ЛигалТех с Дашей

Почему важно читать обновления ИИ-инструментов? Не все обновления касаются новых моделей или функций. Иногда меняется сам результат, который мы получаем от ИИ. Например, Anthropic в рамках требований EU AI Act ввела для Claude машиночитаемую маркировку контента. Для новых моделей Claude, запущенных в ЕС со 2 августа 2026 года, маркировка поддерживается с момента запуска. Для моделей, выпущенных раньше этой даты, предусмотрен переходный период — Anthropic планирует постепенно добавить поддержку маркировки и для них. Как это будет работать? Для текста Claude использует невидимую машиночитаемую метку, встроенную непосредственно в текст. Пользователь ее не видит, и на содержание или читаемость она не влияет. Но есть важная особенность: при копировании текста в другой документ метка может переместиться вместе с ним и в некоторых случаях сохраниться даже после редактирования. Для поддерживаемых типов файлов Claude также будет добавлять подписанные метаданные о происхождении файла. При этом обнаруженная маркировка не означает, что Claude полностью создал текст или документ. Например, исходный текст мог быть написан человеком, а Claude использован только для: • редактирования; • перевода; • подготовки краткого содержания; • преобразования файла. То есть наличие метки свидетельствует о том, что контент мог быть обработан Claude. Работает и обратное правило: отсутствие обнаруженной метки не доказывает, что ИИ не использовался. Она может не определяться после существенного редактирования, смешивания с другим текстом или изменения формата файла. Почему это важно в работе? Если подготовленный с помощью ИИ результат дальше передается контрагенту или другому получателю, стоит учитывать, что вместе с текстом или файлом может передаваться и информация о его обработке ИИ. И если у получателя есть собственные правила использования ИИ или средства проверки такой маркировки, это может иметь значение. Поэтому следить стоит не только за новыми возможностями моделей, но и за тем, что происходит с результатом после работы с ИИ: какие данные и метаданные он содержит и что может сохраниться при дальнейшей передаче. #LegalTech #ИИ

С какой задачи начать тестировать ИИ? Если вы только начинаете тестировать новый инструмент или агента, лучше выбрать задачу из области, в которой у вас уже есть доменная экспертиза. Почему? Потому что на первом этапе важно оценить не только то, получился ли ответ, но и его качество. Если вы много лет занимаетесь договорной работой, логичнее начать с анализа договора, подготовки оговорки или сравнения редакций, а не с составления претензии в незнакомой вам области. Если ваша специализация — корпоративное право, не стоит оценивать возможности ИИ по анализу рекламных материалов на соответствие законодательству. В экспертной области вы быстрее заметите: • фактическую или юридическую ошибку; • пропущенный риск; • неверную логику; • чрезмерное упрощение; • вывод, который выглядит убедительно, но не соответствует практике. И сможете оценить еще один важный показатель: сколько доработок требуется, прежде чем результат можно использовать. Это особенно важно при тестировании агентов. Красивый итоговый документ еще не говорит о качестве работы: нужно понимать, какие ошибки возникли по ходу выполнения задачи и насколько существенным был человеческий контроль. Поэтому первый сценарий для ИИ — решение задачи, качество выполнения которой вы умеете оценивать сами. Доменная экспертиза в этом случае становится не ограничением для использования ИИ, а инструментом его проверки. #LegalTech #ИИ

Code, Codex, Cowork и Work: какого агента выбрать? ИИ-агенты, как и модели, рассчитаны на разные типы задач. Один и тот же результат можно получить с помощью нескольких инструментов. Но правильно выбранный агент лучше понимает контекст задачи, использует подходящие инструменты и требует меньше дополнительных инструкций. В экосистеме ChatGPT есть Codex и Work, в Claude — Claude Code и Cowork. Codex и Claude Code — для разработки и технических задач. Подходят, когда нужно: • создать прототип продукта; • работать с базой и репозиторием; • изменить несколько связанных файлов; • запустить тесты и найти ошибки; • разработать интеграцию или автоматизированный сервис. Например, с их помощью можно собрать MVP внутренней CRM, анонимайзера или инструмента для интеграции и анализа данных. Это могут быть как эксперименты вайбкодинга, так и полноценные задачи разработки. Work и Cowork — для многоэтапной работы с информацией и готовыми материалами. Их стоит выбирать, когда нужно: • проанализировать документы и другие источники; • обработать или систематизировать файлы; • подготовить отчет, таблицу или презентацию; • собрать информацию из нескольких приложений; • получить готовый рабочий результат, а не только ответ в чате. Граница между этими агентами не абсолютна: Codex и Claude Code также могут работать с документами и данными. Поэтому вопрос не в том, способен ли агент выполнить задачу, а в том, для какой работы организована его среда. Выбор агента стоит начинать с образа результата, который нужно получить и данных, которые агент должен обработать. #LegalTech #ИИ

