SWOT, TOWS, PESTEL e Cinque Forze di Porter nell’analisi strategica delle organizzazioni legali: utilità, limiti e lettura dell’impatto dell’intelligenza artificiale

Abstract. L’articolo valuta in che misura quattro strumenti classici di analisi strategica – SWOT, TOWS, PESTEL e Cinque Forze di Porter – aiutino a comprendere e governare il cambiamento nelle organizzazioni legali (studi professionali, uffici legali interni, amministrazione della giustizia). La tesi è che gli strumenti siano utili se usati in sequenza, dal contesto generale alla scelta strategica, e ancorati a evidenze verificabili, ma limitati da staticità, soggettività e difficoltà di cogliere le discontinuità. L’intelligenza artificiale (IA) è assunta come banco di prova: letto attraverso i quattro strumenti, il suo impatto sul settore legale appare come una trasformazione dei compiti più che come la sostituzione della professione, con pressione sulle attività routinarie, rischi di affidabilità e un quadro regolatorio (AI Act, L. 132/2025) che ribadisce la responsabilità umana.

Sommario: 1. Introduzione – 1.1. Impostazione metodologica – 2. Gli strumenti e il loro uso nel contesto legale – 3. Che cosa dicono le evidenze sull’efficacia dei metodi – 4. I metodi applicati al settore legale – 4.1. PESTEL – 4.2. Cinque Forze – 4.3. SWOT e TOWS – 4.4. L’IA come banco di prova: che cosa i metodi possono e non possono dire – 4.5. Giustizia e garanzie – 5. Conclusioni – 6. Limiti dello studio e sviluppi futuri

1. Introduzione

Studi legali, uffici legali interni e sistemi giudiziari operano in un ambiente mutato da tre spinte che Susskind (2017) sintetizza nella pressione a fare “di più con meno” (more for less), nella liberalizzazione dei servizi e nella diffusione delle tecnologie dell’informazione. Per orientarsi in un contesto simile, il management dispone di strumenti consolidati: l’analisi SWOT, la sua evoluzione operativa TOWS, l’analisi PESTEL del macro-ambiente e il modello delle Cinque Forze, che spiega la redditività di un settore attraverso la sua struttura competitiva (Porter, 1979, 2008).

Il contributo muove da un’unica domanda di ricerca: in che misura SWOT, TOWS, PESTEL e Cinque Forze consentono di analizzare con rigore le organizzazioni legali e di leggere un fattore di cambiamento come l’IA? L’IA non è quindi un tema separato, ma il caso su cui si misurano utilità e limiti dei metodi, e su cui si fonda la conclusione. Si tratta di una rassegna critica con applicazione concettuale: le matrici della sezione 4 sono elaborazioni dell’autore costruite sulle fonti citate, non risultati di un’indagine empirica originale.

1.1 Impostazione metodologica

La selezione delle fonti ha privilegiato sottoposte a revisione tra pari (riviste di strategia e di diritto), monografie di editori accademici, testi normativi ufficiali e documenti istituzionali. Per gli strumenti si è partiti dai contributi originari (Aguilar, 1967; Porter, 1979; Weihrich, 1982) e dalle rassegne critiche successive; per il settore legale si sono considerati gli studi sulla trasformazione dei servizi professionali, la regolazione italiana ed europea e le evidenze empiriche recenti sulle prestazioni e sull’affidabilità dei modelli di IA. Ciascun metodo è usato per organizzare le evidenze disponibili, esplicitando dove l’inferenza va oltre i dati.

