Искусственный интеллект для юристов

Никита Куликов

Искусственный интеллект для юристов

ТИТУЛЬНЫЙ ЛИСТ

Искусственный интеллект для юристов

Полное руководство от промпта до судебного заседания

Никита Куликов

ВВЕДЕНИЕ

Почему юристу нельзя игнорировать ИИ

В юридическом сообществе бытует два полярных мнения об искусственном интеллекте. Первое: «ИИ – это игрушка, он не способен понять право, а значит, никогда не заменит юриста». Второе: «ИИ заменит всех юристов уже завтра, профессия умрет». Оба мнения – мифы. Реальность, как это обычно бывает, находится посередине и гораздо интереснее.

Начнем с того, что ИИ уже не «завтра». Он «сегодня». Крупнейшие юридические фирмы мира – Allen & Overy, Clifford Chance, Baker McKenzie – уже несколько лет используют ИИ-инструменты в ежедневной работе. Российские юридические департаменты крупных корпораций внедряют локальные решения для анализа договоров и Due Diligence. Арбитражные управляющие применяют ИИ для поиска скрытых связей между контрагентами. Налоговые консультанты – для анализа судебной практики.

Реальность такова: ИИ не заменит юриста. Но юрист с ИИ заменит юриста без ИИ. Это не лозунг, а экономическая закономерность. Если один юрист тратит восемь часов на анализ договора, а другой с помощью ИИ делает то же самое за час и с меньшим количеством ошибок, то второй становится в восемь раз эффективнее. В условиях рыночной конкуренции это означает одно: первый либо научится работать с ИИ, либо проиграет.

Краткая история: от экспертных систем 80-х до больших языковых моделей

Идея использовать машины для юридической работы не нова. Еще в 1970-х годах появились первые экспертные системы – программы, которые могли отвечать на вопросы в узкой предметной области на основе заранее заданных правил. В 1980-х годах юридические экспертные системы стали использоваться для консультирования по налоговому праву и социальным выплатам. Однако они были громоздкими, дорогими и крайне ограниченными: любое изменение в законодательстве требовало перепрограммирования.

В 2010-х годах произошел прорыв в области машинного обучения. Нейронные сети научились распознавать образы, переводить тексты, анализировать данные. Юридическая сфера начала использовать эти технологии для автоматизации рутинных задач: поиска документов, извлечения данных из контрактов, проверки на соответствие требованиям.

Настоящая революция случилась в ноябре 2022 года, когда OpenAI выпустила ChatGPT. Большие языковые модели (LLM) продемонстрировали способность генерировать связные, грамматически правильные и зачастую удивительно точные тексты на любые темы, включая юридические. Это стало одновременно и возможностью, и вызовом для юридической профессии. Возможностью – потому что ИИ впервые стал доступен каждому юристу без специальной подготовки. Вызовом – потому что выяснилось: LLM могут «галлюцинировать», то есть выдумывать факты, ссылки и даже целые судебные дела.

С тех пор рынок юридических ИИ-инструментов вырос многократно. Появились специализированные платформы (Harvey, CoCounsel, Knit), которые обучались на юридических данных и учитывают специфику профессии. Появились локальные решения, которые можно развернуть внутри корпоративной сети без риска утечки данных. Появились инструменты для анализа документов, прогнозирования исходов дел, подготовки процессуальных документов.

Цель книги: научить управлять инструментом, а не быть управляемым им

Эта книга написана не для IT-специалистов и не для академических исследователей. Она написана для практикующих юристов: адвокатов, корпоративных юрисконсультов, руководителей юридических департаментов, судебных представителей, студентов юридических вузов.

Цель книги – дать вам практические знания и навыки, которые можно применить уже завтра. Вы узнаете, как работают большие языковые модели, как формулировать промпты для юридических задач, как использовать ИИ в договорной работе, судебных спорах, Due Diligence и отраслевых практиках. Вы узнаете о рисках: адвокатской тайне, галлюцинациях, фальшивых ссылках на дела и ответственности за ошибки. Вы получите инструменты, которые помогут вам стать эффективнее, точнее и быстрее.

