Anexo A · Metodología

Anexo A: metodología

Este anexo reúne el detalle metodológico del estudio: el diseño, las escalas, las pruebas estadísticas, las decisiones de tratamiento de datos y el marco teórico que fundamenta cada hipótesis. El cuerpo del informe puede leerse sin necesidad de este anexo. Aquí se documenta todo lo técnico para quien quiera auditar o profundizar.

Diseño del estudio

El estudio sigue la metodología de validación de instrumentos de José Supo (2013), aplicada en cuatro etapas: revisión de literatura, construcción de ítems, validación por jueces y prueba piloto con análisis estadístico de discriminación de ítems (n=20).

Se aplicaron dos versiones del cuestionario, adaptadas terminológicamente a cada población ("firma legal" vs. "departamento jurídico", "clientes" vs. "clientes internos"), en colaboración entre el Laboratorio de Derecho e Inteligencia Artificial de la Universidad Panamericana, KermaPartners y Lemontech. Los datos se recolectaron entre junio y noviembre de 2025.

Muestra y alcance geográfico

La muestra es no probabilística y predominantemente mexicana. Los participantes fueron reclutados a través de las redes de las organizaciones convocantes, lo que probablemente sobreestima el nivel efectivo de adopción del mercado.

PoblaciónMéxicoChileOtros LATAMFuera de LATAM
Despachos (n=72)61 (84.7%)04 (5.6%)7 (9.7%)
Gerencias (n=39)18 (46.2%)10 (25.6%)8 (20.5%)3 (7.7%)
Total (n=111)79 (71.2%)10 (9.0%)12 (10.8%)10 (9.0%)

La base mexicana es la mayor del estudio, pero el tamaño por sí solo no autoriza inferencias representativas del país. Los contrastes describen asociaciones en esta muestra seleccionada por redes; Chile (10 gerencias) se analiza de manera exploratoria.

Escalas de medición

El instrumento emplea tres escalas principales:

EscalaRango1 / 035
Acuerdo1–5Totalmente en desacuerdoNeutralTotalmente de acuerdo
Frecuencia1–5NuncaLa mitad del tiempoSiempre
Uso de herramientas0–5No contratada / NuncaOcasionalDiario

Otras variables escalares: madurez KPI (1–5), conocimiento (1–5), % de digitalización (0–4, por rangos), frecuencia de capacitación (0–4).

Pruebas estadísticas

  • Escalas Likert vs. punto neutro: prueba de Wilcoxon de rangos con signo contra el valor neutro (3.0), bilateral. Se usa por el tamaño de muestra y la naturaleza ordinal de los datos.
  • Comparación entre dos grupos (p. ej. despachos vs. gerencias): Mann-Whitney U.
  • Comparación entre más de dos grupos (p. ej. por país o tamaño): Kruskal-Wallis.
  • Variables categóricas: Chi-cuadrado (o Fisher exacto si alguna celda < 5).
  • Relación entre variables: correlación de Spearman (ρ), por la naturaleza ordinal de las escalas.
  • Nivel de significancia: α = 0.05.

Tamaños de efecto (r): r < 0.1 despreciable, 0.1–0.3 pequeño, 0.3–0.5 mediano, > 0.5 grande. Fuerza de correlación (Evans, 1996): 0.00–0.19 muy débil, 0.20–0.39 débil, 0.40–0.59 moderada, 0.60–0.79 fuerte, 0.80–1.00 muy fuerte.

Tratamiento de datos: skip-logic e imputación de IA

Nueve respondentes en despachos y ocho en gerencias dejaron vacía la pregunta de implementación de IA, pero sí respondieron las preguntas de uso de herramientas de IA. Se atribuye a un artefacto de la plataforma de encuesta y se infirió "Sí implementó IA" para esos casos.

Como esta decisión eleva mecánicamente la tasa de adopción (cifra titular del informe), se reporta un análisis de sensibilidad con y sin imputación:

PoblaciónTasa con imputación (%)Tasa sin imputación (%)Diferencia (pp)
Despachos 73.6 69.8 3.8
Gerencias 69.4 60.7 8.7

Con imputación, las bases son 53/72 despachos y 25/36 gerencias. Sin ella, 44/63 y 17/28 entre respuestas explícitas. Hay tres gerencias sin respuesta válida de adopción. La comparación cambia numerador y denominador, no utiliza una base fija.

