Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 483
INTELIGENCIA ARTIFICIAL GENERATIVA Y MOTIVACIÓN JUDICIAL EN
ECUADOR: ESTÁNDARES CONSTITUCIONALES PARA DECISIONES
GENERATIVE ARTIFICIAL INTELLIGENCE AND JUDICIAL REASONING IN
ECUADOR: CONSTITUTIONAL STANDARDS FOR JUDICIAL DECISIONS
JURISDICCIONALES
Autores: ¹Yadira Alejandra Larco Sánchez y ²Carlos Alberto Amaya López.
¹ORCID ID: https://orcid.org/0009-0009-0421-9505
²ORCID ID: https://orcid.org/0000-0003-4339-1155
¹E-mail de contacto: yady_18larco@hotmail.com
²E-mail de contacto: carlosamayalopez@gmail.com
Afiliación: ¹*Fiscalía General del Estado, (Ecuador). ²*Universidad Metropolitana del Ecuador, (Ecuador).
Artículo recibido: 28 de Agosto del 2026.
Artículo revisado: 2 de Septiembre del 2026.
Artículo aprobado: 2 de Septiembre del 2026.
¹Abogada de los Tribunales y Juzgados de la República, graduada de la Universidad Central del Ecuador, (Ecuador). Magíster en Derecho
Procesal y Litigación Oral, graduada de la Universidad Particular Internacional SEK, (Ecuador). Especialista en Derecho Administrativo,
graduada de la Universidad Andina Simón Bolívar, (Ecuador). Magíster en Contratación Pública, graduada de la Universidad Andina
Simón Bolívar, (Ecuador).
²Maestría en Derecho Procesal y Litigación Oral, Universidad Internacional SEK – UISEK, (Ecuador).
Resumen
El objetivo del estudio fue determinar los
estándares constitucionales que deben regir en
Ecuador el uso de inteligencia artificial
generativa como herramienta de asistencia en la
elaboración de decisiones jurisdiccionales, a
partir de la garantía de motivación, el debido
proceso y la responsabilidad judicial, y formular
una matriz de garantías para su empleo
responsable. Se desarrolló una investigación
jurídica cualitativa, documental, jurisprudencial
y comparada, con revisión integrativa dirigida
de literatura científica publicada entre 2021 y
2026 y análisis de normativa y jurisprudencia
ecuatoriana, del precedente colombiano T-
323/24 y del Reglamento de Inteligencia
Artificial de la Unión Europea. Los resultados
muestran que el límite constitucional no
depende del uso nominal de una herramienta
generativa, sino de la intensidad de la
delegación cognitiva y de su influencia material
en la decisión. Se identificó un continuo desde
tareas periféricas de bajo riesgo hasta la
sustitución decisoria constitucionalmente
inadmisible cuando el sistema introduce
premisas fácticas o normativas, valoración
probatoria o razones determinantes sin
reconstrucción y verificación independiente por
la autoridad jurisdiccional. Se formularon diez
estándares: autoría humana, verificación
normativa, fidelidad fáctica, suficiencia
motivacional, transparencia material,
trazabilidad, contradicción, protección de datos,
igualdad y control humano significativo. Se
concluye que las garantías constitucionales
vigentes permiten controlar los riesgos de estas
tecnologías y que la matriz propuesta traduce
dichas garantías en reglas operativas y
evidencias verificables de cumplimiento.
Palabras clave: Inteligencia artificial
generativa, Motivación judicial, Debido
proceso, Responsabilidad jurisdiccional,
Control humano.
Abstract
The study aimed to determine the constitutional
standards that should govern the use of
generative artificial intelligence in Ecuador as
an assistive tool for drafting judicial decisions
based on the guarantee of reasoned decision-
making, due process, and judicial
accountability and to formulate a matrix of
safeguards for its responsible use. A qualitative
legal study was conducted, employing
documentary, jurisprudential, and comparative
methods; this included a targeted integrative
review of scientific literature published
between 2021 and 2026, as well as an analysis
of Ecuadorian regulations and case law, the
Colombian precedent T-323/24, and the
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 484
European Union’s Artificial Intelligence Act.
The results indicate that the constitutional limit
depends not on the mere use of a generative
tool, but on the intensity of cognitive
delegation and the tool's material influence on
the decision. A continuum was identified,
ranging from low-risk peripheral tasks to
constitutionally impermissible decision-
making substitution specifically when the
system introduces factual or normative
premises, evidentiary assessments, or decisive
reasoning without independent reconstruction
and verification by the judicial authority. Ten
standards were formulated: human authorship,
normative verification, factual fidelity,
sufficiency of reasoning, substantive
transparency, traceability, adversarial process,
data protection, equality, and meaningful
human control. The study concludes that
existing constitutional safeguards are sufficient
to manage the risks associated with these
technologies and that the proposed matrix
translates these safeguards into operational
rules and verifiable evidence of compliance.
Keywords: Generative artificial intelligence,
Judicial reasoning, Due process, Judicial
accountability, Human control.
Sumário
The study aimed to determine the constitutional
standards that should govern the use of
generative artificial intelligence in Ecuador as
an assistive tool for drafting judicial decisions
based on the guarantee of reasoned decision-
making, due process, and judicial
accountability and to formulate a matrix of
safeguards for its responsible use. A qualitative
legal study was conducted, employing
documentary, jurisprudential, and comparative
methods; this included a targeted integrative
review of scientific literature published
between 2021 and 2026, as well as an analysis
of Ecuadorian regulations and case law, the
Colombian precedent T-323/24, and the
European Union’s Artificial Intelligence Act.
The results indicate that the constitutional limit
depends not on the mere use of a generative
tool, but on the intensity of cognitive
delegation and the tool's material influence on
the decision. A continuum was identified,
ranging from low-risk peripheral tasks to
constitutionally impermissible decision-
making substitution specifically when the
system introduces factual or normative
premises, evidentiary assessments, or decisive
reasoning without independent reconstruction
and verification by the judicial authority. Ten
standards were formulated: human authorship,
normative verification, factual fidelity,
sufficiency of reasoning, substantive
transparency, traceability, adversarial process,
data protection, equality, and meaningful
human control. The study concludes that
existing constitutional safeguards are sufficient
to manage the risks associated with these
technologies and that the proposed matrix
translates these safeguards into operational
rules and verifiable evidence of compliance.
Palavras-chave: Inteligência artificial
generativa, Raciocínio judicial, Devido
processo legal, Responsabilidade judicial,
Controle humano.
Introducción
La inteligencia artificial generativa (IAG) se ha
incorporado con rapidez a tareas de redacción,
síntesis, clasificación y búsqueda, incluidas
actividades jurídicas. Los modelos grandes de
lenguaje pueden producir textos formalmente
coherentes, reorganizar argumentos y sugerir
fuentes, pero su fluidez no equivale a exactitud
jurídica. Ji et al. (2023) y Huang et al. (2025)
muestran que las alucinaciones constituyen un
problema persistente de estos sistemas,
mientras que Dahl et al. (2024) documentan
específicamente la fabricación o distorsión de
contenidos jurídicos.
