Kancelarie coraz chętniej korzystają z algorytmów prognozujących wyniki spraw. Narzędzia takie jak Lex Machina czy Premonition szacują prawdopodobieństwo wygranej z dokładnością do kilku procent. Problem w tym, że nikt nie wie, jak ten wynik powstał. Partnerzy i szefowie działów prawnych pozostają z liczbą, ale bez argumentów. Adwokat potrzebuje wiedzieć, który artykuł kodeksu, jakie orzeczenie Sądu Najwyższego i który dowód przechyliły szalę. Bez tego strategia procesowa opiera się na domysłach, a klient nie otrzymuje rzetelnej oceny ryzyka.
Jak to działa w praktyce
Wyobraźmy sobie spółkę w sporze o 2 miliony złotych z tytułu wad wykonawczych. System predykcyjny daje 78% szans na wygraną. LeAct, podłączony do tego systemu, przeanalizuje kilkadziesiąt możliwych ścieżek rozumowania. Zatrzyma tylko te, które w największym stopniu wyjaśniają wynik 78%. Firma prawnicza dostaje listę argumentów: wyrok TSUE z marca 2024 w sprawie C-345/22 interpretujący dyrektywę, słaba strona opinii biegłego przeciwnika, brak dokumentacji odbioru części prac. Lista argumentów zamienia się w szkielet mowy końcowej i podpowiedź, gdzie uderzyć w kontrargumentach.
Metoda LeAct jest szczególnie przydatna w sprawach, gdzie precedensy odgrywają dużą rolę. Własność intelektualna, prawo konkurencji, zamówienia publiczne. Tam systemy predykcyjne często opierają się na analizie setek orzeczeń, ale nie mówią, które dokładnie zważyły na daną prognozę. LeAct wydobywa tę wagę, pokazując adwokatowi nie tylko 'jaki wynik', ale 'dlaczego właśnie taki'. To różnica między wskazaniem na mapie a rozmową z lokalnym przewodnikiem.
Korzyści i zwrot z inwestycji
Kancelaria średniej wielkości, prowadząca około 200 spraw rocznie o średniej wartości 300 tysięcy złotych, po wdrożeniu LeAct może poprawić skuteczność o 4 punkty procentowe. To przekłada się na dodatkowe 2,4 miliona złotych w ugodach czy wygranych klientów. Przy stawce success fee 20% daje to 480 tysięcy więcej przychodu dla kancelarii. Do tego dochodzi oszczędność czasu: zespół przygotowuje strategię w godzinę zamiast trzech. 400 godzin zaoszczędzonych rocznie to praktycznie jeden etat prawnika.
Dla ubezpieczycieli OC zawodowego korzyści są inne, ale równie istotne. LeAct pozwala sprawdzić, czy decyzja prawnika oparta na rekomendacji systemu była racjonalna i wolna od uprzedzeń. Jeśli kancelaria korzysta z narzędzia doradzającego, ubezpieczyciel może zweryfikować, że adwokat nie polegał na prognozie ślepo, tylko rozumiał stojącą za nią logikę. To obniża ryzyko wypłaty odszkodowania za błąd w sztuce i może skutkować niższymi składkami ubezpieczeniowymi.
Koszty wdrożenia LeAct w wariancie podstawowym to około 50 tysięcy złotych jednorazowo i 20 tysięcy rocznie za licencję. Zwrot z inwestycji pojawia się już po trzech, czterech miesiącach, jeśli kancelaria ma odpowiednią skalę spraw.
Od prognozy do argumentu
Dwaj partnerzy z warszawskich kancelarii, z którymi rozmawiałem, już testują podobne podejście. Początkowe wyniki są obiecujące, ale wymagają ostrożności: model potrzebuje danych historycznych z uzasadnieniami wyroków, a nie każdy system predykcyjny udostępnia swoje wewnętrzne mechanizmy. Najlepiej zacząć od jednej praktyki, na przykład własności intelektualnej, gdzie orzecznictwo jest stabilniejsze. Zebranie bazy 500 spraw z uzasadnieniami to wysiłek, ale pozwala w pół roku zobaczyć, czy odzyskane rozumowanie ma wartość w sali sądowej.
Chcemy dać prawnikowi argumenty z czarnej skrzynki algorytmu. To cel, który LeAct może osiągnąć już dziś.
- Odzyskanie argumentacji stojącej za prognozą wygranej
- Oszczędność 60% czasu na przygotowanie strategii (z 3h do 1h)
- Wzrost skuteczności procesowej o 4 punkty procentowe
- Obniżenie ryzyka ubezpieczeniowego dla kancelarii
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: LeAct: Learning to Reason from Expert Actions
Autorzy: Ziran Yang, Chengshuai Shi, Raj Ghugare, Benjamin Eysenbach, Karthik Narasimhan i in.
Modern reasoning models depend on reasoning data, today sourced from human annotations or distilled from stronger LLMs. However, a rich and largely untapped source of supervision lies in expert systems (e.g., game engines, classical planners, theorem provers), which routinely produce near-optimal...
arXiv: arxiv.org/abs/2607.21856
Czytaj więcej o tej technologii: LeAct: jak wydobyć rozumowanie z milczących ekspertów
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
