Cuando la IA llena los juzgados de demandas sin abogado

La jueza federal Maritza Braswell, magistrada en Colorado, dedica una parte considerable de su jornada a revisar escritos judiciales presentados por personas que no tienen abogado. Muchos de esos documentos llegan ahora redactados con herramientas de IA generativa. No siempre se nota a primera vista, pero hay patrones: un lenguaje más pulido de lo habitual, argumentaciones aparentemente sólidas que se desmoronan al comprobar las citas, y referencias a jurisprudencia que simplemente no existe.

Eso es precisamente lo que documenta MIT Technology Review en su reportaje del 4 de junio: los tribunales estadounidenses están gestionando un volumen creciente de litigación pro se —ciudadanos que se representan a sí mismos— amplificada por herramientas de IA que les permiten redactar escritos que antes requerían formación jurídica. El fenómeno tiene dos caras, y ninguna es sencilla.

Lo que está pasando en los juzgados

Los litigantes pro se no son nuevos. Siempre han existido personas que, por falta de recursos económicos o porque su caso no resulta rentable para un despacho, se presentan ante un tribunal sin representación. Lo que ha cambiado es la cantidad y la apariencia de los escritos que presentan. Un modelo de lenguaje grande puede producir en minutos un documento con formato correcto, terminología jurídica coherente y una estructura argumental que, superficialmente, parece válida.

El problema surge cuando esos modelos alucinan. Citan sentencias que no existen, malinterpretan el derecho aplicable o construyen argumentos basados en premisas falsas. La jueza Braswell y sus colegas deben leer cada documento con atención, conscientes de que detrás puede haber una persona vulnerable que ha depositado esperanzas reales en un texto generado automáticamente y no verificado.

Los tribunales responden de formas distintas. Algunos jueces han empezado a exigir declaraciones juradas sobre el uso de IA en la preparación de escritos. Otros aplican filtros de revisión adicionales. Ninguna solución es sistemática todavía.

Por qué importa más allá de los juzgados

Este caso es relevante para cualquiera que trabaje con herramientas de IA de uso general, incluidos los modelos de la familia Claude. No porque los modelos sean responsables del uso que se haga de ellos, sino porque ilustra un patrón que reaparece en distintos contextos profesionales: la IA reduce la barrera de entrada a tareas que antes requerían expertise, pero no elimina la necesidad de ese expertise para validar el resultado.

Un ingeniero que usa Claude Code para generar código puede revisar si compila y si pasa los tests. Un ciudadano sin formación jurídica que usa un chatbot para redactar una demanda no tiene las herramientas para detectar que la sentencia que cita nunca fue dictada. La asimetría entre facilidad de producción y capacidad de validación es el núcleo del problema.

Hay además una dimensión de acceso a la justicia que merece atención. Parte de quienes recurren a estos escritos generados por IA lo hacen porque no pueden pagar un abogado. Si el resultado es que sus casos se desestiman por errores factuales o jurídicos introducidos por el modelo, la promesa de democratización del acceso a herramientas profesionales se convierte en trampa.

Quién debe actuar y cómo

El reportaje de MIT Tech Review apunta a tres actores: los propios tribunales, que necesitan políticas claras y uniformes sobre el uso de IA en escritos judiciales; los desarrolladores de herramientas generalistas, que podrían incorporar advertencias más explícitas cuando sus modelos son usados en contextos de alto riesgo como el legal o el médico; y las organizaciones de asistencia jurídica, que podrían explorar cómo usar IA de forma supervisada para ayudar realmente a quienes no tienen acceso a un abogado.

Algunos estados ya están desarrollando guías para litigantes pro se que usan IA. Es un primer paso, aunque la velocidad de adopción de las herramientas supera con claridad la velocidad de la respuesta institucional.

---

Desde EP, el caso nos parece un recordatorio útil de que la utilidad de los modelos de lenguaje en entornos de alta consecuencia depende casi siempre de quién supervisa el output, no solo de quién lo genera. La brecha entre producir un texto convincente y producir un texto correcto sigue siendo responsabilidad humana.