En resumen: una ontología jurídica construida por Dynamic Interfaces para el derecho laboral mexicano sustituyó 300 herramientas MCP por 7, y su coste por mensaje bajó de 0,60 $ a 0,02 $, una caída del 97 %. El ahorro procede de unos 88.000 tokens menos de descripciones de herramientas por solicitud, más un modelo más barato que el conjunto reducido de herramientas hizo posible.
Método. Sistema examinado: la ontología jurídica de Dynamic Interfaces para el derecho laboral federal mexicano, que exploramos a través de su servidor MCP en marzo de 2026. Corpus: 4 leyes federales, 1.689 artículos, 11 tipos de entidad, 7 precedentes judiciales, 12 clases de remisiones tipadas, 10 taxonomías enumeradas. Herramientas expuestas al modelo: unas 300 antes (una por operación de base de datos), 7 después (una por operación jurídica). Descripciones de herramientas en el contexto: unos 90.000 tokens antes, unos 2.100 después (aproximadamente 300 tokens por herramienta). Coste por mensaje: 0,60 $ antes, 0,02 $ después, según lo medido y comunicado por Dynamic Interfaces; la cifra de 0,02 $ refleja también el paso de un modelo de frontera a uno de pesos abiertos más barato. HAQQ no repitió la medición de costes de forma independiente.
Datos clave
- Resultado de costes de la ontología: de 300 herramientas a 7, de 0,60 $ a 0,02 $ por mensaje (Dynamic Interfaces, comunicado a HAQQ, marzo de 2026).
- Investigación sobre el número de herramientas: RAG-MCP, que pasa al modelo solo las descripciones de herramientas que recupera, elevó la precisión en la selección de herramientas del 13,62 % al 43,13 % y redujo los tokens del prompt en más del 50 % (Gan y Sun, arXiv:2505.03275, mayo de 2025).
- Alucinaciones del RAG jurídico: un estudio prerregistrado del Stanford RegLab y HAI concluyó que Lexis+ AI, Westlaw AI-Assisted Research y Ask Practical Law AI alucinaban cada uno entre el 17 % y el 33 % de las veces, con menos frecuencia que GPT-4 (Magesh et al., Journal of Empirical Legal Studies 22:216, abril de 2025).
- Harvey fue valorada en 15.500 millones de dólares tras una ronda de 550 millones anunciada el 9 de septiembre de 2026 (blog de Harvey; TechCrunch, 9 sep. 2026).
- Valores de referencia en México para 2026: salario mínimo general de 315,04 MXN diarios; UMA de 117,31 MXN diarios, vigente desde el 1 de febrero de 2026 (cifras de la CONASAMI y el INEGI, publicadas en ene. 2026).
- Corpus objetivo para HAQQ: el Decreto-Ley Federal n.º 33 de 2021 sobre la regulación de las relaciones laborales de los Emiratos Árabes Unidos tiene 74 artículos y está en vigor desde el 2 de febrero de 2022 (base de datos legislativa UNEP LEAP, consultada el 20 oct. 2026).
¿Cómo descubrimos este sistema?
En marzo de 2026 participé en una llamada con el CEO de Dynamic Interfaces para ver una ontología jurídica que habían construido para el derecho laboral mexicano. Nos contaron que cinco clientes gubernamentales mexicanos la usan a diario y que peritos designados por los tribunales consultan a través de ella cuatro leyes federales y obtienen respuestas con citas a nivel de artículo. La cifra que me llevó a pasar las dos semanas siguientes dentro del sistema fue el coste: dos centavos por mensaje.
Para dar una idea de escala, el mercado de IA jurídica por usuario se cobra en cientos de dólares al mes, y su líder, Harvey, fue valorada en 15.500 millones de dólares en septiembre de 2026. Un mensaje de dos centavos cambia quién puede permitirse la IA jurídica. Este artículo recoge lo que encontré al conectarme a su servidor MCP, leer el modelo de datos y ponerlo a prueba frente al razonamiento jurídico que esperaría de un abogado laboralista cuidadoso.
Aviso. HAQQ vende IA jurídica y, en el momento de redactar este artículo, estábamos explorando una integración con Dynamic Interfaces. Sus cifras de costes son mediciones propias; las presentamos con esa etiqueta.
¿Qué dice el estudio de Stanford sobre las alucinaciones de la IA jurídica?
Magesh, Surani, Dahl, Suzgun, Manning y Ho, del RegLab de Stanford y del Stanford Institute for Human-Centered AI, realizaron lo que describen como la primera evaluación prerregistrada de herramientas de investigación jurídica con IA. Publicado en el Journal of Empirical Legal Studies en abril de 2025, el estudio concluyó que las herramientas basadas en RAG de LexisNexis y Thomson Reuters alucinaban cada una entre el 17 % y el 33 % de las veces. La recuperación redujo las alucinaciones en comparación con GPT-4, y las herramientas diferían mucho: Lexis+ AI respondió correctamente el 65 % de las consultas y Westlaw AI-Assisted Research el 42 %.
