La variable invisible: por qué la inteligencia artificial que predice sentencias puede no ver la prueba de detective
La inteligencia artificial ha llegado a la litigación.
Existen herramientas capaces de analizar miles de resoluciones, detectar patrones, comparar precedentes y estimar probabilidades de determinados resultados.
La promesa es atractiva: litigar con estadística en la mano.
Pero toda predicción tiene una condición previa: el modelo sólo puede aprender adecuadamente aquello que sus datos representan.
He analizado esta cuestión en un estudio sobre 1.936 resoluciones judiciales españolas dictadas entre 2020 y 2024, pendiente de publicación académica.
La conclusión principal puede resumirse así: la prueba de detective puede ser jurídicamente importante y, al mismo tiempo, estar deficientemente representada como variable en el corpus jurisprudencial del que aprenden los sistemas predictivos.
Primer hallazgo: 68,2 % de valoraciones favorables en los casos clasificables
Dentro de las resoluciones del corpus en las que existe una valoración judicial suficientemente explícita como para determinar su sentido, el 68,2 % contiene una valoración favorable de la prueba de detective para la parte que la aportó.
Esto no significa que contratar un detective proporcione un 68,2 % de probabilidades de ganar un pleito.
Significa que, cuando el texto permite identificar y clasificar expresamente cómo fue recibida judicialmente esa prueba, la valoración resulta favorable en más de dos tercios de los casos clasificables del corpus.
No demuestra causalidad. Pero sí revela que la prueba aparece con frecuencia como un elemento útil y positivamente valorado cuando el tribunal se pronuncia expresamente sobre ella.
Segundo hallazgo: alrededor del 55 % no permite saber claramente cómo fue valorada
En aproximadamente el 55 % del conjunto relevante no existe una valoración suficientemente explícita y homogénea como para etiquetarla con seguridad.
La prueba estuvo en el procedimiento, pero la sentencia puede referirse a ella de maneras distintas: «informe de detective», «investigación privada», «testifical», «seguimiento», «fotografías obrantes en autos» o simplemente integrarla en la valoración conjunta.
Para un jurista que conoce el expediente, estas diferencias pueden ser manejables. Para construir un corpus automático, son un problema.
Una misma realidad procesal aparece escrita de diez maneras o aparece sin etiqueta específica.
El problema no empieza necesariamente en el algoritmo
Cuando hablamos de sesgo algorítmico solemos mirar directamente a la máquina.
Pero existe una etapa anterior: ¿cómo nació el dato con el que entrenamos al sistema?
Una sentencia se redacta para resolver un caso y motivar una decisión, no para alimentar una base de datos de IA.
Cuando después utilizamos miles de sentencias como materia prima predictiva aparece una consecuencia inesperada: lo que no queda expresado de manera consistente resulta mucho más difícil de aprender de manera consistente.
La generación del dato condiciona la inteligencia posterior.
La sentencia no reproduce todo lo que ocurrió en el juicio
Un procedimiento puede contener documentos, testigos, periciales, interrogatorios, grabaciones, un informe de detective y fotografías.
El juez forma su convicción a partir del conjunto.
Pero la sentencia selecciona, sintetiza y motiva lo necesario. No es una transcripción total del juicio.
Por tanto existe diferencia entre la realidad probatoria del procedimiento y su representación textual en la sentencia.
Para un sistema que sólo conoce la segunda, esa diferencia resulta decisiva.
La prueba de detective es especialmente vulnerable a esa pérdida
El informe tiene una naturaleza singular. Existe un documento, fotografías o vídeos y, cuando se controvierten los hechos, una declaración del profesional que los observó.
Un juez puede formar convicción también por la precisión del detective, la coherencia de la declaración, la correspondencia entre imágenes y testimonio y sus respuestas al contrainterrogatorio.
Buena parte de eso no viaja necesariamente hasta el texto final.
Y si no viaja hasta la sentencia, tampoco llega limpiamente al corpus.
