Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la  
valoración probatoria  
Algorithmic transparency and legal liability: challenges of AI in evidentiary  
assessment  
María Paola Ramos Santacruz1 (paola0704ramos@gmail.com) (https://orcid.org/0009-  
0007-6122-6184)  
Armando Rogelio Durán Ocampo2 (aduran@utmachala.edu.ec) (https://orcid.org/0000-  
0002-9524-0538)  
Resumen  
El artículo tuvo como objetivo analizar los resultados investigativos referentes a la  
transparencia algorítmica y responsabilidad jurídica en la valoración de la prueba  
pericial asistida por IA, con el fin de proponer un estándar de admisibilidad,  
contradicción y valoración probatoria. Se realizó una revisión documental cualitativa,  
conforme a los lineamientos de PRISMA 2020, mediante la cual se identificaron y  
analizaron 12 estudios publicados entre 2020 y 2026. La síntesis permitió distinguir los  
usos de IA que están orientados a transformar, analizar o recomendar conclusiones  
sobre la evidencia, así como los riesgos asociados con la opacidad, el sesgo, la falta de  
trazabilidad, los errores de procesamiento y las asimetrías técnicas entre las partes. Los  
hallazgos muestran que la transparencia procesal exige, además de información sobre  
el sistema, documentación, explicaciones comprensibles, registros auditables y  
oportunidades reales de contradicción. A partir de estos elementos, se propone un  
modelo normativo-operativo de control probatorio para la evidencia asistida por IA,  
compuesto por cuatro fases: admisibilidad condicionada, transparencia contradictoria,  
valoración judicial motivada y atribución de responsabilidad. Se concluye que, cuando  
no exista posibilidad efectiva de control y contradicción, la salida algorítmica no debe  
constituir el fundamento único o decisivo de la decisión judicial y deberá someterse a la  
corroboración independiente o a las consecuencias procesales previstas por el  
ordenamiento aplicable.  
Palabras clave: Inteligencia artificial, transparencia algorítmica, responsabilidad  
jurídica, valoración probatoria, prueba digital.  
Abstract  
The article analyzes the requirements of algorithmic transparency and legal liability  
applicable to artificial intelligence-assisted evidence in evidentiary activity. A qualitative  
documentary review was conducted, in accordance with the PRISMA 2020 guidelines,  
through which 12 studies published between 2020 and 2026 were identified and  
analyzed. The synthesis made it possible to distinguish the uses of AI aimed at  
1 Estudiante de la carrera Derecho. Universidad Técnica de Machala. Ecuador.  
2 Magister en Ciencias Jurídicas. Coordinador de Titulación de la carrera de Derecho. Coordinador de la Maestría en  
Derecho, Mención Derecho Penal y Criminología. Profesor Titular de la Universidad Técnica de Machala, Ecuador.  
Página 123  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
transforming, analyzing, or recommending conclusions about evidence, as well as the  
risks associated with opacity, bias, lack of traceability, processing errors, and technical  
asymmetries between the parties. The findings show that procedural transparency  
requires, in addition to information about the system, documentation, understandable  
explanations, auditable records, and real opportunities for adversarial challenge. Based  
on these elements, a normative-operational model of evidentiary control for AI-assisted  
evidence is proposed, consisting of four phases: conditional admissibility, adversarial  
transparency, reasoned judicial assessment, and attribution of liability. It is concluded  
that, where no effective possibility of control and adversarial challenge exists, the  
algorithmic output must not constitute the sole or decisive basis of the judicial decision  
and must be subject to independent corroboration or to the procedural consequences  
provided for by the applicable legal order.  
Key words: Artificial intelligence, algorithmic transparency, legal accountability,  
evidentiary assessment, digital evidence.  
Introducción  
La acelerada expansión de herramientas de inteligencia artificial (IA) en la actividad  
probatoria ha transformado la manera en que se clasifican los documentos en la  
Ciencia del Derecho. Con el uso de la IA se identifican patrones, se analizan imágenes,  
se realizan reconocimientos biométricos, se estiman riesgos, se detecta la ocurrencia o  
no de algún fraude y se gestionan grandes volúmenes de evidencia digital. Esta  
incorporación tecnológica no es homogénea ni neutral. Pues tal y como advierten  
Nuredin e Inan (2024), aunque los sistemas algorítmicos se perciben como imparciales,  
en realidad son programados por humanos y están entrenados con datos provenientes  
de comunidades humanas, lo que puede reproducir sesgos e injusticias. Estudios  
recientes (Segovia y Flores, 2025; Mendoza y Carrera, 2026) coinciden en que la IA se  
inserta en el proceso judicial como un soporte técnico orientado a la obtención,  
depuración, correlación y presentación de información, pero su legitimidad depende de  
su subordinación a las reglas procesales y no de su sofisticación tecnológica.  
Es posible distinguir, al menos, tres modalidades funcionales de IA en la actividad  
probatoria. La primera comprende la IA que produce o transforma la evidencia —  
transcripción automática, mejora de imagen, generación de resúmenes—, cuya  
admisibilidad exige verificar la fidelidad del proceso de transformación y la trazabilidad  
de la fuente original (Aguilar, 2024). La segunda abarca la IA que analiza evidencia  
existente —reconocimiento facial, detección de anomalías, clasificación documental—,  
donde el riesgo se desplaza hacia la opacidad de los criterios de selección y  
jerarquización de la información (Altamirano et al., 2026). La tercera modalidad  
corresponde a la IA que recomienda o predice una conclusión relevante para la decisión  
judicial, cuyo uso plantea la tensión más aguda con el principio del juez natural  
predeterminado por la ley y con la prohibición de delegación de funciones  
jurisdiccionales (Suárez, 2025).  
Página 124  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
La doctrina ha advertido que la incorporación de IA en la valoración probatoria no es un  
fenómeno futuro ni hipotético, sino una realidad en expansión que plantea profundas  
reflexiones epistémicas y jurídicas. En este sentido, Isaza et al. (2026) sostienen que la  
valoración de la prueba testifical exige un enfoque interdisciplinario que integre la  
epistemología jurídica, la psicología del testimonio y las garantías procesales, y  
advierten que la delegación de la valoración de la prueba testifical a sistemas de IA  
resulta epistemológica y psicológicamente problemática. Pues la IA opera con datos y  
correlaciones, pero carece de una comprensión semántica, de la intuición humana, la  
empatía y el sentido ético, que son necesarios tener en cuenta en estos procesos.  
