Roderick Lucas, cofundador y director ejecutivo de Moonlit – Serie de entrevistas

Roderick Lucas es cofundador y director ejecutivo de Moonlit, y aporta experiencia en inteligencia artificial, ciencia de datos y tecnología jurídica. Trabajó casi una década en Deloitte, donde fue responsable de Inteligencia Artificial, y ha impartido cursos de tecnología en Vrije Universiteit Amsterdam y Tilburg University. Su trabajo se centra en hacer más accesible la investigación jurídica mediante datos estructurados, fuentes verificables e inteligencia artificial.

Moonlit ofrece infraestructura de datos jurídicos y herramientas de investigación que conectan legislación oficial, decisiones judiciales e información regulatoria de distintas jurisdicciones europeas. Su plataforma, su Data API y su servidor MCP permiten a investigadores y asistentes de IA acceder a fuentes jurídicas estructuradas, mientras que su biblioteca Commentaries combina análisis generado por IA con la revisión de expertos jurídicos identificados por su nombre. En esta entrevista, Lucas habla de las alucinaciones jurídicas, la investigación transfronteriza, la verificación por expertos y el acceso a información jurídica fiable.

Trabajaste casi una década en Deloitte y llegaste a ser responsable de Inteligencia Artificial, además de impartir cursos de tecnología en Vrije Universiteit Amsterdam y Tilburg University. Moonlit surgió inicialmente como un proyecto interno de Deloitte, antes de convertirse en una empresa independiente en 2024. ¿Qué te inspiró a desarrollar la plataforma y qué te convenció de que la investigación jurídica necesitaba un enfoque radicalmente distinto?

Moonlit nació dentro de Deloitte porque el problema estaba justo ahí. Toda cuestión jurídica o fiscal importante en Europa acaba cruzando una frontera en algún momento, pero las fuentes necesarias están dispersas en decenas de portales nacionales, cada uno con su propio formato, idioma y estilo de citación. Los especialistas dedican la mayor parte de sus horas de investigación a recopilar material y comprobar que no falte nada. Mientras tanto, las herramientas diseñadas para ayudarles no son eficaces para el trabajo transfronterizo. Cobran por usuario y por país, y exigen iniciar sesión por separado solo para comparar cómo abordan el mismo asunto las distintas jurisdicciones.

Cuando aparecieron los modelos de lenguaje, quedaron claras dos cosas a la vez: podían razonar sobre textos jurídicos mucho mejor de lo que nadie esperaba, pero no tenían fuentes fiables sobre las que hacerlo. Extraer texto directamente de los portales judiciales públicos produce datos desordenados e incoherentes, mientras que las editoriales jurídicas comerciales restringen el acceso automatizado mediante licencias. A la tecnología jurídica le faltaba una base común: fuentes oficiales de varias jurisdicciones, normalizadas en una misma estructura de datos depurada, con referencias cruzadas y actualizadas a diario.

Eso es lo que nos propusimos construir, y por eso Moonlit se convirtió en una empresa en 2024, en lugar de ser solo una herramienta para un único bufete. Una base como esta adquiere más valor con cada persona y cada sistema que la consulta y contribuye a ella. Nuestra convicción no ha cambiado: la ley es pública, y el conocimiento que se construye sobre ella debería ser asequible para todas las personas que deben cumplirla.

Moonlit se fundó con la convicción de que el acceso al conocimiento jurídico es esencial para la justicia. Aunque la legislación y las sentencias judiciales suelen estar disponibles públicamente, los comentarios especializados que explican sus implicaciones a menudo siguen tras costosos muros de pago. ¿Cómo busca Moonlit democratizar el acceso a esta capa interpretativa y por qué es especialmente importante para desarrollar una IA jurídica fiable?

En los Países Bajos, unos 40 céntimos de cada euro que ganas van al Estado, y una parte de esa recaudación financia las universidades públicas y el sistema jurídico. Muchos de los comentarios que explican la ley los escriben académicos que cobran del erario público. Editoriales comerciales como Wolters Kluwer y Thomson Reuters recopilan esos análisis y los revenden a los tribunales, ministerios, universidades y profesionales que los necesitan. Una suscripción a los comentarios cuesta cientos de euros al mes por usuario. Con estas suscripciones, la ciudadanía acaba pagando dos veces por la ley que debe cumplir. Un sistema jurídico justo no debería costar al mes más que tu suscripción a Netflix.

