Alucinaciones de IA legal por herramienta: Lexis, Westlaw, Practical Law y GPT-4 comparadas
Los profesionales del derecho que exploran la IA para abogados necesitan estos datos antes de confiar en cualquier asistente de investigación para el trabajo con clientes. El estudio de Stanford HAI sobre alucinaciones de IA legal evaluó más de 200 consultas jurídicas puntuadas manualmente por expertos y definió la alucinación como una respuesta factualmente incorrecta o mal fundamentada, es decir, que cita una fuente real que no respalda en realidad la afirmación realizada.
Este artículo define qué se considera una alucinación en el contexto de la investigación jurídica, explica cómo el estudio comparativo de Stanford midió las tasas en 202 consultas puntuadas por expertos y presenta los datos herramienta por herramienta junto con las tasas de exactitud y rechazo para que puedas comparar la fiabilidad directamente.
También aborda por qué las herramientas arrojan resultados tan distintos, las limitaciones de los estudios comparativos, la creciente ola de sanciones judiciales en EE. UU. contra abogados que presentaron citas inventadas, y los pasos concretos que evitan que el resultado de la IA llegue a tu escrito sin verificar.
Este artículo tiene carácter meramente informativo y no constituye asesoramiento jurídico.
Qué son las alucinaciones de IA legal
Una alucinación de IA legal se define como una respuesta factualmente incorrecta o mal fundamentada: la herramienta cita una fuente real y existente que no respalda en realidad la proposición para la que se invoca. El estudio de Stanford empleó esta definición bipartita al puntuar más de 200 consultas jurídicas, y capta tanto el fallo evidente como el más sutil y peligroso.
Respuesta factualmente incorrecta frente a cita mal fundamentada
Una respuesta factualmente incorrecta afirma algo que simplemente es erróneo: los elementos equivocados de un ilícito civil, una norma derogada tratada como vigente, o un fallo cuyo sentido es el opuesto al que el tribunal dictó. Estos errores son los que la mayoría asocia a los fallos de los grandes modelos de lenguaje y son relativamente fáciles de detectar con una búsqueda rápida.
Una cita mal fundamentada es más difícil de detectar. La herramienta menciona un caso real —uno que existe en Westlaw o Lexis, tiene una cita correcta y pertenece a la jurisdicción adecuada— pero ese caso no sostiene la proposición que la IA utiliza para apoyarse en él. Como la cita es real, una comprobación rápida puede no revelar el problema; el abogado debe leer la autoridad citada y confirmar que respalda la afirmación concreta. GPT-4 e incluso herramientas jurídicas específicas pueden producir citas mal fundamentadas en proporciones significativas, lo que convierte a este en el modo de fallo más peligroso en la práctica.
El problema de la cita mal fundamentada es especialmente frecuente cuando el modelo recupera un caso temáticamente relacionado y luego exagera o tergiversa sutilmente su fallo. La cita parece legítima a primera vista, el caso es derecho vigente, y el error solo aflora cuando alguien lee la sentencia completa, que es exactamente por qué las citas jurídicas inventadas o mal fundamentadas generadas por la IA tienen consecuencias tan graves.
Por qué importa más en el derecho que en una búsqueda general
Las respuestas jurídicas dependen de autoridad vinculante, vigente y específica para cada jurisdicción. Una respuesta que suena plausible, nombra el concepto jurídico correcto pero cita el caso equivocado puede pegarse en un escrito, transcribirse en un informe al cliente o servir de base para la redacción de un contrato, y cada uno de esos usos conlleva exposición a responsabilidad profesional por el deber de competencia y el deber de veracidad ante el tribunal.
En una búsqueda web ordinaria, un resultado alucinado puede causar un inconveniente. En la investigación jurídica, jurisprudencia inventada presentada en un tribunal federal ya ha generado sanciones económicas, resoluciones adversas y remisiones a expedientes disciplinarios. Las consecuencias hacen que la distinción entre factualmente incorrecto y simplemente mal fundamentado sea algo más que académica: ambos pueden echar por tierra una moción, y las citas mal fundamentadas son las que con más probabilidad pasan inadvertidas en una revisión rápida.
