Pewność AI w analizie umów: wykorzystanie kierunku ignorancji

Kancelarie coraz częściej używają AI do analizy umów. Problem? Modele potrafią 'zgadywać' ryzyko na podstawie typowych sformułowań, a nie rzeczywistej treści klauzuli. Wystarczy jeden niestandardowy zapis przeoczony przez maszynę, by koszty sięgnęły milionów. Badania opublikowane w 2025 roku przez zespół Toniego Liu rzucają nowe światło na to, kiedy model językowy opiera się na schematach, a kiedy naprawdę czyta dokument. Dla branży prawnej to szansa na przejście od ślepej wiary w AI do systemu, który mówi: 'tutaj nie jestem pewien, sprawdź to sam'.

Kierunek ignorancji, czyli skąd wiadomo, że model zgaduje

W dużym uproszczeniu, każdy duży model językowy ma w sobie wektor opisujący rozkład pojedynczych słów w danych treningowych. To taki 'zdroworozsądkowy' punkt wyjścia. Kiedy model analizuje kontrakt i trafia na fragment, który jest jednoznaczny, bogaty w kontekst, to odchyla się od tego wektora. Gdy kontekst jest słaby albo zapis odstaje od standardów, model wraca do statystycznych przyzwyczajeń. Inaczej: zgaduje na podstawie tego, co najczęściej widział, a nie tego, co naprawdę napisano.

Wspomniany zespół matematyków zidentyfikował konkretny kierunek w geometrii modelu, który koduje ten domyślny rozkład. Nazwali go 'kierunkiem ignorancji'. Rzutując wewnętrzną reprezentację analizowanej klauzuli na ten kierunek, dostajemy wartość skalarną lambda. Im wyższa lambda, tym silniej model opiera się na statystycznym priorytecie, a słabiej na faktycznej treści. To wskaźnik niepewności modelu, który można zmierzyć dla każdego analizowanego akapitu umowy.

Jak to działa w praktyce analizy umów

Wyobraźmy sobie system przeglądający umowę inwestycyjną. Dla standardowych klauzul o właściwości sądu czy karach umownych lambda jest niska, bo tekst pasuje do setek podobnych dokumentów z korpusu. Model rozpoznaje schemat i pewnie wskazuje ryzyka. Ale pojawia się zapis o rozliczeniu zysków w przypadku wyjścia wspólnika, gdzie definicja 'zysku netto' odbiega od branżowej normy, dodając nieoczywiste wyłączenia. Dla tego fragmentu lambda rośnie. System oznacza go alertem: 'Uwaga: wysoka niepewność, zalecam weryfikację manualną'. Prawnik nie musi czytać całej 150-stronicowej umowy słowo po słowie. Koncentruje się na trzech, czterech miejscach, gdzie AI przyznaje się do ignorancji.

To nie jest tylko teoretyczna koncepcja. Można ją zaimplementować jako warstwę nad obecnymi modelami używanymi w legal tech. Wystarczy dostęp do projekcji wewnętrznych stanów modelu, by wyliczać lambda i ustawić próg alarmowy. Kilka dostawców rozwiązań AI dla kancelarii już testuje podobne mechanizmy, ale publikacja Liu daje im matematyczne podstawy i uzasadnienie.

Scenariusz: przegląd umowy inwestycyjnej w 40 godzin zamiast 120

Weźmy realny przypadek. Kancelaria średniej wielkości dostaje zlecenie due diligence przed transakcją przejęcia spółki technologicznej. Do przejrzenia jest 80 umów: najmu, licencyjnych, z pracownikami, inwestycyjnych. Standardowy proces z AI bez wskaźnika lambda: model skraca czas analizy każdej umowy do około 30 minut, ale ma tendencję do pomijania niuansów. W jednej z umów licencyjnych znajduje się zapis wygaszający prawa do kluczowego patentu, jeśli przejmujący ma udział w konkurencyjnym biznesie. Sformułowanie jest rzadkie, ale model daje mu niską punktację ryzyka, bo nie widzi podobnych przykładów w danych treningowych. Prawnik musi i tak wszystko sprawdzić, tracąc 120 godzin.

Z warstwą lambda ten sam model dla wspomnianej klauzuli sygnalizuje: 'wysoka lambda'. Prawnik od razu widzi alert. Skupia się na 6 miejscach z całego stosu dokumentów, zamiast na 80. Czas skraca się do 40 godzin. A przede wszystkim, pułapka zostaje wykryta. W tym scenariuszu wartość unikniętej straty szacuje się na 8 do 12 milionów złotych (utrata patentu oznacza utratę 40% przychodów przejmowanej spółki).

Biznesowe korzyści i zwrot z inwestycji

Wdrożenie warstwy mierzącej lambda w systemie analizy umów to koszt rzędu 80-150 tysięcy złotych na integrację i dostosowanie do infrastruktury kancelarii. Przy 200 sprawach due diligence rocznie, gdzie średnia oszczędność czasu na jednej sprawie to 60 godzin, przy stawce 400 zł/h, oszczędność wynosi 4,8 miliona złotych rocznie. Nawet przy pesymistycznym scenariuszu 30-procentowego ograniczenia czasu, zwrot z inwestycji następuje w 3 do 4 miesiącach.

Mniej oczywista korzyść to reputacja. Kancelaria, która pokazuje klientom metrykę pewności AI dla każdej analizowanej klauzuli, buduje zaufanie. 'Nasz system oznacza 5% dokumentu jako niepewne i te fragmenty sprawdza dwóch partnerów' brzmi lepiej niż 'używamy sztucznej inteligencji'. To może być decydujące przy wyborze doradcy przy transakcjach o wartości powyżej 100 milionów złotych.

Od czego zacząć

Nie ma sensu wdrażać tego od razu we wszystkich sprawach. Zacznij od jednego typu umów, na przykład umów najmu w nieruchomościach komercyjnych. Zbierz 200 przeglądów z poprzednich lat, oznacz ręcznie newralgiczne klauzule. Puść je przez model z wyliczaniem lambda i sprawdź, czy punkty o wysokiej lambda pokrywają się z Twoimi adnotacjami. Jeżeli tak, rozszerz na due diligence transakcyjne. Współpracuj z dostawcą, który umożliwi dostęp do wewnętrznych stanów modelu. Podejście czarnoskrzynkowe, gdzie widzisz tylko wynik, nie wystarczy.

Technologia jest świeża, ale fundamenty matematyczne solidne. Dla kancelarii, które budują przewagę na precyzji analizy, to jeden z tych elementów, które warto przetestować, zanim staną się standardem w branży.

• Redukcja czasu analizy due diligence o 30-50% dzieki automatycznemu flagowaniu niepewnych fragmentow
• Wzrost wykrywalnosci niestandardowych pulapek umownych, ktore standardowe modele przegapiaja
• Przewaga konkurencyjna na rynku uslug prawnych opartych o AI poprzez udowodnienie klientom kontroli nad ryzykiem automatyzacji

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.