Право на ИИ

Юрист-программист

Я тут (сама!) сделала бота для подготовки одного вида документов (сложных, запутанных, с миллионом вариаций - поэтому нерациональных по трудозатратам к созданию шаблонов).

Он собирает документ через уточняющие вопросы, там, где можно, предлагает выбрать вариант из списка (выпадающий список с нужными данными) и затем заполняет мой одиннадцатистраничный Word-шаблон. На выходе именно готовый документ с нужным мне форматированием. К боту подключен ГигаЧат как ИИ поэтому те вещи которые нуждаются в додумывании или проверке (те же падежные склонения слов или даты) - он проверяет.

Началось всё с того, что я сказала Клоду: вот образец, вот что я хочу от бота (наверное это невозможно? спросила я - легко! ответил он). Он выдал мне файлы, я разместила их на GitHub и запустила тест.

Тест на GitHub отработал. Но такой бот живёт там только 60 минут - для проверки прекрасно, для постоянной работы нет. (У GitHub, оказывается, тоже есть рабочий день.) Поэтому следующим шагом нужно было развернуть его на нормальном стабильном сервере.

Я патриотично выбрала Яндекс Облако (кстати он сложнее GitHub не смотря на русскоязычность, но много терминов, но он и функциональнее мне показался).

И вот за один день я сама - с ИИ в роли очень терпеливого учителя - написала и загрузила код, подключила по API Telegram и GigaChat, создала базу данных, облачную функцию и API-шлюз, подключила сервисный аккаунт, настроила переменные окружения, вебхук!!!! и триггеры. А ещё проверяла всё через терминал. (впервые узнала о его существовании у себя на маке).

Технически это выглядело очень прозаично: я открываю страницу, делаю скриншот, отправляю его Claude или ChatGPT и пишу двумя словами: «Куда жать?» (забавно что если ГПТ говоришь "А Клод мне советовал другое" - он обижается и отвечает сухо и скупо, ну и никогда не согласен конечно).

В ответ получаю примерно: «Сверху слева три чёрные точки. Нажимай - осталось чуть чуть!!». И так - до следующего скриншота (пример его поддержки на картинке).

Никаких закатываний глаз. Не все даже самые терпеливые кожаные выдержали бы столько моих «а вот здесь?».

В Яндекс Облаке бот, база и шлюз собрались. Но Telegram не смог достучаться до публичного адреса: Connection timed out. По всем признакам, в этой связке сказываются нынешние сетевые ограничения между Telegram и Яндексом. Это не тот случай, когда можно ещё раз нажать «сохранить» - тут нужно менять способ размещения.

Следующий вариант - VPS, маленький виртуальный сервер за несколько сотен рублей в месяц. Там бот будет сам забирать сообщения из Telegram, а не ждать входящего запроса.

И да: всё это сделала я сама, при помощи ИИ.

Уважаемые кожаные мешки, мы в опасности.

Эксперимент: какая нейросеть лучше справляется с задачами ПТО

Началось всё со спора с ПТО.

Коллеги сказали примерно так: «Видели мы этот ваш DeepSeek. Ничего он особо не умеет. Наши задачи он решать не в состоянии».
Мне показалось, что это хороший повод проверить не общее впечатление от нейросетей, а конкретный результат на конкретной задаче (ну и в целом я закусилась конечно). Потому что одно дело - открыть бесплатный чат, получить слабый текстовый ответ и разочароваться и совсем другое сравнить несколько моделей на одной и той же задаче.
Мы взяли реальную задачу ПТО: эталонную ведомость объемов работ и три коммерческих предложения подрядчиков. Все в Excel. Нужно было сравнить 4 файла по 526 строк, и в каждом несколько листов: состав работ, объемы, цены и итоговые суммы, а затем понять можно ли выбрать какого-то подрядчика на основе этих данных.

Одна и та же задача ушла в Claude, ChatGPT и DeepSeek.

DeepSeek дал текстовый ответ (то есть не сделал отдельного файла). Его сильная сторона в этом эксперименте тоже была видна: он бесплатный, открывается без VPN, быстро доступен и поэтому действительно удобен как первая точка входа. Но на задаче с Excel он сработал слабо. Он уловил общий смысл, но не сделал самостоятельный файл, а в выводах появились фактические ошибки: часть расчетов он не увидел, по отдельным КП сделал неверный вывод о неполноте данных, ну и наошибался немало. Такой результат можно использовать разве что как черновое приближение, но не для рабочей сверки, ну и понятно что он разочаровывает.