Как повысить качество ответов ИИ? Когда результат работы с ИИ не устраивает, мы начинаем улучшать промпт: добавляем контекст, уточняем задачу и формат ответа. Но качество результата зависит не только от конкретного запроса. На него влияют и предварительные настройки самого инструмента. Если вы регулярно используете одну нейросеть, часть требований можно задать заранее. Например, указать в персональных инструкциях: • какой тон ответов вам нужен; • насколько подробна должна быть аргументация; • допустимы ли предположения; • нужно ли отделять факты от выводов. Стоит проверить и другие возможности: Память. Нужен ли инструменту контекст всех предыдущих разговоров или для ваших задач лучше начинать новый диалог без него? Подключения и плагины. Какие источники действительно помогут в работе и к каким данным вы готовы предоставить доступ? Предварительная настройка не заменяет качественный промпт и проверку ответа. Но она помогает заранее задать модели требования, которые важны для вашей работы, и получить подходящий результат. При этом включать все доступные функции не стоит. Память может переносить ненужный контекст, а лишние подключения — давать доступ к данным без понятной пользы. Качество работы с ИИ зависит не только от того, что вы написали в промпте, но и от того, как вы настроили инструмент до начала работы. #LegalTech #ИИ

Внедрение ИИ: как получить эффект? Сегодня обсуждение ИИ посвящено выбору модели или очередного инструмента. Но эффект от внедрения зависит не столько от технологии, сколько от того, как она встроена в процессы и повседневную работу сотрудников. LegalTechTalk совместно с Harvey опубликовали отчет "Both Sides of the Table", основанный на интервью с руководителями инноваций и юридических функций крупных компаний и международных юридических фирм. Главный вывод отчета простой: единого плейбука внедрения ИИ не существует. Авторы выделяют четыре подхода, которые сегодня встречаются в компаниях. 1. Наблюдение Сначала посмотреть, как внедряют ИИ другие, а потом принимать решение. Преимущество — меньше ошибок. Риск — технологическое отставание и упущение возможностей. 2. ИИ как декорация Инструменты приобретаются, потому что «они есть у всех», но не становятся частью работы. Результат — низкое использование и отсутствие измеримого эффекта. 3. ИИ как ускоритель ИИ помогает быстрее выполнять привычные задачи: писать письма, искать информацию, готовить саммари. Это уже приносит пользу, но процесс остается прежним. 4. ИИ как основа работы ИИ становится принципом организации работы. Но без грамотного управления изменениями приводит к перегрузке сотрудников и выгоранию. Какие выводы делают практики? Во-первых, не стоит обещать сотрудникам, что ИИ «освободит время». Свободное время быстро заполняется новыми задачами. Поэтому обещание «будете работать меньше» не становится настоящей мотивацией. Во-вторых, ценность появляется только тогда, когда меняется сам процесс. Использовать ИИ для подготовки письма или краткого содержания документа полезно. Но это оптимизация отдельного шага, а не трансформация процесса. Настоящий эффект начинается тогда, когда организация задается вопросом: нужно ли выполнять работу именно таким способом? И наконец, внедрение происходит не потому, что в компании появились «чемпионы ИИ». Люди начинают использовать ИИ тогда, когда понимают, как он помогает решить их рабочие задачи. Поэтому конкретные сценарии применения оказываются эффективнее, чем демонстрация возможностей инструмента. Внедрение ИИ — это не проект по выбору модели. Это проект по изменению процессов, привычек и способов работы. Поэтому конкурентное преимущество получают не те, кто раньше купил лицензии, а те, кто смог встроить ИИ в бизнес-процессы. #LegalTech #ИИ

