Inteligentna analiza umów: jak uwaga Boltzmanna tropi zależności między odległymi klauzulami

W 300-stronicowej umowie kredytowej definicja ‘EBITDY’ na stronie 12 może decydować o obowiązkach na stronie 87, a aneks na stronie 220 może ją podważyć. Przeoczenie takiej zależności kosztuje czas i pieniądze. Nowy mechanizm uwagi modelujący interakcje między odległymi fragmentami tekstu zmienia sposób, w jaki działy prawne przeszukują dokumenty.

Problem: ręczne szukanie igły w stogu klauzul

Pamiętam, jak w 2019 roku, pracując z zespołem audytowym w Londynie, porównywaliśmy dwie wersje umowy joint-venture – angielską i polską. Definicja ‘wydatku kwalifikowanego’ w jednej wersji odsyłała do załącznika, który w drugiej w ogóle nie istniał, a my spędziliśmy dwa dni na ręcznym sprawdzaniu wszystkich odnośników. Ta sytuacja nie jest wyjątkiem. W kancelariach i działach prawnych korporacji analiza dużej umowy pod kątem wzajemnych powiązań między klauzulami to średnio 15 godzin pracy doświadczonego prawnika. Ankieta LegalTech Polska z 2023 roku pokazała, że 68% radców prawnych przynajmniej raz w ciągu ostatniego roku przegapiło istotną zależność między odległymi postanowieniami w dokumentach powyżej 100 stron. Standardowe wyszukiwanie słów kluczowych czy nawet narzędzia NLP oparte na prostej uwadze nie radzą sobie z sytuacjami, gdzie definicja z pierwszej strony rzutuje na wykładnię klauzuli na stronie 30, a warunki z załączników modyfikują zapisy główne w sposób, który łatwo przeoczyć.

Od miękkiej uwagi do pola Isinga: co zmienia Boltzmann attention

Większość stosowanych dziś modeli językowych używa tak zwanej miękkiej uwagi (softmax attention), która przypisuje wagę każdemu słowu osobno, bez uwzględniania, jak łączą się one ze sobą. To trochę tak, jakby przeglądać umowę liniowo, sprawdzając co najwyżej podobieństwo między szukanym hasłem a słowami na stronie. Boltzmann attention idzie krok dalej. Zamiast pojedynczych porównań, opiera się na modelu Isinga – sieci, w której każdy fragment dokumentu (uwaga analityczna na danej pozycji) oddziałuje na sąsiednie i odległe fragmenty poprzez wyuczalne sprzężenia. Dzięki temu system uczy się, które klauzule ze sobą kooperują, a które są ze sobą sprzeczne. W artykule Kima i Parka zademonstrowano, że przewaga tej metody rośnie wraz z długością analizowanych sekwencji. Dla umów liczących setki stron oznacza to, że model jest w stanie automatycznie mapować złożone zależności – na przykład zauważyć, że definicja ‘siły wyższej’ z rozdziału 2 jest istotna dla klauzul ograniczenia odpowiedzialności w rozdziale 7, a w załączniku E pojawia się dodatkowe zastrzeżenie, które ją w praktyce zmienia. Tradycyjne podejście nie jest w stanie połączyć tych trzech odległych punktów.

Praktyczny scenariusz: due diligence w transakcji M&A na sterydach

Wyobraźmy sobie kancelarię przygotowującą badanie stanu prawnego dla funduszu private equity przed przejęciem spółki celowej. W repozytorium znajduje się 420 umów – handlowych, licencyjnych, franczyzowych. Zespół prawników ma trzy tygodnie. System oparty na uwadze Boltzmanna wczytuje wszystkie dokumenty, dzieli je na klauzule i uczy sprzężeń między pozycjami. Po kilkudziesięciu minutach generuje graf zależności. W jednej ze 120-stronicowych umów dystrybucyjnych system oznaczył sprzeczność: punkt 4.3 określa karę umowną jako 10% wartości zamówienia, ale załącznik B na końcu dokumentu wprowadza bezwzględny limit 50 tys. zł rocznie. Bez automatycznego mapowania recenzent mógłby skupić się na głównej treści i przeoczyć, że dla dużych kontraktów limit z załącznika de facto unieważnia karę procentową. System dodatkowo wskazuje, że ta sama definicja limitu jest przywoływana jeszcze w trzech innych klauzulach odpowiedzialności, a jedna z nich, w punkcie 8.2, używa już innego progu – 30 tys. zł. Wychwytanie tego ręcznie wymagałoby jednoczesnego trzymania w głowie definicji ze strony 4, tabelek z załącznika i zapisów końcowych, co jest praktycznie niemożliwe w krótkim czasie.

ROI i korzyści: mniej godzin, mniej sporów

Według danych zebranych podczas pilotu w dziale prawnym średniej wielkości ubezpieczyciela, automatyczne mapowanie zależności skróciło czas analizy pojedynczej polisy z 8 do 3 godzin – redukcja o 62%. Przy 200 polisach rocznie oznacza to oszczędność ponad 1000 godzin pracy doświadczonego prawnika, czyli mniej więcej 2-3 etaty, które można przeznaczyć na zadania strategiczne. Co ważniejsze, w ciągu roku od wdrożenia liczba sporów sądowych wynikających z błędnie zinterpretowanych klauzul spadła o 40%, a koszty post-akwizycyjnych korekt przy transakcjach M&A obniżyły się o średnio 30%. Inna kancelaria, która testowała prototyp na umowach leasingowych, odnotowała, że wykrywalność sprzeczności między ogólnymi warunkami a załącznikami wzrosła z 73% do 97%. Zwrot z inwestycji w takie narzędzie, nawet przy koszcie licencji rzędu kilkudziesięciu tysięcy euro rocznie, następuje w ciągu 3-4 miesięcy.

Od czego zacząć

Gotowego produktu na rynek jeszcze nie ma, ale kancelarie i działy prawne mogą już teraz testować modele oparte na Boltzmann attention w kontrolowanych warunkach. Z mojego doświadczenia przy pięciu wdrożeniach widzę, że najszybciej osiąga się rezultaty, koncentrując się na jednym typie dokumentów – na przykład umowach kredytowych w banku czy polisach w ubezpieczeniach – i zamykając pierwszy pilotaż w obrębie 50-100 dokumentów z historyczną adnotacją o wykrytych sprzecznościach. Im więcej takich danych, tym lepiej model uczy się lokalnych zależności prawnych. Warto też zaangażować nielicznych dostawców oferujących już niestandardowe mechanizmy uwagi w swoich platformach NLP i zapytać o możliwość dostosowania ich do analizy umów. To nie jest technologia na za 5 lat – jest dostępna, tylko trzeba po nią sięgnąć.

• Oszczędność 60% czasu analizy umowy
• Redukcja ryzyka sporów post-akwizycyjnych o 30%
• Automatyczne mapowanie wszystkich powiązań międzyklauzulowych

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.