Każdemu prawnikowi — osobiste stanowisko AI

1. Problem

Ukraiński system prawny działa pod obciążeniem, którego nie wytrzymałby żaden system nawet w spokojnych czasach.

Według Wyższej Rady Sprawiedliwości, na koniec 2025 roku przy etatowej liczbie 6600 sędziów faktycznie orzeka około 4350 — ponad 2250 stanowisk pozostaje nieobsadzonych (sud.ua, 2025). Obciążenie sądów rośnie we wszystkich jurysdykcjach — co najmniej o 8% rocznie, a według szacunków samych sędziów jest 5–10 razy wyższe niż średnia europejska (sud.ua, 2026; zmina.info). Państwowe służby prawne, organy samorządu lokalnego, ministerstwa i organy ścigania znajdują się w tej samej sytuacji: mniej ludzi niż zadań, a koszt błędu rośnie.

Jednocześnie Ukraina weszła w najintensywniejszy okres tworzenia prawa w swojej historii. Przegląd zgodności ustawodawstwa krajowego z prawem UE zakończono we wrześniu 2025 roku; 15 czerwca 2026 roku oficjalnie otwarto pierwszy klaster negocjacyjny „Fundamentals” (Rada UE). Przed krajem stoi harmonizacja dziesiątek tysięcy stron acquis communautaire, reforma wymiaru sprawiedliwości w ramach Ukraine Facility o wartości 50 mld euro (Rada UE) oraz powojenna odbudowa instytucji.

Wniosek jest prosty: zakres kwalifikowanej pracy prawniczej, którą kraj musi wykonać w najbliższych latach, wielokrotnie przewyższa fizyczne możliwości obecnych specjalistów. Zatrudnienie brakujących prawników jest niemożliwe — po prostu ich nie ma. Pozostaje jedna droga: radykalne podniesienie produktywności i jakości pracy każdego, kto już pracuje.

2. Dlaczego dotychczasowe podejście już nie działa

Standardowa odpowiedź państwa na taki problem jest dobrze znana: ogłosić wielką reformę cyfrową, zebrać wymagania, przeprowadzić przetarg, zamówić jeden scentralizowany system.

Ta droga przewidywalnie prowadzi zawsze do tego samego rezultatu:

• zbieranie wymagań uśrednia potrzeby tysięcy różnych specjalistów do najmniejszego wspólnego mianownika;
• uzgodnienia i procedury zakupowe trwają latami;
• budowa ciężkiego systemu kosztuje dziesiątki milionów;
• w momencie wdrożenia system jest już o dwie–trzy generacje technologiczne w tyle;
• każda zmiana przechodzi przez wykonawcę i nowy cykl budżetowy;
• specjalista otrzymuje narzędzie zaprojektowane „dla wszystkich” — czyli dla nikogo konkretnie.

To nie jest specyfika ukraińska, lecz ogólnoświatowa prawidłowość. OECD, analizując 200 przypadków zastosowania AI w funkcjach rządowych, stwierdza: większość inicjatyw utyka na etapie pilotaży i nie osiąga efektu skali (OECD, Governing with Artificial Intelligence, 2025). Problem nie tkwi w modelach — problem tkwi w organizacyjnym modelu wdrażania.

W dziedzinie, w której technologia odświeża się co pół roku, projektowanie „jednego idealnego produktu na dekadę” oznacza projektowanie gwarantowanego przestarzenia.

3. Co zmieniło się w technologii

W ciągu ostatnich trzech lat nastąpiły trzy przełomy, które razem otwierają okno możliwości.

Pierwszy przełom: modele językowe nauczyły się pracować z tekstem prawnym na poziomie profesjonalnym. Już w 2023 roku GPT-4 zdał amerykański egzamin adwokacki na poziomie ~90. percentyla (Katz i in., 2024). Do lat 2025–2026 niezależne oceny ślepe wykazały, że wyspecjalizowane narzędzia prawnicze AI wykonują zadania badawcze na poziomie 74–78% wobec 69% dla bazowego poziomu prawników (Vals Legal AI Report, październik 2025). Aktualne flagowe modele — GPT-5.5 (OpenAI, kwiecień 2026), Claude Opus 4.7 (Anthropic, kwiecień 2026), Gemini 3 (Google, 2025) — na dobrze sprecyzowanych zadaniach profesjonalnych osiągają poziom ekspertów branżowych (GDPval, OpenAI).

Drugi przełom: pojawiły się środowiska agentowe. OpenAI Codex (dokumentacja), Claude Code (dokumentacja) oraz otwarte Gemini CLI (GitHub) i opencode (opencode.ai) to już nie czaty, lecz środowiska, w których model czyta foldery projektu, wykonuje wieloetapowe procesy, korzysta z narzędzi, prowadzi pamięć, przestrzega instrukcji projektowych i wyspecjalizowanych ról. Format instrukcji projektowych AGENTS.md stał się standardem międzydostawcowym: używa go ponad 60 tysięcy otwartych projektów, a jego specyfikację przekazano Linux Foundation (agents.md). Model Context Protocol ustandaryzował podłączanie modeli do danych i narzędzi zewnętrznych (specyfikacja MCP). To gotowa, przemysłowo eksploatowana infrastruktura: nie trzeba jej rozwijać — trzeba ją skonfigurować pod pracę prawniczą.

