Leveraging Artificial Intelligence in legal research: Editor’s insights

Full Text

Доля работников, имеющих навыки использования технологий искусственного интеллекта, в общей численности работников в 2030 г. должна вырасти не менее чем до 80 % по сравнению с 5 % в 2022¹. В 2025 г. на реализацию федерального проекта «Искусственный интеллект» было выделено 7,7 млрд рублей.

Согласно опросу Legal Insight только 14,5 % юристов активно используют инструменты генеративного ИИ, а 33 % планируют использовать эти инструменты  в будущем².

Введение

С появлением в ноябре 2022 г. новой версии чат-бота ChatGPT (Generative Pre-Trained Transformer) искусственный интеллект (ИИ) уверенно занял позиции практически во всех сферах человеческой деятельности. Сегодня трудно представить отрасль, где бы ИИ не пустил свои корни. Эффективность государства оценивается по уровню применения ИИ, темпам развития и перспектив, а правительства развивают цифровые услуги для получения информации, оплаты счетов, льгот и бизнеса, не выходя из дома. Значительное влияние ИИ ощущается во всех сферах, включая медицину, образование, градостроение, транспорт, производство и менеджмент; наука получила инструменты, о которых ранее лишь мечтала (Pshinnik, 2025). В работе рассматриваются возможности ИИ для исследовательской работы в юриспруденции.

Научная деятельность юриста-исследователя сталкивается с множеством вызовов: обширная проблематика, множество законов, подзаконных актов и судебных решений, регулирующих законность, порядок и жизнедеятельность государства. Из огромного массива информации трудно выбрать релевантные факты, позволяющие всесторонне изучить поставленный вопрос; еще труднее подобрать соответствующие дела из судебной практики или найти нужную цитату авторитетных правоведов для иллюстрации отдельных аспектов темы. Ручные исследовательские процедуры крайне трудоемки; их неэффективность может подорвать качество научной работы и существенно увеличить затраты. Использование передовых алгоритмов искусственного интеллекта позволяет значительно оптимизировать юридические исследования: анализировать и классифицировать обширные юридические массивы, подбирать релевантные дела из судебной практики, эффективно извлекать необходимую информацию. ИИ снижает риски, связанные с человеческим фактором, такие как ошибки, опора на устаревший материал или смещение фокуса на второстепенные детали. Обеспечивая сложные аналитические задачи, ИИ дает возможность сосредоточиться на стратегических и сложных элементах работы, что способствует улучшению результатов научной деятельности³. Несомненным преимуществом ИИ  является также его доступность, возможность общения на русском языке, а также адаптация к конкретным юридическим запросам и юрисдикциям.

Все вышесказанное позволяет говорить об актуальности заявленной темы, а практическая направленность исследования носит образовательный характер и может быть полезна для распространения лучших практик организации исследовательского процесса в условиях новых правовых и технологических вызовов.

Цель исследования – на примере конкретных сценариев показать, как ИИ может интегрироваться в исследовательскую и редакторскую практику, и обозначить связанные с этим методологические и этические ограничения. При этом уже на стадии постановки вопроса важно учитывать риски недостоверности, искажения данных и этические ограничения, сопровождающие использование нейросетей в праве.

Новизна исследования состоит в сочетании позиции редактора академического журнала, поэтапного анализа рабочих процессов юриста-исследователя и включения реальных примеров коммуникации с генеративными моделями как учебного материала по работе с ИИ.

Исследователи выделяют пять основных подходов к использованию ИИ: (1) ИИ как технический инструмент автора (генерация идей, редактирование); (2) ИИ как партнер автора (совместная работа на равных); (3) ИИ как имитатор автора (воспроизведение стиля); (4) ИИ как рассказчик сюжетных шаблонов (создание базовых нарративов); (5) ИИ как генератор оригинального контента (максимально автономное создание текста). Соответственно, авторы используют ИИ на разных стадиях творческого процесса с различной интенсивностью и для специфических задач (Vodolazka et al., 2024).

Настоящая работа адресована тем исследователям, которые хотят познакомиться с возможностями использования ИИ в научном процессе. Предполагается, что базовые рекомендации по взаимодействию с передовыми технологиями могут существенно упростить ключевые этапы исследовательской работы.

Методология исследования

Методологическая основа исследования носит качественный и аналитико-описательный характер и вытекает из ее задач – продемонстрировать потенциальные возможности и ограничения использования ИИ в юридических исследованиях и редакторской практике. В качестве исходного материала использовались:

• Авторский редакторский опыт работы с крупными языковыми моделями при подготовке научного текста;
• Результаты целенаправленных «пробных запросов» к ИИ-системам по типичным задачам юриста-исследователя (поиск источников, генерация вариантов формулировок, подбор примеров, языковая правка, формирование таблицы фактического материала) в качестве вспомогательных средств;
• Выборочные открытые источники (интервью, аналитические материалы, кейсы), отражающие риски и практики применения ИИ, в том числе резонансное дело Mata v. Avianca, Inc⁴.

Применялись следующие методы:

• Качественный анализ ответов ИИ-систем (содержательной состоятельности, полноты, стилистического уровня, соответствия запросу);
• Аналитико-описательное обобщение выявленных преимуществ и рисков использования нейросетей в научной работе и редакторской деятельности;
• Критический анализ проблем достоверности и интерпретации данных, в том числе при работе с разнородными вторичными источниками и англоязычной терминологией, что отражено в обсуждении таблицы и разделе о погрешности фактического материала.

В целях демонстрации практики взаимодействия исследователя с генеративным ИИ в исследовании сохранены фрагменты диалога «человек-система», используемые как иллюстративный и учебный материал. Они не подменяют авторский текст и не рассматриваются как самостоятельный результат исследования, а служат для анализа стратегий постановки задач и формулирования промптов в научном контексте.

Осознано подчеркиваются методологические ограничения: результаты, полученные с помощью ИИ, рассматриваются как промежуточный, вспомогательный продукт, требующий проверки по первичным источникам, уточнения формулировок и контекста, а также явного проговаривания допущений при работе со статистическими данными, извлеченными из разнородных вторичных ресурсов. Такой дизайн методологии позволяет трактовать ИИ как инструмент поддержки исследовательской и редакторской деятельности, не снимающий с автора ответственности за достоверность, интерпретацию и научную новизну выводов.

