Roderick Lucas, współzałożyciel i prezes Moonlit – cykl wywiadów

Roderick Lucas jest współzałożycielem i prezesem Moonlit. Ma doświadczenie w dziedzinie sztucznej inteligencji, analizy danych i technologii prawniczych. Przez prawie dekadę pracował w Deloitte, gdzie pełnił funkcję kierownika ds. sztucznej inteligencji, a także prowadził zajęcia z technologii na Vrije Universiteit Amsterdam i Tilburg University. Jego praca koncentruje się na zwiększaniu dostępności badań prawniczych dzięki uporządkowanym danym, weryfikowalnym źródłom i sztucznej inteligencji.

Moonlit oferuje infrastrukturę danych prawnych i narzędzia badawcze, które łączą oficjalne akty prawne, orzeczenia sądowe i informacje regulacyjne z różnych europejskich porządków prawnych. Platforma, Data API i serwer MCP zapewniają badaczom i asystentom AI dostęp do uporządkowanych źródeł prawnych, a biblioteka komentarzy łączy analizy generowane przez AI z recenzją imiennie wskazanych ekspertów prawnych. W tym wywiadzie Lucas opowiada o halucynacjach prawnych, badaniach transgranicznych, weryfikacji eksperckiej i dostępie do wiarygodnej wiedzy prawniczej.

Przez prawie dekadę pracowałeś w Deloitte, gdzie z czasem objąłeś stanowisko kierownika ds. sztucznej inteligencji, a jednocześnie prowadziłeś zajęcia z technologii na Vrije Universiteit Amsterdam i Tilburg University. Moonlit powstało początkowo jako wewnętrzny projekt Deloitte, a w 2024 roku stało się niezależną firmą. Co skłoniło cię do stworzenia tej platformy i co przekonało cię, że badania prawnicze wymagają zasadniczo nowego podejścia?

Moonlit powstało w Deloitte, bo problem był tuż przed nami. Każde poważne zagadnienie prawne lub podatkowe w Europie prędzej czy później przekracza granice państw, a potrzebne źródła są rozproszone na dziesiątkach krajowych portali, z których każdy stosuje własny format, język i sposób cytowania. Specjaliści poświęcają większość czasu na badania na gromadzenie materiałów i sprawdzanie, czy niczego nie brakuje. Tymczasem narzędzia stworzone z myślą o ich wsparciu nie sprawdzają się w pracy transgranicznej. Opłaty są naliczane za każdego użytkownika i każdy kraj, a do porównania sposobu, w jaki różne jurysdykcje podchodzą do tej samej kwestii, trzeba się osobno logować do każdego systemu.

Gdy pojawiły się modele językowe, od razu stały się jasne dwie rzeczy: modele potrafiły analizować teksty prawne znacznie lepiej, niż ktokolwiek się spodziewał, ale nie miały wiarygodnych danych, na których mogłyby się oprzeć. Bezpośrednie pobieranie tekstów z publicznych portali sądowych daje nieuporządkowane i niespójne dane, a komercyjni wydawcy prawniczy ograniczają automatyczny dostęp za pomocą licencji. W technologii prawniczej brakowało wspólnej podstawy: oficjalnych źródeł z wielu jurysdykcji, ujednoliconych w ramach tej samej przejrzystej struktury danych, wzajemnie powiązanych i aktualizowanych codziennie.

Właśnie taką warstwę postanowiliśmy stworzyć. Dlatego w 2024 roku Moonlit stało się firmą, a nie tylko narzędziem dla jednej kancelarii. Taka infrastruktura zyskuje na wartości z każdą osobą i każdym systemem, które z niej korzystają i wnoszą do niej swój wkład. Nasze przekonanie pozostaje niezmienne: prawo jest jawne, a wiedza oparta na nim powinna być dostępna cenowo dla wszystkich, którzy muszą go przestrzegać.

