Este documento presenta un marco de aprendibilidad para validar la extracción de información de modelos de lenguaje grande (LLM) sin anotaciones de verdad fundamental. Aplicado a 20,809 textos legales otomanos, el marco logra un Puntaje de Aprendibilidad de 0.891 a través del consenso de múltiples clasificadores, con una validación externa que confirma un acuerdo sustancial entre cinco LLM diversos ( = 0.785) y expertos humanos ( = 0.786). El enfoque trata la consistencia interna como una propiedad sistémica medible, donde modelos de aprendizaje automático heterogéneos redescubren de manera independiente los patrones asignados por el LLM. El análisis de confusión revela que los errores se concentran en límites jurídicamente significativos (por ejemplo, comercial-herencia: 20.4% de desacuerdos), demostrando coherencia semántica en lugar de ruido arbitrario. El marco ofrece una validación práctica para corpus históricos y especializados donde la anotación tradicional es inviable, procesando documentos a USD 0.01 cada uno con un rendimiento paralelizable. Las anotaciones validadas permiten la construcción de grafos de conocimiento con 20,809 nodos de documentos, 7 nodos de categoría y bordes de proximidad semántica ponderados por confusión. Esta metodología basada en sistemas avanza la investigación computacional reproducible en dominios que carecen de estándares establecidos.