Генеративный ИИ-ассистент Perplexity привлекался для написания аннотации, структурирования раздела „Методология исследования“, поддержки поиска релевантной литературы, стилистического редактирования текста и проверки эквивалентности перевода на английский язык.

Определение области исследования и темы с поддержкой ИИ

Контекст исследования и постановка проблемы

Опыт работы в качестве английского редактора юридического журнала показывает, что большинство поступающих рукописей требует серьезной доработки. Это касается практически всех компонентов научной статьи: заголовка, структуры, логики изложения, аргументации, стиля, формулировок выводов и заключения. Тексты часто выглядят спешно подготовленными, без авторской или редакторской правки. При двуязычной публикации (на русском и английском языках) проблемы усугубляются некачественным переводом и слабым владением нормами англоязычного  академического дискурса, включая цитирование, работу с первоисточниками и языковое оформление текста. Показательна статья, посвященная англоязычной правовой классике (философии права) без источников на английском языке: это свидетельствует о том, что цитаты фактически подвергаются двойному переводу (с английского на русский, а затем обратно через онлайн переводчик), что искажает оригинал.

Современные цифровые технологии, описанные в статье, позволяют в значительной мере нивелировать указанные проблемы и повысить качество академического текста. Эффективное их использование предполагает, однако, предварительное знакомство с возможностями соответствующих платформ и формирование базовых навыков работы с ними. В этих целях может быть полезным обучение на специализированных курсах по применению технологий искусственного интеллекта либо целенаправленное самостоятельное освоение принципов взаимодействия с цифровыми ассистентами.

Автор настоящего исследования прошла обучение в онлайн-университете  «Зерокодер», получив практические навыки применения различных технологий ИИ для работы с текстами на русском и английском языках. В 2025 г. они разработали образовательный курс по использованию ИИ в юридической практике и научной деятельности, ориентированной на юристов-практиков и исследователей. Настоящая работа опирается на этот опыт и направлена на его распространение среди специалистов, заинтересованных в повышении профессиональной компетентности и адаптации к новым технологическим вызовам.

Отдельного внимания заслуживает качество промптов (запросов к нейросетям), от которых напрямую зависят точность, глубина и воспроизводимость получаемых результатов (Kirpichev, 2024). В ряде работ промпт-инжиниринг рассматривается как новая сквозная компетенция ХХI века, включающая умение ясно формулировать задачу, задавать контекст и ограничения, а также критически оценивать полученный отклик (Federiakin et al., 2024). Исследования, посвященные использованию генеративных моделей в академическом письме (Nguyen et al., 2024) и правовых исследованиях⁵, показывают, что структурированные запросы с указанием роли модели (например, юрист-исследователь), формата ответа, ссылок на источники и логики рассуждений существенно повышают качество результата и позволяют интегрировать большие языковые модели (LLM) в научный рабочий процесс более ответственно и эффективно (Giray, 2023).

Работа поэтапно рассматривает наиболее трудоемкие стадии научной работы и соотносит их с цифровыми инструментами, способными повысить качество конечного продукта. Используются текстовые платформы на базе генеративного ИИ: Merlin, GPTunnel, Chad AI/ChadGPT, Perplexity, а также встроенный ИИ-ассистент доступные в России на бесплатной или условно-платной основе. Эти системы на протяжении нескольких лет последовательно применяются автором для решения задач, связанных с академическим письмом, и в целом демонстрируют высокий уровень функциональности. Дополнительно, рассматривается платформа Consensus, позиционирующая себя как инструмент, ориентированный преимущественно на научные исследования и образование и предлагающий широкий набор функций для работы с научным контентом. Среди российских разработок особое значение в контексте юридической науки и практики приобретают системы YandexGPT и GigaChat, которые активно интегрируются в отечественную цифровую экосистему.

Роль ИИ-ассистента на этапе выбора темы

Приведем несколько отобранных фрагментов взаимодействия исследователя с генеративной системой искусственного интеллекта, рассматриваемые в качестве иллюстративного материала. Эти фрагменты не подменяют авторский научный текст и не рассматриваются как самостоятельный результат исследования; они служат эмпирическими примерами построения промптов и анализа ответов ИИ на различных этапах подготовки юридической научной статьи.

Пример 1. Определение области исследования и темы с использованием интеллектуального помощника

Запрос автора:

Я работаю над темой использования ИИ в юридических исследованиях и судебной практике. Предложи несколько конкретных и реализуемых тематик статьи,  ориентированной на практикующих юристов и академическое сообщество.

Ответ ИИ (фрагмент):

1. ИИ-поддержка юридических исследований: интеграция генеративных моделей в работу с традиционными правовыми базами данных (Westlaw, LexisNexis, российские справочные системы).
2. «Галлюцинации» в юридических ИИ-инструментах: риски, стратегии верификации и роль исследователя как критического фильтра.
3. Использование ИИ-платформ при подготовке двуязычных юридических статей; от выбора темы до перевода и контроля терминологии.

Комментарий:

Данный фрагмент демонстрирует, как исходный, довольно общий исследовательский интерес трансформируется в несколько более сфокусированных и практически реализуемых тем. ИИ-ассистент не подменяет авторский выбор, а используется как инструмент генерации вариантов и экспликации возможной структуры будущего исследования; окончательное решение о теме и ее уточнении принимает исследователь с учетом научных целей и требований журнала.

Современные технологии и инструменты искусственного интеллекта

Понимание и определение искусственного интеллекта

В настоящем исследовании под платформами генеративного ИИ понимаются крупные языковые модели и сервисы на их основе, представленные в разных юрисдикциях (включая ChatGPT, Perplexity, DeepSeek, YandexGPT, GigaChat и др.), которые обеспечивают сопоставимый базовый функционал для задач научного и юридического письма. Для юриста-исследователя это, прежде всего, инструменты поддержки правового поиска, чернового анализа текста, подготовки справок, аннотаций и предварительного редактирования рукописей.