Moonlit powstało w oparciu o przekonanie, że dostęp do wiedzy prawniczej jest niezbędny dla sprawiedliwości. Akty prawne i orzeczenia sądowe są często publicznie dostępne, ale eksperckie komentarze wyjaśniające ich znaczenie nierzadko pozostają za kosztownymi paywallami. Jak Moonlit zamierza upowszechnić dostęp do tej warstwy interpretacyjnej i dlaczego ma ona szczególne znaczenie dla rozwoju wiarygodnej sztucznej inteligencji prawniczej?

W Holandii około 40 centów z każdego zarobionego euro trafia do państwa, a część tych pieniędzy finansuje uczelnie publiczne i system prawny. Wiele komentarzy wyjaśniających prawo piszą pracownicy naukowi opłacani ze środków publicznych. Komercyjni wydawcy, tacy jak Wolters Kluwer i Thomson Reuters, opracowują te analizy i sprzedają je z powrotem sądom, ministerstwom, uczelniom i prawnikom, którzy ich potrzebują. Abonament na komentarze kosztuje setki euro miesięcznie za użytkownika. W efekcie, korzystając z tych abonamentów, społeczeństwo płaci za prawo, którego musi przestrzegać, dwa razy. Sprawiedliwy system prawny nie powinien kosztować miesięcznie więcej niż abonament Netflix.

Stworzyliśmy Komentarze jako otwartą alternatywę: bibliotekę analiz prawnych uporządkowanych według artykułów, dostępną po założeniu bezpłatnego konta Moonlit. Każdy komentarz powstaje na podstawie źródeł pierwotnych z wykorzystaniem naszych modeli AI, a przed publikacją jest weryfikowany przez specjalistów prawa. Każde odwołanie do źródła jest sprawdzane i prowadzi bezpośrednio do oficjalnego dokumentu rządowego lub orzeczenia sądu. Jeśli czytelnik zauważy pominięty niuans lub niedawny rozwój sytuacji, może zaproponować zmianę za pomocą formularza na stronie, która zostanie poddana redakcyjnej weryfikacji. Redaktorzy mogą następnie ją sprawdzić i ponownie opublikować komentarz. Zgodnie z naszą wiedzą żaden inny wydawca nie oferuje takiego połączenia rozwiązań. W chwili uruchomienia dostępne komentarze dotyczą podatków pośrednich (VAT), a komentarze na temat ochrony danych są w przygotowaniu.

Ta warstwa interpretacyjna jest równie istotna dla sztucznej inteligencji prawniczej. Modele mogą przetwarzać publicznie dostępne ustawy i wyroki sądowe, ale nie potrafią analizować komentarzy prawniczych wyjaśniających, jak dana reguła działa w praktyce i jakie są wyjątki. Pozbawione tego kontekstu modele ekstrapolują i generują niewiarygodne odpowiedzi. Opracowaliśmy Komentarze tak, aby każde stwierdzenie było wyraźnie powiązane z interpretowanym przepisem i stanowiącym jego podstawę orzeczeniem. Prawnik może zweryfikować źródło jednym kliknięciem, a proces AI może analizować wiarygodne dane za pośrednictwem Moonlit Data API i łącznika MCP.

Halucynacje prawne generowane przez AI stają się coraz większym problemem — prawnicy i sądy spotykają się z fikcyjnymi cytowaniami orzeczeń oraz błędnymi interpretacjami prawa. Dlaczego nawet zaawansowane duże modele językowe mają trudności z precyzyjnym stosowaniem prawa i w jaki sposób uporządkowany, zweryfikowany kontekst prawny pomaga przezwyciężyć te ograniczenia?