Trzeci przełom: dane i narzędzia można już bezpiecznie łączyć na poziomie konkretnego stanowiska pracy. Nie trzeba budować megasystemu, aby dać prawnikowi model podłączony do aktualnego ustawodawstwa, materiałów sprawy i skryptów weryfikacyjnych. Wystarczy właściwie zorganizowana konfiguracja lokalna.

Ukraina podeszła do tego okna możliwości lepiej niż większość krajów. Diia przekroczyła 20 mln użytkowników, kraj zajmuje 5. miejsce na świecie w indeksie usług online ONZ (UN E-Government Survey 2024). We wrześniu 2025 roku uruchomiono Diia.AI — pierwszego na świecie krajowego agenta AI, który nie doradza, lecz faktycznie świadczy usługi publiczne (Ministerstwo Transformacji Cyfrowej; Komisja Europejska). Jednolity Państwowy Rejestr Orzeczeń Sądowych zawiera ponad 120 mln orzeczeń w otwartym dostępie (reyestr.court.gov.ua), a Rada Najwyższa udostępnia maszynowo czytelne API ustawodawstwa (data.rada.gov.ua).

Przesłanki technologiczne są już stworzone. Bariera nie leży w modelach.

4. Jak rozumieć model językowy

Dla prawnika, sędziego czy kierownika instytucji model językowy warto wyobrazić sobie jako inteligentny silnik do pracy z tekstem i rozumowaniem. Ten silnik potrafi:

analizować teksty, wykrywać powiązania logiczne, zestawiać fakty z normami, formułować argumenty prawne, znajdować sprzeczności, przygotowywać projekty dokumentów, rozważać alternatywne stanowiska prawne, modelować konsekwencje decyzji oraz podsumowywać duże zbiory informacji.

Zdolność ta powstała w wyniku trenowania na ogromnych zbiorach tekstów — w tym ustawodawstwie, orzeczeniach sądowych, publikacjach naukowych i literaturze fachowej. Dlatego współczesne modele mają domyślnie pewną „intuicję prawniczą”: rozumieją strukturę argumentacji prawnej, język aktów normatywnych, typowe konstrukcje prawne.

Konieczna jest tu jednak precyzja sformułowań. Model nie „zna prawa” i nie zastępuje prawnika.

Model językowy dysponuje silnym uniwersalnym mechanizmem pracy z językiem i rozumowaniem, ale potrzebuje aktualnych, zweryfikowanych i prawidłowo zorganizowanych danych.

Silnik bez paliwa, przyrządów i kierowcy to nie transport. Model bez danych, instrukcji i wykwalifikowanego użytkownika to nie narzędzie prawnicze.

5. Dlaczego zwykły ChatGPT to jeszcze nie Legal Copilot

Dostęp do silnego modelu sam w sobie nie tworzy asystenta prawnego. Przyczyny są fundamentalne:

1. Nieaktualność wiedzy. Model był trenowany na zrzucie danych, który był już nieaktualny w momencie publikacji. Ukraińskie ustawodawstwo w okresie integracji europejskiej zmienia się co tydzień.
2. Mieszanie wersji i źródeł. Do zbioru treningowego trafiły różne wersje tych samych aktów — model może niepostrzeżenie „skleić” starą i nową redakcję.
3. Brak wiarygodnego zakotwiczenia czasowego. Model może nie ustalić, jaka norma obowiązywała w dacie zdarzenia — a dla prawnika często to właśnie przesądza o wyniku sprawy.
4. Brak materiałów konkretnej sprawy. Model nie zna faktów i dowodów sprawy, dopóki nie otrzyma do nich kontrolowanego dostępu.
5. Probabilistyczna natura odpowiedzi. Model generuje najbardziej prawdopodobny tekst, a nie wydobywa gwarantowaną prawdę z oficjalnego rejestru.
6. Brak wbudowanej odpowiedzialności. Model sam nie określa, kiedy potrzebna jest obowiązkowa weryfikacja przez człowieka.

To nie są zagrożenia teoretyczne. Publiczne LLM-y halucynują w kwestiach prawnych w 58–82% przypadków (Dahl i in., Journal of Legal Analysis, 2024). Nawet komercyjne narzędzia prawnicze RAG, reklamowane jako „wolne od halucynacji”, udzielają nierzetelnych odpowiedzi w 17–33% zapytań (Stanford RegLab, Hallucination-Free?, 2024). Baza spraw sądowych dotyczących zmyślonych treści AI liczy 1733 sprawy w 40 jurysdykcjach według stanu na 9 lipca 2026 roku — wobec ~370 w październiku 2025 roku (AI Hallucination Cases Database). Tylko w pierwszym kwartale 2026 roku amerykańskie sądy nałożyły ponad 145 tys. USD kar za zmyślone cytaty (NPR, kwiecień 2026).

