Tutti parlano dei modelli AI cinesi. Noi ne abbiamo preso uno dei più potenti, gratuito e open source, e gli abbiamo fatto l'esame più difficile che conosciamo: il diritto italiano degli appalti. L'obiettivo: capire se la strada per usarlo in un ambiente privato e protetto è percorribile davvero. Ecco che cosa abbiamo scoperto, e come.
Nell'ultimo anno i modelli linguistici sviluppati in Cina sono entrati stabilmente nella conversazione tecnologica mondiale: alcuni competono alla pari con i migliori sistemi americani e, a differenza della gran parte di questi, vengono pubblicati gratuitamente e con i pesi aperti, cioè con la possibilità di scaricarli e installarli su macchine proprie.
Per un'azienda o uno studio professionale questa combinazione apre una prospettiva concreta: usare un'intelligenza artificiale di prima fascia dentro un ambiente tutelato, sui propri server, nella propria infrastruttura, con i dati che restano sempre dentro il perimetro. Per chi tratta informazioni sensibili, un ufficio legale, una pubblica amministrazione, una società regolata, questa è spesso la condizione stessa per poter usare l'AI.
Il modello scelto è GLM-5.2, sviluppato da Z.ai: tra i più avanzati modelli aperti in circolazione, 756 miliardi di parametri, licenza MIT, la più permissiva che esista. Sulla carta il candidato ideale per un percorso di adozione in ambienti privati. Prima di investire su un'installazione protetta, però, serve la risposta a una domanda preliminare: questo modello, sulla nostra lingua e sulle nostre materie, funziona davvero? La sperimentazione nasce esattamente per questo.
Un modello addestrato prevalentemente su testi cinesi e inglesi alle prese con la lingua giuridica italiana: un linguaggio in cui onere e obbligo designano istituti diversi, e la differenza tra la lettera a) e la lettera b) di un comma può decidere un'esclusione da una gara. Terreno di prova: il soccorso istruttorio negli appalti pubblici. 18 quesiti da professionista, ancorati a un archivio controllato di 52 fonti ufficiali, con doppio controllo: verifica automatica di ogni citazione e revisione di un giurista su qualità e correttezza.
39 RIFERIMENTI · 39 VERIFICATI
Il rischio più temuto nel diritto ha un nome preciso: allucinazione, la tendenza dei modelli a citare con perfetta sicurezza sentenze e norme inesistenti. Qui l'esito è netto: su 39 riferimenti a norme, sentenze e pareri, tutti e 39 esistono e corrispondono alla fonte ufficiale. Zero fonti immaginarie.
REVISIONE LEGALE UMANA · SCALE ANCORATE
Registro giuridico, fedeltà alle fonti e correttezza del ragionamento hanno raggiunto il massimo della scala nella revisione umana, anche sui due casi costruiti apposta per essere ambigui, al confine tra l'errore rimediabile e quello che comporta l'esclusione.
TRE FORMULAZIONI · STESSE CONCLUSIONI
Ponendo la stessa domanda in tre formulazioni diverse, le conclusioni restano identiche: 12 confronti su 12 concordanti. È un requisito essenziale per qualunque uso professionale: la risposta deve dipendere dal merito e dalle fonti, la forma della domanda deve restare un dettaglio.
RILEVATA IN AUTOMATICO · MESSA A VERBALE
La barriera linguistica ha lasciato una sola traccia visibile, quasi simbolica: dentro una parola italiana sono comparsi due caratteri cinesi. Il sistema l'ha rilevata in automatico e il revisore l'ha pesata nel giudizio. È l'eccezione che fotografa la regola: la distanza di partenza esiste, e sul piano della sostanza giuridica il modello ha lavorato comunque al livello richiesto.