Modele językowe mają trudności z prawem z powodów, które niewiele mają wspólnego z inteligencją. Rozumowanie prawnicze całkowicie opiera się na weryfikowalnych źródłach prawa. Wniosek jest tyle wart, ile przepis lub orzeczenie, na którym się opiera, ale model traktuje sygnatury spraw i odesłania do przepisów jako probabilistyczne wzorce tekstowe, a nie wiarygodne rekordy w bazie danych. Podaje odwołania, które wyglądają przekonująco, ponieważ przewiduje, jak powinno wyglądać cytowanie, a nie dlatego, że zweryfikował rzeczywisty dokument. Ma to bardzo realne konsekwencje: w chwili pisania tego tekstu odnotowano ponad 2100 orzeczeń sądowych związanych z halucynacjami AI, z czego ponad 800 dotyczyło bezpośrednio przedstawicieli zawodów prawniczych.

Prawo również nieustannie się zmienia. Wiedza modelu kończy się na dacie granicznej jego treningu, podczas gdy interpretacje przepisów podatkowych i orzeczenia sądów apelacyjnych są aktualizowane co tydzień. Gdy komentarze wyjaśniające znaczenie tych przepisów są dostępne wyłącznie za paywallem wydawcy, model ma dostęp do samego tekstu ustawy, ale nie do kontekstu jej stosowania, więc wymyśla prawdopodobne wyjaśnienia, by wypełnić tę lukę.

Uporządkowany, zweryfikowany kontekst zmienia zasadniczo charakter zadania. W Moonlit model wyszukuje przepisy zamiast próbować odtworzyć je z pamięci i korzysta bezpośrednio z oficjalnych dokumentów. Wyszukiwanie zwraca dokumenty z oficjalnych źródeł, każdy wraz z oznaczeniem cytowania i linkiem. Graf powiązań pokazuje, do jakich źródeł odwołuje się dane orzeczenie i które późniejsze dokumenty się na nie powołują. Cytowanie albo prowadzi do autentycznego dokumentu w naszym repozytorium, albo w ogóle się nie pojawia. Eliminuje to fikcyjne cytowania. Same czyste dane nie zapobiegają jednak błędnemu odczytaniu, dlatego w Commentaries między projektem a czytelnikiem nadal znajduje się wskazany z imienia i nazwiska ekspert prawny.

Moonlit gromadzi przepisy, orzeczenia sądowe i informacje regulacyjne z kilkudziesięciu jurysdykcji, łącząc dokumenty prawne za pomocą rozbudowanego grafu powiązań. Czy mogą Państwo opisać architekturę AI i danych, która za tym stoi, a w szczególności wyjaśnić, jak platforma identyfikuje powiązania między źródłami prawa, godzi różnice między językami i systemami prawnymi oraz udostępnia te informacje modelom AI?

Można to sobie wyobrazić jako nieprzerwany łańcuch, który zaczyna się od oficjalnej publikacji, a kończy na zweryfikowanym cytowaniu.

W każdej jurysdykcji łączymy się bezpośrednio z oficjalnymi portalami, w tym z dziennikami urzędowymi, bazami danych sądów, serwisami organów regulacyjnych oraz EUR-Lex w zakresie prawa UE. Każdy portal ma własne specyficzne rozwiązania i formaty, które mogą się zmieniać bez ostrzeżenia, dlatego znaczna część naszych prac inżynieryjnych obejmuje monitorowanie i automatyczne przywracanie działania każdego portalu. Każdy pozyskany przez nas dokument zachowuje informację o źródle i stały link do oficjalnego dokumentu rządowego. Ten link stanowi podstawę wszystkiego, co robimy dalej.

Wszystkie dane z różnych jurysdykcji trafiają do jednego modelu obejmującego przepisy, orzecznictwo, dokumenty parlamentarne, decyzje organów i wytyczne. Przepisy dzielimy na poszczególne artykuły, aby można było precyzyjnie wyszukiwać i cytować każdy z nich. Wyrok niderlandzki i orzeczenie niemieckie zachowują pola wymagane przez krajowe systemy prawne, a jednocześnie ujednolicamy sposób identyfikowania, klasyfikowania i łączenia tych dokumentów ponad granicami.

