico sin permitirle cometer errores?

Si dejamos que la IA escriba sus propias consultas a la base de datos (como pedirle que escriba código SQL), podría confundirse y pedir lo incorrecto. Por lo tanto, los autores crearon una API Primitiva Canónica.

La Analogía: Imagina que la IA es un cliente en un restaurante muy elegante.
- Antigua Forma: El cliente entra a la cocina y empieza a gritar pedidos al chef, intentando cocinar la comida él mismo. Podría quemar la sopa o usar los ingredientes equivocados.
- Nueva Forma (La API): El cliente solo puede pedir de un menú estricto y preaprobado. El menú tiene botones específicos como "Obtener la versión de 2001 del Artículo 6" o "Muéstrame quién cambió esta ley". La IA no puede vagar por la cocina; solo puede presionar botones.

4. La Regla de Oro: "Aislamiento de Probabilidad"

Este es el concepto más importante del artículo. Los autores se dieron cuenta de que la IA es naturalmente "difusa" (adivina), pero los hechos legales deben ser "nítidos" (son verdaderos o falsos).

Crearon una regla llamada Aislamiento de Probabilidad. Piénsalo como un punto de control de seguridad:

Zona 1 (La Zona Difusa): A la IA se le permite adivinar aquí. Toma tu pregunta ("¿Qué hay sobre la vivienda?") y adivina de qué ley estás hablando. Podría decir: "Creo que te refieres al Artículo 6, pero tengo un 80% de certeza".
El Punto de Control: Una vez que la IA elige un ID de ley específico (como "Artículo 6"), pasa por un punto de control.
Zona 2 (La Zona Estricta): A partir de este punto, no se permite adivinar. La IA presiona un botón para obtener la versión de 2001. El archivista robótico debe dar el texto exacto de esa fecha. No puede adivinar. No puede alucinar. Solo recupera los datos exactos.
Zona 3 (La Zona Difusa de nuevo): Una vez que el robot da el texto exacto, se le permite a la IA adivinar de nuevo para escribir un buen resumen para ti.

5. Cómo Funciona en la Vida Real (Los Casos de Uso)

El artículo muestra cómo funciona esto con tres ejemplos:

Viaje en el Tiempo: Preguntas: "¿Qué decía la ley el 20 de mayo de 2001?"
- Antigua IA: Podría mostrarte la ley tal como es hoy.
- Nueva IA: Adivina el nombre de la ley, luego presiona el botón "Obtener Versión 2001". El robot da el texto exacto de ese día.
Trabajo de Detective: Preguntas: "¿Cómo cambió la ley cuando se añadió 'vivienda'?"
- Antigua IA: Podría encontrar la palabra "vivienda" y mostrarte un párrafo.
- Nueva IA: Encuentra la ley, mira su historia, encuentra el momento exacto en que se añadió "vivienda" y te muestra el texto antes y después del cambio, junto con el proyecto de ley específico que lo causó.
El Efecto Dominó: Preguntas: "¿Qué leyes cambió esta nueva enmienda?"
- Antigua IA: Podría buscar el nombre de la enmienda en otras leyes (lo cual a menudo no funciona).
- Nueva IA: Sigue el rastro de la "Acción". Ve que la enmienda fue un "padre" que creó nuevas versiones de otras leyes. Enumera exactamente qué cambió.

Resumen

El artículo no afirma que esta IA sea perfecta como abogado. Afirma resolver el problema de fiabilidad.

Construye un sistema donde se le permite a la IA ser creativa al entender tu pregunta y escribir la respuesta final, pero se ve obligada a ser un robot al buscar los hechos. Separa la "adivinación" de la "verificación de hechos" para que cada pieza de evidencia que use la IA pueda rastrearse hasta un registro específico e inmutable en la base de datos.

Es como darle a un detective una lupa que solo muestra la verdad, en lugar de una bola de cristal que muestra lo que podría ser verdad.

A continuación se presenta un resumen técnico detallado del artículo "Agentes Legales Deterministas: Una API Primitiva Canónica para el Razonamiento Auditables sobre Grafos de Conocimiento Temporales."

