Orquesté agentes de IA para defender una ejecución de honorarios

Hay mucho ruido sobre abogados que usan IA, y casi siempre el ejemplo es el mismo: pedirle a un chatbot que redacte el escrito. Eso es poco interesante, y es peligroso, porque esos modelos inventan jurisprudencia con aplomo. La semana pasada defendí una ejecución de honorarios usando IA al revés: no para que escriba, sino para que investigue y para que me lleve la contra.

Este artículo es el paso a paso técnico de un caso real en Paraguay, anonimizado. Vas a ver cómo traté a la IA no como redactora, sino como un equipo orquestado: monitoreo de expedientes vía API de la Corte, scraping dirigido de la base de jurisprudencia de la CSJ, análisis adversarial de precedentes con subagentes en paralelo, y verificación de prueba con visión. Con una regla por encima de todo lo demás.

El caso y la pregunta cara#

Dos abogados, cónyuges entre sí, obtuvieron regulación judicial de honorarios en una sucesión y promovieron ejecución contra las herederas, por más de Gs. 8.000.000. A favor de mi parte había un dato fuerte: un convenio escrito previo que fijaba el honorario de una de ellos muy por debajo de lo regulado, y ya pagado en su mayor parte. El plazo para oponer excepciones vencía en días.

La pregunta no era redactame un escrito. Era la pregunta cara, la que define el caso: qué defensa es jurídicamente viable y cuál me hace perder credibilidad ante el juez. Esa pregunta no la contesta un chatbot complaciente. La contesta leer precedentes, incluidos los que están en contra.

El flujo de trabajo en seis etapas#

Lo armé como un pipeline donde cada etapa alimenta a la siguiente. El criterio jurídico permaneció humano en todo el bucle: yo decido qué se descarta, qué se profundiza y qué se presenta. La IA acelera el resto.

1. Monitoreo del expediente vía API REST de la Corte. 183 actuaciones, partes, PDFs y cronología en segundos.
2. Investigación normativa sobre textos vigentes (Código Civil, CPC, Ley 1376/88) desde biblioteca local. RAG sobre fuentes propias.
3. Scraping de jurisprudencia con script Playwright sobre la base oficial de la CSJ. Acuerdos y Sentencias reales descargados.
4. Análisis adversarial con subagentes en paralelo, un grupo de fallos cada uno, devolviendo holdings citables y un veredicto favorable o desfavorable.
5. Verificación de prueba con visión sobre 25 imágenes, mapeando cada documento a la excepción que sustenta.
6. Redacción y formato judicial de Markdown a DOCX con script propio, preservando acentos y ñ en toda la cadena.

Monitoreo del expediente: API, no clics#

Empecé materializando el expediente electrónico. En vez de navegar el portal del Poder Judicial actuación por actuación, usé una habilidad especializada que se conecta a la API REST interna del sistema de gestión de la Corte: autentica, trae el detalle del caso, las partes, las actuaciones, descarga los PDF de las providencias y arma un resumen cronológico.

El detalle técnico importa. Pasar de un enfoque basado en navegador, frágil y de unos 30 segundos por corrida, a consumir la API directamente en segundo y medio, cambia la naturaleza de la tarea. Deja de ser trabajo de scraping y pasa a ser contexto estructurado al instante.

Ahí saltó el primer hallazgo que no se ve hojeando. El juzgado había ordenado el traslado a las herederas y luego, por una reposición del propio ejecutante, lo revocó y reguló sin oírlas. Ese patrón solo emerge con la línea de tiempo completa y limpia delante.

Investigación normativa: el texto vigente, no la memoria del modelo#

Trabajé los artículos del Código Civil, el Código Procesal Civil y la Ley 1376/88 desde mi propia biblioteca de legislación en disco, archivos de las normas vigentes, no desde lo que el modelo recuerda.

Esto es deliberado. Un LLM puede parafrasear un artículo con un matiz cambiado, y en derecho ese matiz es la diferencia entre ganar y perder. El modelo sirve para localizar y leer el artículo correcto dentro de un corpus que yo controlo. La fuente de verdad es siempre el texto vigente. En la jerga, es un patrón de RAG sobre fuentes verificadas: el modelo no recita de memoria, recupera del corpus y cita.

Scraping dirigido de la base de jurisprudencia de la Corte#

Acá está, para mí, el núcleo del valor, y lo que separa el uso serio del improvisado.

No me conformé con la jurisprudencia de memoria del modelo, que es justo donde alucina. Reutilicé y adapté un script de Playwright que ya tenía para descargar resoluciones, y lo convertí en un buscador programático sobre la base oficial de resoluciones de la CSJ:

• búsqueda por texto y filtros de tipo y fecha,
• paginación automática de resultados,
• descarga en lote de los PDF de los Acuerdos y Sentencias reales,
• extracción de texto para analizarlos.

Resultado: decenas de fallos reales, con número, sala y fecha verificables. Y, sobre todo, me obligó a algo que un chatbot complaciente nunca hace, leer los precedentes que estaban en mi contra.

Análisis adversarial con subagentes en paralelo#

Con los fallos descargados, despaché subagentes trabajando en paralelo. Cada uno analizó un grupo de Acuerdos y Sentencias y devolvió, por cada fallo, un objeto estructurado: carátula, sala, fecha, cuestión debatida, holdings transcriptos literalmente, y un veredicto, favorable o desfavorable a mi tesis. La instrucción del sistema fue explícita: rigor, sin inventar, y si la defensa es débil, decilo sin anestesia.