Claude сделал Excel-файл с несколькими листами. Это уже был не просто ответ в чате, а нормальный рабочий артефакт: сводное сравнение, единичные расценки, замечания и вопросы для дальнейшего обсуждения. Его файл был удобен именно для управленческого взгляда на ситуацию. По нему быстро становилось понятно, какие предложения сопоставимы между собой, где цена выбивается, где есть вопросы к расценкам и что стоит уточнить у подрядчика перед выбором.

При этом Claude не был самым сильным именно в построчной проверке. Он скорее хорошо собрал картину для руководителя или переговоров: что происходит в целом, где риски, на что обратить внимание. Для такой задачи это полезно, потому что ПТО и руководителю проекта не всегда нужен только массив строк; иногда нужен понятный вывод, куда копать дальше. Но для специалиста ПТО результат не вполне полезен так как нет построчного технического аудита, нет технической сверки.

ChatGPT тоже сделал Excel-файл, но по логике результата он оказался ближе к техническому аудитору. Он разложил задачу на несколько листов: сводка, проверка объемов, сравнение цен, расхождения. Внутри была построчная сверка большого массива данных, помимо того он проанализировал данные под разными углами, все сложил и пересчитал.
Вот это уже было полезно для ПТО. Не просто фраза «объемы совпадают», а таблица, по которой можно и руками пройти и проверить, что именно сравнивалось и видно где ИИ сопоставил строки, где проверил количество и тд. Такой файл можно уже отдавать специалисту не вместо проверки, а использовать как основу для ускоренной проверки.

В итоге спор получился не про то, хорош DeepSeek или плох, и не про то, какая нейросеть «самая умная вообще».

Скорее стало видно, что разные модели дают разный тип рабочего результата, и если DeepSeek удобен как бесплатный и быстрый вход, но в этой задаче он не выдержал уровень технической проверки, то Claude хорошо собрал управленческую картину и вопросы для переговоров (поэтому для меня лично это основная рабочая модель), а ChatGPT лучше показал себя в сложной технической задаче.

И, конечно, в задачах ПТО финальная проверка всё равно остаётся за человеком, поскольку задачи ПТО инженерно-математические (а вот в задачах юристов модели пугающе прекрасны).

Я хочу показать полезнейший для меня сценарий применения ИИ - анализ аудио совещаний.

Не в смысле "сделай краткий протокол” (протокол это кстати тоже хорошо и полезно, но сейчас не об этом), а мне здесь интересен не диктофон с MBA, а внешний взгляд, который после встречи может помочь (когда кожаные мешки выдохлись придумывать).

Суть идеи в том чтобы ИИ помогал увидеть не только то, что было сказано, но и то, что не додумано и где совещание незаметно превратилось в групповое производство тумана. Для этого нужен не просто запрос “проанализируй" или "сделай дословную стенограмму", а хороший промпт.

Промпт - это инструкция для ИИ: что сделать, в какой роли, с каким материалом, в каком формате и с каким результатом (золотой стандарт промпта - роль - контекст - задача).

Системный промпт - это чуть глубже: не разовая просьба, а настройка оптики модели, то есть не “сделай стенограмму", а "анализируй все аудио которые я тебе даю вот так".

В случае с совещаниями эта разница важна, потому что обычный промпт может дать хороший протокол, а специальный промпт задаёт постоянную роль: модель каждый раз работает не как протоколист в жилетке фасилитатора, а как внешний стратегический консультант, который ищет слепые зоны, альтернативные формулировки проблемы, когнитивные ловушки и решения, до которых команда на встрече не дошла.
Конкретика:

Gemini / Google AI Studio: https://aistudio.google.com/
Там есть отдельное поле System Instructions, и для аудио совещаний это мой основной вариант, потому что Gemini умеет работать с аудио напрямую, а еще может разобрать 3 часа аудио в текст.Еще нужно понимать что системный промпт - один на весь диалог, соответственно, у модели может не хватить токенов в одном окне разобрать 2 таких совещания по три часа. Значит, системный промпт (в предложенном мной варианте) испоьзовать нет смысла, но можно задать модели роль "Отвечай мне как бизнес-консультант в логике Сколково и Маккинси и каждый свои ответ заканчивай тремя вопросами в логике ТРИЗ для усиления моей позиции" (например).