| Tipo de fallo | ¿Parece real? | ¿Detectable sin leer el caso? |
|---|---|---|
| Afirmación factualmente incorrecta | No se da cita | A menudo sí |
| Cita inventada | No: el caso no existe | Sí, en la primera comprobación |
| Cita mal fundamentada | Sí: el caso existe | No: requiere leer el fallo |
Señales de alerta del resultado alucinado de la IA:
- El formato de la cita es correcto, pero el caso no aparece en Westlaw ni en Lexis
- El caso citado existe, pero aborda una cuestión jurídica distinta
- El fallo se parafrasea de forma más amplia de lo que la resolución real sostiene
- La norma citada fue modificada o derogada después del corte de entrenamiento del modelo
Cómo se mide la tasa de alucinaciones de IA
La tasa de alucinaciones IA se mide sometiendo un conjunto fijo de consultas jurídicas a cada herramienta y haciendo que expertos en derecho puntúen manualmente cada respuesta como exacta, incompleta o alucinada. Stanford RegLab evaluó las tasas de alucinaciones en el estudio Hallucination-Free?, que analizó 202 consultas jurídicas puntuadas por expertos, convirtiéndolo en la primera evaluación sistemática de las principales herramientas de IA para tareas reales de investigación jurídica. El estudio fue revisado por pares y publicado en el Journal of Empirical Legal Studies en 2025.
El estudio comparativo de Stanford RegLab
El estudio Hallucination-Free? se diseñó como un ensayo prerregistrado, lo que significa que los investigadores se comprometieron con su metodología antes de recopilar datos, una salvaguarda importante frente a ajustes a posteriori. Cada una de las 202 consultas fue respondida de forma independiente por cada herramienta, y a continuación un equipo de expertos jurídicos revisó las respuestas sin saber qué herramienta las había producido. La puntuación ciega redujo el riesgo de que la familiaridad con el estilo de cualquier producto sesgara la evaluación.
La prerregistración es lo que distingue este estudio comparativo de las comparaciones informales que circulan en los comentarios sobre tecnología jurídica. Los resultados del estudio eran reproducibles por diseño y el criterio de puntuación completo fue divulgado, lo que permitió a proveedores y críticos debatir sobre decisiones metodológicas concretas en lugar de disputar los resultados de forma abstracta. Comprender el riesgo de alucinaciones de IA legal que documenta este estudio comparativo es esencial antes de desplegar cualquiera de estas herramientas en asuntos de clientes.
Tipos de consultas analizadas
Varios centenares de consultas se agruparon en cuatro categorías: preguntas de investigación general y doctrinales; preguntas específicas por jurisdicción o por tiempo (como divisiones de circuitos o cambios normativos recientes); preguntas con premisa falsa, en las que se incorporaba un error jurídico que la herramienta debería detectar; y preguntas de recuperación factual que pedían fallos o fechas concretos.
Las preguntas con premisa falsa y las específicas por jurisdicción fueron las que más alucinaciones generaron en todas las herramientas analizadas. Cuando una consulta contiene un error incorporado, una herramienta bien calibrada debería señalarlo; en cambio, varias herramientas confirmaron la premisa falsa y construyeron una respuesta sobre ella. Las preguntas específicas por jurisdicción penalizaron a las herramientas cuyos datos de entrenamiento se inclinaban hacia el derecho federal o las jurisdicciones mayoritarias.
Qué se puntúa como exacto, incompleto o alucinado
El sistema de puntuación tripartito clasificó una respuesta como exacta cuando era jurídicamente correcta y estaba bien fundamentada en la autoridad citada; como incompleta cuando la herramienta se negó a responder o dio una respuesta sin fundamento o muy matizada; y como alucinada cuando la respuesta era factualmente incorrecta o estaba mal fundamentada.
La categoría de incompleto es relevante porque una herramienta puede registrar una tasa bruta de alucinaciones baja simplemente declinando responder a las consultas difíciles. La abstención es una estrategia legítima de reducción del riesgo desde la perspectiva del producto, pero reduce el valor práctico de la herramienta para los abogados que necesitan respuestas, no abstenciones. La división tripartita permite al estudio comparativo poner de manifiesto esa disyuntiva explícitamente, en lugar de enterrar las abstenciones en una cifra de exactitud favorable.
Cómo se puntúa una consulta paso a paso:
- La consulta se envía a cada herramienta en condiciones idénticas, sin instrucciones suplementarias.
- Cada respuesta se despoja de la marca de la herramienta antes de la revisión por expertos.
- Un experto jurídico lee la respuesta y comprueba cada autoridad citada frente a la fuente primaria.
- El experto clasifica la respuesta como exacta, incompleta o alucinada con arreglo al criterio prerregistrado.