2. Gli strumenti e il loro uso nel contesto legale

SWOT. L’analisi SWOT (Strengths, Weaknesses, Opportunities, Threats) incrocia fattori interni (forze e debolezze) ed esterni (opportunità e minacce). Le radici concettuali risalgono al filone Business Policy di Harvard, che concepiva la strategia come adattamento tra competenze distintive e condizioni ambientali (Learned et al., 1965; Andrews, 1971); la paternità precisa resta dibattuta (Humphrey, 2005; Helms & Nixon, 2010). La rassegna di Helms e Nixon (2010) documenta un impiego molto diffuso ed eterogeneo e suggerisce di integrare lo strumento con altri metodi. Le critiche classiche riguardano gli elenchi generici, privi di priorità e poco collegati alle decisioni (Hill & Westbrook, 1997); Pickton e Wright (1998) osservano che il valore dipende dal rigore con cui si distinguono fatti e opinioni. Nelle organizzazioni legali la SWOT deve considerare fattori peculiari – capitale reputazionale e relazionale, struttura di partnership, vincoli deontologici – che sono al tempo stesso forza e rigidità.

TOWS. Weihrich (1982) supera il limite dell’“elenco senza azione” trasformando la SWOT in una matrice di alternative strategiche: SO (usare le forze per cogliere opportunità), WO (superare debolezze sfruttando opportunità), ST (usare le forze contro le minacce) e WT (ridurre debolezze ed evitare minacce). Per uno studio o un ufficio legale la TOWS è utile perché costringe a tradurre la diagnosi in opzioni concrete (specializzazione, alleanze, investimenti, modelli di prezzo), pur senza eliminare la soggettività della diagnosi di partenza.

PESTEL. L’analisi del macro-ambiente deriva dallo schema di Aguilar (1967), che classificava i fattori in economici, tecnologici, politici e sociali; le versioni successive (PEST, PESTEL) aggiungono le dimensioni ecologica e legale (Johnson et al., 2020). Il limite principale è la natura descrittiva: l’elenco non stabilisce il peso dei fattori, per cui sono state proposte integrazioni con tecniche multicriterio (Yüksel, 2012). Nel settore legale la dimensione politico-legale ha un peso insolito, perché la regolazione non è solo contesto ma definisce chi può esercitare, a quali condizioni e con quali responsabilità: in Italia, ad esempio, la legge 247/2012 disciplina l’ordinamento forense e la legge 124/2017 ha introdotto le società tra avvocati, anche con soci non professionisti entro limiti di legge.

Cinque Forze. Porter (1979, 2008) sostiene che la redditività di un settore dipende da cinque forze: rivalità tra concorrenti, minaccia di nuovi entranti, minaccia di sostituti, potere contrattuale dei clienti e dei fornitori. Nel 2008 l’autore precisa che la tecnologia non garantisce di per sé profitti, ma incide sulla struttura settoriale modificando barriere e costi di cambiamento. Le critiche principali sono due: gli studi empirici attribuiscono all’appartenenza settoriale una quota significativa ma non dominante della varianza della redditività, accanto agli effetti specifici dell’impresa (Rumelt, 1991; McGahan & Porter, 1997); inoltre il modello trascura i complementori, che Brandenburger e Nalebuff (1996) propongono di trattare come ulteriore forza. Nel settore legale le barriere all’ingresso dipendono in larga misura da regole professionali oltre che da economie di scala, e ciò rende la struttura settoriale particolarmente sensibile agli interventi regolatori.

Tabella 1. Confronto sintetico degli strumenti e specificità nel settore legale.

3. Che cosa dicono le evidenze sull’efficacia dei metodi

Una constatazione ricorrente è lo scarto tra diffusione e prova di efficacia: gli strumenti sono ampiamente insegnati e usati, ma la dimostrazione empirica che migliorino la performance è scarsa e le critiche si concentrano sulla qualità dell’uso (Hill & Westbrook, 1997; Pickton & Wright, 1998; Helms & Nixon, 2010). Ne discende una lettura realistica: i metodi non producono la strategia, ma disciplinano la discussione, rendono espliciti i presupposti e facilitano il confronto tra interpretazioni.

