ЛигалТех с Дашей

Всегда ли для задачи нужен ИИ?

Когда ИИ становится привычным инструментом, решение новой задачи начинается с вопроса «Как сделать это с помощью ИИ?»
Но это может усложнить работу.

Например, вам прислали большое количество сфотографированных документов с таблицами, а задача — собрать данные из них в один файл.
Один вариант — загрузить документы в ИИ, попросить распознать таблицы, проверить результат и затем объединить данные.
Другой вариант — использовать специализированный OCR-инструмент, например ABBYY FineReader, который предназначен именно для распознавания документов и таблиц, а результат выгрузить в нужный формат.
Для такой задачи второй вариант быстрее и предсказуемее. Кроме того, вы обрабатываете файлы локально и не расходуете лимиты ИИ на операцию, для которой уже существует специализированное решение.

То же правило работает и в других сценариях: где-то достаточно формулы в Excel, где-то — макроса или скрипта, а где-то нужен ИИ-агент.

Поэтому при выборе решения стоит задавать вопрос не «Как сделать это с помощью ИИ?», а «Каким способом эту задачу проще и эффективнее решить?».

#LegalTech
#ИИ

ИИ-агент или скрипт: что выбрать для автоматизации?

Не каждой задаче нужен ИИ-агент и доступ ИИ к рабочим данным.

Если у вас большой массив однотипной информации, который можно обрабатывать по четким признакам и правилам, достаточно скрипта.
Например, нужно:
• собрать определенные поля из множества файлов;
• свести данные из таблиц;
• выбрать письма и вложения по заданным признакам;
• переименовать или распределить документы;
• сформировать единый файл из однотипных источников.

В таком сценарии ИИ помогает написать скрипт. Дальше сам скрипт можно запускать локально, например, через PowerShell. При этом содержимое файлов не нужно каждый раз передавать модели для анализа: обработка выполняется по заранее заданным правилам на вашем компьютере.
Это особенно полезно, когда задача:
• повторяется;
• не требует интерпретации содержания;
• должна обрабатывать большой объем однотипных данных.

ИИ-агент полезнее там, где нужно понимать контекст, принимать решения по ходу задачи или работать с неоднородными данными.
Поэтому выбирать стоит не между «старым скриптом» и «современным агентом», а между подходами под конкретную задачу.

#LegalTech
#ИИ

Как выбрать способ транскрибации встречи?

Расшифровка встреч — один из очевидных сценариев использования ИИ. Выбор инструмента зависит не только от качества распознавания речи, но и от возможности передавать запись во внешний сервис.

Если в разговоре есть конфиденциальная информация, один из вариантов — локальное распознавание речи.
Модель устанавливается на компьютер или корпоративный сервер и обрабатывает запись внутри контура компании.
По качеству такие решения хорошо справляются с расшифровкой, но есть нюансы: разделение текста по спикерам может потребовать настройки, возникают ошибки в определении количества участников и отдельных слов.

Второй вариант — специализированные сервисы транскрибации.
Например, Granola, Fireflies.
Они берут на себя не только расшифровку, но и дополнительные действия: подготовку саммари, задач и заметок. Формат работы различается: одни сервисы подключаются к встрече, другие работают через приложение или позволяют загрузить готовую запись.
Но при облачном использовании нужно смотреть, где и как обрабатываются записи, и соответствует ли это требованиям компании.

Третий вариант — общедоступный ИИ.
Если корпоративные правила позволяют загружать запись напрямую, можно получить расшифровку и сразу продолжить работу с ней: выделить договоренности, подготовить протокол или список следующих действий.

Выбирать инструмент для транскрибации стоит и по точности распознавания, и корпоративным ограничениям.

#ИИ
#LegalTech

Как собрать большой массив данных из публичных источников?

Если вам нужно собрать данные из публичных источников для сравнения или сопоставления, один из очевидных вариантов — поручить поиск ИИ.
Для небольшого объема это удобно. Но при массовой обработке появляются ограничения: лимиты на количество и размер файлов, объем контекста, время выполнения задачи.
Кроме того, ИИ может не получить доступ к нужной странице, если требуется авторизация, сайт ограничивает доступ или данные подгружаются только после дополнительных действий в интерфейсе.

В таком случае можно пойти другим путем — использовать ИИ для создания инструмента сбора данных.
Например, через панель разработчика в браузере можно посмотреть:
• где именно находятся данные;
• как передаются;
• какие параметры используются в запросах.
На основании этой информации ИИ поможет написать скрипт, который соберет нужные данные и сохранит их, например, в таблицу.
Такой вариант полезен, когда требуется большой массив однотипных данных для последующего сопоставления или фильтрации без глубокого анализа.

