Legal interpretation and AI: from expert systems to argumentation and LLMs

El artículo examina la evolución de la investigación en IA y Derecho frente a la interpretación legal, transitando desde la ingeniería de conocimiento en sistemas expertos y la representación de argumentos dialécticos, hasta la generación automatizada de interpretaciones mediante modelos de lenguaje.

Lo esencial

🧠 La Inteligencia Artificial y el Abogado: Un Viaje de 50 Años

Imagina que el Derecho es un inmenso y antiguo castillo de reglas escritas en un idioma muy complejo. Interpretar la ley es como ser un guía turístico que decide, para cada visitante, qué puertas están abiertas y cuáles cerradas.

Este artículo cuenta la historia de cómo la Inteligencia Artificial (IA) ha intentado convertirse en ese guía turístico, pasando por tres etapas muy diferentes:

1. La Etapa de los "Expertos Robot" (Años 70-90)

La analogía: Imagina que intentas enseñar a un robot a jugar al ajedrez dándole un manual de instrucciones escrito en código binario.

• Cómo funcionaba: Los primeros investigadores crearon sistemas basados en reglas estrictas. Un "ingeniero de conocimiento" (un humano muy inteligente) tenía que leer la ley y convertirla en una fórmula matemática perfecta para la computadora.
• El problema: La ley no es como un manual de instrucciones; es ambigua.
  • Ejemplo clásico: Hay una regla que dice: "Prohibido entrar con vehículos al parque".
  • El ingeniero tuvo que decidir: ¿Una bicicleta es un vehículo? Si el ingeniero dice "SÍ" en el código, el robot prohibirá la bicicleta de un niño. Si dice "NO", la dejará pasar.
  • La crítica: El robot no "piensa"; solo sigue lo que el ingeniero le dijo. Si el ingeniero se equivocó o no pensó en una bicicleta de juguete, el robot será injusto y rígido. La interpretación se la llevaron los humanos antes de crear el robot, no el robot en el momento.

2. La Etapa de los "Debate y Argumentos" (Años 2000)

La analogía: Imagina un tribunal donde dos abogados pelean en lugar de un robot dando una respuesta única.

• Cómo funciona: Aquí, la IA no intenta tener una sola "verdad" absoluta. En su lugar, construye un campo de batalla de argumentos.
• El escenario:
  • El Guardián del parque (la IA) dice: "¡Detente! 'Vehículo' significa cualquier cosa con ruedas. Tu bicicleta es un vehículo". (Argumento basado en el significado literal).
  • El Niño Tom (la otra IA) responde: "¡Espera! El propósito de la regla es evitar ruido y accidentes graves. Una bicicleta de niño no hace ruido ni es peligrosa. Por lo tanto, no debería contar". (Argumento basado en el propósito de la ley).
• La magia: El sistema evalúa qué argumento es más fuerte. En este caso, el sistema decide que el argumento del "propósito" gana sobre el "significado literal".
• Resultado: La IA aprende a debatir, a usar canones de interpretación (como el sentido común o la intención del legislador) y a ver qué argumento "gana" la pelea lógica.

3. La Etapa de los "Chatterbots Geniales" (La IA Actual: LLMs)

La analogía: Imagina un estudiante universitario que ha leído todos los libros del mundo en segundos, pero que nunca ha salido a la calle ni ha sentido lo que es ser humano.

• Cómo funciona: Hoy usamos Modelos de Lenguaje Grandes (como ChatGPT). No siguen reglas estrictas ni debaten lógicamente paso a paso. Ellos predicen qué palabras deberían seguir a otras basándose en patrones que han visto en millones de textos legales.
• Lo bueno: Si le preguntas al chatbot: "¿Las bicicletas entran en el parque?", te dará una respuesta brillante, matizada y muy parecida a la de un abogado experto. Puede explicarte los pros y los contras, citar casos y usar un lenguaje natural perfecto.
• Lo malo (El peligro de las "Alucinaciones"):
  • El chatbot es un actor brillante, no un juez. A veces, para sonar convincente, inventa hechos o leyes que no existen (alucinaciones).
  • No tiene "conciencia" ni entiende la realidad. Si le preguntas sobre una ley nueva de ayer, podría inventar una respuesta porque no la ha leído en sus datos de entrenamiento.
  • El riesgo: Si un juez o un abogado confía ciegamente en el robot, podría tomar una decisión basada en una mentira inventada por la máquina.

