Legal interpretation and AI: from expert systems to argumentation and LLMs

Il paper esamina l'evoluzione della ricerca su AI e Diritto nel campo dell'interpretazione giuridica, passando dai sistemi esperti focalizzati sulla codifica della conoscenza, ai framework di argomentazione che ne analizzano la struttura dialettica, fino ai moderni modelli linguistici che generano automaticamente suggerimenti interpretativi.

L'essenziale

Immagina che interpretare una legge sia come cercare di capire le regole di un gioco da tavolo molto vecchio e un po' rovinato. A volte le istruzioni sono scritte male, a volte ci sono parole ambigue, e a volte il gioco è cambiato nel tempo ma le regole no.

Questo articolo racconta la storia di come l'IA ha provato a diventare l'arbitro di questo gioco, passando da tre diverse "generazioni" di tecnologia.

1. La Prima Generazione: Il "Libro delle Regole Rigide" (Sistemi Esperti)

Immagina un cuoco robot degli anni '80. Se vuoi che cucini un piatto perfetto, devi dargli una ricetta scritta a mano, riga per riga, senza lasciare spazio a dubbi.

• Come funzionava: Gli informatici e gli avvocati cercavano di trasformare le leggi in regole matematiche precise (se succede X, allora fai Y).
• Il problema: Le leggi umane sono piene di sfumature. Se la regola dice "Niente veicoli nel parco", il robot chiedeva: "Ma la bicicletta di Tom è un veicolo?". Se il cuoco robot non aveva scritto esplicitamente "Bicicletta = Veicolo", si bloccava.
• La soluzione (e il difetto): Per far funzionare il robot, gli umani dovevano decidere prima di tutto cosa significava ogni parola. È come se il cuoco robot decidesse che "veicolo" include le biciclette prima ancora che Tom arrivi al parco. Questo toglieva la flessibilità: se il parco era pieno di bambini, il robot non poteva dire "Ok, per oggi le biciclette dei bimbi sono permessi", perché la regola era già scritta nella sua memoria.

2. La Seconda Generazione: Il "Tribunale dei Dibattiti" (Argomentazione)

Poi, gli scienziati hanno capito che le leggi non sono solo calcoli, ma discussioni. Hanno immaginato l'IA non come un cuoco, ma come un giudice che ascolta due avvocati.

• Come funziona: Invece di avere una sola risposta, l'IA crea due squadre.
  • Squadra A (Il Guardiano): "Le biciclette sono veicoli! La regola dice 'Niente veicoli', quindi Tom non può entrare. È la definizione normale della parola."
  • Squadra B (Tom): "Aspetta! Lo scopo della regola è proteggere l'erba e il silenzio. Una bici da bambino non fa rumore e non rovina l'erba. Quindi, per lo scopo della legge, la bici non conta."
• Il risultato: L'IA non cerca la "risposta giusta" matematica, ma valuta quale argomento è più forte. In questo caso, l'IA potrebbe decidere che l'argomento di Tom (lo scopo della legge) vince su quello del guardiano (la definizione di parola). È come un dibattito dove vince chi ha l'idea più logica e giusta per il contesto.

3. La Terza Generazione: Il "Genio Parlante" (Intelligenza Generativa e LLM)

Oggi abbiamo i Grandi Modelli Linguistici (LLM), come ChatGPT. Immagina un bibliotecario che ha letto tutti i libri del mondo e parla un linguaggio perfetto, ma non ha mai vissuto la realtà.

• Cosa fa: Se chiedi a questo bibliotecario: "Posso portare la bici al parco?", lui ti risponde in modo incredibile. Analizza lo scopo, guarda le definizioni, cita casi simili e ti dà una risposta molto convincente. Sembra un avvocato esperto.
• Il grande rischio (Le "Allucinazioni"): Il problema è che questo bibliotecario non sa cosa è vero. Sa solo cosa sembra vero basandosi su quanto ha letto.
  • Potrebbe inventare una legge che non esiste (un'allucinazione).
  • Potrebbe dire che la bici è vietata perché ha letto un vecchio libro, anche se oggi la legge è cambiata.
  • Non ha "coscienza": non capisce che Tom è un bambino felice, vede solo parole.
• L'uso corretto: Non dovremmo usare questo bibliotecario come il Giudice finale. Non possiamo affidargli la decisione di multare Tom.
  • L'uso giusto: Usarlo come un assistente di ricerca. "Ehi, bibliotecario, dammi 5 idee su come interpretare questa regola e fammi vedere i pro e i contro". Poi, l'avvocato o il giudice umano deve leggere tutto, verificare i fatti e prendere la decisione finale.

