La variable invisible: per què la intel·ligència artificial que prediu sentències pot no veure la prova de detectiu
La intel·ligència artificial ha arribat a la litigació.
Existeixen eines capaces d'analitzar milers de resolucions, detectar patrons, comparar precedents i estimar probabilitats de determinats resultats.
La promesa és atractiva: litigar amb l'estadística a la mà.
Però tota predicció té una condició prèvia: el model només pot aprendre adequadament allò que representen les seves dades.
He analitzat aquesta qüestió en un estudi sobre 1.936 resolucions judicials espanyoles dictades entre 2020 i 2024, pendent de publicació acadèmica.
La conclusió principal es pot resumir així: la prova de detectiu pot ser jurídicament important i, al mateix temps, estar deficientment representada com a variable en el corpus jurisprudencial del qual aprenen els sistemes predictius.
Primera troballa: 68,2 % de valoracions favorables en els casos classificables
Dins de les resolucions del corpus en les quals hi ha una valoració judicial prou explícita per determinar-ne el sentit, el 68,2 % conté una valoració favorable de la prova de detectiu per a la part que la va aportar.
Això no significa que contractar un detectiu proporcioni un 68,2 % de probabilitats de guanyar un plet.
Significa que, quan el text permet identificar i classificar expressament com va ser rebuda judicialment aquesta prova, la valoració resulta favorable en més de dos terços dels casos classificables del corpus.
No demostra causalitat. Però sí que revela que la prova apareix amb freqüència com un element útil i valorat positivament quan el tribunal es pronuncia expressament sobre ella.
Segona troballa: al voltant del 55 % no permet saber clarament com va ser valorada
En aproximadament el 55 % del conjunt rellevant no hi ha una valoració prou explícita i homogènia com per etiquetar-la amb seguretat.
La prova va estar en el procediment, però la sentència pot referir-s'hi de maneres diferents: «informe de detectiu», «investigació privada», «testifical», «seguiment», «fotografies que consten a les actuacions» o simplement integrar-la en la valoració conjunta.
Per a un jurista que coneix l'expedient, aquestes diferències poden ser manejables. Per construir un corpus automàtic, són un problema.
Una mateixa realitat processal apareix escrita de deu maneres diferents o apareix sense etiqueta específica.
El problema no comença necessàriament en l'algoritme
Quan parlem de biaix algorítmic solem mirar directament la màquina.
Però hi ha una etapa anterior: com va néixer la dada amb la qual entrenem el sistema?
Una sentència es redacta per resoldre un cas i motivar una decisió, no per alimentar una base de dades d'IA.
Quan després utilitzem milers de sentències com a matèria primera predictiva, apareix una conseqüència inesperada: allò que no queda expressat de manera consistent resulta molt més difícil d'aprendre de manera consistent.
La generació de la dada condiciona la intel·ligència posterior.
La sentència no reprodueix tot el que va passar al judici
Un procediment pot contenir documents, testimonis, pericials, interrogatoris, enregistraments, un informe de detectiu i fotografies.
El jutge forma la seva convicció a partir del conjunt.
Però la sentència selecciona, sintetitza i motiva el que és necessari. No és una transcripció total del judici.
Per tant, hi ha diferència entre la realitat probatòria del procediment i la seva representació textual a la sentència.
Per a un sistema que només coneix la segona, aquesta diferència resulta decisiva.
La prova de detectiu és especialment vulnerable a aquesta pèrdua
L'informe té una naturalesa singular. Hi ha un document, fotografies o vídeos i, quan es discuteixen els fets, una declaració del professional que els va observar.
Un jutge pot formar la seva convicció també per la precisió del detectiu, la coherència de la declaració, la correspondència entre imatges i testimoni i les seves respostes al contrainterrogatori.
Bona part d'això no arriba necessàriament fins al text final.
I si no arriba fins a la sentència, tampoc no arriba netament al corpus.
