Por: Mtro. Rodolfo Guerrero Martínez

 

El debate judicial sobre inteligencia artificial transitó, en poco tiempo, de una pregunta instrumental (si una persona juzgadora puede apoyarse en un chatbot para resumir un expediente) a otra de naturaleza institucional: qué ocurre cuando el sistema deja de sugerir y comienza a actuar. Los modelos actuales planean, consultan fuentes, encadenan tareas y ejecutan operaciones con creciente autonomía. En ese desplazamiento, la supervisión humana deja de ser un acto final de revisión y se convierte en una propiedad que debe diseñarse desde la arquitectura del sistema y desde la norma que lo autoriza.

1. Del texto sugerido a la acción delegada

La IA generativa produce contenido nuevo en respuesta a una instrucción (Dixon et al., 2025); la agéntica, por su parte, se sustenta en modelos de lenguaje que emprenden acciones de forma autónoma (Steging et al., 2026). La diferencia no es de grado, sino de estructura, ya que, en el primer caso, el error permanece en un borrador que alguien debe leer; en el segundo, puede materializarse en una acción antes de que exista oportunidad de revisarla. Así se explica que la delegación a velocidad de máquina desborde los momentos discretos de juicio humano sobre los que descansaban los controles tradicionales como previenen Chaffer et al. (2026).

En años recientes la investigación de He et al. (2024) confirma tanto el potencial como sus límites. Existen arquitecturas multiagente que reproducen el debate de un juicio, recuperan fuentes y depuran una propuesta de decisión, y se ha documentado que la deliberación entre agentes alcanza un desempeño global similar al de un modelo único, aunque con respuestas distintas y mayor utilidad ante problemas que demandan varias perspectivas como sostienen Steging et al. (2026). Este hallazgo admite una lectura relevante para la función judicial: la pluralidad de agentes no se traduce en mayor certeza, sino en una diversidad de salidas que alguien debe ponderar. Resulta consistente, entonces, la advertencia de que estas técnicas resuelven desafíos acotados, pero no la discrecionalidad ni el razonamiento justificable, lo que aconseja una adopción gradual (Linna & Linna, 2026).

Para ordenar el análisis es útil la tipología que distingue seis formas de delegación en los tribunales, desde la IA como sirviente hasta la IA como fiduciaria, y que considera difícil de justificar la delegación en aspectos que exigen discrecionalidad y presencia humana (Follesdal & Langford, 2026). Bajo esta óptica, el tránsito hacia lo agéntico no constituye un salto tecnológico neutro: supone ascender en esa escala, y cada peldaño demanda una justificación de legitimidad más robusta que la precedente.

2. El piso normativo: del estándar internacional al precedente mexiquense

Conforme a la encuesta Global Judges Initiative: Survey on the Use of AI Systems by Judicial Operators de la UNESCO, el 44 % de las personas operadoras de justicia ya empleaba herramientas como ChatGPT, mientras que solo el 9 % contaba con lineamientos o capacitación institucional; en respuesta, el organismo planteó trece principios, entre ellos la equidad procesal, la protección de datos y la supervisión humana (UNESCO, 2024). 

En sentido convergente, el CEJA advierte que la ausencia de reglas favorece usos espontáneos y no supervisados, y exige distinguir entre gestión administrativa, apoyo jurisdiccional y sustitución de la voluntad judicial (Centro de Estudios de Justicia de las Américas [CEJA], 2025). Esa distinción tripartita cobra un valor particular frente a los agentes, porque un mismo sistema puede desplazarse de una categoría a otra según las tareas que se le asignen; la clasificación, por tanto, debe recaer sobre cada uso y no sobre la herramienta en abstracto.

