Resumen: una ontología legal reemplazó 300 herramientas MCP por 7, reduciendo el costo de IA de $0.60 a $0.02 por mensaje — una reducción del 97%. Stanford demostró que las herramientas de RAG legal en producción alucinan entre el 17% y el 33% de las veces. Mientras tanto, los sistemas basados en ontologías alcanzan el 98% de precisión. Estamos construyendo esto para el derecho laboral de los EAU en HAQQ.
Cómo una llamada de demostración reescribió mi hoja de ruta
Hace unas semanas tuve una llamada con el CEO de Dynamic Interfaces para ver algo que habían construido: un sistema de ontología legal para el derecho laboral mexicano. Pensé que vería una demo, tomaría notas y seguiría adelante. No fue eso lo que pasó.
Datos clave
- Una ontología legal reemplazó 300 herramientas MCP por 7, reduciendo el costo de IA de $0.60 a $0.02 por mensaje — una reducción del 97%.
- Stanford (Magesh et al., Journal of Empirical Legal Studies, 2025) encontró que las herramientas de RAG legal en producción alucinan entre el 17% y el 33% de las veces.
- El GraphRAG basado en ontología alcanzó 98% de precisión frente al 37% de ChatGPT-4 en preguntas clínicas (Journal of Biomedical Informatics, 2025).
Llevo tiempo construyendo IA legal en HAQQ para la región MENA, y he presenciado suficientes demos 'revolucionarias' para toda una vida. La mayoría son solo RAG con una interfaz más bonita. Este sistema se veía distinto desde los primeros cinco minutos. No por un diseño elegante ni por el discurso de marketing, sino por lo que ocurría por debajo.
Esto fue lo que me detuvo en seco: 5 clientes del gobierno mexicano usaban este sistema a diario. Peritos designados por tribunales consultaban el derecho laboral a través de cuatro leyes federales, obteniendo respuestas precisas con citas legales completas, y todo costaba dos centavos por mensaje. No dos dólares. Dos centavos.
Para contexto, Harvey AI — el niño mimado de $11 mil millones de la IA legal — cobra $1,200 por abogado al mes. CoCounsel empieza en $220 al mes. Incluso el asiento más barato en IA legal cuesta más de $100 al mes. Y aquí estaba este sistema en México haciéndolo por dos centavos por mensaje. Sin suscripciones. Sin mínimos de asientos. Solo un grafo de conocimiento estructurado y 7 herramientas bien diseñadas.
Pasé las siguientes dos semanas desarmando el sistema para entender por qué funciona. Este artículo es lo que encontré, por qué importa para cualquiera que construya IA legal, y qué estamos construyendo en HAQQ a raíz de esto.
Lo que las empresas de IA legal de $11 mil millones hacen mal
Antes de entrar en la arquitectura de la ontología, tengo que decir algo directo sobre el estado actual de la IA legal. Porque cuanto más profundicé en el panorama competitivo, más emergió un patrón, y no es favorecedor para los actores establecidos.
Toda empresa importante de IA legal es un envoltorio de RAG. Ninguna tiene una ontología legal formal.
Harvey AI — valoración de $11 mil millones, $1.2 mil millones recaudados, respaldada por Sequoia y GIC — ejecuta LLMs afinados con RAG sobre bases de datos legales. Cobran ~$1,200 por abogado al mes a precio de lista. Acaban de anunciar una integración con LexisNexis, sumando otros $400-600 por abogado al año. Afirman un 91% de precisión en su 'BigLaw Bench'. Eso todavía significa que el 9% del trabajo legal contiene errores.
CoCounsel (Thomson Reuters) — 1 millón de usuarios, integrado sobre los más de 100 años de jurisprudencia de Westlaw. Arquitectura multimodelo entre Anthropic, OpenAI y Google. Precios de $220 a $500 por usuario al mes. Mejor foso de datos que Harvey. Pero sigue siendo RAG en su núcleo.