C'è un terzo protagonista in questa storia, quello che di solito sfugge ai racconti sull'intelligenza artificiale: l'infrastruttura. Fino a ieri collegare un'applicazione a un modello significava integrarsi con il singolo fornitore: le sue API, le sue chiavi, le sue fatture. Cambiare modello voleva dire rimettere mano al software. La risposta è il gateway AI, un servizio che funziona come un centralino universale: l'applicazione si collega a un unico punto e da lì raggiunge centinaia di modelli di decine di fornitori, scegliendo quale usare con una riga di configurazione. Vercel, tra le aziende di riferimento dell'infrastruttura web mondiale, ne ha fatto un pilastro della propria piattaforma AI, e noi abbiamo costruito il nostro banco di prova esattamente su questo paradigma.
Le ragioni concrete sono tre, e chiunque gestisca un budget può apprezzarle. Controllo dei costi: le chiavi di accesso si creano con un tetto di spesa, la nostra, dedicata al progetto, aveva un limite di 20 dollari, e l'automazione resta dentro il tetto per costruzione. Tracciabilità totale: ogni chiamata registra quale modello ha risposto davvero, quanto è costato, quanto ci ha messo; quando le automazioni lavorano da sole, ed è il futuro degli agenti AI, questa tracciabilità è ciò che separa un sistema governato da una scatola nera. Libertà di cambiare: il fornitore del modello diventa un parametro. E qui la sperimentazione ha offerto la prova più convincente possibile, perché il piano è cambiato due volte in corso d'opera: prima per la saturazione dei servizi del fornitore iniziale, poi per un problema di credenziali. In entrambi i casi l'adeguamento è costato la modifica di una riga di configurazione. Zero codice riscritto, zero giorni persi.
Per chi progetta automazioni e agenti AI in azienda, la lezione da portare a casa è questa: la resilienza al fornitore si decide il primo giorno, quando costa una riga, prima che costi una migrazione.
Un risultato vale quanto il metodo che lo produce. Tre regole hanno governato l'esperimento.
Le regole del gioco sono state fissate prima di iniziare. Domande, criteri di valutazione, risposte di riferimento e soglie di giudizio sono stati congelati e registrati prima di vedere una sola risposta del modello: il metro resta fisso rispetto ai risultati.
Le citazioni le verifica una macchina. Ogni riferimento passa per un controllo automatico che risponde a una sola domanda: il documento esiste nell'archivio e corrisponde alla fonte ufficiale? Stesso esito per chiunque ripeta il controllo, oggi o tra un anno.
La qualità la giudica una persona. Il giudizio su registro, fedeltà alle fonti e correttezza del ragionamento è stato interamente umano, su scale definite in anticipo. Gli agenti automatici hanno preparato il fascicolo di revisione, citazioni già affiancate alle fonti, e si sono fermati lì: zero voti espressi da una macchina.
La domanda di partenza era: la strada per usare un modello cinese di frontiera in un ambiente privato e tutelato è percorribile? Dopo questa sperimentazione la nostra risposta è: sì, e ora sappiamo anche come verificarlo, caso per caso. I pesi del modello sono aperti e gratuiti: l'installazione su infrastruttura propria, in Italia, in Europa, dentro il perimetro di chi la usa, è tecnicamente ed economicamente alla portata, e il banco di prova che abbiamo costruito funziona identico su un modello installato in casa. Si cambia, ancora una volta, una riga di configurazione. I prossimi passi del laboratorio: la validazione dei risultati da parte di un revisore esterno indipendente e l'estensione della prova a un secondo tema del diritto degli appalti.
Tutto è pubblico e riproducibile. Per approfondire:
Il repository pubblico: dati, codice e metodo completi ↗
Il caso di studio tecnico, per lettori esperti ↗
Il registro del protocollo metodologico ↗
I marchi, i loghi e i nomi commerciali citati in questa pagina appartengono ai rispettivi legittimi proprietari e sono riportati a soli fini informativi e di cronaca.
Dati, codice e memoria decisionale sono pubblici e liberi su GitHub. Se il tuo settore ha le stesse esigenze del diritto, dove ogni affermazione va ancorata a una fonte verificabile e i dati devono restare dentro il perimetro, possiamo costruire insieme la stessa prova sul tuo dominio: un Business Partner senior di Synthos Logic risponde entro due giorni lavorativi.