 Поскольку ИИ является сложной междисциплинарной технологией (Atabekova, 2024), общепринятое универсальное определение до сих пор не сложилось (Kukshev, 2020; Dyakonova, 2024). В научной литературе подчеркиваются разные аспекты: моделирование человеческого интеллекта (Mainzer, 2020), способность интерпретировать внешние данные и использовать извлеченные знания (Haenlein & Kaplan, 2019), принятие решений высокой когнитивной сложности (Abràmoff, Tobey & Char, 2020), выполнение задач и коммуникация, логически подобная человеческой (Gil de Zúñiga, Goyanes & Durotoye, 2024), имитация умственных способностей человека в прикладных сервисах⁶. В прикладном юридическом контексте целесообразно рассматривать ИИ как совокупность технологий, позволяющих автоматизировать отдельные интеллектуальные функции (анализ текста, поиск по смыслу, обобщение, построение  аргументации), не подменяя при этом профессиональное правовое мышление.

Регламент Европейского союза об ИИ (EU AI Act 2024/1689) подчеркивает такие свойства систем, как автономность и адаптивность. ИИ-система определяется как машинная система, функционирующая с различными уровнями автономности, способная адаптироваться после развертывания и на основе поступающих данных формировать выводы (предсказания, контент, рекомендации или решения), влияющие на физические или виртуальные среды. Для юридических исследований это важно тем, что именно такие характеристики – обучение на данных, вмешательство в процессы принятия решений, влияние на судебную и административную практику – лежат в основе правовых рисков и вопросов распределения ответственности между разработчиками, пользователями и государством.

Классы ИИ-инструментов, значимые для юриста-исследователя

Для научной работы в сфере права наибольшее значение имеют несколько групп инструментов ИИ.

Во-первых, поисковые и справочные системы с элементами ИИ для улучшения качества поиска и семантической обработки запросов. К ним относятся общие поисковые системы (Yandex, Google), и специализированные правовые базы данных (Westlaw, LexisNexis, КонсультантПлюс, Гарант, Кодекс ТЕРРА) с функциями контекстного и «умного» поиска по судебной практике и законодательству. Они позволяют юристу-исследователю быстро находить релевантные нормативные акты, судебные решения и доктринальные источники по сложным фактическим и правовым ситуациям.

Во-вторых, текстовые платформы на основе больших языковых моделей  (LLM) – ChatGPT, YandexGPT, DeepSeek, Perplexity, Merlin, GPTunnel, Chad AI и др. Они используются для:

• генерации и уточнения формулировок темы и исследовательских вопросов;
• предварительного структурирования разделов статьи;
• подготовки черновых аннотаций, обзоров литературы, справок;
• языковой правки и двуязычной сверки терминологии (русский/английский).

Полученные тексты требуют проверки по первичным источникам, редактирования автором и соответствия требованиям журнала.

В-третьих, отраслевые решения в сфере Legal AI для интеграции ИИ в правовые процессы: e-discovery, анализ договоров, управление рисками и комплаенсом, аналитика судебной практики. Примеры – Thomson Reuters Westlaw Edge, российские Casebook, Caselock, GigalLegal, ЮРАЙТ: LEGAL AI, LawAI. Для исследователя они служат:

• источниками эмпирических данных (массивы дел, позиции судов, динамика споров);
• объектом критического анализа автоматизации юридических операций, вопросов обоснованности алгоритмов и прозрачности критериев поиска и классификации.

 Отдельную группу составляют инструменты Document AI для автоматического чтения и анализа документов. Они быстро просматривают большие массивы контрактов, судебных решений и нормативных актов, выявляют ключевые положения, риски и формируют резюме для дальнейшего авторского анализа. Академические работы по Document AI отмечают сочетание методов обработки естественного языка и машинного обучения для due diligence и комплексных обзоров практики (Cui Lei  et al., 2021).

Наконец, особое значение для научных задач имеют подходы с генерацией и поиском по профильным корпусам – так называемая генерация с расширением  поиска (Retrieval-Augmented Generation, RAG) и режимы глубокого исследования (Deep Research). В RAG-подходе большая языковая модель формирует ответы на  основе извлеченных из заданного корпуса документы (судебные решения,  нормативные базы, внутренние репозитории), повышая точность и снижая галлюцинации (Niu et al., 2024). Deep Research, реализованный в новых поколениях ИИ-ассистентов, предполагает многошаговую работу агента: построение плана, последовательное обращение к источникам, сравнение данных из разных юрисдикций  и формирование структурированного отчета со ссылками⁷. Подобные агентные подходы к «рассуждающим» моделям, сочетающим использование инструментов и внешних источников, подробно анализируются в недавних работах⁸ (Wu, Zhu & Liu, 2025). Такие инструменты полезны для сравнительно-правовых обзоров, междисциплинарных исследований и обзоров практики по новым категориям дел, но требуют строгой верификации и описания методологических ограничений (Niu et al., 2024; Magesh et al., 2025).

В совокупности эти инструменты образуют «технологический слой» над традиционными методами юридического исследования: ускоряют поиск и обработку  информации, расширяют аналитический инструментарий, улучшают качество оформления рукописи, но не заменяют работу с первоисточниками, критическую  интерпретацию данных и авторскую ответственность.

Интеграция ИИ в рабочие процессы юриста-исследователя

Российская и зарубежная инфраструктура LegalTech и Legal AI

В настоящее время наблюдается широкая интеграция инструментов искусственного интеллекта в юридические рабочие процессы с целью их оптимизации. Машинное обучение (machine learning, ML), использующее алгоритмы и статистические модели, позволяет системам обучаться на данных и повышать качество решений по мере накопления и расширения массивов данных. Глубокое обучение (Deep Learning) как разновидность ML опирается на многослойные нейронные сети и большие объемы разнородных данных, последовательно извлекает более абстрактные представления и обеспечивает высокую точность решений даже при сложной и непредсказуемой входной информации⁹.