Esta diferencia entre plausibilidad lingüística y
verificabilidad adquiere una relevancia
constitucional especial cuando la salida
tecnológica se incorpora a una decisión
jurisdiccional. En la función judicial, un error
no afecta únicamente la calidad de un texto. Una
premisa fáctica inexistente, una norma mal
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 485
atribuida o un precedente ficticio pueden incidir
en derechos, cargas procesales y posibilidades
de impugnación. Al mismo tiempo, la IAG
ofrece beneficios potenciales de eficiencia. Noy
y Zhang (2023) encontraron mejoras de
productividad en tareas profesionales de
escritura, pero la investigación sobre
interacción humano-IA advierte que la
recomendación automatizada puede generar
sobre confianza. Buçinca et al. (2021) muestran
que introducir fricción cognitiva reduce la
dependencia excesiva de sistemas de apoyo. El
problema jurídico no es, por tanto, elegir entre
eficiencia y prohibición, sino determinar qué
usos preservan la responsabilidad personal de
juzgar.
La motivación judicial permite abordar ese
límite porque hace visible la cadena que conecta
hechos, prueba, Derecho y decisión. Una
resolución motivada no se agota en exhibir
normas o producir un texto extenso: debe
ofrecer razones comprensibles, pertinentes y
controlables, atribuibles a la autoridad
competente. Greenstein (2022) vincula el uso de
inteligencia artificial en el Derecho con
exigencias del Estado de Derecho, y
Chatziathanasiou (2022) advierte contra
trasladar funciones decisorias a sistemas
algorítmicos bajo la sola promesa de
consistencia. La cuestión central es conservar
una imputación racional de la decisión aun
cuando parte del trabajo preparatorio sea
asistido tecnológicamente.
La IAG intensifica este desafío porque combina
opacidad técnica con una salida persuasiva en
lenguaje natural. Weidinger et al. (2022)
identifican riesgos de discriminación,
desinformación y fallos de interacción humano-
computador. Mehrabi et al. (2021) muestran
que los sesgos pueden originarse en datos,
diseño y contexto de aplicación. En justicia,
esos riesgos pueden proyectarse sobre la
selección de precedentes, la caracterización de
hechos o la valoración de personas. Por ello, la
firma formal de una sentencia no basta para
acreditar control humano si el contenido
decisivo fue aceptado sin examen
independiente.
En Ecuador, el artículo 76.7.l de la Constitución
configura la motivación como garantía del
debido proceso y exige que las resoluciones
enuncien las normas o principios en que se
fundan y expliquen su pertinencia respecto de
los antecedentes de hecho. La Sentencia 1158-
17-EP/21 de la Corte Constitucional reorganizó
el estándar alrededor de una fundamentación
normativa y fáctica suficientes y distinguió
deficiencias de inexistencia, insuficiencia y
apariencia. Este marco es tecnológicamente
neutral: una cita jurisprudencial inventada
puede comprometer la fundamentación
normativa; un resumen inexacto del expediente,
la fundamentación fáctica; y una respuesta
extensa pero genérica puede producir apariencia
de motivación sin satisfacer su sustancia.
El derecho comparado aporta criterios útiles. La
Sentencia T-323/24 de la Corte Constitucional
de Colombia examinó directamente el empleo
de ChatGPT por un juez y enfatizó
transparencia, responsabilidad, privacidad,
verificación, no sustitución de la racionalidad y
control humanos. Perona y Carrillo de la Rosa
(2025) analizan el mismo fenómeno como caso
piloto de integración de IAG al razonamiento
judicial. En Europa, el Reglamento (UE)
2024/1689 considera de alto riesgo
determinados sistemas destinados a asistir a
autoridades judiciales en la interpretación de
hechos y Derecho o en su aplicación a casos
concretos. Estas respuestas convergen en una
idea: el riesgo depende de la función
desempeñada y de su incidencia sobre el núcleo
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 486
decisorio. El contexto ecuatoriano añade
actualidad al problema. Rodríguez-Salcedo et
al. (2025) presentan evidencia exploratoria
sobre herramientas de apoyo a la decisión en
tribunales ecuatorianos y reportan mejoras en
indicadores operativos como tiempo y
consistencia. Esos resultados sugieren que la
asistencia tecnológica puede aportar valor, pero
no demuestran por sí mismos suficiencia
constitucional de la motivación. La eficiencia,
la densidad de citas o la uniformidad lingüística
son dimensiones distintas de la legitimidad de
las razones judiciales y requieren un marco
específico de garantías.
La literatura reciente coincide en que la
evaluación de estos sistemas debe considerar
simultáneamente desempeño, sesgo,
aplicabilidad y gobernanza. Cabrera (2024)
estudia la inteligencia artificial como auxilio a
la decisión judicial. Figueiredo (2024) examina
su potencial para reducir sesgos sin desconocer
nuevos riesgos. Por otro lado, Dhungel y Heine
(2024), a partir de entrevistas con jueces
alemanes, muestran que la independencia y el
rol del juzgador siguen siendo preocupaciones
centrales. Sin embargo, en Ecuador falta una
formulación integrada que conecte las
propiedades de la IAG con el estándar
constitucional de motivación y las exigencias de
debido proceso.
En consecuencia, de este ese vacío, el problema
de investigación consiste en determinar cuándo
el uso de IAG deja de ser una herramienta de
asistencia y comienza a comprometer
constitucionalmente la motivación de una
decisión judicial. La pregunta es: ¿qué
estándares constitucionales deben observar las
juezas y jueces ecuatorianos cuando utilizan
IAG como apoyo en la elaboración de
decisiones judiciales para garantizar la
motivación, el debido proceso y la
responsabilidad jurisdiccional? El objetivo
general es determinar esos estándares y
formular una matriz de garantías para su empleo
responsable. Se sostiene como proposición
central que la constitucionalidad depende de
preservar una cadena verificable de autoría
judicial, fidelidad fáctica, fundamento
normativo, contradicción, transparencia y
control humano significativo.
Materiales y Métodos
El estudio adoptó un diseño jurídico cualitativo,
documental, jurisprudencial y comparado, con
alcance analítico-propositivo. La estrategia
metodológica respondió a la naturaleza del
problema: no se pretendió medir frecuencia de
uso de IAG por jueces ecuatorianos ni evaluar
el desempeño de un producto comercial
específico, sino reconstruir estándares
constitucionales aplicables a una tecnología
cambiante y derivar reglas operativas de
control. La unidad de análisis estuvo constituida
por enunciados normativos, razones
jurisprudenciales y hallazgos científicos
relacionados con motivación, debido proceso,
responsabilidad jurisdiccional, alucinaciones,
sesgo, explicabilidad, supervisión humana y
sobreconfianza en sistemas de IA.
Se utilizó una revisión integrativa dirigida de
literatura científica publicada entre 2021 y
2026. La localización se efectuó mediante
búsquedas académicas por título, palabras clave
y DOI en portales editoriales y repositorios
científicos, complementadas con rastreo de
referencias pertinentes. Se emplearon
combinaciones en español e inglés equivalentes
a ‘generative artificial intelligence AND
judicial decision-making’, ‘large language
models AND legal hallucinations’, ‘artificial
intelligence AND judicial reasoning’, ‘human
oversight AND courts’, ‘algorithmic bias AND
justice’ y ‘artificial intelligence AND due
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 487
process’. Se priorizaron artículos arbitrados con
DOI verificable sobre: a) grandes modelos de
lenguaje y generación de contenido no
sustentado; b) sesgo y no discriminación
algorítmica; c) interacción humano-IA y
automatización del juicio; d) explicabilidad y
rendición de cuentas; y e) inteligencia artificial
aplicada a decisiones jurídicas o judiciales.
