تصور کنید صاحب کسبوکاری هستید که طلبهای کوچکی از مشتریان دارد، اما هزینهی استخدام وکیل برای پیگیری آنها بیشتر از خودِ طلب است. CaseCraft.AI دقیقاً برای حل همین معادلهی ریاضی دشوار طراحی شده تا دعاوی کوچک را از بنبست اقتصادی خارج کند. این پلتفرم با جایگزینی ابزارهای سنتی پیشنویس حقوقی با یک گردشکار کامل عاملمحور، توانسته است بیش از ۴۵۰۰ موضوع حقوقی را پردازش کند. این تغییر رویکرد به شاکیان انفرادی و کسبوکارها اجازه میدهد تا دعاوی با ارزش پایین را پیگیری کنند؛ دعاویای که پیش از این به دلیل اینکه هزینههای قانونی از مبلغ قابل بازیابی بیشتر بود، رها میشدند.
برای چندین دهه، فرآیند دعاوی کوچک از یک شکست بنیادین در مدل ارائه رنج میبرد. در بریتانیا، هزینه نمایندگی حقوقی اغلب به ارزش مورد مناقشه نزدیک میشود یا حتی از آن فراتر میرود و اکثر هزینههای قانونی در دعاوی کوچک قابل بازپسگیری نیستند. این مانع اقتصادی به این معنا بود که ادعاهای معتبر توسط کسبوکارها نادیده گرفته میشد یا افراد عادی از پیگیری آنها منصرف میشدند.
میخائیل یاتسوها (Mikhail Yatsuha)، شریک سابق Sterling Law، در اواخر سال ۲۰۲۳ CaseCraft.AI را برای حل این مسئلهی محاسباتی خاص بنیانگذاری کرد. یاتسوها مسیر شغلی خود را در ردههای حقوقی، از یک کارآموز و وکیل آموزشی تا شریک (Partner) طی کرد و در نهایت مدیریت بخش تجاری Sterling Law را بر عهده گرفت. در طول این دوران، او بارها با دعاوی معتبر اما کمارزشی مواجه شد که وقتی هزینههای سنتی وکالت محاسبه میشد، از نظر اقتصادی توجیهپذیر نبودند. او متوجه شد که وکلا به راهی برای سریعتر نوشتن اسناد نیاز ندارند؛ بلکه به سیستمی نیاز داشتند که بتواند اقتصاد حاشیه سود پایین دعاوی مدنی را بدون نیاز به دخالت مداوم و پرهزینهی انسانی مدیریت کند. این رویکرد تخصصیافته در راستای رقابت ابزارهای عمودی در برابر مدلهای عمومی است که سعی دارند نیازهای خاص هر صنعت را به جای ارائه پاسخهای کلی، هدف قرار دهند.
به گزارش unite.ai، این شرکت تا اوت ۲۰۲۶ حدود ۱.۸ میلیون پوند در سه دور تامین سرمایه برای ساخت این زیرساخت جذب کرده است. تا این تاریخ، پلتفرم ۴۵۶۲ پرونده ایجاد شده با ارزش مجموع ۱۴.۹ میلیون پوند را ثبت کرده است. از این تعداد، ۳۷۳ پرونده در مرحله فعال کارهای حقوقی قرار داشتند و ۱۳۰ ادعا به دادگاه ارجاع شده بود.
این موفقیت مدیون عبور از مدلهای سادهی چتبات و حرکت به سمت گردشکار عاملمحور (Agentic Workflow) است. برخلاف یک چتبات استاندارد که به یک سوال واحد پاسخ میدهد، CaseCraft.AI از یک گردشکار عاملمحور برای حفظ وضعیت (State) یک موضوع حقوقی واقعی در طول چندین ماه استفاده میکند. یک چتبات صرفاً پاسخی ارائه میدهد، اما یک گردشکار عاملمحور باید ردیابی کند که چه اتفاقی افتاده است، چه مدارکی وجود دارد، چه مواردی کم است و گام رویهای بعدی چیست. این تمرکز بر جریانهای کاری، یادآور استراتژی شرکتهایی مانند Nventr است که اولویت را بر جریانهای کاری قرار میدهند تا ابزارهای تکمنظوره. این سیستم بهجای یک مدل تکمنظوره، به صورت مجموعهای از اجزای تخصصی ساخته شده است:
- جمعآوری اطلاعات: ماژولهای تخصصی که دادههای کاربر را جمعآوری و اعتبارسنجی میکنند. این شامل پردازش اطلاعات ساختارنیافته مانند قراردادها، فاکتورها، ایمیلها، پیامها و عکسها است.
