Создали ИИ-ассистент для юридического отдела, способный сгенерировать производственный договор менее чем за 3 минуты
Задача и причина
Задача
Полностью перейти от ручной подготовки стандартных договоров к автоматической, чтобы свести продолжительную работу минимуму — с учетом всех правок и согласований. Обязательным условием было соблюдать юридическую точность и соответствие ГОСТам, но при этом оставить пространство для кастомизации под каждый проект или контрагента.
Причина
Заказчиком выступала одна из крупнейших девелоперских компаний России — региональный застройщик, входящий в топ-10 по объему вводимого жилья, — масштаб документооборота в которой достигает тысяч контрактов в месяц. Договоры с поставщиками стройматериалов, подрядчиками, логистическими компаниями и проектировщиками заключаются по нескольку сотен регулярно.
На создание производственных контрактов у сотрудников уходило около получаса, включая перепроверку, даже если форма договора повторялась для каждой новой сделки. Главной потерей было время специалистов, которое уходило на рутинные задачи, при этом с вероятностью человеческих ошибок. Это, в свою очередь, вело к задержкам по всей цепочке — от подписания до фактических работ, а также к финансовым рискам:
- необходимо было вносить реквизиты, суммы, сроки и особые условия
- проверка проводилась в несколько этапов
- юридический отдел не всегда справлялся с объемом поступающих документов
- риск, связанный с человеческим фактором, был высоким, особенно при усталости или смене сотрудников.
Рутина перешла к ИИ-ассистенту
Студия Искусственного Интеллекта FOKINA.AI разработала интеллектуальную систему, способную создавать юридически корректные, структурированные и персонализированные документы на основе исторических данных, внешних источников и требований пользователя.
Проект был ориентирован на юридически значимые контракты:
- договоры на закупку строительных материалов, логистические услуги
- соглашения со строительными бригадами на различные виды работ
- технические задания на разработку мастер-планов и архитектурных концепций
- документы для участия в тендерах — коммерческие предложения, заявки, протоколы.
Обучение ассистента проходило на внутренней базе подписанных контрактов. Чтобы учитывать рыночные практики и актуальные формулировки, знания дополнялись данными с публичных тендерных площадок.
Точка входа: риски и вызовы
Автоматизация юридически значимых документов в строительной отрасли — задача повышенной сложности, где цена ошибки измеряется не только временем, но и финансовыми потерями, судебными рисками и репутационными издержками.
Уникальность проекта заключалась в том, чтобы совместить три противоречивых требования: скорость генерации, юридическую безупречность и гибкость кастомизации.
Основные технические и организационные вызовы включали:
- высокие требованияк точности формулировок — любые отклонения от утвержденных шаблонов или нормативных требований могли сделать договор недействительным или уязвимым
- разнородность входных данных — информация поступала из множества источников: 1С, CRM-системы, тендерные площадки, письма от контрагентов в разных форматах (PDF, Excel, сканы)
- отсутствие единого стандарта — даже внутри одной категории договоров существовали десятки вариаций под разных поставщиков, регионы и виды работ
- динамичность законодательства — система должна была оперативно учитывать изменения в Гражданском кодексе РФ, отраслевых ГОСТах и судебной практике
- сопротивление изменениям со стороны сотрудников — юридический отдел изначально скептически относился к передаче работы алгоритмам: требовались доказательства надежности, защита метрик качества измеряемых на тестах перед сотрудниками.
Принципиальная новизна для отрасли выражалась в отсутствии устоявшейся практики генерации контрактов и других документов с внешней юридической силой.
Объем подготовительных работ оказался кратно больше, чем предполагал заказчик. Чтобы обучить модель, потребовалось обработать более 8 000 исторических договоров и провести десятки часов интервью с юристами. Выяснилось, что многие важные правила существуют только как «неписаные законы» — опыт сотрудников, который никогда не фиксировался в регламентах. Их было необходимо было перевести на язык алгоритмов.
В итоге мы не просто внедрили ИИ, а пересобрали процесс работы целого департамента.
Пользовательский интерфейс
Заказчику было важно, чтобы взаимодействие с ИИ-ассистентом было простым и интуитивно понятным — и не отнимало много времени у специалистов. Работа с системой во фронт-энде выглядела так:
- Сотрудник выбирает необходимый тип контракта из каталога — например, «Поставка бетона».
- Загружает сопутствующие материалы: спецификации, КП от поставщика, данные контрагента. Можно добавить отдельный промпт с особыми условиями: «Штраф за просрочку поставки 0,1% в день».
- Запускает генерацию — и через 2-3 минуты (приблизительно) получает готовый и проверенный системой документ.
- Затем может редактировать его в трех режимах: через встроенную опцию на платформе, скачиваемый .docx-файл для Word или текстовый запрос в интерфейсе, например, «Изменить пункт внутри договора».
Технологии «под капотом»
Архитектура решения строится на взаимодействии нескольких специализированных ИИ-моделей. Каждая подзадача в проекте требовала специализированного подхода к подбору и настройке нейросетей.
1. Агрегация и анализ разнородных файлов.
Проблема: входные данные поступали в разнородных форматах — PDF, DOCX, XLSX, изображения с печатями, электронные письма. Прямая обработка такого массива традиционными методами была неэффективна.
Решением стал многоуровневый пайплайн предобработки:
- OCR-модуль на базе трансформеров (т. е. с пониманием контекста) — распознает текст со сканов и изображений, сохраняет структуру документа
- парсер структурированных файлов (агрегатор данных из разных программ) — извлекает таблицы из Excel, метаданные из Word
- модель нормализации (настройка совместимости данных) — приводит информацию к единому формату для дальнейшей обработки.
Результат: система корректно обрабатывает 97% входящих файлов без ручного вмешательства.
2. Извлечение ключевых элементов из контрактов.
Проблема: необходимо было автоматически находить и извлекать реквизиты, суммы, сроки, штрафные санкции, особые условия — при том, что формулировки варьировались среди договоров.
Решение: агент для распознавания главных параметров в документах на базе NER-модели (Named Entity Recognition, «Распознавание именованных сущностей»), обученный на размеченной базе контрактов:
- сканирует документ и выделяет ключевые данные
- классифицирует их по типам (контрагент, сумма, дата, условие)
- сопоставляет с полями целевого шаблона договора.
Результат: точность извлечения ключевых полей достигла 94%, а оставшиеся 6% передаются на ручную проверку.
3. Интеграция данных из внешних нормативных источников.
Проблема: для соответствия ГОСТам, федеральным законам и судебной практике требовался доступ к актуальным внешним базам, которые регулярно обновляются.
Решение: генеративный агент с интеграцией через API (стандартный протокол обмена).
- «КонсультантПлюс» и «Гарант» — проверка актуальных формулировок и ссылок на законы
- картотека арбитражных дел — анализ судебной практики по схожим договорным спорам
- тендерные площадки (44-ФЗ, 223-ФЗ) — мониторинг рыночных условий и типовых требований заказчиков.
Результат: система автоматически актуализирует ссылки на нормативные акты и предупреждает об изменениях в законодательстве.
4. Верификация сгенерированного документа.
Проблема: требовалось исключить логические противоречия, ошибки генерации и потенциальные юридические риски перед выдачей документа пользователю.
Решением выступил верифицирующий агент, работающий в три этапа:
- логическая проверка — сопоставление сумм, дат, условий внутри документа (например, срок поставки не может быть раньше даты подписания)
- правовой контроль — сверка с шаблонами, утвержденными юристами клиента и нормативными базами
- контекстный анализ — оценка уместности формулировок для конкретного типа контракта и контрагента.
Результат: за 3 месяца опытной эксплуатации в шаблонных документах не выявлено ни одного критического отклонения.
Однако при создании принципиально новых видов контрактов, для которых мало примеров из имеющейся внутренней базы данных, возможны неточности. В таких случаях система предупреждает пользователя и предлагает дополнительную проверку.
Как мы создавали и внедряли проект
Успешное внедрение ИИ — это не только техническая задача, но и работа с людьми, процессами и организационной культурой.
- Провели интервью с юристами, закупщиками, ИТ-специалистами, чтобы узнать и проанализировать их требования. Организовали серию воркшопов, на которых собрали «негласные регламенты», чтобы перевести их в машиночитаемый формат. Параллельно формировались метаданные для обучения агента классификации.
- Собрали более 8 000 контрактов для исторической базы. При этом около 30% контрактов имели ошибки и опечатки. Внедрили этап очистки с привлечением юристов для валидации «эталонных» экземпляров.
- Спроектировали модульную архитектуру, где независимые сервисы поэтапно выстраивают документ: классификация → извлечение → генерация → верификация.
- Обучили и адаптировали модели под отраслевые задачи: строительство и закупки, в том числе с учетом отраслевой лексики, терминов ГОСТ и специфики контрактов.
- Интегрировали программу с 1С, Bitrix, тендерными площадками и другими необходимыми источниками. У заказчика была кастомная версия с нестандартными API, и чтобы решить эту проблему, мы разработали адаптирующую прослойку для трансформации данных без изменений в конфигурации.
- Запустили пилотное внедрение в одном из регионов. Провели обучающие сессии для сотрудников и показали, что система освобождает от рутины, а не заменяет специалистов. Также на этом этапе система собирала обратную связь от пользователей и калибровала пороги доверия для различных типов документов.
- Масштабировали по всей компании в собственной ИТ-инфраструктуре заказчика. Все четыре агента интегрировались в производственный контур с полноценным мониторингом и логированием — это позволило отслеживать качество генерации и оперативно реагировать на любые отклонения.
Такой подход позволил избежать дисбаланса, в котором технология опережает готовность бизнес-процессов, или наоборот — организационные изменения не подкреплены техническими возможностями. Каждый компонент внедрялся именно тогда, когда внутренняя среда была к этому готова.
Команда проекта
Над проектом работала кросс-функциональная команда из 14 специалистов. Состав участников менялся на разных этапах — от анализа требований до финального масштабирования.
Ядро команды на протяжении всего проекта:
- руководитель проекта — координация всех рабочих потоков, коммуникация с заказчиком
- архитектор ИИ-решений — проектирование системы агентов и их взаимодействия
- ведущий ML-инженер — обучение и тонкая настройка моделей.
Этапы 1–2, анализ и сбор данных:
- бизнес-аналитики (2 человека) — проведение интервью с юристами и закупщиками, формализация требований
- юристы-консультанты со стороны заказчика (3 человека) — предоставление шаблонов, разъяснение скрытых правил и исключений
- дата-инженеры (2 человека) — сбор, очистка и разметка базы из 8 000 контрактов.
Этапы 3–5, разработка и интеграция:
- backend-разработчики (2 человека) — создание API, интеграция с 1С, Bitrix, тендерными площадками
- NLP-инженеры (2 человека) — настройка OCR, NER-моделей и пайплайнов обработки текста
- DevOps-инженер — развертывание инфраструктуры, настройка мониторинга.
Этапы 6–7, тестирование и масштабирование:
- QA-инженеры (2 человека) — тестирование функционала, нестандартных ситуаций
- ключевые пользователи от заказчика (5 человек) — юристы и закупщики, проводившие приемочное тестирование в пилотном регионе
- специалисты технической поддержки — обучение сотрудников, сбор обратной связи.
Результат
По итогам проекта бизнес-процессы юридического блока заказчика были перестроены под новую систему и вышли на другой уровень эффективности.
Количественные показатели
- Время полной подготовки одного договора сократилось с 30 минут до 2-3 минут.
- Стоимость создания вместо 500-1300 рублей стала 100-200 рублей.
- Доля автоматизированных процессов достигла 68% от всех операций по созданию контрактов.
Качественные изменения
- юристы высвободили до 70%времени для работы со сложными, нетипичными договорами
- снизился риск человеческих ошибок, связанных с усталостью или сменой кадров
- ускорился цикл согласования — документы поступают на подпись в 3 раза быстрее
- появилась единая база знаний по контрактам, доступная для анализа и обучения новых сотрудников.
Долгосрочный эффект
- система масштабируется не только на контракты, но и на другие типы документов (акты, доверенности, дополнительные соглашения)
- накопленные данные позволяют прогнозировать риски по контрагентам и типовым условиям
- сформировалась технологическая основа для дальнейшей цифровизации юридических процессов.
По итогам проект доказал, что ИИ-генерация юридически значимых документов в строительной отрасли — не экспериментальная концепция, а работающее решение с измеримой экономической выгодой.
В основе успеха находится не технология сама по себе, а комплексный подход: понимание и проработка бизнес-процессов, глубокое вовлечение пользователей на всех этапах и регулярная калибровка системы на основе обратной связи.