Cada DOI fue contrastado con la ficha de la
editorial o el registro del artículo antes de
incorporarse al corpus. Se incluyeron estudios
de otros ámbitos de alto riesgo únicamente
cuando aportaban evidencia transferible sobre
sobreconfianza, error o supervisión humana; no
se utilizaron para afirmar efectos específicos
sobre jueces.
El corpus jurídico ecuatoriano comprendió la
Constitución de la República, el Código
Orgánico de la Función Judicial, la Ley
Orgánica de Protección de Datos Personales y
jurisprudencia de la Corte Constitucional sobre
motivación, con especial atención a las
sentencias 1158-17-EP/21 y 1852-21-EP/25. La
primera se utilizó como marco estructural para
identificar fundamentación normativa y fáctica
suficientes y las deficiencias motivacionales; la
segunda se empleó para contrastar la
continuidad y precisión reciente de la garantía.
Como referente comparado regional se analizó
la Sentencia T-323/24 de la Corte
Constitucional de Colombia por abordar de
manera directa el uso de ChatGPT en una
decisión judicial. Como referente supranacional
se consideró el Reglamento (UE) 2024/1689,
que trata como de alto riesgo determinados usos
de IA vinculados a la función judicial. La
Recomendación de la UNESCO sobre la Ética
de la Inteligencia Artificial se empleó como
marco complementario de derechos,
supervisión humana y responsabilidad. La
revisión se organizó mediante una matriz de
extracción con cinco campos: fuente; problema
o riesgo identificado; garantía jurídica
potencialmente afectada; regla de control
propuesta; y evidencia verificable de
cumplimiento. Posteriormente, el material fue
codificado en seis categorías iniciales: autoría y
responsabilidad; exactitud normativa; fidelidad
fáctica; motivación y explicabilidad; derechos
procesales; y gobernanza tecnológica. Durante
la comparación surgieron cuatro subcategorías
transversales: trazabilidad, protección de datos,
sesgo e intensidad de delegación cognitiva.
El análisis se desarrolló en cuatro fases. En la
primera se reconstruyó el estándar ecuatoriano
de motivación a partir de la relación entre norma
constitucional y jurisprudencia. En la segunda
se mapearon los riesgos técnicos de IAG contra
las garantías constitucionales relevantes. En la
tercera se realizó una comparación funcional
con el precedente colombiano y el AI Act
europeo, identificando convergencias y
diferencias. En la cuarta se formuló un continuo
de usos judiciales y una matriz de garantías
constitucionales para IA judicial (MGC-IAJ),
concebida como instrumento ex ante y ex post:
antes del uso, permite identificar el nivel de
riesgo y las salvaguardas necesarias; después
del uso, permite auditar si la decisión conserva
una motivación atribuible al juzgador.
Para reforzar la validez argumentativa se aplicó
triangulación normativa-científica-comparada.
Una regla se incorporó a la matriz final cuando
satisfacía al menos dos de los siguientes
criterios: a) derivación directa de una garantía
constitucional ecuatoriana; b) respaldo en
jurisprudencia constitucional; c)
correspondencia con un riesgo documentado
por literatura científica; o d) convergencia con
estándares comparados. Este procedimiento
evita convertir recomendaciones tecnológicas
en obligaciones constitucionales sin
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 488
fundamento y, al mismo tiempo, evita
interpretar la Constitución de manera
desconectada de las propiedades técnicas de la
IAG.
La investigación presenta tres límites: el cambio
acelerado de modelos impide formular reglas
dependientes de una arquitectura específica; no
se analiza una base de sentencias ecuatorianas
asistidas por IAG, por lo que no se estiman
prevalencias ni efectos causales; y la matriz
requiere validación posterior con jueces,
constitucionalistas y especialistas en tecnología
y protección de datos. Por ello, los resultados
constituyen una propuesta jurídica
fundamentada y susceptible de contrastación
institucional, no un protocolo oficial vigente.
Resultados y Discusión
El primer resultado consiste en que el
ordenamiento ecuatoriano ya dispone de una
arquitectura constitucional capaz de controlar el
uso de IAG aun sin una cláusula específica que
mencione modelos generativos. La garantía de
motivación no regula una tecnología; regula la
calidad mínima de la justificación del poder
público y la posibilidad de atribuir esa
justificación a la autoridad competente. Por
ello, el uso de una herramienta digital no
modifica el estándar: la sentencia debe contener
razones suficientes y verificables que expliquen
la relación entre hechos, normas y decisión, y
esas razones deben poder ser asumidas por
quien ejerce jurisdicción.
La Sentencia 1158-17-EP/21 permite
transformar esta conclusión en criterios
operativos. La exigencia de fundamentación
normativa suficiente impide que una salida
generada por IAG funcione como fuente
autónoma de Derecho. Una norma, precedente
o principio sugerido por el sistema debe ser
localizado en una fuente oficial, leído en su
contexto y evaluado por el juzgador antes de
incorporarse a la decisión. La mera presencia de
una cita con formato jurídico no satisface la
garantía. Dahl et al. (2024) evidencian que los
LLM pueden producir referencias
jurídicamente plausibles pero inexistentes; por
tanto, la regla constitucionalmente pertinente es
de verificación positiva y no de confianza por
apariencia.
La fundamentación fáctica suficiente impone un
límite paralelo. Los modelos generativos no
pueden sustituir la lectura y valoración del
expediente. Un resumen automatizado puede
utilizarse como apoyo organizativo, pero
cualquier hecho decisivo debe poder vincularse
con una pieza procesal concreta, legalmente
incorporada y susceptible de contradicción. Si
el modelo completa lagunas, confunde sujetos,
altera fechas o introduce hechos
estadísticamente plausibles pero ausentes del
expediente, el defecto no es meramente
informático: afecta la base fáctica de la
motivación y puede comprometer el derecho de
defensa.
La categoría de apariencia de motivación
adquiere una relevancia singular. Los LLM son
especialmente eficaces para producir textos
cohesionados, lo que puede generar una ilusión
de suficiencia. Sin embargo, una sentencia
extensa puede ser constitucionalmente
deficiente si sus razones son impertinentes para
el problema, si existen contradicciones internas,
si no responde a argumentos relevantes o si el
lenguaje no permite comprender el fundamento
de la decisión. La fluidez de la IAG, por
consiguiente, debe ser tratada como un factor
que incrementa la necesidad de control, no
como un indicador de calidad motivacional. El
análisis permite establecer además que la
responsabilidad jurisdiccional es indelegable.
La Constitución y el Código Orgánico de la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 489
Función Judicial atribuyen deberes a juezas y
jueces, no al proveedor del sistema. El error de
una IAG no desplaza la responsabilidad hacia la
empresa que desarrolló el modelo cuando el
contenido fue incorporado a una resolución. El
juzgador conserva el deber de verificar,
comprender y asumir las razones decisorias.