Teksty prawne nieustannie się do siebie odwołują. Orzeczenie wskazuje artykuły, które stosuje, oraz orzeczenia, za którymi podąża, a ustawa odsyła do innych aktów prawnych. Nasz silnik rozpoznaje te cytowania, które w zależności od jurysdykcji mogą przyjmować bardzo różne formy, odnajduje odpowiadające im autentyczne dokumenty w naszej Data Layer i zapisuje powiązania w obu kierunkach. Specjaliści ds. inżynierii prawnej weryfikują wzorce ekstrakcji. W rezultacie powstaje graf powiązań obejmujący setki milionów połączeń, dzięki któremu dla każdego dokumentu można sprawdzić, do czego się odwołuje i jakie dokumenty odwołują się do niego.

Z kolei kwestie językowe rozwiązujemy, pozostawiając dokumenty źródłowe w niezmienionej postaci. Nie tłumaczymy tekstów źródłowych. Orzeczenie belgijskie pozostaje po francusku lub niderlandzku, a wyszukiwanie odbywa się w oryginalnym języku. Łączymy wyszukiwanie słów kluczowych z wyszukiwaniem semantycznym, ponownie porządkujemy wyniki według trafności i ograniczamy każde zapytanie do właściwej jurysdykcji. Luna, nasza asystentka badawcza, odpowiada w wybranym przez użytkownika języku, przeszukując każde źródło w jego oryginalnym języku.

Platforma Moonlit, nasze Data API i serwer MCP korzystają z tej samej Data Layer. API zapewnia programowy dostęp do dostępnych trybów wyszukiwania, grafu powiązań i wyszukiwania pełnotekstowego, a serwer MCP udostępnia każdemu zewnętrznemu asystentowi AI dziewięć narzędzi wyłącznie do odczytu. Gdy ulepszamy dane źródłowe, zmiana od razu obejmuje wszystkie te elementy.

Moonlit wprowadziło generowane przez AI komentarze prawne weryfikowane przez ekspertów prawnych wskazanych z imienia i nazwiska, łącząc automatyczne przygotowywanie tekstu z weryfikacją człowieka. Jak ten proces wygląda w praktyce i jakie zabezpieczenia zapewniają, że interpretacje generowane przez AI są poprawne, przejrzyste i możliwe do prześledzenia aż do autorytatywnych źródeł prawa?

Komentarz zaczyna się od samego aktu prawnego. Nasz silnik tworzy jego wersję roboczą na podstawie źródeł pierwotnych dostępnych w Data Layer, takich jak przepisy, orzecznictwo, dyrektywy oraz historia prac parlamentarnych związanych z danym przepisem. Może powoływać się wyłącznie na dokumenty, które posiadamy, dlatego każde stwierdzenie jest powiązane z przepisem, który interpretuje, i źródłem, które je potwierdza. Jeden z naszych komentarzy opublikowanych z chwilą uruchomienia platformy odsyła na przykład do 165 zweryfikowanych źródeł.

Zanim komentarz zostanie opublikowany, specjalista prawnik z danej dziedziny sprawdza jego wersję roboczą w świetle tych źródeł pierwotnych. Nasi redaktorzy to naukowcy oraz autorzy będący praktykami, którzy otrzymują wynagrodzenie za swoją pracę. Zespół, który przygotował pierwsze komentarze, tworzą osoby z uczelni, sądów, instytucji rządowych, firm doradczych i kancelarii prawnych. Korygują wersję roboczą, usuwają niepotrzebne treści i uzupełniają brakujące informacje. Ich nazwiska są widoczne bezpośrednio na stronie.

Odznaki potwierdzające weryfikację wskazują fragmenty sprawdzone przez redaktora, dzięki czemu zawsze wiadomo, za które części ręczy ekspert będący człowiekiem.

Każdy komentarz podaje również datę referencyjną, która wskazuje dokładny stan prawny opisywany w tekście. Data Layer jest aktualizowana codziennie i oznacza nowe, istotne orzeczenia dla redaktora, który następnie poprawia tekst i aktualizuje datę referencyjną.