- مبنیسازی حقوقی (Grounding) — یعنی مدل بهجای حدس زدن، مثل دانشآموزی که قبل از جواب دادن کتاب درسی را باز میکند، از APIهای دولتی و منابع معتبر برای اطمینان از اینکه استدلالها بر اساس قوانین جاری، رویههای قضایی مرتبط و بهترین شیوههای تثبیتشده است، استفاده میکند. این امر تضمین میکند که بافت حقوقی همواره بهروز بماند.
- تولید اسناد: هوش مصنوعی بر اساس حقایق مبنیشده، پیشنویسهای لازم از جمله مکاتبات پیش از اقدام قانونی و سایر اسناد مورد نیاز حقوقی را تولید میکند.
- ردیابی رویهای: پلتفرم ضربالاجلها، پرداختها و پاسخها را نظارت میکند تا پرونده را در خط لولهی قانونی پیش ببرد.
- ارزیابی پرونده: پلتفرم ارزیابی اولیه و پردازش مدارک را در یک گردشکار واحد ادغام میکند تا صلاحیت پرونده را در مراحل اولیه تعیین کند.
یکی از بزرگترین چالشهای این حوزه، توهم (Hallucination) — یا همان زمانی که مدل با اطمینان چیزی میگوید که وجود ندارد — است. در یک محیط حقوقی با ریسک بالا، یک خروجی AI که فقط «متقاعدکننده به نظر برسد» اما دقیق نباشد، یک ریسک بزرگ است. CaseCraft.AI برای حذف این ریسک، «استخراج داده» را از «استنتاج» جدا کرده است. اگر کاربر یک رشته پیام واتساپ با یک پیمانکار را آپلود کند، سیستم ابتدا تاریخها، قیمتهای اعلام شده و کلمات بهکار رفته را بهعنوان «واقعیتهای استخراجشده» برمیدارد. سپس نتیجهگیری درباره اهمیت حقوقی آن تبادل پیام، بهعنوان یک «استنتاج» مجزا در نظر گرفته میشود. یاتسوها تأکید میکند که این دو هرگز نباید بهعنوان یک چیز واحد ارائه شوند، زیرا پروندهای که خوب نوشته شده اما پیوندی به مدرک اصلی ندارد، هنگام به چالش کشیده شدن در دادگاه فرو میپاشد.
برای تضمین دقت، سیستم به مدل اجازه نمیدهد که «جهان حقوقی» را از خودش اختراع کند. مدل بهطور سختگیرانهای به مدارک موجود در پرونده و منابع معتبر حقوقی محدود شده است. این کار مانع از آن میشود که AI به حافظهی عمومی یک مدل پایه (Foundation Model) تکیه کند که ممکن است قدیمی یا نادرست باشد. معیار موفقیت سیستم این نیست که خروجی آن «شبیه نوشتههای یک وکیل» باشد، بلکه این است که منبع، مدرک و گام رویهای قابل تأیید باشد.
این سیستم همچنین از «نظارت انسانی اندازهگیریشده» استفاده میکند. به جای عبارت کلی «انسان در حلقه»، CaseCraft.AI دخالت انسانی را به ریسکهای قابل شناسایی گره زده است. این یعنی شرکت میتواند دقیقاً ردیابی کند که دخالت انسانی در کجا و چرا اتفاق افتاده است. در این مدل، محرک (Trigger)، بازبینی و تصمیم نهایی همگی مستند میشوند.
شرکت دریافته است که بازبینی انسانی در مراحل حساس به اعتماد (Trust-sensitive) حیاتیترین نقش را دارد. با معرفی یک تماس انسانی در این نقاط خاص، CaseCraft.AI نرخ تبدیل کاربران را حداقل ۱۵٪ افزایش داده است. این یک کشف کلیدی است: در حالی که مردم ممکن است با AI صادقتر باشند (که به استخراج سریعتر حقایق مهم کمک میکند)، سیستم باید بداند چه زمانی یک متخصص انسانی باید وارد عمل شود.
