Docusign делает ставку на ИИ-агентов для контрактов, которым мало прочитать документ и составить аккуратное резюме. Их задача сложнее: связать условия договора с бизнес-процессом, участниками сделки и последствиями конкретных обязательств. Для российских команд, автоматизирующих юридические и закупочные процессы, это важный сдвиг: ценность генеративного ИИ определяется не красотой саммари, а тем, понимает ли система, что именно стоит за формулировками договора.
Об этом сообщает The New Stack в материале с пометкой sponsored. Издание описывает ключевую проблему прикладных систем на базе больших языковых моделей: универсальная модель обычно способна пересказать контракт, но пересказ сам по себе не отвечает на вопросы бизнеса. Например, какие условия отличаются от привычной политики компании, кто несёт риск, что меняется при продлении соглашения и какие внутренние действия должен запустить договор.
Контракт редко существует в вакууме. Один и тот же пункт об оплате может быть приемлемым для небольшой поставки и критичным для многолетнего соглашения с ключевым подрядчиком. Условие об ответственности нельзя корректно оценить, не зная тип услуги, роли сторон, требований к данным, истории переговоров и принятых в компании правил. Модель, получившая только PDF-файл, видит текст. Бизнес видит сделку — и именно этот разрыв Docusign пытается закрыть.
Подход с агентами предполагает, что система работает не как один чат-бот, которому задали широкий вопрос. Она должна получать и использовать релевантный контекст: данные о контрагенте, типовой шаблон, правила согласования, связанные документы и параметры сделки. Тогда запрос «проверь договор» превращается в набор более узких проверок: сопоставить положения с внутренними требованиями, выделить исключения, объяснить риск на языке конкретной функции и направить результат человеку, который вправе принять решение.
Для разработчиков здесь нет магии, зато есть знакомый набор инженерных задач. Нужно определить источники контекста, права доступа и границы того, что агент может читать или предлагать. Нужны проверяемые ссылки на фрагменты документа, журнал действий и понятный маршрут эскалации для спорных случаев. Иначе система быстро превратится в убедительного, но непредсказуемого собеседника, который уверенно пересказывает юридический текст и столь же уверенно теряет важное исключение в приложении.
ИИ-агенты для контрактов также меняют требования к качеству данных. Если справочник контрагентов неактуален, шаблоны живут в нескольких папках, а правила согласования существуют только в голове юриста, модель не исправит этот хаос. Она лишь будет формировать ответы на базе неполной картины. Поэтому внедрение таких решений обычно начинается не с выбора модели, а с инвентаризации договорных данных, описания ролей и формализации политики: что считать отклонением, кому показывать его и какие действия допустимы без ручного подтверждения.
Для бизнеса практический критерий тоже довольно приземлённый. Не стоит измерять систему количеством сгенерированных саммари или скоростью ответа в чате. Полезнее смотреть, сократилось ли время первичной проверки, стало ли меньше пропущенных отклонений от шаблона, понятнее ли владельцам процессов причины риска и быстрее ли договор проходит согласование. В юридической автоматизации именно такие метрики отделяют демонстрацию языковой модели от рабочего инструмента.
Рынок постепенно уходит от идеи, что достаточно загрузить документы в LLM и попросить её «разобраться». Следующая конкуренция развернётся вокруг качества контекста, контроля доступа и способности встроить агента в реальный маршрут сделки. Docusign показывает направление: победит не тот помощник, который лучше всех пересказывает договор, а тот, кто понимает, почему конкретный пункт важен именно для этой компании и этой сделки.