Creamos Commentaries para ofrecer una alternativa abierta: una biblioteca de análisis jurídicos, artículo por artículo, accesible con una cuenta gratuita de Moonlit. Cada comentario se genera a partir de fuentes primarias mediante nuestros modelos de IA y especialistas jurídicos lo revisan antes de su publicación. Todas las citas se verifican y enlazan directamente con el registro oficial del gobierno o del tribunal. Si alguien detecta un matiz que falta o una novedad reciente, puede proponer una edición directamente en el formulario de la página para que el equipo editorial la revise. Después, los editores pueden revisarla y volver a publicar el comentario. Hasta donde sabemos, ninguna otra editorial ofrece esa combinación. En su lanzamiento, los comentarios disponibles se centran en los impuestos indirectos (IVA), y se está trabajando en comentarios sobre protección de datos.

Esta capa interpretativa también es fundamental para la IA jurídica. Los modelos pueden incorporar leyes y sentencias públicas, pero no pueden leer los comentarios especializados secundarios que explican cómo se aplica una norma en la práctica o cuáles son sus excepciones. Sin ese contexto, los modelos extrapolan y generan respuestas poco fiables. Diseñamos Commentaries para que cada afirmación esté vinculada explícitamente a la disposición que interpreta y a la resolución en la que se basa. Un profesional puede verificar la fuente con un solo clic, y un flujo de trabajo de IA puede razonar a partir de datos fiables mediante Moonlit Data API y el conector MCP.

Las alucinaciones jurídicas generadas por IA se han convertido en un motivo de preocupación creciente: abogados y tribunales se encuentran con citas de casos inventadas e interpretaciones inexactas de la ley. ¿Por qué incluso los modelos de lenguaje de gran tamaño más sofisticados tienen dificultades para interpretar la ley con precisión, y cómo ayuda a resolver estas limitaciones proporcionarles contexto jurídico estructurado y verificado?

A los modelos de lenguaje les cuesta interpretar la ley por motivos que poco tienen que ver con la inteligencia. El razonamiento jurídico depende por completo de fuentes verificables. Una conclusión solo es tan sólida como la disposición o resolución en la que se basa, pero un modelo trata los números de caso y las citas legislativas como patrones de texto probabilísticos, en lugar de como registros fiables de una base de datos. Genera referencias que parecen convincentes porque predice cómo debería ser una cita, no porque haya verificado un documento real. Esto tiene consecuencias muy concretas: al momento de redactar, se habían registrado más de 2.100 decisiones judiciales relacionadas con alucinaciones de IA, y más de 800 de ellas implicaban directamente a profesionales del derecho.

La ley también cambia constantemente. El conocimiento de un modelo llega hasta la fecha límite de sus datos de entrenamiento, mientras que las resoluciones tributarias y las decisiones de los tribunales de apelación se actualizan cada semana. Cuando los comentarios que explican el significado de esas normas están detrás de los muros de pago de las editoriales, el modelo puede consultar el texto de la ley, pero no su contexto práctico; por eso inventa explicaciones plausibles para llenar ese vacío.

Un contexto estructurado y verificado cambia por completo la tarea. En Moonlit, el modelo recupera la legislación en lugar de intentar recordarla, y trabaja directamente con registros oficiales. Una búsqueda devuelve documentos de fuentes oficiales, cada uno con su cita y enlace. El grafo de referencias muestra qué cita una resolución y qué documentos posteriores la citan. Una cita remite a un documento auténtico de nuestro repositorio o no aparece. Así se eliminan las citas inventadas. Sin embargo, los datos depurados por sí solos no evitan las interpretaciones erróneas; por eso Commentaries sigue contando con un experto jurídico identificado por su nombre entre el borrador y el lector.

Moonlit reúne legislación, decisiones judiciales e información regulatoria de decenas de jurisdicciones, y conecta los documentos jurídicos mediante un amplio grafo de referencias. ¿Podría explicarnos cómo funcionan la arquitectura de IA y la arquitectura de datos subyacentes, en particular cómo identifica la plataforma las relaciones entre fuentes jurídicas, armoniza distintos idiomas y sistemas jurídicos, y facilita el acceso a esta información por parte de los modelos de IA?

Piense en ello como una cadena continua que va desde la publicación oficial hasta una cita verificada.

En cada jurisdicción, nos conectamos directamente a los portales oficiales, entre ellos los boletines legislativos, las bases de datos judiciales, los organismos reguladores y EUR-Lex para la legislación de la UE. Cada portal tiene sus particularidades y formatos, y puede cambiar sin previo aviso; por eso, dedicamos una parte importante de nuestro trabajo de ingeniería a supervisar cada portal y automatizar la recuperación de datos. Todos los documentos que incorporamos conservan la atribución de su fuente y un enlace permanente al registro oficial del gobierno. Ese enlace es la base de todo lo demás.