Но главное – вы научитесь управлять инструментом, а не быть управляемым им. ИИ – это не волшебная палочка и не черный ящик, принимающий решения за вас. Это мощный инструмент, который требует понимания, осторожности и критического мышления. Как любой инструмент, он может быть использован во благо или во вред. Задача юриста – использовать его во благо клиента, профессии и общества.

ИИ уже меняет юридическую профессию. Он не заменит юристов, но юристы, использующие ИИ, заменят тех, кто его игнорирует. Эта книга – практическое руководство, которое поможет вам освоить ИИ и использовать его для повышения эффективности, точности и скорости работы. Книга написана для практикующих юристов и не требует технической подготовки. Вы можете выбрать свою траекторию чтения в зависимости от ваших целей и уровня подготовки.

PS. В данной книги некоторые термины приведены и указаны на английском языке, и не смотря на то что у некоторых есть прямой перевод, они продолжают использоваться на английском. Это связано с тем, что ряд терминов не имеет полноценного русского звучания, а некоторые являются прямыми командами, понятными для ИИ-агентов, и их использование было бы верным в таком виде. Именно поэтому в книге будет некоторое количество формулировок на английском языке.

Оглавление

ВВЕДЕНИЕ

Глава 1. Технический ликбез для гуманитариев

Глава 2. Промпт-инжиниринг для юриста

Глава 3. ИИ в договорной работе

Глава 4. ИИ в судебной работе и Legal Research

Глава 5. ИИ в Due Diligence и корпоративной работе

Глава 6. ИИ в отраслевых практиках

Глава 7. Риски, этика и безопасность

Глава 8. Регулирование ИИ: что нужно знать юристу

Глава 9. Будущее профессии

Глава 10. Каталог ИИ-инструментов для юристов: российские и зарубежные решения – расширенная версия

Глава 11. 152-ФЗ и ИИ: как работать с персональными данными законно

Глава 12. Агентный ИИ: следующий шаг после чат-ботов (расширенная версия)

Глава 13. Оценка качества ИИ-инструментов (AI Evaluation) – расширенная версия

Глава 14. Юридический инжиниринг: построение собственных решений – расширенная версия

Глава 15. ИИ в судебной системе: регулирование и практика – расширенная версия

Глава 16. Критическое мышление в эпоху ИИ: как не потерять квалификацию – расширенная версия

Глава 17. Экономика ИИ в юридической практике: ROI и бизнес-модели – расширенная версия

Заключение

Чек-лист внедрения ИИ в практику

Пошаговый план на 30, 60, 90 дней

Первые 30 дней: знакомство

Дни 31–60: углубление

Дни 61–90: масштабирование

Список ресурсов для дальнейшего изучения

Приложения

Приложение А. Словарь терминов (глоссарий)

Приложение Б. Сравнительная таблица популярных ИИ-инструментов для юристов

Приложение В. Чек-листы безопасности при работе с ИИ

Приложение Г. Примеры реальных кейсов (успехи)

Приложение Д. Примеры реальных кейсов (провалы)

Приложение Е. Дополнительные шаблоны промптов для юристов

Е.1. Промпты для налогового права

Е.2. Промпты для уголовного права и процесса

Е.3. Промпты для корпоративного права

Е.4. Промпты для договорной работы

Е.5. Промпты для судебной работы

Е.6. Промпты для Due Diligence

Е.7. Промпты для работы с клиентами

Е.8. Промпты для управления юридической практикой

Е.9. Универсальные промпты

Е.10. Промпты для работы с ИИ (мета-промпты)