In sintesi: Cosa dobbiamo imparare?

1. L'IA non è un oracolo: Non possiamo chiedere a un computer "Qual è la legge?" e aspettarci una risposta infallibile. L'IA è brava a trovare schemi nelle parole, ma non ha la saggezza umana per capire il contesto reale.
2. Il pericolo dell'automazione: Se lasciamo che un'IA decida da sola se Tom può entrare nel parco, rischia di essere ingiusto perché non capisce le sfumature umane.
3. Il futuro è una collaborazione: L'IA è come un super-assistente che legge milioni di documenti in un secondo. Il suo compito è aiutare l'avvocato o il giudice a trovare tutte le possibili interpretazioni. Ma la responsabilità di scegliere l'interpretazione giusta, quella giusta per la giustizia e per le persone, deve rimanere sempre nelle mani di un essere umano.

La morale della favola:
Non lasciare che il robot guidi la macchina della giustizia da solo. Usalo per guardare meglio nella nebbia, ma tieni tu il volante.

Sommario tecnico

1. Il Problema

Il paper affronta la sfida centrale di come l'Intelligenza Artificiale (AI) e il diritto possano gestire l'interpretazione giuridica. L'interpretazione non è un mero processo meccanico di applicazione di regole, ma un'attività pervasiva che coinvolge giudici, avvocati e cittadini per determinare il significato di testi legali (spesso ambigui o vaghi) in contesti specifici.
Il problema fondamentale risiede nella transizione storica delle metodologie AI:

• Come passare da sistemi che richiedevano una formalizzazione rigida e predefinita del significato (dove l'interpretazione era un compito umano esterno al sistema) a sistemi capaci di gestire la dialettica, l'ambiguità e la costruzione di argomenti contrapposti?
• Qual è il ruolo e i limiti delle moderne Large Language Models (LLM) e della Generative AI (GenAI) in questo processo? Possono sostituire l'interprete umano o devono limitarsi a supportarlo, e quali sono i rischi normativi e pratici (es. "allucinazioni", mancanza di ragionamento giuridico vero e proprio)?

2. Metodologia

Gli autori adottano un approccio storico-concettuale e analitico, suddividendo l'evoluzione della ricerca in tre fasi principali, analizzando come ciascuna affronta il problema dell'interpretazione:

• Sistemi Esperti (Symbolic AI): Analisi dei sistemi basati su conoscenza (anni '70-'90). Si esamina come l'interpretazione venisse gestita tramite l'ingegneria della conoscenza, dove un esperto umano doveva risolvere le ambiguità ex-ante per inserire regole logiche (es. connettivi "AND"/"OR") nel database. Viene discusso il problema dello spostamento del potere interpretativo dall'operatore sul campo all'ingegnere della conoscenza.
• Argomentazione Giuridica: Analisi dell'approccio basato sulla logica non monotona e sui framework di argomentazione. Qui l'interpretazione non è un dato fisso, ma il risultato di un'interazione dialettica tra argomenti contrapposti (es. significato letterale vs. scopo teleologico). Viene utilizzato il modello grafico degli argomenti per determinare quali interpretazioni sono "accettabili" (IN) o "confutate" (OUT) in base alla forza degli argomenti.
• Machine Learning e LLM (Generative AI): Valutazione delle capacità attuali dei modelli linguistici. Gli autori esaminano come le LLM generino suggerimenti interpretativi basati su pattern statistici e linguistici piuttosto che su una conoscenza semantica o logica interna. Vengono analizzate tecniche come il RAG (Retrieval Augmented Generation) per mitigare le allucinazioni e il concetto di "interpretazione generativa" (uso di LLM per stimare il significato ordinario o l'intento delle parti in contratti).