Todo converge en un único modelo que abarca distintas jurisdicciones y comprende legislación, jurisprudencia, documentos parlamentarios, decisiones de autoridades y directrices. La legislación se divide hasta el nivel de cada artículo, de modo que sea posible recuperar y citar con precisión una disposición concreta. Las sentencias neerlandesas y las resoluciones alemanas conservan los campos específicos que requieren sus respectivos sistemas nacionales, mientras que normalizamos la forma de identificar, clasificar y vincular esos documentos entre jurisdicciones.

Los textos jurídicos se citan entre sí constantemente. Una sentencia cita los artículos que aplica y las resoluciones que sigue, mientras que una ley remite a otras normas. Nuestro motor reconoce esas citas, que adoptan formas muy distintas según la jurisdicción, las vincula con documentos auténticos de nuestra Data Layer y almacena las relaciones en ambas direcciones. Los ingenieros jurídicos verifican los patrones de extracción. El resultado es un grafo de referencias que contiene cientos de millones de enlaces y permite ver, para cualquier documento, qué fuentes cita y qué fuentes lo citan.

El idioma, por su parte, se gestiona conservando intactos los documentos originales. No traducimos el texto primario. Una resolución belga se mantiene en francés o neerlandés, y las búsquedas se realizan directamente en el idioma original. Combinamos la búsqueda por palabras clave con la búsqueda semántica, volvemos a ordenar los resultados y limitamos cada consulta a la jurisdicción pertinente. Luna, nuestro asistente de investigación, responde en el idioma que se le solicite y consulta cada fuente subyacente en su idioma original.

La plataforma Moonlit, nuestra Data API y el servidor MCP leen de esa misma Data Layer. La API ofrece acceso programático a nuestras modalidades de búsqueda, al grafo de referencias y a la recuperación de textos completos, mientras que el servidor MCP pone nueve herramientas de solo lectura a disposición de cualquier asistente de IA externo. Cuando mejoramos los datos subyacentes, esa mejora se refleja al mismo tiempo en todos los canales.

Moonlit ha presentado comentarios jurídicos generados por IA y revisados por expertos jurídicos identificados por su nombre, que combinan la redacción automatizada con la verificación humana. ¿Cómo funciona este proceso en la práctica y qué salvaguardas garantizan que las interpretaciones generadas por IA sean precisas y transparentes, y puedan rastrearse hasta fuentes jurídicas autorizadas?

Un comentario jurídico empieza por la propia ley. Nuestro motor elabora un borrador a partir de fuentes primarias de la Data Layer, como legislación, jurisprudencia, directivas y antecedentes parlamentarios de una disposición. Solo puede citar documentos que tenemos, por lo que cada afirmación está vinculada tanto a la disposición que interpreta como a la fuente que la respalda. Por ejemplo, uno de los comentarios publicados en nuestro lanzamiento enlaza a 165 fuentes verificadas.

Antes de publicar un comentario, un experto jurídico en ese ámbito coteja el borrador con esas fuentes primarias. Nuestros editores son académicos y autores que ejercen la profesión, y reciben una remuneración por su trabajo. El grupo del lanzamiento está integrado por profesionales de universidades, tribunales, organismos gubernamentales, consultoras y bufetes de abogados. Corrigen el borrador, eliminan lo que no corresponde y añaden lo que falta. Sus nombres aparecen directamente en la página.

Las insignias de revisión verificada señalan los pasajes validados por un editor, de modo que siempre queda claro qué secciones cuentan con el respaldo de un experto humano.

Cada comentario también indica su fecha de referencia para mostrar el estado exacto de la legislación que describe. La Data Layer se actualiza a diario y señala al editor las nuevas resoluciones pertinentes, tras lo cual este revisa el texto y adelanta la fecha de referencia.

La garantía que sustenta todo esto es el enlace. Si no se puede acceder directamente a la resolución que respalda una conclusión, se está pidiendo al lector que la acepte sin más. Creamos Commentaries para que nadie tenga que hacerlo.

Mediante integraciones con Model Context Protocol (MCP), Moonlit puede incorporar inteligencia jurídica directamente en asistentes de IA como ChatGPT, Claude y Microsoft Copilot. ¿Qué permite esta arquitectura que los sistemas convencionales de generación aumentada por recuperación quizá no puedan lograr, y cómo se aseguran de que estos asistentes utilicen responsablemente la información jurídica recuperada?