Legora (antes Leya) — valoración de $5.55 mil millones, 800 despachos de abogados. Construido sobre Claude con flujos de trabajo agénticos. $250 por usuario al mes, mínimo de 10 asientos. Sin estructura de conocimiento legal propia. Es un envoltorio muy bien diseñado.
Stanford realizó un estudio empírico preregistrado, el primero de su tipo. Magesh et al., publicado en el Journal of Empirical Legal Studies en 2025. Probaron herramientas de RAG legal en producción y encontraron tasas de alucinación del 17% al 33% en general.
La conclusión del equipo de Stanford: el RAG reduce las alucinaciones frente a los modelos de propósito general, pero las alucinaciones siguen siendo 'sustanciales, generalizadas y potencialmente insidiosas'. Las afirmaciones de 'citas sin alucinaciones' de los proveedores de IA legal están demostrablemente exageradas.
Mientras tanto, en medicina clínica, investigadores publicaron un estudio que muestra que el GraphRAG basado en ontología alcanzó un 98% de precisión frente al 37% de ChatGPT-4. Eso no es un error tipográfico. Una mejora de 61 puntos porcentuales, publicada en el Journal of Biomedical Informatics, usando SNOMED CT como capa de anclaje.
El dominio médico ya lo demostró. El dominio legal lo necesita. Y nadie lo está construyendo. Ese es el vacío. Eso es lo que HAQQ está abordando.
El experimento: explorando una ontología legal vía MCP
Quiero ser transparente sobre lo que fue esto. No una reseña de producto. No un anuncio de alianza. Fue yo conectándome al servidor MCP de Dynamic Interfaces, explorando sus estructuras de datos de ontología, analizando el diseño y poniéndolo a prueba contra todo lo que sé sobre razonamiento legal.
El Model Context Protocol (MCP) — el estándar de Anthropic para integración de IA con herramientas, ahora gobernado por la Linux Foundation — fue la interfaz. Cada acción en la ontología se expone como una herramienta MCP invocable. Cualquier cliente compatible con MCP puede conectarse.
Las ontologías son, en cierto modo, el secreto.
Un artículo de 2025 sobre selección de herramientas encontró que reducir el número de herramientas triplicó la precisión — del 13.6% al 43.1% — mientras reducía los tokens del prompt en más del 50%. Menos herramientas, un rendimiento dramáticamente mejor. Eso es exactamente lo que hace la ontología: colapsa cientos de operaciones granulares de base de datos en un puñado de operaciones legales semánticamente significativas.
¿Por qué falla la IA legal? Los 3 defectos fatales del RAG para el derecho
La mayoría de los productos de IA legal — incluida la mayor parte de lo que existe en el mercado MENA — hacen RAG sobre PDFs. Fragmentan documentos legales, los incrustan en una base de datos vectorial y recuperan pasajes semánticamente similares cuando se hace una pregunta. Esto funciona para consultas de conocimiento general. Falla catastróficamente para el derecho.
La IA legal basada en RAG falla de tres formas específicas: ceguera temporal (recuperar versiones incorrectas de leyes modificadas), ignorancia estructural (perder la jerarquía legislativa durante la fragmentación) y amnesia de referencias cruzadas (incapacidad de seguir relaciones tipadas entre disposiciones).
Al menos 6 abogados han sido sancionados por presentar citas de casos falsas generadas por IA desde 2023 — comenzando con el ahora célebre caso Mata v. Avianca, donde ChatGPT fabricó casos y luego confirmó que 'efectivamente existían' en Westlaw.
Ceguera temporal
Los sistemas de RAG no pueden distinguir inherentemente entre la versión 2022 y la versión 2023 de un artículo legal. La reforma mexicana de 2023 de 'Vacaciones Dignas' duplicó los derechos de vacaciones de la noche a la mañana. Un perito que calcula un despido injustificado que abarca ese límite necesita ambas versiones. El RAG no tiene ningún mecanismo para esto. Ninguno.
