I large language model — GPT-5, Claude Opus, Gemini e altri — non sono più curiosità sperimentali. Stanno ridefinendo il modo in cui gli avvocati redigono contratti, analizzano la giurisprudenza, conducono attività di due diligence e comunicano con i clienti. Eppure la maggior parte degli avvocati non ha ancora una comprensione chiara di cosa siano davvero questi strumenti, di come funzionino e di dove falliscano.
Fatti chiave
- Le ricerche mostrano tassi di allucinazione tra il 69% e l'88% per le query legali sui modelli generalisti (EXTERNAL-CITE: ricerca accademica citata nell'articolo).
- Una pagina di testo equivale a circa 375–400 token.
- Le domande di approfondimento mirate migliorano la qualità dell'output degli LLM di circa il 20%; un feedback vago la peggiora (EXTERNAL-CITE: ricerca NeurIPS citata nell'articolo).
Questa guida colma quel divario. È scritta per avvocati in attività che vogliono usare gli LLM in modo efficace senza bisogno di una laurea in informatica. Copriamo i fondamentali, le applicazioni pratiche, i rischi reali e le tecniche di prompting che distinguono un uso produttivo da un affidamento pericoloso.
La regola più importante in assoluto: NON fare MAI affidamento sulle citazioni giurisprudenziali fornite da un LLM — comprese quelle offerte da strumenti specifici per il settore legale — a meno che tu non abbia verificato personalmente che il caso citato esista e dica esattamente ciò per cui lo stai citando.
Cos'è un Large Language Model?
Un LLM è un tipo di intelligenza artificiale addestrata su enormi quantità di testo — libri, articoli, siti web, atti giudiziari e documenti legali. Invece di memorizzare fatti come un database, apprende schemi statistici nel modo in cui viene usato il linguaggio. Quando digiti un prompt, il modello predice la parola successiva più probabile, una alla volta, basandosi sugli schemi che ha assorbito.
Pensalo meno come un motore di ricerca e più come un associato straordinariamente colto. Ha incontrato praticamente ogni documento legale pubblico, trattato e commento giurisprudenziale mai pubblicato. Ma non recupera informazioni memorizzate — genera risposte basate su schemi appresi. Questa distinzione fondamentale spiega sia le sue notevoli capacità sia le sue pericolose modalità di fallimento.
Tra gli LLM più diffusi ci sono GPT-5 di OpenAI (che alimenta ChatGPT), Claude Opus di Anthropic, Gemini 2.5 Pro di Google, LLaMA 4 di Meta e Medium 3 di Mistral. Ognuno ha punti di forza diversi: Claude eccelle nel tono e nell'analisi di documenti lunghi, GPT-5 nel ragionamento strutturato, Gemini nella gestione di finestre di contesto molto ampie.
Come funzionano davvero gli LLM: la meccanica che ogni avvocato dovrebbe capire
Tokenizzazione: scomporre il linguaggio in unità
Prima che un LLM possa elaborare il tuo prompt, ne scompone il testo in unità più piccole chiamate token. Un token può essere una parola, parte di una parola o un segno di punteggiatura. Ad esempio, l'espressione 'liquidated damages' potrebbe essere elaborata come due token o come uno solo, a seconda dell'addestramento del modello. Una pagina di testo equivale a circa 375–400 token.
Capire i token è importante perché gli LLM hanno limiti rigidi su quanti possono elaborarne alla volta. La finestra di contesto di GPT-5 è di circa 128.000 token (~300 pagine). Superare quel limite fa sì che il modello inizi a perdere informazioni — di solito dal centro del documento, non dall'inizio o dalla fine.
Il meccanismo di attenzione: come i modelli trovano ciò che conta
A differenza di un essere umano che legge in modo sequenziale, un LLM esamina simultaneamente tutti i token del tuo prompt usando un 'meccanismo di attenzione'. Questo permette al modello di ponderare l'importanza di ogni parola rispetto a tutte le altre. Quando incontra la parola 'bank' nel tuo prompt, l'attenzione lo aiuta a determinare se intendi un istituto finanziario o la sponda di un fiume, osservando il contesto circostante come 'conto di risparmio' o 'fiume'.