Desde la perspectiva de Isaza et al. (2026), la IA puede cumplir una función auxiliar  
orientada a fortalecer la racionalidad del proceso, pero no puede reemplazar el juicio de  
ponderación, el análisis crítico y la responsabilidad ética y jurídica inherentes a la  
función jurisdiccional.  
El problema jurídico central radica en que una salida algorítmica puede parecer objetiva  
por su apariencia matemática, aunque dependa de datos incompletos; tales como los  
criterios de diseño, los umbrales estadísticos, errores, sesgos o configuraciones que las  
partes no pueden conocer (Vestri, 2021). Esta apariencia de neutralidad tecnológica  
oculta asimetrías epistémicas que comprometen el control procesal de la prueba. Por lo  
que Serna (2025) advierte que la incorporación de IA en esta jurisdicción exige revisar  
los estándares de admisibilidad y los mecanismos de control probatorio para evitar que  
la opacidad algorítmica vulnere el derecho de defensa.  
En este orden de ideas, Carrasco (2025) señala el modelo no sabe realmente lo que  
significa el texto ni tiene contexto real; lo único que hace es predecir la palabra siguiente  
más probable basándose en su historial de patrones, todo lo cual evidencia un déficit de  
sentido común y una incapacidad para realizar razonamiento abductivo. A ello se suma  
la tensión existente entre la transparencia algorítmica y los secretos legítimos, entre los  
que se pueden mencionar: la propiedad intelectual, el secreto empresarial, la  
ciberseguridad, la protección de datos personales y la reserva de investigaciones, que  
restringen el acceso al código fuente, a los datos de entrenamiento o a los registros de  
inferencia (Vestri, 2021).  
En estos casos la consecuencia procesal es directa, si la parte afectada no puede  
comprender ni impugnar el resultado algorítmico, se debilitan el derecho de la defensa,  
el principio de contradicción, la igualdad de armas entre las partes, la motivación judicial  
y, en última instancia, el debido proceso (Mendoza y Carrera, 2026). La doctrina  
especializada ha documentado que los sesgos algorítmicos, frecuentemente originados  
en conjuntos de datos de entrenamiento incompletos o atravesados por patrones  
históricos de discriminación, pueden reproducir desigualdades sociales preexistentes  
(Nuredin e Inan, 2024). En otras palabras, la IA no solo plantea desafíos técnicos, sino  
que impacta directamente en el núcleo garantista del proceso judicial, exigiendo marcos  
de transparencia, auditabilidad y proporcionalidad que aseguren la plena vigencia de los  
derechos humanos fundamentales.  
Página 125  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
Por ello, el presente artículo tiene como objetivo analizar los resultados investigativos  
referentes a la transparencia algorítmica y responsabilidad jurídica en la valoración de la  
prueba pericial asistida por IA, con el fin de proponer un estándar de admisibilidad,  
contradicción y valoración probatoria. Para su consecución se siguió el siguiente  
procedimiento: (i) se identificaron las aplicaciones de IA estudiadas en la actividad  
probatoria; (ii) se sistematizaron los riesgos técnicos y jurídicos asociados; (iii) se  
clasificaron los mecanismos de transparencia y auditabilidad existentes; (iv) se  
examinaron los modelos de responsabilidad aplicables; y (v) se diseñó un modelo como  
propuesta de control probatorio. La relevancia del estudio radica en que, como  
sostienen Kocagül y Kartal (2026), la arquitectura procedimental de los sistemas  
adversariales y mixtos fue construida sobre la premisa de que la evidencia proviene de  
actores humanos cuyo razonamiento puede reconstruirse y cuestionarse. La IA al  
ingresar como productora de evidencia, evaluadora de riesgos y configuradora de  
decisiones, rompe esa premisa y exige salvaguardas específicas que este trabajo  
busca sistematizar y proponer.  
Metodología  
La presente investigación se desarrolló bajo el paradigma cualitativo, siguiendo la ruta  
de la investigación cualitativa propuesta por Hernández y Mendoza (2023), cuyo  
propósito es comprender fenómenos complejos desde la perspectiva de los actores y  
los contextos normativos en los que se insertan. De acuerdo con estos autores, el  
enfoque cualitativo resulta adecuado cuando el investigador busca examinar  
significados, interpretaciones y procesos en profundidad, sin pretensión de  
generalización estadística. En coherencia con ello, se adoptó un diseño no experimental  
de corte transversal, dado que no se manipuló variable alguna y el análisis se concentró  
en la revisión documental de las fuentes normativas, doctrinales y jurisprudenciales  
disponibles en un momento determinado.  
La investigación tiene un alcance descriptivo y analítico, orientada a identificar,  
sistematizar y clasificar los riesgos técnicos y jurídicos derivados del uso de IA en la  
actividad probatoria, así como a examinar los mecanismos de transparencia,  
auditabilidad y responsabilidad, aplicables.  
La estrategia de búsqueda y selección de fuentes se rigió por los estándares de la  
declaración PRISMA 2020 (Page et al., 2022), que establece una guía de 27 elementos  
para el reporte transparente de revisiones sistemáticas, con el fin de asegurar la  
reproducibilidad y minimizar los sesgos de selección. El proceso se estructuró en cuatro  
fases: identificación, cribado, elegibilidad e inclusión. En la fase de identificación se  
realizaron búsquedas sistemáticas en bases de datos académicas (Scopus, SciELO,  
Dialnet y Semantic Scholar), utilizando las correspondientes palabras clave de  
búsqueda (inteligencia artificial, justicia algorítmica, evidencia algorítmica, evaluación de  
evidencia, valor probatorio, debido proceso, transparencia, responsabilidad,  
admisibilidad).  