В зависимости от задачи эффективнее может быть не сам поиск через ИИ, а создание с его помощью инструмента для сбора данных.

#LegalTech
#ИИ

Как получить максимальный эффект от ИИ-агента?

Автономность ИИ-агентов создает ощущение, что достаточно написать:
«Сделай отчет с такими-то колонками» и дать агенту доступ к папке с документами. Формально он задачу выполнит. Но результат придется дорабатывать в несколько итераций: уточнять структуру, стиль, правила отбора информации и формат.
А каждая новая итерация — это время и расход доступного лимита.

Как сократить количество доработок?
Заранее подготовить контекст для работы агента.
Например, добавить:
• методику формирования отчета;
• описание того, какие данные и по каким правилам нужно извлекать;
• примеры правильно заполненных отчетов;
• требования к стилю и формату;
• чек-лист проверки результата;
• правила для спорных или неполных данных.
Эту информацию можно хранить в отдельных файлах с инструкциями или оформить в виде навыка агента, если инструмент это поддерживает.

Автономность агента не означает отсутствие инструкций. Чем сложнее задача и ожидаемый результат, тем точнее нужно задать контекст, чтобы сократить количество доработок и экономнее расходовать лимиты.

#LegalTech
#ИИ

Как можно автоматизировать работу с файлами, не загружая их в ИИ?

Не все рабочие документы можно загружать в ИИ из-за требований конфиденциальности, ограничений на использование внешних сервисов по политикам компании.

Означает ли это, что ИИ бесполезен? Нет. Вместо передачи документов модели можно использовать ИИ для создания макроса или скрипта, который затем будет работать с файлами локально.
Например, с их помощью можно:
• извлекать определенные данные из документов;
• переносить значения между файлами;
• заполнять несколько документов на основании одного источника;
• переименовывать и распределять файлы;
• выполнять повторяющиеся расчеты.

Допустим, на основании договора вам регулярно нужно заполнять акт и задание. Можно определить, какие поля в документах соответствуют друг другу, описать ИИ логику переноса данных и попросить написать макрос. После настройки нужные значения будут переноситься в шаблоны автоматически.

Другой сценарий — расчеты. Макрос или скрипт может получать разрешенные исходные данные, подставлять их в формулу и выполнять расчет, например, неустойки.

Конечно, макросы подходят не для каждой задачи. В корпоративной среде нужно учитывать требования ИБ:
• разрешено ли выполнение макросов;
• где хранится код;
• какие внешние источники он может открывать.
Но для повторяющихся операций это может быть удобным вариантом точечной автоматизации.
А если сценарий встречается у нескольких сотрудников, проверенный шаблон с макросом можно распространить на команду.

Ограничение на передачу данных в ИИ не ограничивает автоматизацию: ИИ помогает в создании инструмента, который обработает их локально.

#LegalTech
#ИИ

Что учесть при управлении знаниями с использованием ИИ?

Вчера состоялся митап Moscow Legal Hackers «Управление знаниями в эпоху ИИ». Что важно отметить:
1. ИИ не исправит неподготовленную базу знаний
Чтобы получать качественный результат, сначала нужно подготовить саму базу:
• определить владельца, который отвечает за актуальность данных;
• стандартизировать структуру и форматы документов. При необходимости перевести материалы в текстовый формат;
• определить место хранения;
• понять, какой результат должен получать пользователь;
• установить регулярность обновления.
То есть работа начинается не с подключения модели, а с организации самих знаний.

2. Агенту тоже нужен контекст
Для качественной работы агента недостаточно дать ему задачу.
Нужна база или набор инструкций, где зафиксированы методология, чек-листы, гайды, необходимые выдержки и формулировки.
При этом даже многоэтапная проверка результата несколькими агентами не отменяет финальную проверку человеком.

3. Без аналитики сложно понять, развивается ли инструмент
Важно смотреть не только на количество обращений к базе знаний.
Полезно анализировать:
• какие ответы пользователи считают низкокачественными;
• как меняется количество пользователей;
• где возникают повторяющиеся проблемы.
Такой срез помогает понять, что нужно улучшать дальше.

4. Пилот остается важной частью внедрения
До масштабирования стоит проверить гипотезу на ограниченном сценарии и понять, дает ли решение ожидаемый результат.

Для меня общий вывод митапа такой:
ИИ один из инструментов работы со знаниями, но он не отменяет необходимость управлять качеством данных, процессами и результатом.

