Главное из ЛигалТех-каналов | неделя 28
Эксперименты и практика
➡️[Тестирование моделей]
Как улучшить точность ИИ для анализа судебных актов с 90% до 96% без замены дорогой модели
— Draft AI | Иван Кундиль
Автор протестировал 14 языковых моделей на задаче составления структурированной выжимки (паспорта) из 100 судебных дел. Точность бюджетной модели DeepSeek v4-flash удалось поднять с 90,4% до 96,2% за счёт уточнения инструкций и добавления скрипта для дозаполнения пропущенных полей, что в 15 раз дешевле использования топовых моделей. Это показывает, что оптимизация окружения (обвязки) модели часто эффективнее простой замены на более мощную.
➡️[AI-агенты, Методология]
Как заставить AI-агента работать над проектом 26 часов: методология с feedback-loop и тестами
— Константин Доронин
Автор описал методологию использования режима /goal (AI-агент с долгосрочной целью) для автоматизации разработки проекта. Ключевые элементы — детальное ТЗ, разбивка на задачи, проверка каждой через unit- и UI-тесты, что создаёт цикл обратной связи (feedback-loop). В результате агент проработал 26 часов, выполнив 400+ задач, хотя итоговый продукт требует ручной доводки.
Полезные разборы
➡️[Разбор исследования]
Выводы исследования по проверке ИИ-активов при сделках M&A
— Дамасские чернила | AI и M&A
Авторы исследования Tech M&A выделили 12 ключевых выводов по due diligence (проверке) ИИ-активов. Это даёт практический чек-лист для юристов, участвующих в сделках с технологическими компаниями.
➡️[Разбор политики ИИ]
Как создать внутреннюю политику по ИИ для юридической работы
— Дамасские чернила | AI и M&A
Автор разбирает ключевые риски использования ИИ юристами: утечки данных, доступ правоохранителей, требования контрагентов. Практический вывод — вместо запрета нужна внутренняя политика, которая описывает одобренные инструменты, правила работы с данными и порядок действий при инцидентах.
➡️[Разбор исследования]
Разбор отчёта Deloitte о внедрении ИИ в юридические департаменты: рост инвестиций и пробелы в обучении
— Дамасские чернила | AI и M&A
Автор разбирает отчёт Deloitte, показывающий резкий рост внедрения ИИ в юридической работе, но перекос инвестиций в технологии в ущерб обучению персонала и перестройке процессов. Практический вывод для юриста — при внедрении AI-инструментов приоритет должен быть на развитии навыков команды и формализации контроля качества, а не только на закупке лицензий.
➡️[Регулирование ИИ]
Разбор принятого Госдумой законопроекта об ИИ: преимущества для «суверенных» моделей и ослабление регулирования
— howtocomply_AI: право и ИИ
Автор участвовал в подготовке материала о новой версии российского законопроекта об ИИ, который был принят Госдумой. Закон создаёт преимущества для разработчиков, согласных на гос. контроль, и выводит из-под регулирования большую часть применения ИИ в публичной сфере.
@AI_Skrepka
Эксперименты и практика
➡️[Тестирование моделей]
Как улучшить точность ИИ для анализа судебных актов с 90% до 96% без замены дорогой модели
— Draft AI | Иван Кундиль
Автор протестировал 14 языковых моделей на задаче составления структурированной выжимки (паспорта) из 100 судебных дел. Точность бюджетной модели DeepSeek v4-flash удалось поднять с 90,4% до 96,2% за счёт уточнения инструкций и добавления скрипта для дозаполнения пропущенных полей, что в 15 раз дешевле использования топовых моделей. Это показывает, что оптимизация окружения (обвязки) модели часто эффективнее простой замены на более мощную.
➡️[AI-агенты, Методология]
Как заставить AI-агента работать над проектом 26 часов: методология с feedback-loop и тестами
— Константин Доронин
Автор описал методологию использования режима /goal (AI-агент с долгосрочной целью) для автоматизации разработки проекта. Ключевые элементы — детальное ТЗ, разбивка на задачи, проверка каждой через unit- и UI-тесты, что создаёт цикл обратной связи (feedback-loop). В результате агент проработал 26 часов, выполнив 400+ задач, хотя итоговый продукт требует ручной доводки.
Полезные разборы
➡️[Разбор исследования]
Выводы исследования по проверке ИИ-активов при сделках M&A
— Дамасские чернила | AI и M&A
Авторы исследования Tech M&A выделили 12 ключевых выводов по due diligence (проверке) ИИ-активов. Это даёт практический чек-лист для юристов, участвующих в сделках с технологическими компаниями.
➡️[Разбор политики ИИ]
Как создать внутреннюю политику по ИИ для юридической работы
— Дамасские чернила | AI и M&A
Автор разбирает ключевые риски использования ИИ юристами: утечки данных, доступ правоохранителей, требования контрагентов. Практический вывод — вместо запрета нужна внутренняя политика, которая описывает одобренные инструменты, правила работы с данными и порядок действий при инцидентах.
➡️[Разбор исследования]
Разбор отчёта Deloitte о внедрении ИИ в юридические департаменты: рост инвестиций и пробелы в обучении
— Дамасские чернила | AI и M&A
Автор разбирает отчёт Deloitte, показывающий резкий рост внедрения ИИ в юридической работе, но перекос инвестиций в технологии в ущерб обучению персонала и перестройке процессов. Практический вывод для юриста — при внедрении AI-инструментов приоритет должен быть на развитии навыков команды и формализации контроля качества, а не только на закупке лицензий.
➡️[Регулирование ИИ]
Разбор принятого Госдумой законопроекта об ИИ: преимущества для «суверенных» моделей и ослабление регулирования
— howtocomply_AI: право и ИИ
Автор участвовал в подготовке материала о новой версии российского законопроекта об ИИ, который был принят Госдумой. Закон создаёт преимущества для разработчиков, согласных на гос. контроль, и выводит из-под регулирования большую часть применения ИИ в публичной сфере.
@AI_Skrepka