AI v právu: due diligence a analýza smluv

Proč právě teď: tlak na rychlost, konzistenci a auditovatelnost

Právní oddělení stojí pod dvojím tlakem: obchod chce uzavírat kontrakty rychleji, zatímco risk a compliance požadují menší variabilitu, přehled o odchylkách a obranu proti „smluvním minám“. Ruční čtení desítek stránek, ruční srovnání verzí a „vyhledávání slov“ nestačí. AI pro analýzu smluv přináší tři strukturální výhody:

• Škálovatelnost a rychlost: stovky dokumentů během hodin místo týdnů — bez únavy a kolísání výkonu.
• Konzistence: stejné klauzule se vyhodnotí stejnou metodikou; odchylky jsou měřitelné a zdokumentované.
• Auditovatelnost: u každého zjištění lze ukázat citaci, verzi modelu, skóre jistoty a kdo změnu schválil.

To neznamená „AI nahradí právníka“. Znamená to, že právník pracuje na rozhodnutí — ne na mechanickém vytěžování textu. Výsledkem je kratší „time-to-sign“, méně sporů a lepší vyjednávací pozice.

Co přesně je „contract intelligence“ a jak se liší od pouhého vyhledávání

„Contract intelligence“ ≠ „fulltext“. Cílem není najít slovo indemnity, ale pochopit, co přesně klauzule říká a jak to sedí k vaší politice. Základ tvoří:

• Klasifikace dokumentů a sekcí: NDA vs. MSA vs. SOW; rozpoznání příloh, harmonogramů, dodatků a definic.
• Extrakce klauzulí a parametrů: např. limit odpovědnosti, výluky, governing law, auto-renewal, doby výpovědi, SLA, auditní práva, IP, DPA, assignment, change of control, MFN.
• Normalizace významu: převod právních formulací na strukturovaná pole (číselné limity, lhůty, přítomnost/vyloučení).
• Porovnání s playbookem: měření odchylek proti „preferovanému“ a „akceptovatelnému“ znění.
• Redlining s odůvodněním: návrhy změn a komentář, proč a jaké riziko navržené znění řeší.

Výstupem je profil smlouvy (datová reprezentace), návrh redline ve Wordu a issues list pro vyjednávací tým.

Jak funguje AI pro smlouvy: ingest, OCR, extrakce, RAG a validace

1. Ingest a kontrola kvality: bezpečný import z DMS/CLM/e-mailu, deduplikace verzí, detekce jazyka, formátu a struktury (obsah, nadpisy, číslování).
2. OCR a čištění: deskew, odšumění, sjednocení kódování, kontrola tabulek a poznámek pod čarou.
3. Klasifikace dokumentu: typ smlouvy (NDA, MSA…), podtypy (B2B/B2C, SaaS/On-prem), identifikace sekcí a příloh.
4. Extrakce klauzulí: NER/klasifikátory a vzorové detektory najdou a vyznačí klauzule; uložení citací a hodnot (např. „liability_cap_amount = 100% fees“).
5. Semantická srovnání: mapping na playbook, výpočet odchylek a rizikový dopad.
6. RAG a generativní vrstva: LLM odpovídá jen na základě zjištěných pasáží a interních politik; každá odpověď má citaci.
7. Validace a evidence: pravidla konzistence (např. citované přílohy musí existovat), human-in-the-loop pro kritická skóre, záznam verze modelu a schválení.

Klíčové je, aby generativní část nikdy „nevymýšlela“ bez zdrojů. RAG (retrieval-augmented generation) s povinnými citacemi a explicitními pravidly minimalizuje halucinace a drží AI v hranicích důvěryhodnosti.

Klauzulární taxonomie: co analyzovat u NDA, MSA, DPA, SOW a licencí

Taková taxonomie umožní standardizované profily smluv a srovnávání napříč portfoliem i mezi roky.

Automatizovaný redlining: playbook, varianty znění, vyjednávací kontext

Redlining je „umění kompromisu“. AI musí znát vaše mantinely i vyjednávací styl. Základní stavebnice:

• Playbook: tabulka preferovaného a akceptovatelného znění, včetně důvodů a obchodních výjimek.
• Varianty: „silné/střední/minimální“ návrhy; výběr podle velikosti dealu a protistrany.
• Kontext: napojení na CRM/Deal desk (strategický klient ≠ malý odběratel), historie vyjednávání, předchozí výjimky.
• Odůvodnění: stručná právní i obchodní racionalita u každé navržené změny; copy-ready pro e-mail.

