Asistente de Escribanía

The business problemEl problema de negocio

Preparing a real-estate deed requires retyping the same facts from DNI documents, UIF forms and the prior title, checking that the sources agree, resolving exceptions and then moving the validated data into the firm's Word template. The work is repetitive, but errors carry legal and operational risk.Preparar una escritura de compraventa exige volver a tipear los mismos datos desde DNI, fichas UIF y el título antecedente, controlar que las fuentes coincidan, resolver excepciones y trasladar los datos validados al modelo Word del estudio. El trabajo es repetitivo, pero los errores tienen riesgo legal y operativo.

The product replaces typing, not professional judgment. Document AI reads; deterministic Python rules validate, cross-check and decide what can move forward; the notary resolves conflicts and controls the final Word against the originals.El producto reemplaza tipeo, no criterio profesional. Document AI lee; reglas deterministas en Python validan, cruzan y deciden qué puede avanzar; el escribano resuelve conflictos y controla el Word final contra los originales.

Core product workflowWorkflow principal del producto

• Upload: buyer and seller DNI, UIF forms and prior deed.Carga: DNI de comprador y vendedor, fichas UIF y escritura antecedente.
• Read: Google Document AI OCR and Form Parser, pinned to exact production versions.Lectura: OCR y Form Parser de Google Document AI, fijados a versiones exactas de producción.
• Control: deterministic identity checks, ICAO and CUIL checksums, source matching and explicit conflict states.Control: chequeos deterministas de identidad, dígitos ICAO y CUIL, cruce entre fuentes y estados explícitos de conflicto.
• Human gate: incompatible identities cannot be approved manually; ambiguous or contradictory data requires a decision.Gate humano: identidades incompatibles no se pueden aprobar manualmente; datos ambiguos o contradictorios requieren decisión.
• Output: draft deed in the firm's Word format plus a validation record.Salida: proyecto de escritura en el formato Word del estudio más acta de validación.

RAG capability: how it worksCapacidad RAG: cómo funciona

RAG evaluation scopeAlcance de la evaluación RAG

The corpus contains selected articles from three official Argentine sources. No blogs, commercial summaries or client documents are used.El corpus contiene artículos seleccionados de tres fuentes oficiales argentinas. No usa blogs, resúmenes comerciales ni documentos de clientes.

• Civil and Commercial Code, Law 26,994Código Civil y Comercial, Ley 26.994 ↗
• UIF Resolution 242/2023 for notariesResolución UIF 242/2023 para escribanos ↗
• Law 25,246 on money laundering controlsLey 25.246 sobre prevención de lavado ↗

The evaluation contains 20 answerable questions, five ambiguous case-specific questions and five questions outside the corpus. Every answerable case specifies the official source expected in the top five results.La evaluación contiene 20 preguntas respondibles, cinco preguntas ambiguas sobre casos concretos y cinco preguntas fuera del corpus. Cada caso respondible especifica la fuente oficial esperada entre los primeros cinco resultados.

Evidence and abstentionEvidencia y abstención

The generator receives only the five retrieved fragments. Each legal claim must include a fragment ID such as [F012]. The application checks that every cited ID was actually retrieved before displaying the answer. When the context is missing or the question asks for judgment about an unseen client or document, the expected behavior is abstention.El generador recibe únicamente los cinco fragmentos recuperados. Cada afirmación jurídica debe incluir un ID como [F012]. La aplicación verifica que cada ID citado haya sido recuperado antes de mostrar la respuesta. Cuando falta contexto o la pregunta exige juzgar un cliente o documento no provisto, el comportamiento esperado es abstenerse.

Failures found and correctionsFallos detectados y correcciones

• Bad article boundaries. The first parser treated an inline reference to “article 456” as a new section, producing 92 noisy fragments. Article detection was anchored to real headings and covered with a regression test. The corrected corpus contains 57 validated fragments.Límites incorrectos de artículos. El primer parser trataba una referencia inline a “artículo 456” como una sección nueva y generaba 92 fragmentos ruidosos. La detección quedó anclada a encabezados reales y cubierta por un test de regresión. El corpus corregido contiene 57 fragmentos validados.
• Long articles were dropped. Articles 20 and 21 of Law 25,246 exceeded the original size limit. Long articles are now split into bounded parts while preserving the article reference.Se descartaban artículos largos. Los artículos 20 y 21 de la Ley 25.246 superaban el límite original. Ahora se dividen en partes acotadas conservando la referencia al artículo.
• Unknown citation attempted. In one evaluation case the model returned a source ID outside the retrieved set. The citation gate rejected the full response before it reached the user. This remains visible in the public results instead of being removed.Intento de cita desconocida. En un caso el modelo devolvió un ID fuera del conjunto recuperado. El gate rechazó la respuesta completa antes de mostrarla. El fallo permanece visible en los resultados públicos en lugar de eliminarse.
• Over-abstention. One answerable PEP question was rejected because the retrieved context did not support a complete definition. The system kept the safer abstention rather than force an unsupported answer.Abstención excesiva. Una pregunta respondible sobre PEP fue rechazada porque el contexto recuperado no sostenía una definición completa. El sistema conservó la abstención segura en lugar de forzar una respuesta sin respaldo.