IA y Derecho: el arte del prompting para profesionales jurídicos

QqIA y Derecho: el arte del prompting para profesionales jurídicos

La inteligencia artificial (IA) está transformando el sector legal, permitiendo automatizar tareas, analizar grandes volúmenes de información y mejorar la eficiencia en la toma de decisiones. Una de las claves para explotar el verdadero potencial de estas herramientas es la calidad de las instrucciones que reciben, conocidas como prompts.

Como continuación natural del artículo “Prompts jurídicos: claves y estrategias”, en esta guía avanzada profundizamos en la anatomía del prompt legal, técnicas de refinamiento iterativo y patrones que elevan la fiabilidad de respuestas en tareas jurídicas complejas. Además, aborda cómo adaptarse a los avances de los modelos, que exigen nuevas técnicas de prompting Para una introducción a conceptos y elementos básicos del prompt, recomendamos comenzar por ese primer artículo antes de continuar con esta guía avanzada. 

Prompting en entornos legales

El prompting es determinante para obtener resultados útiles y confiables en el trabajo jurídico. En este ámbito, sus objetivos centrales son maximizar la precisión de la información, garantizar la trazabilidad de las fuentes y mantener un control estricto sobre el formato de los datos procesados.

Un prompt eficaz en contextos legales se construye alrededor de cuatro elementos que ordenan el razonamiento del modelo y minimizan errores: rol, tarea, contexto y formato.

 

Componente

Descripción breve

Detalle

1

Rol

Quién debe “ser” la IA

Define la perspectiva o el papel desde el que la IA debe operar

2

Tarea

Acción que debe realizar

Especifica la acción concreta que se requiere de la IA, ¿Se busca analizar jurisprudencia, redactar cláusulas, validar cumplimiento normativo o realizar investigación jurídica?

3

Contexto

Información relevante

Aporta toda la información relevante y de fondo que la IA necesita para completar la tarea con éxito. Esto puede incluir detalles del caso, jurisdicción, partes involucradas, normativa aplicable, restricciones de extensión, entre otros. Así, evitamos que dependa únicamente de su “memoria” o datos generales, elemento esencial para minimizar errores y alucinaciones.

4

Formato

Estructura esperada de la salida

Determina la estructura en la que se espera la respuesta, como un resumen, una tabla, una lista de viñetas, o cualquier otro formato específico.

 

Esta estructura garantiza que la IA comprenda qué se espera, bajo qué condiciones y cómo debe presentar la información.

Ejemplo:

  • Rol: Actúa como abogado especializado en derecho contractual.
  • Tarea: Revisa la validez y claridad de un contrato.
  • Contexto: La cláusula pertenece a un contrato de prestación de servicios entre una empresa tecnológica y un proveedor externo. Se busca identificar ambigüedades, riesgos legales y posibles incumplimientos normativos.
  • Formato: Presenta la revisión en una tabla con las columnas: Texto original | Ambigüedades detectadas | Riesgos legales | Recomendaciones de mejora.

Refinamiento iterativo: cómo convertir un buen prompt en uno excelente

Debemos asumir que la interacción con herramientas de Inteligencia Artificial Generativa es, por naturaleza, iterativa. El prompting funciona como una conversación guiada: se formula una solicitud inicial, se evalúan los resultados, se identifican las carencias y se ajustan las instrucciones. Rara vez el primer prompt es definitivo; iterar con propósito es lo que maximiza la utilidad y la fiabilidad.

 

En el ámbito jurídico, cuatro técnicas elevan de forma sistemática la calidad de los resultados:

Esta primera técnica pone foco en modelar el patrón con ejemplos de entrada-salida no únicamente describiendo lo que debe hacer la IA. Es especialmente útil cuando se requiere un formato, estilo o estructura muy específica. La precisión mejora cuando los ejemplos son representativos, están (brevemente) justificados y cubren bordes típicos.

  • Análisis de sentimientos jurídicos: clasificar documentos como favorables, neutrales, adversarios.
  • Extracción de cláusulas específicas: identificar y estructurar cláusulas de responsabilidad, confidencialidad, terminación.
  • Clasificación de documentos: categorizar correos, escritos, contratos según su tipología.
  • Redacción de documentación estructurada: mantener un formato y tono consistentes en análisis repetitivos.

Ejemplo (clasificación de cláusulas)

Si se requiere clasificar cláusulas contractuales por nivel de riesgo, en lugar de solo describir los criterios, suministrar ejemplos de cláusulas reales con sus clasificaciones permite que el modelo siga un patrón demostrado.

Ejemplos:

1. Cláusula: "El arrendatario será responsable por daños materiales a la propiedad, sin límite máximo de indemnización." 

Riesgo: Alto (riesgo elevado por ausencia de límite que puede generar responsabilidad económica ilimitada).

2. Cláusula: "El proveedor garantiza la conformidad del producto conforme a estándares ISO 9001." 

Riesgo: Bajo (cláusula estándar que aporta seguridad y calidad, con bajo impacto económico).

3. Cláusula: "La parte contratante puede rescindir el contrato sin previo aviso y sin indemnización en caso de cambio de control societario." 

Riesgo: Medio (opción de rescisión unilateral puede implicar incertidumbre moderada para el cliente).

