La pregunta llega seguido: “¿No es lo mismo que preguntarle a ChatGPT?”. La respuesta corta es no.

El problema que nadie menciona en las demos

Los demos de chatbots legales son convincentes. El modelo describe la Ley 24.240, explica qué es el COPREC, redacta una nota de reclamo. Se ve útil.

El problema aparece cuando alguien pregunta algo concreto: “¿Mi reclamo califica para COPREC?” o “¿Puedo presentarlo online?”. Ahí el modelo genérico hace lo que mejor sabe hacer: suena seguro mientras adivina.

No es culpa del modelo. Es un problema de arquitectura.

El ejemplo no es hipotético. En febrero de 2025 el Decreto 55/2025 disolvió el COPREC como vía gratuita obligatoria y trasladó la gestión de reclamos a la Ventanilla Única Federal de Reclamos de Defensa del Consumidor; el COPREC como tal solo sigue disponible como conciliación privada paga. Un modelo entrenado con datos anteriores a ese cambio — o sin acceso a la normativa vigente — sigue recomendando un trámite que ya no funciona así. Para reclamos de consumidor con plazos legales, ese desfase no es tolerable.

El patrón que usamos: chat advisor

Cuando diseñamos Reclamify, la pregunta central fue: ¿cómo hace el sistema para decidir, en tiempo real, qué fuente consultar antes de responder?

La solución: un chat advisor. No es un término del mercado — es el nombre que le damos, puertas adentro, a una técnica conocida (function-calling / tool-use antes de responder): el modelo actúa como router — analiza la consulta, decide qué fuentes son relevantes, las consulta, y recién entonces genera la respuesta.

Las fuentes incluyen bases normativas actualizadas, información de organismos (procedimientos, modalidades, requisitos), y jurisprudencia. Cuando la pregunta es sobre qué vía de conciliación corresponde hoy — Ventanilla Única Federal, conciliación gratuita por sorteo, o COPREC privado pago — el sistema consulta la normativa vigente en lugar de lo que aprendió durante el entrenamiento. Cuando es sobre plazo de respuesta, va a la norma.

La diferencia que importa

Un chatbot genérico responde en función de lo que aprendió durante el entrenamiento. Puede estar desactualizado. Puede inventar un organismo o un plazo.

Un advisor que consulta fuentes en tiempo real responde en función de lo que dice hoy la norma aplicable. La respuesta tiene trazabilidad.

En el contexto de reclamos con plazos legales, la diferencia entre “el modelo estimó” y “la norma dice” es exactamente la diferencia entre una herramienta que ayuda y una que da falsa seguridad.

Por qué esto es difícil de replicar

El router tiene que clasificar correctamente la intención: “me estafaron con un electrodoméstico” puede ser defensa del consumidor, fraude, o garantía legal. Las fuentes tienen que estar mantenidas. Y el modelo tiene que saber cuándo no sabe.

Que las demos de chatbots genéricos se vean igual no significa que resuelvan lo mismo: clasificar intención, mantener las fuentes vivas y saber cuándo no sabe es trabajo continuo, no una feature que se activa una vez y queda.

Lo que construimos en Reclamify

En Reclamify optamos por este patrón para reclamos de consumidor en Argentina: el advisor conecta múltiples fuentes de normativa y organismos, y usa un modelo de lenguaje para orquestar las consultas y sintetizar la respuesta.

El resultado visible es una conversación. Lo que hay debajo es un sistema que, antes de responder, decidió qué saber.

El mismo router que distingue si “me estafaron con un electrodoméstico” es defensa del consumidor, fraude o garantía legal es el patrón que aplica a otros dominios con plazos que cambian — clasificar intención, consultar la fuente vigente, recién ahí responder.