Koniec z zapętlonymi paragrafami: naprawa AI dla kancelarii prawnych

Zespół prawników od trzech dni analizuje projekt nowelizacji ustawy o kredycie konsumenckim, liczący 120 stron. Raport due diligence miał trafić do klienta wczoraj. Narzędzie AI, zamiast wyliczyć 15 kluczowych ryzyk, utknęło na punkcie trzecim i powtarza go w kółko. Partner zarządzający słyszy to trzeci raz w tym miesiącu. Problem nie leży w promptach ani w konfiguracji – to wada fabryczna modelu, którą można dziś chirurgicznie usunąć.

Problem, który zna każdy, kto testował AI w prawie

Modele językowe potrafią analizować setki stron regulacji w kilka minut. Problem pojawia się, gdy trzeba wygenerować wyczerpującą listę – na przykład 20 obowiązków informacyjnych wobec konsumenta albo kompletny katalog przesłanek odmowy udzielenia kredytu. Zamiast przejść przez wszystkie, model zaczyna zapętlać się na jednym punkcie. Powtarza go dosłownie, w nieskończoność. W testach na modelu Gemma 4 zjawisko to występowało w 95 procentach przypadków długich zadań enumeracyjnych. Dla prawnika to dyskwalifikacja narzędzia – raport z luką jest gorszy niż brak raportu, bo sugeruje kompletność tam, gdzie jej nie ma.

Chirurgia neuronowa zamiast zmiany promptu

Badacze z zespołu Lazaridisa odkryli, że pętle powtórzeń nie są rozproszonym problemem całej architektury modelu. Winowajcą jest garstka neuronów w warstwach MLP – czasem dosłownie jeden neuron. W modelu Gemma 4 E2B wystarczyło odwrócić znak pojedynczego neuronu, żeby pętla zniknęła. W większych wariantach edycja obejmowała kilka neuronów, ale mechanizm pozostał ten sam: statyczna modyfikacja wag, bez grzebania w promptach, bez przełączania inference engine, bez dodatkowych warstw softwarowych. To nie jest prompt engineering. To fizyczna naprawa modelu.

Co istotne, edycja nie psuje ogólnej wydajności. Benchmarki pozostają na tym samym poziomie. Model dalej rozumie tekst, dalej wnioskuje – po prostu przestaje się zapętlać na zadaniach, które wcześniej go blokowały.

Scenariusz: przegląd regulacyjny przed wejściem w nowy rynek

Weźmy realny przypadek: spółka fintechowa z Wielkiej Brytanii chce wejść na rynek polski z usługą BNPL (kup teraz, zapłać później). Dyrektor ds. zgodności zleca kancelarii przegląd regulacyjny. Do przeanalizowania jest ustawa o kredycie konsumenckim, ustawa o usługach płatniczych, wytyczne KNF i rekomendacje UOKiK. Łącznie ponad 400 stron gęstego tekstu prawnego.

Kancelaria używa wewnętrznego narzędzia opartego na Gemma 4, po edycji neuronowej. Model dostaje prompt: ‘Wymień wszystkie obowiązki informacyjne, które pożyczkodawca musi spełnić przed zawarciem umowy z konsumentem, wraz z podstawą prawną.’ Standardowy model wygenerowałby 7 punktów, po czym zapętliłby się na ósmym, powtarzając go 15 razy i wyczerpując limit tokenów. Model po edycji generuje 14 punktów – kompletne wyliczenie, każdy z odesłaniem do konkretnego artykułu. Czas generowania: 90 sekund. Weryfikacja przez prawnika: 45 minut zamiast 6 godzin ręcznej kwerendy.

Korzyści i rachunek ekonomiczny

Dla kancelarii średniej wielkości, realizującej 15 projektów due diligence miesięcznie, różnica jest wymierna. Przy stawce 800 złotych za godzinę pracy prawnika i średnim czasie ręcznej analizy regulacyjnej wynoszącym 8 godzin na projekt, miesięczny koszt to 96 tysięcy złotych. Narzędzie AI skraca czas weryfikacji do 2 godzin na projekt, co daje oszczędność 72 tysięcy miesięcznie – przy założeniu, że model nie generuje luk. Jeśli generuje, oszczędność jest pozorna, bo prawnik i tak musi sprawdzić wszystko od zera. Edycja neuronowa eliminuje ten problem, czyniąc oszczędność realną.

Z perspektywy dyrektora ds. zgodności w korporacji kluczowa jest powtarzalność i audytowalność. Raport, który pominął obowiązek informacyjny, to ryzyko kary administracyjnej. KNF w 2024 roku nałożyła kary na łączną kwotę 18 milionów złotych za naruszenia obowiązków informacyjnych. Narzędzie, które nie pomija punktów, to nie wygoda – to tarcza.

Ograniczenia: wiedza, której nie da się wszczepić

Uczciwie trzeba powiedzieć: edycja neuronowa usuwa pętlę, ale nie dostarcza brakującej wiedzy. Badacze nazywają to ‘doom loopingiem’ – sytuacją, gdy model nie zna faktu i kręci się w kółko, próbując go sobie przypomnieć. Jeśli model nie został wytrenowany na konkretnym rozporządzeniu, edycja neuronów nie sprawi, że nagle je pozna. To nie jest wada rozwiązania – to jego granica. W praktyce oznacza to, że kancelaria musi uzupełniać bazę wiedzy modelu o aktualne teksty prawne, na przykład przez RAG (retrieval-augmented generation). Edycja neuronowa i RAG to warstwy, które się uzupełniają: jedna zapewnia, że model nie utknie, druga – że ma na czym pracować.

• 95% redukcji ryzyka niekompletnych raportów regulacyjnych
• Oszczędność 72 tys. zł miesięcznie przy 15 projektach due diligence
• Czas weryfikacji skrócony z 8 godzin do 2 godzin na projekt
• Edycja nie obniża ogólnej wydajności modelu na benchmarkach
• Pełna audytowalność – każdy punkt wyliczenia z podstawą prawną

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.