En el análisis forense digital, gran parte de la evidencia se encuentra en conversaciones, principalmente en un dispositivo celular móvil mediante una aplicación de mensajería ya sea formato de texto o audio, gran parte de la información relevante está ahí. Actualmente los modelos de IA permiten detectar amenazas, estafas y otros delitos, pero su uso en contextos legales es limitado si no son explicables, esto es una condición necesaria para que un sistema pueda ser confiable, auditable y admisible. En contextos donde una conclusión puede tener impacto real en una investigación judicial criminal, la explicabilidad deja de ser una mejora deseable y pasa a ser un requisito fundamental.
Diseñé un sistema desarrollado en Python que combina arquitectura multi-agente con RAG para trabajar sobre evidencia concreta y modelos de lenguaje ejecutados localmente con Ollama para mantener la confidencialidad. El foco no está solo en detectar, sino en explicar: cada resultado es trazable, auditable y respaldado por evidencia. No alcanza con que el modelo “detecte algo”: es necesario entender por qué lo detecta, en base a qué evidencia y si ese proceso puede ser revisado y defendido.
En esta charla mostraré que cada resultado está respaldado por evidencia concreta recuperada, el registro del flujo de decisión de los agentes, la generación de explicaciones en lenguaje natural junto con fragmentos relevantes de las conversaciones y como consecuencia la obtención de un análisis reproducible y auditable.