- Un segundo revisor puntúa de forma independiente una muestra para establecer la fiabilidad entre evaluadores.
- Los desacuerdos los resuelve un tercer revisor antes de contabilizar los resultados.
Tasa de alucinaciones de IA legal por herramienta
Los datos principales del estudio comparativo de Stanford RegLab son contundentes: Lexis+ AI alucinó en aproximadamente el 17% de las consultas jurídicas, Westlaw AI-Assisted Research en aproximadamente el 33% y GPT-4 en aproximadamente el 43% del mismo conjunto de pruebas. Lexis+ AI respondió con exactitud al 65% de las consultas —la mayor tasa de exactitud de todas las herramientas analizadas—, mientras que Ask Practical Law AI dio respuestas incompletas en más del 60% de las consultas, la mayor tasa de rechazo del estudio.
| Herramienta | Tasa de alucinaciones | Tasa de exactitud | Tasa de incompleto/rechazo |
|---|---|---|---|
| Lexis+ AI | ~17% | ~65% | ~18% |
| Westlaw AI-Assisted Research | ~33% | ~42% | ~25% |
| Ask Practical Law AI | Baja tasa bruta | No reportada | >60% |
| GPT-4 (sin base de datos jurídica) | ~43% | Baja | Baja |
| Chatbots de uso general (investigación previa) | 58–82% | Muy baja | Muy baja |
Lexis+ AI
En el estudio comparativo Hallucination-Free? de Stanford, Lexis+ AI registró la menor tasa de alucinaciones de las herramientas jurídicas específicas, con aproximadamente un 17%, y la mayor tasa de exactitud, con aproximadamente un 65%. Esa combinación —baja fabricación, alto porcentaje de respuestas útiles— es lo que la diferencia de las herramientas que gestionan las alucinaciones rehusando comprometerse con la consulta.
El aproximadamente 18% de consultas que cayeron en la categoría de incompleto para Lexis+ AI significa que la herramienta sigue declinando o matizando sus respuestas en una proporción significativa de preguntas, pero esa proporción es mucho menor que la tasa de rechazo de Ask Practical Law AI. Para los profesionales que realizan investigación doctrinal en un amplio abanico de tipos de consultas, el perfil de Lexis+ AI representa el mejor equilibrio medido del estudio.
Westlaw AI-Assisted Research
Westlaw AI-Assisted Research alucinó en aproximadamente el 33% de las consultas jurídicas, el doble de la tasa de Lexis+ AI en el mismo estudio comparativo. Su tasa de exactitud fue de aproximadamente el 42%, lo que significa que respondió correctamente menos de la mitad de las veces. La brecha respecto a Lexis+ AI es lo bastante grande como para influir en la selección de la herramienta, especialmente en trabajos de alto riesgo en los que cada autoridad citada será escrutada.
La comparación entre Lexis+ AI vs Westlaw —presente en el análisis de las dos plataformas— sugiere que la diferencia no es simplemente una cuestión de calidad del modelo, sino que también refleja cómo cada producto recupera y resume la autoridad. La mayor extensión media de las respuestas de Westlaw AI-Assisted Research —analizada en la sección siguiente— forma parte de la explicación de su mayor tasa de citas mal fundamentadas.
Ask Practical Law AI (Thomson Reuters)
Ask Practical Law AI presenta un perfil de riesgo diferente: su número bruto de alucinaciones fue relativamente bajo, pero lo consiguió dando respuestas incompletas o denegadas en más del 60% de las consultas, la mayor tasa de rechazo de cualquier herramienta del estudio. Una herramienta que declina responder a la mayoría de las preguntas es conservadora, pero no resulta fiable para el trabajo práctico.
La implicación práctica para los abogados es que una tasa de alucinaciones baja combinada con una tasa de rechazo muy alta no equivale a seguridad del mismo modo que lo haría una tasa de alucinaciones baja combinada con una alta exactitud. Cuando Ask Practical Law AI sí proporciona una respuesta, esta puede ser fiable, pero la mayoría de las veces no dará ninguna, trasladando la carga de la investigación de vuelta al profesional.