Sąd Najwyższy Ukrainy wypracował już pierwsze orzecznictwo w tej sprawie: postanowieniem z 08.07.2025 Kasacyjny Sąd Gospodarczy w składzie Sądu Najwyższego wskazał, że powołanie się na odpowiedzi AI nie może służyć obaleniu wniosków sądu (sud.ua).

Wniosek: pełnoprawny Legal Copilot to nie model. To model plus dane, instrukcje, narzędzia, mechanizmy weryfikacji i zasady interakcji z użytkownikiem.

6. Formuła pełnowartościowego copilota

**Silny model językowy

• aktualne dane prawne
• materiały konkretnego zadania
• instrukcje zawodowe
• narzędzia weryfikacji
• wykwalifikowany użytkownik = osobisty copilot prawniczy.**

Każdy składnik jest obowiązkowy. Usuń aktualne dane — otrzymasz pewne siebie odpowiedzi oparte na uchylonych normach. Usuń materiały zadania — otrzymasz abstrakcyjne rozważania. Usuń instrukcje — otrzymasz stylistykę mediów społecznościowych zamiast dyscypliny proceduralnej. Usuń weryfikację — otrzymasz sprawę nr 1733 w bazie halucynacji. Usuń wykwalifikowanego użytkownika — otrzymasz to wszystko naraz.

Główny efekt powstaje z synergii uniwersalnego silnika intelektualnego z aktualnymi, ustrukturyzowanymi, prawidłowo dostarczonymi danymi.

7. Architektura warstw danych

Dane, z którymi pracuje copilot prawniczy, w naturalny sposób rozkładają się na pięć warstw o różnych trybach dostępu.

Warstwa publiczna normatywna. Konstytucja, kodeksy, ustawy, akty wykonawcze, umowy międzynarodowe, orzecznictwo, oficjalne wyjaśnienia, klasyfikatory, otwarte rejestry. Zadaniem państwa jest udostępniać tę warstwę nie tylko jako strony internetowe i pliki PDF, lecz jako dane maszynowo czytelne: stabilny identyfikator, data przyjęcia, okres obowiązywania, historia redakcji, znaczniki strukturalne, metadane do cytowania. Istnieją standardy międzynarodowe do tego celu: Akoma Ntoso / LegalDocML (OASIS), European Legislation Identifier (ELI). Wielka Brytania publikuje cały korpus ustawowy przez otwarte API (legislation.gov.uk), USA — Kodeks w formacie USLM XML (uscode.house.gov), Niemcy zdigitalizowały cały cykl legislacyjny w LegalDocML.de (E-Gesetzgebung). Dla kraju kandydującego do UE przejście na znakowanie zgodne z ELI to nie opcja fakultatywna, lecz część agendy integracyjnej.

Warstwa instytucjonalna. Wewnętrzne regulaminy, metodyki, szablony, polityki, zgromadzona praktyka instytucji, typowe stanowiska prawne. To pamięć instytucjonalna organizacji — dziś żyje ona w głowach odchodzących pracowników i w nieogarnionych folderach sieciowych.

Warstwa poufna. Materiały konkretnej sprawy, dane osobowe, dowody, tajemnica adwokacka, informacje służbowe. Tu architektura musi zapewniać rozdzielenie dostępu, rejestrowanie każdego zapytania oraz możliwość lokalnego lub izolowanego przetwarzania. Punktem odniesienia jest reforma ukraińskiego ustawodawstwa o danych osobowych w kierunku standardów RODO (projekt ustawy nr 8153).

Warstwa osobista. Indywidualna pamięć robocza specjalisty: szablony, sposoby analizy, własne instrukcje, notatki, historia usprawnień.

Warstwa zespołowych artefaktów. Ustrukturyzowane wyniki pracy, którymi wymieniają się uczestnicy grupy roboczej. Ta warstwa ma znaczenie centralne dla całej koncepcji — i zasługuje na osobne omówienie.

8. Osobiste stanowisko agentowe

Atomową jednostką proponowanej infrastruktury nie jest aplikacja ani portal, lecz osobiste stanowisko agentowe prawnika.

Technicznie jest to skonfigurowane środowisko agentowe (OpenAI Codex, Claude Code, otwarte odpowiedniki lub lokalna wersja rządowa), które potrafi:

• czytać dokumenty i foldery konkretnej sprawy;
• odpytywać dozwolone źródła prawne — rejestry, API ustawodawstwa, orzecznictwo;
• wykonywać wyszukiwanie i zestawianie;
• przygotowywać projekty dokumentów prawnych;
• weryfikować odniesienia i cytaty względem źródeł pierwotnych;
• prowadzić pamięć roboczą specjalisty;
• korzystać z wyspecjalizowanych ról i umiejętności;
• zachowywać historię zmian;
• tworzyć zespołowe pakiety artefaktów i przyjmować cudze;
• pracować z lokalnymi i zdalnymi źródłami danych.