Página 126  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
La calidad metodológica de los estudios incluidos se evaluó mediante una ficha de  
análisis estructurada que registró autoría, año, tipo de publicación, metodología  
declarada, país de origen y aportes sustantivos a los ejes temáticos del estudio. Los  
hallazgos se sintetizaron mediante un análisis temático de contenido, organizado en las  
categorías previamente definidas. La combinación de la ruta cualitativa de Hernández y  
Mendoza (2023) con los estándares de reporte de PRISMA 2020 (Page et al., 2022)  
contribuyó a que el proceso de revisión fuera transparente, replicable y auditable,  
asegurando así que las conclusiones derivadas del análisis estuvieran sustentadas en  
una literatura pertinente y de calidad verificable, tal como exige el rigor metodológico en  
investigaciones jurídicas de naturaleza documental.  
La representación gráfica del proceso de selección constituye el elemento central de la  
revisión sistemática, pues permite visualizar el tránsito desde el universo inicial de  
registros (50) hasta el corpus definitivo de análisis (12). El diagrama que se presenta a  
continuación (figura 1) documenta las cuatro fases del protocolo PRISMA 2020 —  
identificación, cribado, elegibilidad e inclusión—, especificando en cada etapa el número  
de registros y las razones de exclusión aplicadas. Su inclusión responde a la exigencia  
de transparencia y replicabilidad que caracteriza a este estándar metodológico, y  
permite analizar con precisión el itinerario seguido para la conformación de la muestra  
final.  
Figura 1.  
Flujo PRISMA (2020)  
Fuente: Elaboración propia.  
Dada la heterogeneidad de los estudios incluidos, no se realizó un metaanálisis; en su  
lugar, se aplicó una síntesis temática cualitativa organizada en cinco categorías: (i) usos  
de IA en el ciclo probatorio; (ii) riesgos técnicos y epistémicos; (iii) garantías procesales  
afectadas; (iv) transparencia, explicabilidad, auditabilidad y contradicción; y (v) modelos  
de responsabilidad. Esta organización permitió identificar patrones recurrentes y vacíos  
Página 127  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
en la literatura, así como contrastar los hallazgos con los estándares normativos  
internacionales y nacionales. La síntesis no buscó cuantificar la frecuencia de los  
riesgos, sino comprender su naturaleza y su incidencia en la actividad probatoria.  
El cruce de las categorías permitió construir una matriz analítica que relaciona el tipo de  
IA, el riesgo central, la garantía afectada, la exigencia mínima y la consecuencia  
procesal en caso de incumplimiento. En el caso del reconocimiento facial, el riesgo  
central radica en los falsos positivos y el sesgo algorítmico, que afectan el derecho de  
defensa y la presunción de inocencia; la exigencia mínima comprende la información  
sobre tasas de error, la calidad de la imagen, la auditoría independiente y el peritaje  
contradictorio, y su incumplimiento debe conducir a que el resultado no pueda ser  
utilizado como prueba única o decisiva.  
En la clasificación documental, el riesgo es la omisión o priorización errónea de  
documentos, lo que compromete la igualdad de armas y el acceso a la prueba; se exige  
el registro de los criterios de selección, la revisión humana y la preservación de los  
documentos descartados, y su incumplimiento obliga a revisar la fase de  
descubrimiento probatorio. En el análisis de video o audio, el riesgo es la alteración, la  
pérdida de contexto o la generación de alucinaciones, afectando la autenticidad e  
integridad de la evidencia; se requiere el archivo original, los metadatos, la identificación  
de la herramienta y su versión, así como un peritaje técnico, y su incumplimiento  
conlleva la exclusión o una reducción intensa del peso probatorio. En los sistemas de  
predicción o puntuación de riesgo, el riesgo central es el sesgo y la automatización  
indebida, que afectan la individualización, la motivación y la no discriminación; se exige  
una explicación comprensible, validación local y la prohibición de dependencia  
automática, y su incumplimiento impide que el resultado se utilice como fundamento  
decisivo de la resolución judicial.  
Esta matriz evidencia que no todo uso de IA plantea el mismo nivel de riesgo ni exige  
las mismas garantías. La intensidad de las exigencias procesales debe graduarse en  
función de la autonomía del sistema, su incidencia en la formación de la convicción  
judicial y la posibilidad efectiva de contradicción. La sistematización confirma, además,  
que la literatura revisada coincide en la necesidad de un estándar de admisibilidad  
reforzado para la evidencia asistida por IA, que combine transparencia por niveles,  
auditoría independiente, supervisión humana efectiva y mecanismos claros de  
atribución de responsabilidad.  
El estudio teórico se articula en torno a la tensión entre la IA como herramienta de  
apoyo y la IA como fuente de autoridad probatoria aparentemente objetiva. Esta tensión  
atraviesa los tres ejes del estudio: transparencia algorítmica, responsabilidad jurídica y  
valoración probatoria. La literatura revisada coincide en que la IA no sustituye la función  
valorativa del juez, pero sí puede influir de manera significativa en la formación de la  
convicción judicial si no se establecen controles procesales adecuados (Suárez, 2025;  
Carrasco, 2025).  
Página 128  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
Del proceso de sistematización se determinó un primer hallazgo teórico y es que la  
apariencia matemática de los resultados algorítmicos oculta asimetrías epistémicas.  
Como advierte Vestri (2021), la opacidad de los algoritmos —el fenómeno de la "caja  
negra"— dificulta que las partes conozcan o cuestionen los criterios utilizados para  
arribar a un resultado. Esta opacidad no es solo técnica, sino jurídica, pues afecta el  
derecho de contradicción y la igualdad de armas, pues una parte puede disponer de  
peritos especializados mientras la otra carece de ellos. En esta misma línea, Isaza et al.  
(2026) aportan una precisión epistémica fundamental, la apariencia matemática o  
estadística de los resultados algorítmicos generan una "ilusión de precisión" que  
invisibiliza los márgenes de error y las limitaciones cognitivas del sistema. Estos autores  
advierten que la IA opera con datos y correlaciones, pero carece de comprensión  
semántica, intuición, empatía y sentido ético, elementos esenciales para interpretar y  
ponderar pruebas como el testimonio.  
