🤖 AI

Deterministic Legal Agents: A Canonical Primitive API for Auditable Reasoning over Temporal Knowledge Graphs

Questo articolo introduce l'API SAT-Graph, un'interfaccia primitiva canonica che abilita un ragionamento giuridico verificabile e deterministico confidando l'incertezza dei LLM alla traduzione delle intenzioni e alla sintesi narrativa, mentre esegue tutte le traversate dei grafi strutturali, temporali e causali mediante operazioni simboliche affidabili.

Autori originali: Hudson de Martim

Pubblicato 2026-04-30

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Hudson de Martim

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover risolvere un mistero legale complesso, come capire esattamente cosa diceva una specifica legge in un giorno specifico del passato.

Nel mondo dell'IA standard (come i chatbot che usiamo oggi), il sistema agisce un po' come un bibliotecario che sa solo indovinare. Se chiedi: "Cosa diceva la legge sull'edilizia nel 2001?", il bibliotecario esamina la biblioteca, trova pagine che sembrano simili alla tua domanda e te le consegna. Ma ecco il problema: il bibliotecario potrebbe afferrare una pagina del 2024, o una pagina di un paese diverso, o una pagina cancellata anni fa. Il bibliotecario è bravo a indovinare le parole, ma terribile nel comprendere la storia o le regole della biblioteca.

Questo articolo propone un nuovo modo per costruire un'IA legale, chiamato Agenti Legali Deterministici. Invece di un bibliotecario che indovina, vogliono costruire un archivista robotico che segue un insieme rigoroso e infrangibile di regole.

Ecco come l'articolo spiega questo nuovo sistema utilizzando concetti semplici:

1. Il Problema: La Biblioteca "Piatta"

L'IA attuale tratta le leggi come un mucchio di fogli sciolti. Non comprende che una legge fa parte di un libro più grande, che i libri hanno capitoli e che le leggi cambiano nel tempo.

L'Analogia: Immagina di cercare una frase specifica in un romanzo, ma l'IA afferra semplicemente frasi casuali dal libro che contengono le stesse parole. Potrebbe afferrare una frase dall'inizio del libro quando ne avevi bisogno alla fine, o una frase da una bozza scartata. In ambito legale, questo è pericoloso perché una legge che era vera ieri potrebbe essere falsa oggi.

2. La Soluzione: Il "SAT-Graph" (Il Progetto Maestro)

Gli autori hanno precedentemente costruito un database speciale chiamato SAT-Graph. Pensa a questo non come a un mucchio di fogli, ma come a un albero genealogico vivente e respirante per le leggi.

Ogni legge è un "Elemento".
Ogni volta che una legge cambia, nasce una nuova "Versione".
Ogni cambiamento è causato da una specifica "Azione" (come la firma di un nuovo disegno di legge).
Questo grafo conosce la storia esatta: qual è la legge genitore? Cosa l'ha modificata? Quando è scaduta?

3. La Nuova Interfaccia: La "Primitive API" (Il Menu Rigido)

La grande domanda a cui l'articolo risponde è: Come permettiamo all'IA di parlare con questo complesso albero genealogico senza lasciarla commettere errori?

Se permettiamo all'IA di scrivere le proprie query al database (come chiederle di scrivere codice SQL), potrebbe confondersi e chiedere la cosa sbagliata. Quindi, gli autori hanno creato una Canonical Primitive API.

L'Analogia: Immagina che l'IA sia un cliente in un ristorante molto esclusivo.
- Vecchio Modo: Il cliente entra in cucina e inizia a urlare ordini allo chef, cercando di cucinare il cibo da solo. Potrebbe bruciare la zuppa o usare gli ingredienti sbagliati.
- Nuovo Modo (L'API): Il cliente può ordinare solo da un menu rigido e preapprovato. Il menu ha pulsanti specifici come "Ottieni la versione del 2001 dell'Articolo 6" o "Mostrami chi ha modificato questa legge". L'IA non può vagare in cucina; può solo premere pulsanti.

4. La Regola d'Oro: "Isolamento della Probabilità"

Questo è il concetto più importante nell'articolo. Gli autori hanno realizzato che l'IA è naturalmente "sfocata" (indovina), ma i fatti legali devono essere "nitidi" (o sono veri o sono falsi).

