La trazabilidad probatoria de los sistemas RAG como presupuesto de validez de la prueba digital en la justicia algorítmica

Santiago Carretero Sánchez
Profesor Titular de Filosofía del Derecho. Universidad Rey Juan Carlos. Abogado del Ilustre Colegio de la Abogacía de Madrid.

Introducción

La expansión de la inteligencia artificial generativa ha desplazado el centro del debate jurídico desde la mera fiabilidad del resultado hacia la verificabilidad del proceso que conduce a ese resultado. Durante 2026, la atención de la doctrina y de la industria jurídica se está concentrando en los sistemas Retrieval-Augmented Generation (RAG), una arquitectura que combina grandes modelos de lenguaje con mecanismos de recuperación documental capaces de localizar información antes de elaborar una respuesta. Esta evolución tecnológica tiene una consecuencia jurídica de extraordinaria relevancia: la respuesta deja de ser un producto exclusivamente estadístico para convertirse en una afirmación cuya legitimidad depende de la posibilidad de reconstruir las fuentes efectivamente consultadas.

En un procedimiento judicial esta cuestión adquiere una dimensión decisiva. No basta con que un sistema produzca una conclusión aparentemente correcta; resulta imprescindible acreditar qué documentos recuperó, cuáles descartó, qué versión normativa utilizó, qué jurisprudencia consideró vigente y qué itinerario lógico siguió hasta construir la respuesta final. La trazabilidad deja así de ser un requisito técnico para convertirse en una auténtica garantía procesal.

Nos encontramos, probablemente, ante uno de los mayores desafíos probatorios del Derecho de la inteligencia artificial: determinar si una respuesta generada mediante un sistema RAG puede ser sometida al mismo control contradictorio que cualquier otro medio de prueba.

Del resultado al itinerario probatorio

Durante décadas, el Derecho procesal ha prestado atención preferente al documento final incorporado al proceso. Sin embargo, la inteligencia artificial obliga a desplazar la mirada hacia la secuencia completa de generación de la evidencia. En un sistema RAG, el documento final constituye únicamente la última fase de un proceso mucho más complejo, integrado por búsquedas vectoriales, selección de fragmentos documentales, mecanismos de ranking, reordenación semántica y generación lingüística.

Desde la perspectiva jurídica, el verdadero objeto de prueba ya no es únicamente la respuesta emitida por la inteligencia artificial, sino el conjunto de operaciones que permitieron alcanzarla. Ello supone una transformación comparable a la que experimentó la cadena de custodia en la prueba científica: tan importante como el resultado es demostrar que todo el procedimiento previo permaneció íntegro, verificable y libre de manipulaciones.

En consecuencia, el juez deberá valorar no sólo la calidad del contenido generado, sino también la fiabilidad del recorrido documental seguido por el sistema.

La cadena de custodia documental en los sistemas RAG

La noción clásica de cadena de custodia adquiere una nueva dimensión en la inteligencia artificial. Si en el ámbito penal se garantiza la integridad de una muestra biológica o de un soporte electrónico, en los sistemas RAG debe garantizarse la integridad del conocimiento recuperado.

Ello exige conservar información relativa a aspectos como la identidad exacta de cada documento consultado, la fecha de la consulta, la versión normativa empleada, el identificador del fragmento recuperado (chunk), los criterios de relevancia utilizados por el motor de búsqueda, las operaciones de reordenación realizadas y la interacción entre el recuperador documental y el modelo generativo.

Sin estos elementos, cualquier reconstrucción posterior del razonamiento resulta extraordinariamente difícil y disminuye considerablemente el valor probatorio de la evidencia generada.

La carga de la prueba en la inteligencia artificial explicable

El principio de facilidad probatoria obliga a replantear la distribución tradicional de la carga de la prueba. Cuando una empresa decide incorporar sistemas RAG para elaborar informes jurídicos, dictámenes técnicos o decisiones administrativas, difícilmente podrá sostener que el funcionamiento interno constituye un secreto inaccesible.

Por el contrario, parece razonable entender que corresponde al operador que utiliza la inteligencia artificial acreditar la procedencia de las fuentes empleadas, la autenticidad del corpus documental, la actualización normativa y la ausencia de alteraciones relevantes durante el proceso de recuperación de información.

La transparencia deja así de ser una obligación ética para convertirse en una verdadera obligación procesal.

El principio de contradicción exige conocer las fuentes recuperadas

Uno de los pilares del proceso judicial consiste en permitir que las partes puedan impugnar la prueba presentada por la contraparte. Esta posibilidad desaparece cuando la inteligencia artificial ofrece respuestas cuya fundamentación documental permanece oculta.

Si una parte desconoce qué sentencias recuperó el sistema, qué artículos legales descartó o qué doctrina administrativa dejó fuera de la respuesta, resulta prácticamente imposible ejercer un contradictorio efectivo.

La consecuencia jurídica es evidente: la opacidad del proceso de recuperación puede afectar directamente al derecho fundamental de defensa y al principio de igualdad de armas procesales.