Esta carencia no es un defecto menor, sino que constituye una asimetría epistémica  
estructural, el sistema puede producir un resultado numérico aparentemente objetivo,  
pero no puede explicar por qué ese resultado es correcto en términos de significado,  
contexto o justicia. La opacidad algorítmica, en consecuencia, no solo dificulta la  
contradicción procesal, sino que introduce un déficit de justificación que tensiona el  
deber de motivación judicial y la exigencia de una valoración racional de la prueba. La  
transparencia, por tanto, no puede reducirse a la publicación del código fuente, sino que  
debe entenderse como una verificabilidad procesal, es decir, la posibilidad efectiva de  
que las partes comprendan el resultado y lo impugnen (Nuredin e Inan, 2024).  
Un segundo hallazgo es que la responsabilidad jurídica en el uso de IA probatoria no  
puede atribuirse a un único actor. La cadena de responsabilidad humana e institucional  
involucra al proveedor o desarrollador, a la institución que adquiere el sistema, al  
operador o perito que lo utiliza, a la parte que aporta la evidencia, al juez o tribunal que  
la valora y al Estado o poder judicial que la regula y debe supervisarla. Cada actor  
asume deberes específicos en función del riesgo que se introduce (Mendoza y Carrera,  
2026). La responsabilidad difusa, lejos de diluir la culpa, exige mecanismos claros de  
atribución y rendición de cuentas. Un tercer hallazgo es que los derechos y las  
garantías comprometidos (debido proceso, defensa, contradicción, igualdad de armas,  
presunción de inocencia, tutela judicial efectiva, motivación, igualdad y no  
discriminación, privacidad y acceso a la justicia) configuran un núcleo garantista que la  
IA puede quebrantar si se utiliza sin los controles humanos y responsabilidad jurídica  
(Bermudez et al., 2025).  
Resultados  
Fundamentos teórico-jurídicos y comparados  
La valoración racional de la prueba constituye el eje sobre el cual se articula la  
legitimidad de la decisión judicial. En los sistemas procesales contemporáneos, la  
sentencia debe estar motivada y sustentada en inferencias controlables, de modo que  
las partes puedan reconstruir el razonamiento del juzgador y, en su caso, impugnarlo.  
Página 129  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
Un resultado algorítmico, por sofisticado que parezca, no reemplaza la obligación del  
juez de justificar por qué considera fiable una evidencia y qué peso específico le otorga  
en el conjunto del material probatorio.  
Como sostiene Suárez (2025), la apreciación de la prueba compete al juez dentro de  
los límites de la prueba tasada y bajo el principio de la sana crítica, lo que implica que  
las deducciones lógicas deben ser razonadas y no arbitrarias. La intervención de la IA  
puede auxiliar en la organización y clasificación de la información, pero no puede  
sustituir la operación intelectual mediante la cual el juzgador determina la eficacia de los  
medios de prueba practicados (Altamirano et al., 2026).  
La tensión entre la IA como herramienta de apoyo y la IA como fuente de autoridad  
probatoria aparentemente objetiva se comprende mejor si se distinguen los tipos de  
prueba que pueden verse involucrados. No todo uso de IA plantea el mismo nivel de  
riesgo ni exige las mismas garantías procesales. Es posible diferenciar, al menos, cinco  
categorías: (i) prueba tradicional digitalizada, que consiste en un documento o evidencia  
originalmente físico que ha sido escaneado o convertido a formato digital, donde la IA  
puede intervenir en tareas de reconocimiento óptico de caracteres o indexación; (ii)  
prueba digital generada en un entorno electrónico desde su origen —correos,  
metadatos, registros de sistemas—, cuya autenticidad e integridad dependen de la  
cadena de custodia digital (Aguilar, 2024).  
Por otra parte, la (iii) prueba generada por IA, que comprende contenidos creados o  
transformados por sistemas algorítmicos, como transcripciones automáticas, mejoras de  
imagen o resúmenes, donde el riesgo principal radica en la fidelidad del proceso de  
transformación y en la verificabilidad del resultado; (iv) prueba analizada, clasificada o  
priorizada por IA, en la que el sistema opera sobre evidencia preexistente para  
identificar patrones, detectar anomalías o jerarquizar documentos, sin producir nuevo  
contenido probatorio, pero introduciendo criterios de selección que pueden afectar la  
igualdad de armas (Altamirano et al., 2026); y la (v) decisión o recomendación  
algorítmica usada como insumo probatorio, donde el sistema no solo analiza, sino que  
predice o recomienda una conclusión relevante para la decisión judicial, planteando la  
tensión más aguda con el principio del juez natural predeterminado por la ley (Suárez,  
2025). Esta clasificación permite advertir que la intensidad de las garantías exigibles  
varía en función del nivel de autonomía del sistema y de su incidencia en la formación  
de la convicción judicial.  
La literatura especializada ha sistematizado los principios éticos que deben regir la  
incorporación de la IA en el ámbito jurídico. Por lo que Crespo (2025) señala que la  
transparencia implica que los procesos y decisiones que han sido tomados por los  
sistemas de IA “sean comprensibles y accesibles para todos los usuarios, lo cual es  
crucial en el ámbito de la justicia para garantizar que las decisiones automatizadas  
puedan ser auditadas y entendidas por las partes involucradas” (p. 2). A ello añade que  
la equidad exige que los algoritmos sean diseñados y entrenados con datos que  
representen adecuadamente a todas las poblaciones, evitando con ello la perpetuación  
Página 130  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
de desigualdades existentes, y que se implementen mecanismos de supervisión  
humana para así poder garantizar que las decisiones sean justas y equitativas.  
En este sentido, Crespo (2025) identifica cinco principios éticos clave, que se analizan y  
adaptan a esta investigación; el primero de ellos la responsabilidad: siempre debe haber  
una persona capacitada técnicamente que dirija y que a su vez responda por las  
decisiones que sean tomadas por la IA. La explicabilidad implica que las decisiones  
deben ser lo más claras, técnicas y el porqué de cada decisión. La privacidad y  
seguridad: los sistemas deben proteger la privacidad de los datos, por ser netamente  
sensibles y contener información que puede ser sensible a los ataques informáticos.  
Otro principio ético clave es la inclusión: dado que los sistemas deben ser inclusivos a  
todos y todas y no discriminatorios. El logro de poder implementar estos principios trae  
consigo, que se logre la confianza en los sistemas de IA, y se puede contribuir a que se  
“utilicen de manera justa y responsable en la administración de justicia” (p. 2).  