Ignorancia estructural
El derecho está estructurado jerárquicamente: Constitución, Ley Federal, Reglamentos, Circulares. Dentro de una ley: Títulos, Capítulos, Artículos, Fracciones, Párrafos. La fragmentación del RAG destruye esta jerarquía. Cuando el Artículo 50 dice 'en los términos del Artículo 48', un sistema de RAG puede recuperar el Artículo 50 sin el Artículo 48, produciendo una respuesta incompleta.
Amnesia de referencias cruzadas
El razonamiento legal es inherentemente basado en grafos. Una prima de antigüedad calculada bajo el Artículo 162 hace referencia a los valores de UMA definidos en la Constitución. Los créditos de vivienda del INFONAVIT se calculan en UMAs según una reforma de 2016. Un sistema de RAG no tiene ningún mecanismo para seguir estas cadenas de referencias. Recupera fragmentos. Una ontología recorre conexiones.
Un grafo de conocimiento legal es una red de disposiciones legales conectadas por relaciones semánticas tipadas. A diferencia de un índice de documentos donde las conexiones se infieren por similitud de palabras clave, un grafo de conocimiento legal codifica explícitamente que el Artículo 50 'establece una fórmula' referenciada por el Artículo 48, que a su vez 'remite a' la definición salarial del Artículo 84.
¿Qué es una ontología legal y cómo funciona?
Una ontología legal es un modelo de conocimiento estructurado y legible por máquina que representa un dominio legal como un grafo de entidades (leyes, artículos, tribunales, valores calculados), sus relaciones jerárquicas y referencias cruzadas tipadas entre disposiciones. A diferencia de los sistemas de recuperación de texto plano, una ontología legal preserva la estructura inherente de la legislación — jerarquía, versionado, excepciones y cadenas de fórmulas — permitiendo un razonamiento legal determinista en lugar de una recuperación probabilística de documentos.
Escala: 11 tipos de entidades, 1,689 artículos, 4 leyes federales, 7 precedentes judiciales, 12 referencias cruzadas tipadas, 10 taxonomías de enumeración.
Cómo las referencias cruzadas tipadas cambian el razonamiento de la IA legal
Lo que hace a esta ontología arquitectónicamente poderosa es el sistema de referencias cruzadas tipadas. En la mayoría de los sistemas de IA legal, una referencia entre dos artículos es solo un hipervínculo. En el sistema de Dynamic Interfaces, es una relación tipada con significado semántico: remite_a, complementa, modifica, excepciona, define_termino, establece_formula, establece_procedimiento.
Ese tipo excepciona es el que no me deja dormir. El Artículo 5 de la LFT establece derechos laborales generales, pero los regímenes de trabajo especiales crean excepciones. Si tu sistema no modela las excepciones explícitamente, aplica reglas generales donde deberían aplicarse reglas especiales. Ese es un error legalmente catastrófico.
Hemos estado intentando que la IA entienda el derecho lanzándole texto. Pero el derecho no es texto. El derecho es un grafo.
¿Cuánto reduce una ontología legal los costos de IA?
Aquí es donde pasa de ser 'arquitectónicamente interesante' a 'esto cambia el modelo de negocio'. Una ontología legal redujo los costos de razonamiento de IA de $0.60 a $0.02 por mensaje — una reducción del 97% — al colapsar 300 descripciones de herramientas MCP en 7 herramientas conscientes de la ontología.
¿Por qué los sistemas de IA legal basados en ontologías necesitan menos herramientas?
Economía de tokens: por qué 300 herramientas cuestan $0.60 y 7 herramientas cuestan $0.02
El enfoque estándar para construir agentes de IA es exponer cada operación de base de datos como una herramienta separada. Multiplica eso por 11 tipos de entidades y rápidamente llegas a 300 herramientas. Aquí está el problema: cada una de esas descripciones de herramientas se serializa en la ventana de contexto del LLM en cada solicitud. Con 300 herramientas de aproximadamente 300 tokens cada una, estás quemando 90,000 tokens antes de que el usuario siquiera haga una pregunta.