Российский рынок цифровых технологий динамично развивается, включая сегменты LegalAI (искусственный интеллект в праве) и LegalTech (правовые технологии). Эти решения поддерживают юристов в поиске информации, подготовке документов, анализе судебной практики и управлении правовыми рисками. К ключевым элементами инфраструктуры относятся крупные правовые поисковые и справочные системы (КонсультантПлюс, Гарант, Кодекс, ТЕРРА), специализированные базы данных и сервисы проверки контрагентов (СПАРК, Контр.Фокус), а также инструменты автоматизации документооборота и договорной работы (ТурбоКонтракт, DocZilla, FreshDoc). Важную роль в развитии онлайн-правосудия играют электронные сервисы арбитражных судов, прежде всего платформа «Мой Арбитр» (my.arbitr.ru), обеспечивающая дистанционную подачу документов и участие в процессе без личной явки. Сервисы анализа судебной практики (Casebook, Caselook)  и специализированные Legal AI-решения (GigalLegal, GigaChat, ЮРАЙТ: LEGAL AI) дополняют эту инфраструктуру, углубляя обработку данных и автоматизируя  отдельные юридические операции.

В 2023 г. на российский рынок был выведен виртуальный юрист LawAI, бета-версия которого реализует базовые функции правовой поддержки: поиск нормативных актов и судебных решений, подбор релевантных статей кодексов и формулирование определений ключевых правовых понятий. Аналитические обзоры указывают, что одной из ключевых тенденций развития российского IT-рынка в 2025–2026 гг. является дальнейшее внедрение ИИ, рост спроса на облачные решения и автоматизацию бизнес-процессов, включая юридическую деятельность, что связано с необходимостью повышения эффективности и снижения издержек на рутинные операции¹⁰.

Особое внимание уделяется внедрению ИИ в судебную деятельность и сферу публичного управления. В Послании Президента Федеральному Собранию  от 19 февраля 2024 г. и в Указе Президента РФ от 10 октября 2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации» сформулированы стратегические ориентиры цифровой трансформации и использования ИИ, в том числе в системе правосудия. Среди приоритетов – развитие онлайн правосудия (электронная подача документов, дистанционное участие в заседаниях, получение судебных актов в электронном виде) и автоматизация внутренних процедур судов. С 2019 г. в арбитражных судах и судах общей юрисдикции действует система автоматизированного распределения дел между судьями, что рассматривается как важный этап цифровизации судебной системы и предпосылка для внедрения более сложных ИИ-инструментов (Morhat, 2024).

ИИ в судебных системах: краткий сравнительный обзор  (Китай, Сингапур, Эстония и др.)

Наиболее далеко в использовании цифровых технологий и элементов ИИ в судопроизводстве продвинулись государства с развитой онлайн-инфраструктурой правосудия. В Китае это система интернет-судов и национальная правовая ИИ-платформа, обрабатывающая большие массивы судебных данных и поддерживающая судей при классификации дел и подготовке проектов решений. Согласно разъяснениям Верховного народного суда Китая, к 2025 г. все суды должны внедрить компетентные ИИ-системы при сохранении окончательной роли судьи¹¹.

В Сингапуре и ряде государств ЕС (включая пилотные проекты в Эстонии) ИИ чаще используется как вспомогательный инструмент: для анализа загруженности судов, подготовки справочных материалов, поддержки онлайн-разрешения споров (ODR) и прототипов рекомендательных систем для судей. В Сингапуре генеративный ИИ тестируется в малозначительных спорах и трибуналах, помогая самопредставляющимся участникам ориентироваться в процедуре и магистратам –  суммировать позиции сторон¹². В Эстонии цифровизация правосудия сочетается с проектами «робота-судьи» для мелких исков и инициативами по ИИ-аналитике в e-justice, что формирует технологическую базу для дальнейшего внедрения аналитических систем в судебную деятельность (Härmand, 2023).

Дополнительный эмпирический материал дают исследовательские датасеты по делам, связанным с ИИ (например, AI on Trial), показывающие, как вопросы ответственности за использование ИИ и допустимости автоматизированного анализа  данных становятся предметом судебных споров в разных юрисдикциях. ИИ в судах выступает не только технологическим инструментом, но и объектом правового разбирательства, что следует учитывать при построении сравнительных обзоров  и анализе практики (Strebkova, 2021).

При этом доступные данные об использовании ИИ в судебных системах остаются фрагментарными: это статистические отчеты, описания пилотных проектов и выборочные массивы дел. Поэтому количественные сопоставления между странами могут носить лишь ориентировочный характер и требуют аккуратного указания  методологических ограничений.

Практическое использование ИИ в научной работе юриста

Поиск и верификация источников: сочетание ИИ-платформ  и библиотечных баз данных

Российскую инфраструктуру ИИ-для-права дополняет широкий спектр зарубежных ресурсов. Среди англоязычных правовых баз данных ключевыми являются Westlaw (доступ к Westlaw Academic открыт в научной библиотеке РУДН с 2025 г.) и LexisNexis, предоставляющие массивы законодательств, судебных решений, прецедентов и аналитики по праву стран общего права. Доступ к большинству зарубежных научных ресурсов осуществляется по подписке и вне институциональных лицензий является платным, однако научная библиотека РУДН по корпоративной подписке обеспечивает доступ к широкому кругу баз данных и журналов ведущих издательств (Springer Nature, Taylor & Francis, Wiley и др.), что существенно расширяет источниковую базу юридических исследований.

Для иллюстрации возможностей традиционных баз данных был выполнен поисковый запрос по ключевой фразе «AI in court proceedings». Результаты включали несколько десятков страниц записей разной степени релевантности; поиск велся на английском языке, при этом часть публикаций была на русском. Для каждой записи предоставлялись библиографические данные, аннотация с возможностью перевода на русский язык, и, в ряде случаев, полный текст статьи. В отобранный корпус вошли работы по цифровизации судебного разбирательства и внедрению ИИ в судопроизводство, включая исследования эволюции цифрового правосудия в разных юрисдикциях и ответственности за использование ИИ в суде.