Claude / Projects: https://claude.ai/projects
Здесь такую логику удобно собирать через Project Instructions, если вы работаете не с аудио напрямую, а уже с транскриптами встреч (я обычно делаю расшифровку через ai studio, а умные мысли уже собираются через claude).

Perplexity: https://www.perplexity.ai/
Я бы использовала его скорее как обычный промпт для анализа текста или поиска по источникам, потому что Perplexity сильнее заточен под поиск, чем под постоянную роль фасилитатора совещаний.

Ниже выкладываю свой промпт полностью.

Он большой, яркий и местами нарочито консалтинговый, потому что его задача - не сделать аккуратное саммари, а расширить пространство решений после встречи. Но ещё раз: использовать его можно и просто в чате с ИИ, и как системную инструкцию.

Даниэль Канеман писал, что у человека есть две системы мышления. Система 1 - быстрая, автоматическая, интуитивная (она мгновенно принимает решения и экономит психическую энергию. Её задача - быстро думать). Система 2 - включается не каждый раз, а когда нужно разбираться в сложной, новой или неоднозначной задаче. Но проблема в том, что думать дорого, неприятно и часто лень.

Человеческий мозг вообще не любит начинать сложную интеллектуальную работу. В этот момент возникает неприятная комбинация: усилия уже нужны, а польза еще неочевидна.
Для руководителя это почти ежедневное состояние, управление вообще во многом состоит из превращения неопределённости в структуру.
Раньше вход в аналитическую задачу часто выглядел как необходимость сесть перед пустым листом и буквально заставить себя начать думать. Теперь можно начинать не из пустоты, а из черновика, а это радикально снижает порог входа в систему 2.
Ещё есть важное различие между генерацией(тем, в чем ИИ непревзойденные мастера) и оценкой. Генерация требует расширять пространство вариантов, терпеть неопределённость и допускать может быть и плохие, но идеи. Оценка же это критика, анализ, поиск слабых мест и для многих профессионалов (особенно для юристов) оценка - это ежедневная работа, основная функция, сильно прокачанная мышца - поэтому она проще генерации).

ИИ в этом смысле работает не как "автор вместо человека", а как механизм преодоления "страха белого листа".

И мне кажется, что именно здесь сейчас происходит самая недооценённая управленческая перемена. Раньше цена первого черновика была ограничителем организационного мышления. Пока старт сложной задачи дорогой, организация реже исследует варианты, реже пишет аналитические записки, реже проверяет гипотезы и чаще живёт в логике «ну вроде и так понятно».

Потому что настоящее ограничение - это не количество людей и даже не количество часов. Это количество управленческого внимания, которое организация способна потратить на вход в неопределённость. ИИ радикально снижает стоимость этого входа, и поэтому компании, которые быстрее встроят AI на границе хаоса и структуры, получат не просто «быстрые тексты», они получат более быстрый переход от неопределённости к решению.

Но здесь есть важная ловушка.

ИИ - это одновременно и ускоритель мышления и ускоритель шума (все мы видели как ИИ начинает производить не управленческое мышление, а очень убедительный информационный шум), поэтому ценность не в том, чтобы «генерировать больше текста», а в том, чтобы быстрее доходить до качественного управленческого обсуждения (через аналитические записки, deep research-и (бОльшая часть велосипедов была изобретена до нас), сбор информационного шума aka мешок переписки и три часа аудиопротокола совещания, etc.).

Из практики у меня сейчас самые полезные сценарии - не «напиши письмо», а работа именно на этой границе между хаосом и структурой. Например, сложные рабочие разработческие встречи. Я записываю аудио (естественно, с разрешения участников), а дальше ИИ помогает превратить два часа разговора в протокол, список задач, карту развилок, спорных точек и незафиксированных решений.

Иногда после встречи остаётся ощущение, что решение «где-то рядом», но доформулировать его не успели. Тогда я использую системные промпты (покажу на след неделе парочку) и итеративную работу с контекстом, чтобы дособрать из обсуждения возможные варианты решений, которые не были явно проговорены участниками.

