AI-ассистент юриста для проверки договоров

Главное о кейсе

Заказчик — IT-компания, занимающаяся масштабированием сетевой архитектуры и внедрением облачных технологий. До внедрения ИИ-решения проверка одного договора у заказчика занимала от 2 до 4 часов, а общий объём — около 150 часов юридической работы ежемесячно. Средние затраты на первичную проверку договоров достигали 450 000 рублей в месяц, и процесс согласования часто становился узким местом.

В этом проекте SML выступила не только как разработчик, но и как технологический партнёр и консультант. Клиенту было важно не просто внедрить ИИ, а понять, как именно технологии могут упростить работу юриста и при этом не нарушить привычные процессы. Результат — кастомное решение на базе ИИ, которое встроилось в инфраструктуру клиента и не потребовало изменения бизнес-процессов.

ИИ-ассистент поможет заказчику превратить процесс проверки договоров из узкого и затратного места в быстрый и управляемый этап. Решение не заменяет юристов, но снимает с них рутинную работу и снижает вероятность ошибок, что напрямую влияет на скорость сделок и финансовую эффективность бизнеса.

Как проект изменил жизнь пользователей

Внедрение ИИ-ассистента даст компании-заказчику ощутимый бизнес-эффект:
- До 80% ошибок и несоответствий будут выявляться автоматически.
- Время проверки одного договора сократится с 4 часов до 1,2 часа.
- Процесс согласования ускорится на 1–2 дня.
- Ежемесячная экономия на рутинных операциях составит до 450 000 рублей.
- Юридическая экспертиза станет более стандартизированной и предсказуемой.

Бизнес-задача и ее решение

У многих компаний нет собственного юриста в штате. Аутсорс дорогой и не всегда оперативный, а рисковать договорами нельзя — это ядро любого бизнеса. Такой вызов стоял и перед нашим заказчиком — IT-компанией, работающей с масштабированием сетевой архитектуры и интеграцией облачных технологий.

Каждый месяц компания обрабатывает десятки договоров. Проверка каждого документа в компании занимала слишком много времени и ресурсов, становилась узким местом процесса согласования и замедляла работу всей компании. Заказчик поставил задачу оптимизировать процесс и сократить расходы на рутинные юридические проверки.

Нам предстояло создать интеллектуального ассистента для автоматизации проверки юридических документов, который позволит:
- подсвечивать возможные бизнес-риски в договорах, чтобы оперативно фиксировать их и следить за соблюдением условий;
- сократить время работы юристов;
- стандартизировать процесс проверки;
- снизить вероятность ошибок;
- ускорить процесс согласования договоров;
- фильтровать документы до того, как они попадут к юристам или к CEO.

Крафт (мастерство), реализация, технические детали

В данном проекте SML выступает не только как разработчик решения “под ключ”, но и как технологический эксперт. Клиенту было важно понять, как можно упростить работу юриста с помощью искусственного интеллекта. SML провели анализ и тестирование готовых решений на рынке, но заказчику продукты не подошли — требовалась бесшовная интеграция в существующие бизнес-процессы.

SoftMediaLab подобрали оптимальную LLM-модель для клиента, спроектировали архитектуру решения под реальные бизнес-задачи, а также продумали этапы внедрения в существующие процессы. От заказчика мы получили список рисков, которые нужно определять в каждом документе — условия, которые важно отследить при заключении договора: меры в случае просрочки платежей, нарушения обязательств и других. ИИ-ассистент может находить нужную информацию в любых документах — все зависит от задачи.

Далее мы разработали ИИ-ассистента для автоматической проверки договоров, интегрировали систему в текущий процесс согласования документов и протестировали работу. Помощник показал себя хорошо, оставалось доработать некоторые моменты и запустить ассистента в реальных условиях.

Что умеет ИИ-ассистент:
- выделяет риски: штрафы, автопродления, скрытые обязательства;
- проверяет налоговые и банковские реквизиты контрагента, корректность данных;
- выявляет орфографические, пунктуационные, грамматические ошибки;
- выгружает ключевые данные в систему управления задачами (номер договора, реквизиты, ФИО и должности сторон).

Как работает система:
1. Сотрудник загружает договор на корпоративный диск и прикрепляет ссылку на документ к задаче в Asana.
2. Ассистент автоматически скачивает файл.
3. За 2–3 минуты документ проходит полную проверку по чек-листу.
4. Результаты проверок публикуются в комментариях к задаче и в отдельных документах на корпоративном диске.
5. Сотрудник получает договор уже с готовыми комментариями и может сразу перейти к финальной проверке.