Centralna teza praktyczna koncepcji: stanowiska pracy nie trzeba rozwijać. Jego podstawa programowa już istnieje jako gotowa, przemysłowo eksploatowana infrastruktura — środowiska agentowe OpenAI Codex, Anthropic Claude Code i ich otwarte odpowiedniki. „Stworzenie” stanowiska pracy prawnika to nie projekt informatyczny, lecz zestaw plików tekstowych na tej infrastrukturze: instrukcje, role, umiejętności, szablony, zasady weryfikacji. Dlatego wdrożenie może zacząć się już dziś — bez przetargu, bez wykonawcy, bez tworzenia produktu na zamówienie.

Kluczową właściwością jest konfiguracja bez programowania. Współczesne środowiska agentowe konfiguruje się plikami tekstowymi: instrukcje projektowe (AGENTS.md), role, umiejętności, szablony procesów, zasady cytowania, procedury weryfikacji. Oznacza to:

Prawnicy zawodowi nie powinni programować modelu, lecz formalizować własną praktykę w zrozumiałych instrukcjach, przykładach, szablonach i regułach kontrolnych.

Ekspertyza prawnicza zamienia się w odtwarzalny zasób cyfrowy. Instrukcja „jak weryfikujemy umowę najmu mienia komunalnego”, napisana przez najlepszego prawnika w departamencie, staje się plikiem, który działa na stanowisku pracy każdego pracownika — i przetrwa rotacje kadrowe.

Druga kluczowa właściwość to niezależność od dostawcy. Stanowisko pracy buduje się na otwartych formatach (Markdown, JSON, YAML) i standardowych protokołach (MCP, AGENTS.md). Zmiana modelu lub dostawcy to wymiana silnika, a nie przebudowa całego systemu. Dla państwa jest to strategiczna odpowiedź na ryzyko uzależnienia od zagranicznych dostawców.

9. Od dokumentów do artefaktów

Tu zaczyna się najważniejsza część koncepcji — przejście od efektywności indywidualnej do zespołowej.

W tradycyjnej pracy zespołowej obiektem wymiany jest dokument finalny: opinia, wniosek, memorandum, projekt decyzji. Dokument pokazuje wynik, ale ukrywa proces. Odbiorca nie może szybko ustalić: jakie źródła zostały wykorzystane; jakie zapytania wykonano; jakie dokumenty odrzucono; jakie redakcje ustawodawstwa analizowano; jakie alternatywne hipotezy rozważano; jakie kontrole wykonano; dlaczego sformułowano akurat taki wniosek.

Weryfikacja sprowadza się do czytania tekstu i ponownego wykonania znacznej części pracy. Gotowy dokument to wniosek, z którego usunięto dowód.

Wraz z nadejściem AI ta asymetria stała się niebezpieczna: produkcja tekstu przyspieszyła o rząd wielkości, a weryfikowalność pozostała ręczna. Zespół, w którym każdy przyspieszył indywidualnie, ale wymienia się pracą po staremu, nie stał się szybszy — stał się bardziej ryzykowny.

Proponowane przejście: dokument finalny przestaje być jedynym obiektem wymiany i staje się jednym z artefaktów pakietu pracy.

Dokument to interfejs. Pakiet pracy to obiekt prawny.

Pakiet pracy (w terminologii VeriLex — Legal Work Package, LWP) obejmuje: tekst finalny; rejestr źródeł ze stabilnymi odnośnikami; wyciągnięte fragmenty źródeł pierwotnych; matrycę faktów ze statusami (twierdzone / ustalone / sporne / wywnioskowane); matrycę norm mających zastosowanie; drzewo kwestii prawnych; wykryte sprzeczności i alternatywne hipotezy; dziennik kluczowych decyzji; protokoły weryfikacji; uwagi człowieka; ocenę poziomu pewności; listę otwartych kwestii; historię zmian; maszynowo czytelne metadane.

Wszystko to w otwartych, przenośnych formatach: Markdown, JSON/JSONL, YAML, CSV, grafy Mermaid, wersjonowanie Git. Żadnych zastrzeżonych kontenerów.

Zespół otrzymuje nie tylko odpowiedź, lecz również odtwarzalny kontekst, z którego ta odpowiedź została sformułowana.

10. Łańcuch pochodzenia i weryfikacja procesu

Każdy istotny wniosek w pakiecie pracy posiada weryfikowalny łańcuch pochodzenia:

Źródło → wydobycie faktu → interpretacja → powiązanie → wniosek pośredni → twierdzenie końcowe.

Ważne zastrzeżenie: nie chodzi o ujawnianie ukrytego wewnętrznego rozumowania modelu — jest ono prawnie bezużyteczne. Chodzi o utrwalenie weryfikowalnych śladów roboczych: źródeł, faktów, tez pośrednich, reguł powiązań i wykonanych kontroli. To ta sama logika, co w standardach pochodzenia danych W3C PROV (PROV-O) oraz w kulturze badań odtwarzalnych (ACM Artifact Review), przeniesiona na pracę prawniczą.