Можно ли автоматизировать работу с помощью одного ИИ? Когда компании начинают внедрять ИИ, возникает ожидание, что достаточно подключить модель к рабочим инструментам — и процесс будет автоматизирован. На практике все сложнее. Недавно Google опубликовал исследование, основанное на анализе 15 миллионов анонимизированных взаимодействий пользователей с Gemini App, Gemini AI Mode и Gemini API (без учета корпоративного уровня Enterprise). Несмотря на ограничения исследования — временной период, данные только экосистемы Google и отсутствие других моделей, — отчет дает интересную картину того, как люди сегодня используют ИИ. Что показалось мне наиболее важным? • ИИ активно используют как для личных, так и для рабочих задач. Однако рабочие сценарии составляют лишь 21% всех взаимодействий. • Менее 10% сценариев демонстрируют автоматизацию процесса от начала до конца. В большинстве случаев ИИ выступает помощником: помогает искать информацию, анализировать, писать тексты или выполнять отдельные действия, но не берет на себя весь бизнес-процесс. Для меня главный вывод не в цифрах, а в том, что интеграция ИИ в корпоративные инструменты сама по себе не означает автоматизацию работы. Даже если модель встроена в офисный пакет или другую рабочую систему, она закрывает лишь отдельный этап процесса. Чтобы получить полноценную автоматизацию, требуется:     •    пересмотреть сам процесс;     •    определить, какие шаги действительно можно автоматизировать;     •    интегрировать несколько систем;     •    обеспечить качество данных;     •    настроить контроль, безопасность и участие человека там, где это необходимо. Именно поэтому при внедрении ИИ я бы рекомендовала начинать с вопроса «Какой бизнес-процесс мы хотим изменить и где ИИ действительно создаст ценность?» В конечном счете успех внедрения определяется не возможностями модели, а тем, насколько грамотно она встроена в рабочий процесс. #LegalTech #ИИ

Что учесть при вайбкодинге? Вайбкодинг с агентами (Codex, Claude Code и другими) позволяет за день собрать MVP. Кажется, что всё готово: есть интерфейс, кнопки работают, данные отображаются. Но именно здесь возникает ложное ощущение, что решение уже готово к использованию. Есть два момента, о которых важно подумать заранее: 1. Данные Если исходные данные содержат дубли, пропуски, разные форматы или ошибки, красивый интерфейс этого не исправит. Наоборот — он лишь покажет проблемы в более привлекательном виде. Поэтому до начала разработки (или хотя бы параллельно с ней) стоит ответить на вопросы: • какие данные используются; • откуда они поступают; • насколько им можно доверять; • что нужно привести в порядок до автоматизации. 2. Код ИИ-агенты способны написать рабочий код для MVP. Но если изменения нигде не фиксируются, каждая следующая итерация становится менее предсказуемой. Репозиторий позволит: • видеть историю изменений; • понимать, что именно создавал или изменял агент; • быстрее разбираться при ошибках; • подтвердить происхождение и качество кода при передаче решения или его проверке. Вайбкодинг позволяет очень быстро получить первый результат. Но готовый интерфейс ещё не означает готовый продукт. P.S. Тако демонстрирует, как выглядят хаотичные данные и код.

Какая нейросеть лучше? Довольно часто слышу вопрос: «Какие три нейросети вы бы рекомендовали?» На мой взгляд, универсального ответа нет. Выбор зависит не столько от популярности модели, сколько от ваших повторяющихся задач и инструментов, с которыми вы уже работаете. Например: • Claude — если важны глубокий анализ больших объёмов информации, работа с документами и длинным контекстом. • Gemini — если вы активно используете экосистему Google: Docs, Gmail, Drive и другие сервисы. • ChatGPT — если нужна широкая экосистема, проекты, GPT и работа с разными сценариями. • GigaChat — если внутренние требования компании предусматривают использование национальной нейросети. Предпочтения могут меняться с выходом новых моделей и обновлений. Но главное помнить: новейшая модель не всегда является лучшим выбором. Разработчики указывают, для каких задач оптимизирована каждая модель. Если отталкиваться от этого, подобрать подходящий инструмент гораздо проще. Не ищите лучшую нейросеть — ищите ту, которая лучше всего подходит под ваши задачи. #LegalTech #ИИ

Сканы PDF и ИИ: как сократить время на обработку? Представьте, что вам регулярно присылают сканы PDF, из которых нужно извлечь определённые данные. Какие есть варианты? 1. Использовать облачный ИИ Если документы не содержат конфиденциальной информации, можно загрузить их в ИИ и попросить: • распознать текст; • собрать нужные сведения; • сформировать таблицу или файл для последующей проверки. Для повторяющихся задач можно использовать проект или ИИ-агента. 2. Автоматизировать обработку локально Если документы содержат конфиденциальную информацию, можно попросить ИИ подготовить скрипт, который будет выполнять OCR (например, с использованием Tesseract), извлекать нужные данные и сохранять их в Excel. При этом качество результата напрямую зависит от качества исходных сканов: чем хуже изображение, тем выше вероятность ошибок. 3. Использовать локальную модель Если в компании развёрнута локальная модель, её можно использовать после распознавания текста для анализа и извлечения нужных данных. Однако потребуется отдельный OCR-инструмент, а также вычислительные ресурсы, настройка и поддержка. Идеального решения здесь нет. Выбор зависит от требований к обработке данных, качества документов и того, сколько времени вы готовы потратить на настройку автоматизации. Главная цель — не получить идеальный результат с первого раза, а сократить время на повторяющуюся обработку документов. #LegalTech #ИИ