Сложности и как мы их решили:
1. Отсутствие единого формата документов → чтобы ИИ справлялся с документами объемом от одной страницы до десятков и на разных языках, внедрили разбиение текста на чанки и гибкий пайплайн обработки.
2. Отсутствие эталона → провели совместное с заказчиком тестирование для определения оптимальной полноты ответа, а вместе с этим сформировали ответ, который будет служить образцом
3. Риски «галлюцинаций» ИИ → для валидации ошибок и галлюцинации работали в режиме human-in-the-loop, чтобы выявить, на какие места в тексте обратить внимание, а также протестировали систему на реальных договорах клиента.
4. Полнота поиска орфографических ошибок → в явном виде указали правило выделения причастных, деепричастных и вводных конструкций, а также строго определили понятие ошибки. Как выглядела формулировка: “Орфография и грамматика: Слово написано неверно без учета регистра, нарушено согласование слов. Пунктуация: отсутствует необходимый знак препинания или наоборот, присутствует лишний”

Технологии и архитектура
- Asana — интеграция с рабочим процессом согласования.
- Google Drive — хранилище договоров и правил проверки.
- Gemini LLM — интеллектуальный модуль анализа текста.
- Self-hosted решение — развертывание на серверах заказчика для обеспечения безопасности.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

1. Особенности юридических текстов: пунктуация — главный вызов

Мы быстро убедились, что сложнее всего проверять пунктуацию. Юридические документы насыщены вводными, причастными и деепричастными оборотами, где каждая запятая имеет значение. Чтобы повысить точность, мы внесли в системные инструкции конкретные правила для таких конструкций. Это дало заметное улучшение результатов и сократило количество ложных срабатываний.

2. Деление документа на чанки: поиск оптимального баланса

Мы протестировали разные подходы к разбиению текста на фрагменты (чанки). Чем меньше фрагменты — тем выше точность, но тем дольше обработка. Например, деление на чанки по 1–2k токенов (4–8 тыс. символов) увеличивало точность, но делало анализ слишком медленным — до 15 минут. В итоге мы нашли компромисс: маленькие документы анализируем целиком, а большие — делим на фиксированное количество чанков в зависимости от объёма. Такой динамический подход позволил сохранить и качество, и скорость.

3. Эталонная проверка: когда «правильного ответа» нет

Чтобы оценить качество работы алгоритмов, нужен эталон — список истинных ошибок. Готового решения не существовало, поэтому мы создали собственный «Золотой список». Мы собрали все уникальные ошибки, найденные разными методами, и провели ручную верификацию (ground truth). Это заняло больше всего времени, но позволило использовать объективные метрики, такие как F1-score. Художественные тексты в качестве эталона не подошли — в них просто нет нужного количества сложных оборотов.

4. Галлюцинации моделей: не исчезли, но стали понятнее

Мы столкнулись с неожиданными «галлюцинациями» LLM. Сначала мы решили, что это ошибка, но позже выяснили — подобные случаи действительно встречаются. После этого мы добавили дополнительные проверки на совпадения символов, чтобы исключить ложные срабатывания.

5. Поиск рисков: управляемая и измеримая задача

Поиск юридических рисков оказался одной из самых предсказуемых частей проекта. Вместе с заказчиком мы составили подробный список рисков, который теперь можно редактировать и дополнять.

Во время тестирования мы обнаружили интересную закономерность: полнота проверки зависела от температуры модели (ее «креативности»). График имел U-образную форму — при низкой температуре модель выдавала лишь точные совпадения с формулировками рисков, а при высокой — начинала видеть риск почти в каждом пункте. Это позволило нам выбрать оптимальный диапазон значений температуры.

Видео

Комментарий заказчика

Мы обратились к команде SoftMediaLab, когда поняли, что процесс юридической проверки стал узким местом: слишком много времени, ручной работы и человеческих ошибок. Для нашей компании, где ежемесячно проходят десятки договоров, это напрямую влияло на скорость сделок и загрузку команды.

Вместе с SML мы нашли решение — ИИ-ассистент, который берет на себя рутину и помогает юристам сосредоточиться на сути. Команда глубоко погрузилась в наши процессы, предложила архитектуру под реальные задачи и помогла протестировать систему на наших документах. Это не просто интеграция ИИ ради тренда, а конкретный инструмент, который работает в ежедневном потоке задач.

Отдельно хотим отметить подход команды SoftMediaLab — они не просто «настроили ИИ», а помогли выстроить систему, понятную и безопасную для бизнеса.