Podstawowym zabezpieczeniem jest odnośnik. Jeśli nie można przejść do orzeczenia uzasadniającego wniosek, oczekuje się, że przyjmie się go na wiarę. Stworzyliśmy Commentaries, by nikt nie musiał tego robić.

Dzięki integracjom z Model Context Protocol (MCP) Moonlit może udostępniać wiedzę prawniczą bezpośrednio asystentom AI, takim jak ChatGPT, Claude i Microsoft Copilot. Co ta architektura umożliwia, z czym konwencjonalne systemy generowania wspomaganego wyszukiwaniem (RAG) mogą sobie nie radzić, i jak dbacie o to, by asystenci odpowiedzialnie korzystali z wyszukanych informacji prawnych?

Konwencjonalne systemy RAG tworzą migawkę części dokumentów, dzielą je na fragmenty, przekształcają w wektory, a następnie przekazują modelowi te, które uzyskały najwyższy wynik podobieństwa. W prawie takie podejście zawodzi z trzech powodów. Migawka szybko się dezaktualizuje. Wyszukiwanie według podobieństwa nie jest wystarczająco wiarygodne, by odnaleźć konkretny artykuł lub numer sprawy. Sam fragment nie mówi też nic o tym, do jakich źródeł odwołuje się dokument ani jak wpłynęły na niego późniejsze orzeczenia.

Dzięki serwerowi MCP asystent sam prowadzi badania. Może wyszukiwać według znaczenia albo dokładnych terminów i cytowań z użyciem operatorów boolowskich, śledzić odnośniki między dokumentami, czytać pełne teksty oraz pobierać poszczególne artykuły ustawy. Może też sprawdzać, które jurysdykcje i oficjalne portale są dostępne. Model decyduje, czego potrzebuje, analizuje uzyskane wyniki i ponawia wyszukiwanie, aż znajdzie odpowiedź, która się broni. Na tym polega różnica. We wrześniu Luna przeszła na ten sam serwer MCP, dzięki czemu odpowiedzi stały się jednocześnie szybsze i lepsze. Dane są również aktualne: asystent odczytuje bieżący stan Data Layer.

Odpowiedzialne korzystanie zaczyna się od jasno określonych ograniczeń. Nasze narzędzia umożliwiają wyłącznie odczyt, a wyniki prowadzą z powrotem do oficjalnych źródeł. Udostępniamy też proste instrukcje prowadzenia badań, z których asystenci mogą korzystać. Wyjaśniają one, jak wyszukiwać informacje w oryginalnym języku źródła, sprawdzać fragment przed jego zacytowaniem, weryfikować wersję i jasno wskazywać luki, gdy dostępne źródła nie zawierają potrzebnych informacji.

Różni asystenci na różne sposoby przedstawiają tok rozumowania i nie mamy na to wpływu. Możemy natomiast zadbać o to, by źródła dało się łatwo sprawdzić. Każde cytowanie prowadzi do dokumentu, a każdy dokument — do jego oficjalnej publikacji.

Prawo nieustannie się zmienia: publikowane są nowe orzeczenia, przepisy ulegają zmianom, a obowiązujące precedensy są kwestionowane. W jaki sposób infrastruktura automatycznego monitorowania Moonlit wykrywa te zmiany i uwzględnia je, a także jak platforma zapobiega opieraniu się systemów AI na nieaktualnych przepisach lub nieobowiązujących już interpretacjach prawa?

Zapobieganie temu, by AI lub badacz opierali się na nieaktualnym prawie, zależy od powiązań między dokumentami. Gdy tylko nowy wyrok lub zmiana przepisów trafia do systemu, graf referencji łączy je z wcześniejszymi przepisami i sprawami, do których się odwołują. Jeśli sąd odwoławczy uchyla wcześniejsze orzeczenie lub zawęża jego zakres, informacja o tej zmianie zostaje bezpośrednio powiązana z pierwotnym orzeczeniem jako późniejsze orzeczenie, które się na nie powołuje. Model śledzący graf natychmiast uwzględnia późniejsze rozstrzygnięcia, zamiast traktować nieaktualny precedens jako nadal obowiązujące prawo. Użytkownicy platformy mogą przekształcić ten sam strumień napływających informacji w aktywne Monitors dotyczące konkretnych przepisów, sądów lub monitorowanych tematów.