Esta conclusión coincide con Greenstein
(2022): la introducción de sistemas
automatizados debe preservar estructuras de
responsabilidad compatibles con el Estado de
Derecho.
Tabla 1. Correspondencia entre deficiencias de motivación y riesgos de IAG.
Dimensión
constitucional
Riesgo de IAG
Manifestación posible en una sentencia
Regla de control
Fundamentación
normativa
Alucinación jurídica
Norma, precedente o ratio inexistente,
descontextualizada o atribuida erróneamente.
Verificar en fuente oficial y reconstruir
pertinencia al caso.
Fundamentación fáctica
Confabulación o resumen
inexacto
Hechos, fechas, sujetos o elementos
probatorios que no constan en el expediente.
Anclar cada premisa decisiva a
evidencia procesal identificable.
Suficiencia
Texto genérico
Argumentos plausibles pero no conectados con
la cuestión controvertida.
Revisar que cada razón responda al
problema y sea necesaria para la
decisión.
Coherencia
Respuesta probabilística
inconsistente
Premisas incompatibles entre sí o con la parte
resolutiva.
Control lógico integral por el juzgador.
Congruencia/defensa
Introducción de
argumentos externos
Razones decisivas no debatidas ni sometidas a
contradicción.
Garantizar oportunidad procesal de
contradicción cuando corresponda.
Nota. La tabla aplica la estructura de motivación de la jurisprudencia constitucional ecuatoriana a riesgos documentados de los modelos generativos.
Fuente: Elaboración propia.
El segundo resultado es una tipología de riesgos
que muestra que el problema constitucional no
se limita a la alucinación. La evidencia
científica analizada identifica riesgos de
exactitud, sesgo, sobreconfianza, opacidad,
seguridad y dependencia. Al trasladarlos a la
función jurisdiccional, cada uno se conecta con
una garantía distinta y exige controles
específicos. El riesgo de exactitud se presenta
cuando el sistema genera contenido falso,
incompleto o desactualizado. Huang et al.
(2025) sistematizan causas, taxonomías y
desafíos de las alucinaciones en modelos de
lenguaje; Ji et al. (2023) distinguen múltiples
formas del fenómeno, y Alkaissi y McFarlane
(2023) muestran cómo referencias inexistentes
pueden presentarse con apariencia bibliográfica
convincente. En el ámbito judicial, ese
problema se agrava porque la fuente jurídica es
parte de la justificación pública. La regla
derivada es que toda proposición normativa
decisiva sugerida por IAG debe ser validada
contra fuentes oficiales; la verificación no
puede limitarse a preguntar nuevamente al
mismo modelo. El riesgo de sesgo se relaciona
con datos históricos, representaciones sociales y
decisiones de diseño. Mehrabi et al. (2021) y
Ferrara (2023) muestran que los sistemas
pueden reproducir o amplificar sesgos. Una
sentencia que utilice IAG para inferir
peligrosidad, credibilidad, propensión al
incumplimiento o características de un grupo
puede convertir correlaciones opacas en razones
de trato desigual. Wachter et al. (2021) señalan
que la justicia antidiscriminatoria exige atender
contexto, distribución de cargas y estructuras
sociales, aspectos que no pueden reducirse a
una salida matemática o lingüística.
El uso judicial responsable requiere, por tanto,
una prohibición funcional de tratar el output
como evidencia sobre la persona o como
sustituto del análisis jurídico individualizado.
El riesgo de automatización aparece cuando el
juzgador sobrevalora la recomendación por su
origen tecnológico o por su fluidez. Buçinca et
al. (2021) evidencian que los usuarios pueden
apoyarse excesivamente en sistemas de IA y
que la fricción cognitiva puede mejorar la
revisión. Este hallazgo conduce a una regla
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 490
institucional: cuanto mayor sea la incidencia de
la IAG sobre la justificación sustantiva, mayor
debe ser el deber de documentación y revisión
independiente. La supervisión humana no es
significativa si se reduce a leer y aceptar un
borrador que ya fija la estructura del caso y su
desenlace.
El riesgo de opacidad se refiere tanto al modelo
como al proceso de uso. Langer et al. (2021)
explican que la explicabilidad debe definirse en
relación con la necesidad del interesado. Para
una parte procesal, lo relevante no es conocer
pesos internos del modelo, sino saber si una
herramienta intervino materialmente en la
construcción de una razón que afectó su caso y
poder impugnar esa razón. Para un órgano
disciplinario o de revisión, la necesidad es
distinta: puede ser necesario reconstruir qué
tarea se delegó, qué versión o sistema se utilizó
y cómo se verificó el resultado. De este análisis
surge la distinción entre transparencia pública
material y trazabilidad interna auditable. El
riesgo de confidencialidad deriva de la
introducción de datos del expediente en
servicios externos. La Ley Orgánica de
Protección de Datos Personales obliga a
justificar el tratamiento y a aplicar medidas de
seguridad, propósito y minimización. Una
práctica de copiar íntegramente expedientes,
testimonios o datos sensibles en un servicio
general de IAG puede comprometer privacidad,
secreto procesal y seguridad.
La ausencia de retención visible para el usuario
no basta como garantía; el uso requiere evaluar
condiciones de tratamiento, ubicación,
reutilización y acceso a los datos. En
consecuencia, la anonimización y la selección
mínima de información deben anteceder
cualquier interacción con sistemas no
institucionales. Existe, además, un riesgo
institucional. Dwivedi et al. (2023) y Meskó y
Topol (2023) destacan la necesidad de
gobernanza y evaluación. En justicia, el uso no
regulado puede producir prácticas de
verificación dispares; por ello, se requieren
herramientas autorizadas, reglas funcionales,
capacitación, registros y respuesta ante
incidentes.
Tabla 2. Riesgos de IAG y garantías constitucionales comprometidas.
Riesgo
Garantía o principio afectado
Escenario crítico
Salvaguarda principal
Alucinación
jurídica
Motivación y seguridad jurídica
Citas, precedentes o reglas inexistentes.
Verificación en fuentes oficiales
independientes.
Distorsión fáctica
Defensa, prueba y motivación
Resumen que agrega o altera hechos
relevantes.
Anclaje obligatorio al expediente y
revisión humana.
Sesgo
Igualdad y no discriminación
Inferencias estereotipadas sobre personas o
grupos.
Prohibición de inferencias no probatorias
y revisión de impacto.
Sobreconfianza
Imparcialidad y responsabilidad
Aceptación acrítica de la salida del modelo.
Revisión independiente y fricción
cognitiva en usos de alto riesgo.
Opacidad
Impugnación y control
No es posible conocer cómo influyó la IA en
la ratio.
Transparencia material y trazabilidad
auditable.
Exposición de
datos
Privacidad y confidencialidad
Carga de expedientes en servicios externos.
Minimización, anonimización y
herramientas autorizadas.
Dependencia
institucional
Igualdad de acceso a justicia
Prácticas dispares y ausencia de estándares
comunes.
Gobernanza, capacitación y auditoría
institucional.
Nota. Elaboración propia con base en la triangulación de literatura científica y garantías ecuatorianas.
Fuente: Elaboración propia.