La IA aprende de la sombra documental del juicio
Cuando entrenamos un modelo exclusivamente sobre resoluciones, no le enseñamos los procedimientos completos.
Le enseñamos la representación escrita que quedó de ellos.
Esto no afecta sólo al detective. Puede suceder con la credibilidad de un testigo, la calidad de una pericial, una contradicción detectada en sala o cualquier elemento percibido directamente por el juzgador y no desarrollado en la resolución.
Una variable ausente no hace que el modelo deje de predecir
Cuando falta una variable relevante, el algoritmo no necesariamente se detiene.
Sigue calculando con aquello que sí tiene: tipo de procedimiento, tribunal, materia, normativa citada, lenguaje, antecedentes, metadatos y otras características.
Puede incluso encontrar variables predictivas que no coinciden con las variables jurídicamente causales que el abogado considera importantes.
Correlación predictiva y explicación jurídica no son lo mismo.
El detective invisible
Supongamos que una herramienta ofrece un 42 % de probabilidad de éxito en un pleito laboral.
Pero nuestro caso contiene algo que muchos precedentes no contenían o que el corpus representa mal: tres días de seguimiento, una secuencia gráfica completa, un detective que comparecerá personalmente y una conducta objetivamente documentada.
¿Qué valor asigna el modelo a esa diferencia?
Si la variable no está identificada adecuadamente en sus datos, puede asignarle poco o ninguno.
No necesariamente porque la IA sea mala.
Porque el dato con el que aprende no describe adecuadamente aquello que ahora tenemos delante.
Tres consecuencias prácticas
Primera: cuidado con el porcentaje cuando el caso tiene una prueba extraordinaria. La predicción estadística funciona mejor cuando el asunto se parece al universo del que procede la estadística. La estrategia probatoria puede hacer precisamente que nuestro caso deje de parecerse al promedio.
Segunda: el 68,2 % tampoco es una calculadora. Describe el sentido de la valoración judicial en el subconjunto clasificable del corpus, no una probabilidad individual de éxito.
Tercera: la estrategia probatoria sigue necesitando oficio. Una herramienta puede analizar tendencias; decidir qué hecho falta acreditar y qué prueba puede cambiar el caso es otra cuestión.
El propio CGPJ pide cautela
En 2026 el Consejo General del Poder Judicial aprobó instrucciones sobre utilización de sistemas de IA en la actividad jurisdiccional con principios de control humano, prevención de sesgos, calidad de información y trazabilidad.
La frontera es significativa: la IA puede asistir, pero no sustituir la valoración de hechos y pruebas ni la decisión judicial.
No es una posición antitecnológica. Es la correcta.
Antes de IA necesitamos inteligencia sobre el dato
Ésta es una de las ideas sobre las que construimos M Intelligence.
Antes de preguntar «¿qué puede predecir la IA?» deberíamos preguntar «¿qué realidad representa realmente nuestro dataset?».
Qué variables contiene. Cuáles faltan. Cuáles son proxies. Qué ambigüedades existen. Qué decisiones metodológicas hemos tomado.
El sesgo no comienza necesariamente en la red neuronal. Puede empezar mucho antes, cuando una realidad procesal no queda representada de forma consistente en el texto.
Conclusión: la IA predice lo que puede ver
En las 1.936 resoluciones analizadas encontramos una paradoja.
Cuando la valoración de la prueba de detective puede clasificarse expresamente, resulta favorable a la parte que la aporta en el 68,2 % de los casos clasificables.
Pero en aproximadamente el 55 % del conjunto relevante, el texto judicial no ofrece una valoración específica suficientemente estandarizada para etiquetarla con claridad.
Hay información procesal relevante que no se transforma fácilmente en variable.
La advertencia para quien litiga es sencilla: no pregunte únicamente «¿qué porcentaje me da el modelo?».
Pregunte también: «¿qué sabe realmente el modelo sobre mi prueba?»
Lectura relacionada: La IA: Asedio a la privacidad — Editorial Tirant Lo Blanch
La verdad tiene método.