1. Declaración del Problema

El artículo aborda limitaciones críticas en la aplicación de la Generación Aumentada por Recuperación (RAG) a dominios legales de alto riesgo. Los sistemas RAG estándar dependen de la similitud semántica sobre fragmentos de texto planos, lo que falla al capturar la naturaleza compleja del conocimiento legal. Los autores identifican tres modos de fallo específicos en el RAG legal actual:

Ceguera Mereológica: Fallo en reconocer relaciones parte-todo (ej. cláusula $\subset$ artículo $\subset$ ley).
Naiveté Diacrónica: Incapacidad para distinguir entre normas derogadas y actualmente vigentes, lo que lleva a la confusión entre derecho histórico y derecho vigente.
Opacidad Causal: Falta de trazabilidad respecto a la procedencia legislativa (los actos específicos que crearon, modificaron o derogaron una norma).

Mientras que trabajos previos (SAT-Graph) resolvieron el problema de la representación modelando las normas legales como grafos de conocimiento temporales conscientes de la estructura, surgió un nuevo problema de interacción: ¿Cómo puede un agente LLM probabilístico consultar este grafo determinista sin reintroducir la falta de fiabilidad que el grafo fue diseñado para evitar? Permitir que los agentes generen consultas de base de datos arbitrarias (SQL/SPARQL) o depender únicamente de la búsqueda semántica arriesga errores silenciosos, alucinaciones y el elusión de restricciones temporales/estructurales.

2. Metodología: La API SAT-Graph

El artículo propone la API SAT-Graph, una interfaz primitiva canónica diseñada para mediar entre un agente LLM probabilístico y un sustrato simbólico determinista (el Grafo de Conocimiento Temporal).

Principio de Diseño Central: Aislamiento de la Probabilidad

La arquitectura confina estrictamente la incertidumbre estocástica a tres etapas acotadas, asegurando que, una vez resuelta una referencia, todas las operaciones subsiguientes sean deterministas:

Traducción de Intención: El LLM convierte una consulta en lenguaje natural en un plan de ejecución.
Anclaje Semántico Inicial: El sistema utiliza búsqueda probabilística (semántica/lexica) para mapear referencias ambiguas a anclas de grafo candidatas clasificadas (Elementos, Temas, Unidades de Texto).
Síntesis Narrativa: El LLM genera la respuesta final en prosa basada en evidencia verificada.

Núcleo Determinista: Una vez establecidos un identificador canónico y parámetros temporales, todos los recorridos del grafo (estructurales, temporales, causales) se ejecutan mediante primitivas tipadas y atómicas. Esto asegura que el proceso de recuperación sea en sí mismo reproducible y auditable.

Componentes Arquitectónicos

El Sustrato (SAT-Graph): Un grafo de conocimiento temporal que modela instrumentos legales como entidades versionables con jerarquía de contención explícita y causalidad legislativa.
El Protocolo de Interacción (API): Una biblioteca de primitivas tipadas y composables que actúan como una fachada procedimental. El agente no ve el esquema físico de la base de datos, sino que interactúa mediante un vocabulario fijo.
El Agente: Un planificador probabilístico que descompone preguntas en una secuencia de llamadas primitivas, observa resultados intermedios y sintetiza respuestas.

Modelos de Datos Clave

La API opera sobre cinco modelos de datos canónicos y portables entre dominios:

Elemento (Item): Una entidad de grafo canónica con identidad estable (ej. un Artículo específico).
Versión: Una instantánea limitada en tiempo de un Elemento, capturando intervalos de validez y aplicabilidad.
Unidad de Texto (TextUnit): La realización textual adjunta a una entidad de grafo, que conecta la búsqueda semántica con la recuperación determinista.
Acción: Un evento de transición de estado reificado (ej. promulgación, enmienda) que produce o termina versiones.
Relación: Bordes semánticos tipados (citas, dependencias) entre entidades.

Categorías de Primitivas

La API expone grupos funcionales de primitivas:

Descubrimiento y Búsqueda: resolveItemReference, searchTextUnits (devuelve candidatos clasificados con puntuaciones de confianza).
Resolución Temporal: getValidVersions, getItemVersions (recuperación determinista de versiones válidas en un momento específico).
Navegación Estructural: getItemHierarchy, getItemAncestors (reconstruye el contexto sin depender de la adyacencia de texto).
Causalidad e Impacto: getItemHistory, getActionsBySource (rastrea la procedencia y el impacto hacia adelante).
Introspección: getRootItemTypes, getSupportedActionTypes (permite a los agentes descubrir los límites del esquema).
Hidratación: getVersionTextUnits (convierte IDs ligeros en evidencia textual completa).