System agentowy odbiorcy może zweryfikować pakiet automatycznie: kompletność źródeł; aktualność redakcji; poprawność dat; zgodność cytatów ze źródłami pierwotnymi; spójność logiczną argumentacji; pominięte kontrargumenty; zmiany między wersjami; zgodność z wewnętrznym standardem badawczym.

Zespół przechodzi od pytania „czy ten tekst jest napisany poprawnie?” do pytania „jak zebrano, zweryfikowano i przeanalizowano informacje, na których się opiera?”.

Dwie zasady utrzymują system przed degeneracją w biurokrację:

Bez źródła — bez mocnego wniosku. Agent proponuje — człowiek decyduje. Zawsze.

Oraz zasada wystarczającej przejrzystości: trzy poziomy szczegółowości artefaktów. Podstawowy — do codziennej pracy (tekst, źródła, kluczowe fakty, krótki dziennik weryfikacji, otwarte kwestie). Rozszerzony — do złożonych badań (plus struktura argumentacji, wersje ustawodawstwa, stanowiska alternatywne, graf powiązań). Audytowy — do decyzji o wysokim koszcie błędu (plus pełna historia zmian, identyfikatory modeli, sumy kontrolne, role uczestników, potwierdzenie przez człowieka). Celem nie jest maksimum logów, lecz wystarczająca odtwarzalność wyniku.

11. Pamięć zespołowa i ponowne wykorzystanie

Ustrukturyzowane artefakty rozwiązują jeszcze jeden chroniczny problem — utratę pamięci instytucjonalnej.

Gdy podobne zadanie pojawia się ponownie, system agentowy może: odnaleźć wcześniej wykonane badanie; określić, które jego części są nadal aktualne; sprawdzić zmiany w ustawodawstwie od czasu poprzedniej analizy; ponownie wykorzystać potwierdzone źródła; wykryć rozbieżności; zbudować zaktualizowaną wersję i wskazać, co dokładnie się zmieniło.

Każdy zakończony projekt staje się nie dokumentem archiwalnym, lecz zasobem intelektualnym wielokrotnego użytku. Dla ukraińskich organów władzy, gdzie rotacja kadr jest wysoka, a obciążenie osób pozostających w pracy stale rośnie, nie jest to „optymalizacja” — to warunek przetrwania jakości.

Kierownik zyskuje przy tym nową klasę informacji zarządczej: krótki wniosek wraz z mapą jego podstaw, listą ryzyk, scenariuszami alternatywnymi, stopniem pewności, listą niepotwierdzonych założeń oraz kwestiami wymagającymi decyzji człowieka. Fakty, interpretacje, założenia i rekomendacje przestają zlewać się w nierozerwalny tekst.

12. Otwarte repozytorium podstawowych stanowisk pracy

Aby system ruszył, próg wejścia musi być minimalny. Narzędziem jest publiczne repozytorium startowych konfiguracji Legal Copilot: podstawowe pliki instrukcji, typowe role, gotowe umiejętności, szablony dokumentów, listy kontrolne weryfikacji, zasady cytowania, instrukcje podłączania źródeł, standard artefaktów zespołowych, projekty szkoleniowe, przypadki testowe, rekomendacje bezpieczeństwa.

Zestaw startowy to 5–10 konfiguracji: asystent prawnika organu władzy publicznej; asystent sędziego; asystent adwokata; asystent legislatora; asystent ds. umów; asystent ds. prawa administracyjnego; asystent ds. orzecznictwa; asystent ds. ekspertyzy prawnej aktów normatywnych; asystent prawnika samorządowego; stanowisko edukacyjne studenta prawa.

Scenariusz użytkownika: pobrać odpowiednią konfigurację, zainstalować lokalnie, podłączyć własne środowisko agentowe — i uzyskać pierwsze działające stanowisko pracy w ciągu godziny, a nie roku.

Warto zwrócić uwagę: w repozytorium nie ma ani jednej linijki kodu na zamówienie. To pełna „dystrybucja” systemu krajowego, składająca się z instrukcji, ról, umiejętności, standardów i kursów szkoleniowych na bazie już istniejących środowisk agentowych. Właśnie dlatego pomiędzy decyzją o starcie a pierwszym działającym stanowiskiem pracy stoi publikacja plików, a nie cykl developerski.

Dalej zaczyna się rzecz najważniejsza: samorozwój. Wraz ze wzrostem kwalifikacji użytkownik doskonali instrukcje, szablony, umiejętności i procedury kontrolne pod siebie. Stanowisko pracy staje się odbiciem doświadczenia zawodowego konkretnego specjalisty. Najlepsze rozwiązania wracają do repozytorium — a tysiące użytkowników niezależnie rozwijają wspólny ekosystem. Tak powstaje efekt rozproszonego rozwoju, niedostępny dla żadnego scentralizowanego wykonawcy.

