Skip to content
    HAQQ
    Iniciar sesión
    Contactar con ventas
    Prueba HAQQ
    Prueba HAQQ
    1. Inicio
    2. Blog
    3. Ontología jurídica IA: cómo un grafo de conocimiento redujo un 97% los costos de la IA legal
    IA & Tech Legal

    Ontología jurídica IA: cómo un grafo de conocimiento redujo un 97% los costos de la IA legal

    Una ontología del derecho laboral mexicano sustituyó 300 herramientas MCP por 7 y bajó el costo por mensaje de 0,60 a 0,02 USD. Método, datos de Stanford y plan.

    Stephane BoghossianStephane Boghossian|
    1 de abril de 2026
    10 min de lectura
    Ontología jurídica IA: cómo un grafo de conocimiento redujo un 97% los costos de la IA legal

    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)

    Lecturas relacionadas

    • dónde han llegado a un tribunal las alucinaciones de la IA
    • por qué la IA jurídica en árabe tiene dificultades con la recuperación
    • nuestro benchmark jurídico de modelos de frontera, actualizado en octubre de 2026
    • la ingeniería jurídica y el patrón TIRO

    Escrito por

    Stephane Boghossian
    Stephane Boghossian

    Responsable de Crecimiento

    Stephane dirige el crecimiento en HAQQ y escribe la sección de IA y tecnología legal: benchmarks de modelos, comparativas de herramientas y la ingeniería que hace que la IA jurídica funcione en la práctica.

    Todos los artículos de este autorLinkedIn

    Recursos relacionados

    AI hallucination audit: where fake citations reached a courtArabic legal AILegal engineering: AI-powered legal workflowsHarvey AI review 2026

    Artículos relacionados

    Por qué la IA generalista se equivoca con el derecho kuwaití y libanés (y cómo probar cualquier herramienta)
    Explicación

    Por qué la IA generalista se equivoca con el derecho kuwaití y libanés

    Por qué la IA generalista se equivoca con el derecho kuwaití y libanés (y cómo probar cualquier herramienta)

    Análisis de Lexis+ AI 2026: ahora Lexis+ with Protégé, frente a Westlaw CoCounsel
    Reseña

    Análisis de Lexis+ AI 2026

    Análisis de Lexis+ AI 2026: ahora Lexis+ with Protégé, frente a Westlaw CoCounsel

    Grafos de conocimiento jurídico: 5 formas en que un mapa de evidencias hace verificable la IA jurídica
    Explicación

    Grafos de conocimiento jurídico

    Grafos de conocimiento jurídico: 5 formas en que un mapa de evidencias hace verificable la IA jurídica

    Preguntas frecuentes

    ¿Qué es una ontología jurídica?

    Una ontología jurídica es un modelo legible por máquina de un cuerpo normativo: sus entidades (leyes, artículos, precedentes, valores calculados como los topes salariales), la jerarquía entre ellas, las fechas en que se aplicó cada versión y los vínculos tipificados entre disposiciones, como «remite a», «modifica» o «crea una excepción». Un modelo de IA consulta esa estructura en lugar de buscar en texto suelto.

    ¿Cuánto puede reducir una ontología jurídica los costes de la IA jurídica?

    En el sistema de derecho laboral mexicano que examinamos, el coste por mensaje bajó de 0,60 $ a 0,02 $, una caída del 97 %, según las mediciones de su creador, Dynamic Interfaces. Sustituir unas 300 herramientas MCP por 7 eliminó unos 88.000 tokens de descripciones de herramientas de cada solicitud, y el conjunto de herramientas más reducido les permitió pasar a un modelo de pesos abiertos más barato.

    ¿En qué se diferencia una ontología jurídica de RAG?

    RAG recupera fragmentos de texto que se parecen a la pregunta. Una ontología almacena la estructura del derecho: jerarquía, fechas de las versiones y referencias cruzadas tipificadas. Eso permite a un sistema seguir una cadena como la que va del artículo 162 de la Ley Federal del Trabajo de México al tope salarial de los artículos 485 y 486, y aplicar la versión de un artículo vigente en una fecha determinada.

    ¿Con qué frecuencia alucinan las herramientas jurídicas basadas en RAG?

    Un estudio prerregistrado de Stanford RegLab y HAI (Magesh et al., Journal of Empirical Legal Studies, 2025) concluyó que Lexis+ AI, Westlaw AI-Assisted Research y Ask Practical Law AI alucinaron cada uno entre el 17 % y el 33 % de las veces en sus consultas de prueba, menos que GPT-4. Lexis+ AI respondió con precisión el 65 % de las consultas y Westlaw el 42 %.

    ¿Por qué menos herramientas MCP hacen que la IA jurídica sea más barata y precisa?