En el ámbito procesal, la transparencia tiene una finalidad específica, hacer posible el  
contradictorio. De poco sirve que se divulgue el código si las partes no cuentan con los  
elementos necesarios para comprender cómo se llegó a un resultado concreto y, sobre  
esa base, ejercer su derecho de defensa. Como señala Vestri (2021), la transparencia  
algorítmica debe registrarse conforme al conocimiento omnicomprensivo del algoritmo,  
incluyendo sus autores, el mecanismo de decisión y los datos considerados relevantes,  
y sobre la no exclusividad de la decisión algorítmica cuando esta produce efectos  
significativos sobre el interesado. Por otra parte, la opacidad, o el fenómeno de la “caja  
negra”, dificulta que las partes puedan conocer o cuestionar los criterios utilizados,  
afectando el derecho de contradecir la valoración (Altamirano et al., 2026).  
Para superar esta limitación, resulta útil proponer una transparencia por niveles, cada  
uno con un contenido mínimo y una función procesal diferenciada. En el nivel  
informativo, se exige el aviso de uso de IA, la identidad del sistema, su finalidad y el  
responsable de su implementación; su función es evitar el uso oculto de herramientas  
algorítmicas que puedan pasar desapercibidas para las partes. En el nivel documental,  
se requiere información sobre la versión del sistema, el proveedor, los datos de entrada,  
las métricas de desempeño y las limitaciones conocidas; permite a los operadores  
jurídicos conocer el sistema y evaluar su pertinencia.  
En el nivel explicativo, se demanda una exposición de las razones comprensibles que  
justifican el resultado concreto, de modo que el juez pueda motivar su decisión y las  
partes puedan discutirla. En el nivel auditable, se exige acceso a registros de ejecución  
(logs), trazabilidad del procesamiento, pruebas de desempeño y posibilidad de auditoría  
independiente; su función es permitir la verificación técnica del sistema. En el nivel  
contradictorio, se garantiza el acceso efectivo de la defensa o contraparte a los  
elementos necesarios para impugnar el resultado algorítmico, haciendo real la igualdad  
de armas. Esta última dimensión es la que conecta directamente la transparencia con el  
debido proceso, pues sin posibilidad efectiva de contradicción, la transparencia se  
reduce a una declaración formal sin consecuencias procesales (Nuredin e Inan, 2024).  
Página 131  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
La pregunta por la responsabilidad en el uso de IA en la valoración probatoria no debe  
formularse en términos de si “la IA es responsable”, esto sería atribuirle valores  
humanos. La IA no es un sujeto jurídico y, por tanto, no sustituye a los sujetos  
jurídicamente responsables. Lo que corresponde analizar es una cadena de  
responsabilidad humana e institucional, en la que cada actor asume deberes  
específicos en función del riesgo que introduce. Como advierten Mendoza y Carrera  
(2026), la responsabilidad difusa en las decisiones asistidas por IA es un fenómeno que  
disminuye la intención de rendir cuentas, precisamente porque la participación de  
múltiples actores como los usuarios, o revisores, puede tender a diluir la culpabilidad.  
El proveedor o desarrollador asume el riesgo de diseño defectuoso, documentación  
insuficiente, sesgo algorítmico o falta de pruebas de validación. Su deber comprende  
documentar el sistema, evaluar riesgos, registrar versiones y advertir sobre sus límites.  
La institución que adquiere o implementa el sistema —poder judicial, fiscalía, tribunal—  
asume, por tanto, el riesgo de compra irreflexiva, falta de controles internos o  
dependencia excesiva del proveedor; su deber incluye realizar evaluaciones de  
impacto, establecer cláusulas de auditabilidad en la contratación y garantizar la  
supervisión humana efectiva (Vestri, 2021).  
El operador o perito que utiliza el sistema asume entonces, el riesgo de uso incorrecto,  
mala interpretación de resultados u omisión de los límites del modelo; su deber  
comprende mantener la competencia técnica, preservar registros de uso y elaborar  
informes claros y verificables. La parte que aporta la evidencia generada o analizada  
por IA asume el riesgo de falta de autenticidad, información incompleta o selección  
interesada de resultados; su deber, por tanto, es acreditar el origen, la integridad, el  
método utilizado y los márgenes de error (Aguilar, 2024).  
El juez o tribunal asume el riesgo de delegación indebida, valoración acrítica o falta de  
motivación; su deber se traduce en el control de la admisibilidad, la debida explicación  
del peso probatorio otorgado y la revisión humana efectiva de todo resultado algorítmico  
(Suárez, 2025). Por consiguiente, el Estado o poder judicial asume el riesgo de  
ausencia de regulación, protocolos y supervisión; su deber comprende la gobernanza,  
auditorías, la formación de operadores y los mecanismos necesarios de reparación  
frente a errores judiciales derivados del uso de IA (Bermudez et al., 2025).  
La incorporación de IA en la actividad probatoria compromete un conjunto de derechos  
y garantías que constituyen el núcleo del debido proceso. El debido proceso exige que  
toda decisión judicial sea adoptada conforme a los procedimientos preestablecidos y  
con respeto de las garantías esenciales; la opacidad algorítmica puede deteriorar este  
derecho al impedir que las partes comprendan el fundamento de la decisión (Nuredin e  
Inan, 2024). El derecho de defensa se ve afectado cuando la parte no puede acceder a  
los elementos necesarios para controvertir la evidencia algorítmica, ya sea porque el  
código es secreto, porque los datos de entrenamiento no son accesibles o porque los  
criterios de inferencia no están documentados. El principio de contradicción exige que  
las partes tengan la oportunidad de cuestionar toda prueba que se pretenda utilizar en  
Página 132  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
su contra; cuando el resultado algorítmico es incomprensible o no replicable, la  
contradicción se vuelve ilusoria (Altamirano et al., 2026).  
La igualdad de armas se compromete porque, en la práctica, las partes no cuentan con  
los mismos recursos técnicos para auditar un sistema de IA; mientras una parte puede  
disponer de peritos especializados, la otra puede carecer de ellos, generando una  
asimetría epistémica que afecta la equidad procesal. La presunción de inocencia,  
especialmente en el proceso penal, se ve tensionada cuando los sistemas predictivos  
de riesgo influyen en la decisión judicial sin que el imputado pueda comprender ni  
cuestionar los criterios que determinaron la evaluación (Mendoza y Carrera, 2026).  