13. Edukacja i mentoring

Technologia wdraża się w tempie uczenia się ludzi, a nie w tempie instalacji oprogramowania.

Uniwersytety i szkoły zawodowe — wydziały prawa, Krajowa Szkoła Sędziów, ośrodki doskonalenia zawodowego urzędników, szkoły adwokackie — otrzymują w tym modelu aktywną rolę: opracowywanie umiejętności prawniczych dla agentów; testowanie jakości modeli na ukraińskich zadaniach prawnych; przygotowywanie przypadków szkoleniowych; badanie błędów i ograniczeń; kształcenie studentów; kształtowanie standardów prawniczej biegłości AI. Umiejętność zorganizowania pracy agenta prawniczego i przekazania współpracownikom weryfikowalnego artefaktu powinna stać się podstawową kompetencją zawodową — tak jak dziś umiejętność pracy z rejestrami.

Mentorzy to drugi obwód. Mentor to nie programista ani administrator systemu. Jego zadaniem nie jest skonfigurowanie systemu za użytkownika, lecz nauczenie użytkownika samodzielnego rozwijania własnego stanowiska pracy: sformułowania zadań, opisania procesów, stworzenia instrukcji, określenia źródeł, wdrożenia weryfikacji wyników, uporządkowania tworzenia i przyjmowania artefaktów zespołowych — oraz stopniowe przekazanie pełnej kontroli. Modele komercjalizacji mentoringu (praca godzinowa, programy certyfikowane, wsparcie instytucji, subskrypcja wsparcia eksperckiego) czynią z tej roli trwały zawód, a nie wolontariat.

Pierwsze oficjalne kroki już wykonano: w lipcu 2025 roku Ministerstwo Transformacji Cyfrowej wspólnie z Ministerstwem Sprawiedliwości, Państwową Administracją Sądową i Stowarzyszeniem Prawników Ukrainy wydało rekomendacje dotyczące bezpiecznej pracy prawników z AI (thedigital.gov.ua).

14. Model krajowy dla Ukrainy

Dlaczego to właśnie Ukraina może zrealizować ten model jako pierwsza?

Udowodniona zdolność do przełomów cyfrowych. Kraj, który uruchomił Diia.AI — pierwszego na świecie krajowego agenta AI świadczącego usługi publiczne (Gabinet Ministrów Ukrainy) — potrafi przekształcać koncepcje w działające usługi szybciej niż większość państw UE.

Ramy instytucjonalne już istnieją. Strategia WINWIN do 2030 roku (Ministerstwo Transformacji Cyfrowej), Biała księga regulacji AI zorientowana na EU AI Act (Ministerstwo Transformacji Cyfrowej, 2024), projekt Strategii Rozwoju AI do 2030 roku, którego celem jest wejście do pierwszej trójki krajów pod względem integracji AI w sektorze publicznym (Digital State).

Otwarte dane prawne. Ponad 120 mln orzeczeń sądowych w otwartym rejestrze, maszynowo czytelne zbiory danych aktualizowane codziennie (data.gov.ua), REST API parlamentu (data.rada.gov.ua), ponad 40 tys. zbiorów danych na portalu krajowym. Niewiele krajów UE może pochwalić się porównywalnym otwartym korpusem prawnym.

Dojrzała społeczność LegalTech. Opendatabot, YouControl, LIGA ZAKON, ZakonOnline, Vkursi, Clarity Project — rynek, który od dziesięciu lat buduje produkty na bazie otwartych danych rządowych (Mezha.Media).

Okno integracji europejskiej. Harmonizacja z acquis to ogromny zakres pracy prawniczej, ale jednocześnie źródło finansowania (Ukraine Facility: ponad 29,5 mld euro już wypłacono na realizację reform) oraz gotowy system standardów: ELI do identyfikacji ustawodawstwa, wymogi EU AI Act wobec systemów wysokiego ryzyka w wymiarze sprawiedliwości (wchodzące w życie 2 grudnia 2027 roku po przesunięciu w ramach Digital Omnibus — Covington, 2026), zasady CEPEJ (Rada Europy) oraz wytyczne UNESCO dotyczące AI w sądach (UNESCO, grudzień 2025).

Rola państwa w proponowanym modelu jest świadomie ograniczona. Państwo nie projektuje „jednego idealnego produktu Legal AI”. Centralizuje wyłącznie to, czego nie może rozstrzygnąć nikt inny: prawo maszynowo czytelne; standardy danych i artefaktów; bezpieczeństwo i certyfikację; konfiguracje bazowe; szkolenia; pilotaże; interoperacyjność. Wszystko inne — mnogość jakościowych rozwiązań — szybciej wyrośnie w rozproszonym ekosystemie praktyków, uniwersytetów i rynku.