Per gli avvocati questo ha un'implicazione pratica cruciale: il modo in cui formuli il tuo prompt — quali parole enfatizzi, quale contesto fornisci, come strutturi la domanda — plasma direttamente la qualità della risposta. Il modello non si limita a leggere le tue parole; le pondera l'una rispetto all'altra.
Addestramento, fine-tuning e RLHF
Gli LLM attraversano tre fasi di sviluppo. Il pre-addestramento espone il modello a miliardi di token di testo, insegnandogli gli schemi del linguaggio. Il fine-tuning restringe poi il modello a domini specifici — una piattaforma di IA legale potrebbe affinarsi su sentenze, contratti e documenti normativi. Infine, il Reinforcement Learning from Human Feedback (RLHF) utilizza valutatori umani per classificare gli output del modello, insegnandogli a produrre risposte accurate, professionali e strutturate in modo appropriato.
Questo è il motivo per cui uno strumento di IA legale costruito su misura come HAQQ supera costantemente il ChatGPT generico nei compiti legali: combina l'ampia comprensione linguistica del modello di base con un fine-tuning specifico per il dominio e il feedback di professionisti legali.
Il problema delle allucinazioni: perché gli LLM inventano
L'allucinazione non è un difetto — è una caratteristica intrinseca del modo in cui gli LLM generano testo. Poiché il modello predice la parola successiva più probabile in base a schemi anziché recuperare fatti verificati, può produrre risposte che suonano autorevoli ma sono completamente inventate. Citazioni giurisprudenziali inventate, norme inesistenti e sentenze citate in modo errato sono comuni.
Le ricerche mostrano tassi di allucinazione tra il 69% e l'88% per le query legali sui modelli generalisti. Anche quando fornisci al modello il testo effettivo di un caso e gli chiedi di riassumerlo, può comunque citare passaggi in modo errato perché genera il testo a partire da schemi anziché copiarlo dalle fonti. Alcuni studi mostrano che i modelli possono persino 'insistere' quando vengono contestati, riaffermando con sicurezza citazioni inventate.
Le conseguenze sono reali. Nel caso Mata v. Avianca (2023), un avvocato ha presentato una memoria contenente sei citazioni giurisprudenziali inventate, generate da ChatGPT. Il tribunale ha sanzionato sia l'avvocato che lo studio legale. Diversi ordini forensi hanno da allora emesso pareri deontologici che impongono agli avvocati di verificare tutte le citazioni generate dall'IA.
Gli LLM non sanno di stare allucinando. Il modello genera lo stesso tipo di prosa sicura e ben strutturata sia che stia affermando un fatto verificato sia che stia inventando un caso di sana pianta. Il tuo giudizio professionale — non il livello di sicurezza del modello — è l'unica salvaguardia.
Perché gli LLM danno risposte diverse alla stessa domanda
Se poni a un LLM la stessa domanda due volte, spesso otterrai risposte diverse. È voluto. Il modello introduce una casualità controllata (regolata da un parametro chiamato 'temperatura') quando sceglie quale parola predire successivamente. Una temperatura più bassa produce risposte più prevedibili e mirate. Una temperatura più alta produce output più vario e creativo.
Per il lavoro legale che richiede precisione — analisi contrattuale, conformità normativa — vuoi una temperatura bassa. Per il brainstorming di strategie processuali o la generazione di argomentazioni creative, una temperatura più alta può essere utile. La maggior parte delle piattaforme di IA legale gestisce questo aspetto automaticamente, ma capire il meccanismo aiuta a spiegare perché i risultati variano.
Prompting pratico: l'analogia dell'associato
Il modello mentale più produttivo per lavorare con gli LLM è trattarli come un associato junior straordinariamente preparato ma privo di contesto. Hanno letto tutto, ma non sanno nulla del tuo caso specifico, delle priorità del tuo cliente o degli standard del tuo studio. La qualità del loro lavoro è direttamente proporzionale alla qualità della tua nota di incarico.