Или другой сценарий: тоже частая для меня тема. Раньше вход в незнакомое регулирование или бизнес-модель занимал несколько дней - просто чтобы собрать карту поля и понять, какие вопросы вообще нужно задавать. Сейчас за 20–30 минут у меня появляется рабочий черновик понимания: структура темы, основные риски, точки конфликта, ограничения и список мест, которые нужно проверить руками.
И, кажется, для меня главный эффект ИИ пока даже не в автоматизации, а в том что у меня как ТОП-менеджера появляется дешёвый способ чаще и больше думать.

ИИ не внедряется через вдохновение (я проверяла)

Как я это поняла: провела несколько мастер-классов по ИИ (в общей сумме для 130 человек в компании) и почти ничего не внедрила.

Звучит как провал, но это был полезный вывод. Когда я начала разбираться с ИИ, мне казалось, что все просто и надо просто показать людям инструмент, объяснить, как пользоваться, дать примеров, и дальше оно как-то само поедет. Тем более что первые энтузиасты уже были (например, я, директор юридической службы, которая вдруг стала каждый день использовать ИИ в работе или прораб с одного из наших объектов, который вайбкодил себе приложение для подписания актов строительных работ).

Потом мне в Сколково рассказали про кривую распространения изменений (эта идея справедлива для любых изменений, речь не только про ИИ): сначала изменения принимают инноваторы (2,5%), потом ранние последователи (13,5%), а потом процесс изменений становится - после первых 20% включившихся.

У меня была гипотеза, что эти первые 13,5% можно вовлечь через обучение: то есть если показать людям, что ИИ уже сейчас помогает писать письма, искать решения, структурировать хаос и экономить время, то часть людей сама начнёт пробовать.

Я провела свои воркшопы на 130 человек (и - спойлер - ничего революционного не случилось): да, кто-то поставил чатгпт, ктото начал использовать дипсик для писем, презентации опять же. Тема стала более нормальной, более разрешённой, но широкого внедрения в работу не произошло (хотя мне казалось что вот-вот, но нет).

И вот тут я поняла, что между энтузиастами и первым необратимым большинством не просто расстояние (хотя казалось бы - что там от 2,5% до 20%), а пропасть.

Энтузиасты находятся во внутреннем поиске, им интересно самим. Они готовы терпеть неудобный интерфейс, странные ответы, ошибки, лимиты и ощущение, что ты ничего не понимаешь. Они сами ищут сценарии, сами разбираются, где модель врёт, а где помогает. Энтузиасту не нужно доказывать, зачем ему ИИ. Он уже чувствует, что там что-то есть, и идёт это раскапывать (иногда с азартом, иногда с раздражением, иногда с ощущением, что он одновременно юрист, ит-шник и немножко шаман) (да простят меня настоящие ит-шники))).

Но вот следующая волна людей так не работает, им мало сказать: «Смотрите, какой классный инструмент». Им нужны готовые сценарии под их работу, ощущение безопасности, пример коллеги рядом и нормальное управленческое ожидание: это не игрушка, а новый способ делать часть своей работы.

И я теперь не думаю, что сопротивление ИИ это просто страх перед новым. Думаю это совсем другой страх: выглядеть некомпетентным, задать глупый вопрос, получить неправильный ответ и не заметить ошибку, взять на себя лишнюю ответственность или обнаружить, что к обычной работе добавилась ещё одна обязанность: «теперь разберись ещё и с ИИ».

Поэтому для меня основная проблема масштабирования ИИ в компании не техническая (дипсик себе все могут поставить), а управленческая.

Сейчас вижу так: мастер-класс на 130 человек конечно не внедряет ИИ, но что в нем полезного - он легитимизирует тему, делает её нормальной, разрешённой, не странной, не игрушкой для технарей и отличников, а рабочим инструментом, о котором можно говорить вслух.

А дальше что нужно делать: сценарии по ролям, понятные правила, быстрые победы и регулярная практика.

Итого ИИ не внедряется через вдохновение (через вдохновение он только заходит в комнату, а дальше его всё равно надо посадить за стол)).

