Ontologia giuridica IA: come abbiamo ridotto i costi dell'IA legale del 97%

Come una demo ha riscritto la mia roadmap

Qualche settimana fa ho fatto una call con il CEO di Dynamic Interfaces per vedere qualcosa che avevano costruito — un sistema di ontologia legale per il diritto del lavoro messicano. Pensavo di vedere una demo, prendere qualche appunto e passare oltre. Non è andata così.

Dati chiave

• Un'ontologia legale ha sostituito 300 strumenti MCP con 7, facendo scendere i costi IA da $0.60 a $0.02 per messaggio — una riduzione del 97%.
• Stanford (Magesh et al., Journal of Empirical Legal Studies 2025) ha rilevato che gli strumenti RAG legali in produzione allucinano nel 17-33% dei casi.
• Il GraphRAG basato su ontologia ha raggiunto un'accuratezza del 98% contro il 37% di ChatGPT-4 nel QA clinico (Journal of Biomedical Informatics, 2025).

Costruisco IA legale per la regione MENA in HAQQ, e ho assistito a un numero di demo 'rivoluzionarie' che mi basta per tutta la vita. La maggior parte sono solo RAG con un'interfaccia più curata. Questo sistema è sembrato diverso già dai primi cinque minuti. Non per il design accattivante o il linguaggio da marketing — ma per quello che succedeva sotto il cofano.

Ecco cosa mi ha fatto fermare di colpo: 5 clienti governativi messicani usavano questo sistema ogni giorno. Periti nominati dal tribunale — i peritos — interrogavano il diritto del lavoro su quattro leggi federali, ottenendo risposte precise con citazioni legali complete, e il tutto costava due centesimi a messaggio. Non due dollari. Due centesimi.

Per dare un'idea, Harvey AI — il gioiello da $11B dell'IA legale — fattura $1,200 per avvocato al mese. CoCounsel parte da $220/mese. Anche la licenza più economica nell'IA legale costa oltre $100/mese. E qui c'era questo sistema in Messico che lo faceva per due centesimi a messaggio. Nessun abbonamento. Nessun minimo di licenze. Solo un grafo di conoscenza strutturato e 7 strumenti ben progettati.

Ho passato le due settimane successive a smontare il sistema per capire perché funziona. Questo articolo racconta cosa ho scoperto, perché è rilevante per chiunque costruisca IA legale, e cosa stiamo costruendo in HAQQ di conseguenza.

Cosa sbagliano le aziende di IA legale da $11B

Prima di entrare nell'architettura dell'ontologia, devo dire qualcosa di netto sullo stato attuale dell'IA legale. Perché più scavavo nel panorama competitivo, più emergeva uno schema — e non è lusinghiero per gli operatori affermati.

Ogni grande azienda di IA legale è un involucro RAG. Nessuna ha un'ontologia legale formale.

Harvey AI — valutazione da $11B, $1.2B raccolti, sostenuta da Sequoia e GIC — utilizza LLM fine-tuned con RAG su database legali. Fattura circa $1,200/avvocato/mese a listino. Ha appena annunciato un'integrazione con LexisNexis, che aggiunge altri $400-600/avvocato/anno. Dichiara un'accuratezza del 91% sul suo 'BigLaw Bench'. Questo significa comunque che il 9% del lavoro legale contiene errori.

CoCounsel (Thomson Reuters) — 1 milione di utenti, innestato su oltre 100 anni di giurisprudenza di Westlaw. Architettura multi-modello tra Anthropic, OpenAI e Google. Prezzi da $220 a $500/utente/mese. Un vantaggio sui dati migliore di Harvey. Ma resta RAG nel suo nucleo.

Legora (in precedenza Leya) — valutazione da $5.55B, 800 studi legali. Costruita su Claude con workflow agentici. $250/utente/mese, minimo 10 licenze. Nessuna struttura di conoscenza legale proprietaria. È un involucro molto ben progettato.