Praktická ukázka logiky (zjednodušené)

AI generuje „track changes“ přímo do DOCX a současně „explain sheet“ s citacemi, skóre rizik a stavem schválení. Vyjednavač tak přechází od čtení textu k řízení rozhodnutí.

Due diligence řízená AI: od data roomu k „issues listu“ a doporučením

V M&A a financování jde o rychlé pokrytí velkého objemu. Osvědčený postup:

1. Definice materiality: prahy hodnot, strategičtí partneři, licence a IP, change of control, MFN.
2. Ingest data roomu: AI zkontroluje duplicity, verze, přítomnost příloh, OCR kvalitu; rozdělí na typy.
3. Extrakce a scoring: klauzule → parametry → rizikové skóre; priority podle dopadu na SPA/APA.
4. Manuální přezkum top rizik: senior právník validuje, doplní kontext a navrhne mitigaci.
5. Issues list a doporučení: návrhy záruk, podmínek uzavření, úprav kupní ceny či carve-outs.

Výstupem je datový paket pro investiční komisi: heatmapa rizik, odhad dopadů a časová osa nutných akcí.

Rizikové skóre: návrh metrik, váhy, prahy a workflow eskalací

Skórování musí být vysvětlitelné. Jednoduchý rámec:

• Dopad (0–5): finanční a regulatorní následek, reputace.
• Pravděpodobnost (0–5): podle formulace klauzule a historických sporů.
• Materialita (0–5): velikost kontraktu, strategický význam, data/IP.

Skóre = (Dopad × 0,5) + (Pravděpodobnost × 0,3) + (Materialita × 0,2), škálováno na 0–100. Každé zjištění přidává body (např. „neomezená odpovědnost“ +40, „exotická jurisdikce“ +20, „žádný breach notice“ +10). Prahy spouští workflow:

Integrace do praxe: DMS/CLM, Word/Outlook, e-signature, e-billing

• DMS (iManage, NetDocuments, SharePoint): čtení/psaní verzí, řízení oprávnění, audit přístupů.
• CLM (Agiloft, Ironclad, DocuSign CLM): vazba profilů smluv, schvalovací workflow, šablony.
• Word/Outlook: add-in pro redline a vkládání citací; e-mailové triage příloh.
• e-signature: finální kontrola před podpisem, blokace při neošetřených odchylkách.
• e-billing: evidence ušetřeného času a snížení nákladů na externí poradce.

SSO, role-based přístupy a šifrování jsou samozřejmost. Obsahové logy anonymizujte, přístupové logy pošlete do SIEM pro audit.

Právo, compliance a bezpečnost: privilegium, GDPR, rezidence dat

• Právní privilegium: oddělte privilegovanou komunikaci; logy a telemetrii maskujte.
• GDPR a PII: určete role správce/zpracovatele, nastavte retenční politiku a exportní kontrolu dat.
• Rezidence dat: citlivé kontrakty držte v preferovaných regionech; u klientů s požadavkem zvažte on-prem.
• Vendor management: smluvně zakázat trénink na vašich datech, definovat auditní práva a reakci na incident.
• Audit: verze modelů, data drift, záznam schválení, reprodukovatelnost výsledků.

Governance AI v právu: evaluace, human-in-the-loop, evidence pack

Každá změna modelu či playbooku = nová verze s jasnými testy. „Evidence pack“ by měl obsahovat: popis dat a zdrojů, metriky přesnosti (precision/recall u klíčových klauzulí), známé limity, testy na „edge cases“, SLO, incident playbook a postup rollbacku. Human-in-the-loop navrhněte podle skóre a typu smlouvy; kritické odchylky nikdy neprojdou bez lidského schválení.

Přínosy a ROI: jak měřit čas, kvalitu, pokrytí a snížení rizik

• Čas na dokument: snížení o desítky minut až hodiny (např. NDA z 45 min na 10–15 min; MSA o desítky procent).
• Přesnost extrakce: cílit na vysoké hodnoty u prioritních klauzulí; měřit per-klauzule i per-dokument.
• Pokrytí portfolia: kolik smluv je analyzováno strojově, jaké typy, v kolika jazycích.
• Rizikový profil: pokles kritických odchylek v nových kontraktech; méně výjimek mimo politiku.
• Obchodní cyklus: zkrácení „time-to-sign“, vyšší konverze dealů, menší počet eskalací.

ROI vyčíslíte konzervativně: (ušetřené hodiny × interní sazba) + (odhad snížených ztrát z „smluvních defektů“) − (TCO licencí, integrace a provozu). Přidejte „time-to-value“ po prvních 4–8 týdnech.

