¿Puede la IA predecir el resultado de un litigio? Un análisis honesto

Cada vez que un cliente pregunta "¿vamos a ganar?", el abogado honesto responde con matices. Cada vez que un proveedor de legaltech promete "saber el resultado antes de demandar", conviene desconfiar. La llamada justicia predictiva existe, funciona y es útil — pero no es lo que el marketing sugiere. Este artículo explica, sin humo, qué puede predecir realmente la inteligencia artificial en un litigio mexicano, dónde están sus límites metodológicos y cómo usarla para tomar mejores decisiones estratégicas.

Qué significa "predecir" cuando hablamos de IA jurídica

Un modelo de predicción de litigios no adivina el futuro: mide el pasado. Toma miles de sentencias resueltas, extrae variables (materia, vía procesal, tipo de pretensión, órgano, criterios invocados, época) y calcula frecuencias: de los asuntos con características similares al tuyo, qué porcentaje se resolvió en cada sentido. La salida honesta de ese ejercicio es una probabilidad condicionada a los datos disponibles, nunca un veredicto.

La diferencia no es semántica. Decir "el modelo estima 68% de probabilidad de nulidad en juicios contenciosos con este tipo de agravio" es una afirmación estadística verificable. Decir "vas a ganar" es una promesa que ningún sistema —ni ningún abogado— puede sostener. Quien vende lo segundo está vendiendo humo con decimales.

Por qué en México sí hay señal que extraer

La predicción estadística funciona donde existen regularidades, y el sistema jurídico mexicano las produce por diseño. La jurisprudencia es obligatoria para los órganos jurisdiccionales conforme al Art. 217, LA (Ley de Amparo), y desde la reforma judicial de 2021 las razones de las sentencias de la SCJN constituyen precedente obligatorio en términos del Art. 94 de la CPEUM (Constitución Política de los Estados Unidos Mexicanos). El Pleno de la Suprema Corte ha sido tajante: los tribunales sujetos a la jurisprudencia no pueden desatenderla ni apartarse de su aplicación, aun cuando estimen que fue indebidamente compilada (Registro digital 2027495, 11a Época, Pleno de la SCJN, JURISPRUDENCIA, Común).

Esa obligatoriedad tiene una consecuencia estadística directa: cuando existe jurisprudencia aplicable a un punto de derecho, la dispersión de resultados baja drásticamente. Ahí la "predicción" es casi trivial —el valor de la herramienta no está en pronosticar, sino en detectar qué criterio aplica, si sigue vigente, si tiene contradicciones pendientes y con qué frecuencia lo aplican los órganos que conocerán de tu asunto. En cambio, donde solo hay tesis aisladas o criterios en formación, la incertidumbre es real y el modelo debe reportarla como tal, no disfrazarla.

Las limitaciones metodológicas que nadie te cuenta

1. El sesgo de los datos: las sentencias publicadas no son el universo

Todo modelo se entrena con lo que hay: sentencias publicadas y resoluciones disponibles. Pero los asuntos que se transan, se desisten o nunca se demandan no dejan sentencia. Esto produce un sesgo de selección conocido en la literatura como efecto Priest-Klein: los casos que llegan a sentencia tienden a ser precisamente los inciertos, porque los claros se negocian antes. Un modelo entrenado solo con sentencias aprende sobre la población de casos difíciles, no sobre el conflicto promedio.

A eso se suma la calidad del dato mexicano: versiones públicas testadas, OCR imperfecto en sentencias escaneadas, metadatos inconsistentes entre tribunales y criterios de publicación que varían por órgano y por época. Quien haya trabajado con corpus reales de sentencias del TSJCDMX o del SIVEPJ sabe que limpiar los datos es la mitad del proyecto.

2. Los hechos y las pruebas no están en la estadística

Un litigio no se gana en abstracto: se gana sobre pruebas concretas valoradas por un juzgador concreto. En el sistema penal acusatorio —y, con matices, en todas las materias— esa valoración se rige por la sana crítica: la interrelación de las reglas de la lógica, los conocimientos científicos y las máximas de la experiencia (Registro digital 2028561, 11a Época, Plenos Regionales, TESIS AISLADA, Penal — criterio orientador, no vinculante). Ningún modelo estadístico vio tu expediente, no sabe si tu documental resistirá una objeción ni si tu testigo se sostiene en contrainterrogatorio. Las variables que más pesan en el resultado de un caso individual suelen ser justo las que el modelo no puede observar.

3. El derecho cambia debajo del modelo

Los estadísticos lo llaman distribución no estacionaria: el fenómeno que mides cambia mientras lo mides. Reformas legales, nuevas integraciones de tribunales, resolución de contradicciones de criterios y tránsitos de época (la Undécima dio paso a la Duodécima) alteran las regularidades históricas. Un modelo entrenado con diez años de sentencias puede estar aprendiendo patrones que una reforma ya volvió obsoletos. Por eso toda predicción seria debe declarar el periodo de su corpus y penalizar los datos anteriores a cambios normativos relevantes.

