Mikhail Yatsuha, CEO i współzałożyciel CaseCraft.AI

Mikhail Yatsuha, CEO i współzałożyciel CaseCraft.AI, jest brytyjskim radcą prawnym i przedsiębiorcą w dziedzinie technologii prawnych z ponad dziesięcioletnim doświadczeniem w usługach prawnych. Rozpoczął jako stażysta i praktykant, a następnie awansował do partnera w Sterling Law, gdzie kierował działem komercyjnym i wielokrotnie napotykał opłacalne spory o niskiej wartości, które stawały się nieopłacalne po uwzględnieniu tradycyjnych kosztów prawnych. Pod koniec 2023 roku współzałożył CaseCraft.AI, aby przemyśleć sposób oceny, przygotowania i prowadzenia roszczeń cywilnych przy użyciu przepływów pracy wspieranych sztuczną inteligencją, a nie jedynie stosując AI do redagowania dokumentów prawnych.

CaseCraft.AI jest brytyjską firmą technologiczną w sektorze prawnym, budującą platformę AI‑native do postępowań cywilnych. Platforma łączy ocenę sprawy, przetwarzanie dowodów, korespondencję przedprocesową, generowanie dokumentów, śledzenie procedur oraz przegląd prawny przez człowieka w jednym przepływie pracy, obsługując indywidualnych powódków w modelu no‑win‑no‑fee oraz przedsiębiorstwa za pośrednictwem narzędzi do masowych roszczeń i zarządzania sprawami opartych na subskrypcji. Firma pozyskała około 1,8 mln £ w trzech rundach finansowania i, według stanu na sierpień 2026, odnotowała utworzenie 4 562 spraw o łącznej wartości 14,9 mln £, 51 % z nich zostało rozstrzygniętych lub wygranych w drodze wyroku domyślnego, a 373 spraw jest w aktywnej pracy prawnej; prowadzi także pilotaż pierwszej wdrożenia korporacyjnego oraz testuje MVP w prawie pracy.

Spędziłeś lata, przechodząc od stażysty i praktykanta do partnera w Sterling Law, zanim w 2023 roku współzałożyłeś CaseCraft.AI. Co wielokrotnie obserwowałeś w praktyce prawnej, co przekonało Cię, że proces małych roszczeń można zasadniczo przeprojektować przy użyciu AI, a nie jedynie uczynić bardziej efektywnym dzięki lepszemu oprogramowaniu prawnemu?

Nie przekonało mnie to, że prawnicy potrzebują lepszego narzędzia do redagowania. Przekonało mnie to, że w wielu sporach o niskiej wartości ekonomia zawodzi, zanim prawnik może pomóc. Koszt reprezentacji może zbliżać się lub przewyższać wartość przedmiotu sporu, a większość kosztów prawnych zazwyczaj nie jest odzyskiwana w małych roszczeniach. W Sterling Law widziałem, że obiecujące roszczenia były porzucane z tego powodu, a później zauważyłem tę samą kalkulację w firmach, które odpisywały nieopłacone faktury. To problem modelu dostawy, a nie problem redagowania. AI umożliwiło przeprojektowanie większej części drogi wokół osoby wnoszącej roszczenie, a nie jedynie przyspieszenie pracy prawnika.

CaseCraft.AI został już wykorzystany do stworzenia tysięcy spraw prawnych, z setkami przechodzącymi do aktywnej pracy prawnej. Czego nauczyłeś się, prowadząc AI w rzeczywistych sprawach, czego nie dałoby się odkryć jedynie na podstawie prototypów, symulacji czy testów benchmarkowych?

Dwie rzeczy wyróżniają się. Po pierwsze, generowanie dokumentu to łatwa część; prowadzenie sprawy jest trudne. Aktywna sprawa oznacza, że dowody, płatności, terminy, odpowiedzi i kolejne kroki muszą pozostawać spójne przez miesiące. Według stanu na sierpień 2026, ponad 4 500 spraw zostało utworzonych w CaseCraft, ponad 400 przeszło do aktywnej pracy prawnej, a 130 roszczeń zostało wniesionych do sądu.

Po drugie, ludzie zachowują się inaczej w obecności AI. Mogą być bardziej szczere, co pomaga wcześniej ujawnić istotne fakty, ale system musi także wyznaczyć granice i wiedzieć, kiedy człowiek powinien przejąć kontrolę. Dowiedzieliśmy się o tym bezpośrednio, gdy wprowadzenie interwencji człowieka na etapie wrażliwym na zaufanie zwiększyło konwersję o co najmniej 15 %.

Większość pierwszej fali generatywnej AI skupiała się na tworzeniu tekstu. CaseCraft.AI musi natomiast zbierać dowody, określać kwalifikowalność, stosować zasady proceduralne, wyzwalać akcje i śledzić sprawę w czasie. Czym technicznie różni się budowanie takiego agentowego przepływu pracy od tworzenia asystenta AI lub chatbota?