La generación aumentada por recuperación (RAG) convencional toma una instantánea de algunos documentos, los divide en fragmentos, los convierte en vectores y entrega al modelo los que obtienen la puntuación más alta por similitud. En el ámbito jurídico, este método falla en tres aspectos. La instantánea queda desactualizada. La similitud no es suficientemente fiable para encontrar un artículo o número de expediente exactos. Además, un fragmento no revela qué cita el documento ni qué efectos tuvieron sobre él las resoluciones posteriores.

Con el servidor MCP, el asistente realiza la investigación por sí mismo. Puede buscar por significado o mediante términos y citas exactos usando operadores booleanos, seguir referencias entre documentos, leer textos completos y recuperar artículos concretos de una ley. También puede comprobar qué jurisdicciones y portales oficiales están disponibles. El modelo decide qué necesita, lee los resultados y vuelve a buscar hasta que la respuesta resiste el examen. Esa iteración es lo que marca la diferencia. Luna pasó al mismo servidor MCP en septiembre, y las respuestas mejoraron a la vez en rapidez y calidad. Los datos también están actualizados en tiempo real: el asistente consulta la Data Layer tal como está hoy.

El uso responsable empieza por establecer límites claros. Nuestras herramientas son de solo lectura y los resultados enlazan con la fuente oficial. También publicamos instrucciones sencillas de investigación que los asistentes pueden seguir. En ellas se explica cómo buscar en el idioma original de la fuente, comprobar el pasaje antes de citarlo, verificar la versión y señalar con claridad cuándo las fuentes disponibles presentan lagunas.

Cada asistente muestra su razonamiento de manera distinta, y eso no está bajo nuestro control. Lo que sí podemos hacer es facilitar la comprobación de las fuentes. Cada cita conduce a un documento, y cada documento conduce a su publicación oficial.

La información jurídica evoluciona constantemente a medida que se publican nuevas resoluciones, cambian las normativas y se impugnan precedentes existentes. ¿Cómo identifica e incorpora la infraestructura de monitorización automatizada de Moonlit estos cambios, y cómo evita la plataforma que los sistemas de IA se basen en legislación desactualizada o interpretaciones jurídicas que han sido sustituidas?

Evitar que una IA o un investigador se base en legislación que ya no está vigente depende de las conexiones entre documentos. En cuanto una nueva sentencia o modificación legislativa entra en el sistema, el grafo de referencias la vincula con las disposiciones y los casos anteriores que cita. Si un tribunal de apelación revoca o restringe una decisión anterior, ese cambio se vincula directamente a la resolución original como una decisión que la cita. Al seguir el grafo, el modelo detecta de inmediato ese tratamiento posterior, en lugar de considerar vigente un precedente desactualizado. En la plataforma, los usuarios pueden convertir ese mismo flujo de entrada en Monitors activos para las leyes, los tribunales o los temas concretos que siguen.

En los comentarios jurídicos, mantenerse al día ha sido tradicionalmente un importante punto ciego. Las series comerciales de comentarios suelen revisarse para incorporar actualizaciones solo una o dos veces al año. En ámbitos que cambian con rapidez, como los impuestos indirectos o la protección de datos, ese retraso genera graves riesgos de incumplimiento normativo. Como nuestra Data Layer coteja a diario las publicaciones que recibe con nuestros comentarios, las nuevas resoluciones se señalan de inmediato al editor responsable. El editor actualiza el análisis y adelanta la fecha de referencia, para que tanto los profesionales del derecho como los modelos de IA trabajen con el estado real de la legislación, y no con una perspectiva desactualizada de hace doce meses.

La investigación jurídica transfronteriza plantea complejidades que van más allá de traducir documentos, sobre todo cuando distintos países interpretan o aplican de manera diferente normativas similares. ¿Cómo distingue la IA de Moonlit estas diferencias entre jurisdicciones y qué ocurre cuando parece que las fuentes jurídicas autorizadas se contradicen?

Una directiva de la UE y la ley nacional que la incorpora son documentos distintos, vinculados cuando uno cita al otro; del mismo modo, una resolución nacional que aplica una sentencia del Tribunal de Justicia está vinculada a esa sentencia. Por eso Commentaries empieza por el IVA. Las normas están ampliamente armonizadas a escala de la UE y, después, cada Estado miembro las interpreta.

Las contradicciones son habituales en el derecho y no las ocultamos. Cuando dos fuentes autorizadas parecen discrepar, el lector puede consultar ambas. En esos casos, la jerarquía resuelve la mayor parte de las dudas: una resolución posterior prevalece sobre una anterior, el Tribunal de Justicia sobre un tribunal nacional cuando se trata de una cuestión de derecho de la UE, y se aplica la disposición tal como estaba redactada en la fecha de referencia. En Commentaries, el editor toma esa decisión abiertamente y las fuentes aparecen junto a ella.

