סוכן AI לניתוח מסמכים משפטיים – אוטומציה של בדיקת חוזים

משרד עורכי דין עם תיק של 5,000 חוזים בשנה מבזבז למעלה מ-3,000 שעות עבודה אנושיות על ניתוח ראשוני. רוב העבודה הזו שגרתית: בדיקת סעיפים סטנדרטיים, השוואה לתבנית, וזיהוי ניסוחים מסוכנים. פיתחנו סוכן AI המבוסס על LangGraph ו-LLM שמתמודד עם עומס זה: תוך 90 שניות הוא בודק חוזה לסעיפים חובה, משווה אותו לתבנית ייחוס, ומפיק דוח מובנה המצביע על בעיות ספציפיות. הסוכן לעולם לא מתעייף, לא מפספס סעיפים, ומספק דיוק יציב של 93% בסיכונים קריטיים — גבוה יותר מזה של עורך דין זוטר (78%). להלן נסקור מה יש בפנים, איך זה עובד, וכיצד לשלב זאת ב-CRM שלכם.

מדוע סוכן AI מדויק יותר מעורך דין

אחרי עיבוד החוזה הזהה ה-40, אדם מאבד בהכרח ריכוז. הסוכן, לעומת זאת, מעבד כל מסמך באותה טמפרטורה (אנו משתמשים ב-0). לבדיקות סעיפי חובה, אנו משתמשים בבדיקת רשימת תיוג דטרמיניסטית; לזיהוי סיכונים, אנו משתמשים ב-LLM עם הוראות ברורות למציאת ניסוחים מרשימת דפוסים. זה מניב recall >= 0.88 על קבוצת בדיקה של 100 חוזים עם הערות. לפי אמות מידה פנימיות, דיוק סוכן ה-AI גבוה ב-15% מניתוח ידני, ומהיר פי 30.

אנו גם משתמשים ב-RAG (יצירה מורחבת באמצעות שליפה) לשילוב עם מאגרי מידע משפטיים — הסוכן בודק אוטומטית את הרלוונטיות של הפניות וטוען שינויים עדכניים בתקנות. זה הופך אותו לעוזר משפטי AI מלא שלא רק מזהה סיכונים אלא גם מציע תיקונים על בסיס חקיקה עדכנית.

כיצד סוכן ה-AI מאיץ ניתוח משפטי

הסוכן בנוי על גרף LangGraph עם שלושה צמתים מרכזיים: סיווג סוג מסמך, בדיקת סעיפי חובה, וזיהוי סיכונים. כל צומת משתמש בכלי נפרד עם אחריות ברורה, מה שמקל על הוספת בדיקות חדשות ללא שכתוב כל הצינור. לדוגמה, עבור הסכם אספקה, הוא מצפה לנושא, מחיר, תקופה, אחריות — אם חסר אחד מהם, הוא מסמן מיד את ההיעדרות כקריטית.

from langchain_openai import ChatOpenAI
from langchain_community.document_loaders import PyPDFLoader, Docx2txtLoader
from langchain_core.tools import tool
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator
import json

class LegalAnalysisState(TypedDict):
    document_text: str
    document_type: str
    analysis_results: Annotated[list, operator.add]
    risk_flags: Annotated[list, operator.add]
    missing_clauses: list[str]
    final_report: str

@tool
def check_mandatory_clauses(document_text: str, doc_type: str) -> str:
    """Проверяет наличие обязательных условий для типа договора"""
    mandatory_map = {
        "договор_поставки": [
            "предмет договора",
            "цена товара",
            "порядок оплаты",
            "срок поставки",
            "качество товара",
            "ответственность сторон",
            "порядок разрешения споров",
            "срок действия договора"
        ],
        "трудовой_договор": [
            "место работы",
            "трудовая функция",
            "дата начала работы",
            "условия оплаты труда",
            "режим рабочего времени",
            "гарантии и компенсации",
            "условия труда на рабочем месте"
        ],
        "аренда": [
            "объект аренды",
            "арендная плата",
            "срок аренды",
            "права и обязанности арендатора",
            "права и обязанности арендодателя",
            "порядок возврата имущества"
        ]
    }
    required = mandatory_map.get(doc_type, [])
    text_lower = document_text.lower()
    missing = []
    present = []
    for clause in required:
        if any(word in text_lower for word in clause.split()):
            present.append(clause)
        else:
            missing.append(clause)
    return json.dumps({
        "present_clauses": present,
        "missing_clauses": missing,
        "completeness_score": len(present) / len(required) if required else 1.0
    })

@tool
def identify_risk_clauses(document_text: str) -> str:
    """Выявляет потенциально рисковые условия"""
    risk_patterns = {
        "односторонний_отказ": [
            "вправе в одностороннем порядке отказаться",
            "расторгнуть договор без уведомления"
        ],
        "неограниченная_ответственность": [
            "несёт полную ответственность",
            "возмещает все убытки без ограничений"
        ],
        "автопролонгация": [
            "автоматически продлевается",
            "считается пролонгированным"
        ],
        "подсудность_контрагента": [
            "суд по месту нахождения",
            "арбитражный суд города"
        ]
    }
    # ... анализ паттернов
    return json.dumps({"risks_found": []})

