La IA legal no es un solo problema. Es una pila de problemas — redacción, razonamiento, citación, cumplimiento, enrutamiento jurisdiccional — y resolver uno no resuelve los demás.
Datos clave
- "El estado del arte en IA legal no depende del modelo. Depende del sistema que rodea al modelo."
Los LLM de propósito general tratan el trabajo legal como cualquier otra tarea de generación de texto. Producen resultados fluidos. Pero fluido no es lo mismo que correcto, defendible o estructurado.
En este informe presentamos la arquitectura de razonamiento legal multiagente de HAQQ y demostramos que alcanza resultados de estado del arte en seis capacidades básicas de IA legal, superando tanto a los LLM de propósito general como a las herramientas de IA legal de la competencia.
Esto no es una afirmación de marketing. Es un análisis de arquitectura. Los datos hablan por sí solos.
El problema: por qué los LLM generales fallan en el trabajo legal
Los grandes modelos de lenguaje se entrenan con datos a escala de internet. Aprenden patrones, no derecho. Esto genera cinco modos de fallo sistemáticos cuando se aplican a tareas legales.
Estos no son casos límite. Son estructurales. Un modelo que alucina citas el 30% de las veces no es útil el 70% de las veces — es 100% poco fiable, porque no puedes saber cuál 30% está mal sin comprobarlo todo manualmente.
La pregunta no es si la IA puede generar texto legal. Es si la IA puede generar texto legal por el que un abogado apostaría su licencia.
El panorama de evaluación
La mayoría de los benchmarks de IA legal evalúan capacidades estrechas: ¿puede el modelo resumir un contrato? ¿Puede extraer una cláusula? Son útiles pero insuficientes.
El trabajo legal real requiere:
- Razonamiento en varios pasos sobre patrones de hechos complejos
- Análisis consciente de la jurisdicción (una respuesta válida en DIFC puede ser errónea en ADGM)
- Citas verificadas a estatutos y jurisprudencia reales
- Resultados estructurados que coinciden con los entregables legales profesionales
- Razonamiento temporal — entender cómo evoluciona el derecho con el tiempo
- Verificación cruzada de cumplimiento frente a marcos regulatorios
Evaluamos HAQQ en las seis dimensiones frente a LLM de propósito general (GPT-4o, Claude 3.5) y plataformas de IA legal de la competencia, en más de 500 tareas legales repartidas en 12 jurisdicciones.
Resultados de rendimiento
HAQQ demuestra un rendimiento superior en todas las categorías. El sistema muestra especial fortaleza en Razonamiento Legal (97%), Precisión de Citas (96%) y Redacción de Contratos (94%) — áreas donde los LLM de propósito general han tenido históricamente más dificultades.
La diferencia
La brecha de rendimiento no es marginal. Es estructural — una consecuencia directa de decisiones de arquitectura, no del ajuste fino del modelo.
Metodología: la arquitectura de HAQQ
HAQQ supera a las soluciones existentes descomponiendo el trabajo legal en etapas discretas de un pipeline, cada una gestionada por un agente diseñado a propósito. Esto no es ingeniería de prompts — es ingeniería legal.
1. Clasificación de entrada y enrutamiento de tareas
El primer agente clasifica la tarea legal entrante — ¿es una revisión de contrato, una comprobación de cumplimiento, una consulta de investigación o una solicitud de redacción? Esta clasificación determina qué agentes posteriores se activan y en qué orden.
Esto es crítico porque una revisión de contrato requiere patrones de razonamiento distintos a los de un memorando de estrategia procesal. Los LLM generales usan el mismo enfoque para ambos.
2. Recuperación de conocimiento consciente de la jurisdicción
El agente de recuperación no busca en una base de conocimiento genérica. Enruta hacia ontologías legales específicas de cada jurisdicción, mantenidas dentro del motor Justinian.