Aktualność komentarzy od dawna stanowi poważną słabość tej dziedziny. Komercyjne serie komentarzy są często aktualizowane zaledwie raz lub dwa razy w roku. W szybko zmieniających się obszarach, takich jak podatki pośrednie czy ochrona danych, takie opóźnienie stwarza poważne ryzyko niezgodności z przepisami. Ponieważ nasza Data Layer codziennie ocenia nowe publikacje pod kątem ich znaczenia dla naszych komentarzy, redaktorzy odpowiedzialni za ich przygotowanie są natychmiast powiadamiani o nowych orzeczeniach. Redaktor aktualizuje analizę i datę referencyjną, dzięki czemu zarówno praktycy, jak i modele AI korzystają z aktualnego stanu prawnego, a nie z obrazu sprzed dwunastu miesięcy.

Transgraniczne badania prawne wiążą się ze złożonymi zagadnieniami wykraczającymi poza samo tłumaczenie dokumentów, zwłaszcza gdy poszczególne kraje odmiennie interpretują podobne przepisy lub wdrażają je w różny sposób. Jak AI Moonlit rozpoznaje różnice między jurysdykcjami i co się dzieje, gdy autorytatywne źródła prawa wydają się sobie przeczyć?

Dyrektywa UE i wdrażające ją prawo krajowe to odrębne dokumenty, powiązane ze sobą tam, gdzie jedno przywołuje drugie; krajowe orzeczenie stosujące wyrok Trybunału Sprawiedliwości jest z kolei powiązane z tym wyrokiem. Dlatego Commentaries zaczyna od VAT. Przepisy są w dużej mierze zharmonizowane na poziomie UE, a następnie interpretowane w każdym państwie członkowskim.

Sprzeczności są w prawie czymś normalnym i ich nie ukrywamy. Gdy dwa wiarygodne źródła pozornie sobie przeczą, czytelnik otrzymuje oba. Większość pracy wykonuje następnie hierarchia: późniejsze orzeczenie ma pierwszeństwo przed wcześniejszym, Trybunał Sprawiedliwości przed sądem krajowym w kwestii dotyczącej prawa UE, a zastosowanie ma przepis w brzmieniu obowiązującym w dniu odniesienia. W Commentaries redaktor podejmuje tę decyzję jawnie, a źródła umieszcza obok niej.

Technologia Moonlit jest wykorzystywana przez takie organizacje jak Sąd Najwyższy Holandii, Deloitte oraz inne instytucje prawne i publiczne. Czy możesz podać praktyczny przykład tego, jak platforma zmieniła sposób prowadzenia badań prawnych, i wyjaśnić, jak mierzycie poprawę ich dokładności, kompletności lub efektywności w porównaniu z tradycyjnymi metodami?

Przykładem z branży fintech jest zespół prawny Quantoz Payments, który połączył serwer MCP Moonlit z Claude i zintegrował go z niestandardowymi procesami pracy dotyczącymi regulacji płatności transgranicznych. Zastępuje to tradycyjny standard pracy stosowany w całej Europie. Prawnik musi zazwyczaj otworzyć portale w kilku krajach, wyszukiwać informacje w wielu językach, kopiować cytowania do notatki i mieć nadzieję, że nie pominął żadnego istotnego lokalnego precedensu. Teraz skonfigurowany system przeszukuje jednocześnie różne jurysdykcje, śledzi graf cytowań i udostępnia dokumenty źródłowe wraz z oficjalnymi odnośnikami do nich. Dla wewnętrznego zespołu prawnego korzyści są oczywiste. System eliminuje ryzyko przeoczenia zagranicznych orzeczeń i pozwala przeznaczyć mniej czasu na mechaniczne gromadzenie materiałów, a więcej na rzeczywistą analizę prawną i ocenę ryzyka.