El Reglamento europeo de IA y la exigencia de trazabilidad

Aunque el Reglamento europeo de Inteligencia Artificial no regula específicamente los sistemas RAG, sí establece un principio general especialmente relevante: los sistemas de alto riesgo deben garantizar niveles suficientes de registro, documentación y trazabilidad que permitan supervisar su funcionamiento.

Esta filosofía normativa resulta plenamente trasladable a los entornos judiciales y a los sistemas utilizados para apoyar decisiones jurídicas. Cuanto mayor sea la trascendencia de la decisión asistida por inteligencia artificial, mayor deberá ser la capacidad de reconstruir documentalmente el proceso seguido por el sistema.

La trazabilidad constituye, por tanto, una condición necesaria para que la supervisión humana sea realmente efectiva y no una mera declaración formal.

La aparición de la auditoría probatoria de la inteligencia artificial

Todo indica que la práctica forense evolucionará hacia nuevas formas de pericia tecnológica. Del mismo modo que actualmente existen auditorías informáticas destinadas a verificar la autenticidad de archivos electrónicos, comenzarán a desarrollarse auditorías específicas orientadas a examinar sistemas RAG.

Estas auditorías deberán comprobar, entre otros extremos, la autenticidad del corpus documental, la correspondencia entre los documentos recuperados y la respuesta generada, la existencia de registros inalterables de recuperación y la posibilidad de reproducir el razonamiento efectuado por el sistema.

La figura del perito especializado en trazabilidad algorítmica probablemente se convertirá en un nuevo protagonista del proceso judicial digital.

La próxima frontera del Derecho probatorio

Los avances científicos publicados durante 2026 muestran una tendencia clara: los nuevos sistemas jurídicos basados en RAG incorporan agentes específicos dedicados a verificar las fuentes recuperadas antes de generar una conclusión. Este cambio supone un salto cualitativo respecto de los modelos tradicionales, que utilizaban la información recuperada sin mecanismos suficientes de comprobación. Las investigaciones más recientes proponen arquitecturas donde un agente recupera la evidencia, otro la audita y un tercero sintetiza únicamente aquella información previamente validada, reforzando así la transparencia y la fiabilidad del razonamiento jurídico.

Paralelamente, diversos trabajos empíricos demuestran que el principal problema de los sistemas jurídicos basados en RAG ya no reside exclusivamente en las denominadas "alucinaciones", sino en la calidad del proceso de recuperación documental. Cuando el sistema selecciona fuentes incompletas, obsoletas o poco pertinentes, incluso modelos muy avanzados generan respuestas jurídicamente deficientes. Esta constatación desplaza el foco desde la potencia del modelo lingüístico hacia la auditabilidad del mecanismo de recuperación de evidencia.

Conclusión

El futuro del Derecho de la inteligencia artificial no dependerá únicamente de que los modelos generen respuestas técnicamente correctas. La verdadera cuestión jurídica será demostrar que dichas respuestas pueden reconstruirse, verificarse y someterse al contradictorio procesal.

La inteligencia artificial dejará de ser considerada una "caja negra" únicamente cuando cada afirmación pueda vincularse de manera objetiva con documentos identificables, versiones normativas determinadas y registros verificables del proceso de recuperación.

La próxima gran transformación del Derecho probatorio no consistirá en admitir la inteligencia artificial como medio auxiliar de decisión, sino en exigir que cada respuesta generada posea una auténtica cadena de custodia documental. En ese momento, la trazabilidad dejará de ser una característica tecnológica para convertirse en un principio estructural del debido proceso en la justicia algorítmica.

Referencias APA 7.ª edición, 
Chen, Z., Zhang, Q., Xiang, Z., Wei, Z., Gao, L., Huang, X., Zhang, Z., & Su, J. (2026). LegalGraphRAG: Multi-Agent Graph Retrieval-Augmented Generation for Reliable Legal Reasoning. Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics. https://doi.org/10.18653/v1/2026.acl-long.1738
Afane, M., Hariri, E., Ouyang, D., & Ho, D. E. (2026). Benchmarking Legal RAG: The Promise and Limits of AI Statutory Surveys. arXiv.
Al Mouatamid, Y., Bonnin, M., & Zahir, J. (2026). From Norms to Indicators (N2I-RAG): An Agentic Retrieval-Augmented Generation Framework for Legal Indicator Computation. arXiv.
Li, Y., Lan, Q., Zhang, L., & Zhang, L. (2026). Legal-DC: Benchmarking Retrieval-Augmented Generation for Legal Documents. arXiv.
Zhao, X., Huang, S., Zhong, Y., Hu, X., Zhang, M., Hu, B., & Zhang, M. (2026). Learning to Extract Rational Evidence via Reinforcement Learning for Retrieval-Augmented Generation. Findings of the Association for Computational Linguistics: ACL 2026. https://doi.org/10.18653/v1/2026.findings-acl.782