RCBSF: A Multi-Agent Framework for Automated Contract Revision via Stackelberg Game

1. Il Problema

L'adozione dei Modelli Linguistici su Larga Scala (LLM) nel settore legale (Legal AI) ha mostrato grandi potenzialità, ma la loro applicazione diretta alla revisione automatica dei contratti incontra ostacoli critici:

• Allucinazioni e Sicurezza: I modelli generativi tendono a produrre citazioni false o clausole inesistenti, compromettendo la credibilità legale.
• Mancanza di Vincoli Rigorosi: I modelli generici non possiedono vincoli comportamentali sufficienti per gestire la complessità e le ambiguità dei contratti, portando a revisioni che possono essere inapplicabili o rischiose.
• Limiti degli Approcci Attuali: I sistemi multi-agente esistenti si basano spesso su collaborazione cooperativa o catene sequenziali, che non riescono a replicare la gerarchia "revisore-auditor" (o revisore-verificatore) tipica della pratica legale, dove un esperto senior impone vincoli stringenti al lavoro di un associato.

2. Metodologia: RCBSF

Gli autori propongono RCBSF (Risk-Constrained Bilevel Stackelberg Framework), un framework multi-agente basato sulla teoria dei giochi che modella la revisione contrattuale come un gioco di Stackelberg non cooperativo a due livelli.

Architettura Gerarchica

Il sistema è composto da tre agenti specializzati organizzati in due livelli strategici:

1. Leader (Agente Prescrittivo Globale - GPA):
   • Agisce come "Auditor Esterno".
   • Analizza il contratto originale e identifica i rischi utilizzando una tassonomia a 5 dimensioni: Categoria, Posizione (Location), Evidenza (testo originale), Problema (Issue) e Suggerimento (Suggestion).
   • Definisce un "budget di rischio" e vincoli strategici che il livello inferiore deve rispettare.
2. Follower (Sistema di Revisione):
   • Composto da due agenti interagenti:
     • Agente di Revisione Vincolato (CRA): Esegue le modifiche al testo del contratto basandosi sui vincoli del Leader.
     • Agente di Verifica Locale (LVA): Funziona come un auditor interno che verifica iterativamente le revisioni del CRA, calcolando il rischio residuo e fornendo feedback per la prossima iterazione.

Formulazione Matematica

Il processo è formalizzato come un problema di Ottimizzazione Bilevel:

• Livello Superiore (Leader): Massimizza la mitigazione del rischio ponderata, soggetta a un vincolo di budget computazionale (limite di token).
• Livello Inferiore (Follower): Massimizza la verosimiglianza condizionata del testo generato, regolarizzato dai vincoli del Leader.
• Equilibrio: Il sistema converge verso un Equilibrio di Stackelberg, dove il Leader fissa la strategia (i vincoli di rischio) e il Follower ottimizza la generazione all'interno di quello spazio. Questo approccio garantisce una soluzione superiore rispetto all'equilibrio di Nash (generazione non guidata).

3. Contributi Chiave

1. Framework Teorico Innovativo: Introduzione di RCBSF, che decouple l'audit strategico dall'esecuzione, utilizzando un gioco gerarchico per guidare la revisione verso un equilibrio di rischio minimizzato.
2. Garanzie Teoriche: Dimostrazione teorica che la formulazione bilevel produce un'utilità strettamente superiore rispetto alle configurazioni non guidate (prompting standard), garantendo la convergenza a un punto stazionario ottimale.
3. Benchmark Unificato: Costruzione di un dataset di benchmark legale unificato derivato da quattro dataset autorevoli (MAUD, CUAD, ContractNLI, PrivacyQA) per valutare robustezza e allineamento.
4. Efficienza e Qualità: Il framework non solo migliora la risoluzione dei rischi, ma ottimizza anche l'efficienza dei token, evitando ridondanze testuali tipiche dei metodi iterativi puri.

4. Risultati Sperimentali

Il framework è stato valutato su quattro dataset legali utilizzando diversi backbones LLM (incluso Qwen2.5-7B-Chat).

• Tasso di Risoluzione del Rischio (RRR): RCBSF ha raggiunto un RRR medio del 84,21%, superando significativamente le baseline (es. 79,56% per la revisione iterativa standard e 70,81% per il metodo Zero-Shot).
• Qualità del Contratto (CQ): Il sistema ha ottenuto punteggi superiori in chiarezza, rigore, equilibrio e professionalità (scala 0-100), dimostrando di mantenere standard linguistici elevati mentre mitiga i rischi.
• Efficienza dei Token (TES): RCBSF ha mostrato il punteggio di efficienza più alto (87,29%), risolvendo più rischi per token utilizzato rispetto ai metodi basati su Chain-of-Thought (CoT) o RAG, che tendono a generare testi eccessivamente lunghi.
• Studi di Ablazione: L'analisi ha confermato che la rimozione dei vincoli a 5 dimensioni o del meccanismo di budget porta a un calo drastico delle prestazioni, evidenziando l'importanza della guida specifica e della gestione delle risorse.

5. Significato e Impatto

RCBSF rappresenta un cambio di paradigma nella generazione di testi legali automatizzati:

• Dalla Collaborazione alla Gerarchia: Sposta il focus dai sistemi multi-agente puramente collaborativi a modelli gerarchici che imitano la supervisione umana reale (Partner vs. Associato).
• Affidabilità: Risolve il problema delle allucinazioni legali fornendo un ancoraggio basato su evidenze testuali specifiche e vincoli di budget, rendendo il sistema più adatto a scenari ad alto rischio.
• Scalabilità: Dimostra che è possibile ottenere revisioni legali di alta qualità con un costo computazionale contenuto, rendendo l'automazione legale più accessibile ed efficiente.

In sintesi, RCBSF offre una soluzione robusta e teoricamente fondata per automatizzare la revisione contrattuale, bilanciando la mitigazione dei rischi legali con la preservazione della qualità semantica e dell'efficienza operativa.