La ontología colapsa esto. En lugar de 300 operaciones granulares de base de datos, obtienes 7 operaciones legales semánticamente significativas: query_legal_knowledge, calculate_settlement, find_jurisprudencia, get_cross_references, get_wage_data, get_vacation_table, generate_dictamen.
Siete herramientas. 2,100 tokens en descripciones. $0.02 por mensaje.
El efecto de degradación del modelo: de modelos de frontera a código abierto
Cuando un agente de IA solo tiene 7 herramientas bien definidas para elegir — en lugar de 300 — el modelo no necesita ser tan inteligente. La ontología hace el trabajo estructural pesado. El modelo solo necesita entender la pregunta del usuario, elegir la herramienta o herramientas correctas entre 1 y 3, y sintetizar una respuesta a partir de datos estructurados.
Las matemáticas del salario del perito
Un perito laboral en la Ciudad de México gana aproximadamente entre 15,000 y 30,000 MXN al mes. A $0.60 por mensaje, con 50 casos al mes y 20 mensajes por caso, el costo de la API por sí solo sería de $600 al mes — entre el 36% y el 72% de su ingreso. Completamente inviable.
A $0.02 por mensaje, el mismo uso cuesta $20 al mes — entre el 1.2% y el 2.4% del ingreso. Menos que una suscripción de Netflix. La reducción de costos no solo hace el producto más barato. Hace posible un mercado completamente nuevo.
A fondo: un cálculo real de despido injustificado — $254,000 MXN
Este es un cálculo completo de despido injustificado usando artículos reales de la LFT, datos salariales reales de 2026 y la cadena completa de dependencias entre leyes. María Elena Gutiérrez, asistente administrativa, salario mensual de $15,000 MXN, empleada durante 5 años y 3 meses, despedida sin causa justificada.
La ontología lo maneja en 8 pasos a través de 4 leyes: clasificar la disputa, verificar el precedente vinculante, seguir la cadena de fórmulas, calcular la indemnización ($1211,000), la prima de antigüedad ($5,000), los salarios caídos ($120,000), la verificación entre leyes, para un total de $254,000 MXN.
En un cálculo de $254,000, una tasa de error del 17% significa que la respuesta podría estar equivocada por $43,000. Eso no es una aproximación. Eso es mala praxis. La ontología calcula esto de forma determinista. Siempre. Cero alucinación en las cifras.
Prueba HAQQ AI gratis
Experimenta la redacción e investigación legal con IA
La trampa de la UMA: un error de $180,000 escondido a plena vista
Desde la reforma constitucional de 2016 en México, coexisten dos unidades de referencia: la UMA (Unidad de Medida y Actualización) y el Salario Mínimo. En 2026, el salario mínimo es 2.69 veces la UMA. Usar la incorrecta no produce un error de redondeo. Produce un cálculo legalmente inválido.
Si calculas el tope de la prima de antigüedad usando la UMA en lugar del Salario Mínimo, obtienes $234.62 al día en lugar de $630.08 al día — perjudicando al trabajador en un 62.8%. Una ontología codifica qué unidad de referencia aplica a qué concepto legal. No es ambiguo. Un sistema de RAG deja que el LLM lo averigüe por sí solo. Ahí es donde vive la alucinación.
¿Puede una ontología legal funcionar para cualquier jurisdicción?
Todo sistema legal comparte cinco primitivas estructurales: legislación jerárquica, categorización semántica, grafos de referencias cruzadas, versionado temporal y valores de dominio calculados — lo que hace que el patrón de ontología sea universalmente replicable. El patrón es universal. Las enumeraciones son específicas de cada jurisdicción.
El patrón se adapta con mayor naturalidad a los sistemas de derecho civil — Francia, Brasil, Arabia Saudita, EAU — porque comparten estructuras codificadas y jerárquicas casi idénticas al derecho mexicano. Los sistemas de derecho consuetudinario (common law) necesitan una capa de adaptación que eleve la jurisprudencia a un estatus de primera clase junto con las leyes.