Po stronie rozwoju produktów widać zupełnie inny rodzaj efektywności. Zespoły tworzące produkty wykorzystujące AI w prawie mierzą postępy liczbą zaoszczędzonych miesięcy pracy inżynierskiej. Eudia, firma z branży AI i prawa, potrzebowała uporządkowanych europejskich danych prawnych do zasilania swojego produktu. Jej menedżer produktu zauważył, że nasze Data API zapewniło jej kompletny korpus europejskich aktów prawnych w ciągu kilku dni. Bez bazowej infrastruktury danych oznaczałoby to konieczność bezterminowego tworzenia i utrzymywania niestandardowych narzędzi do pobierania danych z każdego krajowego portalu. Inne platformy, takie jak Saga i Legal Mind, również korzystają z tej samej infrastruktury i mogą teraz udostępniać zweryfikowane treści Commentaries bezpośrednio własnym użytkownikom końcowym.

Patrząc w przyszłość: w miarę jak modele bazowe stają się coraz bardziej zaawansowane, a agenci AI podejmują się coraz bardziej złożonych zadań związanych z badaniami prawnymi, jak, Twoim zdaniem, będzie ewoluować relacja między modelami AI ogólnego przeznaczenia a wyspecjalizowaną infrastrukturą danych prawnych? Jaka jest długoterminowa wizja Moonlit, szczególnie w kontekście zapewnienia dostępu do wiarygodnych informacji prawnych nie tylko dużym kancelariom i instytucjom?

Lepszy model trafniej rozumuje na podstawie dostarczonych mu źródeł, ale nie jest w stanie stworzyć z niczego wiarygodnych dokumentów źródłowych. Wraz ze wzrostem możliwości modeli bazowych rośnie wartość zweryfikowanej warstwy danych. Gdy zdolność rozumowania staje się powszechna, głównym ograniczeniem staje się jakość danych, ponieważ agent nadal potrzebuje dokładnych, uporządkowanych aktów prawnych, na których może pracować.

Modele ogólnego przeznaczenia i autonomiczni agenci będą zajmować się tworzeniem tekstów, syntezą informacji i interakcją konwersacyjną. Wyspecjalizowana infrastruktura, taka jak Moonlit, rozwiązuje leżący u podstaw problem trudnych do pozyskania danych: dba o to, by prawo było aktualne, uporządkowane i możliwe do zweryfikowania, a także udostępnia je bezpośrednio za pośrednictwem protokołów wykorzystywanych przez agentów. Przygotowaliśmy się na tę zmianę z wyprzedzeniem. Nasz własny asystent działa na dokładnie tym samym serwerze MCP, z którym łączą się zewnętrzni agenci, a zespoły już uruchamiają na nim własnych, niestandardowych agentów.

Ta architektura jest również kluczowa dla naszej długoterminowej wizji. Wiarygodna, transgraniczna wiedza prawna była tradycyjnie dobrem luksusowym, dostępnym cenowo jedynie dla największych kancelarii i międzynarodowych korporacji, które mogą płacić za kosztowne subskrypcje obejmujące wiele krajów. Udostępniając Commentaries do bezpłatnego wglądu i otwierając naszą warstwę danych dla każdego programisty za pośrednictwem nowoczesnych interfejsów API i konektorów, chcemy wyrównać szanse. Samodzielny prawnik doradzający firmie prowadzącej działalność transgraniczną lub prawnik wewnętrzny w firmie na wczesnym etapie rozwoju powinien mieć dostęp do tak samo precyzyjnych wyników badań i zweryfikowanych cytowań jak globalna firma doradcza.

Dziękujemy za interesujący wywiad. Czytelnicy, którzy chcą poznać zweryfikowane dane prawne i badania transgraniczne wspierane przez AI, powinni odwiedzić Moonlit.