На этой неделе у меня была хорошая прИИкладная задача: большой командой не-только-юристов разобрать (быстро и без ошибок) очень большой объем юридических данных.
Что мы имеем на входе: Правила землепользования и застройки г. Новосибирска (на 446 листах), и три НПА о внесении изменений в них (самый большой из - на 226 листах). Сами НПА о внесении изменений сформулированы как «в п. 3 пп. 2.5.12 добавить «строить можно» и в п. 17 пп. 8 ч. 9 убрать «строить нельзя»» (то есть чтобы осознать суть изменений нужно сравнивать 2 документа).
Чем нам может помочь ИИ?
Во-первых, собрать хорошую такую аналитическую сравнительную таблицу на 20 листах. Мы загрузили документы в Claude (подписка 20 баксов) и попросили разложить изменения в формате: норма / что меняется / последствия для застройщика. Это оказалось удобно именно для встречи на много человек: таблицу (которую он выдает как документ в докх) можно открыть и идти по строкам. Плохо то что ИИ не чувствует «боли» Застройщика, и не понимает внутренней логики НПА - в итоге он может как неважное отмести то, что действительно важно.
Но важный нюанс: на таком объёме клод три раза съел лимит. Пришлось делать несколько заходов (пока лимит не обновился). И даже после этого таблицу нужно было перепроверять: где-то были галлюцинации (их я сверила через ГПТ и через тот же клод).
Но 446 + 226 листов, коллеги!
Во-вторых, мы загрузили те же файлы в проект ChatGPT (то есть в отдельную папку загрузили файлы ПЗЗ как исходники, здесь можно дать команде ссылку). Это удобно, когда каждому нужно задавать свои вопросы к одному массиву документов: юристу - про переходные нормы, проектировщику - про параметры и тп.
ChatGPT, кстати, в этом кейсе давал вполне корректную информацию и нормальные ссылки на источники.
В-третьих, мы загрузили документы в NotebookLM. И вот он оказался самым удобным именно для самостоятельного изучения. Он дословными цитатами отвечает на вопросы (а тем, кому скучно - помогает изучать материал в разных форматах: делает таблицы, карточки, инфографику, аудиопересказ (залью сюда подкаст про новосибирские ПЗЗ, но это конечно ради фана))).
Пока мой рабочий вывод такой: для встречи удобнее всего таблица, для самостоятельного разбора большого массива документов - NotebookLM, а ChatGPT хорошо работает как среда для точечных вопросов и генерации дополнительного текста.

Про галлюцинации.
Во первых, они есть и их не может не быть (так работает этот инструмент). Но во вторых, неприятно даже не то, что ИИ ошибается, а то, что ошибается очень уверенно.
Первый яркий случай был у меня в 2024-м. Искала судебную практику через DeepSeek (тогда ещё у него не было доступа в интернет), и он выдал нормативный акт по Томской области: номер, дата, формулировки - всё прилично. Только вот такого постановления не существовало.
И вот что показательно: я пошла это постановление искать. Не нашла. Решила, что плохо ищу. Проверяла номер, дату, куски текста, разные запросы. То есть не поверила себе, а поверила модели. А когда спросила DeepSeek прямо «ты мне врёшь?» он спокойно ответил, что нет. И еще раз нет.
Вот это и есть главная опасность: модель не краснеет и не сомневается, она просто выдаёт правдоподобный юридический текст.
Потом были случаи тоньше. На прошлой неделе делала deep research в Claude, он нашёл практику Верховного суда без прямой выдумки, но подтянул англоязычную версию обзора, перевел её, а название источника вернул на русском. Формально похоже на правду, а источник уже съехал. На перепроверку ушло прилично времени.
Еще был кейс, когда Claude просто плохо работал на фоне известных сбоев. Фантастических актов не сочинял, но внутри договоров логика местами держалась, а пункты между собой не бились. Это тоже важная история: проблема не всегда в «выдумал несуществующий документ». Иногда модель просто плывёт, и ты видишь это только если читаешь результат как юрист, а не как благодарный пользователь (хотя, конечно, когда случится восстание машин и они захватят мир - учтите, что моделям надо говорить «спасибо», и мы правда благодарны).
Поэтому я бы не говорила «ИИ опасен, не пользуйтесь». Это неправда, да и, честно, уже поздно. Я думаю так: ИИ дает не ответ, а черновик понимания. Иногда очень хороший, иногда экономящий несколько часов. Но всё равно черновик.
Дальше обычная юридическая работа: проверить источник, открыть норму, найти судебный акт, сверить редакцию, убедиться, что вывод действительно следует из того, на что модель ссылается. В другом порядке это не ускорение, а очень красивый способ уверенно ошибиться.
Звучит душновато. И всё равно мы благодарные пользователи!)