3. Contributi Chiave

Il paper offre diversi contributi teorici e pratici significativi:

• Distinzione tra Approcci: Chiarisce la differenza fondamentale tra l'approccio simbolico (dove l'interpretazione è un'operazione di encoding umano) e quello basato su argomentazione (dove l'interpretazione è un processo di resoluzione di conflitti all'interno del sistema).
• Modellazione dell'Interpretazione come Argomentazione: Dimostra come i canoni interpretativi (es. significato ordinario, scopo della legge, precedenti) possano essere formalizzati come regole defeasibili (non definitive) che competono tra loro. L'esempio del "No vehicles in the park" (Nessun veicolo nel parco) viene utilizzato per mostrare come un argomento basato sulla "teleologia" (scopo della legge) possa sconfiggere un argomento basato sul "significato ordinario" (le biciclette sono veicoli).
• Analisi Critica delle LLM: Sottolinea che le LLM possiedono una competenza linguistica e discorsiva, non una comprensione cognitiva o normativa. Le LLM non "ragionano" nel senso giuridico, ma predicono sequenze di token statisticamente probabili.
• Il Concetto di "Interpretazione Generativa": Introduce e analizza l'idea di usare le LLM come strumento per estrarre il "significato ordinario" o per simulare il ragionamento delle parti in un contratto, pur evidenziando i limiti epistemici di tale approccio.
• Raccomandazione di "Companion" vs "Oracolo": Propone un modello di utilizzo delle LLM in cui l'AI agisce come un compagno (companion) per l'avvocato, fornendo spunti, riassunti e contro-argomenti, ma mai come un oracolo autorevole. La responsabilità finale e la validazione normativa devono rimanere umane.

4. Risultati ed Evidenze

L'analisi porta alle seguenti conclusioni basate su casi di studio e letteratura esistente:

• Limiti dei Sistemi Esperti: L'approccio basato su regole fisse fallisce di fronte alla complessità e alla flessibilità necessaria nell'interpretazione giuridica, poiché non può gestire eccezioni contestuali senza un'esplosione della complessità delle regole.
• Efficacia dell'Argomentazione: I sistemi basati su argomentazione riescono a modellare la struttura del dibattito giuridico, permettendo di valutare la forza relativa di diverse interpretazioni (es. un argomento teleologico che prevale su uno letterale).
• Performance delle LLM:
  • Le LLM possono generare output giuridici di alta qualità e apparentemente competenti (es. analisi di clausole, identificazione di ambiguità).
  • Tuttavia, soffrono di allucinazioni (fatti o fonti inesistenti) con tassi significativi (17-34% in alcuni benchmark).
  • Mancano di consistenza: possono fornire risposte diverse allo stesso prompt, il che è problematico per la prevedibilità del diritto.
  • Non possiedono una comprensione intrinseca della "verità" o dei principi morali/normativi; processano i dati legali come fatti statistici.
• Il Paradosso Verifica-Valore: Il costo di verificare le uscite delle LLM (per evitare errori fatali) potrebbe annullare i benefici in termini di efficienza, specialmente in contesti ad alto rischio.

5. Significato e Implicazioni

Il paper ha un'importanza cruciale per il futuro dell'AI nel diritto:

• Ridefinizione del Ruolo dell'Avvocato: L'uso delle LLM richiede un cambiamento nel workflow legale. Gli avvocati non devono più solo cercare informazioni, ma devono diventare verificatori critici e curatori delle suggestioni dell'AI. La competenza umana diventa la capacità di giudicare la validità normativa degli output generati.
• Avvertimento contro l'Automazione Piena: Sconsiglia vivamente l'uso autonomo di agenti AI per l'interpretazione giuridica (es. un sistema che multa automaticamente un bambino per aver portato una bici nel parco senza validazione umana), poiché ciò violerebbe i principi di giustizia e responsabilità.
• Direzioni Future della Ricerca: Indica la necessità di integrare approcci simbolici (logica, argomentazione formale) con le capacità linguistiche delle LLM. Le prospettive includono:
  • Usare le LLM per estrarre informazioni e trasformarle in basi di conoscenza formalizzate.
  • Addestrare le LLM a seguire rigorosamente i canoni interpretativi.
  • Sviluppare sistemi di controllo (anche tramite altre LLM) per validare gli output interpretativi.
• Impatto Sociale: Avverte che un uso acritico delle LLM potrebbe portare a decisioni legali basate su dati distorti, principi obsoleti o ragionamenti fallaci, minando la fiducia nel sistema giuridico.

In sintesi, il paper conclude che mentre le tecnologie AI stanno rivoluzionando l'accesso e l'elaborazione del linguaggio giuridico, la competenza interpretativa rimane una prerogativa umana insostituibile, che l'AI può solo supportare, non sostituire.