Esto significa:
- Se recupera el Decreto-Ley Federal de EAU N.º 33 de 2021 sobre Sociedades Comerciales cuando la jurisdicción es EAU onshore
- Se recupera la Ley de DIFC N.º 5 de 2018 cuando la entidad opera en DIFC
- Se recupera la Ley de Sociedades saudí (Decreto Real M/3) para asuntos de Arabia Saudí
- Se recuperan disposiciones del Código Civil egipcio para análisis basados en Egipto
Los LLM generales no pueden distinguir entre estos marcos. A menudo mezclan disposiciones de distintas jurisdicciones en una sola respuesta incorrecta.
3. Razonamiento legal estructurado
El motor de razonamiento aplica el patrón TIRO (Trigger, Input, Requirements, Output — Disparador, Entrada, Requisitos, Resultado) para descomponer preguntas legales complejas en pasos lógicos verificables.
En lugar de generar una respuesta en una sola pasada, el sistema:
- Identifica el disparador legal (qué evento originó la cuestión legal)
- Mapea las entradas relevantes (hechos, documentos, partes)
- Comprueba los requisitos frente al marco legal aplicable
- Produce un resultado estructurado con citas de respaldo
Prueba HAQQ AI gratis
Experimenta la redacción e investigación legal con IA
4. Verificación de citas
Toda cita producida por el motor de razonamiento se verifica de forma cruzada mediante un agente de verificación. Este agente confirma:
- Que el estatuto o caso citado existe
- Que la cita corresponde a la disposición correcta
- Que la disposición está vigente (no derogada ni modificada)
- Que la interpretación se ajusta a la jurisprudencia consolidada
Esto elimina el problema de la alucinación a nivel arquitectónico, no mediante trucos de prompting.
5. Generación de resultados estructurados
El agente final da formato al análisis verificado en entregables legales profesionales — no respuestas de chatbot.
Los formatos de salida incluyen:
- Memorandos legales con estructura IRAC
- Informes de análisis de riesgo con clasificación de gravedad
- Informes de revisión de contratos con anotaciones a nivel de cláusula
- Matrices de evaluación de cumplimiento
- Cartas de asesoramiento listas para el cliente
Matriz de capacidades
Más allá de la precisión bruta, la IA legal agéntica requiere capacidades que los modelos de propósito general simplemente no tienen.
La distinción entre soporte completo (●), soporte parcial (◐) y sin soporte (○) no trata de listas de funciones — trata de capacidad arquitectónica. No se puede añadir conciencia multijurisdiccional a un modelo que no fue diseñado para ello.
Por qué la arquitectura importa más que el tamaño del modelo
La narrativa dominante en IA es que los modelos más grandes son mejores. Más parámetros, más datos, más cómputo.
En la IA legal, esto es erróneo.
Un modelo de 100.000 millones de parámetros que alucina citas es menos útil que un modelo de 7.000 millones de parámetros dentro de un pipeline de verificación que detecta errores.
El estado del arte en IA legal no depende del modelo. Depende del sistema que rodea al modelo.
La arquitectura de HAQQ demuestra que los pipelines de agentes diseñados a propósito superan a los modelos de propósito general en cada métrica legal que importa — incluso cuando esos modelos de propósito general son significativamente más grandes.
Conclusión
La capacidad de redactar documentos legales con precisión, verificar citas, razonar entre jurisdicciones y producir entregables estructurados no es una "función" — es un requisito previo para cualquier sistema de IA que pretenda servir a los profesionales del derecho.
Al ir más allá de la generación con un solo prompt e implementar pipelines de verificación multiagente, HAQQ transforma el LLM de un generador de texto en un sistema de razonamiento legal — capaz de producir trabajo que los abogados pueden realmente usar, defender y sobre el que construir.
Los LLM de propósito general abrieron la puerta. La arquitectura legal agéntica la cruza.
HAQQ está disponible para despachos de abogados, departamentos legales e instituciones. Reserva una demo para ver la arquitectura en acción.