Как использовать эти шаблоны

Приложение Ж. Кейсы и практические примеры использования ИИ в юридической работе

Ж.1. Кейсы: договорная работа

Ж.2. Кейсы: судебная работа

Ж.3. Кейсы: Due Diligence и корпоративная работа

Ж.4. Кейсы: отраслевые практики

Ж.5. Кейсы: работа с клиентами

Ж.6. Кейсы: внедрение ИИ в фирме

Ж.7. Кейсы: ошибки и провалы

Ж.8. Кейсы: успехи и достижения

Глава 1. Технический ликбез для гуманитариев

1.1. Как работает Большая языковая модель (GPT, Claude, YandexGPT)

Большая языковая модель (Large Language Model, LLM, общепринятая формулировка) – это программа, которая обучена предсказывать следующее слово в тексте. Это может звучать просто, но на практике приводит к удивительным результатам.

Когда вы пишете «Согласно статье 309 Гражданского кодекса РФ, обязательства должны исполняться...», модель предсказывает, что следующим словом, скорее всего, будет «надлежащим» или «в соответствии с условиями». Она не «знает» гражданское право в человеческом смысле. Она просто выучила вероятностные связи между словами на огромном массиве текстов.

Как это работает технически? LLM состоит из миллиардов параметров – чисел, которые настраиваются в процессе обучения. Обучение происходит на огромных массивах текста: книги, статьи, веб-страницы, код, юридические документы. Модель учится предсказывать следующее слово, и в процессе этого обучения она усваивает грамматику, факты, стили, логические связи. Но она не «понимает» текст так, как понимает человек. Она не имеет представления о том, что такое «обязательство» или «суд». Она просто знает, что после определенных слов с высокой вероятностью идут определенные другие слова.

Токены. LLM работает не со словами, а с токенами. Токен – это часть слова, слово или знак препинания. Например, слово «обязательство» может быть разбито на токены «обяза», «тель», «ство». Модель предсказывает следующий токен, а не следующее слово. Это важно понимать, потому что контекстное окно модели измеряется в токенах, а не в словах. Один токен примерно равен 0,75 слова на английском языке и примерно 0,5 слова на русском. Это означает, что контекстное окно в 100 000 токенов вмещает примерно 50 000 русских слов.

Контекстное окно. Это максимальное количество токенов, которое модель может обработать за один раз. Контекстное окно включает как ваш промпт (запрос), так и ответ модели. Если ваш документ превышает контекстное окно, модель не сможет его обработать целиком. Современные модели имеют контекстные окна от 8 000 до 200 000 токенов и более. Для юридических задач это важно: договор на 100 страниц может не поместиться в контекстное окно, и его придется разбивать на части.

Температура. Это параметр, который управляет случайностью генерации. При температуре 0 модель всегда выбирает наиболее вероятный токен, что делает ответы более предсказуемыми и точными. При температуре 1 модель чаще выбирает менее вероятные токены, что делает ответы более креативными, но менее точными. Для юридических задач рекомендуется использовать низкую температуру (0–0,3), чтобы минимизировать галлюцинации.

Обучение и файнтюнинг. LLM обучается в два этапа. Первый этап – предварительное обучение на огромном массиве текстов. Второй этап – файнтюнинг, то есть дообучение на специфических данных. Например, юридическая LLM может быть дообучена на судебных решениях, договорах, юридических статьях. Файнтюнинг позволяет модели лучше понимать специфику предметной области, но не устраняет галлюцинации полностью.

RAG (Retrieval-Augmented Generation). Это техника, которая позволяет LLM использовать внешние источники данных. Когда вы задаете вопрос, система сначала ищет релевантные документы в базе данных, а затем передает их модели вместе с вашим вопросом. Модель генерирует ответ на основе этих документов, а не только на основе своих внутренних знаний. RAG широко используется в юридических ИИ-инструментах, потому что позволяет обеспечить актуальность и точность ответов. Например, если вы спрашиваете о последнем судебном решении, система найдет его в базе данных и передаст модели.