Показательно, что перечни публикаций, полученные с помощью нейросетевых инструментов и при поиске в базах данных научной библиотеки РУДН, лишь  частично совпали. Это подтверждает, что генеративный ИИ следует рассматривать как дополнение к традиционным академическим ресурсам: он расширяет поле поиска и подсказывает новые направления, но требует обязательной последующей верификации найденных источников в авторитетных базах данных. На сайте библиотеки, в том числе в разделе информационной поддержки публикационной деятельности, доступны сервисы для поиска литературы, автоматизированного оформления библиографии, проверки текста, анализа стиля, подготовки аннотаций и иллюстративных материалов, что заметно облегчает подготовку рукописи к публикации.

Использование генеративного ИИ на этапе поиска литературы сопряжено с риском так называемых галлюцинаций – случаев, когда модель создает правдоподобные, но фактически несуществующие источники, искаженные цитаты или некорректные библиографические записи (Ji et al., 2022). Исследования показывают, что такие ошибки обусловлены статистической природой работы больших языковых  моделей и отсутствием у них «понимания» фактического содержания, а не только качеством обучающих данных (Bender et al., 2021). Поэтому роль исследователя как критического фильтра информации сохраняет принципиальное значение, даже при использовании продвинутых систем с режимами «рассуждения», которые способны лишь частично уменьшить частоту галлюцинаций, но не устраняют их полностью (Magesh et al., 2025).

Составление таблиц и графиков с использованием ИИ

Подготовка наглядных материалов традиционно требует значительных временных и интеллектуальных затрат: исследователь собирает данные из разных источников, анализирует их, определяет цель визуализации (отображение тренда, сравнение, распределение), выбирает тип представления (линейный или столбчатый график, таблица) и реализует его в конкретном программном продукте. Инструменты искусственного интеллекта позволяют заметно сократить эти затраты: при корректной постановке задачи значительная часть рутинных операций по структурированию  данных и подбору формата визуализации может быть автоматизирована, при этом ключевым остается качество формулировки запросов и умение выстраивать последовательный диалог с системой.

В качестве иллюстрации можно рассмотреть задачу визуализации данных о количестве судебных дел с участием ИИ-систем в Китае и других юрисдикциях  в 2021–2025 гг. Для таких задач подходят столбчатые или составные диаграммы, где по оси Х располагаются страны (Китай, Сингапур, Южная Корея, Эстония, пилотные проекты в государствах ЕС), а по оси Y количественные или относительные использования ИИ в судопроизводстве; визуализация может строиться по абсолютным значениям (число дел, рассматриваемых с использованием онлайн-платформ и «умных» подсистем) и по категориям (полностью автоматизированные мелкие споры, поддержка судей ИИ-системами, использование онлайн-платформы разрешения споров (ODR).

Для технической реализации визуализации могут применяться офисные решения (PowerPoint, Keynote, Canva – для презентационных диаграмм; Excel, Google Sheets – для числовых данных и анализа), а также специализированные ИИ-инструменты, автоматически предлагающие типы графиков и настраивающие их по  описанию задачи. При этом единой официальной сводки по количеству дел с ИИ участием по странам пока нет, поэтому автор опирается на фрагментарные данные: статистические отчеты судов, описания пилотных проектов, выборочные кейсы  и исследовательские датасеты, что требует явного указания источников, показателей и ограничений интерпретации.

Для сравнительного анализа практики различных юрисдикций целесообразно использовать структурированные таблицы, где для каждой страны фиксируются: состояние цифровой и онлайн-инфраструктуры, и стратегий по внедрению ИИ, фактическое использование ИИ как вспомогательного инструмента, наличие и динамика дел, в которых ИИ выступает предметом спора. Таблица может дополняться колонками о годе запуска решений, типах дел (административные, гражданские,  уголовные, мелкие иски), уровне автономности ИИ (поддержка, рекомендация, первичное решение), методе измерения (официальная статистика, исследовательский датасет, экспертная оценка) и краткой характеристикой источника.

Важно подчеркнуть, что структура таблицы или эскиз диаграммы, полученные с помощью ИИ, не могут рассматриваться как окончательный результат: необходима проверка корректности источников и показателей, уточнение терминологии и параметров, а также приведение формата визуализации в соответствие с требованиями конкретного журнала или издательства.

Таблица 1. Основные модели использования ИИ в судебных системах отдельных юрисдикций  (с акцентом на Китай) в 2021–2025 гг. 

Источник: таблица составлена В.В. Степановой, структура таблицы разработана В.В. Степановой  с использованием рекомендаций генеративного ИИ-ассистента Perplexity.

Table 1. Main AI use models in the judicial systems of selected jurisdictions (with a focus on China)  in 2021–2025

Source: The Table is compiled by Valentina V. Stepanova; the table structure is developed by Valentina V. Stepanova using recommendations from Perplexity (generative AI assistant).

Методические рекомендации по работе  с ИИ-моделями для юридических задач

Интеграция инструментов ИИ в научную работу юриста может происходить на разных этапах – от выбора темы до оформления ссылок; при этом особое значение приобретают качество промптов, верификация результатов и корректное описание ограничений исследования. В данном разделе рассматриваются примеры использования ИИ при структурировании текста, работе с источниками и составлении таблиц и графиков, а также подчеркиваются риски галлюцинаций и неоднородности данных, которые необходимо явно фиксировать в методологической части.

Пример 2. Коррекция структуры раздела с использованием ИИ-ассистента

Запрос автора:

Предложи более логичную структуру этого раздела для научной статьи: нужно развести по подпунктам (1) поиск литературы, (2) работу с источниками, (3) визуализацию данных, (4) обсуждение рисков и ограничений ИИ. Сохрани академический стиль и ориентацию на юридическую аудиторию.

Ответ ИИ (фрагмент):

2.1. Поиск и предварительный отбор научных источников с использованием ИИ и традиционных баз данных.

2.2. Работа с текстами источников: аннотирование, проверка ссылок, двуязычная сверка и автоматизированное оформление библиографии.

2.3. Подготовка наглядного материала: таблицы и графики, созданные с поддержкой ИИ-инструментов.