Hanno creato una regola chiamata Isolamento della Probabilità. Pensala come un controllo di sicurezza:

Zona 1 (La Zona Sfocata): All'IA è permesso indovinare qui. Prende la tua domanda ("E per l'edilizia?") e indovina di quale legge stai parlando. Potrebbe dire: "Penso tu intenda l'Articolo 6, ma sono sicuro all'80%".
Il Controllo: Una volta che l'IA seleziona un ID legge specifico (come "Articolo 6"), passa attraverso un controllo.
Zona 2 (La Zona Rigida): Da questo punto in poi, non è permesso indovinare. L'IA preme un pulsante per ottenere la versione del 2001. L'archivista robot deve fornire il testo esatto di quella data. Non può indovinare. Non può allucinare. Si limita a recuperare i dati esatti.
Zona 3 (La Zona Sfocata di nuovo): Una volta che il robot fornisce il testo esatto, all'IA è permesso indovinare di nuovo per scrivere una bella sintesi per te.

5. Come Funziona nella Realtà (I Casi d'Uso)

L'articolo mostra come questo funziona con tre esempi:

Viaggio nel Tempo: Chiedi: "Cosa diceva la legge il 20 maggio 2001?"
- Vecchia IA: Potrebbe mostrarti la legge così com'è oggi.
- Nuova IA: Indovina il nome della legge, poi preme il pulsante "Ottieni la versione del 2001". Il robot fornisce il testo esatto di quel giorno.
Lavoro da Investigatore: Chiedi: "Come è cambiata la legge quando è stato aggiunto 'edilizia'?"
- Vecchia IA: Potrebbe trovare la parola "edilizia" e mostrarti un paragrafo.
- Nuova IA: Trova la legge, ne esamina la storia, individua il momento esatto in cui è stato aggiunto "edilizia" e ti mostra il testo prima e dopo il cambiamento, insieme al disegno di legge specifico che l'ha causato.
L'Effetto Valanga: Chiedi: "Quali leggi ha modificato questo nuovo emendamento?"
- Vecchia IA: Potrebbe cercare il nome dell'emendamento in altre leggi (cosa che spesso non funziona).
- Nuova IA: Segue la traccia dell'"Azione". Vede che l'emendamento è stato un "genitore" che ha creato nuove versioni di altre leggi. Elenca esattamente cosa è cambiato.

Riepilogo

L'articolo non afferma che questa IA sia perfetta nell'essere un avvocato. Afferma di risolvere il problema dell'affidabilità.

Costruisce un sistema in cui all'IA è permesso essere creativa nel comprendere la tua domanda e scrivere la risposta finale, ma è costretta a essere un robot quando cerca i fatti. Separa l'"indovinare" dal "verificare i fatti" in modo che ogni elemento di prova utilizzato dall'IA possa essere ricondotto a un record specifico e immutabile nel database.

È come dare a un investigatore una lente d'ingrandimento che mostra solo la verità, piuttosto che una sfera di cristallo che mostra ciò che potrebbe essere vero.

1. Enunciato del Problema

Il documento affronta limitazioni critiche nell'applicazione della Generazione Aumentata dal Recupero (RAG) a domini legali ad alto rischio. I sistemi RAG standard si basano sulla similarità semantica su frammenti di testo piatti, il che non riesce a cogliere la natura complessa della conoscenza giuridica. Gli autori identificano tre modalità di fallimento specifiche nei RAG legali attuali:

Cecità Mereologica: Incapacità di riconoscere le relazioni parte-tutto (ad esempio, clausola $\subset$ articolo $\subset$ legge).
Ingenuità Diacronica: Incapacità di distinguere tra norme sostituite e norme attualmente valide, portando alla confusione tra diritto storico e diritto vigente.
Opacità Causale: Mancanza di tracciabilità riguardo alla provenienza legislativa (gli atti specifici che hanno creato, modificato o abrogato una norma).