Le quattro tecniche sono complementari per livello di analisi: il PESTEL descrive il contesto generale, le Cinque Forze ne traducono gli effetti sulla struttura competitiva, la SWOT colloca l’organizzazione in tale quadro e la TOWS ne ricava opzioni. Condividono però tre vulnerabilità: sono fotografie statiche, dipendono dal giudizio di chi le compila e rischiano di proiettare il passato sul futuro. Lo scenario in cui queste vulnerabilità emergono con più forza è quello di una tecnologia che cambia in pochi mesi, come l’IA generativa: da qui la scelta di usarla come banco di prova. Le cautele sono almeno tre: distinguere i fattori accertati (un obbligo normativo vigente) da quelli ipotetici (il ritmo di miglioramento dei modelli) attribuendo a questi ultimi un grado esplicito di incertezza; evitare che la SWOT diventi un inventario di “opportunità tecnologiche” privo di priorità; riesaminare periodicamente le matrici.

4. I metodi applicati al settore legale

4.1. PESTEL

 I tre fattori di Susskind (2017) trovano collocazione immediata nel PESTEL. Sul piano economico, la pressione sui costi, accentuata dalla possibilità di automatizzare alcune attività, mette in tensione il modello della tariffa oraria per le attività standardizzabili. Sul piano politico-legale, alla regolazione professionale già richiamata si aggiunge quella dell’IA: il Regolamento (UE) 2024/1689 (AI Act) classifica come ad alto rischio i sistemi destinati alle autorità giudiziarie per ricercare e interpretare fatti e diritto (allegato III, punto 8); in Italia la legge 132/2025, in vigore dal 10 ottobre 2025, limita nelle professioni intellettuali l’uso dell’IA ad attività strumentali e di supporto, con obbligo di informare il cliente (art. 13). Convergono la Carta etica europea della CEPEJ (2018) e il parere 512 dell’ABA (2024) sui doveri di competenza, riservatezza e supervisione. Sul piano sociale contano le aspettative dei clienti (anche rispetto all’uso dell’IA), la fiducia e l’accesso alla giustizia (Susskind & Susskind, 2015; Susskind, 2019). Sul piano tecnologico operano la digitalizzazione, gli strumenti di legal analytics (Ashley, 2017) e l’IA generativa. La dimensione ecologica è meno discriminante, salvo l’impronta energetica dei modelli e le politiche di sostenibilità dei clienti. Un’osservazione metodologica emerge da questo esercizio: l’IA compare contemporaneamente in quattro caselle (tecnologica, economica, sociale, politico-legale), e un elenco per categorie rischia di frammentare un fattore che agisce in modo trasversale.

4.2. Cinque Forze

La minaccia di nuovi entranti cresce per le attività standardizzabili, dove fornitori di legal tech e operatori alternativi possono “scorporare” servizi dalla prestazione tradizionale, mentre riserve di attività e regole deontologiche mantengono barriere alte per consulenza e rappresentanza in giudizio; l’apertura a soci non professionisti nelle società tra avvocati può alterare l’equilibrio nel tempo. Il potere dei clienti aumenta, soprattutto per gli uffici legali interni, che possono internalizzare compiti e chiedere trasparenza sui compensi. Il potere dei fornitori si sposta verso i produttori di banche dati giuridiche e di modelli di IA, con rischi di dipendenza e concentrazione. I sostituti includono strumenti di autoassistenza e di risoluzione online delle controversie (Susskind, 2019). La rivalità tende a spostarsi dalla disponibilità di informazione alla capacità di giudizio, alla responsabilità e alla relazione fiduciaria. L’IA agisce qui da acceleratore, non da forza aggiuntiva: abbassa le barriere sulle attività routinarie e rafforza clienti e fornitori. Il risultato netto è una probabile pressione sui margini di tali attività, con relativa protezione di quelle ad alta complessità; la valutazione è condizionata e coerente con l’analisi di Remus e Levy (2017) sull’impatto differenziato per tipologia di compito e con l’idea di augmented lawyering di Armour et al. (2022).