Build vs. buy: kdy koupit platformu a kdy stavět vlastní

Praktické doporučení: pokud nejste právní-tech firma, zvažte „buy + rozšíření“. Kritické požadavky (jazyk, rezidence, playbook) řešte rozšiřitelnou konfigurací a integracemi.

Příklady z praxe: Kira Systems a Luminance (inspirace a poučení)

Kira Systems

Silná v extrakci klauzulí a due diligence — rychlá klasifikace dokumentů, vysoká přesnost vytěžení a přehledné „issues listy“ s odkazy. Poučení: bez kurátorských nástrojů pro právníky (učení na vlastních datech, údržba labelů) přesnost dlouhodobě neporoste.

Luminance

Důraz na vizualizaci portfolia a kolaboraci — heatmapy rizik, drill-downy, asistovaný redlining. Silná u vícejazyčných datasetů a smíšených zdrojů. Poučení: UX a spolupráce více rolí zásadně zvyšují adopci.

Pokročilé scénáře: vícejazyčnost, generování draftů, portfolio analytics

• Vícejazyčnost: mapování klauzulí napříč jazyky (čeština/angličtina/němčina), sjednocení metadat a metrik.
• Generování draftů: první návrh smlouvy ze šablon podle parametrů dealu (částka, SLA, právo, DPA); právník validuje.
• Portfolio analytics: trendy rizik, expirace, auto-renewal, MFN, auditní práva, coverage podle odběratelů/dodavatelů.
• CLM auto-workflow: pokud skóre < X → rovnou k podpisu; pokud ≥ X → povinná eskalace či redline.

Adopce a změnové řízení: role, školení a metriky adopce

Technologie sama nestačí. Potřebujete změnit způsob práce:

• Role: „AI champion“ v právu, kurátor playbooku, integrátor DMS/CLM, vlastník KPI.
• Školení: práce s redline add-inem, čtení „explain sheetů“, psaní dobrých „právních promptů“ (jasný kontext, požadovaný formát, citace).
• Metriky adopce: podíl AI-analyzovaných dokumentů, využití návrhů, počet ručních zásahů, spokojenost uživatelů.

Reálný cíl: do 90 dnů mít měřitelný dopad na „time-to-sign“ a objem ruční práce na prioritních typech smluv.

Limity a etika: halucinace, bias, „unauthorized practice of law“

• Halucinace: generativní vrstva smí odpovídat jen s citacemi; bez zdroje = žádná odpověď.
• Bias a coverage: eval napříč jazyky a typy smluv; „stick-sety“ kontraktů pro regresní testy.
• Unauthorized practice of law: AI nedává právní rady bez dohledu; kritická rozhodnutí má vždy člověk.
• Soukromí a bezpečnost: privilegium, PII, tajemství; striktní hranice, šifrování, audit.

Implementační roadmapa: pilot → rozšíření → škálování

Fáze 1: Pilot (4–8 týdnů)

Vyberte 1–2 typy smluv (NDA, MSA), definujte playbook a KPI (čas, přesnost, konverze). Nasadit add-iny do Wordu, začít se semantickými citacemi a redliningem. Cíl: prokázat dopad na „time-to-sign“ a kvalitu.

Fáze 2: Rozšíření (následujících 8–16 týdnů)

Přidat due diligence balík a portfolio analytics, integrovat CLM workflow s prahy skóre, rozšířit vícejazyčnost. Zavést „evidence pack“ a regresní testy před každým releasem.

Fáze 3: Škálování (6–12 měsíců)

Pokrytí hlavních typů smluv, zapojení externích poradců do jednotných nástrojů, pravidelné review playbooku s obchodem a riskem, dashboard pro vedení s KPI právní funkce.

Závěr: AI jako standardní součást právního provozu

AI v právu — konkrétně „contract intelligence“, automatizovaný redlining, rizikové skóre a due diligence — přináší rychlost, konzistenci a auditovatelnost, které ruční postupy nedokážou zajistit v požadované škále. Úspěch nestojí na jediné aplikaci, ale na systému: kurátorovaný playbook, robustní extrakce a RAG s citacemi, jasné prahy a workflow, integrace do DMS/CLM a evidence kvality. Kdo tento systém zavede, zkrátí „time-to-sign“, sníží počet odchylek mimo politiku a posílí vyjednávací pozici — a to vše s oporou v důkazech, které obstojí u auditora i u soudu. Právníci se pak mohou soustředit na to, co dělají nejlépe: strategii, vyjednávání a rozhodnutí s dopadem na byznys.