Nota sobre el Índice de Adopción y las correlaciones parte-todo

El Índice de Adopción es una escala sumatoria de componentes. Correlacionar un componente con el índice completo produce una correlación parte-todo, inflada por construcción. Por eso, siempre que el informe compara qué factores se relacionan con el índice, usa la correlación ítem-total corregida, que excluye cada componente de su propio total. Ambas versiones (bruta y corregida) se reportan en el Anexo de correlaciones.

Hipótesis: planteamiento, prueba y resultado

Se presentan 18 enunciados (H01–H18). Hay resultados de ítems para 17 filas, pero H15 y H17 comparten una prueba y H01 no mide directamente existencia de políticas. H16 carece de contraste concluyente.

N°CapítuloHipótesis Media Dp (D) Media Gp (G)Resultado
H01 IA · Marco ético Las organizaciones carecen de políticas internas para uso ético de IA 3.87 <0.0001 2.86 0.5601 No evaluable directamente
H02 IA · Marco ético La aplicación práctica de consideraciones éticas es inconsistente 3.23 0.2447 3.11 0.7423 No soportada
H03 Capacidad · Infraestructura La brecha digital es una barrera para la adopción tecnológica 3.36 0.0267 3.15 0.4552 Soportada
H04 Capacidad · Infraestructura Falta comprensión técnica para uso efectivo de IA 3.34 0.0172 3.60 0.0087 No soportada
H05 Capacidad · Infraestructura La fragmentación tecnológica es una barrera significativa 2.73 0.0888 3.23 0.2705 No soportada
H06 Personas · Adaptación Las competencias humanas mantienen su centralidad en la práctica legal 4.16 <0.0001 3.97 <0.0001 Hallazgo de consenso
H07 Personas · Adaptación La supervisión humana del trabajo de IA es una competencia fundamental 4.65 <0.0001 4.26 <0.0001 Hallazgo de consenso
H08 Personas · Adaptación La resistencia al cambio es la principal barrera para adopción tecnológica 3.54 0.0003 3.64 0.0055 Hallazgo de consenso
H09 Personas · Eficiencia La adopción de tecnologías digitales aumenta la eficiencia operativa 3.96 <0.0001 4.11 <0.0001 Soportada
H10 Personas · Eficiencia La automatización de tareas reduce costos operativos 3.35 0.0208 3.62 0.0040 Soportada
H11 Personas · Eficiencia La automatización permite dedicar más tiempo a trabajo de mayor valor 3.88 <0.0001 3.97 <0.0001 Soportada
H12 Personas · Cliente La implementación tecnológica mejora la satisfacción del cliente 3.43 0.0042 3.77 0.0002 Soportada
H13 Personas · Cliente La tecnología aumenta la transparencia percibida 3.78 <0.0001 3.97 <0.0001 Soportada
H14 Personas · Cliente Existe preferencia creciente por interacciones digitales con clientes 2.64 0.0105 3.23 0.1452 No soportada
H15 IA · Uso Las organizaciones perciben beneficio tangible en eficiencia al usar IA 3.92 <0.0001 3.61 0.0167 Soportada
H16 IA · Uso Los que usan IA perciben mejora en la calidad de sus servicios — — — — Indeterminado
H17 IA · Uso La IA reduce efectivamente el tiempo dedicado a tareas rutinarias 3.92 <0.0001 3.61 0.0167 Soportada
H18 IA · Uso Las herramientas de IA aumentan la capacidad para manejar más casos 3.60 0.0013 3.54 0.0311 Soportada

Notas de corrección sobre la tabla de hipótesis

  • H01: no evaluable directamente. El ítem pregunta por frecuencia de evaluación de riesgos, no por existencia de políticas. Las medias 3.87 y 2.86 se conservan como resultados del ítem. Un p=0.5601 en gerencias no demuestra carencia de políticas. Se retira el veredicto de apoyo a esa hipótesis y el conteo anterior que lo incluía.
  • H15 y H17 (uso de IA). Comparten el mismo ítem (reducción de tiempo en tareas rutinarias) y, por tanto, valores idénticos. Se conservan como planteamientos teóricos distintos, pero estadísticamente son una sola prueba.
  • H16 (calidad percibida con IA). Quedó indeterminada: requiere comparar adoptantes vs. no adoptantes, y el grupo de no adoptantes es demasiado pequeño para una prueba concluyente.

Marco teórico por bloque

A continuación se resume la literatura que fundamenta cada bloque de hipótesis. Se conserva aquí, fuera del cuerpo, para no recargar la lectura general.