Organizaciones como el Tribunal Supremo de los Países Bajos, Deloitte y otras instituciones jurídicas y públicas utilizan la tecnología de Moonlit. ¿Podrías compartir un ejemplo práctico de cómo la plataforma ha transformado un flujo de trabajo de investigación jurídica y cómo miden las mejoras en la precisión, la exhaustividad o la eficiencia de la investigación en comparación con los métodos tradicionales?

En el sector de la tecnología financiera, por ejemplo, el equipo jurídico de Quantoz Payments conectó el servidor MCP de Moonlit a Claude y lo combinó con flujos de trabajo personalizados para la regulación de los pagos transfronterizos. El flujo de trabajo al que sustituye es el método tradicional habitual en toda Europa. Por lo general, un abogado tiene que abrir portales de varios países, realizar búsquedas en varios idiomas, copiar citas en un memorando y confiar en que no se haya pasado por alto ningún precedente local importante. Ahora, su sistema consulta varias jurisdicciones a la vez, sigue la red de citas y devuelve documentos primarios junto con enlaces a sus fuentes oficiales. Para un equipo jurídico interno, el impacto es evidente. Elimina el punto ciego que suponían las resoluciones extranjeras pasadas por alto y permite dedicar menos horas a la recopilación mecánica y más al análisis jurídico y la evaluación de riesgos propiamente dichos.

En el ámbito del desarrollo, la eficiencia se manifiesta de una forma muy distinta. Los equipos que desarrollan productos de IA jurídica miden las mejoras en función de los meses de trabajo de ingeniería ahorrados. Eudia, una empresa de IA jurídica, necesitaba datos jurídicos europeos estructurados para impulsar su producto, y su gerente de producto señaló que nuestra Data API les proporcionó un corpus europeo completo en cuestión de días. Sin una infraestructura de datos subyacente, eso implica crear y mantener indefinidamente rastreadores web personalizados para cada portal nacional. Otras plataformas, como Saga y Legal Mind, se basan en esta misma infraestructura y ahora también pueden ofrecer directamente Commentaries verificados a sus propios usuarios finales.

De cara al futuro, a medida que los modelos fundacionales se vuelven cada vez más capaces y los agentes de IA asumen tareas de investigación jurídica más sofisticadas, ¿cómo crees que evolucionará la relación entre los modelos de IA de propósito general y la infraestructura especializada de datos jurídicos? ¿Cuál es tu visión a largo plazo para Moonlit, especialmente en lo que respecta a hacer accesible la inteligencia jurídica fiable más allá de los grandes bufetes e instituciones?

Un modelo más potente razona mejor a partir de las fuentes que se le proporcionan, pero no puede sacar de la nada registros primarios fiables. A medida que los modelos fundacionales ganan capacidad, el valor de una capa de datos verificados aumenta. Cuando el razonamiento se generaliza, el verdadero cuello de botella pasa a ser la calidad de los datos, porque un agente sigue necesitando leyes precisas y estructuradas para trabajar.

Los modelos de propósito general y los agentes autónomos se encargarán de la redacción, la síntesis y la interacción conversacional. La infraestructura especializada, como Moonlit, resolverá el complejo problema de los datos subyacentes: mantendrá la legislación actualizada, estructurada y verificable, y la proporcionará directamente mediante los protocolos que utilicen esos agentes. Nos preparamos pronto para este cambio. Nuestro propio asistente funciona con el mismo servidor MCP exacto al que se conectan los agentes externos, y los equipos ya están ejecutando sus propios agentes personalizados sobre esa base.

Esta arquitectura también es fundamental para nuestra visión a largo plazo. Tradicionalmente, la inteligencia jurídica transfronteriza fiable ha sido un bien de lujo, al alcance únicamente de los bufetes más grandes y las empresas multinacionales capaces de pagar costosas suscripciones para varios países. Al ofrecer Commentaries de lectura gratuita y abrir nuestra capa de datos a cualquier desarrollador mediante API y conectores modernos, queremos nivelar el terreno de juego. Un abogado independiente que asesore a una empresa con actividad transfronteriza o un asesor jurídico interno de una empresa emergente debería tener acceso a la misma precisión en la investigación y a las mismas citas verificadas que una firma global de asesoría.

Gracias por esta excelente entrevista. Los lectores que quieran explorar datos jurídicos verificados e investigación transfronteriza asistida por IA pueden visitar Moonlit.