4. Probabilidad de clase no es probabilidad de tu caso

Cuando una herramienta dice "70% de probabilidad de éxito", lo que técnicamente afirma es: de los asuntos históricos similares en las variables que el modelo observa, alrededor de 7 de cada 10 se resolvieron favorablemente. No afirma que tu caso esté "70% ganado". Tu caso pertenece a esa clase de referencia solo en las dimensiones que el modelo ve; en todo lo demás —la calidad del escrito, la estrategia probatoria, el juzgado específico, el momento procesal— es único. Confundir la frecuencia de la clase con la certeza del caso individual es el error de interpretación más común y más caro.

Lo que los tribunales mexicanos ya dijeron sobre la IA

Este debate dejó de ser teórico: los propios tribunales federales ya usan inteligencia artificial y ya fijaron jurisprudencia sobre cómo hacerlo. El Segundo Tribunal Colegiado en Materia Civil del Segundo Circuito validó el uso de herramientas de IA para calcular el monto de garantías en juicios de amparo, precisando que su utilización "no sustituye la labor de las personas juzgadoras, sino que facilitan y eficientizan la administración de justicia" (Registro digital 2031639, 12a Época, TCC, JURISPRUDENCIA, Común).

Y en jurisprudencia paralela, el mismo tribunal fijó los elementos mínimos para un uso ético y responsable de la IA en procesos jurisdiccionales: proporcionalidad e inocuidad, protección de datos personales, transparencia y explicabilidad, y supervisión y decisión humanas (Registro digital 2031640, 12a Época, TCC, JURISPRUDENCIA, Común). Vale la pena leer el estándar en sus términos:

"La supervisión y la decisión humanas aseguran que la tecnología opere como auxiliar y no como sustituto, manteniendo la deliberación y decisión en el ámbito estrictamente jurisdiccional."

La lección para el litigante es directa: si ese es el estándar que los tribunales se exigen a sí mismos —transparencia sobre la metodología, datos empleados, resultado auditable y decisión final humana—, es exactamente el estándar que debes exigirle a cualquier herramienta de "predicción" antes de apostar la estrategia de un cliente a sus números.

Cómo usar la predicción bien: probabilidades para estrategia, no certezas

Usada con criterio, la analítica de sentencias no reemplaza el juicio profesional: lo alimenta con frecuencias verificables donde antes solo había intuición. Sus usos legítimos:

• Decidir si litigar o negociar. Una probabilidad, multiplicada por el monto en juego y descontada por costos y tiempo, da un valor esperado. Comparar ese valor contra la mejor oferta de arreglo es análisis de estrategia, no adivinación.
• Elegir la vía y el foro. Las tasas históricas de éxito difieren entre vías procesales y entre órganos. Saberlo antes de demandar es ventaja legítima.
• Priorizar conceptos de impugnación. Si un agravio prospera históricamente 3 veces más que otro, el orden y el peso argumentativo del escrito deben reflejarlo.
• Detectar el criterio aplicable y su vigencia. El mayor valor práctico: encontrar la jurisprudencia exacta, verificar que no fue superada y conocer cómo la aplican los tribunales de tu circuito.
• Comunicar riesgo al cliente por escrito. "Estimamos entre 40% y 60% con base en N asuntos similares" es más honesto y más defendible que "lo veo bien".

Checklist: preguntas mínimas antes de confiar en una herramienta

• ¿Con qué corpus se construyó y de qué fechas? ¿Incluye la época y materia de tu asunto?
• ¿Muestra las sentencias y tesis concretas en que basa cada estimación, con registro digital verificable?
• ¿Distingue jurisprudencia obligatoria de tesis aislada orientadora?
• ¿Reporta el tamaño de la muestra? No es lo mismo una frecuencia sobre 900 asuntos que sobre 12.
• ¿Expresa incertidumbre (rangos, intervalos) o solo un número seco?

La regla práctica es una sola: si la herramienta no te deja verificar sus fuentes contra el Semanario Judicial de la Federación, no la uses para decidir. Una probabilidad sin fuentes auditables es una opinión con disfraz de dato.

El veredicto honesto

¿Puede la IA predecir el resultado de un litigio? En sentido estricto, no: nadie puede, porque el resultado depende de hechos, pruebas y decisiones humanas que todavía no ocurren. Lo que la IA sí puede hacer —y hace bien cuando está construida con rigor— es medir el pasado con una escala que ningún despacho alcanza manualmente: cientos de miles de sentencias y criterios convertidos en frecuencias, tendencias y precedentes localizables en segundos.

Esa medición, interpretada por un abogado que entiende sus límites, cambia la calidad de las decisiones: se litiga lo que conviene litigar, se negocia con números en la mano y se informa al cliente con honestidad. Interpretada como oráculo, produce exactamente lo contrario: falsa certeza. La tecnología como auxiliar y el criterio profesional como decisión final no es solo el estándar de los tribunales mexicanos; es la única forma seria de usar estas herramientas.

En AIJusticia desarrollamos LexIDE, una plataforma de investigación jurídica con IA que trabaja sobre más de un millón de criterios y sentencias mexicanas con fuentes siempre verificables — si quieres verla aplicada a tu práctica, escríbenos.