El derecho a una resolución motivada exige que el juez exprese las razones lógicas y  
jurídicas de su decisión, lo que resulta incompatible con la aceptación acrítica de un  
resultado algorítmico. La igualdad y no discriminación se ve amenazada por los sesgos  
algorítmicos, que pueden reproducir patrones históricos de discriminación (Nuredin e  
Inan, 2024). La privacidad, los datos personales y la protección de datos sensibles se  
comprometen cuando los sistemas de IA procesan información biométrica, genética o  
de salud sin las debidas garantías. Finalmente, el acceso efectivo a la justicia puede  
verse limitado si la complejidad técnica de los sistemas disuade a las partes de  
impugnar las decisiones basadas en IA, generando una brecha social, de justicia y  
económica entre quienes pueden costear los peritajes especializados y quienes no  
(Bermudez et al., 2025).  
Modelo normativo-operativo de control probatorio para la evidencia asistida por IA  
El modelo se articula en tres fases acumulativas de control probatorio y un componente  
de atribución de responsabilidad. Las fases condicionan la validez y el peso de la  
evidencia; el componente de responsabilidad identifica deberes institucionales. El  
modelo tiene un carácter sistémico, lo que hace que no se avance a la fase siguiente  
sin superar la anterior.  
Primera fase: admisibilidad condicionada  
Antes de incorporar la evidencia, se exige: identificación del sistema (nombre, versión,  
proveedor y finalidad); trazabilidad de la fuente (archivo original, metadatos, cadena de  
custodia y registro de transformaciones); documentación técnica básica (métricas,  
limitaciones y márgenes de error); y aviso formal a las partes sobre la intervención  
algorítmica. Si falta alguno de estos elementos, la evidencia no se admite; si el defecto  
se detecta después, se excluye, salvo subsanación que no afecte el derecho de  
defensa. Sin esta base, las partes ni siquiera conocen que enfrentan evidencia  
algorítmica, lo que vulnera la contradicción desde su nivel más elemental.  
Página 133  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
Segunda fase: transparencia contradictoria  
Se exige una explicación comprensible del resultado concreto; acceso a registros de  
ejecución y datos de entrada; auditoría técnica por perito independiente;  
reproducibilidad del resultado; y derecho de la parte afectada a presentar su propio  
peritaje. Si la parte no puede comprender ni impugnar el resultado, la evidencia no  
puede ser fundamento único o decisivo y queda reducida al indicio que requiere la  
corroboración independiente. Sin contradicción real, la transparencia es solo una  
declaración formal.  
Tercera fase: valoración judicial motivada  
El juez debe verificar que la evidencia superó las fases anteriores; explicar  
expresamente el peso que le otorga dentro del conjunto probatorio; examinar  
críticamente el resultado, sin aceptarlo acríticamente; y contrastarlo con otras pruebas.  
La falta de motivación sobre el peso de la evidencia algorítmica vulnera el derecho a la  
resolución motivada y la tutela judicial efectiva, y la decisión es impugnable por falta de  
fundamentación. La valoración de la prueba corresponde al juez bajo la sana crítica de  
que un resultado algorítmico, por sofisticado que parezca, no lo releva de justificar por  
qué lo considera fiable y qué peso le asigna (Suárez, 2025).  
Componente de atribución de responsabilidad  
No es una fase de validez de la prueba, sino un eje que distribuye deberes entre los  
actores de la cadena. El proveedor o desarrollador responde por la ejecución de un  
diseño defectuoso, documentación insuficiente, sesgo o falta de validación, y debe  
documentar el sistema, evaluar riesgos, registrar versiones y advertir sus límites; la  
institución que adquiere o implementa el sistema responde por compra irreflexiva, falta  
de controles o dependencia del proveedor, y debe realizar evaluaciones de impacto,  
incluir cláusulas de auditabilidad y garantizar supervisión humana. El operador o perito  
responde por el uso incorrecto, la mala interpretación u omisión de límites, y debe  
mantener competencia técnica, preservar registros y emitir informes verificables. La  
parte que aporta la evidencia responde por falta de autenticidad, información incompleta  
o selección interesada, y debe acreditar origen, integridad, método y márgenes de error.  
El juez responde por delegación indebida, valoración acrítica o falta de motivación, y  
debe controlar la admisibilidad, explicar el peso probatorio y revisar humanamente todo  
resultado algorítmico. El Estado o poder judicial responde por ausencia de regulación,  
protocolos y supervisión, y debe garantizar la gobernanza, las auditorías, formación y  
los mecanismos de reparación.  
El incumplimiento de la primera fase impide la admisión; el de la segunda impide el uso  
como fundamento único o decisivo; el de la tercera vulnera el derecho a la motivación.  
La falta de trazabilidad o de condiciones mínimas de contradicción pueden justificar  
inadmisión, exclusión, nulidad, reducción de eficacia probatoria o exigencia de  
corroboración independiente, según la gravedad, el marco procesal y el perjuicio al  
derecho de defensa. El modelo se articula con los niveles de transparencia de Vestri  
Página 134  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
(2021) —informativo, documental, explicativo, auditable y contradictorio—, pero los  
traduce en consecuencias procesales concretas, los dos primeros corresponden a la  
primera fase; los tres siguientes, a la segunda; la tercera fase conecta la transparencia  
con el deber de motivación; y el componente de responsabilidad cierra el circuito  
institucional. No requiere regulación previa exhaustiva, puede aplicarse dentro del  
debido proceso vigente como una lista de verificación caso por caso, aunque exige la  
formación de operadores y los protocolos internos.  
Discusión  
Los resultados obtenidos confirman que la incorporación de IA en la actividad probatoria  
no es un fenómeno futuro ni hipotético, sino una realidad en expansión que plantea  
profundas reflexiones epistémicas y jurídicas. La coincidencia de los estudios en  
señalar la opacidad algorítmica como el riesgo más recurrente y el derecho de defensa  
como la garantía más afectada revela que el problema central no es la IA en sí misma,  
sino la falta de mecanismos procesales que permiten a las partes comprender y  
controlar los resultados algorítmicos. Como advierten Isaza et al. (2026), la apariencia  
matemática de los resultados genera una "ilusión de precisión" (p. 400) que invisibiliza  
los márgenes de error y las limitaciones cognitivas del sistema, lo que constituye una  
asimetría epistémica estructural que tensiona el deber de motivación judicial y la  
exigencia de una valoración racional de la prueba.  