4.3. SWOT e TOWS

 La Tabella 2 sintetizza, per uno studio legale di medie dimensioni, una SWOT e le strategie TOWS che ne derivano. Punti di Forza: competenza specialistica, fiducia dei clienti, cornice deontologica e di responsabilità. Punti di Debolezza: modello a tariffa oraria, competenze tecniche e dati limitati, rischio di affidamento eccessivo agli output dei sistemi. Opportunità: automazione di ricerca e revisione documentale, servizi a prezzo fisso, analisi dei dati. Minacce: errori e responsabilità, pressione sui prezzi, nuovi entranti, violazioni della riservatezza. Si noti che l’IA figura sia tra le opportunità sia tra le minacce: la SWOT non dice quale prevalga, e la TOWS serve proprio a definire le condizioni (supervisione, formazione, governance dei dati) alle quali l’opportunità prevale.

Tabella 2. Matrice TOWS illustrativa per uno studio legale di medie dimensioni (elaborazione dell’autore).

4.4. L’IA come banco di prova: che cosa i metodi possono e non possono dire

La domanda che la SWOT pone – l’IA è un’opportunità o una minaccia? – dipende da evidenze che i metodi non producono da soli. Le capacità dei modelli sono cresciute rapidamente: già nel 2017 un modello statistico prevedeva gli esiti dei casi della Corte Suprema statunitense con un’accuratezza di circa il 70% (Katz et al., 2017); ChatGPT ha superato esami di corsi di giurisprudenza con prestazioni medie da C+ (Choi et al., 2022) e GPT-4 ha ottenuto un punteggio superiore alla soglia di superamento dell’esame di abilitazione statunitense (Katz et al., 2024). Sul versante opposto, i modelli generalisti producono con frequenza elevata “allucinazioni” nelle interrogazioni giuridiche specifiche (Dahl et al., 2024) e anche gli strumenti commerciali di ricerca legale basati su retrieval hanno mostrato errori in una quota di risposte compresa tra il 17% e il 33% (Magesh et al., 2025). Il caso Mata v. Avianca (2023), in cui furono sanzionati avvocati che avevano depositato precedenti inesistenti generati da un chatbot, ne è l’esempio più noto. I metodi servono a collocare questi dati (un’opportunità di efficienza, una minaccia di responsabilità, un vincolo regolatorio), ma non a stabilirne l’entità: per questo vanno alimentati da studi empirici e aggiornati.

4.5. Giustizia e garanzie

Il settore legale comprende anche l’amministrazione della giustizia, dove la logica concorrenziale delle Cinque Forze si applica solo in parte e prevalgono i profili di garanzia. L’art. 15 della legge 132/2025 riserva al magistrato interpretazione della legge, valutazione dei fatti e delle prove e adozione dei provvedimenti, e la Carta CEPEJ (2018) richiede rispetto dei diritti fondamentali, non discriminazione, trasparenza e controllo da parte dell’utente. L’IA può quindi essere ammessa a supporto di funzioni organizzative e di ricerca, ma il perimetro delle funzioni decisorie è definito dal legislatore e non dal mercato: nel PESTEL la dimensione politico-legale non è solo un vincolo, ma delimita lo spazio stesso delle opportunità.

5. Conclusioni

Le conclusioni hanno due piani che si sostengono a vicenda. Sul piano metodologico, SWOT, TOWS, PESTEL e Cinque Forze sono utili come linguaggio comune e come disciplina del ragionamento, non come strumenti predittivi: usati in sequenza, collegano regolazione, struttura di mercato e posizionamento dell’organizzazione, ma la loro efficacia dipende dalla qualità delle evidenze e dall’aggiornamento continuo. L’IA mostra bene sia il valore sia il limite dei metodi: li rende indispensabili per ordinare un fenomeno trasversale, e al tempo stesso li espone al rischio di fotografare un bersaglio in movimento.