    Cada descripción de herramienta se envía al modelo en cada solicitud, así que 300 herramientas de unos 300 tokens cada una añaden unos 90.000 tokens antes de la pregunta. El artículo RAG-MCP (arXiv:2505.03275) concluyó que pasar solo las herramientas relevantes elevó la precisión en la selección de herramientas del 13,62 % al 43,13 % y redujo los tokens del prompt a menos de la mitad.

    ¿Cuánto se tarda en construir una ontología jurídica?

    Nuestra estimación de trabajo para el derecho laboral de un país es de 4 a 8 semanas: identificar las leyes, diseñar el modelo de entidades, analizar y etiquetar los artículos con revisión de abogados, construir el grafo de referencias cruzadas tipificadas, exponer un pequeño conjunto de herramientas MCP y medir el coste y la precisión con un conjunto de pruebas aprobado por abogados. El Decreto-Ley Federal n.º 33 de 2021 de los EAU tiene 74 artículos.

    ¿Qué sigue?

    Prueba HAQQ AI gratis

    Experimenta la redacción e investigación legal con IA

    Calcula tu ROI

    Descubre cuánto tiempo y dinero HAQQ ahorra a tu bufete

    Explora Prompts legales

    Prompts listos para cada tarea legal

    Volver al Blog

    Artículo anterior

    Predicciones de IA legal a 2030: lo que pronostican 72 agentes de IA

    Artículo siguiente

    Señales de alerta en proveedores de IA legal: la checklist de 45 puntos

    En esta página

    10 min de lectura

    1. 01Datos clave
    2. 02¿Cómo descubrimos este sistema?
    3. 03¿Qué dice el estudio de Stanford sobre las alucinaciones de la IA jurídica?
    4. 04¿Por qué el RAG tiene dificultades con las leyes?
    5. Versiones a lo largo del tiempo
    6. Jerarquía
    7. Remisiones
    8. 05¿Qué es una ontología jurídica?
    9. 06¿Cuánto reduce una ontología jurídica los costes de la IA?
    10. Menos descripciones de herramientas en cada solicitud
    11. Un modelo más barato puede hacer el trabajo
    12. Lo que el ahorro significa para un perito
    13. 07¿Qué unidad de referencia se aplica: UMA o salario mínimo?
    14. 08¿Puede funcionar una ontología jurídica en otras jurisdicciones?
    15. 09¿Qué está construyendo HAQQ con esto?
    16. 10¿Cómo se construye una ontología jurídica?
    17. 11Referencias
    18. 12Lecturas relacionadas

    Comparte este artículo

    Ponlo en práctica

    Hazle a HAQQ la pregunta que te dejó este artículo.

    HAQQ across all devices
    HAQQ Legal AI Platform Logo

    Tu Gemelo Legal de IA y Sistema de Gestión de Práctica para redacción, facturación y éxito.

    Disponible enApp StoreDisponible enGoogle Play

    Documentaciones

    • Docs se abre en una pestaña nueva
    • Primeros pasos se abre en una pestaña nueva
    • Sala de prensa se abre en una pestaña nueva
    • Novedades del producto se abre en una pestaña nueva
    • Estado se abre en una pestaña nueva
    • Confianza se abre en una pestaña nueva
    • Seguridad
    • FAQ se abre en una pestaña nueva
    • Comunidad se abre en una pestaña nueva
    • Soporte se abre en una pestaña nueva

    Academy

    • Socio se abre en una pestaña nueva
    • Curso se abre en una pestaña nueva
    • Prompts se abre en una pestaña nueva
    • Labs se abre en una pestaña nueva

    Sitio web

    • eFirm
    • Chat IA Legal
    • Aplicación Móvil
    • Motor Justinian
    • HAQQ eBar
    • HAQQ eWallet
    • Precios
    • Compáranos
    • Soluciones
    • Blog
    • Conocer equipo
    • Únete a nosotros se abre en una pestaña nueva
    Abrir la app
    • Idiomasenarfresitdeptrohics
    • Contactoinfo@haqq.ai
    • Estadooperativo·fundamentado
    • Términos de Servicio
    • Política de Privacidad
    • Política de Cookies
    • Procesamiento de Datos
    • Humanos se abre en una pestaña nueva
    • Abogados se abre en una pestaña nueva
    • Seguridad se abre en una pestaña nueva
    © 2026 HAQQ Inc. Todos los derechos reservados.Producto desarrollado internamente por HAQQ. Sitio web construido con herramientas web modernas.