GPT-4 y los chatbots de uso general
GPT-4, evaluado sin acceso a una base de datos de jurisprudencia, alucinó en aproximadamente el 43% de las consultas jurídicas del estudio comparativo de Stanford. Las alucinaciones de GPT-4 ilustran bien los límites de los modelos sin recuperación de datos: investigaciones anteriores sobre la exactitud de los chatbots de uso general mostraron que estos alucinan en entre el 58% y el 82% de las consultas jurídicas, un rango que refleja el escaso rendimiento de los modelos sin generación aumentada por recuperación ante preguntas sobre autoridad vinculante específica por jurisdicción.
La comparación entre GPT-4 al 43% y Lexis+ AI al 17% ilustra el valor práctico de la generación aumentada por recuperación (RAG): vincular el modelo a un corpus jurídico curado reduce significativamente las alucinaciones, aunque no las elimina. Los chatbots de uso general siguen siendo la opción de mayor riesgo para cualquier tarea de investigación jurídica en la que se vaya a confiar en la autoridad citada.
Por qué difieren las herramientas de IA legal
Las diferencias en las tasas de alucinaciones entre las herramientas de IA legal provienen de una combinación de la calidad de la generación aumentada por recuperación (RAG), la base de datos jurídica subyacente y la extensión y el grado de matización de las respuestas de cada herramienta. La generación aumentada por recuperación (RAG) reduce, pero no elimina, las alucinaciones de IA legal, y las respuestas más largas de la IA correlacionan con tasas de alucinaciones más elevadas, dos conclusiones que juntas explican gran parte de la brecha entre Lexis+ AI y Westlaw AI-Assisted Research.
La RAG reduce pero no elimina las alucinaciones
La generación aumentada por recuperación (RAG) funciona extrayendo casos y normas relevantes de una base de datos curada antes de que el modelo de lenguaje redacte su respuesta, proporcionando al modelo material real para resumir en lugar de depender enteramente de los datos de entrenamiento. Por eso las tres herramientas jurídicas específicas superan a GPT-4 en bruto: el paso de recuperación acota el espacio de respuesta.
El problema es que la recuperación no garantiza un resumen exacto. Una herramienta puede recuperar el caso correcto y luego tergiversar su fallo en el resumen generado, produciendo una cita mal fundamentada en lugar de una inventada, pero alucinación al fin. El estudio comparativo de Stanford mostró que esto ocurre incluso en la herramienta con menor tasa de alucinaciones, lo que significa que la RAG es una salvaguarda necesaria pero no suficiente.
Extensión y verbosidad de las respuestas
El estudio comprobó que Westlaw AI-Assisted Research generaba respuestas notablemente más largas, con una media de aproximadamente 350 palabras, frente a las aproximadamente 219 de Lexis+ AI. Las respuestas más largas crean más oportunidades de formular incorrectamente o de fundamentar mal la autoridad, tanto porque el modelo debe hacer más afirmaciones factuales como porque la prosa extensa tiende a elaborar más allá de lo que las fuentes recuperadas respaldan directamente.
Esta correlación entre la extensión de la respuesta y la tasa de alucinaciones no es exclusiva de la IA legal, pero tiene consecuencias particulares en el derecho: una respuesta extensa que comenta cuatro casos con confianza es más difícil de verificar que una respuesta concisa que cita uno. Los profesionales deben tratar las respuestas de IA inusualmente largas como una señal para intensificar el esfuerzo de verificación, no como un signo de exhaustividad.
Base de datos y diseño del producto
Los corpus de jurisprudencia disponibles para LexisNexis y Thomson Reuters difieren en cobertura, frecuencia de actualización y los metadatos utilizados para clasificar los fragmentos recuperados. El diseño del prompt —cómo el producto formula la consulta al modelo subyacente— también condiciona qué se recupera y con qué grado de confianza el modelo lo resume.
Factores clave que diferencian las tasas de alucinaciones medidas entre herramientas:
- Profundidad y actualidad de la base de datos primaria de casos y normas
- Cómo el paso de recuperación clasifica y filtra los fragmentos candidatos
- Si el producto instruye al modelo a expresar incertidumbre
- Con qué agresividad la herramienta rechaza consultas fuera de su cobertura segura
- El grado en que las pruebas del producto incluyeron consultas específicas por jurisdicción y con premisa falsa antes del lanzamiento
Límites y críticas a los estudios de fiabilidad de la IA jurídica
Los datos del estudio comparativo reflejan versiones concretas de los productos evaluados a mediados de 2024, y los proveedores han lanzado actualizaciones desde entonces, por lo que las cifras deben tratarse como indicativas y no como definitivas. Ask Practical Law AI dio respuestas incompletas en más del 60% de las consultas en esa instantánea —un resultado que Thomson Reuters rebatió en parte alegando que la puntuación no reconocía plenamente la política deliberada de rechazo de la herramienta como una característica y no como un fallo—. Evaluar la fiabilidad de la IA jurídica a partir de una sola instantánea temporal es, por tanto, una simplificación que conviene tener presente.