El análisis comparado produjo una
convergencia importante: ni el precedente
colombiano ni el AI Act europeo consideran
que toda asistencia de IA en justicia sea, por
definición, inadmisible; ambos desplazan la
atención hacia el riesgo, la función cumplida y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 491
la supervisión humana. Esta conclusión es útil
para Ecuador porque evita dos extremos:
normalizar cualquier uso bajo la idea de
eficiencia o prohibir indiscriminadamente
herramientas que pueden tener funciones
auxiliares legítimas. La Sentencia T-323/24 de
la Corte Constitucional de Colombia es
relevante porque examina un uso real de
ChatGPT por un juez. El razonamiento de la
Corte distingue la consulta complementaria de
una delegación de la decisión y formula
criterios de transparencia, responsabilidad,
privacidad, verificación, prevención de riesgos,
no sustitución de la racionalidad y control
humanos.
La lección comparada central es que la
constitucionalidad debe evaluarse a partir del
rol causal del sistema en la decisión: si la
conclusión jurídica ya fue construida por el
juez y la IA se usa como apoyo secundario, el
riesgo es distinto de aquel en el que el modelo
selecciona hechos, propone la regla
determinante y formula la respuesta que luego
se incorpora sin reconstrucción independiente.
El AI Act europeo refuerza la misma lógica
desde la gestión de riesgos. Los sistemas
destinados a asistir a autoridades judiciales en
la investigación e interpretación de hechos y
del Derecho o en la aplicación del Derecho a un
conjunto concreto de hechos se consideran de
alto riesgo, salvo funciones puramente
accesorias. La clasificación no implica
prohibición automática, sino obligaciones
reforzadas relacionadas con gestión de riesgo,
calidad, documentación, registros, supervisión
humana y exactitud. La importancia para
Ecuador reside en la arquitectura: cuanto más
se aproxima la función de IA al núcleo
decisorio, mayor debe ser la intensidad del
control.
La comparación también muestra una
diferencia. El marco ecuatoriano ofrece una
garantía de motivación explícita con
consecuencias de nulidad y responsabilidad, lo
que permite construir estándares directamente
desde la Constitución. Por esa razón, la
propuesta ecuatoriana no necesita importar la
taxonomía europea como regla jurídica; puede
utilizarla como apoyo para operacionalizar
obligaciones ya existentes. La verificación de
fuentes deriva de la fundamentación
normativa; el anclaje a expediente deriva de la
fundamentación fáctica; la transparencia
material se conecta con defensa e impugnación;
y el control humano deriva de la
responsabilidad jurisdiccional y del carácter
indelegable de la función de juzgar.
Tabla 3. Convergencia de estándares comparados y su recepción funcional en Ecuador.
Fuente
Estándar relevante
Lectura funcional para Ecuador
Corte Constitucional del Ecuador
Motivación: fundamento normativo y fáctico
suficientes; control de deficiencias.
La IAG no puede convertirse en fuente autónoma ni
sustituir la conexión razonada entre expediente,
norma y decisión.
Corte Constitucional de Colombia,
T-323/24
Transparencia, verificación, responsabilidad,
privacidad, no sustitución y control humano.
La incidencia material de la IAG determina la
intensidad de las salvaguardas y del deber de
revelación.
Reglamento (UE) 2024/1689
Alto riesgo para IA que asiste en
interpretación/aplicación judicial; supervisión y
documentación.
Los usos cercanos al núcleo decisorio requieren
controles reforzados, registros y evaluación previa.
UNESCO (2021)
Derechos humanos, no discriminación, privacidad,
responsabilidad y supervisión.
Los principios deben traducirse a reglas procesales
verificables y no quedar en declaraciones éticas
generales.
Nota. La tabla no equipara fuerza normativa entre fuentes; utiliza el derecho comparado como criterio de contraste.
Fuente: Elaboración propia.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 492
La Recomendación de la UNESCO sobre la
Ética de la Inteligencia Artificial aporta una
convergencia adicional al enfatizar derechos
humanos, supervisión, responsabilidad,
privacidad y no discriminación. Sin embargo,
el resultado del estudio es que los principios
internacionales deben traducirse a reglas
procesales concretas. Expresiones como “IA
responsable” o “control humano” son
insuficientes si no se define qué debe hacer el
juez para demostrar cumplimiento. Por ello, el
aporte del artículo se orienta a evidencias de
control: fuente oficial verificada, registro de
intervención material, trazabilidad de hechos,
revisión independiente y posibilidad de
contradicción.
El cuarto resultado es la identificación de un
continuo de delegación cognitiva. La frontera
constitucional no coincide con una lista fija de
aplicaciones, porque una misma función puede
tener distinta incidencia según el contexto.
Resumir un escrito puede ser una ayuda
administrativa si el juez conoce el documento y
usa el resumen para organizar información;
puede convertirse en una función crítica si el
resumen sustituye la lectura del expediente y
omite un argumento decisivo. Por ello, el
criterio rector es la combinación entre
materialidad de la tarea, posibilidad de afectar
el resultado y nivel de reconstrucción humana.
En el primer nivel se ubica la asistencia
periférica: corrección ortográfica, mejora de
claridad, estructura de encabezados,
anonimización técnicamente segura o
transformación de formato. El riesgo es bajo
siempre que el contenido sustantivo no se altere
y se protejan los datos. En el segundo nivel
aparece la asistencia informativa: síntesis de
documentos, generación de términos de
búsqueda o identificación preliminar de
posibles fuentes. Su uso es admisible de
manera condicionada, porque exige
comparación con originales y fuentes oficiales.
El tercer nivel corresponde a la asistencia
argumentativa. Incluye generación de
contraargumentos, propuestas de subsunción,
borradores de apartados de motivación o
sugerencias sobre cómo resolver una tensión
normativa.
Aquí la IAG puede influir materialmente en la
estructura mental del caso, de modo que la
transparencia y la revisión deben ser
reforzadas. El juzgador debe reconstruir el
razonamiento desde el expediente y las fuentes,
no limitarse a editar el texto generado. La
revisión exige capacidad para explicar la
decisión sin depender del output original. El
cuarto nivel es la sustitución decisoria. Existe
cuando el sistema determina o condiciona de
hecho el resultado mediante valoración de
credibilidad, selección de hechos decisivos,
calificación jurídica, ponderación de derechos,
fijación de responsabilidad o construcción de la
ratio decidendi, y el juzgador no realiza una
reconstrucción independiente.
En ese escenario, la firma humana no
transforma la decisión en razonamiento
humano. La incompatibilidad surge de la
ruptura de la cadena de imputación racional y
de la imposibilidad de atribuir la motivación a
la autoridad constitucionalmente competente.
Este continuo introduce un criterio de
proporcionalidad: a mayor cercanía de la
herramienta al núcleo de la decisión, mayor
necesidad de autorización institucional,
registro, explicación, verificación y
supervisión. La clasificación permite evitar la
falsa equivalencia entre usar IAG para corregir
estilo y usarla para decidir la credibilidad de un
testimonio. También ofrece un instrumento
práctico para órganos judiciales que necesitan
regular la tecnología sin congelar una lista de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 493
productos o proveedores que rápidamente
quedaría obsoleta.
Figura 1. Continuo constitucional del uso
judicial de inteligencia artificial generativa.
Fuente: Elaboración propia.