С чем не помогут автоматизация и ИИ? Автоматизация и ИИ способны ускорить работу, но не решают все проблемы сами по себе. Есть задачи, которые нужно решить до внедрения: 1. Логика процесса Технология не определит, как должен работать процесс. Например, если вы создали решение с помощью вайбкодинга, вам предстоит определить:     •    кто будет пользоваться системой;     •    какие роли и уровни доступа нужны;     •    какую информацию должен видеть каждый пользователь;     •    как процесс будет развиваться при дальнейшем обновлении решения. 2. Материалы плохого качества Размытые сканы, неструктурированные документы и ошибки в исходных данных останутся проблемой. Ни ИИ, ни скрипт не смогут обеспечить высокое качество результата, если исходные материалы требуют существенной доработки. 3. Проблемы до автоматизации Автоматизация не исправляет неэффективный процесс. Например, если договор согласуют пять человек, ИИ не сократит количество согласующих. Он лишь ускорит выполнение существующих этапов. 4. Организация информационной безопасности Порядок использования ИИ, категории данных, которые допустимо обрабатывать, правила загрузки информации и реагирования на инциденты определяются компанией. Автоматизация и ИИ работают внутри тех процессов и правил, которые для них создают. Технологии ускоряют процесс, но не заменяют его проектирование, качественные данные и правила работы. #LegalTech #ИИ

Что мы забываем при подготовке инструкций? При создании инструкций фокус смещается с пользы для пользователя на описание самого решения. В результате появляются документы с подробным описанием технических возможностей, которые редко читают до конца и не всегда понимают, зачем вообще использовать инструмент. Инструкция должна в первую очередь отвечать на вопросы пользователя. Например: • что делает решение и чем оно полезно; • как им пользоваться — на простом примере; • как получить лучший результат — что стоит учесть при работе; • куда обращаться, если возникли вопросы или проблемы. Не менее важно не «замораживать» инструкцию. По мере обновления решения и получения обратной связи пользователей её стоит пересматривать и дополнять. Хорошая инструкция — это не описание функционала, а инструмент, который помогает пользователю быстрее начать работать с решением и получать от него результат. #LegalTech

Решить задачу с помощью ИИ или написать скрипт? Допустим, вам нужно собрать определённые данные из большого массива документов. Какой подход выбрать? Вариант 1. Использовать ИИ Можно загрузить документы в чат или использовать ИИ-агента. Такой вариант подходит, когда: • данные не требуют анонимизации; • важны скорость и гибкость анализа; • результат не требует сложной технической настройки. Но если документы содержат конфиденциальную информацию, использование внешнего ИИ может быть ограничено требованиями компании. Вариант 2. Написать скрипт Другой вариант — с помощью ИИ подготовить скрипт, который обработает документы локально. Это позволяет: • не передавать данные во внешний ИИ; • автоматизировать повторяющуюся обработку; • встроить решение в существующий процесс. При этом стоит учитывать, что результат скрипта может потребовать дополнительной доработки, если есть требования к оформлению. Что выбрать — зависит от контекста задачи. Если задача повторяется регулярно, стоит подумать не только о её разовом решении, но и о дальнейшем использовании: • сохранить промпт как системную инструкцию проекта; • оформить его как Skill, если используемый ИИ поддерживает такую возможность; • масштабировать скрипт на команду. Повторно используемое решение сэкономит время при каждом запуске. #LegalTech #ИИ

Что мы забываем при работе с ИИ? При работе над повторяющейся задачей мы сосредотачиваемся на результате и забываем про сам процесс его получения. Например, вы несколько раз дорабатывали запрос для анализа документа и извлечения из него нужных данных. В итоге получили результат, который вас устраивает. Что происходит дальше? Диалог закрывается, а все замечания, исправления и выводы остаются в истории чата. Если вы планируете использовать эту задачу регулярно, лучше сохранить не только итоговый запрос, но и опыт его доработки. Лайфхак: После получения нужного результата попросите ИИ: • суммировать, какие ошибки возникали в ходе диалога; • выделить, что пришлось уточнять и исправлять; • сформулировать рекомендации для получения качественного результата. Затем в новом чате попросите подготовить системную инструкцию для проекта, приложив: • описание задачи; • итоговый промпт; • сводку ошибок и рекомендаций из предыдущего диалога. Так системная инструкция будет учитывать не только удачный запрос, но и накопленный опыт его доработки. Основа качественного результата — не только хороший промпт, но и итерации, которые помогли к нему прийти. #LegalTech #ИИ