El estudio probó tres productos sobre derecho estadounidense en 2024. No demuestra que todo sistema RAG alucine con esa frecuencia, ni evalúa ontologías. Lo que sí demuestra es que la recuperación sobre texto, por sí sola, dejaba una tasa de error medible en herramientas vendidas como fiables. Esa es la brecha que un modelo estructurado del derecho intenta cerrar. Para casos judiciales en los que citas inventadas llegaron a un juez, consulte nuestra auditoría de alucinaciones.
¿Por qué el RAG tiene dificultades con las leyes?
La mayoría de los productos de IA jurídica recuperan pasajes: dividen los documentos en fragmentos, generan sus embeddings y buscan los fragmentos más cercanos a la pregunta. Eso funciona para muchas preguntas. En el trabajo centrado en leyes falla de tres maneras previsibles.
Versiones a lo largo del tiempo
Un fragmento de un artículo no lleva fecha. La reforma mexicana de "Vacaciones Dignas", publicada en el Diario Oficial de la Federación el 27 de diciembre de 2022, modificó los artículos 76 y 78 de la Ley Federal del Trabajo y elevó el derecho a vacaciones del primer año de 6 a 12 días a partir de 2023. Un perito que valora un despido que abarca el cambio necesita ambas versiones y la fecha en que se aplicó cada una. La recuperación simple no tiene un campo para eso.
Jerarquía
El derecho está organizado en capas: constitución, ley federal, reglamentos y, dentro de cada ley, títulos, capítulos, artículos y fracciones. La fragmentación lo aplana. Cuando un artículo se aplica "en los términos de" otro, un recuperador puede devolver el primero sin el segundo.
Remisiones
El artículo 162 de la Ley Federal del Trabajo (prima de antigüedad de 12 días de salario por año de servicio) toma su base salarial de los artículos 485 y 486, que la limitan al doble del salario mínimo. Obtener la cifra correcta exige seguir esa cadena. La búsqueda por similitud devuelve fragmentos; un grafo recorre los vínculos.
¿Qué es una ontología jurídica?
Una ontología jurídica es un modelo legible por máquina de un cuerpo normativo: sus entidades (leyes, artículos, tribunales, precedentes, valores calculados como los topes salariales), la jerarquía entre ellas, las fechas en que se aplicó cada versión y vínculos tipados entre disposiciones. Un modelo que responde a una pregunta consulta esa estructura en lugar de buscar en texto suelto.
En el sistema de Dynamic Interfaces cada remisión tiene un tipo: remite_a, complementa, modifica, excepciona (crea una excepción), define_termino (define un término), establece_formula (establece una fórmula) y establece_procedimiento (establece un procedimiento). El tipo de excepción es el que más me importa. El artículo 5 de la LFT fija derechos generales, y los regímenes especiales de trabajo establecen excepciones. Un sistema que no registra las excepciones aplicará la regla general donde rige la especial.
¿Cuánto reduce una ontología jurídica los costes de la IA?
Según la medición de Dynamic Interfaces, de 0,60 $ a 0,02 $ por mensaje. Dos factores producen la caída, y conviene mantenerlos separados.
Menos descripciones de herramientas en cada solicitud
La forma habitual de construir un agente es exponer cada operación de base de datos como una herramienta. Con 11 tipos de entidad se llega a unas 300 herramientas, y cada descripción se envía al modelo con cada solicitud: a unos 300 tokens cada una, unos 90.000 tokens antes de que el usuario haya preguntado nada. La ontología las sustituye por 7 operaciones jurídicas: query_legal_knowledge, calculate_settlement, find_jurisprudencia, get_cross_references, get_wage_data, get_vacation_table y generate_dictamen. Eso supone unos 2.100 tokens de descripciones, un ahorro de aproximadamente 87.900 tokens por solicitud.
Esto coincide con la investigación publicada. En el artículo de RAG-MCP, mostrar al modelo solo las herramientas pertinentes en lugar de todas más que triplicó la precisión en la selección de herramientas (del 13,62 % al 43,13 %) y redujo los tokens del prompt a menos de la mitad.
Un modelo más barato puede hacer el trabajo
Con 7 herramientas claras, la tarea del modelo es menor: entender la pregunta, elegir entre una y tres herramientas y redactar resultados estructurados. La ontología hace el trabajo estructural. Eso permitió a Dynamic Interfaces pasar de un modelo de frontera a uno de pesos abiertos más barato, lo que explica buena parte del ahorro restante.
Prueba HAQQ AI gratis
Experimenta la redacción e investigación legal con IA
Lo que el ahorro significa para un perito
Tomemos un perito laboral en la Ciudad de México que gana entre 15.000 y 30.000 MXN al mes (el rango que nos dieron) y lleva 50 casos al mes con 20 mensajes cada uno. A 0,60 $ por mensaje son 600 $ al mes, unos 10.800 MXN a 18 pesos por dólar, es decir, entre el 36 % y el 72 % de sus ingresos. A 0,02 $ son 20 $, entre el 1,2 % y el 2,4 % aproximadamente. El precio más bajo abre un mercado que el más alto excluye.