El quinto resultado es la MGC-IAJ, una matriz
de diez garantías destinada a convertir el
análisis constitucional en un instrumento
verificable. Su lógica es preventiva y de
auditoría: antes de utilizar IAG, permite
determinar qué controles deben activarse;
después de su uso, permite comprobar si la
motivación sigue siendo atribuible al juez y si
las partes conservan posibilidades reales de
control. La primera garantía es la autoría
judicial humana. No implica que cada palabra
deba ser escrita manualmente, sino que la
selección de hechos, la determinación de la
norma aplicable, la valoración de argumentos y
la razón decisoria deben ser comprendidas y
asumidas por el juzgador. La segunda es la
verificación normativa: toda fuente sugerida
por IAG debe contrastarse con repositorios
oficiales y leerse en contexto. La tercera es la
fidelidad fáctica: ninguna premisa decisiva
puede provenir de una inferencia del modelo
sin apoyo en el expediente.
Tabla 4. Matriz de Garantías Constitucionales para el Uso de IAG en Decisiones Judiciales (MGC-
IAJ).
Estándar
Fundamento/riesgo que atiende
Regla operativa para el juzgador
Evidencia de cumplimiento
Autoría humana
Responsabilidad e independencia;
delegación cognitiva.
La ratio decidendi y la valoración determinante
deben ser comprendidas, reconstruidas y
asumidas por el juez.
Razonamiento explicable sin depender
del output; revisión personal
documentada.
Verificación
normativa
Motivación; alucinaciones jurídicas.
Toda norma, precedente o cita sugerida por IAG
debe comprobarse en fuente oficial.
Enlace o referencia oficial y lectura
del texto completo pertinente.
Fidelidad fáctica
Defensa, prueba y motivación.
Todo hecho decisivo debe corresponder a una
actuación o evidencia incorporada al expediente.
Trazabilidad de premisas a piezas
procesales.
Suficiencia
motivacional
Apariencia de motivación.
La sentencia debe justificar pertinencia entre
hechos, norma y conclusión; la fluidez de IAG
no sustituye análisis.
Revisión de coherencia, relevancia y
respuesta a argumentos determinantes.
Transparencia
material
Impugnación y confianza pública.
Revelar el uso cuando la IAG incida de forma
sustantiva en la motivación o estructura
decisoria.
Constancia del sistema/tarea y
declaración de verificación, sin
exponer datos sensibles.
Trazabilidad
Auditoría y responsabilidad.
Registrar usos de riesgo moderado/alto de forma
suficiente para reconstruir la intervención.
Bitácora institucional con fecha,
función y resultado relevante.
Contradicción
Derecho de defensa.
No introducir como decisiva información o
argumentos externos sin oportunidad procesal de
respuesta cuando corresponda.
Constancia de debate, traslado o
justificación jurídica de su
consideración.
Protección de datos
Privacidad y confidencialidad.
Minimizar datos, anonimizar y usar sistemas
autorizados; evitar expedientes completos en
servicios abiertos.
Evaluación de tratamiento y
seguridad; registro de anonimización.
Igualdad
Sesgo y discriminación.
No usar IAG para inferir credibilidad,
peligrosidad o atributos sensibles sin base
jurídica y probatoria.
Revisión de sesgos y motivación
individualizada.
Control humano
significativo
Automatización y desplazamiento
de responsabilidad.
El juzgador debe poder modificar, rechazar y
explicar cualquier contribución de IAG.
Decisión final independiente, firma
responsable y revisión sustantiva
verificable.
Nota. Propuesta de elaboración propia. La matriz requiere validación institucional posterior antes de convertirse en protocolo vinculante.
Fuente: Elaboración propia.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 494
La cuarta garantía es la suficiencia
motivacional. El texto debe explicar
pertinencia, no solo exhibir longitud o
tecnicismo. La quinta es la transparencia
material: cuando la IAG haya contribuido
sustantivamente a la construcción de la
motivación, debe revelarse su uso de manera
proporcional, indicando al menos la
herramienta o categoría de sistema, la función
realizada y la existencia de verificación
humana. No se propone divulgar públicamente
prompts con datos sensibles; la transparencia
debe coexistir con privacidad.
La sexta es la trazabilidad. Los usos de nivel 2
o 3 que puedan influir en la decisión deben
dejar un registro institucional suficiente para
reconstruir la intervención. La séptima es
contradicción: una salida de IAG no puede
introducir silenciosamente hechos, autoridades
o argumentos determinantes que no hayan sido
susceptibles de debate cuando el orden procesal
exige esa posibilidad. La octava es protección
de datos y confidencialidad, que exige
minimización, anonimización y preferencia por
herramientas institucionales con garantías de
tratamiento. La novena garantía es igualdad y
no discriminación. La IAG no debe utilizarse
para inferir atributos protegidos, peligrosidad,
credibilidad o perfiles de comportamiento a
partir de datos no probatorios.
La décima es control humano significativo y
responsabilidad. El juez debe conservar la
capacidad de apartarse del sistema, identificar
errores y explicar el razonamiento sin apoyarse
en la autoridad de la herramienta. Este último
estándar cierra la matriz porque integra los
anteriores: sin control real, la verificación se
vuelve formal y la responsabilidad se diluye.
La matriz no convierte la IAG en fuente
procesal ni crea un estándar probatorio; busca
impedir que la asistencia tecnológica altere las
condiciones constitucionales de validez de la
decisión. Su neutralidad tecnológica permite
proyectarla sobre modelos y sistemas futuros.
Los resultados permiten superar la dicotomía
entre prohibir o aceptar la IAG en la justicia. El
uso tecnológico no compromete
automáticamente la motivación cuando se
limita a tareas auxiliares y no desplaza el
razonamiento jurisdiccional; pero tampoco
existe control humano significativo por el solo
hecho de que una persona firme el documento.
La variable jurídicamente relevante es la
intensidad de la delegación cognitiva y la
posibilidad de reconstruir, verificar y atribuir al
juzgador las razones determinantes de la
decisión.
Esta conclusión se apoya en la diferencia entre
fluidez y fiabilidad. Dahl et al. (2024) muestran
que los modelos pueden producir errores
jurídicos convincentes, mientras que Huang et
al. (2025) confirman que las alucinaciones
continúan siendo un desafío estructural de los
modelos de lenguaje. En una sentencia, la
apariencia de autoridad agrava el riesgo porque
la cita o proposición puede adquirir valor
institucional al ser incorporada por el juez. Por
ello, la matriz propuesta exige verificación
positiva: la IAG puede orientar una búsqueda,
pero no acreditar por sí misma la existencia,
vigencia o pertinencia de una fuente.
La misma lógica se aplica a la sobreconfianza
y al sesgo. Buçinca et al. (2021) evidencian que
la revisión crítica puede disminuir cuando el
sistema presenta una recomendación
convincente. Mehrabi et al. (2021) y Wachter
et al. (2021) muestran, además, que la
neutralidad no puede presumirse a partir de una
salida computacional. Figueiredo (2024)
reconoce posibilidades de apoyo para reducir
ciertos sesgos judiciales, pero esas ventajas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 495
deben acompañarse de prohibiciones
funcionales: la IAG no debe transformarse en
evidencia sobre credibilidad, peligrosidad o
características personales que no hayan sido
probadas y debatidas conforme al proceso.