2.4. Ограничения и риски использования генеративного ИИ (галлюцинации, неполнота выборки, необходимость верификации данных).

Комментарий: Данный пример демонстрирует использование ИИ-ассистента не для генерации содержательного текста, а для оптимизации композиции раздела. На основе исходного, относительно общего абзаца модель предлагает иерархию подпунктов, отражающую ключевые стадии научной работы (поиск литературы, анализ источников, визуализация, обсуждение ограничений) и делающую структуру более прозрачной для читателя; окончательная формулировка заголовков и наполнение подпунктов остаются в компетенции автора, который адаптирует предложенную структуру к целям исследования и требованиям журнала.

Пример 3. Обсуждение погрешностей и ограничений данных, представленных в сравнительной таблице.

Запрос автора к ИИ-ассистенту:

В таблице об использовании ИИ в судебных системах разных стран я опираюсь на разнородные источники: официальную статистику Верховного суда Китая об онлайн-делах, исследовательский датасет по делам, связанным с ИИ (AI on Trial), нормативные документы и пресс-релизы по пилотным проектам в Сингапуре и Эстонии. Насколько корректно говорить о погрешности таких данных и какие именно виды неопределенности мне нужно описать в разделе о методологических ограничениях?

Ответ ИИ (фрагмент):

В данном случае корректнее говорить не о «проценте погрешности» в строгом статистическом смысле, а о типах неопределенности и ограничениях данных. Минимальная неопределенность характерна для официальной статистики (например, числа онлайн-дел в Китае) при условии корректного понимания показателя.  Существенно выше неопределенность там, где используются: (1) исследовательские датасеты с потенциальной неполной выборки и селективностью включенных кейсов (как в проекте AI on Trial); (2) медийные и экспертные описания пилотных проектов, не содержащих систематических данных. Отдельный источник ошибок связан  с переводом и интерпретацией категорий (cases filed, cases handled, online cases,  AI-related cases): если сводить их под общую формулу «дела, решенные с помощью ИИ», возникает риск неверных обобщений. В разделе о методологических ограничениях целесообразно явно указать для каждой строки таблицы тип источника, характер показателя (официальная статистика, оценка, качественное описание) и подчеркнуть, что сравнения между юрисдикциями носят ориентировочный, а не строго количественный характер.

Такой пример показывает, что модель не вычисляет истинную погрешность данных, а помогает артикулировать типы неопределенности и корректно оформить раздел об ограничениях исследования.

На уровне методологии можно выделить несколько групп ограничений. Во-первых, ограничения генеративного ИИ: результаты, полученные с его помощью, следует рассматривать как промежуточный, вспомогательный продукт, подлежащий проверке по первичным источникам, уточнению формулировок и контекста, а также явному проговариванию допущений при работе с разнородными статистическими данными; это позволяет трактовать ИИ как инструмент поддержки, не снимающий с автора ответственности за достоверность и интерпретацию выводов. Во-вторых, ограничения эмпирического материала: источники и показатели неоднородны по странам, данные фрагментарны и ориентировочны и не предполагают строгого количественного сопоставления. В-третьих, ограничения репрезентативности снижают строгость обобщений, однако цель таблицы состоит в иллюстрации основных моделей использования ИИ в судебных системах, а не в построении исчерпывающей статистической картины, что нужно прямо зафиксировать в разделе «Ограничения исследования».

Практика показывает, что качество ответов ИИ-систем напрямую зависит от качества постановки задачи пользователем: выбора подходящей модели, формулировки промпта и степени описания контекста. В связи с этим целесообразно предложить следующие методические рекомендации.

• При выборе модели следует учитывать ее назначение, актуальность правовой базы, режим обработки данных и уровень конфиденциальности (on-premise-решения, закрытые корпоративные контуры и т.п.).
• Промпт должен быть развернутым: задавать предполагаемую роль модели (например, «помощник судьи», «юрист-исследователь»), требуемый формат и структуру ответа, язык и целевую аудиторию.
• Необходимо максимально ясно описывать контекст: юрисдикцию, вид и стадию производства, тип документа (судебный акт, научная статья, правовое заключение), а также обозначать ограничения (запрет на выдуманные ссылки, необходимость опоры только на перечисленные/академические источники и др.).
• Для повышения надежности результата рекомендуется разбивать сложные задачи на этапы (сначала запросить план или схему аргументации, затем детализацию по разделам), использовать перекрестные запросы к модели для самопроверки и обязательно сопоставлять полученные ответы с первичными источниками.

Заключение

Представленные размышления редактора о возможном участии искусственного интеллекта в научном процессе позволяют сделать несколько обобщающих выводов.

Привлечение нейросетей существенно сокращает время на поиск и первичный анализ материала: ИИ быстро обрабатывает большие массивы правовой информации, отыскивает актуальные судебные решения и нормативные акты, и может  формировать основу для прогнозных рассуждений о развитии регулирования на базе анализа доктрины и правоприменения.

Автоматизация отдельных этапов научной работы и оформления текста (структура и компоновка материала, текстовая правка и стиль, фактчекинг, включая этические и правовые проверки, генерация и доработка контента) позволяет достигать формально безупречного результата, соответствующего высоким требованиям ведущих изданий. При этом такие инструменты поддержки не заменяют содержательную работу исследователя: полностью сгенерированный ИИ текст не может считаться подлинно авторским и не обеспечивает самостоятельного научного вклада.

Значимы и риски некритичного использования ИИ. Показательный пример – дело Mata v. Avianca, Inc, где нью-йоркский адвокат Стивен А. Шварц (Steven A. Schwartz) представил в федеральный суд процессуальный документ с вымышленными прецедентами, сгенерированными ChatGPT, что привело к санкциям и широкому общественному резонансу. Этот случай является убедительным аргументом в пользу прозрачного раскрытия использования ИИ и проверочных процедур. К подобным рискам следует отнести и методологические ограничения работы с данными: различия в терминологии, переводе, достоверность источников, а также фрагментарность доступной статистики требуют явного проговаривания допущений, описания неопределенности и предельной осторожности при количественных оценках.

