Estás preparando un escrito y pides a una IA jurisprudencia sobre tu caso. La respuesta parece útil, pero necesitas saber qué resoluciones ha consultado, dónde está el fundamento que cita y si ha dejado fuera una condición decisiva. RAG ayuda a llevar documentos a esa conversación. Su valor para el abogado está en poder trabajar sobre un soporte que se puede revisar.
RAG significa Retrieval-Augmented Generation, o generación aumentada por recuperación. Consiste en recuperar información de fuentes externas y proporcionársela al modelo para elaborar la respuesta. Aplicado a jurisprudencia, permite que la explicación se apoye en resoluciones y pasajes recuperados para la consulta. Que esos documentos sean pertinentes y que la respuesta los interprete fielmente son dos comprobaciones adicionales.
Qué cambia cuando una IA utiliza RAG
El conocimiento aprendido durante el entrenamiento y los documentos consultados al responder cumplen funciones diferentes. Con RAG, el sistema incorpora información recuperada para esa petición. Así puede trabajar con contenido de una base especializada sin que cada documento tenga que incorporarse mediante un nuevo entrenamiento del modelo. La explicación técnica de IBM desarrolla esta separación.
El trabajo de Lewis y otros autores sobre RAG, presentado en 2020, estudió la combinación de generación y recuperación en tareas intensivas en conocimiento. Sus experimentos no constituyen una evaluación de jurisprudencia española ni una garantía de precisión jurídica para cualquier producto que utilice esa sigla.
Piensa en una pregunta sobre la motivación de una resolución judicial. La parte de recuperación busca documentos relacionados; la parte de generación organiza una explicación a partir del material recibido. Para preparar una alegación, te interesa conservar la conexión entre cada afirmación y el pasaje que la sostiene. Una respuesta extensa sin esa conexión todavía deja pendiente el trabajo documental.
Cómo funciona: de la pregunta a la respuesta con documentos
Una implementación puede variar, pero este recorrido permite entender las piezas y hacer preguntas concretas al evaluar una herramienta:
- Preparar las fuentes.El sistema incorpora documentos y conserva información sobre su origen. En jurisprudencia interesa mantener unidos órgano, fecha, referencia y versión del texto disponible.
- Hacer localizable el contenido.Puede dividir los documentos en fragmentos e indexarlos. Los embeddings representan contenido mediante vectores para buscar por similitud; también pueden emplearse búsquedas por términos o combinaciones de ambos métodos.
- Recuperar y seleccionar.La pregunta y los filtros orientan qué documentos o pasajes se entregan al modelo. El material seleccionado tiene que caber en el contexto que este puede recibir.
- Generar con ese soporte.El modelo redacta utilizando el contexto aportado. La respuesta debe permitir identificar sus fuentes y distinguir lo documentado de lo que queda sin resolver.
La documentación de Microsoft sobre RAG explica los retos de recuperación, selección y límites de contexto. Buscar por similitud ayuda a localizar contenido, pero una proximidad matemática no determina por sí sola la relevancia jurídica de una sentencia.
Por qué la jurisprudencia exige conservar el contexto
Para un abogado, recuperar una frase no basta si desaparece la condición que limita su alcance. Al revisar una respuesta apoyada en jurisprudencia, conviene comprobar estas relaciones:
- Documento y afirmación: la referencia debe corresponder a la resolución utilizada, con ECLI, ROJ u otros datos disponibles y enlace oficial.
- Pasaje y atribución: comprueba si habla el tribunal, una parte, un voto particular o una resolución anterior que se está citando.
- Regla y supuesto: identifica los hechos y la cuestión que condicionan el razonamiento antes de trasladarlo a tu asunto.
- Fundamentos y fallo: contrasta la explicación con lo efectivamente decidido; puedes profundizar en cómo leer los fundamentos jurídicos y el fallo.
- Fecha y evolución: cuando la conclusión dependa de actualidad, amplía la investigación a resoluciones posteriores y al marco normativo correspondiente.
Estas comprobaciones sirven para decidir si una resolución puede apoyar una alegación concreta, si exige matizarla o si conviene descartarla. La utilidad profesional del RAG aumenta cuando el material entregado permite hacer esa selección sin reconstruir desde cero la procedencia de cada frase.
Un ejemplo de trabajo: investigar antes de redactar
Ejemplo hipotético, no una consulta ejecutada para este artículo. Imagina que preparas un recurso y necesitas investigar la motivación de una denegación de prueba y su relación con la indefensión. Antes de pedir un argumento favorable, puedes encargar una búsqueda que separe documentos, condiciones y límites.
