Większość narzędzi AI do analizy umów działa jak nadgorliwy aplikant: sprawdza każdą klauzulę po kilka razy, w kółko weryfikując to samo. Efekt? Pięć minut na prostą umowę NDA i rachunek za API, który potrafi zjeść oszczędności z automatyzacji. EvoThink pokazuje, że można szybciej i taniej, bez utraty rzetelności.
Jak AI prawnicze wpada w pułapkę nadmiernego myślenia
Duże modele rozumujące (LRM) stojące za prawniczymi asystentami AI mają wbudowaną skłonność do nadmiernej weryfikacji. Analizując umowę, potrafią wielokrotnie sprawdzać te same definicje, rozważać nieistotne interpretacje i krążyć wokół prostych zapisów. To zjawisko, nazywane overthinkingiem, wydłuża czas przetwarzania i pompuje zużycie tokenów. Z moich rozmów z szefami działów prawnych wynika, że typowe narzędzie potrafi spalić 5–8 tysięcy tokenów na jedną umowę NDA. W skali miesiąca, przy setce takich dokumentów, robi się z tego kilkaset złotych kosztów API, nie licząc opóźnień. Dotychczasowe próby skrócenia tego procesu często kończyły się spadkiem dokładności – model ucinał nie tylko zbędne, ale i wartościowe kroki rozumowania.
EvoThink: od przycinania zbędnych kroków do momentów olśnienia
Framework EvoThink, opracowany przez zespół Xinbang Dai, rozwiązuje ten problem dwoma mechanizmami. Pierwszy, Self-Pruning Training (SPT), uczy model samodzielnego usuwania redundantnych fragmentów rozumowania. To trochę jak nauczenie prawnika, by nie przepisywał całego kodeksu przy każdej klauzuli – zamiast tego sięga tylko po to, co naprawdę potrzebne. Drugi mechanizm, Aha-Moment Preference Optimization (AMPO), wykorzystuje nieudane, ale bliskie poprawności próby analizy. Model uczy się na błędnych ścieżkach, przechodząc od pomyłki do poprawnego wniosku – coś jak doświadczony partner, który po latach praktyki wie, które argumenty od razu odrzucić. Efekt? Łańcuchy rozumowania skracają się o kilkadziesiąt procent, a dokładność pozostaje na tym samym poziomie, a czasem nawet rośnie.
Scenariusz: analiza umowy w 30 sekund zamiast 5 minut
Weźmy korporacyjny dział prawny obsługujący 50 umów tygodniowo – głównie NDA, umowy o poufność i proste kontrakty handlowe. Standardowe narzędzie AI analizuje jedną umowę średnio w 5 minut, generując przy tym około 6000 tokenów. Po wdrożeniu modelu zoptymalizowanego według EvoThink ten sam dokument jest przetwarzany w 30 sekund, a zużycie tokenów spada do 1200. W skali tygodnia oszczędza się 225 minut pracy – to prawie 4 godziny, które prawnicy mogą przeznaczyć na negocjacje lub bardziej złożone sprawy. Przy stawce 300 zł za godzinę, tygodniowa oszczędność to około 1200 zł. Do tego dochodzą niższe rachunki za API: przy 200 umowach miesięcznie różnica w kosztach tokenów to około 80 zł, ale w skali roku i przy większym wolumenie łatwo uzbierać kilkanaście tysięcy złotych. Co ważne, model z EvoThink nie tylko działa szybciej – uczy się na swoich pomyłkach. Po kilkudziesięciu przeanalizowanych umowach staje się skuteczniejszy w wychwytywaniu pułapek, bo internalizuje schematy błędnych rozumowań, które wcześniej prowadziły donikąd.
Dlaczego to działa na dłuższą metę
AMPO sprawia, że model nie jest tylko szybszy, ale też z czasem mądrzejszy. Identyfikuje momenty, w których prawie popełnił błąd, i uczy się, jak z nich wychodzić. Dla prawnika oznacza to asystenta, który z każdym tygodniem lepiej rozumie specyfikę waszych umów i rzadziej generuje fałszywe alarmy. Widziałem już kilka wdrożeń AI w kancelariach, gdzie po miesiącu model zaczął samodzielnie sugerować poprawki, które wcześniej przeoczał. To nie jest magia – to inżynieria oparta na preferencyjnej optymalizacji (DPO), która nagradza efektywne ścieżki rozumowania.
Czas przestać płacić za nadgorliwość
Jeśli twoja kancelaria testuje już narzędzia AI do analizy dokumentów, sprawdź, ile tokenów zużywa na standardową umowę. Jeśli widzisz liczby rzędu 5–10 tysięcy na prosty kontrakt, to znak, że płacisz za overthinking. Warto poszukać rozwiązań zoptymalizowanych pod kątem efektywności, a nie tylko dokładności. Pilotaż na 50 umowach NDA pokaże różnicę w czasie i kosztach w ciągu tygodnia. Nie chodzi o to, by ciąć koszty za wszelką cenę – chodzi o to, by AI pracowała jak doświadczony prawnik: szybko, celnie i bez zbędnego lania wody.
- Analiza złożonej umowy w 30 sekund zamiast 5 minut – możliwość obsługi większej liczby klientów.
- Model uczy się na błędnych ścieżkach argumentacji, stając się skuteczniejszym 'wirtualnym prawnikiem'.
- Niższe koszty licencji na narzędzia AI dzięki drastycznej redukcji zużycia tokenów.
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: EvoThink: Evolving Thinking in Large Reasoning Models via Self-Pruning and Aha-Moment Preference Optimization
Autorzy: Xinbang Dai, Zheyu Xin, Huikang Hu, Lin Ren, Rihui Jin i in.
Large Reasoning Models (LRMs) often suffer from overthinking due to redundant verification steps. Existing approaches for mitigating overthinking, such as fast-slow thinking switching and reasoning trajectory compression, fail to make a fine-grained distinction between beneficial and redundant st...
arXiv: arxiv.org/abs/2607.19962
Czytaj więcej o tej technologii: EvoThink: jak nauczyć sztuczną inteligencję myśleć krócej i lepiej
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