🚦 ¿Qué nos dice el artículo al final?

El mensaje principal es una advertencia con esperanza:

1. No confíes ciegamente: La IA actual no puede ser el "Juez Final". No tiene la sabiduría humana para entender el contexto social, la moral o la justicia real. Si un robot multa al niño Tom por su bicicleta, el robot está fallando porque no entiende la intención humana detrás de la ley.
2. Úsala como un "Copiloto": La IA es excelente para generar ideas, resumir textos, encontrar argumentos que un humano podría haber pasado por alto o traducir leyes complejas a lenguaje sencillo.
3. El humano debe mantener el volante: El abogado o juez debe usar la IA como una herramienta de "lluvia de ideas" (brainstorming), pero siempre debe verificar los hechos, los argumentos y tomar la decisión final.

En resumen:
La IA ha pasado de ser un robot rígido que seguía instrucciones mal escritas, a ser un debatiente lógico, y hoy es un orador brillante que a veces miente. Su trabajo no es reemplazar al abogado, sino ser su mejor asistente, siempre y cuando el abogado mantenga los ojos abiertos y el control total de la decisión.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "Legal interpretation and AI: from expert systems to argumentation and LLMs" de Václav Janeček y Giovanni Sartor, estructurado según los puntos solicitados.

1. El Problema

El artículo aborda el desafío fundamental de cómo la Inteligencia Artificial (IA) y el Derecho han abordado históricamente y abordan actualmente la interpretación legal. La interpretación no es un mero proceso de comprensión textual, sino una tarea compleja que implica resolver dudas, ambigüedades y vaguedades en textos legales para aplicarlos a situaciones concretas.

El problema central identificado es la evolución de la capacidad de los sistemas para manejar la incertidumbre interpretativa:

• Limitación de la consistencia lógica: Los sistemas basados en reglas requieren una base de conocimiento lógicamente consistente, lo que dificulta modelar interpretaciones alternativas o contradictorias simultáneamente.
• Transferencia de poder interpretativo: En los sistemas expertos, la interpretación se traslada del operador legal al ingeniero de conocimiento, quien debe predefinir reglas que a menudo ignoran matices contextuales.
• Ilusión de comprensión en IA Generativa: Con la llegada de los Modelos de Lenguaje Grande (LLMs), surge el riesgo de que estos sistemas, que carecen de comprensión real, conocimiento fáctico o capacidad de razonamiento normativo, sean tratados como oráculos legales fiables, generando "alucinaciones" y deshabilitando a los profesionales legales.

2. Metodología

Los autores emplean un enfoque histórico-analítico y comparativo, trazando la evolución de tres paradigmas principales dentro de la investigación en IA y Derecho:

1. Sistemas Expertos (Enfoque Simbólico, años 70-90): Se analiza cómo se modelaba el conocimiento legal mediante lógica formal (reglas, lógica descriptiva). Se examina el trabajo de Allen y Saxon sobre la desambiguación sintáctica mediante conectores lógicos y la distinción entre resolver dudas ex ante (en la base de conocimientos) o ex post (durante la aplicación).
2. Enfoques Basados en Argumentación: Se estudia cómo superar la rigidez de la consistencia lógica mediante marcos de argumentación formal. Se utiliza el análisis de grafos de argumentos donde las interpretaciones compiten mediante "cánones interpretativos" (significado ordinario, propósito, precedentes, etc.). Se aplica la lógica defeasible para determinar qué argumentos prevalecen (están "IN") y cuáles son derrotados ("OUT").
3. Aprendizaje Automático y LLMs (IA Generativa): Se evalúa el estado actual de los LLMs en tareas legales. Se analiza su funcionamiento basado en patrones lingüísticos estadísticos en lugar de conocimiento semántico profundo. Se discuten técnicas de mitigación como la Generación Aumentada por Recuperación (RAG) y el Prompting (incluyendo Chain-of-Thought).
4. Evaluación Crítica: Se revisan benchmarks y estudios empíricos sobre la fiabilidad, consistencia y tasas de alucinación de los LLMs en tareas de interpretación, contrastando la "fluidez superficial" con la necesidad de justificación normativa.

