Introduzione al glossario AI per il diritto

Il rapido sviluppo dell’intelligenza artificiale generativa ha portato numerosi strumenti utili per la professione legale: da sistemi che ricercano precedenti giurisprudenziali a assistenti che redigono bozze di atti. Tuttavia, l’adozione di queste tecnologie comporta rischi specifici che possono avere conseguenze deontologiche e legali. Il glossario presentato all’assemblea nazionale degli Osservatori per la giustizia civile a Firenze, curato da Francesco Contini dell’IGSG‑CNR, raccoglie i termini fondamentali e le linee guida operative per avvocati, magistrati e operatori del diritto.

Obiettivi della guida

    • Fornire una terminologia condivisa per facilitare il dialogo tra giuristi e tecnologi.
    • Illustrare i principali pericoli (allucinazione, bias) e le relative contromisure.
    • Indicare le responsabilità professionali legate all’uso di AI in ambito legale.
    • Presentare le opportunità pratiche offerte da LLM, machine learning e prompt engineering.

Allucinazione: il rischio più insidioso

L’allucinazione è il fenomeno per cui un modello di AI generativa produce risposte apparentemente convincenti ma false o non verificabili. Il termine, preso in prestito dalla psicologia, descrive la capacità del sistema di “vedere” qualcosa che non esiste. Nel caso legale, l’allucinazione può tradursi in citazioni di sentenze inesistenti o in interpretazioni normative errate.

Due ragioni rendono l’allucinazione particolarmente pericolosa per i giuristi:

    • Uniformità stilistica: l’output falsificato è presentato con lo stesso tono autorevole delle informazioni corrette, senza segnali di avvertimento.
    • Conseguenze professionali: inserire una sentenza inesistente in un atto processuale costituisce una violazione deontologica e può generare responsabilità disciplinare o civile.

La regola pratica è assoluta: ogni risultato prodotto da un’AI deve essere verificato su fonti ufficiali (banche dati giurisprudenziali, codici, testi normativi) prima di essere utilizzato in qualsiasi documento.

Esempio pratico di allucinazione

Un avvocato richiede a un sistema AI di trovare precedenti su una controversia contrattuale. Il modello restituisce cinque sentenze con numero, sezione e data. Dopo aver inserito le citazioni in un ricorso, l’avvocato scopre che tre di esse non esistono. Questo dimostra come l’allucinazione possa compromettere la credibilità dello studio legale e la correttezza della difesa.

Bias: distorsioni sistemiche nei risultati AI

Il bias, o “distorsione”, è un errore sistematico che porta un modello a favorire o penalizzare certi risultati, categorie o soggetti. Il bias non è casuale: nasce da scelte di progettazione e, soprattutto, dai dati di addestramento.

Le principali fonti di bias includono:

    • Dati di addestramento: testi che riflettono pregiudizi storici, sociali o culturali.
    • Scelte progettuali: obiettivi di ottimizzazione e architetture che privilegiano certe tipologie di risposta.
    • Selezione dei casi: campioni geografici, temporali o tematici non rappresentativi.

Nel diritto, le implicazioni sono concrete:

    • Un sistema di “giustizia predittiva” basato su dati storici discriminatori può fornire stime di condanna distorte, influenzando le strategie difensive.
    • Un modello addestrato su contratti anglosassoni può risultare inadeguato per la normativa italiana.
    • Algoritmi di classificazione dei ricorsi potrebbero penalizzare profili di ricorrenti specifici, creando disparità di trattamento.

Per mitigare il bias, i professionisti devono chiedere trasparenza sui dati di addestramento, richiedere audit indipendenti e monitorare costantemente le uscite del modello per individuare anomalie.

LLM e AI generativa: cosa sono e come funzionano

Gli LLM (Large Language Model) sono modelli linguistici di grandi dimensioni addestrati su miliardi di parole. Essi predicono la parola più probabile in base al contesto, generando testi coerenti ma senza vera comprensione semantica. Gli LLM sono alla base di strumenti come ChatGPT, Claude, Gemini e versioni professionali dedicate al settore legale.

Per i giuristi, gli LLM offrono diverse applicazioni:

    • Generazione di bozze di atti e pareri.
    • Sintesi di sentenze lunghe o complesse.
    • Risposte a quesiti giuridici specifici.
    • Traduzione di documenti legali.
    • Suggerimenti per strutture argomentative.

Tuttavia, tre motivi impongono una verifica costante:

    • Possibilità di allucinazione.
    • Aggiornamento limitato rispetto a normative recenti.
    • Bias di lingua e di sistema giuridico (predominanza del diritto anglosassone).