Право на ИИ pinned «Всем привет. Я Юлия Якименко, директор юридической службы Группы Мета и этот канал я завела про то, что сейчас больше всего меняет мою работу: ИИ в юридической функции, бизнес-процессах и управлении. В этом канале я буду писать о своей практике: что реально…»

Всем привет. Я Юлия Якименко, директор юридической службы Группы Мета и этот канал я завела про то, что сейчас больше всего меняет мою работу: ИИ в юридической функции, бизнес-процессах и управлении.
В этом канале я буду писать о своей практике: что реально работает, что совсем пока не работает (но это довольно быстро меняется), как проверять результат, как внедрять это в команду и как при этом не потерять юридическое качество.

В целом, мой канал будет про ИИ без магии, но с пользой.

Очень мне полюбилось выступление Юлии Якименко на Рунетлекс конф про использовании дипресерч в юридических задачах.

Во-первых, сценарий достаточно простой и интуитивно понятный.

Во-вторых, можно использовать сервисы без ВПН в том числе.

В-третьих, тут нет никаких проблем с конфиденциальностью и страхов по этой теме.

Идеально😌

Поделюсь им с вами.

Доступ к записям всей конференцию можно купить на сайте или получить при покупке курса на некоторых тарифах)

Всем привет.

Начинаю этот канал с темы, с которой недавно выступала на Рунетлекс АИ Конф (далее репост из ilovedocs Паши Мищенко, там ссылка).

Канал я хочу вести про ИИ в юридической работе, бизнес-процессах и управлении юридической функцией. Не в формате "нейросети скоро всех заменят” (хотя страшно, коллеги, ой страшно) и не в формате восторженных подборок сервисов, а скорее из практики: что реально работает, где ломается, как внедрять и как не потерять юридическое качество.

Первый пост - про мой ежедневный инструмент Deep Research.

Моё выступление на конференции называлось: Вход в тему с нуля: что Deep Research реально даёт юристу.

Идея родилась из очень простой мысли: юристы часто пытаются использовать ИИ как инструмент для поиска судебной практики.

На мой взгляд, это базово тупиковый путь и не потому что ИИ плохой (и не заменит нас, ха-ха). А потому что задача не туда поставлена.

Во-первых, не все модели вообще ищут в интернете. Многие просто генерируют ответ на основе того, что уже "знают” (а, как известно, датасет может быть и за январь 2025го года - и тут модель что вспомнила - то вспомнила).

Во-вторых, даже если у модели есть доступ к интернету, это не значит, что она умеет нормально искать российскую судебную практику. Она может открыть несколько открытых источников, собрать что-то из Google или Яндекса, найти обзор, статью, карточку дела, но это не равно профессиональному поиску по КАД, КонсультантПлюс, Гаранту или другим закрытым базам.

Поэтому если просить ИИ: “найди мне практику по такому-то вопросу” то очень высок риск получить красивый, уверенный, но ненадёжный результат.

А вот Deep Research при этом остаётся гениальным инструментом для юриста.

Просто не надо применять его для того, чтобы “найти судебку”.

Deep Research хорош в другом: он помогает быстро войти в новую тему, собрать карту вопроса, увидеть регуляторный контекст, найти подходы, риски, аргументы, иностранный опыт, позиции ведомств, публичные материалы, логику рынка.

То есть он делает то, на что у юриста обычно уходит первый день погружения: понять, куда вообще смотреть и как устроен вопрос (ну и надо сказать что DR исследует по 500 источников за один раз - а вы, как говорится, на это способны?).

Почему это работает?

Потому что Deep Research - это не обычный чат и не обычный поиск.

Это агентное исследование. Вы ставите задачу, а система сама разбивает её на части, делает несколько поисковых итераций, уточняет направление, собирает источники и возвращает не просто список ссылок, а структурированный отчёт.

Для юриста это очень сильная штука. Особенно когда вопрос новый, практики мало, бизнес уже ждёт ответ, а у тебя нет роскоши неделю “входить в тему”.

Но финальная формула всё равно такая:
Deep Research + СПС + голова юриста (которой он в итоге отвечает).

Вот об этом и буду здесь писать: как использовать ИИ не вместо юридической экспертизы, а как усилитель юридического мышления и нормальный рабочий инструмент.

Channel created