Stanford ha condotto uno studio empirico pre-registrato — il primo del suo genere. Magesh et al., pubblicato sul Journal of Empirical Legal Studies nel 2025. Hanno testato strumenti RAG legali in produzione e riscontrato tassi di allucinazione del 17-33% su tutta la linea.

Nel frattempo, in medicina clinica, alcuni ricercatori hanno pubblicato uno studio che mostra come il GraphRAG basato su ontologia raggiunga un'accuratezza del 98% contro il 37% di ChatGPT-4. Non è un errore di battitura. Un miglioramento di 61 punti percentuali, pubblicato sul Journal of Biomedical Informatics, usando SNOMED CT come livello di ancoraggio.

Il settore medico lo ha dimostrato. Il settore legale ne ha bisogno. E nessuno lo sta costruendo. Questo è il vuoto. Ed è esattamente dove sta entrando HAQQ.

L'esperimento: esplorare un'ontologia legale tramite MCP

Voglio essere chiaro su cosa fosse questo esercizio. Non una recensione di prodotto. Non l'annuncio di una partnership. Sono io che mi sono collegato al server MCP di Dynamic Interfaces, ho esplorato le loro strutture dati dell'ontologia, ne ho analizzato il design e le ho messe alla prova con tutto ciò che so sul ragionamento legale.

Il Model Context Protocol (MCP) — lo standard di Anthropic per l'integrazione IA-strumenti, ora gestito dalla Linux Foundation — era l'interfaccia. Ogni azione nell'ontologia è esposta come uno strumento MCP richiamabile. Qualsiasi client compatibile con MCP può collegarsi.

Le ontologie sono, in un certo senso, il segreto.

Uno studio del 2025 sulla selezione degli strumenti ha rilevato che ridurre il numero di strumenti triplica l'accuratezza — dal 13.6% al 43.1% — riducendo al contempo i token del prompt di oltre il 50%. Meno strumenti, prestazioni nettamente migliori. È esattamente ciò che fa l'ontologia: comprime centinaia di operazioni granulari sul database in una manciata di operazioni legali semanticamente significative.

Perché l'IA legale fallisce? I 3 difetti fatali del RAG applicato al diritto

La maggior parte dei prodotti di IA legale — incluso gran parte di ciò che esiste sul mercato MENA — fa RAG su PDF. Suddividono i documenti legali in frammenti, li incorporano in un database vettoriale e recuperano i passaggi semanticamente simili quando si pone una domanda. Funziona per le query di conoscenza generale. Fallisce in modo catastrofico per il diritto.

Almeno 6 avvocati sono stati sanzionati dal 2023 per aver depositato citazioni giurisprudenziali false generate dall'IA — a partire dal ormai celebre caso Mata v. Avianca, in cui ChatGPT ha inventato dei casi e poi ha confermato che 'esistono davvero' su Westlaw.

Cecità temporale

I sistemi RAG non riescono intrinsecamente a distinguere tra la versione 2022 e la versione 2023 di un articolo di legge. La riforma messicana 'Vacaciones Dignas' del 2023 ha raddoppiato da un giorno all'altro il diritto alle ferie. Un perito che calcola un caso di licenziamento illegittimo a cavallo di quella data ha bisogno di entrambe le versioni. Il RAG non ha alcun meccanismo per questo. Nessuno.

Ignoranza strutturale

Il diritto è strutturato gerarchicamente: Costituzione, Legge Federale, Regolamenti, Circolari. All'interno di una legge: Titoli, Capitoli, Articoli, Frazioni, Paragrafi. La frammentazione del RAG distrugge questa gerarchia. Quando l'Articolo 50 dice 'nei termini dell'Articolo 48', un sistema RAG può recuperare l'Articolo 50 senza l'Articolo 48, producendo una risposta incompleta.