Chatbot odpowiada na pytanie; agentowy przepływ pracy musi utrzymywać stan rzeczywistej sprawy w czasie – co się wydarzyło, jakie dowody istnieją, czego brakuje i co może nastąpić dalej. Dlatego myślimy o systemie jako o wyspecjalizowanych komponentach, a nie o jednym modelu robiącym wszystko: niektóre zbierają i weryfikują informacje, inne opracowują argumentację prawną lub przetwarzają przychodzące dokumenty. Celem nie jest najlepszy akapit, lecz niezawodna sekwencja decyzji i działań, które prowadzą sprawę do najlepszego dostępnego wyniku.

W przepływie pracy prawniczej model może wygenerować coś, co brzmi całkowicie przekonująco, a jednocześnie jest proceduralnie lub faktowo nieprawidłowe. Jak zaprojektowałeś CaseCraft.AI, aby odróżnić wiarygodne wyniki AI od informacji, które są rzeczywiście wystarczająco wiarygodne, by użyć ich w sprawie prawnej?

Podstawową zasadą jest, że model nie może wymyślać prawnego wszechświata, w którym działa. Ograniczamy system do dowodów w sprawie oraz do autorytatywnych źródeł prawnych, zamiast prosić model ogólnego przeznaczenia o odpowiedź z pamięci. CaseCraft.AI ma dostęp do najnowszych zmian w ustawodawstwie, istotnych precedensów i ustalonych najlepszych praktyk poprzez API rządowe i inne autorytatywne źródła, dzięki czemu kontekst prawny jest aktualny.

Oddzielamy także generowanie od weryfikacji i utrzymujemy przegląd profesjonalny w ramach regulowanego świadczenia usług prawnych. Testem nie jest, czy wynik brzmi, jakby napisał go prawnik, lecz czy źródło, dowody i krok proceduralny można zweryfikować.

Wspominałeś o znaczeniu „mierzalnego nadzoru ludzkiego”. Co to oznacza w praktyce i jak określasz, które decyzje system AI może podejmować autonomicznie, a w których człowiek musi pozostać odpowiedzialny?

Mierzalny nadzór ludzki oznacza, że udział człowieka jest powiązany z identyfikowalnym ryzykiem i możemy zobaczyć, gdzie i dlaczego następuje interwencja. „Człowiek w pętli” nie powinno być jedynie uspokajającym zwrotem; powinniśmy móc wskazać wyzwalacz, przegląd i następującą po nim decyzję.

Wciąż budujemy bazę dowodów określającą, gdzie te granice powinny leżeć. Jednym z mierników, na które już możemy wskazać, jest czas przeglądu: od uruchomienia czas potrzebny na przegląd ludzki zmniejszył się czterokrotnie wraz z ulepszaniem systemu. Z czasem celem jest uczynienie przeglądu bardziej opartym na ryzyku, jednocześnie zachowując odpowiedzialny osąd profesjonalny tam, gdzie jest to prawnie wymagane.

Dowody są kluczowe w małych roszczeniach, ale mogą przychodzić jako umowy, faktury, e‑maile, wiadomości, fotografie i inne nieustrukturyzowane informacje. Jak podchodzisz do przekształcania tego materiału w ustrukturyzowane dane, które system AI może przetwarzać, zachowując jednocześnie pochodzenie i unikając nieuzasadnionych wniosków?

Kluczową zasadą jest rozdzielenie ekstrakcji od wnioskowania. Jeśli użytkownik załaduje wątek WhatsApp z wykonawcą, daty, podana cena i użyte słowa są faktami wyodrębnionymi; wniosek o znaczeniu prawnym tej wymiany jest wnioskowaniem. Te dwie rzeczy nigdy nie powinny być przedstawiane jako to samo. Strukturyzujemy dokumenty tak, aby przepływ pracy mógł z nich korzystać, zachowując jednocześnie odnośnik do oryginalnych dowodów. Jeśli ten odnośnik zniknie, można stworzyć akt sprawy, który brzmi dobrze, ale rozpadnie się przy kwestionowaniu.

Jednym z najtrudniejszych problemów dla systemów autonomicznych jest wiedza, kiedy nie działać. Jakie sygnały informują CaseCraft.AI, że roszczenie stało się zbyt niejasne, złożone lub ryzykowne dla automatyzacji i powinno zostać przekazane prawnikowi?

Jednym z naszych zabezpieczeń jest kontrintuicyjny: zwracamy uwagę nie tylko na sprawy, które AI chce kontynuować, ale także na te, które skłania się odrzucić. Nadzór ludzki nie polega tylko na powstrzymaniu AI przed nadmierną agresją; może również powstrzymać system przed zbyt konserwatywnym odrzucaniem uzasadnionego argumentu.