15. Projekty pilotażowe

Start to nie wieloletnia reforma, lecz kontrolowana reakcja łańcuchowa. Żaden z jedenastu pilotaży nie wymaga tworzenia oprogramowania na zamówienie: środowiska agentowe są gotowe i dostępne (komercyjnie lub jako open source), dane są otwarte, a konfiguracje to pliki. Start techniczny jest możliwy natychmiast po podpisaniu umów z instytucjami. Jedenaście kandydatów do pilotaży krajowych:

1. Stanowisko pracy prawnika samorządu lokalnego — typowe zapytania wspólnot, umowy, mienie komunalne.
2. Asystent do analizy projektów aktów normatywnych — ekspertyza projektów ustaw, wykrywanie kolizji, zestawianie z acquis.
3. Asystent sędziego do strukturyzowania materiałów sprawy — chronologie, mapy dowodów, matryce faktów.
4. Asystent urzędnika państwowego do przygotowywania odpowiedzi prawnych — wnioski obywateli, zapytania, wyjaśnienia.
5. Stanowisko uniwersyteckie studenta i wykładowcy — przypadki szkoleniowe na rzeczywistych danych otwartych.
6. Asystent do harmonizacji ustawodawstwa z prawem UE — zestawianie norm ukraińskich z dyrektywami, śledzenie postępu.
7. Stanowisko pracy do analizy orzecznictwa — 120 mln orzeczeń Jednolitego Państwowego Rejestru Orzeczeń Sądowych jako korpus do analizy weryfikowalnej.
8. Asystent państwowych służb prawnych — praca roszczeniowo-sporna, reprezentacja.
9. Narzędzie do weryfikacji umów i regulaminów — typowe ryzyka, zgodność z ustawodawstwem.
10. System szkolenia i certyfikacji mentorów Legal AI — kadrowy trzon całego ekosystemu.
11. Pilotaż grupy roboczej, która w pełni przeszła na wymianę ustrukturyzowanych artefaktów — kluczowy pilotaż, dowodzący efektu zespołowego.

Szczegółowe karty pilotaży (użytkownik docelowy, problem, dane, konfiguracja, format artefaktów, ryzyka, kryteria sukcesu, terminy) — w planie uruchomienia pilotażu.

Orientacyjny harmonogram pierwszego roku (hipoteza robocza wymagająca doprecyzowania): 0–3 miesiące — otwarte repozytorium, 5–10 konfiguracji, minimalny standard artefaktów, materiały szkoleniowe, wybór instytucji pilotażowych. 3–6 miesięcy — uruchomienie stanowisk pracy, pilotaż wymiany artefaktów zespołowych, szkolenie mentorów, zbieranie informacji zwrotnej. 6–12 miesięcy — skalowanie, nowe specjalizacje, standardy interoperacyjności, krajowa sieć praktyk.

16. Ryzyka i ograniczenia

Koncepcja nie może obejść się bez uczciwej rozmowy o ryzykach. Szesnaście głównych — wraz z mechanizmami ograniczania.

Halucynacje i błędy. Ograniczanie ryzyka: obowiązkowe powiązanie wniosków ze źródłami (bez źródła — bez mocnego wniosku), automatyczna kontrola cytatów względem źródeł pierwotnych, potwierdzenie przez człowieka decyzji istotnych prawnie.

Dezaktualizacja źródeł. Ograniczanie ryzyka: dane maszynowo czytelne z datami obowiązywania redakcji, automatyczna kontrola aktualności przy każdym użyciu.

Wycieki informacji poufnych. Ograniczanie ryzyka: warstwowa architektura dostępu, lokalne przetwarzanie warstwy poufnej, usuwanie danych wrażliwych (redakcja) przed odwołaniem się do modeli zewnętrznych, rejestrowanie zdarzeń.

Uzależnienie od zagranicznych dostawców. Ograniczanie ryzyka: architektura niezależna od dostawcy, otwarte formaty, możliwość zmiany modeli, rozwój modeli lokalnych i otwartych.

Nieprzejrzystość modeli. Ograniczanie ryzyka: przejrzystość zapewniana jest na poziomie procesu (artefakty, łańcuch pochodzenia), a nie wewnętrznej budowy modelu.

Automatyzacja uprzedzeń. Ograniczanie ryzyka: testowanie na ukraińskich zadaniach prawnych, pakiety krytyki z obowiązkowymi kontrargumentami, różnorodność modeli.

Niewystarczające kwalifikacje użytkowników. Ograniczanie ryzyka: instytucja mentoringu, programy edukacyjne, certyfikacja, konfiguracje bazowe z regułami zabezpieczającymi.

Brak jednolitych standardów i fragmentacja. Ograniczanie ryzyka: otwarty standard artefaktów od samego początku, walidatory interoperacyjności, ośrodek koordynacyjny.

Nadmierne zaufanie do odpowiedzi. Ograniczanie ryzyka: obowiązkowe oceny pewności i listy otwartych kwestii w każdym pakiecie, kultura „agent proponuje — człowiek decyduje”.

Problemy odpowiedzialności. Ograniczanie ryzyka: działania istotne prawnie są technicznie dostępne wyłącznie dla człowieka; każda decyzja ma specjalistę, który ją potwierdził.