La transparencia debe ser proporcional a la
incidencia del sistema. Revelar todo uso
marginal, como una corrección ortográfica,
puede generar formalismo sin beneficio;
ocultar una intervención que estructuró la
subsunción o produjo razones decisivas impide
evaluar fuentes, datos y posibles errores. De ahí
el concepto de transparencia material: cuanto
mayor sea la influencia de la IAG sobre la
motivación, mayor debe ser la constancia de su
función y de la verificación humana. Esta
solución converge con las necesidades
diferenciadas de explicabilidad descritas por
Langer et al. (2021) y con la orientación de la
Sentencia T-323/24.
La trazabilidad tampoco equivale a publicar
íntegramente prompts o expedientes. Puede
implementarse mediante una bitácora
institucional que registre herramienta o
categoría de sistema, fecha, función realizada,
material autorizado y método de verificación.
Esta distinción permite compatibilizar control
con protección de datos. La Ley Orgánica de
Protección de Datos Personales obliga a
considerar finalidad, minimización y
seguridad; por ello, la inserción de expedientes
o datos sensibles en servicios generales
externos debe considerarse una práctica de alto
riesgo y someterse a autorización institucional
y anonimización efectiva. El contraste
comparado confirma que la regulación debe
orientarse a funciones y no a marcas. El
Reglamento europeo clasifica determinados
usos judiciales como de alto riesgo por su
capacidad de incidir en derechos y en la
administración de justicia. La experiencia
colombiana, examinada también por Perona y
Carrillo de la Rosa (2025), muestra que el rol
concreto del sistema en la sentencia es el punto
de análisis. En Ecuador, el artículo 76.7.l añade
una consecuencia particularmente exigente: la
motivación debe poder justificarse mediante
fundamentos normativos y fácticos suficientes
atribuibles a la autoridad que decide; un error
generado por una herramienta no desplaza esa
responsabilidad.
La evidencia emergente en Ecuador refuerza la
necesidad de este enfoque. Rodríguez-Salcedo
et al. (2025) reportan mejoras exploratorias en
eficiencia y consistencia asociadas con
herramientas de apoyo, pero esas métricas no
sustituyen el examen de validez constitucional.
La MGC-IAJ aporta una capa distinta:
transforma principios como autoría,
verificación, contradicción y control humano
en acciones auditables. Así, la productividad
puede aprovecharse sin convertir la eficiencia
en criterio de legitimidad de la decisión. La
propuesta es fundamentada, pero requiere
validación. Una fase posterior debería aplicar
juicio de expertos o método Delphi con perfiles
jurídicos y tecnológicos, seguida de un pilotaje
con expedientes anonimizados y tareas
diferenciadas por nivel de riesgo. Ello
permitiría valorar claridad, pertinencia y
viabilidad. La contribución actual consiste en
ofrecer una arquitectura constitucionalmente
trazable para distinguir asistencia permitida,
asistencia de alto riesgo y sustitución decisoria
incompatible.
Conclusiones
La pregunta de investigación se responde
señalando que las juezas y jueces ecuatorianos
pueden utilizar IAG como herramienta de
asistencia únicamente si preservan la autoría
intelectual de la decisión, verifican de manera
independiente sus premisas normativas y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 496
fácticas, aseguran la posibilidad de
contradicción, protegen la información procesal
y mantienen un control humano significativo
sobre la ratio decidendi. La garantía de
motivación ofrece el eje normativo para esa
conclusión porque exige fundamentos
normativos y fácticos suficientes atribuibles a la
autoridad que decide.
El uso de IAG cruza el umbral constitucional
cuando deja de apoyar tareas y pasa a sustituir
el razonamiento judicial sin reconstrucción
independiente. La sustitución puede
manifestarse al aceptar precedentes
inexistentes, incorporar hechos no contenidos
en el expediente, delegar valoración de
credibilidad o de prueba, adoptar una
subsunción propuesta por el sistema sin examen
propio o utilizar el output como fundamento de
autoridad. En estos supuestos, la firma del juez
no subsana la ruptura de la cadena de
imputación racional.
La investigación identificó cuatro niveles de
uso: asistencia periférica, asistencia
informativa, asistencia argumentativa y
sustitución decisoria. El criterio de
diferenciación es la intensidad de la delegación
cognitiva y su influencia material en el
resultado. A mayor incidencia, mayor exigencia
de transparencia, trazabilidad, verificación y
control. Esta clasificación permite regular
funciones sin depender de marcas o versiones
específicas de IAG. La MGC-IAJ sistematiza
diez estándares: autoría humana; verificación
normativa; fidelidad fáctica; suficiencia
motivacional; transparencia material;
trazabilidad; contradicción; protección de
datos; igualdad y no discriminación; y control
humano significativo. La matriz constituye una
propuesta para orientar políticas de la Función
Judicial y para evaluar retrospectivamente si
una decisión asistida por IAG conserva las
garantías del debido proceso. La principal
implicación es que Ecuador no necesita esperar
una norma que mencione expresamente a la
IAG para controlar sus efectos sobre la
jurisdicción. Las garantías constitucionales
vigentes son tecnológicamente neutrales y
pueden proyectarse sobre los nuevos sistemas.
No obstante, se recomienda una regulación
institucional específica que defina herramientas
autorizadas, niveles de riesgo, deberes de
registro y protocolos de datos, así como una
validación interdisciplinaria de la matriz antes
de su adopción oficial.
Referencias Bibliográficas
Alkaissi, H., & McFarlane, S. (2023). Artificial
hallucinations in ChatGPT: Implications in
scientific writing. Cureus, 15(2), e35179.
https://doi.org/10.7759/cureus.35179
Bender, E., Gebru, T., McMillan, A., &
Shmitchell, S. (2021). On the dangers of
stochastic parrots: Can language models be
too big? En Proceedings of the 2021 ACM
Conference on Fairness, Accountability, and
Transparency (pp. 610–623).
https://doi.org/10.1145/3442188.3445922
Buçinca, Z., Malaya, M., & Gajos, K. (2021).
To trust or to think: Cognitive forcing
functions can reduce overreliance on AI in
AI-assisted decision-making. Proceedings of
the ACM on Human-Computer Interaction,
5(CSCW1), Article 188.
https://doi.org/10.1145/3449287
Cabrera, M. (2024). Aplicación de la
inteligencia artificial a la toma de decisiones
judiciales. Eunomía. Revista en Cultura de la
Legalidad, 27, 183–200.
https://doi.org/10.20318/eunomia.2024.9006
Chatziathanasiou, K. (2022). Beware the lure of
narratives: “Hungry judges” should not
motivate the use of “artificial intelligence” in
law. German Law Journal, 23, 452–464.
https://doi.org/10.1017/glj.2022.32
Constitución de la República del Ecuador.
(2008). Registro Oficial 449, 20 de octubre de
2008. https://www.defensa.gob.ec/wp-
content/uploads/downloads/2021/02/Constit
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 497
ucion-de-la-Republica-del-
Ecuador_act_ene-2021.pdf
Corte Constitucional de Colombia. (2024).
Sentencia T-323/24. Uso de inteligencia
artificial generativa en una decisión judicial.
https://share.google/SWRYxwNohbeLQT1v
u
Corte Constitucional del Ecuador. (2021).
