ИИ-анализ договоров: как находим рискованные пункты до того, как клиент подписал

Ко мне пришла знакомая юрфирма с болью: договоров на проверку — вагон, юристов — трое, дедлайны — вчера. Спросили, можно ли натравить нейросеть на типовые NDA и поставки, чтобы не читать всё руками. Можно. Но с оговорками, о которых расскажу честно — включая то, где ИИ реально экономит часы, а где чуть не подставил клиента.

С чего всё началось: три юриста и гора договоров

Юрфирма, назовём её «Юрконсалт» — не буду светить настоящее имя, сами понимаете почему. Восемь человек, из них трое занимаются именно проверкой договоров для клиентов из торговли и производства. В месяц через них проходит 60-80 документов: поставки, аренда, подряд, NDA, иногда кредитные линии. Каждый договор — от 8 до 40 страниц.

Раньше юрист садился и читал целиком. На типовой договор поставки уходило часа полтора-два, если документ мутный — и все три-четыре. Умножьте на 70 договоров в месяц — получается, что один человек фактически всё рабочее время только этим и занимается. А клиенты ждут ответа на следующий день, не через неделю.

Директор фирмы прямо сказал: «Мы теряем клиентов не потому, что плохо проверяем, а потому что медленно». Знакомая история — у меня самого так с заявками на обслуживание было, пока не выстроили процесс. Только тут вместо заявок — договоры, и цена ошибки выше.

Почему нельзя просто загрузить договор в ChatGPT

Первое, что мне сказали: «А давайте просто в ChatGPT кидать». Стоп. Договор поставки с реквизитами компании, суммами сделки, персональными данными подписантов — это конфиденциальная информация клиента юрфирмы. Загрузить её в облачный сервис без договора о неразглашении с самим сервисом — прямое нарушение адвокатской и договорной тайны. Один такой случай — и юрфирма получит иск от собственного клиента, а не поможет ему.

У нас в ITfresh было похожее с бухгалтерией одного клиента: девушка из бухгалтерии загрузила в публичный сервис распознавания текста скан паспорта директора для «быстрого набора реквизитов». Ничего страшного не случилось, но мы после этого случая ввели жёсткое правило — никаких клиентских документов в публичные облачные ИИ-сервисы. Точка.

Поэтому для юрфирмы мы делали так: не облачный ChatGPT с общим доступом, а либо изолированный контур с локально развёрнутой моделью на своём сервере, либо API с юридически оформленным соглашением о неразглашении и опцией отключения обучения на данных клиента (у крупных провайдеров такая опция есть, но её нужно включать явно, а не по умолчанию). Плюс — обязательное обезличивание: реквизиты, суммы и ФИО подписантов при первом проходе можно временно заменить плейсхолдерами.

Как устроена проверка: три прохода вместо одного чтения

Мы не стали делать «загрузи файл — получи вердикт». Слишком рискованно доверять единственному ответу модели по юридическому документу. Сделали пайплайн из трёх этапов.

Первый этап — извлечение структуры. Модель разбирает договор на пункты, выделяет стороны, предмет, сроки, суммы, ответственность, форс-мажор, порядок расторжения. Это не про риски пока, это просто карта документа — чтобы юрист сразу видел, где что искать, а не листал 30 страниц в поисках пункта про неустойку.

Второй этап — сверка с чек-листом рисков. Для каждого типа договора (поставка, аренда, подряд, NDA) юристы «Юрконсалта» составили список из 25-40 типовых красных флагов: одностороннее изменение цены без согласования, штрафы, несоразмерные сумме сделки, размытые формулировки форс-мажора, отсутствие ограничения ответственности, право контрагента расторгнуть договор без объяснения причин. Модель проходит по этому списку и для каждого пункта договора отмечает — есть совпадение или нет, и почему.

Третий этап — сравнение с эталонной версией. У фирмы есть свои «золотые» шаблоны договоров, которые они годами оттачивали. Модель построчно сравнивает присланный контрагентом вариант с эталоном и подсвечивает, что именно поменяли — добавили пункт, убрали защитную формулировку, изменили сроки оплаты с 10 дней на 45.

Что реально нашлось — примеры из практики

На тестовом прогоне из 40 архивных договоров система нашла три вещи, которые в своё время юристы пропустили при беглом чтении. Один случай показательный: в договоре поставки оборудования контрагент прописал право менять цену в одностороннем порядке «в случае изменения курса валют» — без верхнего предела и без обязанности заранее уведомлять. Формулировка была спрятана в пункте 6.4, среди технических деталей про упаковку и транспортировку. Человек, читающий по диагонали в конце длинного рабочего дня, такое легко проскакивает.

Другой пример — NDA, где срок конфиденциальности после расторжения договора был указан как «разумный срок» вместо конкретных 3-5 лет. Юридически это почти ничего не значит и оставляет лазейку. ИИ это подсветил сразу, потому что формулировка не совпала ни с одним пунктом эталонного шаблона.

Была и обратная ситуация — ложное срабатывание. Система пометила как рискованный пункт про предоплату 100%, хотя для конкретной отрасли клиента (заказное производство под спецификацию) это нормальная практика. Юрист посмотрел, снял пометку за пять секунд. Собственно, в этом и суть — ИИ не принимает решение, он готовит материал для решения. Финальное слово всегда за человеком с юридическим образованием и печатью на дипломе.