Esta conclusión es consistente con lo señalado por Serna (2025) para el proceso civil,  
donde la ausencia de protocolos de contradicción algorítmica puede generar una  
asimetría epistémica que afecta la igualdad de armas. Pues como advierten Isaza et al.  
(2026), la apariencia matemática de los resultados genera una "ilusión de precisión" (p.  
400) que invisibiliza los márgenes de error y las limitaciones cognitivas del sistema, lo  
que constituye una asimetría epistémica estructural que tensiona el deber de motivación  
judicial y la exigencia de una valoración racional de la prueba.  
La literatura revisada coincide en que la transparencia no puede reducirse a la  
publicación del código fuente, sino que debe entenderse como verificabilidad procesal.  
Esta conclusión se alinea con la propuesta de Vestri (2021) sobre la transparencia por  
niveles —informativa, documental, explicativa, auditable y contradictoria—, y con la  
caracterización de Crespo (2025) sobre la transparencia como comprensibilidad y  
accesibilidad de los procesos y decisiones. La novedad de este estudio radica en  
aplicar esa distinción al ámbito probatorio y en vincularla con las consecuencias  
procesales específicas que se derivan de cada nivel de incumplimiento. Mientras la  
transparencia informativa evita el uso oculto de IA, la transparencia contradictoria hace  
real la igualdad de armas; sin esta última, las demás resultan insuficientes para  
garantizar el debido proceso.  
En cuanto a la responsabilidad jurídica, los resultados confirman que no puede  
atribuirse a un único actor. La cadena de responsabilidad humana e institucional que se  
propone en este estudio —proveedor, institución, operador, parte aportante, juez y  
Estado— encuentra respaldo en la literatura sobre responsabilidad distribuida y en la  
Página 135  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
crítica a la "responsabilidad difusa" que señalan Mendoza y Carrera (2026). La  
aportación específica de este trabajo consiste en traducir esa cadena de  
responsabilidad en deberes concretos y verificables para cada actor, de modo que la  
atribución de responsabilidad no se diluya en la complejidad técnica del sistema. Esta  
propuesta se alinea con la concepción relacional y procesal de la responsabilidad que  
desarrolla Emelu (2026), según la cual la complejidad de la IA no genera "lagunas de  
responsabilidad" (4), sino que exige mecanismos de trazabilidad y atribución procesal.  
Los resultados también revelan una brecha entre los principios abstractos y los  
instrumentos implementables. Si bien la mayoría de los estudios propone soluciones  
como la auditoría algorítmica, la supervisión humana y el peritaje contradictorio, solo  
una minoría desarrolla protocolos específicos de aplicación. Esta brecha justifica la  
propuesta de un estándar de admisibilidad, contradicción y valoración probatoria que  
combine los niveles de transparencia con las exigencias mínimas por tipo de IA y las  
consecuencias procesales de su incumplimiento. Dicho estándar no pretende ser  
exhaustivo ni definitivo, sino ofrecer un marco operativo que permita a los operadores  
jurídicos evaluar caso por caso si la evidencia asistida por IA cumple con las garantías  
procesales exigibles.  
Conclusiones  
El análisis desarrollado permite sostener que la incorporación de la IA en la actividad  
probatoria no constituye un problema meramente técnico, sino una cuestión que  
interpela los fundamentos epistémicos del proceso judicial. La apariencia de objetividad  
matemática de los resultados algorítmicos encubre una asimetría estructural: el sistema  
puede procesar datos y arrojar correlaciones, pero carece de la capacidad de  
comprender el significado contextual de la evidencia, de ponderar circunstancias  
fácticas complejas o de justificar racionalmente por qué un resultado particular resulta  
correcto en términos de justicia.  
Esta carencia no se resuelve con mayor sofisticación tecnológica, sino que exige  
reconocer que la valoración probatoria es una actividad inherentemente humana,  
orientada por la sana crítica, la lógica y las máximas de experiencia, y que la IA solo  
puede operar como un auxiliar subordinado a esas coordenadas. En consecuencia, la  
transparencia algorítmica debe entenderse no como la mera publicidad del código o de  
la arquitectura del sistema, sino como la posibilidad efectiva de que las partes  
comprendan, reconstruyan y contradigan el razonamiento que condujo al resultado,  
pues sin esa posibilidad la transparencia se reduce a una fórmula vacía que no  
satisface las exigencias del debido proceso.  
El modelo normativo-operativo propuesto —articulado en cuatro fases acumulativas:  
admisibilidad condicionada, transparencia contradictoria, valoración judicial motivada y  
atribución de responsabilidad— ofrece una respuesta estructurada a los desafíos  
identificados, pero su implementación revela una tensión de fondo que el ordenamiento  
jurídico debe resolver. La trazabilidad, la auditabilidad y la contradicción efectiva no  
dependen únicamente de la buena voluntad de los operadores jurídicos, sino de  
Página 136  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
condiciones institucionales que exceden el caso concreto: la formación técnica de  
jueces y peritos, la disponibilidad de recursos para peritajes independientes, la  
existencia de protocolos de contratación pública que exijan cláusulas de auditabilidad y  
la regulación de la responsabilidad civil y administrativa de proveedores e instituciones.  
Mientras estas condiciones no se desarrollen, el modelo corre el riesgo de convertirse  
en un estándar teórico inaplicable en la práctica, especialmente en sistemas judiciales  
con recursos limitados. La conclusión central, por tanto, no es que la IA deba excluirse  
de la actividad probatoria, sino que su admisibilidad y peso probatorio deben graduarse  
en función de la posibilidad real de control y contradicción, y que, en ausencia de esa  
posibilidad, la salida algorítmica no puede constituir el fundamento único o decisivo de  
la decisión judicial, sino que deberá someterse a corroboración independiente o a las  
consecuencias procesales que el ordenamiento prevea para la vulneración de  
garantías.  