Qué significa esto para HAQQ — y la oportunidad de $1.2 mil millones en MENA
Nadie en MENA está haciendo esto. Ni de cerca. El panorama competitivo está dominado por RAG sobre PDFs. Al Tamimi se asoció con Harvey. Legora lanzó soporte en árabe en enero de 2026. Hay más de 185 empresas de tecnología legal en la región. Pero ninguna ha construido una ontología estructurada con grafos de referencias cruzadas tipadas para el derecho laboral de MENA.
No existe ninguna ontología legal en árabe. Ni para el derecho laboral, ni para el derecho comercial, ni para ningún otro dominio. Cero. Eso no es un vacío, es un vacío absoluto.
El mercado de tecnología legal del CCG vale $1.2 mil millones. Se proyecta que el mercado de tecnología legal de los EAU alcance los $234.4 millones para 2030 (CAGR del 10.8%). El gobierno de los EAU ha destinado $572 millones a la transformación digital del sector de justicia. La Visión 2030 de Arabia Saudita incluye disposiciones específicas de modernización de tecnología legal.
El Decreto-Ley Federal N.º 33 de 2021 de los EAU tiene aproximadamente 65 artículos más los reglamentos de aplicación. La ley laboral de Arabia Saudita tiene alrededor de 245 artículos. Son corpus manejables — lo suficientemente pequeños para construir una ontología completa y validada por humanos en semanas, no meses.
El enfoque en árabe primero es nuestra ventaja. Según los puntos de referencia de ArabLegalEval, el procesamiento de lenguaje natural jurídico en árabe carece de los marcos de evaluación disponibles para el inglés. Una ontología evita por completo la extracción de PLN — proporciona datos estructurados. El LLM hace síntesis, no extracción. Esa es una tarea mucho más simple.
Derecho legible por máquina: no estamos solos
Singapur anunció SOLID (Singapore Open Legal Informatics Database) en noviembre de 2025. La UE lleva ejecutando el European Legislation Identifier (ELI) desde 2012, ahora implementado por más de 21 países. La iniciativa 'Better Rules' de Nueva Zelanda desarrolla la legislación simultáneamente en lenguaje sencillo, declaraciones de reglas y código.
El patrón es claro: los gobiernos que inviertan en derecho computacional ahora tendrán la infraestructura para la IA legal más adelante. Los que no lo hagan estarán comprando costosos envoltorios de RAG de Silicon Valley.
Cómo construir una ontología legal: una guía en 7 pasos
Para un dominio legal enfocado como el derecho laboral de un solo país (65-245 artículos), se puede construir una ontología completa en 4-8 semanas a un costo de análisis de $5-20 por ley.
- Paso 1: Identificar las leyes fuente y los repositorios oficiales. Encontrar los 3-5 estatutos principales y evaluar su legibilidad por máquina.
- Paso 2: Diseñar el modelo de entidades. Partir de la plantilla universal (Law, StructuralUnit, Article, CaseLaw, CrossReference, ComputedValue) y agregar entidades específicas de la jurisdicción.
- Paso 3: Definir las taxonomías de enumeración. Definir entre 15 y 25 etiquetas temáticas semánticas, tipos de referencias cruzadas y tipos de valores calculados.
- Paso 4: Analizar e ingerir las leyes. Ejecutar los documentos fuente a través de un analizador, extraer la jerarquía, ejecutar el etiquetado semántico vía LLM y cargarlos en tu base de datos.
- Paso 5: Construir el grafo de referencias cruzadas. Extraer las referencias explícitas, detectar conexiones temáticas implícitas, vincular las referencias entre leyes y tipar cada arista.
- Paso 6: Generar el SDK y las herramientas MCP. Exponer 7 herramientas: buscar artículos, obtener artículo, obtener referencias cruzadas, obtener jurisprudencia, calcular valor, obtener cronología, comparar jurisdicciones.
- Paso 7: Conectar a la mensajería. El usuario envía una pregunta por WhatsApp. El LLM recibe el mensaje más las 7 definiciones de herramientas. Costo total: $0.02.
