Как AI-агенты сократили due diligence с недель до дней

Что произошло

Крупные юридические фирмы и legal-tech разработчики за 2023–2024 годы перешли от точечного использования GPT-подобных моделей к связкам агентов, которые сами разбивают проверку сделки на шаги: находят документы, извлекают факты, сверяют их с чек-листом и собирают черновик отчёта. Harvey (стартап на базе моделей OpenAI, среди клиентов — Allen & Overy и PwC) и Thomson Reuters с продуктом CoCounsel публично заявляли о сокращении времени на первичный анализ документов при due diligence* в разы. Речь не о полной автоматизации, а о том, что рутинная часть — прочитать сотни договоров и вытащить из них ключевые условия — уходит агенту.

Для юриста, который вручную разбирает виртуальную комнату данных из тысяч файлов перед сделкой M&A, это меняет экономику работы. Меньше оплачиваемых часов на механическое чтение — больше на спорные места, где нужна голова партнёра, а не парсер.

Важная оговорка: публичные цифры про «недели в дни» приходят в основном из маркетинговых материалов вендоров и интервью, а не из независимых замеров. Относитесь к ним как к заявлениям производителя, а не как к бенчмарку.

Что такое агент в этом контексте

Обычная языковая модель отвечает на один запрос за раз: вы дали текст — получили ответ. Агент* работает иначе. Ему ставят цель («проверь все договоры аренды на наличие change-of-control оговорок»), а он сам решает, какие шаги предпринять: перебирает файлы, вызывает инструменты поиска, извлекает пункты, сверяет их между собой и формирует таблицу находок. Между шагами он сохраняет промежуточный результат и опирается на него дальше.

Для due diligence это удобно, потому что задача декомпозируется естественно:

• инвентаризация документов в data room — что вообще есть;
• классификация по типам (уставные, трудовые, договоры с контрагентами, лицензии);
• извлечение ключевых полей — стороны, сроки, суммы, автопролонгация, штрафные санкции;
• поиск красных флагов — залоги, судебные оговорки, ограничения на смену контроля;
• сборка черновика раздела отчёта с ссылками на конкретные страницы.

Агент не заменяет юриста в оценке риска. Он заменяет стажёра, который до трёх ночи вычитывает 400 договоров, чтобы найти те двенадцать, которые действительно важны.

Чем это отличается от простого чат-бота

Год назад типичный сценарий выглядел так: юрист копировал текст договора в окно модели и спрашивал, что не так. Проблемы очевидны — ограничение по объёму, ручной перенос каждого файла, ответы без ссылки на источник, риск, что модель что-то придумает.

Агентные системы с подключённым RAG* закрывают часть этих дыр: модель отвечает на основе документов из data room, а не из памяти, и каждая находка сопровождается ссылкой на исходную страницу. Это критично для юридической работы, где неподтверждённое утверждение бесполезно.

Точные тарифы вендоров публично не фиксируются — они продаются по корпоративным контрактам, а цена зависит от числа мест и объёма. Актуальную стоимость смотрите на сайтах Harvey и Thomson Reuters, а не в обзорах полугодовой давности.

Кому это пригодится и кому нет

Пригодится

• M&A-практикам и фирмам среднего и крупного размера. Когда в сделке участвует data room на тысячи файлов, экономия на первичном чтении реальна и измеряется человеко-днями.
• Командам с повторяющимися типами проверок. Если вы раз за разом проверяете портфели договоров аренды или франшизные соглашения по одному чек-листу, агент отлично закрывает шаблонную часть.
• Инхаус-юристам при закупке компании-цели. Быстрый черновой обзор рисков до того, как подключать внешних консультантов за отдельный гонорар.

Не пригодится или опасно

• Там, где данные нельзя выгружать наружу. Гостайна, персональные данные под жёсткими требованиями, документы под соглашением о неразглашении с запретом на облачную обработку — сначала юридическая и ИБ-оценка, потом инструмент.
• В спорных, единичных, нетиповых вопросах. Оценить, чем грозит конкретная оговорка в конкретной юрисдикции, агент не решит — это работа партнёра.
• Как финальный ответ без проверки. Модель может пропустить пункт или неверно его интерпретировать. Находки агента — это черновик для юриста, а не заключение.

Где ломается

Главный риск — галлюцинации: модель уверенно сообщает о пункте, которого в документе нет, или наоборот пропускает существенное условие. Привязка к источнику снижает риск, но не убирает его: юрист обязан открыть страницу по ссылке и убедиться сам.

Второй риск — конфиденциальность. Загрузка чужих корпоративных документов в облачный сервис требует проверки, где физически обрабатываются данные, кто имеет к ним доступ и не используются ли они для обучения. У специализированных legal-продуктов обычно есть режим, при котором данные клиента не идут в дообучение*, но это нужно проверять по договору, а не по обещанию на лендинге.

Третий — иллюзия завершённости. Красивый готовый отчёт создаёт ощущение, что работа сделана. На деле сделана механическая часть, и именно на этом этапе легко расслабиться и пропустить то, ради чего вообще нанимают юриста.

Итог трезвый: агенты уже сокращают рутинную часть due diligence и это подтверждают сами фирмы. Но заявленные «недели в дни» — маркетинг вендоров, а не независимый замер, и любой результат агента всё ещё требует человека, который за него отвечает.

* Due diligence — комплексная проверка компании или актива перед сделкой (покупкой, слиянием, инвестицией). * Агент — система, где модель сама планирует и выполняет несколько шагов ради заданной цели, а не отвечает на один запрос. * RAG (retrieval-augmented generation) — подход, при котором модель отвечает на основе найденных в базе документов, а не только из своей памяти. * Дообучение (fine-tuning) — дополнительное обучение модели на своих данных.