Amnesia dei riferimenti incrociati

Il ragionamento legale è intrinsecamente basato su un grafo. Il calcolo del premio di anzianità ai sensi dell'Articolo 162 fa riferimento ai valori UMA definiti nella Costituzione. I crediti abitativi INFONAVIT si calcolano in UMA secondo una riforma del 2016. Un sistema RAG non ha alcun meccanismo per seguire queste catene di riferimenti. Recupera frammenti. Un'ontologia percorre le connessioni.

Un grafo di conoscenza legale è una rete di disposizioni legali collegate da relazioni semantiche tipizzate. A differenza di un indice documentale, dove le connessioni sono dedotte per similarità di parole chiave, un grafo di conoscenza legale codifica esplicitamente che l'Articolo 50 'stabilisce una formula' richiamata dall'Articolo 48, che a sua volta 'rimanda' alla definizione di salario dell'Articolo 84.

Cos'è un'ontologia legale e come funziona?

Un'ontologia legale è un modello di conoscenza strutturato e leggibile da una macchina che rappresenta un dominio giuridico come un grafo di entità (leggi, articoli, tribunali, valori calcolati), le loro relazioni gerarchiche e i riferimenti incrociati tipizzati tra le disposizioni. A differenza dei sistemi di recupero su testo piatto, un'ontologia legale preserva la struttura intrinseca della legislazione — gerarchia, versionamento, eccezioni e catene di formule — permettendo un ragionamento legale deterministico anziché un recupero probabilistico di documenti.

Scala: 11 tipi di entità, 1,689 articoli, 4 leggi federali, 7 precedenti giudiziari, 12 riferimenti incrociati tipizzati, 10 tassonomie enum.

Come i riferimenti incrociati tipizzati cambiano il ragionamento dell'IA legale

Ciò che rende questa ontologia architetturalmente potente è il sistema di riferimenti incrociati tipizzati. Nella maggior parte dei sistemi di IA legale, un riferimento tra due articoli è solo un collegamento ipertestuale. Nel sistema di Dynamic Interfaces, è una relazione tipizzata con significato semantico: remite_a (rimanda a), complementa (integra), modifica (modifica), excepciona (crea un'eccezione), define_termino (definisce un termine), establece_formula (stabilisce una formula), establece_procedimiento (stabilisce una procedura).

Quel tipo excepciona — è quello che mi tiene sveglio la notte. L'Articolo 5 della LFT stabilisce i diritti generali del lavoro, ma i regimi di lavoro speciali creano eccezioni. Se il sistema non modella esplicitamente le eccezioni, applica le regole generali dove dovrebbero valere le regole speciali. È un errore legalmente catastrofico.

Quanto riduce i costi dell'IA un'ontologia legale?

È qui che si passa da 'architetturalmente interessante' a 'questo cambia radicalmente il modello di business'. Un'ontologia legale ha ridotto i costi di ragionamento IA da $0.60 a $0.02 per messaggio — una riduzione del 97% — comprimendo 300 descrizioni di strumenti MCP in 7 strumenti consapevoli dell'ontologia.

Perché i sistemi di IA legale basati su ontologia richiedono meno strumenti?

Economia dei token: perché 300 strumenti costano $0.60 e 7 strumenti costano $0.02

L'approccio standard per costruire agenti IA è esporre ogni operazione sul database come strumento separato. Moltiplicando questo su 11 tipi di entità si arriva rapidamente a 300 strumenti. Ecco il problema: ognuna di quelle descrizioni di strumenti viene serializzata nella finestra di contesto dell'LLM a ogni singola richiesta. Con 300 strumenti da circa 300 token ciascuno, si bruciano 90,000 token ancora prima che l'utente ponga una domanda.

L'ontologia comprime tutto questo. Al posto di 300 operazioni granulari sul database, si ottengono 7 operazioni legali semanticamente significative: query_legal_knowledge, calculate_settlement, find_jurisprudencia, get_cross_references, get_wage_data, get_vacation_table, generate_dictamen.

Sette strumenti. 2,100 token per le descrizioni. $0.02 per messaggio.