Вся информация, полученная с помощью нейросетей, должна проходить тщательную проверку на качество, точность и релевантность выбранной исследовательской задаче; окончательные решения о содержании и публикации принимает автор, несущий личную ответственность за надежность текста. Разумное использование интеллектуальных технологий опирается на профессиональный опыт и компетентность пользователя: в центре остается критическое правовое мышление, тогда как языковые модели выступают вспомогательным инструментом, усиливающим, но не подменяющим аналитические способности юриста.

Системное освоение ИИ предполагает развитие практических навыков: понимания принципов работы и ограничений систем, умения формулировать промпты и осознанно выбирать цифровые инструменты под конкретные научные задачи. Нейросети в этом контексте выступают мультипликатором исследовательских и редакторских возможностей, а ключевой компетенцией юриста-исследователя становится сочетание автоматизации с источниковедением, критическим мышлением и ответственностью за конечный результат.

Наконец, нельзя игнорировать нормативно-этическое измерение, риски и правовое регулирование цифровой сферы, которые активно обсуждаются в современной доктрине и ставят острые вопросы о границах допустимого использования ИИ.

До сегодняшнего дня считалось, что ИИ не в состоянии написать качественную научную работу в силу ограниченности конечного объёма данных, параметров и мощностей. Но с вводом архитектуры размышления (генерация ответа, его  проверка, переосмысление и улучшенный ответ), интеграции кода и многошаговых стратегий, модель усилила способность к поиску решений сложных задач, что расширяет горизонты использования ИИ. В своем чате Кирилл Пшинник, Генеральный директор Зерокодера, на основе конкретного примера решения моделью  ChatGPT Pro ранее нерешенных математических задач (Задачи Эрдеша) утверждает, что «нейросети перестают быть просто генераторами текста. Они становятся инструментом для поиска новых решений там, где человек их еще не нашел». Это требует нового осмыслению роли ИИ и человека в современной жизни.

Все концептуальные решения, интерпретации, выводы и окончательная редакция статьи остаются в ответственности автора.

^{1 Национальная стратегия развития искусственного интеллекта на период до 2030 года : утв. Указом Президента РФ от 10.10.2019 № 490 (ред. от 15.02.2024). URL: http://www.kremlin.ru/acts/bank/44731 (дата обращения: 15.01.2026). П. 28 (1) ж.}

^{2 Ярко Е., Кучкарова Д. Искусственный интеллект для юристов: как развивается сфера Legal AI // РБК Тренды. 15.07.2025. URL: https://trends.rbc.ru/trends/innovation/687110ec9a79478fa6d8db5a (дата обращения: 15.01.2026).}

^{3 AI for legal research: Applications, architecture, benefits, tools and development. 2024. Available at: https://www.leewayhertz.com/ai-for-legal-research [Accessed 30th January 2026].}

^{4 Прецедентное решение федерального суда США (2023 г.), в котором адвокаты были оштрафованы за использование ИИ ChatGPT для составления процессуальных документов и представление суду несуществующих судебных прецедентов.}

^{5 MacSweeney G. The best AI tools for legal research in 2025. Available at: https://www.legalfly.com/post/best-ai-tools-for-legal-research-in-2025 [Accessed 30th January 2026].}

^{6 Тамразян Г. Лучшие сервисы на основе искусственного интеллекта для вашего бизнеса. 14.09.2023. URL: https://simtechdev.ru/blog/ai-servisy (дата обращения: 30.01.2026).}

^{7 Колесников П. OpenAI выпустила ИИ-исследователя: делает научную работу самостоятельно. URL: https://hi-tech.mail.ru/news/121951-openai-vypustila-ii-issledovatelya/ (дата обращения: 30.01.2026).}

^{8 Vintti. The best legal research software for advanced practitioners: A review. 2025. Available at: https://www.vintti.com/blog/the-best-legal-research-software-for-advanced-practitioners-a-review [Accessed 30th January 2026].}

^{9 Thomson Reuters. Westlaw Edge features: Advanced legal research. 2025. Available at: https://legal.thomsonreuters.com/en/products/westlaw-edge/features [Accessed 30th January 2026].}

^{10 IT-тренды 2025: главные направления цифровой трансформации. 10.03.2025. URL: https://www.cnews.ru/reviews/cnews_it-trendy_2025 (дата обращения: 31.01.2026).}

^{11 China launches artificial intelligence platform to boost judicial efficiency // english.court.gov.cn. 05.12.2024. Available at: https://english.court.gov.cn/2024-12/05/c_1053706.htm [Accessed 30th January 2026].}

^{12 Heaphy M. How are courts adopting AI in the Asia-Pacific region. 17.07.2025. Available at:  https://insight.thomsonreuters.com/sea/legal/posts/how-are-courts-adopting-ai-in-the-asia-pacific-region  [Accessed 30th January 2026].}

^{13 Supreme People’s Court of China. Chinese courts must implement AI system by 2025 // Beijing Internet Court / SPC News. 2022. Available at: https://english.bjinternetcourt.gov.cn/2022-12/12/c_593.htm [Accessed 30th January 2026].}

^{14 Supreme People’s Court of China. Smart courts: Digital empowerment of judicial work // Official SPC portal. Available at: https://english.court.gov.cn/SmartCourtsDigitalEmpowerment.html [Accessed 30th January 2026].}

^{15 Supreme People’s Court of China. Chinese courts must implement AI system by 2025 // Beijing Internet Court / SPC News. 2022. Available at: https://english.bjinternetcourt.gov.cn/2022-12/12/c_593.htm [Accessed 30th January 2026].}

^{16 Wu W., Lin X. When Algorithms Meet Justice: A Deep Dive into AI-assisted Criminal Proceedings in China. Available at: https://blog.uni-koeln.de/eclrhub/2026/01/15/when-algorithms-meet-justice-a-deep-dive-into-ai-assisted-criminal-proceedings-in-china/ [Accessed 30th January 2026].}

