The Generative Reasonable Person

1. Il Problema: L'Opacità del "Ragionevole"

L'articolo affronta un problema fondamentale nel diritto: la definizione e l'applicazione dello standard del "ragionevole" (o "persona ragionevole").

• Il Dilemma Empirico-Normativo: Da due secoli, i giuristi dibattono se lo standard del ragionevole sia descrittivo (basato su ciò che la gente pensa davvero) o normativo (un ideale astratto). Tuttavia, la maggior parte delle decisioni giudiziarie si basa su intuizioni giudiziarie o su standard "di fatto" non verificati.
• Carenza di Strumenti: Fino ad oggi, non esistevano metodi economici, scalabili ed empirici per misurare le opinioni della gente comune su questioni di negligenza, consenso e interpretazione contrattuale.
  • I processi con giuria sono costosi, lenti e soggetti a distorsioni.
  • I sondaggi sono onerosi (decine di migliaia di dollari) e lenti.
  • I giuristi rischiano di proiettare le proprie intuizioni di élite su standard che dovrebbero riflettere la comunità.
• L'Obiettivo: Colmare il divario tra la teoria giuridica e la realtà empirica delle percezioni pubbliche, fornendo uno strumento per verificare se le intuizioni dei giudici corrispondono al pensiero comune.

2. Metodologia: S-RCT (Silicon Randomized Controlled Trials)

L'autore propone una nuova metodologia chiamata Silicon Randomized Controlled Trials (S-RCT), che adatta i classici esperimenti controllati randomizzati (RCT) alle grandi lingue modelli (LLM).

• Il Concetto Chiave: Stateless (Assenza di Stato): Sfrutta la caratteristica architetturale degli LLM di essere "senza stato" quando accessibili via API. Ogni sessione di chat è un soggetto sperimentale indipendente che non ricorda le interazioni precedenti.
• Procedura Sperimentale:
  1. Assegnazione Randomizzata: Migliaia di sessioni indipendenti di LLM vengono assegnate casualmente a diverse condizioni sperimentali (es. scenari di negligenza con costi diversi o tipi di inganno diversi).
  2. Assegnazione di Persona: Gli LLM vengono istruiti a interpretare ruoli specifici (es. "Mary Alvarez, 61 anni, ispanica, democratica") per simulare la diversità demografica e ridurre il bias dell'assistente "utile".
  3. Misurazione Differenziale: Invece di chiedere un giudizio assoluto (che potrebbe essere memorizzato o influenzato dalla sycophancy, ovvero l'adulazione dell'utente), si misura come cambiano le risposte al variare delle condizioni sperimentali. Questo isola il ragionamento latente dalla semplice memorizzazione di dottrine legali.
• Replicazione: Lo studio replica tre studi accademici pubblicati su esseri umani riguardanti:
  1. Negligenza: La percezione della ragionevolezza in base alla prassi comune vs. costi/benefici.
  2. Consenso: La valutazione del consenso in caso di menzogne essenziali vs. materiali.
  3. Interpretazione Contrattuale: La percezione di equità e validità di clausole nascoste.

3. Risultati Chiave

L'analisi di quasi 10.000 giudizi simulati rivela che gli LLM hanno interiorizzato schemi di ragionamento umano che spesso contraddicono la dottrina legale formale.

A. Negligenza: Conformità Sociale > Analisi Costi-Benefici

• Risultato Umano: Le persone giudicano più negativamente chi non adotta una precauzione se la maggior parte della comunità lo fa (norma sociale), indipendentemente dal costo.
• Risultato LLM: I modelli replicano questo schema. Danno più peso alla conformità sociale (quanto è comune la precauzione) rispetto all'efficienza economica (costo della precauzione), invertendo la gerarchia insegnata dai manuali di diritto (es. la Formula di Hand).
• Significato: I modelli hanno appreso come le persone ragionano "nel mondo reale", non come dovrebbero ragionare secondo la teoria economica del diritto.

B. Consenso: Il Paradosso delle Menzogne

• Risultato Umano: Esiste un paradosso: le persone ritengono che le menzogne materiali (su aspetti che importano economicamente, come i punti fedeltà) siano più dannose per la vittima, ma paradossalmente ritengono che il consenso sia più valido rispetto alle menzogne essenziali (sulla natura stessa del prodotto).
• Risultato LLM: I modelli replicano fedelmente questo paradosso controintuitivo. Riconoscono che l'inganno materiale è più rilevante, ma che l'essenza della transazione è ciò che determina la validità del consenso.
• Significato: I modelli hanno catturato una "teoria folk" del consenso che i giuristi potrebbero non riconoscere.

C. Contratti: Formalismo Popolare

• Risultato Umano: I consumatori comuni tendono a essere "formalisti": credono che le clausole nascoste (es. commissioni) siano vincolanti e giuridicamente applicabili anche se le ritengono ingiuste o non hanno dato un consenso reale.
• Risultato LLM: I modelli, specialmente quando istruiti con una persona, si allineano più strettamente ai consumatori comuni che agli esperti legali. Confermano la gerarchia: l'applicabilità legale è percepita come più alta del consenso reale, che è più alto della percezione di equità.
• Significato: Gli LLM non riflettono l'opinione degli avvocati o dei giudici, ma quella della gente comune.

4. Contributi Principali

1. Nuovo Strumento Empirico: Introduce il "Ragionevole Generativo" come strumento pratico per stimare i giudizi di ragionevolezza su larga scala a una frazione del costo dei sondaggi tradizionali.
2. Validazione della Capacità degli LLM: Dimostra che gli LLM non sono semplici "pappagalli statistici" che ripetono la dottrina legale, ma hanno interiorizzato gli schemi cognitivi profondi e le intuizioni morali della gente comune.
3. Risoluzione del Dibattito Descrittivo/Normativo: Fornisce una linea di base empirica verificabile. Se un giudice decide contro l'intuizione comune, ora deve giustificare esplicitamente la scelta normativa, invece di nasconderla dietro un'intuizione non verificata.
4. Accesso alla Giustizia: Offre a litiganti con risorse limitate un proxy economico per i test di giuria (mock juries), livellando il campo di gioco contro parti più ricche.

5. Significato e Implicazioni

• Trasparenza Giudiziaria: Il "Ragionevole Generativo" funge da "dizionario" per i giudizi di ragionevolezza. Rende trasparenti le deviazioni dall'intuizione comune, costringendo i giudici a giustificare le proprie scelte normative piuttosto che assumerle come fatti.
• Applicazioni Regolatorie: Le agenzie (es. FTC) possono testare rapidamente la comprensione pubblica di nuove normative o etichette prima di implementarle, riducendo i costi di ricerca.
• Limitazioni e Avvertenze:
  • Calibrazione: I modelli sono eccellenti nel replicare la direzione e la struttura dei giudizi (cosa conta), ma meno precisi nelle magnitudini assolute (quanto conta).
  • Bias Maggioritario: Gli LLM tendono a riflettere le opinioni maggioritarie, rischiando di marginalizzare le minoranze se non adeguatamente controllati con prompt specifici.
  • Non Sostituti: Non devono sostituire il giudizio umano o le decisioni finali, ma fungere da punto di riferimento empirico per informare il processo decisionale.

In conclusione, l'articolo sostiene che l'era dell'AI generativa permette finalmente di rendere "leggibile" lo stato di fatto delle opinioni pubbliche al sistema giuridico, trasformando il "Ragionevole" da una finzione utile in un concetto misurabile e verificabile.