Prueba Pericial Algorítmica

La prueba pericial algorítmica es aquella que descansa en el resultado de un modelo computacional —tradicionalmente estadístico, hoy frecuentemente de IA— y que se aporta al proceso como elemento de convicción judicial. Va desde el reconocimiento facial en cámaras de seguridad hasta los modelos predictivos de reincidencia que se han propuesto para decisiones de libertad condicional. Su entrada en el proceso penal exige una defensa técnica reforzada: ningún algoritmo es neutral y ninguno es infalible.

Tipos de Prueba Pericial Algorítmica

Bajo la etiqueta común de prueba algorítmica conviven instrumentos muy distintos, cada uno con sus debilidades. El reconocimiento facial compara un rostro captado con una base de datos y arroja una probabilidad de coincidencia; su fiabilidad varía según la calidad de la imagen y el sesgo poblacional del modelo. Los modelos de predicción de reincidencia puntúan el riesgo de un individuo a partir de variables históricas, con el peligro de convertir correlaciones sociales en juicios de peligrosidad. El análisis automatizado de imagen, audio y texto rastrea patrones en grandes volúmenes de evidencia (mensajería, registros, intervenciones). Y los sistemas de cotejo biométrico y de voz identifican o descartan a una persona por rasgos físicos o acústicos. Distinguir de qué tipo de modelo se trata es el primer paso para impugnarlo: la estrategia frente a un cotejo facial no es la misma que frente a un score de reincidencia.

Requisitos de Admisibilidad

El nuevo paradigma probatorio, alineado con el Reglamento UE 2024/1689 de IA y la jurisprudencia del TC y del TEDH (caso Bărbulescu y derivados), exige que la prueba algorítmica reúna: (1) trazabilidad del modelo (qué algoritmo, qué versión, qué dataset de entrenamiento), (2) métricas de error documentadas y publicadas, (3) reproducibilidad con metodología independiente, y (4) supervisión humana significativa, no 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 conforme al artículo 11.1 LOPJ.

Auditoría del Dataset y Sesgos

El núcleo de la contradicción técnica está en los datos con los que el modelo aprendió. Un dataset no representativo, desactualizado o construido sobre datos de denuncia (y no de delito real) traslada al resultado un sesgo estructural que perjudica sistemáticamente a determinados perfiles. La defensa, a través de perito independiente, examina el origen y composición del dataset, su equilibrio por grupos de población, las decisiones de etiquetado y los criterios de validación. El objetivo no es abstracto: se trata de documentar cómo ese sesgo afecta al perfil concreto del imputado —edad, género, origen, perfil socioeconómico— para mostrar que el resultado no es una verdad técnica neutra, sino un producto condicionado por los datos.

Métricas de Error y su Trascendencia

Ningún clasificador acierta siempre: todo modelo opera con una tasa de falsos positivos y falsos negativos. Lo decisivo en sede penal es que esas tasas sean conocidas, estén documentadas y se evalúen para el caso. 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. 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. Un acierto estadístico del modelo no equivale a certeza sobre el hecho concreto enjuiciado.

Defensa Contradictoria

Articulamos la contradicción en tres movimientos. Primero, la demanda de trazabilidad: solicitud procesal de la documentación íntegra del modelo (arquitectura, dataset, métricas, fecha de validación). Segundo, el peritaje algorítmico independiente, encargado a un científico de datos con acreditación judicial que reproduzca el resultado —o un equivalente— y emita informe sobre su fiabilidad y sesgos. Tercero, la contradicción anticipada en fase de instrucción, antes de que el resultado consolide la convicción judicial. Cuando el modelo es propiedad de una empresa privada, el secreto industrial puede oponerse, pero no de forma absoluta: el Tribunal Constitucional ha priorizado el derecho de defensa cuando la prueba algorítmica es determinante para la condena.