El debate metodológico central gira en torno a cómo se definen «alucinación» y «exactitud» en la fase de puntuación. Thomson Reuters y otros proveedores cuestionaron si un rechazo conservador debería contar en contra de una herramienta como respuesta incompleta o acreditarse como comportamiento responsable. Esa elección definitoria afecta significativamente al ranking: una herramienta que rechaza el 60% de las consultas puede registrar una tasa de alucinaciones baja ofreciendo un valor práctico limitado, y distintas convenciones de puntuación pueden invertir qué producto sale mejor parado.
Una crítica relacionada tiene que ver con la selección de consultas. Las 202 consultas fueron elaboradas por investigadores con perfiles de especialización concretos, y los críticos argumentaron que la mezcla de tipos de consulta —especialmente la proporción de preguntas con premisa falsa y específicas por jurisdicción— puede no reflejar la distribución de tareas que los profesionales realizan realmente en su trabajo. Si el uso cotidiano se inclina hacia la investigación doctrinal sencilla, las tasas de alucinaciones observadas en el estudio comparativo pueden sobreestimar el riesgo al que se enfrentan los profesionales día a día.
Límites que conviene tener en cuenta al leer los resultados del estudio comparativo:
- Las versiones de las herramientas cambian con las actualizaciones del producto; un resultado de 2024 puede no reflejar el rendimiento de 2025
- La fiabilidad entre evaluadores fue alta pero no perfecta; los casos límite en la frontera entre exacto y mal fundamentado afectan a los porcentajes finales
- El estudio fue realizado en inglés sobre Derecho estadounidense; el rendimiento en otras jurisdicciones o idiomas no fue medido
- Los estudios comparativos académicos utilizan consultas abiertas; los despliegues empresariales suelen emplear instrucciones restringidas y plantificadas que pueden producir tasas diferentes
La lectura más justa del estudio Hallucination-Free? de Stanford es que estableció una línea de base rigurosa y reproducible y reveló diferencias significativas entre herramientas, no que produjera un ranking permanente. El orden relativo (Lexis+ AI supera a Westlaw AI-Assisted Research, ambas superan a los chatbots de uso general) es coherente con la lógica subyacente del diseño de cada producto, lo que lo hace creíble como hallazgo indicativo aunque los porcentajes absolutos varíen con las actualizaciones del modelo.
Consecuencias reales: sanciones judiciales en EE. UU.
Los tribunales de EE. UU. han sancionado a decenas de abogados por presentar citas alucinadas por la IA, con casos documentados que suman cientos y crecen a un ritmo de varios nuevos por día. El patrón es sistemático: un profesional usa un chatbot o herramienta de investigación con IA, no verifica el resultado frente a fuentes primarias y presenta un escrito citando casos que o bien no existen o bien no afirman lo que el escrito sostiene.
los sistemas Lexis+ AI y Ask Practical Law AI produjeron información incorrecta más del 17% de las veces, mientras que el Westlaw AI-Assisted Research alucinó más del 34% de las vecesInvestigadores de Stanford RegLab y HAI
Las sanciones no son hipotéticas. Los jueces federales en EE. UU. han impuesto penalizaciones económicas, han exigido a los abogados que presenten certificaciones juradas de haber verificado la investigación generada por IA y, en varios casos, han remitido a los letrados a las autoridades disciplinarias de los colegios de abogados estatales de EE. UU. El rastreador de sanciones judiciales por citas de IA documenta estos casos en distintas jurisdicciones, y el ritmo de nuevos expedientes se ha acelerado a medida que ha crecido la adopción de herramientas de IA.
La Regla Modelo 1.1 de la ABA (colegio de abogados de EE. UU.) recae la carga de la verificación sobre el abogado, no sobre la herramienta. El deber de competencia exige que los abogados comprendan la tecnología que utilizan y comprueben su resultado; el deber de veracidad ante el tribunal exige que cada autoridad citada sea exacta y derecho vigente. Los tribunales que han impuesto sanciones han rechazado de forma unánime el argumento de que apoyarse en una herramienta de IA traslada la responsabilidad profesional al proveedor. Culpar al software no ha protegido a ningún abogado de medidas disciplinarias en ningún caso publicado.