Ahora, clasifica esta cláusula:

"El cliente se obliga a mantener confidencialidad absoluta sobre la información técnica recibida, bajo pena de sanciones legales."

En tareas con razonamiento jurídico complejo o análisis más profundo, es recomendable instruir a la IA para que exponga su proceso de razonamiento de manera secuencial antes de finalizar. Indicaciones como “razona paso a paso” o “explica tu análisis antes de concluir” fomentan respuestas más estructuradas y fundamentadas.

Ejemplo 1

(...) Evalúa la validez de la cláusula de exclusividad considerando:

  1. Temporalidad
  2. Ámbito territorial
  3. Indemnizaciones previstas

Analiza cada factor paso a paso antes de concluir.

Ejemplo 2

(...) Evalúa si este contrato es vinculante bajo la legislación de Nueva York.

  • Paso 1: Identifica cláusulas de ley aplicable.
  • Paso 2: Verifica consentimiento y contraprestación.
  • Paso 3: Señala posibles defectos. Concluye razonando cada paso.

Esta técnica reduce la tendencia del modelo a ofrecer respuestas erróneas, y facilita la revisión por parte del usuario.

¿Por qué funciona? Los modelos de lenguaje predicen el siguiente token más probable. En un problema complejo, el siguiente token "más probable" puede conducir a una conclusión aparentemente plausible pero incorrecta. Al introducir indicaciones sencillas como “pensemos paso a paso” o “primero, consideremos cada componente contractual”, se guía al modelo hacia un patrón de razonamiento más confiable, promoviendo un análisis deliberado y estructurado.

La técnica consiste en incorporar directamente en el prompt los datos, documentos o hechos pertinentes, es decir, el “contexto”, que la IA debe utilizar, en vez de confiar en que los recupere de su memoria. Al suministrar explícitamente el material de referencia y acotar la respuesta exclusivamente a ese conjunto, se mejora la precisión, se reducen ambigüedades y se facilita la verificación independiente del resultado. Este enfoque es especialmente crítico en funciones de compliance, procesos de validación normativa y cualquier escenario en el que la trazabilidad y la auditabilidad del razonamiento sean imprescindibles.

Ejemplo

(...) Proporciona el texto del artículo 1256 del Código Civil. Identifica y cita las condiciones para la validez del acuerdo contractual en el texto adjunto, sin añadir información externa.

Otro aspecto clave es explicitar aquello que no debe aparecer en la salida: excluir definiciones genéricas, evitar referencias temporales o jurisdiccionales no deseadas, o suprimir disclaimers vacíos. Las restricciones específicas controlan el contenido y mitigan riesgos

Indicar de forma explícita qué elementos deben evitarse en la respuesta —por ejemplo, “no incluyas opiniones personales”, “no utilices terminología técnica”, “no cites jurisprudencia anterior a 2010”— ayuda a controlar el contenido y a mitigar riesgos.

Las restricciones funcionan mejor cuando son específicas:

Débil: "Sé conciso"

Fuerte: "No incluyas párrafos de introducción genéricos. No repitas definiciones de términos. No añadas ejemplos hipotéticos. Limítate a análisis directo."

Ejemplo

(...) Resume el escrito procesal. No incluyas: (i) definiciones generales; (ii) disclaimers; (iii) referencias a jurisprudencia extranjera; (iv) lenguaje especulativo (‘podría’, ‘probablemente’).

Do’s & Don’ts de Legal Prompting

Do’s

Don’ts

1. Iterar y refinar según resultados

Usar el primer prompt como definitivo

2. Especificar audiencia y tono

Ignorar el contexto jurídico

3. Pedir citas o referencias cuando sea necesario

Reproducir contenido sin verificar

4. Definir rol, tarea, contexto y formato

Usar prompts vagos o ambiguos

5. Proporcionar ejemplos (few-shot)

Confiar en la “memoria” del modelo

6. Solicitar razonamiento paso a paso (chain of thought)

Pedir respuestas directas en tareas complejas

7. Incluir restricciones negativas

Dejar el formato de salida al azar

8. Verificar salidas con fuentes externas

Asumir que la IA siempre acierta

Conclusión

El legal prompting avanzado se constituye como una competencia estratégica indispensable en la práctica jurídica contemporánea. Dominar estas técnicas convierte el prompting en una palanca de calidad en la práctica jurídica contemporánea: más eficiencia, más precisión y más control del resultado jurídico que estamos produciendo.

Adoptar un enfoque disciplinado en la redacción de prompts, combinando roles definidos, ejemplos prácticos, razonamientos dialogados y revisiones iterativas, asegura que la IA actúe como un aliado eficaz y confiable, no como un riesgo para la calidad del trabajo jurídico.

Para una base conceptual y una guía de iniciación, recomendamos al artículo “Prompts jurídicos: claves y estrategias”; para llevar estas prácticas al siguiente nivel, aplica la anatomía del prompt, itera con ejemplos bien elegidos, exige razonamiento paso a paso, ancla en fuentes proporcionadas y delimita con restricciones negativas.

Artículo elaborado por Marta de Arespacochaga, associate del área NewLaw de PwC Tax & Legal.

Contacta con nosotros

Blanca  Bardín

Blanca Bardín

Socia, PwC Tax & Legal