Linguaggio giuridico e LLM

Molti LLM sono addestrati principalmente su fonti in lingua inglese. Quando vengono impiegati per il diritto italiano, è fondamentale valutare la copertura del corpus giuridico nazionale e, se necessario, integrare il modello con dataset specifici (sentenze, codici, dottrina italiana).

Machine learning: dalla teoria alla pratica legale

Il machine learning è il metodo con cui un sistema apprende da dati ed esempi senza programmazione esplicita per ogni compito. Nel contesto legale, il machine learning alimenta:

    • Sistemi di classificazione automatica degli atti (tipo, materia, urgenza).
    • Motori di raccomandazione di precedenti simili.
    • Analisi predittive sull’esito di cause civili o penali.

È importante distinguere due tipologie di sistemi:

    • General purpose: LLM capaci di svolgere molteplici compiti, ma con precisione variabile.
    • Task‑specific: Modelli addestrati per compiti ben definiti (es. revisione contrattuale), più accurati nel loro dominio ma meno flessibili.

La scelta dipende dall’esigenza: per attività ricorrenti e standardizzate, un modello task‑specific può ridurre errori; per richieste ad hoc, un LLM generalista può offrire maggiore versatilità.

Prompt engineering: la chiave per ottenere risposte utili

Il prompt engineering consiste nella formulazione ottimale delle istruzioni fornite al modello AI. Non è una competenza tecnica di programmazione, ma una capacità comunicativa che richiede di comprendere come il modello interpreta i comandi.

Un prompt ben costruito può trasformare una risposta generica in un’analisi giuridica dettagliata. Esempio:

    • Prompt generico: “Analizza questo contratto”.
    • Prompt avanzato: “Analizza le clausole di limitazione di responsabilità nel contratto di fornitura, identificando le deroghe alla disciplina codicistica e segnalando eventuali squilibri a danno del committente”.

Le migliori pratiche di prompt engineering includono:

    • Specificità: indicare esattamente cosa si vuole ottenere.
    • Contesto: fornire al modello informazioni rilevanti (norme di riferimento, giurisdizione).
    • Formato di output: richiedere la risposta in forma di elenco, tabella o paragrafo strutturato.
    • Verifica iterativa: testare più versioni del prompt e confrontare i risultati.

Esempio di prompt per ricerca giurisprudenziale

“Trova sentenze della Corte di Cassazione, Sezione Civile, dal 2015 al 2023 relative a clausole penali nei contratti di appalto, indicando numero di sentenza, data di pubblicazione e sintesi della motivazione.”

Questo prompt guida il modello a cercare in una fascia temporale definita, a specificare la sezione della Corte e a produrre risultati strutturati, facilitando la verifica successiva.

Responsabilità deontologica e gestione del rischio

Gli ordini professionali hanno già iniziato a delineare linee guida sull’uso dell’AI. Le principali raccomandazioni includono:

    • Verifica obbligatoria di ogni output AI su fonti ufficiali.
    • Documentazione del processo di utilizzo dell’AI (prompt, modello, data di generazione).
    • Conservazione dei risultati originali per eventuali controlli disciplinari.
    • Formazione continua del professionista su nuovi strumenti e sui rischi emergenti.

In caso di errore dovuto a un’allucinazione non verificata, la responsabilità ricade sul legale che ha inserito l’informazione falsa nel documento, non sul fornitore del sistema, a meno che non vi siano clausole contrattuali specifiche sulla garanzia di accuratezza.

Conclusioni e raccomandazioni operative

Il potenziale dell’intelligenza artificiale per migliorare l’efficienza degli studi legali è indubbio: riduzione dei tempi di ricerca, automazione di compiti ripetitivi e supporto alla redazione. Tuttavia, la tecnologia non è priva di limiti e rischi. Gli avvocati devono:

    • Acquisire familiarità con i termini chiave (allucinazione, bias, LLM, prompt engineering, explainability).
    • Implementare procedure di verifica sistematica per ogni output AI.
    • Richiedere trasparenza ai fornitori su dati di addestramento e metriche di performance.
    • Adottare pratiche di prompt engineering per massimizzare la rilevanza delle risposte.
    • Mantenere un registro di utilizzo dell’AI per dimostrare diligenza professionale.

Seguendo queste linee guida, gli avvocati potranno sfruttare le opportunità offerte dall’AI senza compromettere l’integrità professionale e il rispetto delle norme deontologiche.