¿Qué unidad de referencia se aplica: UMA o salario mínimo?
Desde la reforma constitucional de enero de 2016, México tiene dos unidades de referencia: la UMA (Unidad de Medida y Actualización) y el salario mínimo. En 2026 el salario mínimo general es de 315,04 MXN diarios y la UMA de 117,31 MXN, una relación de aproximadamente 2,69. Para el tope de la prima de antigüedad según los artículos 162, 485 y 486, el doble del salario mínimo da 630,08 MXN diarios y el doble de la UMA da 234,62 MXN, un 62,8 % menos.
Las calculadoras y los comentaristas en México no aplican todos la misma unidad a este tope, de modo que es una decisión que un abogado tiene que tomar y defender. Un sistema de recuperación deja esa decisión al modelo en cada consulta. Una ontología registra qué unidad aplica el despacho a qué concepto, y su fundamento, de modo que la decisión es visible y siempre la misma.
¿Puede funcionar una ontología jurídica en otras jurisdicciones?
Los componentes básicos se repiten en todas partes: legislación jerárquica, etiquetas temáticas, grafos de remisiones, versiones a lo largo del tiempo y valores calculados. Los sistemas de derecho civil con leyes codificadas (Francia, Brasil, Arabia Saudí, Emiratos Árabes Unidos) encajan de forma más directa. El artículo SAT-Graph RAG de Hudson de Martim aplica un modelo estructural y temporal similar a la Constitución de Brasil. Los sistemas de common law requieren tratar la jurisprudencia como una entidad de primer nivel junto a las leyes.
¿Qué está construyendo HAQQ con esto?
Estamos construyendo una ontología del derecho laboral de los EAU, empezando por el Decreto-Ley Federal n.º 33 de 2021 (74 artículos) y su reglamento de ejecución. La Ley del Trabajo de Arabia Saudí, promulgada por el Real Decreto n.º M/51 de 1426 H, tiene unos 245 artículos. Corpus de ese tamaño pueden modelarse y ser revisados por abogados en semanas. Como la ontología entrega al modelo datos estructurados, el modelo sintetiza en árabe o en inglés en lugar de extraer reglas de un texto en árabe, que es la tarea más difícil. La ontología alimentará la investigación jurídica de HAQQ sobre cuestiones laborales de los EAU.
Los gobiernos avanzan en la misma dirección. El European Legislation Identifier (ELI) de la UE, acordado por el Consejo en 2012, asigna a la legislación identificadores estables y legibles por máquina, y el trabajo Better Rules de Nueva Zelanda redacta las políticas públicas a la vez como lenguaje claro, reglas y código.
¿Cómo se construye una ontología jurídica?
Para el derecho laboral de un país, nuestra estimación de trabajo es de 4 a 8 semanas. Estos son los pasos que seguimos:
- Identificar las 3 a 5 leyes principales y sus fuentes oficiales, y comprobar hasta qué punto cada una es legible por máquina.
- Diseñar el modelo de entidades. Partir de una plantilla general (Law, StructuralUnit, Article, CaseLaw, CrossReference, ComputedValue) y añadir lo que necesite la jurisdicción.
- Definir las taxonomías: de 15 a 25 etiquetas temáticas, los tipos de remisión y los tipos de valor calculado.
- Analizar las leyes, conservar la jerarquía y las fechas de las versiones, etiquetar los artículos por materia (un modelo puede proponer las etiquetas; un abogado las aprueba) y cargarlos en una base de datos.
- Construir el grafo de remisiones: primero las remisiones explícitas, después las remisiones entre leyes, con cada vínculo tipado y revisado.
- Exponer un conjunto reducido de herramientas a través de MCP, por ejemplo buscar artículos, obtener un artículo, obtener remisiones, obtener jurisprudencia, calcular un valor, obtener la cronología y comparar jurisdicciones.
- Medir antes y después: tokens de herramientas por solicitud, coste por mensaje y precisión en un conjunto de preguntas de prueba con respuestas aprobadas por abogados.
Referencias
- Magesh et al., Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools, Journal of Empirical Legal Studies 22:216 a 242 (2025)
- Gan y Sun, RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection via Retrieval-Augmented Generation, arXiv:2505.03275
- de Martim, An Ontology-Driven Graph RAG for Legal Norms, arXiv:2505.00039
- Harvey capta 550 M$ con una valoración de 15.500 M$ (blog de Harvey, 9 sep. 2026)
- Harvey alcanza una valoración de 15.500 M$ meses después de llegar a 11.000 M$ (TechCrunch, 9 sep. 2026)
- Anthropic: donación del Model Context Protocol a la Agentic AI Foundation (9 dic. 2025)
- Leyes y reglamentos laborales del sector privado en los EAU (u.ae), incluido el Decreto-Ley Federal n.º 33 de 2021
- Decreto-Ley Federal n.º 33 de 2021 (base de datos legislativa UNEP LEAP)
- Ley Federal del Trabajo (Cámara de Diputados)