Ahora bien, en México, el Acuerdo PTSJ/028/2026 constituye un referente reciente. Sus lineamientos definen la IA asistencial como aquella sin capacidad de adoptar decisiones vinculantes, sujetan sus resultados al principio de no vinculación, atribuyen la responsabilidad a quien firma y reservan al intelecto humano la valoración probatoria, la fijación de los hechos y la interpretación jurídica (Tribunal Superior de Justicia del Estado de México [TSJEM], 2026). Prohíben, asimismo, ingresar expedientes o datos no anonimizados en plataformas abiertas, e incorporan una máxima de los Principios de Chapultepec según la cual lo que no puede explicarse no debe automatizarse. 

Aunque el instrumento no regula agentes en sentido estricto, el principio de no vinculación ofrece la clave para hacerlo: desplaza el problema de la autonomía técnica al de la eficacia jurídica. Un agente podría operar con independencia funcional siempre que ninguna de sus acciones produzca efectos sin validación humana.

3. Una metodología en cinco momentos

Primero, el diagnóstico, ello enmarca la identificación del problema, de los objetivos medibles y del modelo de provisión tecnológica debe preceder a la elección de la herramienta (CEJA, 2025). Invertir ese orden conduce a soluciones en busca de un problema y, tratándose de agentes, a automatizar flujos que quizá requerían rediseño antes que velocidad.

Segundo, la estratificación del riesgo. Los usos mínimos admiten una supervisión de monitoreo (human-on-the-loop); los de riesgo moderado o alto requieren una intervención activa que revise, corrija y decida (human-in-the-loop), y la elaboración de documentos de alto impacto permanece en manos humanas (AI Policy Consortium for Law & Courts, 2025). Brasil, por ejemplo, ilustra esta graduación al calificar como de bajo riesgo los actos procesales de rutina y la gestión documental auxiliar, bajo revisión judicial (CEJA, 2025). Trasladado al entorno agéntico, el nivel de supervisión tendría que asignarse a cada acción del flujo y no al agente en su conjunto.

Tercero, la evaluación de impacto y el piloto. Todo despliegue ha de precederse de un análisis de sus efectos sobre derechos humanos, privacidad y sesgos (TSJEM, 2026), y probarse en un plan piloto acotado (CEJA, 2025). El piloto cumple aquí una función epistémica: genera la evidencia local que ningún estándar internacional puede suplir.

Cuarto, la arquitectura y la trazabilidad. Los asistentes de estudio de expedientes deben operar con generación aumentada por recuperación limitada a las constancias del caso, y cada dato sugerido debe cotejarse con su foja o registro (TSJEM, 2026). En los agentes, esta exigencia se extiende a protocolos que organicen identidad, delegación y rendición de cuentas (Chaffer et al., 2026). Su traducción operativa sería una bitácora verificable que registre qué acción se ejecutó, con qué fuente y quién la validó.

Quinto, la formación dirigida y el monitoreo. Un experimento con 1559 personas juzgadoras de 118 tribunales en Pakistán mostró que el acceso a la herramienta, acompañado de capacitación específica, incrementó su uso y se asoció con 6.3 % más asuntos resueltos, sin merma aparente de calidad; la formación, además, orientó el uso hacia tareas más fáciles de verificar (Goessmann et al., 2026). 

En tal sentido, la estadística sugiere que la capacitación opera como mecanismo de control, pues enseña en qué tareas la herramienta es confiable. A ello se suman el monitoreo continuo de precisión y sesgos, con suspensión o retiro ante fallas graves (TSJEM, 2026), y la aplicación de principios éticos durante todo el ciclo de vida del sistema (Ministry of Justice, 2025).

4. La frontera indelegable

Ninguna metodología resulta suficiente si no reconoce un límite material. La delegación de determinaciones relevantes en sistemas autónomos y opacos compromete la exigencia de decisiones inteligibles, razonadas e impugnables, adoptadas por actores responsables (Hart, 2025); de ahí que la autoridad judicial resida exclusivamente en la persona juzgadora (Dixon et al., 2025). 

A este límite se añade un riesgo menos visible: que la supervisión devenga nominal por revisiones descuidadas o por cargas de trabajo que impiden un control efectivo (CEJA, 2025). La IA agéntica intensifica ese riesgo, ya que multiplica las acciones que reclaman validación y, con ello, la tentación de aprobarlas en bloque.