^{17 New regulation adjusts jurisdiction of internet courts // Beijing Internet Court : [сайт]. 13.10.2025. Available at: https://english.bjinternetcourt.gov.cn/2025-10/13/c_817.htm [Accessed 30th January 2026].}

^{18 Wininger А. China’s Supreme People’s Court Releases 2025H1 Data – IP Cases Up 36%. Available at: https://www.chinaiplawupdate.com/2025/07/chinas-supreme-peoples-court-releases-2025h1-data-ip-cases-up-36/ [Accessed 30th January 2026].}

^{19 Assunção I.V. Beyond Regulation: What 500 Cases Reveal About the Future of AI in the Courts. Available at: https://www.techpolicy.press/beyond-regulation-what-500-cases-reveal-about-the-future-of-ai-in-the-courts [Accessed 30th January 2026].}

^{20 Supreme Court of Singapore. Registrar's Circular No. 1 of 2024: Guide on the Use of Generative  Artificial Intelligence Tools by Court Users. 23.09.2024. Available at: https://www.judiciary.gov.sg/news-and- resources/registrar's-circulars/circular-details/registrar's-circular-no.-1-2024-family-justice-courts [Accessed 31st January 2026].}

^{21 State Courts of Singapore. New Generative AI powered Case Summarisation Tool to Help Small Claims Tribunals Users: media release. 09.09.2025. Available at: https://www.statecourts.gov.sg/... [Accessed  31st January 2026].}

^{22 World Economic Forum. The Future of Jobs Report 2018. Available at: https://www3.weforum.org/docs/WEF_Future_of_Jobs_2018.pdf [Accessed 310th January 2026]; Algorithm Watch. Automating Society Report 2020. Available at: https://automatingsociety.algorithmwatch.org/ [Accessed 31st January 2026].}

^{23 Estonian Ministry of Justice. Digitalization of Courts in Estonia (presentation for the European Parliament). Available at: https://www.europarl.europa.eu/cmsdata/294297/Item%207_ICM_Estonia_MoJ_digitalization_of_courts_notes_EN.pdf [Accessed 31st January 2026].}

^{24 EU e‑Justice / e‑Estonia materials. National justice systems. Estonia. Available at: https://e-justice.europa.eu/topics/taking-legal-action/legal-systems-eu-and-national/national-justice-systems/ee_en [Accessed 31st January 2026].}

^{25 Supreme People’s Court of China. Chinese courts must implement AI system by 2025 // Beijing Internet Court / SPC News. 2022. Available at: https://english.bjinternetcourt.gov.cn/2022-12/12/c_593.htm [Accessed 30th January 2026].}

^{26 Supreme People’s Court of China. Smart courts: Digital empowerment of judicial work // Official SPC portal. Available at: https://english.court.gov.cn/SmartCourtsDigitalEmpowerment.html [Accessed 31st January 2026].}

^{27 Supreme People’s Court of China. Chinese courts must implement AI system by 2025 // Beijing Internet Court / SPC News. 2022. Available at: https://english.bjinternetcourt.gov.cn/2022-12/12/c_593.htm [Accessed 30th January 2026].}

^{28 Wu W., Lin X. When Algorithms Meet Justice: A Deep Dive into AI-assisted Criminal Proceedings in China. Available at: https://blog.uni-koeln.de/eclrhub/2026/01/15/when-algorithms-meet-justice-a-deep-dive-into-ai-assisted-criminal-proceedings-in-china/ [Accessed 31st January 2026].}

^{29 New regulation adjusts jurisdiction of internet courts // Beijing Internet Court. 13.10.2025. Available at: https://english.bjinternetcourt.gov.cn/2025-10/13/c_817.htm [Accessed 31st January 2026].}

^{30 China IP Law Update. China Issues the 2025 Intellectual Property Nation Building Promotion Plan to  Accelerate the Construction of a Powerful Intellectual Property Country. Available at: https://www.chinaiplawupdate.com/2025/05/china-issues-the-2025-intellectual-property-nation-building-promotion-plan-to-accelerate-the-construction-of-a-powerful-intellectual-property-country/ [Accessed 31st January 2026].}

^{31 Assunção I. V. Beyond Regulation: What 500 Cases Reveal About the Future of AI in the Courts.  Available at: https://www.techpolicy.press/beyond-regulation-what-500-cases-reveal-about-the-future-of-ai-in-the-courts [Accessed 31st January 2026].}

^{32 Supreme Court of Singapore. Registrar's Circular No. 1 of 2024: Guide on the Use of Generative Artificial Intelligence Tools by Court Users. 23.09.2024. Available at: https://www.judiciary.gov.sg/news-and-resources/registrar's-circulars/circular-details/registrar's-circular-no.-1-2024-family-justice-courts [Accessed 31st January 2026].}

^{33 State Courts of Singapore. New Generative AI powered Case Summarisation Tool to Help Small Claims Tribunals Users: media release. 09.09.2025. Available at: https://www.statecourts.gov.sg/... [Accessed  31st January 2026].}

^{34 World Economic Forum. The Future of Jobs Report 2018. Available at: https://www3.weforum.org/ docs/WEF_Future_of_Jobs_2018.pdf [Accessed 31st January 2026]; Algorithm Watch. Automating Society Report 2020. Available at: https://automatingsociety.algorithmwatch.org/ [Accessed 31st January 2026].}

^{35 Laanet K. Digitalization of Courts in Estonia. Available at: https://www.europarl.europa.eu/cmsdata/294297/Item%207_ICM_Estonia_MoJ_digitalization_of_courts_notes_EN.pdf [Accessed 31st January 2026].}

^{36 EU e‑Justice / e‑Estonia materials. National justice systems. Estonia. Available at: https://e-justice. europa.eu/topics/taking-legal-action/legal-systems-eu-and-national/national-justice-systems/ee_en [Accessed 31st January 2026].}

About the authors

Valentina V. Stepanova

Author for correspondence.
Email: stepanova-vv@rudn.ru
ORCID iD: 0000-0003-0495-0962
SPIN-code: 7794-4622
ResearcherId: H-9968-2016

PhD in Linguistics, Associate Professor of the Department of Foreign Languages

References

Supplementary files