El output fue incómodo y decisivo. La vía que yo intuía, atacar el título por inhabilidad o nulidad dentro de la ejecución, tenía jurisprudencia reciente y directa en contra. Un subagente lo marcó textualmente. Descartarla a tiempo me ahorró presentar una defensa con rechazo casi asegurado.

A cambio emergió la defensa viable: oponer pago parcial más quita o remisión, excepciones expresamente admitidas por el código, respaldadas por un precedente casi idéntico, una ejecución de honorarios extinguida en parte por pago y en parte por remisión. Esto es lo más parecido a tener un equipo junior leyendo nueve fallos en paralelo y trayéndote un memo honesto de cada uno, en minutos, no en días.

El patrón clave es adversarial. No le pedís a la IA que defienda tu hipótesis, le pedís que intente refutarla. Una IA que solo te da la razón es un riesgo, no una herramienta.

Verificación de prueba con visión#

El expediente es la mitad. La prueba es la otra. Tenía unas 25 capturas: comprobantes de transferencia, chats y un memorándum, todo como imágenes. Usé las capacidades de visión del modelo para leer e inventariar cada pieza: qué transferencia prueba qué pago, dónde la propia profesional reconoce por escrito el saldo, y cómo cada documento se cruza con las fechas del expediente.

De ahí salió un inventario de prueba que mapea cada documento al hecho que acredita y a la excepción que sustenta. Sin ese mapeo, "tengo unos chats" no es prueba. Con él, es un caso armado.

Redacción y formato judicial automatizado#

Recién al final, sobre una estrategia ya decidida y verificada, vino la redacción. Dictamen y escrito se generaron en Markdown y se convirtieron a Word con formato judicial (tipografía, márgenes, justificado) usando un script propio de conversión, con una preocupación específica: preservar acentos y ñ en toda la cadena de transformación. Parece menor. Cualquiera que haya peleado con encodings en español sabe que no lo es.

Lo que aprendí#

La IA no reemplaza el criterio jurídico, lo orquesta. El abogado decide. La IA acelera el monitoreo, la búsqueda y el análisis. La estrategia y la responsabilidad siguen siendo humanas.

Verificación o nada. Los LLM inventan jurisprudencia. Ningún fallo se cita si no se descargó de la base oficial y se leyó. Ninguna norma se invoca sin contrastar el texto vigente. RAG sobre fuentes propias por encima de la memoria del modelo.

El mejor prompt no es redactá, es investigá y refutá. El mayor valor estuvo en descartar una vía perdedora y hallar la ganadora leyendo precedentes reales, incluidos los adversos.

Orquestar rinde más que consultar. La diferencia entre un chatbot y un sistema útil es la arquitectura: habilidades para tareas especializadas, scripts para lo determinístico, subagentes en paralelo para cobertura, visión para la prueba, y un humano dirigiendo el bucle.

Preguntas frecuentes#

¿La IA puede redactar mis escritos judiciales?#

Puede generar borradores, pero ese es el uso más riesgoso. Los modelos de lenguaje inventan jurisprudencia y citan artículos con matices cambiados. El uso seguro es al revés: que investigue, recupere fuentes reales y verificables, y vos redactes sobre una estrategia ya validada. La firma y la responsabilidad son del abogado.

¿Qué es RAG y por qué importa en derecho?#

RAG (retrieval-augmented generation) significa que el modelo no responde de memoria, sino que recupera la información de un corpus que vos controlás (leyes vigentes, fallos descargados) y responde citando esas fuentes. En derecho importa porque elimina la principal causa de error: que el modelo recite de memoria una norma desactualizada o un fallo que no existe.

¿Es legal scrapear la base de jurisprudencia de la CSJ?#

La base de resoluciones de la CSJ es pública y de acceso abierto. Descargar fallos para análisis profesional es equivalente a consultarlos manualmente, solo que automatizado. La cautela está en no sobrecargar el servicio y en usar los datos para el ejercicio profesional, no para redistribución comercial no autorizada.

¿Cuánto tiempo ahorra este flujo frente al trabajo manual?#

En este caso, materializar un expediente de 183 actuaciones pasó de horas de navegación manual a segundos. El análisis de fallos en paralelo hizo en minutos lo que a un equipo junior le tomaría días. El tiempo del abogado se concentra donde agrega valor: decidir la estrategia, no juntar papeles.

¿Necesito saber programar para armar algo así?#

Ayuda, pero el conjunto de habilidades se está volviendo accesible. La parte difícil no es el código, es el criterio: saber qué preguntarle a la IA, cómo verificar lo que devuelve y cuándo desconfiar. Ese criterio es jurídico, no técnico.

Conclusión#

El futuro de la abogacía no es el abogado reemplazado por IA. Es el abogado que sabe diseñar el flujo: darle el contexto correcto, exigirle fuentes verificables y obligarla a pensar en contra. Eso convierte una herramienta impresionante en trabajo profesional confiable.

En Dikaia construyo este tipo de flujos de IA verificable para la práctica legal paraguaya. Gnosis es la pieza de investigación jurídica: búsqueda sobre jurisprudencia y legislación con citas precisas que podés rastrear hasta la fuente. El principio que rige el caso de este artículo es el mismo que rige al producto: sin fuente, no hay resultado.