Kirkland & Ellis fattura oltre 7 miliardi di dollari l'anno. È lo studio legale più redditizio del pianeta — il tipo di posto dove i soci guadagnano più di alcuni CEO di Fortune 500. E nel 2026 ha deciso di investire 500 milioni di dollari per costruirsi un'intelligenza artificiale proprietaria, da zero, solo per uso interno.
Non un abbonamento a qualche strumento già pronto. Non una licenza enterprise. Un'AI sua. Addestrata sui loro documenti, sui loro contratti, sui loro precedenti. Una macchina da 500 milioni che lavora esclusivamente per loro.
Quando uno studio legale — storicamente il settore più lento ad adottare qualsiasi cosa nuova, il posto dove si usava ancora il fax nel 2018 — fa una mossa del genere, qualcosa di significativo sta succedendo. L'intelligenza artificiale per il settore legale non è più una curiosità da convegno: è diventata un'infrastruttura competitiva.
Perché un'AI proprietaria vale 500 milioni — e perché ora?
Un'AI proprietaria è un sistema di intelligenza artificiale sviluppato, addestrato e controllato interamente da un'organizzazione per uso esclusivo. Non è un prodotto commerciale rivenduto a migliaia di clienti: è un asset interno, come una sede o un database brevettato.
La domanda ovvia è: perché non usare semplicemente ChatGPT Enterprise, o Copilot, o uno dei tanti strumenti già disponibili? La risposta che Kirkland & Ellis implicitamente dà con questa scelta è triplice. Primo: la riservatezza. Uno studio legale che gestisce fusioni da miliardi, difese penali di alto profilo, contenziosi tra colossi industriali non può permettersi che i suoi dati più sensibili finiscano ad addestrare modelli di terzi. Secondo: la specializzazione. Un modello addestrato su milioni di contratti redatti da Kirkland riconosce pattern che nessun modello generalista può vedere. Terzo — e questo è il punto che secondo noi vale i 500 milioni — il vantaggio competitivo. Se tutti gli studi usano gli stessi strumenti, nessuno ha un vantaggio. Se tu hai uno strumento che nessun altro può comprare, hai qualcosa di diverso.
Secondo dati Thomson Reuters del 2025, il 79% degli studi legali di fascia alta ha già integrato qualche forma di AI nei processi di ricerca e redazione documentale. Ma investimenti sopra i 100 milioni in AI proprietaria rimangono appannaggio di meno del 5% del settore. Kirkland non sta seguendo la massa — sta cercando di distanziarla.
Cosa fa concretamente un'AI legale proprietaria?
L'AI legale proprietaria è un sistema che automatizza, velocizza e potenzia le attività ad alta intensità di lavoro intellettuale tipiche degli studi legali: revisione di contratti, ricerca giurisprudenziale, redazione di memorie, analisi di rischio, due diligence.
Per capire l'impatto, serve una stima concreta. Un associate junior — il livello base in uno studio come Kirkland — fattura al cliente tra 400 e 700 dollari all'ora. Una parte significativa del suo tempo è dedicata a leggere documenti, trovare precedenti, controllare clausole. Sono compiti che un modello ben addestrato può fare in secondi. Non eliminando il lavoro dell'avvocato, attenzione — ma cambiando radicalmente il rapporto tra tempo investito e valore prodotto.
Il problema, però, è che i modelli generalisti qui scivolano. Un contratto di M&A ha una logica interna, un lessico specifico, una struttura che chi non ha visto centinaia di quel tipo di documento non riesce a padroneggiare davvero. È come chiedere a qualcuno che ha letto tutti i libri di cucina del mondo di cucinare in una cucina stellata: teoricamente sa tutto, praticamente manca di qualcosa di difficile da descrivere. Un modello addestrato sui contratti di Kirkland degli ultimi vent'anni non ha quel problema.
Fra l'altro — e questa è la parte che noi in redazione troviamo più interessante — un'AI proprietaria diventa col tempo sempre più difficile da replicare. Ogni documento che elabora, ogni correzione che riceve dai soci, ogni decisione che registra diventa dati di addestramento aggiuntivi. È un fossato competitivo che si allarga da solo. (Spoiler: è esattamente per questo che vale 500 milioni.)
Cosa cambia per chi non ha 500 milioni da spendere?