Infraestructura. Zolea (2023) documenta que la digitalización amplió el acceso a la educación legal, pero que persiste una brecha digital: muchos estudiantes no tienen la tecnología ni la conectividad necesarias. Syahril & Hasan (2024) advierten que la mera disponibilidad de infraestructura no garantiza su uso efectivo: se requiere comprensión técnica y capacidad organizacional.

Adaptación profesional. Kubicki (citado en Berry, 2024) sostiene que el pensamiento crítico y las conexiones humanas siguen siendo las competencias más valoradas, incluso con alta adopción tecnológica. Armour et al. (2022) describen tres efectos de la tecnología sobre el empleo legal (sustitución, complemento y creación de roles). La supervisión humana de la IA corresponde al efecto de complemento. El Barómetro de EY (2024) identifica la resistencia al cambio —junto con la falta de recursos financieros y humanos— como principal freno de la transformación digital legal.

Eficiencia. Rebenchuk (citado en Berry, 2024) estima que ~44% de las tareas legales son automatizables. Armour et al. (2022) vinculan la reducción de costos al efecto de sustitución de tareas rutinarias.

Experiencia del cliente. Clio (2023) identifica la satisfacción del cliente como uno de los resultados más directos de la adopción tecnológica, con la transparencia (visibilidad del estado y los tiempos del asunto) como palanca central.

Uso de IA. Jackowski & Araszkiewicz (2023) reportan que el 51% de las firmas legales ya ha implementado alguna forma de IA y que el 38.2% de las tareas en firmas legales son rutinarias y automatizables, lo que se traduce en la percepción de liberación de tiempo profesional.

Marco ético. Bowan & Katzav (citados en Berry, 2024) argumentan que los sistemas de IA operan sin comprensión ética genuina, lo que abre una brecha entre la capacidad técnica y la responsabilidad profesional. Pierce & Goutos (citados en Berry, 2024) recuerdan que, desde 2012, las Reglas Modelo de la ABA obligan al abogado a mantenerse al día con los beneficios y riesgos de la tecnología relevante, deber que hoy alcanza al uso de IA. Logvinova (citada en Berry, 2024) advierte que aún faltan principios de gobernanza regulatoria y que las normas apenas se están formulando en el mundo. En México, donde el marco específico para IA legal está en desarrollo, esta brecha es más pronunciada.

Bibliografía

Referencias citadas en este anexo. Las citas secundarias (Bowan & Katzav, Kubicki, Logvinova, Pierce & Goutos, Rebenchuk) se toman de Berry (2024).

  • Armour, J., Parnham, R., & Sako, M. (2022). Augmented lawyering. University of Illinois Law Review, 2022(1), 71.
  • Berry, S. (2024). AI and the Legal Profession: Transforming the future of law (ed. Alex Davies, 2023; Globe Law and Business). Legal Information Management, 24(1), 61–63.
  • Clio. (2023). 2023 Legal Trends Report [Reporte]. Clio. https://www.clio.com/resources/legal-trends/
  • Evans, J. D. (1996). Straightforward statistics for the behavioral sciences. Brooks/Cole Publishing.
  • EY. (2024). Segundo Barómetro de gerencias legales: retos y oportunidades. Una radiografía de los equipos jurídicos [Reporte]. EY Servicios Profesionales de Auditoría y Asesorías Ltda.
  • Jackowski, M., & Araszkiewicz, M. (2023). First Global Report on the State of Artificial Intelligence in Legal Practice. Liquid Legal Institute. https://doi.org/10.38023/5501c854-14eb-4529-b6b9-44343e477f44
  • Supo, J. (2013). Cómo validar un instrumento. Lima: Biblioteca Nacional del Perú. https://cvonline.uaeh.edu.mx/Cursos/Maestria/MGIEV/MGIEV15/Unidad_2/lec_0514_como%20validar%20un%20instrumento.pdf
  • Syahril, M. A. F., & Hasan, N. (2024). Legal Analysis of the Application of Cyber Notary in the Notary Profession in Indonesia. Jurnal Litigasi Amsir, 11(3), 352–358.
  • Zolea, S. (2023). Digitalization of Legal Education. Uzbek Journal of Law and Digital Policy, 1.

Cómo citar

Prince Tritto, P., Villa Berger, P., Salmon, L., Muñoz Ponce, M., & Limón González, J. B. (2026). Índice de Madurez Tecnológica en la Industria Legal: estudio piloto (datos de México, 2025). Laboratorio de Derecho e Inteligencia Artificial, Universidad Panamericana; KermaPartners; Lemontech. https://labderia.up.edu.mx/reporte-legaltech