3. Contribuciones Clave

Especificación de API Primitiva Canónica: Una interfaz formal para consultar grafos de conocimiento temporales conscientes de la estructura, instanciada para normas legales pero diseñada para ser portable entre dominios.
Principio de Aislamiento de la Probabilidad: Un patrón de diseño neuro-simbólico que separa la planificación/anclaje probabilístico de la ejecución determinista del grafo, haciendo que los errores del sistema sean localizables e inspeccionables.
Paradigma Razón-Accion-Observa: Cambia el RAG legal de un pipeline pasivo "Recuperar-luego-Generar" a un proceso activo donde el agente descompone preguntas en planes de ejecución explícitos y auditable.
Separación Formal de Responsabilidades: Desacopla la representación del conocimiento legal (el grafo) del razonamiento agencial (el LLM) mediante un protocolo de interacción tipado, evitando el acoplamiento de esquemas y la confabulación de consultas.
Demostraciones de Casos de Uso: Ilustra cómo consultas legales complejas (recuperación en un punto temporal, comparación de versiones, causalidad hacia adelante, análisis de impacto temático) se descomponen en secuencias primitivas verificables.

4. Resultados y Evaluación

El artículo no presenta resultados de referencia empíricos (ej. puntuaciones de precisión frente a líneas base) sino que proporciona una especificación arquitectónica formal y validación cualitativa a través de casos de uso:

Recuperación Determinista en un Punto Temporal: Demostró cómo un agente puede recuperar el texto exacto de una ley válida en una fecha pasada específica, evitando la "naiveté temporal" del RAG estándar.
Localización Causal: Mostró cómo un agente puede rastrear la acción legislativa exacta que introdujo un derecho específico (ej. "vivienda") y comparar el texto antes y después de la enmienda.
Causalidad hacia Adelante: Ilustró cómo identificar todas las disposiciones afectadas por una enmienda específica, una tarea difícil para la búsqueda semántica debido a la falta de superposición léxica.
Análisis de Impacto Temático: Demostró la capacidad de agregar cambios históricos a través de una jerarquía temática (ej. "Seguridad Digital") combinando resolución temática con consultas de eventos temporales.

Los "resultados" son los registros de ejecución auditables generados por estos procesos, que permiten a los revisores humanos rastrear exactamente qué entidad fue resuelta, qué versión fue seleccionada y qué acción produjo la evidencia.

5. Significado e Implicaciones

IA Legal Confiable: La arquitectura proporciona una base para sistemas legales donde la base probatoria de una respuesta es totalmente inspeccionable, reproducible y trazable a objetos de grafo canónicos.
Auditabilidad como Propiedad de Recuperación: A diferencia del RAG tradicional donde la auditabilidad es una característica a posteriori, este sistema hace que la auditabilidad sea intrínseca al propio proceso de recuperación. Cada paso es una operación tipada sobre un objeto canónico.
Portabilidad de Dominio: Aunque ilustrado en derecho, las abstracciones (Elementos, Versiones, Acciones) se aplican a cualquier dominio gobernado por autoridades que requiera corrección histórica y procedencia (ej. estándares técnicos, cumplimiento regulatorio, especificaciones de ingeniería).
Cambio en la Carga de Ingeniería: La complejidad de la lógica temporal y la validación estructural se traslada desde el prompt del LLM (donde es propensa a errores) a la capa de la API (donde puede probarse y aplicarse rigurosamente).

6. Limitaciones y Trabajo Futuro

Dependencia de la Calidad del Grafo: El determinismo del sistema es condicional a la corrección y completitud de la ingestión del grafo de conocimiento subyacente.
Errores de Anclaje Semántico: Aunque la incertidumbre se expone, el mapeo inicial de lenguaje natural a anclas de grafo sigue siendo probabilístico y puede fallar en consultas ambiguas.
Errores de Planificación: La arquitectura no previene que los agentes generen planes lógicamente inadecuados (ej. consultar el instrumento incorrecto), aunque sí hace que estos errores sean auditables.
Direcciones Futuras: Los autores solicitan una evaluación empírica frente al RAG estándar, el desarrollo de modelos de aprendizaje "Texto-a-Plan" y la construcción de conjuntos de datos de referencia para el razonamiento legal temporal.

En conclusión, el artículo argumenta que para dominios de alto riesgo, la recuperación debe ser un proceso de ejecución auditable, no una búsqueda de caja negra. La API SAT-Graph proporciona la interfaz necesaria para lograr esto aislando estrictamente la incertidumbre probabilística del razonamiento determinista.