Qué sigue
Estamos explorando la integración con la plataforma de Dynamic Interfaces para la definición de ontologías y la generación de SDK. Estamos construyendo una Ontología del Derecho Laboral de los EAU — el Decreto-Ley Federal N.º 33 de 2021 es nuestro primer objetivo. Estamos probando con flujos de trabajo legales reales en los EAU, y planeamos liberar como código abierto el modelo de entidades universal.
La idea es casi vergonzosamente simple: modelar el derecho como lo que realmente es. Un sistema de conocimiento estructurado, versionado y con referencias cruzadas. Dejar de tratarlo como un montón de PDFs para buscar.
Toda empresa importante de IA legal está construida sobre RAG. Stanford demostró que alucinan entre el 17% y el 33% de las veces. Mientras tanto, los sistemas basados en ontologías alcanzan el 98% de precisión. La arquitectura existe. La validación académica existe. El mercado existe. La ontología es el secreto. Estamos construyendo la nuestra.
Preguntas que sigo recibiendo
¿Qué es exactamente una ontología legal?
Una ontología legal es un modelo estructurado y legible por máquina de un dominio legal. Piénsalo como un grafo de conocimiento diseñado específicamente para el derecho: define entidades, mapea relaciones jerárquicas, rastrea referencias cruzadas tipadas y maneja el versionado temporal para las reformas. En lugar de tratar el derecho como texto plano para buscar, una ontología legal captura la estructura real que la legislación ya tiene.
¿En qué se diferencia la IA legal basada en ontologías del RAG?
El RAG fragmenta documentos legales y recupera pasajes semánticamente similares. Una ontología modela el derecho como un grafo de conocimiento conectado con relaciones tipadas. En la práctica, esto significa que el RAG pierde la jerarquía, el versionado temporal y las cadenas de referencias cruzadas. Una ontología preserva las tres. El resultado es un razonamiento legal determinista en lugar de una recuperación probabilística — la diferencia entre 'probablemente correcto' y 'correcto y citable'.
¿Cómo se compara esto con Harvey AI?
Harvey es una empresa de $11 mil millones que cobra ~$1,200 por abogado al mes con un mínimo de 20 asientos. Usan LLMs afinados con RAG, sin ontología formal. Afirman un 91% de precisión, lo que sigue significando una tasa de error del 9%. El enfoque de ontología cuesta $0.02 por mensaje con cálculos deterministas que no alucinan números. Las arquitecturas son fundamentalmente distintas: Harvey hace al modelo más inteligente; el enfoque de ontología hace más simple el trabajo del modelo.
¿Cuánto ahorra realmente?
Los costos por mensaje bajaron de $0.60 a $0.02 — eso es un 97%. Los ahorros provienen de colapsar 300 descripciones de herramientas MCP en 7 (ahorrando ~87,900 tokens por solicitud) y de permitir el cambio de modelos de frontera a modelos de código abierto.
¿Puede funcionar esto para sistemas de derecho consuetudinario?
Sí, pero con una capa de adaptación. Los sistemas de derecho civil se adaptan directamente porque comparten estructuras codificadas y jerárquicas. Los sistemas de derecho consuetudinario necesitan elevar la jurisprudencia a un estatus de primera clase junto con las leyes. Las cinco primitivas estructurales existen en todo sistema legal.
¿Cuánto tiempo toma construir una?
Para un dominio enfocado como el derecho laboral de un solo país: de 4 a 8 semanas para un corpus pequeño (65-245 artículos). Eso incluye el análisis de fuentes, el modelado de entidades, la extracción de referencias cruzadas y la generación de herramientas MCP. Los costos de análisis van de $5 a $20 por ley.
Referencias
- Magesh, V. et al. 'Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools.' Journal of Empirical Legal Studies, 2025.
- de Martim, H. 'An Ontology-Driven Graph RAG for Legal Norms.' arXiv:2505.00039.
- Guo, X. et al. 'RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection.' arXiv:2505.03275.
- 'Ontology-grounded knowledge graphs for mitigating hallucinations in LLMs for clinical question answering.' Journal of Biomedical Informatics, 2025.