L'effetto downgrade del modello: dalla frontiera all'open source

Quando un agente IA ha solo 7 strumenti ben definiti tra cui scegliere — invece di 300 — il modello non deve essere altrettanto sofisticato. L'ontologia si occupa del pesante lavoro strutturale. Il modello deve solo capire la domanda dell'utente, scegliere gli 1-3 strumenti giusti e sintetizzare una risposta a partire da dati strutturati.

I conti sullo stipendio del perito

Un perito laboral a Città del Messico guadagna circa 15,000-30,000 MXN al mese. A $0.60 per messaggio, con 50 casi al mese e 20 messaggi per caso, il solo costo API sarebbe di $600/mese — il 36-72% del loro reddito. Del tutto non sostenibile.

A $0.02 per messaggio, lo stesso utilizzo costa $20/mese — l'1.2-2.4% del reddito. Meno di un abbonamento Netflix. La riduzione dei costi non rende solo il prodotto più economico. Rende possibile un mercato interamente nuovo.

Approfondimento: un calcolo reale di licenziamento illegittimo — $254,000 MXN

Questo è un calcolo completo di licenziamento illegittimo che utilizza articoli reali della LFT, dati salariali reali del 2026 e l'intera catena di dipendenze tra leggi. Maria Elena Gutierrez, assistente amministrativa, stipendio mensile $15,000 MXN, impiegata da 5 anni e 3 mesi, licenziata senza giusta causa.

L'ontologia lo gestisce in 8 passaggi su 4 leggi: classificare la controversia, verificare il precedente vincolante, seguire la catena di formule, calcolare l'indennizzo ($1211,000), la liquidazione ($5,000), i salari arretrati ($120,000), la verifica incrociata tra leggi, per un totale complessivo di $254,000 MXN.

La trappola dell'UMA: un errore da $180,000 nascosto in bella vista

Dalla riforma costituzionale messicana del 2016, coesistono due unità di riferimento: l'UMA (Unidad de Medida y Actualizacion) e il Salario Minimo (salario minimo). Nel 2026, il salario minimo è 2.69 volte l'UMA. Usare quella sbagliata non produce un errore di arrotondamento. Produce un calcolo giuridicamente invalido.

Se si calcola il tetto della prima de antiguedad usando l'UMA invece del Salario Minimo, si ottiene $234.62/giorno invece di $630.08/giorno — penalizzando il lavoratore del 62.8%. Un'ontologia codifica quale unità di riferimento si applica a quale concetto legale. Non è ambiguo. Un sistema RAG lascia che sia l'LLM a capirlo da solo. È lì che si annida l'allucinazione.

Un'ontologia legale può funzionare per qualsiasi giurisdizione?

Ogni sistema giuridico condivide cinque primitive strutturali: legislazione gerarchica, categorizzazione semantica, grafi di riferimenti incrociati, versionamento temporale e valori di dominio calcolati — il che rende il pattern dell'ontologia universalmente replicabile. Il pattern è universale. Gli enum sono specifici per giurisdizione.

Il pattern si adatta in modo più diretto ai sistemi di civil law — Francia, Brasile, Arabia Saudita, EAU — perché condividono strutture codificate e gerarchiche quasi identiche al diritto messicano. I sistemi di common law necessitano di un livello di adattamento che elevi la giurisprudenza a uno status di primo piano accanto alle norme statutarie.

Cosa significa questo per HAQQ — e l'opportunità da $1.2B nella regione MENA

Nessuno nella regione MENA sta facendo questo. Nemmeno lontanamente. Il panorama competitivo è dominato dal RAG su PDF. Al Tamimi ha stretto una partnership con Harvey. Legora ha lanciato il supporto in arabo a gennaio 2026. Ci sono oltre 185 aziende di legal tech nella regione. Ma nessuna ha costruito un'ontologia strutturata con grafi di riferimenti incrociati tipizzati per il diritto del lavoro MENA.