    RAG vs Ontology: Same Query, Different Architecture

    RAG Approach

    Query: "Vacation days for 8 years of service, hired 2016"

    Art. 76 LFT (pre-2023)
    6 days min vacation...
    Art. 78 vacation premium
    ...minimum 6 working days
    Art. 81 payment timing
    Reform 2023 doubled...
    Result: "Workers with 8 years = 14 vacation days." (Retrieved pre-2023 table. Correct answer depends on date.)
    ⚠ Potentially incorrect (no temporal awareness)
    Ontology Approach

    Query: "Vacation days for 8 years of service, hired 2016"

    TablaVacacionesregimenpost_2023years=8 → 18dpremium=25%
    Result: "18 vacation days (post-2023 reform, Art. 76 LFT amended Dec 2022). Vacation premium: 25% of 18 days' salary (Art. 80 LFT)."
    ✓ Correct (temporal versioning built in)

    Interactive Ontology Explorer

    Click a law to explore its ontology hierarchy

    L

    Ley Federal del Trabajo

    Master employment statute (16 titles, 51 reforms)

    1,076 arts.
    T

    Titulo II (Relaciones Individuales)

    Individual labor relationships, contracts

    16 titles
    C

    Capitulo IV (Rescision)

    Termination of employment relationships

    ~120 ch.
    A

    Articulo 48 (Indemnizacion)

    Right to indemnification for wrongful dismissal

    atomic unit

    Cost Waterfall: $0.60 → $0.02

    Each step shows where the savings come from

    $0.60

    Starting Cost

    -$0.32

    Tool Desc. Tokens

    -$0.14

    Ontology Constraint

    -$0.12

    Model Downgrade

    $0.02

    Final Cost

    97%
    $0.58 saved per message
    300 tools → 7 tools • Frontier → Open-source

    Token Economics: Why Fewer Tools = Lower Cost

    Before: 300 Tool Descriptions in Context

    {"name":"get_article_by_number","description":"...","parameters":{...}}
    {"name":"get_article_by_topic","description":"...","parameters":{...}}
    {"name":"get_article_text","description":"...","parameters":{...}}
    {"name":"search_articles_keyword","description":"...","parameters":{...}}
    {"name":"get_article_reforms","description":"...","parameters":{...}}
    {"name":"get_article_at_date","description":"...","parameters":{...}}
    {"name":"get_cross_references_outbound","description":"...","parameters":{...}}
    {"name":"get_cross_references_inbound","description":"...","parameters":{...}}
    {"name":"get_articles_by_chapter","description":"...","parameters":{...}}
    ... +291 more tool definitions
    ↓

    After: 7 Ontology-Aware Tools

    query_legal_knowledge

    ~300 tokens

    calculate_settlement

    ~300 tokens

    find_jurisprudencia

    ~300 tokens

    get_cross_references

    ~300 tokens

    get_wage_data

    ~300 tokens

    get_vacation_table

    ~300 tokens

    generate_dictamen

    ~300 tokens

    90,000

    Tokens Before

    2,100

    Tokens After

    97.7%

    Reduction

    Claude Opus (frontier)

    $0.60

    $15/M input tokens

    →

    Open-source

    $0.02

    ~$0.50/M input tokens

    Cross-Reference Network: Wrongful Dismissal, $254,000 MXN

    Click "Trace Query" to illuminate the resolution path across 4 laws

    Art. 48LFTArt. 50LFTArt. 84Salary DefSalarioMinimoUMA + WagesLSS 27-28Social SecurityINFONAVIT 29HousingVacacionesPost-2023Tesis 53/2017Jurisprudencia
    LFT
    LSS
    INFONAVIT
    Computed
    Jurisprudencia

    Click above to see how the ontology resolves a real wrongful dismissal calculation

    Ontology Replication: Global Expansion

    Same pattern, jurisdiction-specific enums

    Live

    🇲🇽

    Mexico

    LFT + LSS + LSAR + INFONAVIT

    1,689

    Articles

    4

    Laws

    12

    X-Refs

    Phase 1

    🇦🇪

    UAE

    Federal Decree-Law No. 33/2021

    ~65

    Articles

    3

    Zones

    AR/EN

    Bilingual

    Phase 2

    🇸🇦

    Saudi Arabia

    Royal Decree M/51

    ~245

    Articles

    2024

    Amended

    AR/EN

    Bilingual

    Phase 3

    🇫🇷

    France

    Code du travail

    ~7,000

    Articles

    L+R

    Dual track

    API

    Legifrance

    Phase 3

    🇧🇷

    Brazil

    CLT (Consolidacao das Leis do Trabalho)

    ~922

    Articles

    Easiest

    Port

    PT

    Language

    Future

    🇺🇸 🇬🇧

    US + UK

    FLSA + ERA

    Complex

    Case Law

    Fed/State

    Dual

    +2

    Ref Types

    Pattern transfer: The entity model is universal. Only the enums change between jurisdictions.