Referencias bibliográficas  
Aguilar Cabrera, D. (2024). La inteligencia artificial en la justicia: protocolos para la  
presentación y la valoración de prueba digital obtenida mediante IA. Revista  
Oficial  
Del  
Poder  
Judicial, 16(22),  
475-497.  
https://doi.org/10.35292/ropj.v16i22.1018  
Altamirano Castañeda, R. L., Altamirano Sánchez, G. del R., Pérez Estrada, L. C. &  
Pérez Estrada, M. del C. (2026). La inteligencia artificial en la valoración de las  
pruebas: desafío actual en la gobernanza judicial. Universitas Ciencia, 14(39),  
294–308. https://doi.org/10.5281/zenodo.19578125  
Bermudez Castro, J. C., Quiñones Li, A. E., Romero Coz, S. N., Castro Verona, F. M.,  
Cervera Cajo, L. E. & Cabrera Chaupin, S. A. (2025). Inteligencia artificial y  
derechos humanos en el ordenamiento jurídico peruano: una revisión  
sistemática. Revista  
Tribunal, 5(13),  
676-  
695. https://doi.org/10.59659/revistatribunal.v5i13.295  
Carrasco Cabezas, F. (2025). Propuesta de uso de la inteligencia artificial durante la  
valoración probatoria. Laborem, 24(31), 25–45.  
https://doi.org/10.56932/laborem.24.31.1  
Crespo Berti, L.A. (2025). El impacto de la inteligencia artificial desde las Ciencias  
Jurídicas. Iustitia Socialis. Revista Arbitrada de Ciencias Jurídicas, X(18), 1-4.  
https://doi.org/10.35381/racji.v10i18.4337  
Página 137  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
Emelu, M. N. (2026). Formation-based AI ethics: Ethical formation, responsibility, and  
opportunity cost in AI ecosystems. AI and Ethics, 6, 1-13.  
https://doi.org/10.1007/s43681-026-01165-5  
Hernández Sampieri, R. & Mendoza Torres, C. P. (2023). Metodología de la  
investigación: Las rutas cuantitativa, cualitativa y mixta (2.ª ed.). McGraw-Hill.  
Isaza Bedoya, J., Alzate Arenas, A., Murrillo Arroyave, S., Rubio Cardozo, M. D.,  
Zuluaga Ramírez, S. A., Moreno Higuita, Y. A. & Castro Restrepo, S. (2026). La  
prueba testifical en la era de la inteligencia artificial: modelos epistémicos y  
desafíos para la justicia. Revista de Derecho Procesal Contemporáneo -  
Semilleros,  
(5),  
383-403. http://publicacionesicdp.com/index.php/revista-  
semilleros-icdp/article/view/695  
Kocagül, H. & Kartal, M. (2026). AI, evidentiary authority, and the right to a fair trial in  
criminal proceedings. Laws, 15(3), 58. https://doi.org/10.3390/laws15030058  
Mendoza-Valladolid, N. G. & Carrera-Pérez, G. E. (2026). La Inteligencia Artificial como  
herramienta probatoria: retos y riesgos en el derecho penal contemporáneo.  
Space  
Scientific  
Journal  
of  
Multidisciplinary,  
4(2),  
31-47.  
https://doi.org/10.63618/omd/ssjm/v4/n2/69  
Nuredin, A. & Inan, T. C. (2024). The impact of AI-based decision-making systems on  
justice and equality. International Scientific Journal Vision, 9(2), 9-33.  
https://doi.org/10.55843/ivisum24209n  
https://visionjournal.edu.mk/social/index.php/1/article/view/161  
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D.,  
Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J.,  
Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson,  
E., McDonald, S., McGuinness, L. A., Stewart, L. A., Thomas, J., Tricco, A. C.,  
Welch, V. A., Whiting, P., Moher, D., Yepes-Nuñez, J. J., Urrutia, G., Romero-  
García, M., & Alonso-Fernández, S. (2022). The PRISMA 2020 statement: An  
updated guideline for reporting systematic reviews. International Journal of  
Surgery,  
88,  
1-10.  
https://doi.org/10.1186/s13643-021-01626-4,  
https://doi.org/10.1016/j.ijsu.2021.105906  
Segovia Segovia, A. C. & Flores Quishpi, B. E. (2025). La inteligencia artificial, los  
derechos humanos y el sistema penal ecuatoriano: Un análisis de sus ventajas y  
desventajas. Ciencia Latina Revista Científica Multidisciplinar, 8(6), 8048-8059.  
https://doi.org/10.37811/cl_rcm.v8i6.15510  
Serna Acosta, A. Y. (2025). Desafíos de la inteligencia artificial en la valoración de  
pruebas  
en  
el  
proceso  
civil.  
https://repository.ucatolicaluisamigo.edu.co/server/api/core/bitstreams/d0cb5513-  
7014-45f8-857a-ab1818e5bd56/content  
Página 138  
Transparencia algorítmica y responsabilidad jurídica: retos de la IA en la valoración probatoria  
María Paola Ramos Santacruz  
Armando Rogelio Durán Ocampo  
Volumen: 18  
Recepción: 28/06/2026  
Número: 3  
Trimestre: julio-septiembre  
Aprobado: 04/09/2026  
Año: 2026  
Artículo original  
Suárez Xavier, P. R. (2025). Justicia algorítmica y proceso civil: ¿puede la IA valorar la  
prueba en apelación? IUS ET SCIENTIA, 11(1), 32–53.  
https://doi.org/10.12795/IESTSCIENTIA.2025.i01.02  
Vestri, G. (2021). La inteligencia artificial ante el desafío de la transparencia algorítmica.  
Una aproximación desde la perspectiva jurídico-administrativa. Revista  
Aragonesa  
de  
Administración  
Pública,  
56,  
368–398.  
https://dialnet.unirioja.es/servlet/articulo?codigo=7971161  
Conflicto de intereses: Los autores declaran no tener conflicto de intereses.  
Contribución de los autores: Todos los autores participaron en la concepción, ejecución, análisis y  
redacción del estudio.  
Universidad de Las Tunas en https://ror.org/05fj29j73  
Página 139