#LegalTech
#ИИ

Должна ли каждая автоматизация начинаться с повторяющейся задачи?

При выборе сценария для автоматизации рекомендация — искать частые и повторяющиеся задачи. Это логично: чем чаще выполняется операция, тем заметнее потенциальный эффект.
Но у разовых задач тоже может быть ценность.

Допустим, вам один раз понадобилось обработать большой набор файлов: переименовать их, распределить по папкам, извлечь определенные данные или привести документы к единому формату. Вы нашли способ сделать это с помощью ИИ и вместо нескольких часов потратили 20 минут. На этом можно закончить.
А можно поделиться с командой:
• какая была задача;
• каким способом вы ее решили;
• сколько времени потребовалось;
• какие ограничения возникли.

И может выясниться, что у коллег есть похожие задачи, только они выполняют их регулярно. Один разовый кейс превращается в основу для нескольких повторяющихся сценариев. Так разовые задачи помогают:
• показать практический эффект технологии;
• снизить барьер перед ее использованием;
• выявить задачи, которые никто не рассматривал как кандидатов на автоматизацию;
• передавать знания внутри команды.

Поэтому при поиске сценариев автоматизации полезно показать работающий пример на разовой задаче и посмотреть, какие повторяющиеся сценарии команда узнает в нем сама.

#LegalTech
#ИИ

Как проверять результаты ИИ?

Вы уже встречали два совета:
• попросить модель проверить собственный ответ;
• передать результат другой модели для независимой оценки.

В агентных сценариях этот процесс можно выстроить сложнее.
Например, настроить последовательность, при которой первоначальный результат проверяют одна или несколько моделей по заранее заданным критериям.
Это могут быть:
• соответствие исходной задаче;
• полнота ответа;
• наличие противоречий;
• соблюдение заданного формата;
• наличие неподтвержденных предположений.
Если результат не проходит установленный порог качества, агент отправляет его на доработку и повторную проверку. Например: итог передается пользователю только после того, как проверяющий агент оценивает его не ниже 9 из 10 по заданным критериям. Это уже не просто команда «проверь свой ответ», а отдельный этап контроля качества внутри процесса.

Но есть важное ограничение: модели могут пропустить одну и ту же ошибку, а неверно заданные критерии проверки закрепят плохой результат. Поэтому такой подход не заменяет проверку человеком.
Он позволяет сделать другое: отсеять часть ошибок и передать человеку более качественный результат для финальной оценки.

#LegalTech
#ИИ

Вайбкодинг и информационная безопасность

Если вы вайбкодите приложение не только для себя, появляется отдельный слой требований: кто, к чему и каким образом получает доступ.

На что стоит обратить внимание:
1. Как организован доступ к приложению
Если приложение открывается по ссылке, важно понимать, что сам переход по ссылке не должен давать доступ к данным.
Нужно определить:
• кому выдается учетная запись;
• требуется ли дополнительная защита, например многофакторная аутентификация.
Если приложение развернуто во внутреннем контуре или на локальном сервере, вопрос другой: кто имеет доступ к этой среде и каким образом он предоставляется. Локальное размещение еще не означает, что доступ настроен безопасно.

2. К чему имеет доступ каждый пользователь
Если пользователей несколько, нужно заранее определить их права.
Например:
• один пользователь видит только свои данные;
• руководитель — данные всей команды;
• администратор — настройки системы и данные всех пользователей.
Здесь может потребоваться ролевая модель доступа.
При этом недостаточно просто скрыть определенную страницу или кнопку в интерфейсе. Ограничение должно работать и на уровне данных: пользователь не должен иметь возможность получить информацию, к которой у него нет прав, другим способом.
Здесь задача перестает быть только «вайбкодингом»: нужно точно описать роли, действия и ограничения для каждой из них.

3. Какие данные обрабатывает приложение
Если вы загружаете в приложение документы, персональные данные или другую корпоративную информацию, важно понимать:
• где они хранятся;
• каким внешним сервисам передаются;
• какие модели и API участвуют в обработке.

Отдельный вопрос — API-ключи, пароли. Их не стоит оставлять в коде или передавать вместе с приложением пользователям.

Быстро собрать работающий интерфейс сегодня стало проще.
Но работающее приложение и приложение, которое можно безопасно дать нескольким пользователям, — это разные стадии продукта.
Поэтому при переходе от прототипа к рабочему инструменту стоит отдельно проектировать доступ, права пользователей и работу с данными.

#LegalTech
#ИИ

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