Нормоконтроль на максималках, или Куда еще мы прикрутили LLM

В предыдущей статье я уже делился опытом, как большие языковые модели (LLM) помогают юристам не утонуть в рутине проверки договоров, взяв на себя анализ внутренних правил и рисков.

Но этого уже мало: LLM выходят за привычные рамки и начинают активно участвовать в оптимизации внутренних процессов, становясь тем самым драйвером эффективности и качества на всех этапах документооборота.

Давайте рассмотрим на примере двух кейсов эволюцию LLM от «стража правил» к «интеллектуальному проводнику» документа.

Нормоконтроль внутренних документов — контроль корпоративного стандарта

Протоколы совещаний, служебные записки, приказы, распоряжения — база любой организации. Для комфортного существования компании важен их единый стиль и соответствие внутренним регламентам: корпоративным стандартам, инструкциям по делопроизводству. Ручной нормоконтроль силами 1-2 специалистов или отдела ДОУ (документационного обеспечения управления) становится узким местом при любых объемах таких документов.

Субъективность оценки, усталость и тот самый «человеческий фактор» приводят к тому, что пропускаются одинаковые ошибки — в шапке документа, формулировках визирующих, нумерации приложений, ссылках на устаревшие регламенты.

Чем отличаются нормоконтроль договоров и нормоконтроль внутренних/внешних документов? Контекст разный, но механизм похожий. И в том, и в другом случае есть правила, которые можно использовать как ориентир или эталон, чтобы вычитать текст документа.

Расскажу, как мы организовали проверку внутренних документов на платформе Directum RX

С помощью open-sourse языковой модели настроили промпт на проверку соответствия правилам русского языка и внутренним корпоративным стандартам оформления (стилистика, порядок слов, устоявшиеся выражения, сокращения и прочее).

Проверки проходят также в рамках блока no-code, куда встроена LLM. Модель выполняет автоматический предконтроль любого загружаемого документа заданного типа.

Как это происходит:

1. Создаем в системе черновик внутреннего или внешнего документа. Заполняем его по шаблону либо с помощью той же LLM (да, она у нас умеет еще генерировать черновики документов) и отправляем по процессу.

2. LLM в фоновом режиме проверяет документ по нескольким ключевым направлениям:

• наличие всех обязательных элементов (шапка, дата, номер, заголовок, подпись, гриф утверждения/согласования);

• соответствие официально-деловому стилю, отсутствие недопустимой разговорной лексики, корректность формулировок;

• выявление явных противоречий внутри документа (например, в одном пункте установлен один срок, в другом — иной для той же задачи).

3. Вместо абстрактного «документ не соответствует» система выдает конкретный перечень замечаний с цитированием проблемных мест и рекомендациями по исправлению.

Реализация кейса разгрузит тех, кто сейчас занимается рутинной вычиткой документов. Их рабочее время и экспертность лучше потратить на сложные и нетиповые случаи. Наконец, все документы, независимо от автора, удастся привести к единому оформлению.

Интеллектуальный подбор согласующих для нетипового договора

Описанную выше проверку мы настроили для одного из клиентов. Но на этом не остановились, а продолжили поиски процессов, в которых также можно применить ИИ.

Со стороны коллег прозвучала мысль: «Если мы можем проанализировать документ на соответствие правилам, значит, можем найти важные для нас артефакты. А на основе найденных артефактов можно определить, кому документ показать для согласования». И мы пошли в Proof of Concept (РоС) проверять жизнеспособность этой идеи.

Что не так с нетиповыми договорами

Типовые договоры часто имеют предустановленный маршрут согласования. Но что делать с уникальным, нетиповым договором (нестандартные поставки, эксклюзивное партнерство, соглашения на исследования или НИОКРы и прочее)? В таких случаях сотрудник решает, кому показать договор с учетом его предмета, финансовых лимитов, задействованных подразделений и зон ответственности.

Также выяснилось, что процесс инициирования согласования затягивается. Инициатор глазами изучает договор, сверяется с полномочиями, советуется с коллегами, чтобы не забыть привлечь, например, специалиста по ИБ или инженерный отдел. Такие договоры могут быть нужны несколько раз в год, но по каждому есть риск пропустить ключевого согласующего, что в следствии либо затянет процесс на дополнительные итерации, либо может быть вариант похуже (финансовая ответственность).

Разобравшись в деталях процесса, мы решили собрать прототип: LLM в рамках процесса выступает в роли интеллектуального аналитика и навигатора по организационной структуре.

Как выглядит процесс в рамках нашего РоС

1. После загрузки в систему проект договора отправляется по процессу согласования. Но теперь первым этапом отрабатывает языковая модель и проводит смысловой анализ, чтобы определить:

• предмет договора (поставка оборудования, разработка ПО, аренда и прочее), упомянутые суммы, географические локации, специфические риски;

• зоны ответственности: финансы, ИТ, юриспруденция, безопасность, производство, закупки, конкретные бизнес-подразделения;

• ключевые артефакты (сроки оплаты, сроки отгрузки, размер предоплаты и прочее).

2.На основе выделенных параметров система сопоставляет информацию с загруженными в нее данными – ролевой моделью и организационной структурой.

3.Задачи после определения отправляются автоматически.

Конечно, есть поле для развития. Например, не отправлять задачу сразу, а выдать пользователя как рекомендацию (на этапе занесения документа в систему, после распознавания и классификации).

Наша задача была подтвердить PoС и начинать пилотный проект у клиента, чтобы оценить эффект уже на реальных данных.

Но наш опыт работы с ИИ подсказывает, что этот интеллектуальный помощник ускорит процесс инициирования согласования договора с нескольких часов до пары минут. При этом снижается вероятность «забыть» кого-то из важных согласующих, что предотвращает будущие конфликты и дополнительные итерации на поздних этапах.

От изолированных ИИ-сервисов – к умным экосистемам

Эти два кейса демонстрируют важный тренд. Большие языковые модели перестают быть изолированным инструментом. Все приходит к тому, что ИИ становится ядром автоматизации документооборота и бизнес-процессов, связывая воедино содержание документов, корпоративные регламенты и организационную структуру.

От сравнения и анализа рисков в договорах мы движемся к созданию умной экосистемы, где ИИ сопровождает документ с момента создания, направляет его по оптимальному пути, обеспечивая качество, соблюдение норм и скорость прохождения всех инстанций.

Следующим логичным шагом станет прогнозная аналитика на основе совокупности документов, а также автоматическое формирование проектов на основе протоколов решений. Но это уже тема для следующей статьи.