Mentre lavori precedenti (SAT-Graph) hanno risolto il problema della rappresentazione modellando le norme giuridiche come grafi di conoscenza temporali consapevoli della struttura, è emerso un nuovo problema di interazione: Come può un agente LLM probabilistico interrogare questo grafo deterministico senza reintrodurre l'inaffidabilità che il grafo era stato progettato per evitare? Consentire agli agenti di generare query di database arbitrarie (SQL/SPARQL) o affidarsi esclusivamente alla ricerca semantica rischia errori silenziosi, allucinazioni e l'elusione dei vincoli temporali/strutturali.

2. Metodologia: L'API SAT-Graph

Il documento propone l'API SAT-Graph, un'interfaccia primitiva canonica progettata per mediare tra un agente LLM probabilistico e un substrato simbolico deterministico (il Grafo di Conoscenza Temporale).

Principio di Progettazione Centrale: Isolamento della Probabilità

L'architettura confina rigorosamente l'incertezza stocastica in tre fasi delimitate, garantendo che, una volta risolta una referenza, tutte le operazioni successive siano deterministiche:

Traduzione dell'Intento: L'LLM converte una query in linguaggio naturale in un piano di esecuzione.
Ancoraggio Sematico Iniziale: Il sistema utilizza una ricerca probabilistica (semantica/lessicale) per mappare referenze ambigue su ancoraggi di grafo candidati classificati (Elementi, Temi, Unità di Testo).
Sintesi Narrativa: L'LLM genera la risposta finale in prosa basata su prove verificate.

Nucleo Deterministico: Una volta stabiliti un identificatore canonico e i parametri temporali, tutte le traversate del grafo (strutturali, temporali, causali) vengono eseguite tramite primitive tipizzate e atomiche. Ciò garantisce che il processo di recupero sia riproducibile e verificabile.

Componenti Architettonici

Il Substrato (SAT-Graph): Un grafo di conoscenza temporale che modella gli strumenti giuridici come entità versionabili con contenimento gerarchico esplicito e causalità legislativa.
Il Protocollo di Interazione (API): Una libreria di primitive tipizzate e componibili che agiscono come una facciata procedurale. L'agente non vede lo schema fisico del database ma interagisce tramite un vocabolario fisso.
L'Agente: Un pianificatore probabilistico che scompone le domande in una sequenza di chiamate primitive, osserva i risultati intermedi e sintetizza le risposte.

Modelli di Dati Chiave

L'API opera su cinque modelli di dati canonici e portabili tra domini:

Elemento (Item): Un'entità di grafo canonica con identità stabile (ad esempio, un Articolo specifico).
Versione: Un'istantanea limitata nel tempo di un Elemento, che cattura gli intervalli di validità e applicabilità.
Unità di Testo (TextUnit): La realizzazione testuale allegata a un'entità del grafo, che fa da ponte tra la ricerca semantica e il recupero deterministico.
Azione: Un evento di transizione di stato reificato (ad esempio, promulgazione, modifica) che produce o termina versioni.
Relazione: Bordi semantici tipizzati (citazioni, dipendenze) tra entità.

Categorie di Primitive

L'API espone gruppi funzionali di primitive:

Scoperta e Ricerca: resolveItemReference, searchTextUnits (restituisce candidati classificati con punteggi di confidenza).
Risoluzione Temporale: getValidVersions, getItemVersions (recupero deterministico delle versioni valide a un momento specifico).
Navigazione Strutturale: getItemHierarchy, getItemAncestors (ricostruisce il contesto senza fare affidamento sull'adiacenza del testo).
Causalità e Impatto: getItemHistory, getActionsBySource (traccia la provenienza e l'impatto forward).
Introspezione: getRootItemTypes, getSupportedActionTypes (consente agli agenti di scoprire i confini dello schema).
Idratazione: getVersionTextUnits (converte ID leggeri in prove testuali complete).

