Aggiornato per il 2026
Due modi in cui la redazione fallisce
I team legali si trovano di fronte a due modalità di errore. Entrambe comportano responsabilità concrete.
La redazione insufficiente espone dati privilegiati o informazioni personali che devono restare riservate. La parte divulga materiale che aveva il diritto — spesso il dovere — di proteggere.
La redazione eccessiva nasconde fatti che la controparte ha il diritto di vedere. I tribunali trattano questo comportamento come ostruzione — una violazione dell'obbligo di disclosure soggetta a sanzioni.
Gli strumenti IA che privilegiano il recall rispetto alla precisione causano per design il secondo problema. Un motore IA che oscura l'80% di un documento evita di tralasciare qualcosa, ma il risultato è inutilizzabile e può anche attrarre sanzioni del giudice.
Entrambe le modalità di errore portano allo stesso posto: un giudice, una spiegazione e dei costi.
Il caso Schnitzer Steel (2024)
Il caso del 2024 Athletics Investment Group v. Schnitzer Steel mostra come i tribunali gestiscano la trattenuta impropria di documenti.
Una parte ha prodotto atti con marcature estese. La controparte ha contestato. Il tribunale ha esaminato i materiali e ha rilevato che le marcature andavano oltre quanto consentito dalla legge.
Il risultato: sanzioni ai sensi della Federal Rule of Civil Procedure 37. La parte produttrice ha pagato per un processo difettoso.
Tali sanzioni non sono una novità: i tribunali le applicano da anni. Ciò che rende questo caso significativo è il contesto. La revisione assistita da IA è oggi comune nel contenzioso. Il caso solleva una domanda chiave: i team legali verificano la precisione dei propri strumenti IA prima di utilizzarli nelle produzioni documentali?
La risposta conta. Uno strumento con scarsa precisione segnalerà troppe occorrenze. Il professionista che vi si affida senza verificare si assume il rischio.
Per un'analisi completa del caso, consulta l'analisi di E-Discovery LLC sulla trattenuta basata sulla rilevanza.
Il problema del 22,7% di precisione
Presidio è un motore open-source per il rilevamento di dati PII sviluppato da Microsoft, ampiamente utilizzato negli strumenti di revisione documentale. I test su atti giudiziari e contratti gli attribuiscono un tasso di precisione del 22,7%.
La precisione misura quante segnalazioni positive sono corrette. Al 22,7%, circa 77 su 100 segnalazioni sono falsi positivi — elementi non sensibili secondo alcuno standard applicabile.
Per l'e-discovery, la matematica è diretta. Un insieme di 10.000 documenti elaborato con questo tasso conterrà migliaia di marcature infondate. La parte produttrice affronta lo stesso rischio del convenuto in Schnitzer Steel: una produzione contestata, una revisione giudiziale e possibili sanzioni.
Questo dato si riferisce alla configurazione predefinita di Presidio su contenuti di studi legali — non tutti gli strumenti IA hanno queste prestazioni. Ma questo motore è la soluzione open-source più diffusa nel settore.
La causa è strutturale. I sistemi NLP vengono addestrati su testi generici. Il linguaggio dei tribunali è diverso: usa termini tecnici, formati di citazione e convenzioni redazionali che si discostano dai dati di addestramento. Uno strumento efficace sulle cartelle cliniche può avere prestazioni molto peggiori sui verbali di deposizione.
Cosa mostrano i dati sull'utilizzo dell'IA
Ecco un secondo dato: il 27,4% dei contenuti inviati ai chatbot IA è sensibile, secondo un'analisi indipendente dell'uso aziendale dell'IA.
Questo descrive ciò che i dipendenti inviano durante le attività ordinarie — non dati che intendevano condividere, ma contenuti inclusi per abitudine o per distrazione. I professionisti legali che usano l'IA per redigere lettere, rivedere contratti o riassumere deposizioni trasmettono dati sensibili ai server del fornitore come effetto collaterale del lavoro normale.
Quasi tre interazioni su dieci coinvolgono dati di clienti, informazioni privilegiate o strategie di difesa. Questi contenuti raggiungono i server del fornitore in forma leggibile, a meno che controlli adeguati non lo impediscano.
Per gli studi legali che valutano il proprio rischio IA, il 27,4% non è un problema marginale: è la frequenza di base. Quasi un terzo dell'uso dell'IA in uno studio riguarda contenuti che necessitano di protezione.
La catena di responsabilità
La trattenuta eccessiva e le fughe di dati tramite IA creano percorsi di rischio distinti ma collegati. Entrambi partono dalla stessa decisione: implementare uno strumento IA senza un'adeguata valutazione.
Il percorso della discovery: L'IA contrassegna ampiamente i contenuti → il professionista si fida dell'output senza verifiche a campione → la produzione contiene marcature ingiustificate → la controparte contesta → il giudice esamina → sanzioni.
Il percorso della fuga di dati: Il professionista usa l'IA per il lavoro sul caso → l'IA riceve comunicazioni privilegiate → il fornitore IA subisce una violazione → i dati del cliente sono esposti → seguono azioni per negligenza professionale.
Il punto di partenza è lo stesso in entrambi i casi: gli studi implementano strumenti IA senza sapere cosa fanno effettivamente quelli strumenti, senza predisporre controlli adeguati.
Revisione orientata alla precisione per le produzioni documentali
I tribunali pongono una domanda precisa quando esaminano marcature contestate: ogni marcatura era supportata da un privilegio, da una regola di riservatezza o da un'ordinanza del giudice? I tribunali non chiedono se lo strumento della parte produttrice abbia segnalato il massimo possibile.
Una marcatura priva di una base giustificata costituisce una violazione delle regole di discovery — indipendentemente dal fatto che sia stata apposta da un umano o da un'IA. L'esame avviene marcatura per marcatura.
Per i professionisti legali, questo significa che gli strumenti di revisione IA devono essere testati sulla precisione — la quota di segnalazioni realmente privilegiate — non solo sul recall. Uno strumento che raggiunge il 90% di recall al 22,7% di precisione individua più contenuti sensibili, ma crea un onere di revisione per il 77,3% di falsi positivi. Quando quella revisione non avviene, segue una trattenuta eccessiva generalizzata.
Ogni marcatura in una produzione è un'affermazione rivolta al tribunale: questo contenuto è legittimamente trattenuto. Dopo Schnitzer Steel, quell'affermazione deve reggere.
Per approfondire come gli strumenti di anonimizzazione differiscano dal rilevamento PII standard, consulta la nostra guida sulla precisione dell'IA nella revisione di documenti legali. Per il contesto sui privilege log e gli strumenti IA, vedi il nostro articolo sul privilegio attorney-client e l'IA.