Sentencia No. 1158-17-EP/21. Garantía de
la motivación.
https://www.corteconstitucional.gob.ec/sente
ncia-1158-17-ep-21-garantia-de-la-
motivacion/
Corte Constitucional del Ecuador. (2025).
Sentencia No. 1852-21-EP/25. Precisiones
sobre la garantía de la motivación en
procesos judiciales.
https://www.corteconstitucional.gob.ec/preci
siones-sobre-la-garantia-de-la-motivacion-
en-procesos-judiciales-regla-de-precedente-
1158-17-ep/
Dahl, M., Magesh, V., Suzgun, M., & Ho, D. E.
(2024). Large legal fictions: Profiling legal
hallucinations in large language models.
Journal of Legal Analysis, 16(1), 64–93.
https://doi.org/10.1093/jla/laae003
Dhungel, A., & Heine, M. (2024). Cui bono?
Judicial decision-making in the era of AI: A
qualitative study on the expectations of
judges in Germany. TATuP – Journal for
Technology Assessment in Theory and
Practice, 33(1), 14–20.
https://doi.org/10.14512/tatup.33.1.14
Dwivedi, Y., Kshetri, N., Hughes, L., et al.
(2023). “So what if ChatGPT wrote it?”
Multidisciplinary perspectives on
opportunities, challenges and implications of
generative conversational AI for research,
practice and policy. International Journal of
Information Management, 71, 102642.
https://doi.org/10.1016/j.ijinfomgt.2023.102
642
Ferrara, E. (2023). Should ChatGPT be biased?
Challenges and risks of bias in large language
models. First Monday, 28(11).
https://doi.org/10.5210/fm.v28i11.13346
Figueiredo, G. (2024). Artificial intelligence
and judicial decision-making: Evaluating the
role of AI in debiasing. TATuP – Journal for
Technology Assessment in Theory and
Practice, 33(1), 28–33.
https://doi.org/10.14512/tatup.33.1.28
Greenstein, S. (2022). Preserving the rule of law
in the era of artificial intelligence (AI).
Artificial Intelligence and Law, 30, 291–323.
https://doi.org/10.1007/s10506-021-09294-4
Hicks, M., Humphries, J., & Slater, J. (2024).
ChatGPT is bullshit. Ethics and Information
Technology, 26, 38.
https://doi.org/10.1007/s10676-024-09775-5
Huang, L., Yu, W., Ma, W., et al. (2025). A
survey on hallucination in large language
models: Principles, taxonomy, challenges,
and open questions. ACM Transactions on
Information Systems, 43(2), Article 42, 1–55.
https://doi.org/10.1145/3703155
Ji, Z., Lee, N., Frieske, R., et al. (2023). Survey
of hallucination in natural language
generation. ACM Computing Surveys,
55(12), Article 248.
https://doi.org/10.1145/3571730
Langer, M., Oster, D., Speith, T., et al. (2021).
What do we want from explainable artificial
intelligence (XAI)? A stakeholder
perspective on XAI and a conceptual model
guiding interdisciplinary XAI research.
Artificial Intelligence, 296, 103473.
https://doi.org/10.1016/j.artint.2021.103473
Ley Orgánica de Protección de Datos
Personales. (2021). Registro Oficial, Quinto
Suplemento No. 459, 26 de mayo de 2021.
Mehrabi, N., Morstatter, F., Saxena, N.,
Lerman, K., & Galstyan, A. (2021). A survey
on bias and fairness in machine learning.
ACM Computing Surveys, 54(6), Article 115.
https://doi.org/10.1145/3457607
Meskó, B., & Topol, E. J. (2023). The
imperative for regulatory oversight of large
language models (or generative AI) in
healthcare. npj Digital Medicine, 6, 120.
https://doi.org/10.1038/s41746-023-00873-0
Noy, S., & Zhang, W. (2023). Experimental
evidence on the productivity effects of
generative artificial intelligence. Science,
381(6654), 187–192.
https://doi.org/10.1126/science.adh2586
Perona, R., & Carrillo de la Rosa, Y. (2025).
Unveiling AI in the courtroom: Exploring
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 498
ChatGPT’s impact on judicial decision-
making through a pilot Colombian case
study. AI & Society, 40(4), 2533–2540.
https://doi.org/10.1007/s00146-024-01943-x
Ray, P. (2023). ChatGPT: A comprehensive
review on background, applications, key
challenges, bias, ethics, limitations and future
scope. Internet of Things and Cyber-Physical
Systems, 3, 121–154.
https://doi.org/10.1016/j.iotcps.2023.04.003
República del Ecuador. (2009). Código
Orgánico de la Función Judicial. Registro
Oficial Suplemento 544, 9 de marzo de 2009,
con reformas vigentes.
https://www.etapa.net.ec/Portals/0/TRANSP
Rodríguez, E., Martíne, C., Pérez, B., Salame,
M., Armas, P., Espín, A., & Pino, E. (2025).
Evaluating AI decision tools in Ecuador’s
courts: Efficiency, consistency, and
uncertainty in legal judgments. Frontiers in
Artificial Intelligence, 8, 1688209.
https://doi.org/10.3389/frai.2025.1688209
Suresh, H., & Guttag, J. (2021). A framework
for understanding sources of harm throughout
the machine learning life cycle. En
Proceedings of the 1st ACM Conference on
Equity and Access in Algorithms,
Mechanisms, and Optimization.
https://doi.org/10.1145/3465416.3483305
UNESCO. (2021). Recommendation on the
ethics of artificial intelligence.
https://www.unesco.org/en/articles/recomme
ndation-ethics-artificial-intelligence
Unión Europea. (2024). Reglamento (UE)
2024/1689 del Parlamento Europeo y del
Consejo, de 13 de junio de 2024, por el que
se establecen normas armonizadas en
materia de inteligencia artificial
(Reglamento de Inteligencia Artificial).
https://eur-
lex.europa.eu/eli/reg/2024/1689/oj/eng
Wachter, S., Mittelstadt, B., & Russell, C.
(2021). Why fairness cannot be automated:
Bridging the gap between EU non-
discrimination law and AI. Computer Law &
Security Review, 41, 105567.
https://doi.org/10.1016/j.clsr.2021.105567
Weidinger, L., Mellor, J., Rauh, M., et al.
(2022). Taxonomy of risks posed by language
models. En Proceedings of the 2022 ACM
Conference on Fairness, Accountability, and
Transparency (pp. 214–229).
https://doi.org/10.1145/3531146.3533088
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Yadira Alejandra
Larco Sánchez y Carlos Alberto Amaya López.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 499
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Yadira Alejandra Larco Sánchez: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Carlos Alberto Amaya López: curación y organización de los datos, participación en la recolección de información, validación de los resultados
obtenidos y elaboración de representaciones gráficas y visualización de los datos.
Declaración de conflicto de intereses
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del
presente artículo.
Declaración de financiamiento
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.
Declaración del editor
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.
Declaración de los revisores
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.
Declaración ética de la investigación
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse
a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.
Declaración sobre el uso de inteligencia artificial
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito
ni sustituyen la responsabilidad académica de los investigadores.
Disponibilidad de datos
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.