3. Contribuciones Clave

El artículo ofrece varias contribuciones teóricas y prácticas significativas:

• Trazado de la evolución epistemológica: Demuestra cómo la IA y el Derecho han pasado de intentar "codificar" la interpretación (Sistemas Expertos) a "simular" el debate dialéctico (Argumentación) y finalmente a "generar" sugerencias interpretativas basadas en probabilidad estadística (LLMs).
• Modelado de la Argumentación Interpretativa: Proporciona un marco formal donde los cánones de interpretación (ej. significado ordinario vs. teleológico) se tratan como reglas defeasibles que compiten en un grafo de argumentos. Ilustra cómo un argumento basado en el propósito de la ley puede derrotar a uno basado en el significado literal.
• Concepto de "Interpretación Generativa": Introduce y analiza el término (acuñado por Hoffman y Arbel) para describir el uso de LLMs para determinar el significado "ordinario" o la intención de las partes en contratos mediante el análisis de grandes volúmenes de texto y contexto, aunque advierte sobre sus limitaciones epistémicas.
• Distinción entre Competencia Lingüística y Normativa: Aclara que los LLMs poseen competencia discursiva (imitan patrones humanos) pero carecen de competencia normativa (no entienden la verdad, la moral o la validez legal).
• Propuesta de Uso Asistido (No Autónomo): Argumenta firmemente que los LLMs no deben ser vistos como oráculos de verdad legal, sino como herramientas de apoyo ("compañeros") para abogados expertos. La responsabilidad final y la justificación normativa deben permanecer en manos humanas.

4. Resultados y Hallazgos

• Sistemas Expertos: Lograron formalizar la desambiguación sintáctica, pero fallaron al transferir la carga interpretativa al ingeniero de conocimiento, perdiendo la flexibilidad necesaria para casos concretos y contextuales.
• Argumentación: Permitió modelar la inconsistencia y el conflicto de interpretaciones, ofreciendo un marco más robusto para la toma de decisiones legales donde prevalece el argumento más fuerte (ej. el propósito sobre la literalidad), aunque sigue requiriendo intervención humana para la evaluación final.
• LLMs y Generative AI:
  • Capacidades: Pueden generar sugerencias interpretativas, resumir textos, identificar ambigüedades y proponer argumentos basados en cánones con una fluidez sorprendente.
  • Limitaciones Críticas: Sufren de alucinaciones (fuentes inexistentes), falta de consistencia (mismas preguntas, respuestas diferentes), y ausencia de comprensión real de los hechos o valores sociales.
  • Riesgos: El uso no crítico puede llevar a decisiones legales basadas en datos falsos o razonamientos falaces, y a la deshabilitación de la capacidad crítica de los abogados.
  • Mitigación: Técnicas como RAG y prompts estructurados mejoran la precisión, pero no eliminan el problema fundamental de la falta de "ground truth" (verdad fáctica) en la interpretación legal.

5. Significado e Implicaciones

El artículo tiene un alto significado para la práctica legal, la investigación en IA y la política tecnológica:

• Para la Práctica Legal: Establece un marco de responsabilidad. Los abogados deben usar la IA como una herramienta de "lluvia de ideas" (brainstorming) para expandir el conjunto de argumentos posibles, pero nunca como fuente definitiva de interpretación. La validación humana es innegociable.
• Para la Investigación en IA y Derecho: Señala la necesidad urgente de integrar enfoques híbridos: combinar la capacidad de extracción de información a escala de los LLMs con la rigurosidad lógica y argumentativa de los sistemas simbólicos y de argumentación formal.
• Para la Gobernanza y Ética: Advierte sobre los peligros de delegar tareas interpretativas a sistemas autónomos (Agentic AI) sin supervisión humana, especialmente en contextos de alto riesgo (multas, sanciones).
• Futuro del Derecho: Sugiere que el futuro no es la automatización total de la interpretación, sino una asistencia aumentada donde la IA maneja la carga cognitiva de la búsqueda y síntesis de datos, permitiendo a los juristas enfocarse en la justificación normativa, la ética y la toma de decisiones finales.

En conclusión, el paper concluye que, aunque la tecnología avanza rápidamente, las habilidades cognitivas humanas necesarias para la interpretación legal genuina (comprensión de valores, contexto social y justificación normativa) no han sido ni serán pronto replicadas por la IA. Por tanto, la IA debe permanecer en un rol de soporte, nunca de autoridad.