Автоматизация типовых дел
Задача
Срочная обработка и систематизация большого массива административных дел связанных с нарушением миграционного законодательства (более 108 протоколов).
Как задача решалась без ИИ
Раньше это требовало ручного и трудоемкого разбора каждого документа, с риском ошибок и большими временными затратами.
Ключевые проблемы, которые решали с помощью ИИ
→ Исключить монотонный ручной труд, который занимал несколько дней
→ Исключить риск опечаток при переносе данных в протоколах, датах, фамилиях и номерах разрешений
→ Срочность: рассмотрение назначено через несколько дней
→ Исключить риск опечаток при переносе данных в протоколах, датах, фамилиях и номерах разрешений
→ Срочность: рассмотрение назначено через несколько дней
Цель
Быстро, точно и с минимальными трудозатратами извлечь ключевую информацию из большого массива протоколов, структурировать её в единую таблицу для анализа, подготовки отчетов и принятия решений.
Какая задача стояла перед юристами
Что имели на входе
Несколько файлов с неструктурированным текстом: результаты OCR-распознавания PDF — отсканированных протоколов об административных правонарушениях.
Типовые по структуре, но содержали многочисленные дефекты: опечатки, «мусорные» символы, ошибки форматирования.
Технологии и процесс
Какие LLM были использованы
Использован LLM Gemini 2.5 Pro через сервис ai.doczilla.pro: не потребовалось сложного промпт-инжиниринга, запросы были простыми и интуитивно понятными.
Как проходила работа
Анализ дел велся в 3 шага.
Шаг 1. Прямой запрос
Первичное извлечение ключевых данных из документов.
Я загрузил первую партию документов и дал простую, прямую команду на естественном языке: «Выбери пжл номер протокола, фамилию иностранного гражданина, данные разрешения на работу, фабулы нарушения с датами»*
Шаг 2. Контекстный запрос
Масштабирование: однотипные действия по всем новым файлам.
Для следующих пакетов документов я не повторял длинную инструкцию, а использовал контекст нашего диалога: «Сделай так же по этим»*
Шаг 3. Запрос на форматирование
Финальное структурирование: формирование Excel-таблицы с нужными колонками (номер протокола, ФИО, год рождения, номер и срок разрешения, дата подачи заявления и др.).
Когда все данные были извлечены в виде текстовых сводок, я дал финальную команду для приведения их к удобному формату: «Создай таблицу в эксель в 1 графе №протокола, во 2 графе фамилия иностранного гражданина, в 3 графе год рождения, в 4 графе №разрешения, в 5 графе срок разрешения, в 6 графе пропажа…, в 7 графе дата подачи заявления в УМВД»*
*Авторская стилистика запросов сохранена
Что получили в результате
За считанные минуты создана идеально структурированная таблица со всеми нужными данными по 108+ делам.
Экономия времени: задача, которая вручную заняла бы дни, была решена за 10 минут.
Высокая точность: AI эффективно обработал результаты с опечатками и некорректным форматом, исключил человеческий фактор.
Готовый инструмент для анализа: данные можно сортировать, фильтровать, готовить отчеты и автоматизировать подготовку процессуальных документов (например, индивидуализированных возражений для каждого дела через Mail Merge в Word).
Этот кейс можно использовать для массовой обработки любых однотипных юридических документов:
- Due Diligence: автоматический анализ договоров (выделение условий, сроков, сумм, штрафов)
- Судебная работа: систематизация исков, решений, извлечение ключевых параметров дел
- Массовая автоматизация подготовки документов: автоматическое создание сотен иски, возражения, ходатайств
- Корпоративное право: анализ протоколов заседаний, формирование реестра решений
- Комплаенс и аудит: поиск нужных формулировок в внутренних документах, проверка на соответствие политикам и законам
- Сделки с недвижимостью: извлечение ключевых реквизитов из ЕГРН, договоров, выписок
Где еще применим этот подход
Другие кейсы по использованию ИИ юристами