Sul piano sostanziale, letta attraverso i quattro strumenti, l’IA in ambito legale presenta luci e ombre. Il PESTEL la mostra come fattore trasversale, sostenuto da prestazioni notevoli nei test (Katz et al., 2024) ma vincolato da un quadro regolatorio che ne limita l’uso a funzioni di supporto e riserva la decisione al magistrato (L. 132/2025, artt. 13 e 15; Carta CEPEJ, 2018), mentre l’AI Act disciplina i sistemi ad alto rischio. Le Cinque Forze indicano una probabile pressione sui margini delle attività standardizzabili, per effetto di nuovi entranti, clienti più forti e maggiore dipendenza dai fornitori di tecnologia, con relativa protezione dei servizi ad alta complessità. SWOT e TOWS mostrano che l’IA è insieme opportunità (efficienza su ricerca e revisione documentale, coerente con l’analisi per tipologia di compito di Remus & Levy, 2017, ma da confermare empiricamente) e minaccia (affidabilità imperfetta anche negli strumenti specializzati, Magesh et al., 2025, con la responsabilità che resta in capo al professionista). La conclusione più coerente è che l’IA trasformi compiti e modelli di business più che sostituire la professione nel suo insieme, con effetti diseguali; che siano più esposti gli operatori privi di capacità di investimento e governance è un’inferenza di questa analisi, non un risultato empirico. Sul piano operativo, il PESTEL e la TOWS suggeriscono politiche interne sull’uso dell’IA (strumenti ammessi, dati trattabili, verifica degli output, informativa al cliente come previsto dall’art. 13), formazione contro l’affidamento acritico, sperimentazione di modelli di prezzo meno legati al tempo e monitoraggio normativo.

6. Limiti dello studio e sviluppi futuri

Il lavoro non include dati originali su studi legali o tribunali: le matrici sono illustrative e andrebbero messe alla prova con interviste, casi di studio o rilevazioni quantitative. Buona parte delle evidenze sulle prestazioni dei modelli proviene da test standardizzati e da contesti statunitensi, la cui trasferibilità alla pratica italiana ed europea, con fonti, lingua e procedure diverse, non è scontata. Il quadro regolatorio è inoltre in fase di attuazione e può evolvere. Sviluppi promettenti sono il confronto tra scenari alternativi di adozione, lo studio degli effetti sulla struttura dei compensi e la valutazione della qualità dei servizi con e senza supporto di IA.

Riferimenti bibliografici

ABA Standing Committee on Ethics and Professional Responsibility. (2024). Formal Opinion 512: Generative artificial intelligence tools. American Bar Association.

Aguilar, F. J. (1967). Scanning the business environment. Macmillan.

Andrews, K. R. (1971). The concept of corporate strategy. Dow Jones-Irwin.

Armour, J., Parnham, R., & Sako, M. (2022). Augmented lawyering. University of Illinois Law Review, 2022(1), 71–138.

Ashley, K. D. (2017). Artificial intelligence and legal analytics: New tools for law practice in the digital age. Cambridge University Press.

Brandenburger, A. M., & Nalebuff, B. J. (1996). Co-opetition. Doubleday.

CEPEJ – European Commission for the Efficiency of Justice. (2018). European ethical Charter on the use of artificial intelligence in judicial systems and their environment. Council of Europe.

Choi, J. H., Hickman, K. E., Monahan, A., & Schwarcz, D. (2022). ChatGPT goes to law school. Journal of Legal Education, 71(3), 387–400.

Dahl, M., Magesh, V., Suzgun, M., & Ho, D. E. (2024). Large legal fictions: Profiling legal hallucinations in large language models. Journal of Legal Analysis, 16(1), 64–93.

Helms, M. M., & Nixon, J. (2010). Exploring SWOT analysis – where are we now? Journal of Strategy and Management, 3(3), 215–251.

Hill, T., & Westbrook, R. (1997). SWOT analysis: It’s time for a product recall. Long Range Planning, 30(1), 46–52.

Humphrey, A. S. (2005). SWOT analysis for management consulting. SRI Alumni Association Newsletter, December, 7–8.