3. Contributi Chiave

Specificazione dell'API Primitiva Canonica: Un'interfaccia formale per interrogare grafi di conoscenza temporali consapevoli della struttura, istanziata per le norme giuridiche ma progettata per essere portabile tra domini.
Principio di Isolamento della Probabilità: Un pattern di progettazione neuro-simbolica che separa la pianificazione/ancoraggio probabilistico dall'esecuzione deterministica del grafo, rendendo gli errori del sistema localizzabili e ispezionabili.
Paradigma Ragionare-Agire-Osservare: Sposta il RAG legale da una pipeline passiva "Recupera-poi-Genera" a un processo attivo in cui l'agente scompone le domande in piani di esecuzione espliciti e verificabili.
Separazione Formale delle Preoccupazioni: Disaccoppia la rappresentazione della conoscenza giuridica (il grafo) dal ragionamento dell'agente (l'LLM) tramite un protocollo di interazione tipizzato, prevenendo l'accoppiamento degli schemi e la confabulazione delle query.
Dimostrazioni di Casi d'Uso: Illustra come query legali complesse (recupero puntuale nel tempo, confronto di versioni, causalità forward, analisi dell'impatto tematico) vengono scomposte in sequenze di primitive verificabili.

4. Risultati e Valutazione

Il documento non presenta risultati empirici di benchmark (ad esempio, punteggi di accuratezza rispetto a baseline) ma fornisce una specifica architettonica formale e una validazione qualitativa attraverso casi d'uso:

Recupero Deterministico Puntuale nel Tempo: Dimostra come un agente possa recuperare il testo esatto di una legge valida in una specifica data passata, evitando l'"ingenuità temporale" del RAG standard.
Localizzazione Causale: Mostra come un agente possa tracciare l'esatto atto legislativo che ha introdotto un diritto specifico (ad esempio, "alloggio") e confrontare il testo prima e dopo la modifica.
Causalità Forward: Illustra come identificare tutte le disposizioni influenzate da una specifica modifica, un compito difficile per la ricerca semantica a causa della mancanza di sovrapposizione lessicale.
Analisi dell'Impatto Tematico: Dimostra la capacità di aggregare cambiamenti storici attraverso una gerarchia tematica (ad esempio, "Sicurezza Digitale") combinando la risoluzione tematica con query su eventi temporali.

I "risultati" sono i log di esecuzione verificabili generati da questi processi, che permettono ai revisori umani di tracciare esattamente quale entità è stata risolta, quale versione è stata selezionata e quale azione ha prodotto la prova.

5. Significato e Implicazioni

IA Giuridica Affidabile: L'architettura fornisce una base per sistemi legali in cui la base probatoria di una risposta è completamente ispezionabile, riproducibile e tracciabile fino agli oggetti canonici del grafo.
Verificabilità come Proprietà del Recupero: A differenza del RAG tradizionale, dove la verificabilità è una caratteristica ex post, questo sistema rende la verificabilità intrinseca al processo di recupero stesso. Ogni passaggio è un'operazione tipizzata su un oggetto canonico.
Portabilità tra Domini: Sebbene illustrato nel diritto, le astrazioni (Elementi, Versioni, Azioni) si applicano a qualsiasi dominio governato da autorità che richiede correttezza storica e provenienza (ad esempio, standard tecnici, conformità normativa, specifiche ingegneristiche).
Spostamento dell'Onere Ingegneristico: La complessità della logica temporale e della validazione strutturale viene spostata dal prompt dell'LLM (dove è soggetta a errori) al livello API (dove può essere rigorosamente testata e applicata).

6. Limitazioni e Lavori Futuri

Dipendenza dalla Qualità del Grafo: Il determinismo del sistema è condizionato alla correttezza e completezza dell'acquisizione del grafo di conoscenza sottostante.
Errori di Ancoraggio Semantico: Sebbene l'incertezza sia esposta, la mappatura iniziale del linguaggio naturale sugli ancoraggi del grafo rimane probabilistica e può fallire su query ambigue.
Errori di Pianificazione: L'architettura non impedisce agli agenti di generare piani logicamente inadeguati (ad esempio, interrogare lo strumento sbagliato), sebbene renda questi errori verificabili.
Direzioni Future: Gli autori chiedono un benchmarking empirico rispetto al RAG standard, lo sviluppo di modelli di apprendimento "Da Testo a Piano" e la costruzione di dataset gold-standard per il ragionamento legale temporale.

In conclusione, il documento sostiene che per domini ad alto rischio, il recupero deve essere un processo di esecuzione verificabile, non una ricerca a scatola chiusa. L'API SAT-Graph fornisce l'interfaccia necessaria per raggiungere questo obiettivo isolando rigorosamente l'incertezza probabilistica dal ragionamento deterministico.