Завершающий пост про LegalTechTalk 2026 Двух дней конференции недостаточно, чтобы обойти все стенды вендоров. Но несколько интересных решений и тенденций удалось отметить. Что запомнилось: • решения на базе open source-моделей, полностью разворачиваемые в контуре компании с возможностью настройки под задачи заказчика; • анонимайзеры данных с аналитикой по действиям пользователей, настройкой блокировки отправки необезличенной информации во внешние ИИ-сервисы и уведомлением администраторов о таких попытках; • автоматический анализ рабочего дня и биллинг — система формирует записи о выполненной работе, после чего пользователю остается проверить их и подтвердить для последующего включения в отчет; • платформы для анализа рынка LegalTech с возможностью первичного отбора решений по заданным критериям. Часть исследования вендоров уже выполнена, что позволяет быстрее сформировать короткий список для дальнейшей оценки. Конференция показала смену фокуса: от демонстрации возможностей ИИ на отдельных задачах — к архитектуре решений, безопасности, системному подходу к внедрению, управлению данными и оценке их влияния на бизнес. Это, на мой взгляд, сегодня становится определяющим при выборе и внедрении ЛигалТех-решений с ИИ. #LegalTech #ИИ

LegalTechTalk 2026: подходы вендоров к безопасности. Вопрос безопасности ИИ-решений волнует не только российских коллег. На конференции один из частых вопросов к вендорам звучал примерно так: «Что происходит с данными и какие варианты развертывания решения доступны?» Ответы сводились к одному из трех подходов: • используется внешняя модель, но данные клиента не применяются для обучения модели; • решение разворачивается полностью в контуре клиента (on-premise), что снимает вопрос обработки данных вне инфраструктуры компании; • решение работает в облаке вендора, которое соответствует требованиям и стандартам безопасности, например SOC 2 и GDPR. Интересно, что среди вендоров нет единого подхода к вопросу безопасности ИИ-решений. Для одних клиентов достаточной мерой будет отказ от обучения модели на их данных. Для других — только размещение решения в собственном контуре. Поэтому вопрос здесь не столько в наличии «правильного» подхода, сколько в том, какие требования к обработке данных и уровню риска установлены у конкретной компании. «Достаточность» мер безопасности в итоге определяет клиент. #LegalTech #ИИ

Продолжение обзора LegalTechTalk 2026. Еще несколько тем и тезисов с конференции. Стоит ли уведомлять клиента об использовании ИИ? Клиенты делятся на несколько групп: • не хотят, чтобы их консультанты использовали ИИ; • допускают использование ИИ, но просят уведомлять об этом; • сами активно используют ИИ и ждут от консультантов примеров и сценариев применения. В результате фирмы подстраивают подход под требования конкретного клиента. Вред от ИИ или от его использования? Один из тезисов конференции: сам по себе ИИ вреда не несет. Риски возникают из-за того, как его используют люди. Поэтому компании делают ставку на обучение сотрудников: • инструкции и политики; • тренинги; • тестирование знаний; • практические сценарии использования. При этом универсальной инструкции по работе с ИИ по-прежнему нет. Понять, где технология полезна именно для ваших задач, можно только через практику. Как работают с сопротивлением? Интересный подход коллег: фокус смещается с убеждения всех сотрудников на поддержку тех, кто готов пробовать новое. Вместо того чтобы тратить основные усилия на самых скептически настроенных пользователей, компании делают ставку на инициативных сотрудников и формируют внутренние примеры успешного использования. Еще один любопытный способ передачи знаний внутри компании — обратиться к эксперту с просьбой помочь сохранить его опыт: «У вас уникальные знания и огромная загрузка. Давайте зафиксируем ваш подход и используем ИИ, чтобы передавать его младшим коллегам». Такой подход помогает не только собирать экспертизу, но и снижать сопротивление со стороны опытных специалистов. P.S. Если не знаете, что надеть на конференцию, у меня есть беспроигрышный вариант #LegalTech #ИИ