Menu ☰
rag · · 3 min citire

RAG enterprise pe corpus juridic RO: de la PDF la citare verificabilă

Un avocat de bancă cere la 09:14 „ce zice Legea 129/2019 despre beneficiarul real al unei fiducii", iar un chatbot îi răspunde cu un paragraf credibil, dar fără sursă.

CAI Technology · Ultima revizuire: 26.10.2026

Trimite mai departe

Clean editorial photo of two diverse professionals reviewing documents in a bright modern office; no text, no logos, anatomy looks correct, and the scene fits a legal/enterpri

RAG enterprise pe corpus juridic RO: de la PDF la citare verificabilă

Un avocat de bancă cere la 09:14 „ce zice Legea 129/2019 despre beneficiarul real al unei fiducii”, iar un chatbot îi răspunde cu un paragraf credibil, dar fără sursă. Răspunsul e inutilizabil — pentru că în dreptul românesc, afirmația fără articol și fără alineat nu există. Aici încep problemele reale ale RAG-ului pe corpus juridic.

Pipeline-ul PDF → chunk → citare

Un corpus juridic RO are trei capcane: PDF-uri scanate cu OCR mediocru, numerotare mixtă (articol/alineat/litera/punct) și referințe încrucișate care sar în alte acte normative publicate pe Monitorul Oficial. Dacă pipeline-ul tratează fișierul ca text plat, pierzi exact granularitatea pe care se sprijină argumentul juridic.

ingest:
  ocr: tesseract+camelot_tables
  layout: unstructured.io hi_res
  normalize_diacritics: true
chunk:
  strategy: structural  # articol → alineat → litera
  max_tokens: 420
  overlap: 40
  attach_metadata: [act_id, articol, alineat, data_publicare, data_abrogare]
retrieve:
  hybrid: bm25 + dense (ro-sbert-legal)
  rerank: cross-encoder, top_k=8
cite:
  require_span: true
  fail_closed_on_missing: true

Chunking-ul semantic generic (sliding window pe 512 tokeni) rupe un alineat în două și face imposibilă citarea exactă. Chunking-ul structural — pe articol/alineat, cu metadate atașate — e singura abordare care produce răspunsuri verificabile. Măsurat pe un corpus de ~40.000 pagini (coduri + legi speciale), diferența între cele două strategii este vizibilă în faithfulness: generic ratează mai des linkul la alineat; structural livrează span-ul exact.

Arhitectura cu „fail-closed” pe citare

flowchart TD A[Query utilizator: intrebare juridica] --> B[Retriever hibrid BM25 + dense] B --> C[Reranker cross-encoder top-8] C --> D{Scor relevanta >= prag?} D -->|nu| E[Raspuns: nu stiu + sugestie reformulare] D -->|da| F[Generator LLM cu span obligatoriu] F --> G{Fiecare afirmatie are span citat?} G -->|nu| E G -->|da| H[Raspuns + link articol + data vigoare] classDef safe fill:#dcfce7,stroke:#10b981,color:#064e3b classDef danger fill:#fee2e2,stroke:#ef4444,color:#7f1d1d classDef neutral fill:#f1f5f9,stroke:#94a3b8,color:#334155 class H safe class E danger class A,B,C,D,F,G neutral

Două porți blochează halucinația. Prima: scorul de relevanță sub prag → sistemul refuză să răspundă. A doua: generatorul trebuie să ancoreze fiecare afirmație într-un span textual din chunk; dacă nu găsește, întoarce „nu știu”. E mai puțin spectaculos decât un chatbot vorbăreț, dar e singurul mod în care juristul își poate asuma răspunsul profesional.

Ce rupe sistemul în producție

Trei lucruri, în ordinea gravității. Versionarea actelor normative — un articol din Codul Fiscal arată altfel la 1 ianuarie 2025 față de 1 ianuarie 2026, iar OPANAF publică modificări trimestrial. Fără câmp data_vigoare în metadate, răspunzi cu text abrogat. Al doilea: referințele către EUR-Lex — GDPR, NIS2, DSA — care trebuie indexate separat, cu alinierea RO/EN. Al treilea: tabelele din anexe (grile de impozitare, baremuri), unde OCR-ul rupe celule și retrieve-ul le returnează ca text neinteligibil.

Vedem același pattern pe partea de securitate a pipeline-urilor RAG și în debugging-ul Graph RAG: fără metadate structurale și fără span obligatoriu, orice generator devine un risc de conformitate.

Poziția noastră, după ce am construit astfel de pipeline-uri pentru clienți din banking și public: RAG-ul juridic nu e „un chatbot peste PDF-uri”. E un sistem de citare asistat, în care rolul LLM-ului e să conecteze întrebarea cu span-ul corect — nu să scrie dreptul. Pentru arhitectură aplicată pe cazul tău, scrie-ne pe pagina de contact.

Lectură suplimentară

Începem cu o conversație de 30 de minute.

Audit AI-readiness gratuit pentru companii peste 50 angajați. Răspundem în 24 de ore.