La mossa di Kirkland è rilevante anche se non sei uno studio legale da miliardi di fatturato — forse soprattutto se non lo sei.
Il segnale che arriva è questo: la personalizzazione dell'AI non è più un lusso da giganti. È la direzione in cui si sta muovendo il mercato, e la versione accessibile di questa logica è già disponibile a costi completamente diversi. Strumenti come le istruzioni personalizzate di ChatGPT, i progetti di Claude con contesto persistente, o le soluzioni di fine-tuning su modelli aperti permettono anche a un piccolo studio, a un freelancer specializzato, a una piccola impresa di costruire qualcosa di specifico per sé. Non 500 milioni. Ma nemmeno l'AI generica che dà risposte uguali a tutti.
La differenza tra usare un'AI di default e usare un'AI calibrata sul tuo lavoro è la stessa che c'è tra un vestito preso dall'espositore e uno fatto su misura: sulla superficie sembrano uguali, ma uno ti sta dosso e l'altro no. Kirkland ha scelto il sarto. Tu puoi fare almeno le prime tre misurazioni.
Secondo noi, il punto non è emulare la spesa di Kirkland. È capire che l'AI generica sta diventando una commodity — e che l'unico modo per estrarne vantaggio competitivo reale è specializzarla. Qui trovi qualche punto di partenza concreto per farlo senza budget enterprise.
Il settore legale è davvero così diverso dagli altri?
Il settore legale ha una caratteristica che lo rende un caso di studio particolarmente rivelatore per tutti gli altri settori: è costruito sulla riservatezza, sul precedente e sull'interpretazione. Tre cose che i modelli generalisti gestiscono con difficoltà strutturale.
La riservatezza significa che i dati più preziosi non possono uscire dall'organizzazione — e quindi non possono finire nei modelli commerciali. Il precedente significa che il valore sta nell'accumulazione storica di documenti e decisioni specifiche, non nella conoscenza generica del diritto. L'interpretazione significa che la risposta giusta dipende dal contesto, dalla giurisprudenza applicabile, dalla strategia del cliente — non da una risposta univoca.
Beh, guarda un po': esattamente le stesse tre caratteristiche valgono per la medicina, per la consulenza strategica, per la contabilità specializzata, per la progettazione ingegneristica. Il settore legale non è un'eccezione — è il primo a rendere visibile una dinamica che riguarda tutti i settori ad alta intensità di conoscenza specialistica. L'AI proprietaria di Kirkland è una scommessa su un principio che nei prossimi anni diventerà senso comune: il vantaggio competitivo non sta nell'accesso all'AI, ma nel tipo di AI a cui hai accesso. E quel tipo si costruisce nel tempo, con dati propri, con scelte proprie. (Chi sta aspettando che "l'AI si stabilizzi" prima di iniziare sta fondamentalmente aspettando che il suo vantaggio comparativo si azzeri da solo.)
Quale lezione concreta porta questa storia?
La lezione concreta dell'investimento di Kirkland & Ellis è questa: in un mercato dove tutti hanno accesso agli stessi strumenti AI generici, la specializzazione dell'AI diventa il nuovo fossato competitivo. Chi inizia prima ad accumulare dati propri, processi propri e modelli calibrati sul proprio lavoro parte avvantaggiato — e il vantaggio cresce nel tempo, non si azzera.
Non serve fare il paragone con i 500 milioni. Serve capire il principio. Kirkland non ha comprato un'AI migliore — ha comprato un'AI più sua. Questo è replicabile in scala molto più piccola con quello che già esiste oggi: istruzioni personalizzate, contesti persistenti, flussi di lavoro calibrati sul proprio settore.
La domanda che vale la pena farsi non è "posso permettermi un'AI proprietaria?". È: sto usando l'AI come se fosse uno strumento uguale per tutti, o sto iniziando a costruire qualcosa che col tempo sarà specificamente mio?
Perché la differenza, tra qualche anno, potrebbe non essere piccola.
John von Neumann, il matematico che ha contribuito a progettare i primi computer, era solito dire che in matematica non capisci le cose: ci fai l'abitudine. Con l'AI succede lo stesso — ma c'è un problema. Farci l'abitudine usando lo strumento generico di tutti non è un vantaggio: è semplicemente tenersi al passo. Il vantaggio inizia quando smetti di usare l'AI come tutti gli altri e inizi a usarla come nessun altro potrebbe.