Il mercato del legal tech nel GCC vale $1.2B. Il mercato legal tech degli EAU è previsto raggiungere $234.4M entro il 2030 (CAGR 10.8%). Il governo degli EAU ha stanziato $572M per la trasformazione digitale del settore giustizia. La Vision 2030 dell'Arabia Saudita include disposizioni specifiche per la modernizzazione della tecnologia legale.

Il Federal Decree-Law No. 33 del 2021 degli EAU conta circa 65 articoli più i regolamenti attuativi. Il diritto del lavoro saudita conta circa 245 articoli. Sono corpus gestibili — abbastanza piccoli da costruire un'ontologia completa e validata da esperti umani in settimane, non mesi.

L'approccio arabic-first è il nostro vantaggio. Secondo i benchmark ArabLegalEval, l'NLP legale in arabo manca dei framework di valutazione disponibili per l'inglese. Un'ontologia aggira del tutto l'estrazione NLP — fornisce dati già strutturati. L'LLM si occupa della sintesi, non dell'estrazione. È un compito molto più semplice.

Diritto leggibile dalle macchine: non siamo soli

Singapore ha annunciato SOLID (Singapore Open Legal Informatics Database) a novembre 2025. L'UE gestisce l'European Legislation Identifier (ELI) dal 2012, ora implementato da oltre 21 paesi. L'iniziativa 'Better Rules' della Nuova Zelanda sviluppa la legislazione simultaneamente in linguaggio semplice, enunciati di regole e codice.

Il pattern è chiaro: i governi che oggi investono nel diritto computazionale avranno domani l'infrastruttura per l'IA legale. Quelli che non lo fanno finiranno per comprare costosi involucri RAG dalla Silicon Valley.

Come costruire un'ontologia legale: un playbook in 7 passaggi

Per un dominio legale circoscritto come il diritto del lavoro di un singolo paese (65-245 articoli), un'ontologia completa può essere costruita in 4-8 settimane con un costo di parsing di $5-20 per legge.

• Passo 1: identificare le leggi di origine e i repository ufficiali. Individuare le 3-5 norme principali e valutarne la leggibilità automatica.
• Passo 2: progettare il modello di entità. Partire dal template universale (Law, StructuralUnit, Article, CaseLaw, CrossReference, ComputedValue) e aggiungere entità specifiche per giurisdizione.
• Passo 3: definire le tassonomie enum. Definire 15-25 tag tematici semantici, tipi di riferimento incrociato e tipi di valori calcolati.
• Passo 4: analizzare e importare le leggi. Far passare i documenti di origine attraverso un parser, estrarre la gerarchia, eseguire il tagging semantico tramite LLM e caricare tutto nel database.
• Passo 5: costruire il grafo dei riferimenti incrociati. Estrarre i riferimenti espliciti, rilevare le connessioni tematiche implicite, collegare i riferimenti tra leggi diverse e tipizzare ogni arco.
• Passo 6: generare l'SDK e gli strumenti MCP. Esporre 7 strumenti: cercare articoli, ottenere un articolo, ottenere i riferimenti incrociati, ottenere la giurisprudenza, calcolare un valore, ottenere la timeline, confrontare le giurisdizioni.
• Passo 7: collegare alla messaggistica. L'utente invia una domanda via WhatsApp. L'LLM riceve il messaggio più le 7 definizioni di strumenti. Costo totale: $0.02.

I prossimi passi

Stiamo esplorando l'integrazione con la piattaforma di Dynamic Interfaces per la definizione dell'ontologia e la generazione dell'SDK. Stiamo costruendo un'ontologia del diritto del lavoro degli EAU — il Federal Decree-Law No. 33 del 2021 è il nostro primo obiettivo. Stiamo testando il sistema con workflow legali reali negli EAU e prevediamo di rendere open source il modello di entità universale.

L'intuizione è quasi imbarazzante nella sua semplicità: modellare il diritto per quello che è realmente. Un sistema di conoscenza strutturato, versionato e con riferimenti incrociati. Smettere di trattarlo come un mucchio di PDF in cui cercare.

