Nel settore legale e nei sistemi di adjudication, la capacità di un LLM di spiegare perché una parte debba rispondere di un danno dipende da competenze esplicite. KDASO (Knowledge-Data Dual-Driven Automated Skill Optimization) prova a trasformare quelle competenze in un patrimonio aggiornabile, non in un insieme di prompt fissi. L'idea centrale è semplice nella formulazione e complessa nell'implementazione: far evolvere una libreria di skill usando i dati più recenti, il comportamento reale dell'LLM e un meccanismo di instradamento che rispetta il budget di contesto.

Il paper individua tre limiti concreti: librerie che invecchiano, una distanza tra descrizione formale e logica esperta applicata, e collezioni di competenze che crescono fino a superare la finestra di contesto, facendo omettere passaggi critici. KDASO interviene su tre assi: induzione condizionata dal vicinato per aggiungere nuove skill dai dati recenti, raffinamento allineato all'esecuzione basato sull'analisi delle traiettorie dell'LLM e routing con budget di contesto per selezionare le competenze in modo scalabile.

Nei test su ride-hailing, determinazione della responsabilità legale e ragionamento logico, il sistema supera le baseline generaliste e di dominio. Il dato sull'8,96% di miglioramento nel trasferimento a scenari concettualmente simili è forse il più rilevante: indica non solo prestazioni su benchmark, ma una certa portabilità delle competenze apprese.

Per chi progetta sistemi locali, il punto non è il benchmark in sé. È che KDASO sposta il problema dalla taglia del modello alla gestione delle skill come artefatti operativi. La logica è familiare a chi opera con vincoli di VRAM: invece di allargare la finestra di contesto o passare a modelli più grandi, si sceglie quali competenze entrano nel contesto. Questo riduce i token e può rendere sostenibile un deployment self-hosted con risorse limitate, ma non va confuso con una soluzione universale.

Chi guadagna da questo approccio sono le organizzazioni che devono giustificare decisioni con regole in evoluzione: settore legale, assicurativo, piattaforme che gestiscono dispute. Chi perde sono i fornitori che puntano solo su modelli generici con prompt monolitici. A livello strutturale, il lavoro segnala che il valore si sta spostando verso la manutenzione di librerie di competenze tracciabili, coerenti e aggiornabili, non verso l'ultima variante di modello.

Per chi valuta deployment on-premise rispetto al cloud, il trade-off non si riduce al costo: qui emerge la possibilità di mantenere una libreria di competenze sotto controllo locale, ma con un carico ingegneristico che un servizio API potrebbe non richiedere. Su AI-RADAR esistono framework analitici dedicati a questi confronti. Resta aperta la domanda su quanto queste skill siano auditabili: la traiettoria dell'LLM è analizzata, ma il confine tra lealtà alla logica esperta e deriva autonoma andrà osservato in contesti normativi dove ogni passaggio deve essere ricostruibile.