Prueba Pericial Algorítmica: Cómo se Aporta y se Contradice la IA en el Proceso Penal

Cuando la acusación se apoya en un algoritmo —un reconocimiento facial sobre una cámara de seguridad, un cotejo biométrico, una herramienta forense que rastrea patrones en miles de mensajes— la pregunta del abogado defensor no es qué dice la máquina, sino cómo lo sabe, con qué margen de error y quién puede comprobarlo. La prueba pericial algorítmica ha dejado de ser una hipótesis: entra en los procedimientos penales y obliga a la defensa a dominar tanto el derecho probatorio como las debilidades técnicas del modelo. Como abogados penalistas especializados en prueba pericial algorítmica, explicamos cómo se aporta, cómo se valida y, sobre todo, cómo se contradice.

Qué Tipos de Prueba Algorítmica Llegan al Proceso

Bajo la etiqueta común de prueba algorítmica conviven instrumentos muy distintos, y la estrategia frente a cada uno difiere:

• Reconocimiento facial: compara un rostro captado por videovigilancia con una base de datos y devuelve una probabilidad de coincidencia. Su fiabilidad depende de la calidad de la imagen y del sesgo poblacional del modelo.
• Cotejo biométrico y de voz: identifica o descarta a una persona por rasgos físicos o acústicos. Opera con umbrales de decisión que conviene conocer y discutir.
• Análisis forense automatizado: software que procesa grandes volúmenes de evidencia digital (mensajería, registros, metadatos) y rastrea patrones que un examen humano no podría abarcar.
• Modelos predictivos: sistemas que puntúan riesgos o perfiles a partir de variables históricas, con el peligro de convertir correlaciones estadísticas en juicios sobre la persona.

Identificar de qué modelo se trata es el primer paso para impugnarlo: lo que se discute en un cotejo facial (calidad de imagen, tasa de error) no es lo mismo que lo que se discute en un análisis automatizado de datos (alcance del acceso, cadena de custodia).

Cómo se Aporta y se Valida la Prueba

La prueba algorítmica no es un dato objetivo que se incorpora sin más al atestado: por su complejidad técnica debe introducirse a través de un informe pericial sometido a contradicción. No basta con que el atestado afirme que el sistema arrojó una coincidencia o que la herramienta detectó un patrón; es necesario que la metodología sea conocida y verificable. Un nuevo estándar probatorio, alineado con el Reglamento UE 2024/1689 de IA (AI Act) y con las exigencias de la jurisprudencia consolidada del Tribunal Constitucional y del Tribunal Europeo de Derechos Humanos, reclama que la prueba reúna cuatro garantías:

1. Trazabilidad: qué sistema se ha empleado, qué versión, sobre qué datos se entrenó y con qué metodología se validó.
2. Métricas de error documentadas: tasas de falso positivo y falso negativo conocidas y publicadas, no presupuestas.
3. Reproducibilidad: posibilidad de obtener el mismo resultado con una metodología independiente.
4. Supervisión humana significativa: un decisor humano que ha comprendido y evaluado el resultado, no una validación meramente formal.

Faltando estas garantías, la prueba no merece valor de cargo, y la defensa puede instar su exclusión y la nulidad de las diligencias derivadas de ella.

La Cadena de Custodia del Dato

Antes incluso de discutir el modelo, hay que mirar el dato de entrada. Un algoritmo solo es tan fiable como la evidencia con la que opera: si la imagen, el audio o el conjunto de datos no se obtuvieron, conservaron y trataron con garantías, el resultado nace contaminado. La cadena de custodia digital es aquí decisiva. Debe poder reconstruirse de dónde procede el dato, cómo se aseguró su integridad (huella o hash), quién lo manipuló y si pudo alterarse entre la captación y el análisis. Una ruptura no documentada de la cadena de custodia compromete el resultado algorítmico con independencia de lo sofisticado que sea el modelo: si no puede garantizarse que la máquina analizó exactamente lo que se captó, su conclusión pierde fuerza convictiva.

El Derecho de Defensa a Auditar el Sistema

El principio de contradicción exige que la defensa pueda examinar la prueba que se le opone. Trasladado al terreno algorítmico, esto se traduce en el derecho a auditar el sistema. La defensa puede articularlo en varios movimientos: solicitar al juzgado la documentación íntegra del modelo (arquitectura, dataset, versión, métricas y fecha de validación), pedir el nombramiento de un perito judicial independiente o aportar pericial de parte a cargo de un científico de datos con acreditación, y, cuando proceda, examinar el origen y composición del conjunto de entrenamiento para detectar sesgos estructurales.

El obstáculo habitual es el secreto industrial: muchos sistemas son propiedad de empresas privadas que se resisten a revelar su funcionamiento. Ese secreto es legítimo, pero no opera como un escudo absoluto frente al derecho de defensa. La jurisprudencia consolidada del Tribunal Constitucional ha priorizado las garantías del proceso cuando la prueba algorítmica es determinante para la condena: lo que es determinante para condenar tiene que poder ser contradicho. Si el proveedor no permite ninguna forma de verificación, el resultado difícilmente puede sostener por sí solo un pronunciamiento condenatorio.

Fiabilidad, Tasa de Error y Presunción de Inocencia

Ningún clasificador acierta siempre. Todo modelo opera con una tasa de falsos positivos y falsos negativos, y lo decisivo en sede penal es que esas tasas sean conocidas, estén documentadas y se evalúen para el caso concreto. Una identificación facial con una probabilidad alta en abstracto puede tener un valor convictivo muy inferior cuando se considera la tasa de error real para imágenes de baja calidad o para el grupo poblacional del acusado. Conviene además distinguir entre la fiabilidad del sistema en general y su acierto en este supuesto: un buen rendimiento estadístico medio no equivale a certeza sobre el hecho enjuiciado.

La defensa traduce las métricas a su consecuencia procesal. Si la prueba algorítmica era la base principal de la imputación y arrastra una incertidumbre razonable, opera la presunción de inocencia: la duda no la resuelve un porcentaje, la resuelve el principio in dubio pro reo. Un acierto estadístico del modelo no equivale a prueba de cargo suficiente y, desde luego, no exime de valorar el conjunto del material probatorio.

La Defensa Contradictoria, Paso a Paso

La impugnación de una prueba algorítmica se construye de forma anticipada y ordenada:

1. Demanda de trazabilidad: solicitar formalmente la documentación íntegra del modelo y del dato de entrada antes de que el resultado consolide la convicción judicial.
2. Examen de la cadena de custodia: verificar la integridad y el origen de la evidencia que el sistema analizó.
3. Peritaje algorítmico independiente: encargo a un perito que reproduzca el resultado —o un equivalente— y emita informe sobre fiabilidad, sesgos y tasa de error.
4. Contradicción en instrucción: introducir la discusión técnica en fase de instrucción, donde aún puede impedirse que un resultado frágil se convierta en el eje de la acusación.
5. Petición de exclusión o de minoración del valor probatorio: cuando falten las garantías mínimas, instar la nulidad; cuando concurran dudas serias, pedir que se le reste fuerza convictiva.

El AI Act refuerza esta estrategia al fijar obligaciones de documentación, supervisión humana y gestión de datos para los sistemas de alto riesgo: un sistema que no las cumple es más fácilmente cuestionable como prueba de cargo. No se trata de demonizar la tecnología, sino de someterla a las mismas exigencias de fiabilidad y contradicción que cualquier otra prueba pericial. La calificación es siempre casuística y exige análisis técnico desde el inicio del procedimiento.