AI-агенты для юристов: как ИИ разбирает контракты и due diligence

За последний год юридические AI-платформы перестали быть демо на конференциях и попали в реальную работу консалтинговых фирм. Harvey привлёк раунды при оценке в миллиарды долларов и работает с рядом крупных международных фирм, Thomson Reuters встроил CoCounsel в свою экосистему после покупки стартапа Casetext, а европейская Legora растёт на сделках M&A. Все они решают одну задачу: прочитать сотни страниц договоров быстрее, чем это сделает младший юрист, и не пропустить рискованную формулировку.

Что именно делают эти агенты

Речь не про чат-бота, который отвечает на вопросы о праве в вакууме. Юридический агент* работает поверх конкретных документов, которые вы загрузили: договоры, уставы, переписку, финансовую отчётность. Типовые сценарии сводятся к трём.

• Анализ контракта. Агент извлекает ключевые условия — срок, автопролонгацию, ответственность, положения о расторжении, change of control — и сверяет их с вашим плейбуком (набором приемлемых формулировок). На выходе: список отклонений и предложенные правки.
• Due diligence. При проверке компании перед сделкой агент прогоняет весь массив документов из data room, находит противоречия, отсутствующие подписи, просроченные лицензии, кабальные условия в договорах с контрагентами.
• Составление и редактирование. Генерация проектов договоров по шаблону, приведение стиля к единому, поиск внутренних противоречий в длинном документе.

Технически под капотом обычно связка большой языковой модели и RAG** — поиска по загруженной базе, чтобы модель отвечала строго по вашим документам, а не по обучающим данным.

Сравнение платформ

Три продукта чаще всего попадают в шорт-лист корпоративных юристов. Функциональность частично пересекается, но фокус у каждого свой.

Точные цены ни одна из трёх компаний публично не фиксирует: тарифы обсуждаются под размер фирмы и число мест. Ориентироваться на конкретную сумму из чужого обзора не стоит — она устаревает за квартал. Запрашивайте предложение напрямую и уточняйте, входит ли в него интеграция с вашей DMS.

Агент экономит время на рутине — извлечении и сверке. Но подпись под заключением ставит человек, и ответственность за пропущенный риск несёт тоже он, а не модель.

Где эти инструменты ошибаются

Языковые модели галлюцинируют — выдают правдоподобный, но неверный текст. В праве цена такой ошибки выше, чем в маркетинге. Известны случаи, когда юристы подавали в суд документы с выдуманными нейросетью ссылками на несуществующие прецеденты и получали санкции от судей — это хорошо задокументировано в практике судов США за 2023–2024 годы.

Специализированные платформы с RAG снижают риск, потому что отвечают по вашим документам, а не сочиняют. Но остаются слабые места:

• Модель может неверно интерпретировать сложную ссылочную конструкцию («в редакции пункта 4.2 с учётом приложения №3»).
• Извлечение условий из скана плохого качества или таблицы даёт пропуски.
• Юрисдикция: агент, обученный на англо-американском праве, хуже понимает специфику российского ГК и корпоративного законодательства.

Отсюда золотое правило: агент — черновик, а не финал. Каждое найденное отклонение проверяет юрист, каждую сгенерированную правку читает человек.

Кому это пригодится, а кому нет

Пригодится

• Инхаус-юристу в компании с большим потоком типовых договоров. Поставки, аренда, NDA — агент сверит с плейбуком и подсветит, где контрагент подсунул невыгодное условие.
• Команде на сделке M&A. Due diligence по data room из тысяч файлов вручную занимает недели. Агент даёт первичный срез рисков за часы, дальше юристы копают точечно.
• Небольшой фирме без армии стажёров. Рутинную вычитку можно отдать инструменту и высвободить время на переговоры.

Не пригодится или преждевременно

• Тем, кто ведёт уникальные споры. Стратегия по нестандартному делу — это человеческое суждение, а не сверка с шаблоном.
• Практикам в узкой российской специфике. Пока крупные платформы заточены под общее право; для арбитражной практики РФ проверяйте, поддерживает ли инструмент вашу юрисдикцию, прежде чем платить.
• Тем, кто не готов перепроверять. Если некому вычитывать вывод агента, он превращается из ускорителя в источник риска.

Что учесть перед внедрением

1. Проверьте, где хранятся и обрабатываются ваши документы — договоры клиентов это конфиденциальные данные, и режим хранения на серверах вендора должен устраивать вашу службу безопасности.
2. Уточните, используются ли ваши загрузки для обучения моделей вендора. Для юридических данных ответ должен быть «нет».
3. Проведите пилот на реальных, но неострых документах и сравните вывод агента с ручной проверкой одного юриста.
4. Заложите обязательный этап человеческой вычитки в регламент — не как рекомендацию, а как жёсткое правило.

* Агент — программа на основе языковой модели, которая не просто отвечает на вопрос, а выполняет цепочку действий: ищет по документам, извлекает данные, формирует результат по заданному сценарию.

** RAG (Retrieval-Augmented Generation) — подход, при котором модель перед ответом сначала находит релевантные фрагменты в загруженной базе и отвечает, опираясь на них, а не только на данные обучения. Снижает риск выдуманных фактов.