1.2. Ключевые термины

Промпт. Это ваш запрос к модели. Промпт может быть простым («Напиши исковое заявление») или сложным (с ролью, контекстом, задачей, форматом и ограничениями). Качество промпта напрямую влияет на качество ответа.

Галлюцинация. Это ситуация, когда модель генерирует информацию, которая выглядит правдоподобно, но является ложной. Например, модель может выдумать судебное дело, которого не существует, или приписать норму права не тому закону. Галлюцинации – главный риск при использовании LLM в юридической работе.

RAG (Retrieval-Augmented Generation). Техника, которая позволяет модели использовать внешние источники данных для генерации ответа. RAG снижает риск галлюцинаций, потому что модель опирается на реальные документы, а не только на свои внутренние знания.

Файнтюнинг. Дообучение модели на специфических данных. Файнтюнинг позволяет адаптировать модель к конкретной предметной области, но требует значительных ресурсов и данных.

Эмбеддинги. Это векторные представления текста. Эмбеддинги позволяют сравнивать тексты по смыслу, а не по словам. Например, эмбеддинги могут показать, что «договор аренды» и «соглашение о найме» близки по смыслу. Эмбеддинги используются в поисковых системах и рекомендательных алгоритмах.

Векторные базы данных. Это базы данных, которые хранят эмбеддинги и позволяют искать похожие тексты. Векторные базы данных используются в RAG-системах для поиска релевантных документов.

1.3. Виды ИИ-инструментов

Чат-боты общего назначения. Это ChatGPT, Claude, Gemini, YandexGPT и другие. Они не специализированы для юридических задач, но могут быть использованы для них. Преимущества: доступность, гибкость, низкая стоимость. Недостатки: риск галлюцинаций, отсутствие специализированных баз данных, проблемы с конфиденциальностью.

Специализированные юридические платформы. Это Harvey, CoCounsel, Knit, Caselaw и другие. Они обучены на юридических данных и учитывают специфику профессии. Преимущества: более высокая точность, наличие баз данных. Недостатки: высокая стоимость, ограниченная доступность, необходимость обучения.

Инструменты для анализа документов. Это Kira, Luminance, Relativity и другие. Они специализируются на анализе больших массивов документов: извлечении данных, выявлении рисков, сравнении версий. Преимущества: скорость, точность, масштабируемость. Недостатки: узкая специализация, высокая стоимость.

Локальные решения. Это модели, которые развернуты внутри корпоративной сети и не передают данные во внешние сервисы. Преимущества: конфиденциальность, контроль, соответствие требованиям. Недостатки: стоимость, необходимость технической поддержки, ограниченная мощность.

1.4. Главный принцип: «Черный ящик» и вероятностная природа

LLM – это «черный ящик». Вы не можете точно знать, почему модель сгенерировала именно этот ответ. Вы не можете проследить цепочку рассуждений, потому что ее нет. Модель не «рассуждает» в человеческом смысле. Она просто предсказывает следующий токен на основе вероятностей.

Это означает, что LLM не «знает» право. Она не «понимает» юридические концепции. Она не «применяет» нормы права. Она просто генерирует текст, который выглядит как юридический текст. Иногда этот текст точен. Иногда – нет. Иногда – опасно нет.

Понимание этого принципа критически важно для юриста. Вы не можете слепо доверять ответам LLM. Вы должны проверять каждый факт, каждую ссылку, каждую норму. Вы должны использовать LLM как инструмент для генерации идей и черновиков, но не как источник истины.

1.5. Что ИИ пока не умеет

Юридическое мышление. LLM не умеет мыслить юридически. Она не может оценить аргументы, взвесить доказательства, применить аналогию права. Она может сгенерировать текст, который выглядит как юридический анализ, но это не анализ. Это имитация анализа.

