AI-анализ договоров: что автоматизируется, а что нет

Как устроен AI-анализ договоров: сверка с шаблоном, разметка рисков, границы применимости и что происходит с текстом при загрузке в нейросеть.

TL;DR. AI-анализ договоров — это первичный разбор входящего документа до того, как за него сядет юрист. Система вытаскивает ключевые поля, показывает отличия от вашего шаблона по пунктам и помечает рискованные формулировки с пояснением. Решение остаётся за человеком. Две вещи, о которых обычно молчат: сверка с шаблоном и оценка риска — разные механизмы, и смешивать их нельзя; а договор, загруженный в облачный чат-бот, покидает ваш контур.

Что такое AI-анализ договоров

Договор приходит в редакции контрагента. Дальше юрист читает его целиком — сверяет структуру, ищет добавленные и удалённые пункты, отмечает формулировки, которые смещают ответственность. Час-полтора на документ. И уходит это время не на решение, а на вычитку.

AI-анализ закрывает ровно эту часть. На выходе не вердикт «договор хороший или плохой», а размеченный документ: вот отличия от вашей нормы, вот пункты, где смещён баланс, вот почему. Юрист начинает не с первой страницы.

Как это устроено: четыре шага

Парсинг с сохранением структуры пунктов. Договор разбирается не как сплошной текст, а как дерево пунктов и подпунктов. Это не техническая деталь: если структура потеряна, перенос абзаца на страницу выше читается системой как изменение содержания, и отчёт тонет в шуме. PDF со сложной вёрсткой и сканы требуют отдельного парсера — текстового слоя недостаточно.
Извлечение ключевых полей. Стороны, предмет, сроки, суммы, порядок оплаты, ответственность, порядок расторжения. Это структурированные данные, с которыми дальше можно работать программно.
Сверка с эталонным шаблоном — детерминированно. Какие пункты добавлены, какие удалены, какие переписаны. Здесь языковой модели делать нечего: сравнение двух деревьев — обычная алгоритмическая задача, и решать её моделью означает добровольно внести в отчёт вероятность выдумки там, где возможен точный ответ.
Разметка риска — языковой моделью. Вот тут модель на месте: она читает изменённый пункт и объясняет, что именно в формулировке создаёт риск — по категориям (ответственность, сроки, штрафные санкции), с цитатой из текста.

Разделение третьего и четвёртого шага — главное решение во всей этой схеме. Когда сверка и оценка риска идут одним запросом к модели, вы не отличите «модель нашла расхождение» от «модель его придумала». Разделили — и список отличий проверяется механически, а под сомнением остаётся только интерпретация. Её видно: к каждой пометке приложена цитата из текста.

Что автоматизируется хорошо

Поиск отличий от вашего шаблона, включая тихие правки в середине документа — там, где человеческий глаз замыливается к двадцатой странице.
Извлечение полей в таблицу — сроки, суммы, реквизиты по потоку договоров, без ручного переноса.
Первичная разметка типовых рисков: односторонний порядок расторжения, несимметричные штрафы, размытые сроки приёмки.
Массовая работа с однотипными документами — типовые поставки, аренда, приложения к рамочному договору. Чем больше поток и чем однообразнее документы, тем очевиднее выигрыш.

Что не автоматизируется

Здесь стоит быть точным, потому что общими словами про «галлюцинации» проблема не описывается.

Пропущенную ошибку система не ловит. Пометка модели проверяется цитатой: сказала «здесь риск» — покажи фрагмент, иначе пометка снимается. Это работает в одну сторону. Выдуманный риск отсекается, а вот риск, который модель не заметила, ничем не ловится — в отчёте его просто нет. Поэтому AI-разбор сокращает время чтения, но не отменяет его для значимых сделок.
Судебная практика и контекст отношений. Формулировка, которая на бумаге выглядит стандартной, может быть болезненной именно с этим контрагентом или именно в вашей отрасли. Модель видит документ, а не историю.
Нетиповые сделки. M&A, сложная недвижимость, госконтракты, международное право — там, где цена ошибки высока, а документ не похож на предыдущие, первичная разметка экономит мало.
Ответственность. Её нельзя делегировать системе. Отсюда конструкция «система готовит материал, решение принимает человек» — не осторожная формулировка для маркетинга, а требование к архитектуре: модель обязана объяснять каждую пометку, иначе её всё равно придётся перепроверять с нуля.
Актуальность шаблона. Сверка идёт против того документа, который вы считаете нормой. Устарел шаблон — устарели и результаты сверки, молча.

Куда уходит текст договора

Вопрос, который обходят стороной почти все обзоры на эту тему. Загрузили договор в публичную нейросеть — документ ушёл на чужие серверы. Для персональных данных сотрудников, коммерческих условий сделки или проекта контрагента это отдельный разговор с точки зрения 152-ФЗ и внутренних регламентов. Вести его нужно до внедрения, а не после.

Вариантов три:

Облачное API. Быстро и дёшево, подходит для документов, которые и так не составляют тайны.
Обезличивание перед отправкой. Из текста вырезаются наименования, суммы, реквизиты. Работает, но частично: контекст сделки часто восстанавливается и по обезличенному тексту.
Локальный инференс. Модель разворачивается на сервере компании, документы никуда не уходят. Дороже по железу — но это единственный вариант, при котором вопрос «где сейчас лежит наш договор» имеет однозначный ответ.

Третий вариант — не теория: в проекте с аналитикой звонков мы разворачивали весь пайплайн локально именно потому, что записи разговоров не должны были покидать контур заказчика. Для договоров задача та же по своей сути, и решается она на этапе аудита, до начала работ.

С чего начать

Порядок, который экономит деньги, — не «выбрать инструмент», а сначала ответить на три вопроса.

Что считается вашей нормой. Пока нет зафиксированного эталонного шаблона, сверять не с чем — и любой инструмент будет сравнивать договор с абстрактным представлением о хорошем договоре, а не с вашим. Обычно оказывается, что шаблонов в компании три, и все немного разные.
Какой у вас поток. Пять договоров в месяц дешевле проверить руками, чем автоматизировать их проверку. Разговор начинает иметь смысл где-то от нескольких десятков документов в месяц, а по-настоящему — там, где документы однотипны.
Где проходит граница контура. Ответ на вопрос из предыдущего раздела определяет бюджет сильнее, чем всё остальное: облачное API и локальный инференс отличаются по стоимости железа на порядок. Решать это после выбора инструмента — переделывать.

Дальше берётся два десятка уже разобранных юристом договоров и прогоняется через систему. Сравнение с тем, что нашёл человек, показывает реальную пользу на ваших документах — до того, как под это выделен бюджет.

Как мы это реализовали

AI-анализ договоров: сверка с шаблоном и поиск рисков — парсинг PDF и DOCX с сохранением структуры пунктов, детерминированная сверка с эталоном, разметка рисков по категориям с пояснением. Первичный разбор — с часа-полутора ручного чтения до отчёта за минуты.
Проверка контрагента: AI-агент по реестрам и санкциям — соседняя задача: на входе ИНН, на выходе заключение по компании-подписанту со ссылками на источники.

Механику поиска по документам разбираем отдельно в гайде про RAG-ассистентов — она отвечает на смежный вопрос: как найти нужный пункт в базе из тысяч документов, а не разобрать один.

Если разбор договоров стал узким местом — обсудим за 30 минут.