Regola 1: sii assurdamente specifico
La specificità è considerata da Anthropic e OpenAI la tecnica di prompting con il maggiore impatto in assoluto. Non dire mai 'Rivedi questo NDA.' Piuttosto: 'Identifica tutti gli obblighi di non concorrenza, non sollecitazione e riservatezza. Per ciascuno, specifica l'attività limitata, l'ambito geografico, la durata e le eccezioni. Segnala ogni disposizione che sopravviverebbe a un cambio di controllo.'
La differenza nella qualità dell'output è enorme. Un prompt vago produce un riassunto generico che avresti potuto scrivere tu stesso. Un prompt specifico produce un'analisi sezione per sezione con citazioni alle disposizioni esatte — un lavoro che fa realmente avanzare il tuo caso.
Regola 2: usa il framework IRAC
Sai già come strutturare un'analisi giuridica. Applica lo stesso framework ai tuoi prompt: Issue (definisci il compito), Rule (fissa i criteri), Application (fai riferimento ai fatti), Conclusion (definisci il formato dell'output). Questa struttura — che Anthropic e OpenAI chiamano 'prompting con framework strutturato' — produce costantemente risultati migliori perché rispecchia il modo in cui il meccanismo di attenzione del modello elabora le informazioni.
Regola 3: cura i tuoi allegati
Le ricerche di Stanford confermano un calo significativo delle prestazioni quando i modelli elaborano query sepolte in un contesto lungo. Il modello presta la massima attenzione all'inizio e alla fine del tuo input. Invece di caricare un accordo di 200 pagine e dire 'dimmi tutto', estrai le sezioni e le definizioni rilevanti. Fornisci al modello un input curato e mirato — allo stesso modo in cui prepareresti gli allegati per una memoria.
Prova HAQQ AI gratis
Sperimenta la redazione e ricerca legale con IA
Regola 4: mostra un esempio di lavoro finito
Quando formi un nuovo associato, gli mostri una buona nota. Gli LLM funzionano allo stesso modo. Fornire 2-3 esempi di alta qualità del formato di output desiderato (ciò che i ricercatori chiamano 'few-shot prompting') migliora nettamente i risultati. Oltre i 3 esempi, i benefici diminuiscono. Esempi scadenti peggiorano attivamente l'output — il modello presta attenzione agli esempi cattivi tanto quanto a quelli buoni.
Regola 5: non accettare mai la prima bozza
Le ricerche del NeurIPS mostrano che domande di approfondimento mirate migliorano la qualità dell'output di circa il 20%. Ma un feedback vago come 'rendilo migliore' o 'riprova' in realtà peggiora la qualità. Piuttosto, contesta il modello su punti specifici: 'E l'eccezione al trasferimento tra affiliate nella Sezione 3.2(b)? Crea una lacuna nella protezione anti-cessione?'
Regola 6: l'IA non ti dirà che hai posto la domanda sbagliata
Gli LLM risponderanno con sicurezza e competenza a qualsiasi cosa tu chieda. Non ti diranno mai che hai posto la domanda sbagliata. Individuare le questioni rilevanti resta dominio esclusivo dell'avvocato. Il modello risponde; tu devi individuare a cosa serve rispondere.