Понимание контекста. LLM не понимает контекст так, как понимает человек. Она не знает, что ваш клиент – это конкретная компания с конкретными проблемами. Она не знает, что судья, который будет рассматривать дело, имеет определенные предпочтения. Она не знает, что оппонент – это конкретная фирма с конкретной стратегией. Она работает с текстом, а не с реальностью.

Ответственность. LLM не несет ответственности. Если модель сгенерировала ошибочный совет, который привел к убыткам клиента, ответственность несет юрист, а не модель. Это означает, что юрист должен проверять каждый ответ LLM и нести ответственность за финальный результат.

Конфиденциальность. LLM общего назначения не гарантируют конфиденциальность. Ваши запросы могут быть использованы для обучения модели, могут быть доступны сотрудникам компании-разработчика, могут быть «утеряны» в результате взлома. Для юридической работы это критически важно. Вы должны использовать только те инструменты, которые гарантируют конфиденциальность, или локальные решения.

Актуальность. LLM обучены на данных до определенной даты. Они не знают о последних изменениях в законодательстве, о новых судебных решениях, о новых разъяснениях. Для юридической работы это означает, что вы должны проверять актуальность информации в официальных источниках.

Краткое резюме главы 1

LLM – это программы, которые предсказывают следующий токен на основе вероятностей. Они не «знают» право, а «предсказывают» текст. Они работают с токенами, имеют контекстное окно и температуру. Они могут галлюцинировать, то есть генерировать ложную информацию.

Существуют различные виды ИИ-инструментов: чат-боты общего назначения, специализированные юридические платформы, инструменты для анализа документов, локальные решения.

LLM не умеют мыслить юридически, не понимают контекст, не несут ответственности, не гарантируют конфиденциальность и не всегда актуальны. Понимание этих ограничений критически важно для юриста.

Чек-лист главы 1

□ Я понимаю, что LLM предсказывает следующий токен, а не «знает» право.

□ Я знаю, что такое токены, контекстное окно и температура.

□ Я понимаю разницу между чат-ботами общего назначения и специализированными юридическими платформами.

□ Я знаю, что такое галлюцинации и почему они опасны.

□ Я понимаю, что LLM не несет ответственности за ошибки.

□ Я знаю, что LLM общего назначения не гарантируют конфиденциальность.

□ Я понимаю, что LLM могут быть неактуальны.

□ Я готов проверять каждый ответ LLM.

Глава 2. Промпт-инжиниринг для юриста

2.1. Анатомия идеального промпта

Промпт – это ваш запрос к языковой модели. Качество промпта напрямую определяет качество ответа. Плохой промпт – это как плохо составленное исковое заявление: суд (или модель) не поймет, что вы хотите, и результат будет соответствующим. Хороший промпт – это как хорошо структурированный договор: все условия ясны, все риски учтены, результат предсказуем.

За годы работы с LLM выработалась универсальная формула идеального промпта. Она состоит из 5 элементов, которые можно запомнить по аббревиатуре R-C-T-F-O.

R – Role (Роль)

Первый элемент – это роль, которую вы задаете модели. Вы говорите модели, кем она должна быть. Это не просто вежливость, это настройка контекста. Когда вы пишете «Ты – опытный адвокат по корпоративным спорам с 20-летним стажем», вы активируете в модели определенные паттерны: стиль речи, глубину анализа, типичные аргументы. Модель начинает генерировать текст, который соответствует этой роли.

Примеры ролей для юридических задач:

«Ты – судья арбитражного суда»

«Ты – налоговый инспектор»

«Ты – опытный адвокат по уголовным делам»

«Ты – корпоративный юрист международной компании»

«Ты – патентный поверенный»

«Ты – судебный эксперт-лингвист»

Важно: роль должна быть конкретной. «Ты – юрист» – это слишком обще. «Ты – юрист, специализирующийся на банкротстве строительных компаний в России» – это конкретно и полезно.