La IA aprèn de l'ombra documental del judici
Quan entrenem un model exclusivament amb resolucions, no li ensenyem els procediments complets.
Li ensenyem la representació escrita que en va quedar.
Això no afecta només el detectiu. Pot passar amb la credibilitat d'un testimoni, la qualitat d'una pericial, una contradicció detectada a la sala o qualsevol element percebut directament pel jutjador i no desenvolupat a la resolució.
Una variable absent no fa que el model deixi de predir
Quan falta una variable rellevant, l'algoritme no s'atura necessàriament.
Continua calculant amb allò que sí que té: tipus de procediment, tribunal, matèria, normativa citada, llenguatge, antecedents, metadades i altres característiques.
Pot arribar a trobar variables predictives que no coincideixen amb les variables jurídicament causals que l'advocat considera importants.
Correlació predictiva i explicació jurídica no són el mateix.
El detectiu invisible
Suposem que una eina ofereix un 42 % de probabilitat d'èxit en un plet laboral.
Però el nostre cas conté alguna cosa que molts precedents no contenien o que el corpus representa malament: tres dies de seguiment, una seqüència gràfica completa, un detectiu que compareixerà personalment i una conducta objectivament documentada.
Quin valor assigna el model a aquesta diferència?
Si la variable no està identificada adequadament en les seves dades, pot assignar-li poc o cap.
No necessàriament perquè la IA sigui dolenta.
Perquè la dada amb la qual aprèn no descriu adequadament allò que ara tenim al davant.
Tres conseqüències pràctiques
Primera: compte amb el percentatge quan el cas té una prova extraordinària. La predicció estadística funciona millor quan l'assumpte s'assembla a l'univers del qual prové l'estadística. L'estratègia probatòria pot fer precisament que el nostre cas deixi de semblar-se a la mitjana.
Segona: el 68,2 % tampoc no és una calculadora. Descriu el sentit de la valoració judicial en el subconjunt classificable del corpus, no una probabilitat individual d'èxit.
Tercera: l'estratègia probatòria continua necessitant ofici. Una eina pot analitzar tendències; decidir quin fet cal acreditar i quina prova pot canviar el cas és una altra qüestió.
El mateix CGPJ demana cautela
El 2026 el Consell General del Poder Judicial (CGPJ) va aprovar instruccions sobre la utilització de sistemes d'IA en l'activitat jurisdiccional amb principis de control humà, prevenció de biaixos, qualitat de la informació i traçabilitat.
La frontera és significativa: la IA pot assistir, però no substituir la valoració de fets i proves ni la decisió judicial.
No és una posició antitecnològica. És la correcta.
Abans de la IA necessitem intel·ligència sobre la dada
Aquesta és una de les idees sobre les quals construïm M Intelligence.
Abans de preguntar «què pot predir la IA?» hauríem de preguntar «quina realitat representa realment el nostre dataset?».
Quines variables conté. Quines falten. Quines són proxies. Quines ambigüitats existeixen. Quines decisions metodològiques hem pres.
El biaix no comença necessàriament a la xarxa neuronal. Pot començar molt abans, quan una realitat processal no queda representada de manera consistent en el text.
Conclusió: la IA prediu allò que pot veure
En les 1.936 resolucions analitzades hem trobat una paradoxa.
Quan la valoració de la prova de detectiu es pot classificar expressament, resulta favorable a la part que la va aportar en el 68,2 % dels casos classificables.
Però en aproximadament el 55 % del conjunt rellevant, el text judicial no ofereix una valoració específica prou estandarditzada per etiquetar-la amb claredat.
Hi ha informació processal rellevant que no es transforma fàcilment en variable.
L'advertència per a qui litiga és senzilla: no preguntis únicament «quin percentatge em dóna el model?».
Pregunta també: «què sap realment el model sobre la meva prova?»
Lectura relacionada: La IA: Asedio a la privacidad — Editorial Tirant Lo Blanch
La veritat té mètode.