Johnson, G., Whittington, R., Scholes, K., Angwin, D., & Regnér, P. (2020). Exploring strategy (12th ed.). Pearson.

Katz, D. M., Bommarito, M. J., & Blackman, J. (2017). A general approach for predicting the behavior of the Supreme Court of the United States. PLOS ONE, 12(4), e0174698.

Katz, D. M., Bommarito, M. J., Gao, S., & Arredondo, P. (2024). GPT-4 passes the bar exam. Philosophical Transactions of the Royal Society A, 382(2270), 20230254.

Learned, E. P., Christensen, C. R., Andrews, K. R., & Guth, W. D. (1965). Business policy: Text and cases. Irwin.

Legge 31 dicembre 2012, n. 247. Nuova disciplina dell’ordinamento della professione forense. Gazzetta Ufficiale della Repubblica Italiana, n. 15, 18 gennaio 2013.

Legge 4 agosto 2017, n. 124. Legge annuale per il mercato e la concorrenza. Gazzetta Ufficiale della Repubblica Italiana, n. 189, 14 agosto 2017.

Legge 23 settembre 2025, n. 132. Disposizioni e deleghe al Governo in materia di intelligenza artificiale. Gazzetta Ufficiale della Repubblica Italiana, n. 223, 25 settembre 2025.

Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D., & Ho, D. E. (2025). Hallucination-free? Assessing the reliability of leading AI legal research tools. Journal of Empirical Legal Studies, 22(2), 216–242.

Mata v. Avianca, Inc., 678 F. Supp. 3d 443 (S.D.N.Y. 2023).

McGahan, A. M., & Porter, M. E. (1997). How much does industry matter, really? Strategic Management Journal, 18(S1), 15–30.

Pickton, D. W., & Wright, S. (1998). What’s SWOT in strategic analysis? Strategic Change, 7(2), 101–109.

Porter, M. E. (1979). How competitive forces shape strategy. Harvard Business Review, 57(2), 137–145.

Porter, M. E. (2008). The five competitive forces that shape strategy. Harvard Business Review, 86(1), 78–93.

Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio, del 13 giugno 2024, che stabilisce regole armonizzate sull’intelligenza artificiale. Gazzetta ufficiale dell’Unione europea, L, 12.7.2024.

Remus, D., & Levy, F. (2017). Can robots be lawyers? Computers, lawyers, and the practice of law. Georgetown Journal of Legal Ethics, 30(3), 501–558.

Rumelt, R. P. (1991). How much does industry matter? Strategic Management Journal, 12(3), 167–185.

Susskind, R. (2017). Tomorrow’s lawyers: An introduction to your future (2nd ed.). Oxford University Press.

Susskind, R. (2019). Online courts and the future of justice. Oxford University Press.

Susskind, R., & Susskind, D. (2015). The future of the professions: How technology will transform the work of human experts. Oxford University Press.

Weihrich, H. (1982). The TOWS matrix – a tool for situational analysis. Long Range Planning, 15(2), 54–66.

Yüksel, I. (2012). Developing a multi-criteria decision making model for PESTEL analysis. International Journal of Business and Management, 7(24), 52–66.

The following two tabs change content below.

• Bio
• Ultimi Post

Vladimir Di Costanzo

Ultimi post di Vladimir Di Costanzo (vedi tutti)

• SWOT, TOWS, PESTEL e Cinque Forze di Porter nell’analisi strategica delle organizzazioni legali: utilità, limiti e lettura dell’impatto dell’intelligenza artificiale - 18 Ottobre 2026
• L’intelligence argentina tra controllo democratico e decretazione d’urgenza: evoluzione istituzionale e profili legislativi e giudiziari della riforma del 2025-2026 - 28 Settembre 2026
• Data center, titolarità dei dati e finanziamento delle infrastrutture digitali; un’analisi giuridica comparata tra Stati Uniti e Italia - 28 Settembre 2026