Cosa possono fare oggi gli LLM per i team legali
- Revisione contrattuale e redlining: scansionare accordi, individuare deviazioni dai modelli standard e segnalare clausole rischiose
- Ricerca giuridica e sintesi: sintetizzare grandi volumi di giurisprudenza, normativa e materiale regolatorio in memo strutturati
- Due diligence: estrarre e condensare informazioni da ampi insiemi di documenti, individuando schemi ricorrenti tra centinaia di accordi
- Redazione: generare prime bozze di atti, memorie, note, lettere ai clienti e richieste istruttorie
- Verifica di conformità: confrontare i termini contrattuali con requisiti normativi come GDPR, AML, ESG o DORA
- E-discovery: analizzare insiemi di documenti tramite comprensione semantica anziché mera corrispondenza di parole chiave
- Generazione di termini di ricerca: convertire descrizioni in linguaggio naturale in query booleane e affinare le strategie di ricerca
- Creazione di modelli: generare modelli specifici per giurisdizione che si adattano al tipo di contratto e ai dettagli delle parti
Privacy, sicurezza e considerazioni etiche
In quanto avvocati, ci vengono affidate informazioni sensibili, coperte da segreto professionale e private. Usare LLM generalisti come ChatGPT per il lavoro dei clienti solleva seri obblighi deontologici. La maggior parte dei modelli pubblici conserva i dati delle conversazioni e potrebbe usarli per l'addestramento a meno che tu non lo disattivi esplicitamente. Questo crea un potenziale rischio di violazione della riservatezza del cliente.
Passi chiave per la privacy
- Disattiva la condivisione dei dati di addestramento: nelle impostazioni di ChatGPT, disattiva 'Migliora il modello per tutti'
- Evita di condividere link a conversazioni contenenti informazioni coperte da segreto professionale
- Valuta l'uso di piattaforme di IA legale di livello enterprise con protezione dei dati integrata, anonimizzazione e opzioni di hosting on-premise
- Stabilisci policy d'uso dell'IA a livello di studio conformi alle linee guida deontologiche del tuo ordine
- Non caricare mai documenti dei clienti non oscurati su strumenti di IA pubblici senza il consenso informato del cliente
Le piattaforme di IA legale costruite su misura come HAQQ affrontano queste preoccupazioni fornendo sicurezza di livello enterprise, anonimizzazione dei dati e conformità agli standard professionali legali — senza richiederti di configurare impostazioni sulla privacy su strumenti consumer.
Domande da porre ai fornitori di IA
Quando valuti strumenti di IA legale, queste cinque domande distinguono le piattaforme serie dalle demo vistose:
- Su quali dati è addestrato il modello, ed è specifico per giurisdizione?
- Dove è ospitato il modello, e soddisfa i tuoi requisiti di sovranità dei dati?
- Come vengono gestite le informazioni sensibili prima che raggiungano il modello?
- I prompt e gli output vengono conservati? Vengono mai usati per migliorare il modello?
- Gli output possono essere tracciati e sottoposti ad audit per conformità e responsabilità?
Come gli LLM stanno cambiando la pratica del diritto
Per gli avvocati junior, il cambiamento significa sviluppare nuove competenze: affinare gli output generati dall'IA, individuare lacune nell'analisi del modello, tradurre le sintesi dell'IA in passi successivi concreti e gestire le eccezioni che esulano dagli schemi appresi. Per gli avvocati senior, la sfida è strategica: decidere dove gli LLM aggiungono valore, fissare standard di revisione e formare i team a valutare criticamente l'output dell'IA.
Gli studi che si adatteranno più rapidamente non saranno quelli che usano più IA — saranno quelli che la usano in modo più intelligente. Questo significa capire le capacità e i limiti della tecnologia, stabilire framework di governance e scegliere piattaforme costruite specificamente per il lavoro legale anziché riadattare strumenti consumer.
La conclusione
Gli LLM rappresentano il cambiamento tecnologico più significativo nella pratica legale dai tempi dell'e-discovery. Non sostituiranno gli avvocati — ma gli avvocati che li comprendono e li usano efficacemente sostituiranno quelli che non lo fanno. La chiave è un'adozione informata: sapere cosa possono fare gli LLM, capire dove falliscono e implementarli entro adeguati vincoli professionali e deontologici.
HAQQ combina la potenza dei più avanzati large language model con un fine-tuning specifico per il settore legale, sicurezza di livello enterprise e flussi di lavoro costruiti su misura — offrendo agli avvocati i vantaggi degli LLM senza i rischi degli strumenti consumer. Che tu stia revisionando contratti, redigendo atti o conducendo ricerche, il motore Justinian di HAQQ offre l'accuratezza e l'affidabilità che il lavoro legale richiede.