Ogni grande azienda di IA legale è costruita sul RAG. Stanford ha dimostrato che allucinano nel 17-33% dei casi. Nel frattempo, i sistemi basati su ontologia raggiungono un'accuratezza del 98%. L'architettura esiste. La validazione accademica esiste. Il mercato esiste. L'ontologia è il segreto. Stiamo costruendo la nostra.

Le domande che continuo a ricevere

Cos'è esattamente un'ontologia legale?

Un'ontologia legale è un modello strutturato e leggibile da una macchina di un dominio giuridico. Si può pensarla come un grafo di conoscenza progettato appositamente per il diritto — definisce le entità, mappa le relazioni gerarchiche, traccia i riferimenti incrociati tipizzati e gestisce il versionamento temporale per le riforme. Invece di trattare il diritto come testo piatto in cui cercare, un'ontologia legale cattura la struttura reale che la legislazione già possiede.

In cosa l'IA legale basata su ontologia è diversa dal RAG?

Il RAG suddivide i documenti legali in frammenti e recupera i passaggi semanticamente simili. Un'ontologia modella il diritto come un grafo di conoscenza connesso con relazioni tipizzate. In pratica, questo significa che il RAG perde la gerarchia, il versionamento temporale e le catene di riferimenti incrociati. Un'ontologia preserva tutti e tre. Il risultato è un ragionamento legale deterministico invece di un recupero probabilistico — la differenza tra 'probabilmente corretto' e 'corretto e citabile'.

Come si confronta con Harvey AI?

Harvey è un'azienda da $11B che fattura circa $1,200/avvocato/mese con un minimo di 20 licenze. Usa LLM fine-tuned con RAG — nessuna ontologia formale. Dichiara un'accuratezza del 91%, il che significa comunque un tasso di errore del 9%. L'approccio a ontologia costa $0.02/messaggio con calcoli deterministici che non allucinano sui numeri. Le architetture sono fondamentalmente diverse: Harvey rende il modello più intelligente; l'approccio a ontologia rende più semplice il compito del modello.

Quanto fa risparmiare realmente?

I costi per messaggio sono scesi da $0.60 a $0.02 — cioè il 97%. Il risparmio deriva dalla compressione di 300 descrizioni di strumenti MCP in 7 (con un risparmio di circa 87,900 token per richiesta) e dalla possibilità di passare da modelli di frontiera a modelli open source.

Può funzionare per i sistemi di common law?

Sì, ma con un livello di adattamento. I sistemi di civil law si mappano direttamente perché condividono strutture codificate e gerarchiche. I sistemi di common law devono elevare la giurisprudenza a uno status di primo piano accanto alle norme statutarie. Le cinque primitive strutturali esistono in ogni sistema giuridico.

Quanto tempo serve per costruirne una?

Per un dominio circoscritto come il diritto del lavoro di un singolo paese: 4-8 settimane per un corpus ridotto (65-245 articoli). Questo include il parsing delle fonti, la modellazione delle entità, l'estrazione dei riferimenti incrociati e la generazione degli strumenti MCP. I costi di parsing vanno da $5 a $20 per legge.

Riferimenti

• Magesh, V. et al. 'Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools.' Journal of Empirical Legal Studies, 2025.
• de Martim, H. 'An Ontology-Driven Graph RAG for Legal Norms.' arXiv:2505.00039.
• Guo, X. et al. 'RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection.' arXiv:2505.03275.
• 'Ontology-grounded knowledge graphs for mitigating hallucinations in LLMs for clinical question answering.' Journal of Biomedical Informatics, 2025.

Letture correlate

• 1.313 casi giudiziari con citazioni fabbricate dall'IA
• HAQQ-LAB, il nostro benchmark open sul civil law
• il divario dell'IA legale in arabo è nel recupero, non nei contenuti
• il nostro benchmark a 300 task sui modelli di frontiera