Opór instytucji. Ograniczanie ryzyka: dobrowolne pilotaże z mierzalnym efektem, a nie wdrażanie odgórne i przymusowe.

Nadmierne rejestrowanie zdarzeń i fałszywe poczucie kontroli. Ograniczanie ryzyka: trzy poziomy szczegółowości artefaktów; miarą przydatności logów jest ich udział w rzeczywistych kontrolach i decyzjach.

Trafianie danych poufnych do artefaktów. Ograniczanie ryzyka: automatyczna kontrola pakietów przed przekazaniem, zasady anonimizacji, rozdzielenie warstw.

Pełny rejestr ryzyk wraz z kontrargumentami sceptyków — w odrębnej publikacji.

17. Plan pierwszych kroków

Do uruchomienia reakcji łańcuchowej nie są potrzebne ani miliardy, ani tworzenie produktu programowego: bazę technologiczną stworzył już światowy przemysł, a eksploatują ją miliony użytkowników. Potrzebne są:

1. kilka jakościowych podstawowych stanowisk pracy (konfiguracje, a nie tworzenie od podstaw);
2. otwarte repozytorium ze zrozumiałą dokumentacją;
3. dostęp do maszynowo czytelnych danych prawnych (znaczna część jest już otwarta);
4. minimalny standard artefaktów zespołowych;
5. krótkie kursy praktyczne i przypadki demonstracyjne;
6. sieć mentorów pierwszej fali;
7. standardy bezpieczeństwa do pracy z warstwami poufnymi;
8. platforma wymiany umiejętności;
9. program wdrożenia pilotażowego w 3–5 instytucjach;
10. pomiar efektu: szybkość, jakość, weryfikowalność — przed i po.

Każdy punkt jest możliwy do zrealizowania siłami niewielkiego zespołu przy wsparciu jednego–dwóch partnerów instytucjonalnych oraz programów międzynarodowej pomocy technicznej (EU Project Pravo-Justice, EU4DigitalUA i podobnych).

18. Wniosek

Siedem odpowiedzi, których udziela ta koncepcja:

Dlaczego teraz? Modele osiągnęły poziom profesjonalny w zadaniach prawnych, środowiska agentowe stały się standardem, ukraińskie dane prawne są już otwarte — okno możliwości otworzyło się w latach 2024–2026. Infrastruktura stanowisk pracy nie „pojawi się w przyszłości” — jest już gotowa do użycia.

Dlaczego jeden model nie wystarczy? Model to silnik, a nie transport. Bez aktualnych danych, instrukcji i weryfikacji generuje tekst prawdopodobny, a nie zweryfikowany — 1733 sprawy sądowe dotyczące halucynacji są tego potwierdzeniem.

Jak połączyć modele, dane i doświadczenie? Poprzez osobiste stanowisko agentowe: formułę „model + dane + materiały zadania + instrukcje + weryfikacja + użytkownik”.

Dlaczego nie jeden państwowy SaaS? Scentralizowany rozwój uśrednia, starzeje się i tworzy zależność. Państwo powinno budować nie produkt, lecz warunki: dane, standardy, bezpieczeństwo, szkolenia.

Jak przejść od efektywności osobistej do zespołowej? Zmienić jednostkę wymiany: nie dokument finalny, lecz ustrukturyzowany pakiet pracy z weryfikowalnym łańcuchem pochodzenia każdego wniosku.

Dlaczego artefakty są lepsze od dokumentów? Ponieważ dokument pokazuje wyłącznie wynik, a pakiet — wynik wraz z podstawami, kontrolami i otwartymi kwestiami. Weryfikacja zamienia się z powtarzania pracy w audyt procesu.

Co Ukraina może zrobić w ciągu roku? Repozytorium, standard artefaktów, 5–10 konfiguracji, sieć mentorów, 3–5 pilotaży z mierzonym efektem — i pierwszy na świecie krajowy model rozproszonej infrastruktury prawniczej AI.

Nie trzeba zaczynać od krajowego megasystemu. Trzeba zacząć od dziesięciu jakościowych stanowisk pracy, otwartych danych, wspólnego standardu artefaktów i społeczności profesjonalistów.

I zacząć można już dziś. Cała infrastruktura programowa już istnieje — pozostaje opublikować w otwartym repozytorium to, co zamienia ją w stanowiska pracy prawników: instrukcje, umiejętności, role i kursy szkoleniowe.

Dalej zadziała to, co w Ukrainie zawsze sprawdza się lepiej niż dyrektywy — rozproszona energia ludzi, którym dano dobre narzędzie.

Autor koncepcji i tekstu: Sergej Avdejcik — twórca projektu VeriLex (verifiable AI workflows for legal teams), badacz agentowych procesów roboczych w praktyce prawniczej.

Baza dowodowa: potwierdzone tezy i pełna tabela źródeł. Mapa argumentacji jest częścią materiałów roboczych projektu.