En consecuencia, cabe plantear una regla operativa: los agentes pueden gestionar turnos, clasificar promociones o cotejar citas, pero ninguno debería notificar, firmar ni producir efectos jurídicos sin un punto de control humano previo y documentado. La exigencia de fundamentación y motivación del artículo 16 constitucional, que el propio acuerdo mexiquense invoca (TSJEM, 2026), refuerza esta conclusión, puesto que motivar presupone un sujeto que razona y responde por sus razones. 

Dicha responsabilidad alcanza también a quienes litigan: el acuerdo no prohíbe que las partes redacten con IA, pero les conserva la responsabilidad sobre la veracidad de lo presentado (TSJEM, 2026). Entendida así, la supervisión se distribuye entre los actores del proceso sin diluirse en ninguno.

En suma, la transición de la IA generativa a la agéntica desplaza la pregunta de qué puede hacer la tecnología hacia qué debe permitirle hacer el tribunal. La respuesta no depende de la sofisticación del sistema, sino de la capacidad institucional para saber, en todo momento, qué hizo la máquina y quién respondió por ello.

Referencias

AI Policy Consortium for Law & Courts. (2025). Key considerations for the use of generative AI tools in legal practice and courts: Guidelines for safe and effective use of legal AI. Thomson Reuters Institute; National Center for State Courts.

Centro de Estudios de Justicia de las Américas. (2025). Inteligencia artificial en los poderes judiciales: Reflexiones y lineamientos para las Américas. CEJA.

Chaffer, T. J., Zhang, V. J., Facchini, S. D., Hu, B., Rong, H., Guo, Z., Wang, X., Santana, C., & De Gasperis, G. (2026). Distributed legal infrastructure for a trustworthy agentic web (arXiv:2603.06884v2). arXiv.

Dixon, H. B., Jr., Goddard, A. H., Grossman, M. R., Rodriguez, X., Schlegel, S. U., & Thumma, S. A. (2025). Navigating AI in the judiciary: New guidelines for judges and their chambers. The Sedona Conference Journal, 26.

Follesdal, A., & Langford, M. (2026). Trustworthy AI in courts: A legitimacy analysis. Cambridge Forum on AI: Law and Governance, 2, e20, 1–28. https://doi.org/10.1017/cfl.2026.10061

Goessmann, C., Ash, E., & Mehmood, S. (2026). Courts of tomorrow: Evidence from a nationwide rollout of generative AI [Documento de trabajo].

Hart, R. (2025). Delegating judgment: AI agents, legal accountability, and the foundations of democratic legitimacy [Documento de trabajo]. SSRN.

He, Z., Cao, P., Wang, C., Jin, Z., Chen, Y., Xu, J., Li, H., Jiang, X., Liu, K., & Zhao, J. (2024). AgentsCourt: Building judicial decision-making agents with court debate simulation and legal knowledge augmentation (arXiv:2403.02959v3). arXiv.

Linna, E., & Linna, T. (2026). Challenges for generative AI in legal reasoning (arXiv:2508.18880v2). arXiv.

Ministry of Justice. (2025). AI and data science ethics framework: SAFE-D principles booklet. Ministry of Justice; The Alan Turing Institute.

Steging, C., van Leeuwen, L., & Zbiegień, T. (2026). Investigating multi-agent deliberation in law. En Proceedings of Artificial Intelligence for Access to Justice, Dispute Resolution, and Data Access (AIDA2J). ACM.

Tribunal Superior de Justicia del Estado de México. (2026). Acuerdo PTSJ/028/2026 por el que se emiten los Lineamientos para el uso responsable, ético, seguro y asistencial de la inteligencia artificial en el Poder Judicial del Estado de México. Periódico Oficial Gaceta del Gobierno, CCXXII(86), 28–34.

UNESCO. (2024). Draft UNESCO guidelines for the use of AI systems in courts and tribunals. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura.