Андрей Бежан

Агент-критик: зачем ИИ проверять самого себя

ИИ может ошибаться дважды: сначала придумать неправильный вывод, а потом уверенно подтвердить собственную ошибку.
Поэтому в агентной системе можно выделить отдельного критика. Один агент готовит заключение, второй пытается его опровергнуть: проверить источники, логику вывода, судебные акты и нормы права.

В Камертон.Вердикт мы пошли именно по этому пути. Но быстро выяснилось, что сделать критика недостаточно. Его еще нужно научить правильно критиковать.

🔎 Начать пришлось с судебной практики

Обычный семантический поиск здесь часто подводит. Он находит текст, похожий на запрос, но не понимает главного: суд поддержал этот довод или просто процитировал его, чтобы потом отклонить?

Поэтому мы перестали смотреть на судебный акт как на набор похожих фрагментов.

Каждый акт разбирается на отдельные элементы: какой вопрос рассматривался, кто обратился в суд, чего требовал, что решил суд, какие доводы поддержал или отклонил и на какие нормы сослался.

Отдельно сохраняется цитата из мотивировочной части с указанием страницы.

Это позволяет разделить две вещи, которые легко перепутать: требование удовлетворено и доводы заявителя приняты.
Дело можно выиграть совсем по другой причине. Если этого не учитывать, ИИ легко припишет суду позицию, которой у него никогда не было.

И только после такой структуризации критик действительно может проверить вывод: подтверждает ли конкретный судебный акт конкретный тезис.

⚠️ Но сам критик тоже ошибается

Мы специально собрали несколько правил, которые пришлось выработать после собственных ошибок.

1. Проверяйте то, что действительно есть у системы

Критик однажды назвал выдуманным реальное определение Верховного Суда. Он искал его во внешней базе, хотя документ лежал в папке, которую загрузил юрист.

2. Не найдено — не значит, что этого нет

В другой раз из-за сбоя связи справочник ничего не вернул. Система решила, что статьи 449 ГК РФ вообще не существует.
Очевидно, что отсутствие ответа от базы не доказывает отсутствие нормы.

3. Нужно приводить номера дел к одному формату

А40-208198/25 и А40-208198/2025 могут быть одним и тем же делом. А русская «А» и латинская «A» для системы — разные символы. Часть ложных замечаний критика появлялась именно из-за таких вещей.

4. Критик не должен сам удалять текст

У нас был случай, когда по его замечанию из заключения исчезли четыре нормы права. Все они были реальными и подтверждались источниками. Поэтому правильная реакция на сомнение — поставить пометку "не подтвержден" и показать ее юристу. Не удалять абзац.

👨‍⚖️ Критик сообщает, юрист решает

Низкая оценка не должна автоматически блокировать заключение. Результат выдается, замечания показываются рядом.

И ещё один важный момент: оценку критика нужно уметь пересчитывать.

Если выяснилось, что замечание было ошибочным, его последствия тоже должны исчезнуть. Иначе одна ошибка критика продолжит влиять на весь документ.

Что в итоге?

Критик помогает ИИ замечать ошибки, но сам тоже может ошибаться. Поэтому его задача не принимать решение, а показать юристу, что стоит перепроверить. В итоге хороший критик не заменяет человека, а помогает ему быстрее увидеть слабые места в заключении.

Имя мне легион, ибо нас много👥

Две тысячи лет назад эта фраза описывала множество сущностей в одном теле. Сегодня похожая конструкция появляется уже в цифровом мире: десятки ИИ-агентов могут работать вместе, иметь общую память и при этом говорить от имени одного «я».

Главный вопрос здесь не в том, сколько агентов внутри системы. Вопрос в том, кто задаёт им цель и кто отвечает за результат🔈

Кто на самом деле получает власть?

ИИ уже позволяет резко удешевить производство убедительных голосов, контента и решений.

Поэтому первый сценарий выглядит вполне земным: не машина получает власть, а люди с помощью машин многократно увеличивают собственное влияние. Армии цифровых голосов, персонализированное убеждение и автоматизированная пропаганда здесь уже технически возможны.

Есть и другой сценарий: система сама становится центром принятия решений.

И здесь появляется опасная конструкция:

🔹одна цель;
🔹длинный горизонт планирования;
🔹доступ к ресурсам;
🔹отсутствие внешней проверки.

В такой системе человек может превратиться из того, кто управляет, в препятствие для достижения поставленной задачи.
Причем для этого не нужна ненависть к человечеству. Если человеку не присвоена ценность в целевой функции, система может просто не учитывать его интересы. А если она сама формирует картину мира и сама проверяет себя по этой картине, ошибка становится практически необнаружимой. ⚠️
📌Что с этим делать?

Это не исключительно проблема ИИ. Человечество уже проходило подобный путь. Одна цель, монополия на силу, длинный горизонт и подавленная обратная связь прекрасно работали и без компьютеров.

Поэтому мне как юристу интереснее другой вопрос: как вообще приручать искусственных субъектов?

У права уже есть такой опыт.
Юридическое лицо — искусственный субъект, который может владеть имуществом, заключать сделки, отвечать по обязательствам и участвовать в суде. При этом право умеет смотреть сквозь оболочку и находить человека, который фактически контролирует компанию и получает выгоду от её действий.
Для ИИ логика может быть похожей: ответственность должна следовать не за названием системы, а за тем, кто задал ей цель, дал доступ к ресурсам и получает выгоду от результата.

Главное — не сам легион

Поэтому я бы начинал не с вопроса как остановить ИИ, а с более скучного и практичного:

🔻Кому он подчиняется?
🔻Какие полномочия мы ему даём?
🔻Кто может его остановить?
🔻Кто отвечает за его действия?

Потому что страшен не легион.

Страшен тот единственный, кому весь этот легион подчинен.

В будущем нас в любом случае ждет появление новых профессий и отмирание старых. Веротяно, одной из таких профессий будет аналитик по вскрытию уже не корпоративной, а цифровой вуали.

💬Могут ли ИИ-агенты общаться между собой?

Начинаю цикл постов об ИИ-агентах. Разберем, как они устроены и чем отличаются от обычных сценариев с LLM

Отвечая на вопрос, можно сказать да. Но есть важный нюанс: четыре ИИ-агента могут оказаться одной и той же моделью, которую просто запустили четыре раза.

Например:
🔎 первый ищет информацию,
📊 второй ее анализирует,
🔍 третий проверяет,
✍️ четвертый пишет итоговый ответ

Выглядит как команда из четырех ИИ. Но внутри во всех четырех случаях может работать одна модель.
Поэтому само количество агентов мало что говорит. Важнее другое: что именно каждый из них делает и чем отличается от остальных.

⚙️ А где здесь вообще агент?

Представим обычный сценарий.

Сначала программа отправляет запрос на поиск. Потом передает результат на анализ. После этого запускает проверку и выдает ответ.

Здесь все заранее расписано. Программа просто идет по плану.

Это workflow, то есть заранее заданная последовательность действий.

Агент работает немного иначе.

Ему можно сказать: «Разбери этот вопрос и подготовь ответ». Дальше он сам решает, что делать: поискать информацию, открыть документ, проверить источник, задать дополнительный запрос или остановиться.

Проще говоря, workflow идет по заранее написанному плану, а агент может сам выбирать следующий шаг

⚖️ Как это выглядит в LegalTech?

Например:
🔎 один агент ищет судебную практику;
📄 второй разбирает документы;
✅ третий проверяет выводы по законам и решениям судов

Если все они используют одну модель и одни и те же источники, три разных агента могут независимо прийти к одной и той же ошибке.

Поэтому важно не просто сделать много агентов, а правильно разделить их задачи и добавить нормальную проверку результатов.

🔄 И тут начинаются обычные инженерные проблемы

Допустим, агент отправил другому агенту задачу, но не получил ответ. Он решает отправить ее еще раз.
А первый запрос на самом деле уже выполнился, просто ответ потерялся.

В результате одна задача может запуститься дважды.
Для таких ситуаций используют идемпотентность.

Если система случайно получила один и тот же запрос два раза, она не должна дважды выполнить одно и то же действие

Что в итоге?

ИИ-агенты не несколько разумов, которые сидят и разговаривают друг с другом. Это система, где ИИ получает возможность самостоятельно выбирать следующие действия и пользоваться разными инструментами.

📍Налоги не повышают, но контроль усиливается: главные налоговые новости недели

Собрал главное из налоговых новостей прошедшей недели

🔹Повышения налогов пока не планируют. На фоне дефицита бюджета в 2,5% ВВП за август Дмитрий Песков заявил, что вопрос о повышении налогов не рассматривается. При этом сам дефицит уже выше ориентира правительства в 1,6% ВВП по итогам года.

🔹ФНС почти втрое увеличила доначисления крупному бизнесу. За первое полугодие 2026 года после 60 выездных проверок крупнейшим налогоплательщикам доначислили 16,3 млрд рублей налогов, пеней и штрафов. Годом ранее за тот же период было 5,8 млрд рублей.

🔹Количество проверок выросло вдвое. Еще один показатель, на который стоит смотреть бизнесу: в Москве средняя сумма требований по одной проверке достигла 220 млн рублей, что на 60% больше прошлогоднего уровня.

🔷Общий объем налоговой задолженности в России достиг 3,7 трлн рублей. При этом с начала года показатель не изменился. Больше всего долгов приходится на Москву — 1,3 трлн рублей, Московскую область — 271,8 млрд и Санкт-Петербург — 206,7 млрд.

🔹«Честный знак» продолжает расширяться. В Татарстане за первое полугодие число предпринимателей в системе выросло почти на 40%, до 3,6 тыс. По всей стране доля нелегального оборота после внедрения маркировки снизилась с 24,7% до 7,6%.

Что из этого следует для бизнеса?

Пока речь не идет о новом повышении налоговых ставок, но контроль со стороны ФНС становится более результативным. Особенно это заметно по крупным налогоплательщикам, где растут и количество проверок, и суммы претензий.

Поэтому сейчас вопрос уже не только в том, сколько налогов заплатить, но и в том, насколько бизнес готов к проверке и может заранее увидеть потенциальные претензии ФНС.

❗️Нейросеть ошиблась, платить пришлось юристу. Реальный кейс

Недавно увидел новость на портале ГАРАНТ.

Суд по интеллектуальным правам оштрафовал ответчика за судебную практику, которой фактически не существовало.

В кассационной жалобе были указаны решения судов, которые не находились в картотеке или относились совсем к другим спорам.
Ответчик объяснил ошибку использованием ИИ.

⚖️ Суд этот аргумент не принял. И это важный момент: за документ, который вы подаете в суд, отвечает сторона процесса. Не нейросеть и не сервис, с помощью которого готовилась жалоба.

На мой взгляд, это один из главных рисков использования ИИ в юридической работе

Модель может выдать убедительную ссылку на дело, которого нет. И проверить ее занимает несколько минут. Но если этого не сделать, несколько минут экономии могут закончиться судебным штрафом.

Я 20 лет занимаюсь корпоративным правом и сейчас создаю ИИ-продукты для юристов. Поэтому считаю, что задача юридического ИИ не в том, чтобы просто быстрее написать текст. Важнее другое: показать юристу источник и дать возможность проверить каждый существенный вывод.

🖋В Камертон.Вердикт, при всех многочисленным системах защиты от галлюцинаций, мы встроили систему агента-критика, задача которого во-первых, не допускать появления галлюцинаций, а, во-вторых, сверять любой сгенерированных тезис с законодательной базой из векторной базы данных и судебной практикой. При наличии сомнений критик предупреждает пользователя и подсвечивает возможную ошибку⚠️

Методом проб и ошибок мы пришли к выводу, что идеально настроить модель и создать идеального критика невозможно, часть работы все еще должен делать сам юрист.

Российские суды начали тестировать четыре ИИ-модели

В российские суды встраивают четыре нейросети — технологии внедряют на всех этапах судопроизводства, заявил председатель Верховного суда России Игорь Краснов.

Это не первая инициатива ВС в этом направлении. Давайте посмотрим хронологию за год👇

📍Еще в октябре 2025 года Краснов говорил о необходимости активнее внедрять аналитические комплексы на основе ИИ в работу судов. Среди задач он называл анализ судебной практики, выявление противоречий и оперативную реакцию на них.

📍В мае 2026 года ВС пошел дальше: Краснов поручил провести масштабный анализ судебных дел, связанных с использованием ИИ, чтобы сформировать единообразные подходы к правоприменению. Также в мае 2026 года Судебный департамент при Верховном суде вместе с ФГБУ ИАЦ Судебного департамента запустил отдельный пилотный проект по применению ИИ в федеральных судах.

В нем участвуют суды десяти регионов: Карелии, Санкт-Петербурга, Амурской, Вологодской, Ульяновской, Иркутской, Ленинградской, Тамбовской, Белгородской и Московской областей.

Первый конкретный сценарий — транскрибация судебных заседаний🖋. Судьи и сотрудники аппаратов сравнивают возможности ИИ-платформ по преобразованию аудиозаписей заседаний в письменный текст. Параллельно они должны определить другие задачи, где ИИ может быть полезен в повседневной работе судов.

Теперь речь уже идет о практическом тестировании четырех больших языковых моделей в российских регионах. По словам Краснова, они обучаются на правовых позициях ВС и практикообразующих судебных решениях📑

Но планы на этом не заканчиваются. Краснов также заявил о создании системы «Цифровое правосудие», которая должна обеспечить применение ИИ на всех этапах судопроизводства. Цель — снизить количество судебных ошибок и сделать правосудие более предсказуемым⚖️

Среди обозначенных направлений применения ИИ:

🔹анализ доказательств
🔹формирование шаблонов документов

При этом ИИ не становится электронным судьей. Краснов прямо говорит о нем как об инструменте и помощнике судьи. Итоговое решение по делу, оценка доказательств и применение права остаются за человеком.

Есть важная деталь: названия четырех моделей и их разработчики пока публично не раскрыты. Поэтому приписывать этот пилот конкретным российским продуктам было бы преждевременно❗️

Я бы здесь порассуждал. Анализ документов и формирование шаблонов это по сути и есть весь процесс судопроизводства: оценка представленных сторонами доказательств и принятие решения. В таком сценарии суду остается лишь верификация "шаблона", а, по сути, подготовленного ИИ документа. Это крайне позитивный процесс, поскольку направлен на единообразие в подходе судов⚖️

Однако странно, что хотя бы разработка концепций анализа доказательств и подготовки "шаблонов" через инструменты ИИ не получила освещения или исследования🤔

Как разработчики продуктов в сфере LegalTech мы понимаем цену ошибки — ИИ никогда не скажет, что не учел те или иные доказательства (а может даже не смог прочитать), но с легкостью исказит истину по заданию оператора. Только открытое обсуждение концепции электронного судьи может позволить обществу принять и доверится такой технологии.

📌«Бумажный» НДС предъявили к выдаче. Что это значит для бизнеса

История с крупнейшей площадкой по продаже «бумажного» НДС переходит в следующую фазу. По данным следствия, с 2023 по 2025 год через площадку прошло более 1,2 трлн рублей фиктивных вычетов, а нескольким тысячам клиентов уже выставлены требования об уплате налогов более чем на 300 млрд рублей. После этого правоохранители вскрыли еще несколько площадок с похожей историей.

Теперь начинается работа по цепочке

Если компания пользовалась услугами площадки, вопрос для налоговой уже не только в том, кто организовал схему. Нужно установить, какие компании покупали фиктивные документы, какие операции проводились через этих контрагентов, и кто в итоге получил налоговую выгоду

Причем цепочка может быть гораздо длиннее, чем кажется на первый взгляд❗️

Компания могла сама не покупать «бумажный» НДС, но работать с контрагентом, который использовал такую схему. Этот контрагент, в свою очередь, мог быть связан с другими организациями. В результате в поле внимания могут попасть не только непосредственные клиенты площадки, но и компании, связанные с ними по цепочкам поставок и расчетов🔍

Мы уже работаем с последствиями этой истории, к нам обращаются компании, которые взаимодействовали с компаниями из перечня!

Как это работает

Сначала проверяются компании, которые непосредственно связаны с выявленной площадкой. Затем внимание переносится на их контрагентов, операции, документы и взаиморасчеты.📃

ФНС уже давно использует автоматизированное сопоставление данных по НДС, в том числе через АСК НДС-2. Система позволяет видеть расхождения между декларациями контрагентов и выявлять налоговые разрывы.

Поэтому сейчас я бы особенно внимательно посмотрел на всех своих контрагентов за 2023-2025 годы под разными углами. Камертон.Налоги как раз решает эту задачу. Это эмулятор налоговой проверки, который анализирует данные компании и контрагентов и помогает заранее увидеть риски, на которые может обратить внимание ФНС.

То есть задача здесь не ждать, пока налоговая найдет проблему, а самим пройтись по рискам и понять, где могут возникнуть вопросы и потенциальные доначисления

Что имеет смысл проверить

🔹были ли среди контрагентов компании, которые обладали признаками участия в схемах с «бумажным» НДС;
🔹насколько реальными были сделки и исполнение договоров;
🔹совпадают ли документы, платежи и фактическое движение товаров или услуг;
🔹насколько обоснованы заявленные вычеты по НДС.

Важно понимать: сам факт связи с проблемным контрагентом еще не означает автоматически нарушение со стороны компании. Налоговым органам необходимо устанавливать обстоятельства конкретных операций и наличие оснований для налоговых последствий.

Но ждать, пока ФНС сама придет с готовыми вопросами, я бы точно не советовал. В этой истории самое опасное для бизнеса может произойти не в момент самой проверки, а значительно раньше, когда налоговый риск уже сформирован, но компания его еще не видит📈

🔎Кто сможет конкурировать с OpenAI после закона о суверенном ИИ? Сравним специализированные и глобальные модели. Часть 2

Наоборот, сильная базовая модель может сделать специализированный продукт еще сильнее.

Мы можем использовать ее как основу, а сверху добавлять то, что нужно именно юристу: правовые источники, поиск, RAG, специализированные сценарии, проверку результатов и накопленную экспертизу.

Получается интересная конструкция🤔
Глобальные модели становятся универсальным двигателем, а специализированные продукты превращают этот двигатель в инструмент для конкретной профессии✍️

Универсальные модели будут определять технологический фундамент. Специализированные продукты будут конкурировать за то, насколько хорошо они умеют превращать этот фундамент в реальную пользу для конкретного бизнеса и сферы.

А выиграют, скорее всего, оба уровня. Вопрос только в том, где именно проходит граница между универсальностью и специализацией и насколько хорошо каждый из них решает свою задачу🔎

🔎Кто сможет конкурировать с OpenAI после закона о суверенном ИИ? Сравним специализированные и глобальные модели

После принятия закона о суверенном ИИ возникает вполне практический вопрос для бизнеса: когда компании нужна большая универсальная модель, а когда разумнее использовать специализированный AI-продукт? И у кого в итоге больше будущее?

Сейчас у нас есть и собственные большие языковые модели. Например, GigaChat от Сбера и YandexGPT от Яндекса. Они могут решать широкий круг задач и постепенно становятся основой для новых продуктов.

Но есть принципиальная разница между универсальной моделью и специализированной системой.

Универсальная модель нужна, когда задача постоянно меняется. Написать текст, перевести документ, разобрать таблицу, придумать идеи, написать код. Здесь чем шире возможности модели, тем лучше🙂


Специализированный AI нужен там, где задачи повторяются и требуют глубокого погружения в конкретную область📑

Юристу нужны актуальные правовые источники, судебная практика, работа с большими массивами документов, определенная логика анализа и возможность проверить результат.🔎

Поэтому я бы не ставил вопрос так, что одна технология должна победить другую. Универсальные модели, скорее всего, будут становиться все сильнее и дешевле.

Специализированные продукты при этом будут забирать те задачи, где одной мощности модели недостаточно.

И вот что я думаю:

🔺Если вам нужно поговорить с ИИ, написать текст, провести мозговой штурм или решить разовую задачу, универсальной модели будет достаточно.

🔺Если нужно каждый день выполнять одну сложную профессиональную работу по определенной методике, имеет смысл специализированное решение.

Именно поэтому я не думаю, что развитие GPT, Gemini или других глобальных моделей автоматически сделает продукты вроде Камертон.Вердикт ненужными.

Продолжение в следующем посте👇

📌Почему даже хороший промпт имеет срок годности. Часть 2

Если юристу нужно время от времени решить конкретную задачу, промпта обычно достаточно. Проверить договор, найти слабые места в документе, подготовить структуру правового заключения, сравнить две редакции. Юрист поставил задачу, получил результат, проверил его и пошел дальше.

🖋Так где же проходит граница между хорошим промптом и полноценным AI-продуктом?

Представим уже другой масштаб. В юридическом департаменте 50 или 100 человек. У каждого свои промпты, свои шаблоны запросов и свой подход к работе с нейросетью. Через полгода часть этих знаний уже потеряется. Кто-то уйдет из компании, кто-то забудет сохранить удачный промпт, а новый сотрудник будет начинать практически с нуля🔍

Вот здесь появляется потребность в полноценном AI-продукте.

Он нужен, когда компания хочет собрать экспертизу в одном месте и сделать ее доступной всей команде. В такую систему можно заложить проверенные сценарии работы, библиотеку промптов, внутренние документы, судебную практику, методики анализа, правила проверки результата📂

Есть и еще один важный критерий: повторяемость

Если результат сильно зависит от того, какой именно промпт написал конкретный сотрудник, масштабировать такой процесс сложно. Если же компания хочет, чтобы десять или сто юристов решали одну и ту же задачу по единой методике, нужны уже не просто промпты, а система с заданной архитектурой и источниками данных.

Именно поэтому Камертон.Вердикт нельзя свести к набору хороших запросов для нейросети. Его задача гораздо шире: собрать в одном продукте юридическую экспертизу, источники права, способы анализа и накопленный опыт специалистов📖

Условно границу можно провести так:

🔹Промпт нужен, когда юрист использует ИИ как личного помощника

🔹AI-инструмент нужен, когда компании нужно автоматизировать конкретный процесс

🔹Глубокий AI-продукт нужен, когда компания хочет масштабировать экспертизу и сделать ее частью постоянной работы большого количества специалистов

И здесь важно не перепутать задачи. Если в юридическом департаменте пять человек и им нужно иногда проверить договор, строить сложную AI-систему может быть просто невыгодно🙁 А если у вас большой юридический блок, тысячи документов, собственные методики, большая база судебной практики и задача сделать единый стандарт работы для всей команды, десять хороших промптов проблему уже не решат.

📌Мой канал в Max

📌Почему даже хороший промпт имеет срок годности. Часть 1

Хороший промпт действительно может сильно изменить результат работы нейросети. Если правильно поставить задачу, дать контекст, описать формат ответа и критерии проверки, модель начнет работать заметно лучше. И для многих задач этого вполне достаточно.

Например, юристу нужно проверить письмо, привести документ к единому стилю, составить структуру заключения или быстро разобраться в тексте. В таких случаях нет смысла строить сложную AI-систему. Хорошего промпта и подходящей модели будет достаточно.

Есть даже готовые библиотеки промптов, где можно посмотреть рабочие примеры. В комментариях под постом добавлю подборку👇

Но у промпта есть границы. Он работает в рамках конкретной модели и конкретной задачи. Например, вышло обновление GPT, Claude или Gemini, и поведение модели может измениться. Промпт, который отлично работал несколько месяцев назад, иногда приходится дорабатывать.

❗️Есть и более важное ограничение. Промпт сам по себе не дает модели новых знаний.

Можно написать: «Проанализируй договор с учетом судебной практики за последние три года». Но если у модели нет нужной практики, актуальных документов и информации о конкретном бизнесе, одна эта инструкция проблему не решит. Отсюда и проходит граница.

Если юрист работает с ИИ время от времени, промптов, скорее всего, будет достаточно.

Во второй части расскажу, где заканчивается промпт и начинается полноценная AI-система👌

Почему мы сделали LegalRAG, или коротко о нашем новом продукте

Сегодня релизим новый продукт. И хочу коротко рассказать, зачем мы его вообще сделали.

За время разработки Камертон.Вердикт стало очевидно: качество ответа зависит не только от модели. Очень многое определяется тем, с какими данными она работает.

Особенно это заметно в юридических задачах. Если у нейросети нет доступа к актуальному законодательству, она опирается на данные, полученные во время обучения.

Новые законы и последние изменения в нормах она сама по себе не отслеживает.

Поэтому мы стали думать не о том, какая модель лучше, а о другом: как дать нейросети быстрый доступ к актуальным правовым источникам?

Так появился LegalRAG

Сервис берет на себя поиск нужных документов.

Для нас было принципиально оставить два сценария работы:

🔺Иногда юристу нужен только поиск, без каких-либо выводов. Просто быстро найти нужные нормы права или судебные решения.

🔺Иногда требуется анализ. Тогда LegalRAG сначала подбирает релевантные документы, а уже потом формирует ответ со ссылками на конкретные нормы.

LegalRAG уже доступен на сайте: https://legalrag.kamerton.tech/

И в Telegram: @kameronLRbot

Сейчас даем 3 дня бесплатного доступа без ограничений по количеству запросов🔎

Буду рад обратной связи в личных сообщениях🤝

Почему обучение ИИ стало неправильно употребляемым термином в бизнесе

🔺Если вы написали промпт: «Ты — юрист по корпоративному праву. Проверяй договоры вот по таким критериям», это не обучение. Это инструкция, то есть промпт.

🔺Если загрузили в систему внутренние регламенты или судебную практику, это тоже не обучение.

Скорее всего, здесь используется RAG — технология, при которой система сначала находит в базе нужные документы или их фрагменты, а затем передает их модели вместе с запросом. Модель при этом не меняет свои параметры и не запоминает документы как новое знание. Обновили регламент в базе и переиндексировали его — при следующем запросе система уже сможет использовать новую редакцию.

🔺Если ИИ научился отвечать на вопросы, обращаясь к CRM, документообороту и другим корпоративным системам, это тоже не обучение. Это архитектура системы.

Так что же тогда считается обучением?

Обучение — это когда меняются веса самой модели. Именно так создаются GPT, Gemini, Claude и другие большие языковые модели.

Это месяцы работы, огромные массивы данных, тысячи GPU и команды ML-инженеров. Для большинства компаний такой сценарий вообще не нужен.

Все это разные виды работ. Они требуют разных специалистов, по-разному оцениваются и решают совершенно разные задачи.

❗️Именно поэтому фраза «нам нужно обучить ИИ» сама по себе ничего не означает. Пока не станет понятно, какой результат ожидает бизнес, невозможно говорить ни о технологии, ни о сроках, ни о стоимости проекта.

◾️Мой опыт показывает, что в большинстве случаев вопрос вообще стоит не в обучении модели. Гораздо важнее разобраться, откуда ИИ будет получать данные, как он будет с ними работать и какую роль должен выполнять в конкретном бизнес-процессе. От этого зависит гораздо больше, чем от выбора самой модели.

⚖️В системе “Камертон.Вердикт” мы используем лишь некоторые элементы обучения. Это придание весов правовым источникам информации из которых ИИ осуществляет генерацию текста. Это позволяет нам получить. а затем верифицировать юридический текст, следуя классической правовой доктрине.

И даже в нашем случае мы понимаем, что до обучения собственной модели мы еще не добрались. Но мы совершенно точно туда придем.

📌Что такое ФРПВ и почему о нем говорят налоговики?

Есть один реестр ФНС, о котором большинство компаний даже не слышали. И это неудивительно, потому что он закрытый.
Называется он ФРПВ — Федеральный реестр предполагаемых выгодоприобретателей.

Попасть туда можно, если налоговая считает, что именно ваша компания получила необоснованную налоговую выгоду по сделкам с проблемными контрагентами. Причем узнать об этом заранее не получится. Обычно о включении в реестр сообщают уже на рабочей встрече в инспекции🔎

Почему это важно?

Потому что с появлением ФРПВ изменился сам подход к налоговому контролю. Если раньше при отборе на выездную проверку учитывался целый набор критериев, то теперь сам факт нахождения компании в реестре стал одним из ключевых факторов.

Реестр формируется на основании данных АИС «Налог-3», АСК НДС-2 и материалов, которые налоговые органы собирают в ходе контрольных мероприятий. Если сумма спорного вычета по НДС превышает 5 млн рублей, вероятность выездной проверки существенно возрастает.

📎Но даже если до выездной проверки дело не дошло, расслабляться не стоит. Сегодня все чаще именно камеральные проверки заканчиваются доначислениями.

📍Самая большая ошибка — считать, что приглашение в налоговую «просто поговорить» ни к чему не обязывает. На практике именно на этом этапе еще можно изменить ситуацию: представить документы, подтвердить реальность сделок, объяснить деловую цель и снять вопросы инспекции.

Когда решение о выездной проверке уже подписано, возможностей становится значительно меньше. Поэтому мой совет простой: если налоговая начала активно интересоваться вашей компанией, не откладывайте анализ рисков. Очень часто именно предпроверочная стадия определяет, чем закончится вся история.

❗️Главный документ для российского ИИ уже подписан

Еще совсем недавно я рассуждал в этом канале о том, нужен ли России суверенный искусственный интеллект и каким он вообще должен быть. Похоже, первые реальные шаги в этом направлении уже сделаны.

Президент подписал закон «О поддержке развития технологий искусственного интеллекта». Теперь в России впервые появились официальные правила игры для разработчиков больших ИИ-моделей.

Что важно:

🔺Появились официальные понятия суверенной и национальной ИИ-модели. Суверенная должна создаваться российскими компаниями на всех этапах жизненного цикла, национальная — может использовать зарубежные компоненты и open source

🔺Государство получает возможность финансово поддерживать разработчиков таких моделей и предоставлять им доступ к государственным данным для обучения

🔺Закреплены принципы регулирования: технологическая независимость, безопасность и соответствие российскому законодательству

🔺Правительство сможет определять случаи, когда допускается использование только суверенных или национальных моделей, прежде всего в чувствительных государственных системах

🔺Крупные интернет-платформы с аудиторией более 500 тыс. пользователей в сутки должны маркировать контент, созданный с помощью ИИ

Но самый спорный пункт касается авторского права

Закон разрешает использовать произведения, защищенные авторским правом, для обучения нейросетей при наличии правомерного доступа к ним. Именно эта норма вызвала серьезную дискуссию. Представители книжной, музыкальной и IT-индустрии предупреждали, что такой подход может ослабить защиту интеллектуальной собственности и снизить стимулы для создания нового контента.

По сути, Россия делает то, что уже давно происходит во всем мире: пытается найти баланс между развитием искусственного интеллекта и защитой прав авторов.

И, скорее всего, именно вокруг этого баланса в ближайшие годы развернутся самые громкие юридические споры в сфере ИИ.

А вы что думаете по этому поводу? Пишите в комментариях👇

📌Мой канал в MAX

📃Почему даже самый умный ИИ может не заметить важный документ

Когда говорят о качестве нейросетей, обычно сравнивают модели между собой.

❓На практике гораздо важнее другой вопрос: сколько информации модель вообще способна увидеть одновременно

Представьте, что вам дали папку с материалами дела на 5 000 страниц и попросили прочитать ее, но разрешили запомнить только часть документов. Именно в таком положении оказывается нейросеть, когда объем информации становится слишком большим❗️

Это ограничение называется контекстным окном. Простыми словами, это тот объем текста, который модель может видеть одновременно, когда готовит ответ.

Сегодня модели отличаются именно этим параметром:

Gemini — до 2 000 000 токенов (Gemini 1.5 Pro);
Claude — до 1 000 000 токенов (Opus 4.6/4.8, Sonnet 4.6);
GPT-5 — до 400 000 токенов;
GigaChat 3.1 — до 256 000 токенов.

Кажется, что миллиона токенов должно хватить для любой задачи. Но на практике все сложнее.

Можно дать нейросети возможность прочитать миллион страниц, но это еще не значит, что она поймет, какие, допустим, три документа действительно определяют исход спора.

Я это вижу так: проблема давно перестала быть в объеме информации. Проблема в том, чтобы найти главное, сохранить связи между фактами и ничего не потерять по дороге.

Именно поэтому сегодня конкурируют уже не столько сами модели, сколько архитектуры решений вокруг них.

Хороший юридический AI не пытается «скормить» модели все материалы дела сразу⚖️ Он сначала отбирает действительно важные документы, связывает между собой договоры, переписку, судебную практику и только потом передает модели ту информацию, которая нужна для ответа.

📌Мой канал в MAX

Коллеги, добрый день! 👋

На несколько дней побывал в Светлогорске, Калининградская область. Красивый город, но приехал, конечно, не только за отдыхом💼

В рамках рабочей поездки провели серию деловых консультаций с представителями ресурсоснабжающих организаций из разных регионов России

Обсуждали вопросы, которые сегодня волнуют практически всю отрасль: изменение регулирования, налоговые риски, судебную практику и цифровизацию юридической работы✍️

Такие встречи особенно ценны тем, что позволяют услышать реальные запросы бизнеса🤝 Именно в живом диалоге становится понятно, какие юридические решения действительно востребованы сегодня и в каком направлении должны развиваться LegalTech продукты.

Спасибо коллегам за открытый разговор и обмен опытом. Уверен, что многие идеи, которые мы обсудили, найдут практическое применение уже в ближайшее время!

📌Мой канал в MAX

🤔Алгоритмы и нейросети: почему они не заменяют друг друга

В юридическом AI часто можно услышать, что нейросети пришли на смену алгоритмам. На самом деле это не совсем так.
Нейросеть — это тоже алгоритм, только работающий по другому принципу. Если упростить: алгоритм действует по заранее заданным правилам, а нейросеть пытается найти смысл и наиболее вероятную связь между большим количеством данных.

Как работает алгоритм?

Представим обычный калькулятор. Если мы вводим 2+2, он всегда даст один и тот же результат — 4. Он не размышляет, не предполагает и не меняет решение в зависимости от ситуации.

🔍Юридические алгоритмы работают похожим образом. В них заранее закладываются правила: если есть определенный набор признаков, система фиксирует риск; если показатели достигают определенного уровня, появляется предупреждение.

⚖️ Например, в налоговой сфере алгоритм может анализировать цепочки платежей, связи между компаниями, признаки дробления бизнеса или наличие технических контрагентов. Он не пытается понять намерения бизнеса, а ищет соответствие заранее определенным критериям риска.

Преимущество такого подхода в воспроизводимости: одинаковые данные всегда приводят к одинаковому результату.

Как работает нейросеть?

Теперь представим не калькулятор, а опытного юриста. Ему передают договор, переписку сторон, судебную практику и фактические обстоятельства дела. Он не применяет одну формулу, а сопоставляет ситуацию с похожими случаями и формирует возможную правовую позицию.

Примерно так и работает нейросеть. Она обучается на больших массивах данных и учится находить связи между понятиями, формулировками и контекстом.

✒️ Но здесь появляется важное отличие от человека. Если юрист понимает, что ему не хватает документов, он остановится и попросит дополнительную информацию. Нейросеть без специальных ограничений может продолжить формировать ответ, основываясь на имеющемся контексте.

Именно поэтому возникают так называемые галлюцинации — ситуации, когда ответ выглядит логичным и убедительным, но при проверке оказывается неверным.

Как это работает в LegalTech?

Хороший пример для сравнения — наши продукты Камертон.Налоги и Камертон.Вердикт.

📍Камертон.Налоги использует алгоритмический подход.
Его задачей является выявить налоговые риски через анализ конкретных признаков: транзитных цепочек, аффилированности, дробления бизнеса, работы с техническими контрагентами и других факторов, которые могут привлечь внимание налогового органа. Здесь важно не рассуждение, а точный расчет. Есть данные, есть правила анализа, есть результат.

📍Камертон.Вердикт решает другую задачу.
Он работает с юридическим контекстом: документами, обстоятельствами дела, судебной практикой и аргументацией сторон. Его задача не посчитать риск по формуле, а помочь сформировать возможную правовую позицию.

Главная ошибка компаний

Сегодня многие компании пытаются заменить нейросетью то, что лучше решается алгоритмом, и наоборот.

Например, бессмысленно просить нейросеть выполнять задачи, где нужна строгая проверка по заранее определенным критериям. Там надежнее работает алгоритм. Но и обратная ситуация тоже опасна: пытаться формализовать каждую юридическую задачу в набор правил, когда требуется анализ большого объема информации, поиск смысловых связей и оценка контекста.

Что я вижу? Будущее LegalTech не в выборе между алгоритмами и нейросетями. Оно в правильном распределении задач: там, где право можно формализовать, должен работать алгоритм; там, где требуется юридическое мышление и работа с контекстом, нейросеть.

Коллеги, всем доброго дня!👋

Недавно выступил на «Недвижимом бизнес-завтраке», где мы обсуждали одну из самых болезненных тем для бизнеса — налоговые риски и то, как не довести ситуацию до проверки, уголовного дела или банкротства.

📊 За последние годы ФНС серьезно изменила подход. Проверок стало меньше, но практически каждая заканчивается доначислениями. Если компания попадает в зону внимания налоговой, дальше события нередко развиваются по одному сценарию: доначисления, потом, следственная проверка, отсюда банкротство и субсидиарная ответственность.

Самое интересное в том, что многие из этих рисков можно увидеть заранее.

Именно об этом я рассказывал на своем выступлении. Сегодня налоговая оценивает не один документ или одну сделку, а совокупность факторов: связи между компаниями, поведение контрагентов, финансовые аномалии, нетипичные операции. Отдельно каждый признак может ничего не значить, но вместе они складываются в тот самый риск-профиль компании.

💡Эту же логику мы заложили в Камертон.Налоги. Он анализирует бизнес так, как это делает налоговый орган, и помогает обнаружить потенциальные проблемы до того, как они превратятся в претензии со стороны ФНС.

Спасибо организаторам и коллегам за приглашение и содержательную дискуссию. Такие встречи еще раз подтверждают: лучшая стратегия в налоговой безопасности — не борьба с последствиями, а своевременная профилактика🤝

📌Мой канал в MAX