La exposición profesional va más allá de la redacción de escritos. Un informe a un cliente que cita un caso alucinado y es actuado en consecuencia puede dar lugar a reclamaciones por negligencia profesional. Un contrato que se basa en una norma legal mal citada puede no satisfacer la intención del cliente. Las tasas de alucinaciones documentadas en el estudio comparativo de Stanford —que van desde una fracción de consultas para la herramienta mejor medida hasta bien por encima de un tercio para los chatbots de uso general— se traducen directamente en una probabilidad material de error profesional en cualquier tarea de investigación que no se verifique de forma independiente. Los riesgos de la IA legal son, por tanto, una preocupación inmediata y no una cuestión futura.
Cómo reducir el riesgo de citas jurídicas inventadas
El riesgo de citas jurídicas inventadas se reduce verificando cada autoridad citada en una base de datos de fuentes primarias, eligiendo herramientas con tasas medidas más bajas y tratando el resultado de la IA como un borrador que requiere revisión por parte del abogado antes de cualquier uso. La generación aumentada por recuperación (RAG) reduce pero no elimina las alucinaciones de IA legal, lo que significa que incluso Lexis+ AI —con una tasa de alucinaciones de aproximadamente el 17% de las consultas jurídicas— requiere la verificación independiente de cada cita que produce.
Verifica cada cita frente a fuentes primarias
Cada caso o norma que cite una herramienta de IA debe consultarse directamente en Westlaw, Lexis o una base de datos de fuentes primarias comparable antes de que aparezca en cualquier escrito, informe o asesoramiento a un cliente. El flujo de trabajo de verificación tiene tres pasos diferenciados: confirmar que el formato de la cita resuelve a un documento real, confirmar que el documento sigue siendo derecho vigente (no revocado, sustituido ni modificado) y confirmar que el fallo o el texto respalda efectivamente la proposición concreta para la que se invoca.
El tercer paso es el que se omite con más frecuencia. No basta con que un caso exista y sea derecho vigente; las citas mal fundamentadas —el modo de fallo más peligroso— solo afloran cuando alguien lee la sección relevante de la resolución o la norma y comprueba si realmente respalda la afirmación. Esto lleva más tiempo que una comprobación rápida en Shepard’s o KeyCite, pero es el único paso que detecta el modo de fallo de la cita mal fundamentada que el estudio comparativo identificó como el más difícil de detectar.
Elige herramientas con tasas medidas más bajas
Al seleccionar una herramienta de IA legal para investigación, valora la tasa de alucinaciones junto con la tasa de exactitud y la tasa de rechazo como un perfil de tres variables, en lugar de basarte en un solo número. Una herramienta con una tasa de alucinaciones baja que lo consigue rechazando la mayoría de las consultas no es lo mismo que una herramienta con una tasa de alucinaciones baja y alta exactitud.
Los datos del estudio comparativo de Stanford sugieren que la combinación de Lexis+ AI —aproximadamente un 17% de alucinaciones y aproximadamente un 65% de exactitud— es el perfil más útil de las herramientas analizadas: baja fabricación y alto rendimiento útil a la vez. Si tu práctica implica un uso intensivo de consultas específicas por jurisdicción o sensibles a premisas falsas, la brecha entre herramientas se amplía aún más, haciendo que la selección de la herramienta sea una decisión más determinante que en la investigación doctrinal general.
Trata la IA como un borrador, no como autoridad
Ninguna herramienta de IA legal actual está libre de alucinaciones; incluso la mejor medida fabrica o fundamenta mal aproximadamente una de cada seis consultas. Esa tasa es lo bastante baja como para hacer que la IA resulte genuinamente útil para localizar casos, identificar marcos jurídicos y redactar análisis iniciales, pero lo bastante alta como para que tratar el resultado de la IA como trabajo acabado sea profesionalmente arriesgado.
La postura práctica consiste en utilizar la IA para acelerar el proceso de investigación y generar borradores, y luego aplicar la misma verificación independiente que se exigiría al primer borrador de cualquier asociado: cada cita confirmada, cada fallo leído, cada referencia normativa cotejada con la versión codificada vigente. La responsabilidad profesional recae sobre el abogado que firma el escrito, independientemente de qué herramienta ayudó a producir el primer borrador.