Nel Legal AI, la vera differenza tra le piattaforme non sta nel large language model che utilizzano, ma nel modo in cui è strutturato il recupero della conoscenza giuridica e in chi controlla l’orchestrazione tra fonti e modello. È qui che si gioca la partita tra un sistema affidabile e uno che allucina: non tanto nella potenza del modello, quanto nell’architettura che lo alimenta.

Nel mercato del legal AI il confronto pubblico si concentra quasi sempre sul modello linguistico: quale LLM è più potente, quale genera testo più fluido, quale ha il context window più ampio. È una domanda mal posta. Il fattore che determina l’affidabilità di un sistema di AI legale non è la potenza del modello, ma l’architettura con cui il modello accede alla conoscenza giuridica. Su questo terreno esistono oggi due approcci dominanti e un terzo livello, più maturo, in cui si posizionano realtà come TextGenius.

I due approcci di base: fine-tuning e RAG

Il primo approccio è il fine-tuning: un modello linguistico generale viene riaddestrato su un corpus di documenti giuridici, nella speranza che questo aggiornamento sedimenti conoscenza normativa e giurisprudenziale nei suoi parametri interni.

Il secondo è il RAG (Retrieval-Augmented Generation): il modello non “sa” il diritto a memoria, ma accede in tempo reale a una knowledge base strutturata di fonti giuridiche certificate, recupera i passaggi rilevanti per la domanda posta e genera la risposta basandosi su quel materiale, non sulla propria memoria parametrica.

Sono due filosofie diverse, e nel contesto giuridico italiano non sono equivalenti.

Perché il fine-tuning non regge nel diritto

Il fine-tuning su corpus giuridici porta con sé un limite strutturale: il diritto cambia continuamente. Una norma aggiornata sei mesi fa può essere stata modificata la settimana scorsa; un orientamento giurisprudenziale consolidato può essere ribaltato da una sentenza recente. Un modello fine-tuned su dati storici non ha modo di sapere che quell’aggiornamento è avvenuto, se non attraverso un nuovo, costoso ciclo di riaddestramento.

C’è un secondo problema, spesso sottovalutato: se il corpus di addestramento include fonti web non verificate, forum, blog, sentenze citate senza controllo di autenticità, le allucinazioni non sono un’eccezione, ma una conseguenza sistematica del metodo.

Il RAG su fonti certificate risolve il problema alla radice, spostando l’affidabilità dal modello alla qualità e all’aggiornamento della base documentale. È per questo che l’infrastruttura di TextGenius si fonda su una knowledge base alimentata da Giuffrè Francis Lefebvre, con aggiornamento continuo: il sistema non deve “ricordare” la norma, deve saperla trovare, verificata, nel momento in cui serve.

Oltre il RAG tradizionale: perché l’orchestrazione fa la differenza

Non tutti i sistemi RAG sono uguali. Nella maggior parte delle implementazioni, è lo stesso modello linguistico a decidere cosa cercare, come cercarlo e quando fermarsi, una logica che concentra nel modello anche le responsabilità più delicate.

TextGenius separa esplicitamente queste funzioni. Un livello di orchestrazione dedicato decide:

  • quali fonti interrogare per una determinata richiesta;
  • quale strategia di ricerca applicare (normativa, giurisprudenziale, dottrinale);
  • come scomporre una richiesta complessa in sotto-domande verificabili;
  • quando è necessario l’intervento di un professionista umano;
  • quando bloccare una risposta perché le fonti disponibili non sono sufficienti a sostenerla con certezza.

Il modello linguistico interviene solo nell’ultima fase, quella di sintesi e formulazione della risposta all’utente non nella fase di ricerca e validazione delle fonti.

Questa separazione produce tre effetti concreti: riduce in modo strutturale le allucinazioni, garantisce tracciabilità completa su ogni risposta generata e mantiene l’indipendenza dal singolo fornitore di LLM. Se in futuro un modello linguistico più performante diventa disponibile, si sostituisce quel componente senza dover riprogettare l’intera architettura  un vincolo strategico non secondario per chi investe oggi in una piattaforma di Legal AI pensata per durare.

Tracciabilità: non un vantaggio, un requisito

In ambito legale, la tracciabilità non è una funzionalità accessoria: è un requisito tecnico e, sempre più, normativo. Ogni risposta generata da TextGenius riporta un percorso di retrieval verificabile: quali fonti sono state recuperate dalla knowledge base certificata, quale passaggio testuale è stato utilizzato come riferimento, quale ragionamento ha condotto alla conclusione presentata.

Per un avvocato che deve citare una fonte in un atto giudiziario, questa tracciabilità non è un “nice-to-have”: è ciò che rende la risposta utilizzabile. Per un compliance officer chiamato a documentare le proprie decisioni in un audit ai sensi dell’AI Act, è la documentazione stessa che l’audit richiede.

“Un sistema di intelligenza artificiale che non sa da dove proviene la propria risposta non può essere impiegato in ambito legale” afferma Raimondo Zizza, Ceo di TextGenius . “La nostra applicazione sa sempre cosa afferma, perché lo afferma e da quale fonte certificata proviene.”

Perché questa distinzione conta per il mercato italiano

Il dibattito su RAG e fine-tuning non è accademico: definisce quali piattaforme di Legal AI potranno operare in modo affidabile in un contesto normativo denso e in continua evoluzione come quello italiano, e quali invece continueranno a generare risposte plausibili ma non verificabili. Con l’AI Act ormai pienamente operativo, la capacità di dimostrare tracciabilità e controllo delle fonti smette di essere un differenziale tecnico e diventa una condizione di accesso al mercato per studi legali, direzioni legali, uffici compliance e pubblica amministrazione.