C – Context (Контекст)

Второй элемент – это контекст. Вы описываете ситуацию, факты, обстоятельства. Чем больше релевантного контекста вы дадите, тем точнее будет ответ. Контекст включает:

Фактические обстоятельства дела

Применимое право (юрисдикция, отрасль)

Позицию вашего клиента

Позицию оппонента

Цели и ограничения

Известные проблемы и риски

Пример контекста: «Мой клиент – российская IT-компания. Контрагент – немецкая компания. Договор поставки программного обеспечения был заключен в 2023 году. Контрагент нарушил сроки поставки на 45 дней. Договор содержит условие о неустойке 0,1% за каждый день просрочки. Контрагент ссылается на форс-мажор из-за санкций. Мне нужно оценить перспективы взыскания неустойки и подготовить позицию для переговоров».

T – Task (Задача)

Третий элемент – это задача. Вы четко формулируете, что именно вы хотите от модели. Задача должна быть конкретной и измеримой. Плохая задача: «Помоги мне с договором». Хорошая задача: «Проанализируй договор на предмет рисков для моего клиента, выдели три самых опасных условия и предложи альтернативные формулировки».

Типы задач для юридических промптов:

Анализ (проанализируй, оцени, выяви)

Генерация (напиши, составь, сформулируй)

Сравнение (сравни, сопоставь, найди различия)

Прогнозирование (оцени вероятность, спрогнозируй)

Критика (найди ошибки, оспорь, опровергни)

Объяснение (объясни, разъясни, растолкуй)

F – Format (Формат)

Четвертый элемент – это формат ответа. Вы говорите модели, как должен быть структурирован ответ. Это критически важно для юридических задач, потому что юристы привыкли к определенным форматам: меморандумы, заключения, таблицы, списки.

Примеры форматов:

«Ответ представь в виде таблицы с колонками: условие, риск, рекомендация»

«Ответ представь в виде меморандума: введение, анализ, выводы, рекомендации»

«Ответ представь в виде маркированного списка с кратким пояснением каждого пункта»

«Ответ представь в виде проекта договора с комментариями в квадратных скобках»

O – Optimization (Оптимизация)

Пятый элемент – это оптимизация, то есть дополнительные ограничения и указания. Вы говорите модели, что делать и чего не делать. Это помогает избежать нежелательных результатов.

Примеры оптимизации:

«Не используй ссылки на судебные дела, если не уверен в их существовании»

«Указывай, какие утверждения требуют проверки»

«Избегай общих фраз, давай конкретные рекомендации»

«Ограничь ответ 500 словами»

«Используй только нормы Гражданского кодекса РФ, не ссылайся на другие законы»

Пример идеального промпта

Соберем все элементы вместе:

«Роль: Ты – опытный адвокат по корпоративным спорам с 15-летним стажем, специализирующийся на договорном праве России.

Контекст: Мой клиент – российская производственная компания. Контрагент – китайская компания. Договор поставки оборудования был заключен в 2023 году. Контрагент поставил оборудование с дефектами, которые выявились через месяц после приемки. Договор содержит условие о гарантии 12 месяцев, но не содержит четкого порядка предъявления претензий по качеству. Контрагент отказывается устранять дефекты, ссылаясь на то, что приемка была проведена без замечаний.

Задача: Проанализируй ситуацию, оцени перспективы взыскания убытков или понуждения к устранению дефектов, предложи стратегию действий.

Формат: Ответ представь в виде меморандума:

1) Краткое резюме ситуации.

2) Правовая квалификация.

3) Оценка перспектив (высокие/средние/низкие).

4) Пошаговая стратегия.

5) Риски и ограничения.

Оптимизация: Ссылайся только на Гражданский кодекс РФ. Не выдумывай судебные дела. Указывай, какие факты требуют дополнительной проверки. Ограничь ответ 800 словами».

Такой промпт с высокой вероятностью даст качественный, структурированный и полезный ответ.

2.2. Техники для юридических задач