Сколько это реально экономит времени и денег

После трёх месяцев использования в «Юрконсалте» посчитали: среднее время на проверку типового договора упало с полутора часов до 25-35 минут. Не потому что юрист стал читать быстрее — а потому что не тратит время на пункты, где всё стандартно, а сразу идёт к тем трём-пяти местам, которые система пометила как отклонение от нормы или потенциальный риск.

В деньгах: при часовой ставке юриста в 3000-4000 рублей и экономии часа на договор, при 70 договорах в месяц — это 210-280 тысяч рублей высвобожденного рабочего времени. Часть этого времени они не сократили штат, а взяли больше клиентов на то же количество людей. Оборот фирмы за квартал вырос на 18%, хотя, честно говоря, часть роста — это общий приток клиентов, ИИ тут не единственный фактор.

Стоимость внедрения — отдельный разговор. Настройка контура, обучение модели на шаблонах фирмы, составление чек-листов рисков вместе с юристами заняли около трёх недель работы. Плюс серверные мощности для локального контура — сервер обошёлся в районе 250 тысяч рублей единоразово, дальше только электричество и обслуживание. Окупилось за первые два месяца использования, если считать по высвобожденному времени юристов.

Где ИИ ошибается и почему нельзя убирать человека из цепочки

Расскажу честно про провал. На одном из первых тестов модель пропустила пункт про подсудность — договор с московской компанией содержал условие о рассмотрении споров в арбитраже другого региона, что для клиента означало лишние расходы на командировки юристов в случае спора. Модель не пометила это как риск, потому что формально пункт был «стандартным» — просто не тем регионом, который выгоден клиенту. ИИ хорошо ловит явные аномалии и отклонения от шаблона, но не всегда понимает контекст конкретной сделки и интересы именно этого клиента.

Ещё момент — модель плохо работает с рукописными правками и сканами низкого качества. Один контрагент прислал договор с правками от руки на полях, отсканированный на старом МФУ. Распознавание текста дало кашу, и часть анализа пришлось делать заново после ручной вычитки скана. Для таких случаев мы держим отдельный процесс — если OCR даёт низкую уверенность в распознавании, документ автоматически уходит юристу без ИИ-предобработки, чтобы не создавать ложное чувство «уже проверено».

И главное: ИИ не несёт ответственности. Если юрфирма подпишет заключение, основываясь на ошибке модели, отвечать будет юрист и фирма, а не разработчик нейросети. Поэтому в «Юрконсалте» мы прописали жёсткое правило — любой вывод системы обязательно верифицируется юристом, и в заключении клиенту никогда не указывается, что документ проверен ИИ без человеческого контроля. Это не маркетинговая фишка, это страховка от реальных проблем.

С чего начать, если хотите внедрить похожее у себя

Если вы юрфирма или у вас в штате юротдел, который тонет в договорах — не начинайте с покупки дорогой платформы. Начните с малого: возьмите 20-30 архивных договоров одного типа, вместе с юристами составьте чек-лист типовых рисков именно для вашей отрасли. Это займёт неделю, но без этого чек-листа любой ИИ-инструмент будет работать вслепую.

Дальше — определитесь с контуром: локальная модель на своём сервере или облачный API с юридически оформленным NDA и отключённым обучением на ваших данных. Для небольшой фирмы до 10 юристов часто выгоднее API с гарантиями конфиденциальности, чем содержать свой сервер — экономика может не сойтись. Мы у клиентов считаем это индивидуально, готовых рецептов тут нет.

И не пытайтесь сразу автоматизировать всё. Начните с одного типа договоров — например, стандартной поставки или аренды, где вариативность формулировок невелика. Отработайте процесс, посчитайте реальную экономию времени и точность, и только потом расширяйтесь на более сложные документы вроде кредитных договоров или M&A-сделок, где цена ошибки на порядок выше.

Частые вопросы

Не опасно ли доверять проверку договоров нейросети — вдруг она пропустит серьёзный риск?
Опасно доверять ей полностью, поэтому мы так не делаем. ИИ — это второй набор глаз, который быстро находит отклонения от шаблона и типовые красные флаги, а финальное решение и подпись под заключением всегда остаются за юристом. Это ускоряет проверку, но не заменяет квалифицированного специалиста.

Как гарантировать, что документы клиентов не утекут через ИИ-сервис?
Мы используем либо локально развёрнутую модель на сервере самой юрфирмы без выхода данных наружу, либо облачный API с юридически оформленным соглашением о неразглашении и обязательным отключением опции обучения модели на переданных данных. Загрузка договоров в публичные бесплатные ИИ-сервисы для нас исключена в принципе.

Сколько стоит внедрить такую систему для небольшой юрфирмы?
Зависит от масштаба. Настройка на базе облачного API с обезличиванием данных обходится в 80-150 тысяч рублей на старте плюс ежемесячная плата за обработку. Локальный контур с собственным сервером — от 250 тысяч рублей единоразово, но окупается быстрее при большом потоке документов.

Подходит ли такой подход не только для договоров, но и для других юридических документов?
Да, схему с разбором структуры, сверкой с чек-листом и сравнением с эталоном мы уже адаптировали под доверенности и уставные документы. Для более сложных вещей вроде исковых заявлений или судебных актов подход требует других чек-листов и пока используется только как вспомогательный инструмент для быстрого поиска нужных фрагментов, а не для анализа рисков.