Jednym z najjaśniejszych sygnałów eskalacji jest brak dowodów. Ludzie mogą nie załadować istotnych dokumentów, mogą je stracić z czasem lub nie zdawać sobie sprawy, które dowody są ważne dla roszczenia. Gdy sprawa nie jest wystarczająco jasna lub kompletna, kolejnym krokiem może być przegląd ludzki zamiast automatycznej kontynuacji. Prawnicy nadal radzą sobie z kontekstem i szarymi obszarami bardziej konsekwentnie niż obecne systemy.

Ponieważ systemy AI przejmują coraz więcej kroków tradycyjnie wykonywanych przez prawników, jak myślisz, że granica między automatyzacją oprogramowania a regulowanymi usługami prawnymi będzie się rozwijać?

Granica będzie się przesuwać, ale wolniej niż wielu ludzi z branży technologicznej się spodziewa. Systemy o wysokim stopniu ryzyka nie mogą polegać na obietnicy, że kolejny model będzie lepszy; niezawodność musi być wykazana poprzez autorytatywne źródła, walidację, kontrole i odpowiedzialny przegląd ludzki. Z czasem spodziewam się, że AI stanie się czymś, na czym profesjonaliści będą mogli polegać w jasno określonych granicach, ale autonomia musi być zdobyta poprzez obserwowaną wydajność i rzeczywiste wyniki. Przydatne pytanie nie brzmi „oprogramowanie czy prawnik?”, lecz które działanie jest wykonywane, jakie dowody je wspierają i kto pozostaje odpowiedzialny.

Modele AI o ogólnym przeznaczeniu stają się bardzo szybko bardziej zdolne. Co zapewnia trwałą przewagę firmie AI skoncentrowanej na konkretnej branży, takiej jak CaseCraft.AI, gdy podstawowe modele fundamentowe dostępne dla wszystkich nadal się ulepszają?

Naszą przewagą nigdy nie miało być posiadanie modelu fundamentowego. Lepsze modele ogólnego przeznaczenia są dla nas dobrą wiadomością. Trudna część to wszystko, co otacza je: wyszukiwanie, baza danych spraw, wiedza prawna, infrastruktura przepływu pracy, integracje, kontrole oraz operacyjne zrozumienie, jak roszczenie przechodzi od początku do końca. Ta praca nie znika, gdy pojawi się nowy model.

Dla użytkownika powinno to wyglądać jak jedno miejsce, w którym sprawa się odbywa, podczas gdy orkiestracja pozostaje w tle. Ta sama infrastruktura zaczyna teraz wspierać zarówno indywidualnych powódków, jak i przedsiębiorstwa, wykorzystujące masowe roszczenia do 150 spraw jednym kliknięciem oraz przepływy zarządzania sprawami. Uważam, że orkiestracja i realizacja w danej dziedzinie są trwałą fosą ochronną dla AI skoncentrowanej na konkretnej branży.

Patrząc poza małe roszczenia, czego nauczyłeś się z CaseCraft.AI o szerszej przyszłości agentowej AI? Które inne branże o wysokim stopniu ryzyka uważasz za szczególnie odpowiednie dla systemów, które mogą zarządzać złożonymi przepływami pracy, jednocześnie utrzymując ludzi odpowiedzialnych za kluczowe decyzje?

Jestem optymistą co do agentowej AI, ale trudna praca koncentruje się wokół modelu: przedefiniowywanie procesów, strukturyzacja informacji, określanie, co system może robić, oraz budowanie walidacji i eskalacji. Dlatego regulowane branże często rozwijają się wolniej – osoby, które rozumieją przepływ pracy wystarczająco dobrze, aby go zautomatyzować, są zazwyczaj najbardziej zajętymi ekspertami w organizacji.

Najsilniejsze możliwości to przepływy pracy z dużą ilością powtarzalnego zbierania informacji i przetwarzania dokumentów, ale z mniejszą liczbą wyjątków, które nadal wymagają odpowiedzialnego osądu. Dla CaseCraft najbliższym rozszerzeniem jest prawo pracy, z MVP w aktywnym testowaniu, oraz badamy odszkodowania za obrażenia ciała we współpracy ze specjalistyczną firmą litigacyjną. Poza prawem, ubezpieczenia, usługi finansowe i compliance mają podobny kształt. Systemy, które odniosą sukces, będą wiedziały nie tylko, jak zautomatyzować rozmowę, ale dokładnie, kiedy maszyna powinna się zatrzymać i człowiek przejąć kontrolę.

Dziękujemy za wywiad; czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić CaseCraft.AI.