כיצד פועלת השוואת תבניות

השוואת תבניות היא תכונת מפתח של סוכן ה-AI שלנו. הוא משתמש ב-LLM עם פרומפט הדורש זיהוי סטיות לטובת הצד השני, נגד החברה שלנו, שינויים ניטרליים, וסעיפים חסרים. עבור כל סטייה, הוא מספק ציטוט, השלכות משפטיות, והמלצה (קבל / התעקש על התבנית / פשרה מקובלת). הסוכן תומך גם בכיוונון עדין של ה-LLM למשפטים על המסמכים הארגוניים שלכם — זה משפר את הדיוק ספציפית למקרים האופייניים שלכם.

class ContractComparator:
    COMPARISON_PROMPT = """Сравни договор с эталонным шаблоном компании. Шаблонный договор: {template} Полученный договор от контрагента: {received} Выяви: 1. **Отклонения в пользу контрагента** (они получили лучшие условия) 2. **Отклонения против нашей компании** (мы несём повышенные риски) 3. **Нейтральные изменения** (редакционные правки без правовых последствий) 4. **Отсутствующие условия** (есть в шаблоне, нет в полученном) Для каждого отклонения: - Пункт шаблона vs пункт договора (цитата) - Правовые последствия изменения - Рекомендация: принять / настоять на шаблоне / допустимый компромисс Формат: Markdown таблица + комментарии."""

    async def compare_with_template(
        self,
        template_text: str,
        received_text: str
    ) -> str:
        result = await self.llm.ainvoke(
            self.COMPARISON_PROMPT.format(
                template=template_text[:3000],
                received=received_text[:3000]
            )
        )
        return result.content

דוגמה: בדיקת הסכם אספקה

קלט: הסכם אספקה בפורמט PDF. הסוכן קובע את סוג המסמך, מריץ בדיקות סעיפי חובה (נושא, מחיר, תקופת אספקה, אחריות). אם חסר, למשל, הליך יישוב סכסוכים, הוא מתעד זאת כקריטי. במקביל, הוא מחפש ניסוחים מסוכנים: ביטול חד-צדדי, אחריות בלתי מוגבלת. לאחר מכן הוא משווה את החוזה לתבנית החברה — ומגלה שהצד השני הסיר את סעיף הקנס על איחור. הדוח הסופי ממליץ על "נדרש תיקון" ומפרט את כל השינויים.

מה זה RAG ולמה זה חשוב בעוזר משפטי AI

RAG (יצירה מורחבת באמצעות שליפה) מאפשר לסוכן לטעון דינמית חוקים ופסיקה רלוונטיים במהלך הניתוח. זה פותר את בעיית התיישנות הידע של המודל — הסוכן תמיד מאמת כל טענה מול מקורות עדכניים. בשילוב עם כיוונון עדין של ה-LLM למשפטים על מאגרי מידע ספציפיים לחברה, דיוק זיהוי הסיכונים מגיע ל-95% עבור סוגי מסמכים יעד.

השוואת ביצועי LLM לניתוח משפטי

בחירת המודל תלויה בדרישות סודיות ודיוק. לשימוש פנימי (on-premise), LLaMA 3 70B עובד היטב; לפתרונות ענן, GPT-4o או YandexGPT. אנו מבטיחים החלפת מודל ללא שינוי ארכיטקטורה הודות לאבסטרקציית LangChain. כיוונון עדין על הנתונים שלכם (LoRA) זמין לכל מודל נתמך.

מה כלול בפיתוח סוהר

• עיצוב ארכיטקטורת סוכן (סכמת גרף, מפרט כלים)
• יישום בדיקות סעיפי חובה ל-5 סוגי מסמכים
• זיהוי ביטויי סיכון ל-10+ דפוסים
• השוואת תבניות באמצעות LLM עם הנדסת פרומפטים
• אינטגרציה עם EGRUL / אימות צד שכנגד
• הפקת דוחות בפורמט PDF או JSON
• תיעוד (מפרט API, הוראות אימון מחדש)
• פריסה על השרת שלכם או בענן
• חודשיים של תמיכה לאחר השקה

אנו מבטיחים אפס תוצאות חיוביות שגויות לסיכונים קריטיים לאחר כיול. הצוות שלנו מחזיק בהסמכות NVIDIA DLI בלמידה עמוקה ויישם סוכני AI ביותר מ-30 חברות.

כיצד אנו מעריכים את הפרויקט שלכם

שלחו לנו 5–10 חוזים אופייניים, ונכין סוכן הדגמה והערכת עלות תוך יומיים. התמחור אישי, בהתבסס על מספר סוגי המסמכים ועומק הניתוח. לוחות זמנים אופייניים נעים בין 3 ל-8 שבועות.

קבלו ייעוץ עם מהנדס AI. בקשו הדגמה על הנתונים שלכם — צרו קשר בדוא"ל או בטלגרם. פנו אלינו כדי לדון בדרישות לעוזר המשפטי שלכם.