Cuando hablamos de inteligencia artificial aplicada al derecho, los despachos y departamentos legales se enfrentan a un problema de partida: la mayoría de los datos que manejan están protegidos por secreto profesional, confidencialidad o normativa europea como el RGPD.
Curar datos para IA en el sector legal no es opcional. Es una exigencia regulatoria.
Lo que la UE ya exige (y España aplica)
El Reglamento General de Protección de Datos (RGPD) condiciona cualquier tratamiento automatizado de datos personales, incluido el entrenamiento de modelos. En España, la LOPDGDD añade capas adicionales en materia de datos de especial protección, como los relativos a infracciones penales o procedimientos judiciales.
Pero hay más. El Reglamento de Inteligencia Artificial (IA Act) clasificará ciertos sistemas legales como «de alto riesgo». Por ejemplo, herramientas que ayuden a jueces, abogados o mediadores a interpretar normas o evaluar pruebas. Para esos sistemas, la calidad del dataset no es solo técnica: debe ser auditable, representativa y libre de sesgos discriminatorios.
Por qué la limpieza básica no sirve en el sector legal
Un dataset jurídico puede estar limpio de errores sintácticos y seguir siendo ilegal. Por ejemplo, si incluye nombres de partes sin anonimizar, o si mezcla resoluciones judiciales de distintos órganos sin conservar el contexto procesal.
La curación legalmente adecuada exige:
- Anonimización o seudonimización desde el origen.
- Conservación de metadatos críticos (fecha, órgano, tipo de procedimiento).
- Exclusión documentada de información privilegiada o sujeta a secreto.
- Trazabilidad completa de cada transformación aplicada.
El problema del sesgo en datos jurídicos
Los sistemas judiciales no son neutrales por defecto. Si un dataset para IA contiene principalmente resoluciones de una misma audiencia provincial, o sobrerrepresenta ciertos tipos de delito, el modelo aprenderá patrones sesgados. La curación debe incluir análisis de representatividad y, cuando sea posible, reequilibrio documentado.
Qué debe incluir un plan de curación para el sector legal
- Inventario de fuentes y evaluación de riesgos (DPIA si aplica).
- Definición de reglas de anonimización por tipo de documento.
- Registro de actividades de tratamiento (art. 30 RGPD).
- Procedimiento de validación legal del dataset antes de entrenar.
- Mecanismos de rectificación y supresión en origen.
Conclusión
En el sector legal, curar datos para IA no es solo una tarea de ingeniería. Es una obligación de cumplimiento. Y cuanto antes se integre en el flujo de trabajo documental, menos riesgos se arrastran a la fase de entrenamiento y producción.
