Desarrollo de un sistema basado en Inteligencia Artificial para la gestión de información en el sector legal y financiero.

Abstract

El presente Trabajo de Fin de Grado aborda el problema de desplegar en producción un sistema de inteligencia artificial orientado al procesamiento de documentación societaria y fiscal sensible en el ámbito legal. El punto de partida es la identificación de que construir un prototipo funcional capaz de extraer información de documentos es técnicamente accesible con las herramientas actuales. Sin embargo, convertirlo en un sistema que opere de forma continua, segura, trazable y conforme a la normativa vigente constituye un reto de naturaleza radicalmente distinta, que involucra dimensiones técnicas, organizativas, legales y éticas que un prototipo no contempla (Sculley et al., 2015; Amershi et al., 2019). El objetivo principal es diseñar una arquitectura de referencia auditable sobre Amazon Web Services (AWS) que garantice simultáneamente el cumplimiento del Reglamento General de Protección de Datos (Reglamento (UE) 2016/679) y del Reglamento de Inteligencia Artificial (Reglamento (UE) 2024/1689), aplicada al caso de uso de un despacho de abogados especializado en operaciones societarias y asesoramiento fiscal que realiza análisis asistido por IA de expedientes de due diligence. La solución propuesta integra una arquitectura serverless compuesta por servicios AWS (entre ellos Amazon Bedrock, AWS Step Functions, AWS Lambda, Amazon S3 y AWS KMS), con privacidad por diseño aplicada en cada capa del sistema. El análisis del flujo de datos de extremo a extremo identifica los puntos críticos de exposición y propone controles proporcionales para cada uno. Los resultados evidencian que el cumplimiento normativo y el diseño técnico son inseparables, que contratar infraestructura cloud de confianza no exime al responsable del tratamiento de sus obligaciones bajo el RGPD, y que la supervisión humana constituye el control más relevante del sistema tanto desde la perspectiva de la responsabilidad profesional del abogado como desde la del gobierno de la IA. El trabajo concluye con un itinerario de madurez estructurado en tres fases: prueba funcional con datos sintéticos, piloto controlado con datos reales acotados e incorporación iterativa hasta la operación normalizada.

This undergraduate thesis addresses the challenge of deploying in production an artificial intelligence system designed to process sensitive corporate and tax documentation in the legal sector. The starting point is the observation that building a functional proof-of-concept capable of extracting information from documents is technically accessible with current tools; however, transforming it into a system that operates continuously, securely, traceably, and in compliance with applicable regulations represents a fundamentally different challenge, one that involves technical, organizational, legal, and ethical dimensions that a prototype does not address (Sculley et al., 2015; Amershi et al., 2019). The main objective is to design an auditable reference architecture on Amazon Web Services (AWS) that simultaneously ensures compliance with the General Data Protection Regulation (Regulation (EU) 2016/679) and the Artificial Intelligence Act (Regulation (EU) 2024/1689), applied to the use case of a law firm specializing in corporate transactions and tax advisory that performs AI-assisted analysis of due diligence files. The proposed solution integrates a serverless architecture built on AWS services (including Amazon Bedrock, AWS Step Functions, AWS Lambda, Amazon S3, and AWS KMS) with privacy-by-design applied at each layer of the system. The end-to-end data flow analysis identifies five critical exposure points and proposes proportionate controls for each one. The results demonstrate that regulatory compliance and technical design are inseparable, that contracting trusted cloud infrastructure does not exempt the data controller from its obligations under the GDPR, and that human oversight constitutes the most important control in the system, both from the perspective of the lawyer's professional responsibility and from that of AI governance. The work concludes with a three-phase maturity roadmap: functional testing with synthetic data, a controlled pilot with scoped real data, and iterative expansion until normalized operation.