Busca jurisprudencia española sobre denegación de prueba e indefensión. Primero identifica qué datos del procedimiento necesitas para acotar la consulta. Para cada resolución pertinente, conserva órgano, fecha, identificador disponible y enlace oficial. Recupera el fundamento que explica el criterio y el fallo disponible; distingue las alegaciones de las partes del razonamiento del tribunal. Señala qué hechos condicionan la conclusión y busca también decisiones que permitan cuestionar mi hipótesis. No redactes todavía el recurso. Si solo obtienes un resumen o una lectura parcial, indícalo.
El resultado que te interesa es una ficha de evidencias por resolución: cuestión analizada, hechos relevantes, pasaje literal y ubicación, decisión adoptada, posible utilidad para tu asunto y comprobaciones pendientes. No se trata de rellenar todos los campos con texto generado: cuando un dato no esté disponible, debe quedar identificado como pendiente.
Con esas fichas puedes comparar precedentes, seleccionar qué merece lectura adicional y entregar al revisor del escrito una referencia que pueda reencontrar. Después puedes solicitar una propuesta de redacción limitada al soporte comprobado, manteniendo separadas la cita literal y la explicación del asistente.
Esta instrucción propone un método. No demuestra que un asistente vaya a ejecutar todas las operaciones ni que vaya a encontrar una resolución favorable. El resultado depende de la consulta, las herramientas habilitadas y el acervo disponible.
Dónde puede fallar un sistema RAG
Para corregir una respuesta, distingue el punto del recorrido en el que se pierde la evidencia. Pedir al modelo que escriba con más seguridad no resuelve una carencia documental.
- Falta la fuente: si la resolución no está en el acervo consultable, ampliar la redacción no la incorpora. Revisa cobertura y fuentes.
- La búsqueda no la recupera: examina la formulación, los filtros y los identificadores. No encontrarla en una consulta no prueba su inexistencia.
- Se entrega un recorte insuficiente: solicita contexto, condiciones y continuación de lectura. Un resumen no equivale al texto íntegro.
- El documento se usa mal: contrasta cada conclusión con el pasaje y su atribución. Una cita auténtica puede acompañar una interpretación que no sostiene.
Por eso la etiqueta RAG, por sí sola, no acredita ausencia de alucinaciones, exhaustividad ni confidencialidad. Evalúa los resultados observables y las condiciones del servicio. El artículo sobre referencias judiciales inventadas o mal atribuidas profundiza en esos errores; aquí el criterio es localizar qué etapa debe revisarse.
RAG, MCP y entrenamiento: qué papel tiene cada uno
RAG describe el enfoque de recuperar información para apoyar la generación. MCP es un protocolo para conectar aplicaciones de IA con herramientas y fuentes externas, según su documentación oficial. Puede facilitar el acceso a la búsqueda y lectura utilizadas en ese recorrido, pero no determina la calidad de los documentos seleccionados.
El ajuste fino o fine-tuning modifica los parámetros del modelo mediante entrenamiento adicional. Recuperar una sentencia para una respuesta no equivale a entrenar el modelo con ella. Ambas técnicas pueden combinarse, pero cumplen funciones distintas.
Si estás eligiendo una conexión, la pregunta práctica es qué operaciones permite y qué evidencia devuelve. La guía de MCP aplicado a jurisprudencia desarrolla esa parte sin confundir el protocolo con el método de investigación.
Cómo aplicar este enfoque con Jurisprudencia.io
Para organizar el recorrido completo —formular la consulta, seleccionar resoluciones, contrastarlas y registrar la investigación—, sigue la guía de búsqueda de jurisprudencia con inteligencia artificial. Aquí hemos explicado el mecanismo documental que ayuda a entender ese trabajo.
Jurisprudencia.io aporta acceso a resoluciones españolas y al contenido disponible de cada documento mediante sus integraciones. Puedes conectarlo a Claude o seguir la guía para ChatGPT y pedir al asistente que busque, consulte los pasajes necesarios y conserve las referencias antes de redactar.
La aportación concreta para tu trabajo es llevar documentos identificables a la conversación y usarlos al comparar criterios o revisar una cita. La recuperación del servicio y la explicación que genere después tu asistente deben evaluarse por separado. Si solo hay metadatos, resumen o un fragmento, ese alcance debe mantenerse visible.
Para equipos que desarrollan sus propios sistemas, la API pública y la documentación MCP describen vías de integración con contratos propios. No necesitas desarrollar una aplicación para utilizar las conexiones con asistentes.
Antes de incorporar el resultado al escrito, comprueba que puedes volver desde la afirmación al pasaje, desde el pasaje a la resolución y desde la resolución a su fuente oficial. Ese recorrido convierte el material recuperado en una investigación que otro profesional puede revisar.