علاوه بر این، سیستم سوگیریهای محافظهکارانه خود را نظارت میکند. یکی از Safeguardهای اصلی، توجه به پروندههایی است که AI تمایل به رد آنها دارد. نظارت انسانی مانع از آن میشود که سیستم بیش از حد محافظهکار باشد و یک استدلال قانونی مشروع را دور بریزد. یک سیگنال واضح برای ارجاع به انسان، «کمبود مدرک» است؛ مثلاً زمانی که کاربران مدارک را گم کردهاند یا نمیدانند کدام مدرک مهم است. در این مناطق خاکستری، پرونده بهجای پیشروی خودکار، به بازبینی انسانی ارجاع داده میشود.
به نقل از مستندات شرکت، با بهبود دقت سیستم، زمان مورد نیاز برای بررسیهای انسانی تاکنون چهار برابر کاهش یافته است. هدف بلندمدت این است که بازبینیها کاملاً مبتنی بر ریسک شوند و در عین حال، قضاوت حرفهای پاسخگو در جایی که قانوناً لازم است، حفظ شود.
CaseCraft.AI که ابتدا با مدل «برد یا پرداخت نکردن» (no-win-no-fee) برای افراد شروع کرد، اکنون به ابزارهای اشتراکی برای شرکتها گسترش یافته است. این ابزارها امکان مدیریت دستهای تا ۱۵۰ ادعا را تنها با یک کلیک فراهم میکنند. تا اوت ۲۰۲۶، ۵۱٪ از پروندههای ایجاد شده یا تسویه شدهاند یا از طریق حکم غیابی برنده شدهاند. یاتسوها اشاره میکند که تولید یک سند، بخش آسان کار است؛ دشواری واقعی در مدیریت یک پرونده زنده است که در آن مدارک و ضربالاجلها باید در طول ماهها سازگار و دقیق باقی بمانند. این دادههای عملیاتی، یک «خندق دفاعی» (Moat) ایجاد میکند که مدلهای عمومی بهراحتی نمیتوانند آن را کپی کنند.
در حال حاضر این شرکت در حال آزمایش نسخهی اولیه (MVP) برای قوانین استخدام و همکاری با شرکتهای تخصصی برای دعاوی آسیبهای شخصی است. هدف نهایی، پیادهسازی این الگوی عاملمحور — یعنی جمعآوری تکرارپذیر اطلاعات و پردازش اسناد و سپس تعداد کمی تصمیمات انسانی حساس — در صنایع تنظیمشدهای مانند بیمه، خدمات مالی و تطبیق (Compliance) است.
این رویکرد نشان میدهد که مزیت پایدار برای شرکتهای AI عمودی (Vertical AI)، نه در خودِ مدل، بلکه در «ارکستراسیون» (Orchestration) پیرامون آن است. یاتسوها استدلال میکند که ظهور مدلهای عمومی بهتر، در واقع خبر خوبی برای بازیگران عمودی است. «خندق دفاعی» از سیستمهای بازیابی (Retrieval)، پایگاه داده پروندهها، دانش حقوقی، زیرساخت گردشکار، یکپارچهسازیها، کنترلها و درک عملی از نحوه حرکت یک ادعا از ابتدا تا انتها تشکیل شده است.
با بهعهده گرفتن وظایف بیشتر توسط AI، مرز بین نرمافزار و خدمات حقوقی تنظیمشده تغییر خواهد کرد. با این حال، این انتقال کند خواهد بود زیرا قابلیت اطمینان در سیستمهای حساس باید از طریق عملکرد مشاهدهشده و نتایج واقعی به دست آید، نه از طریق وعدهی یک نسخهی جدیدتر از مدل. سوال حیاتی این نیست که آیا کاری توسط «نرمافزار یا وکیل» انجام میشود، بلکه این است که چه فعالیتی در حال انجام است، چه مدرکی آن را پشتیبانی میکند و چه کسی مسئولیت نهایی را بر عهده دارد.
باید منتظر بود و دید صنایع تنظیمشده دیگر، بهویژه بیمه و تطبیق، چگونه از این گردشکارهای عاملمحور با وضعیت پایدار برای مدیریت دعاوی حجیم و کمارزش استفاده میکنند. سیستمهای برنده آنهایی خواهند بود که نه تنها میدانند چگونه گفتگو را خودکار کنند، بلکه دقیقاً میدانند چه زمانی ماشین باید متوقف شود و انسان کنترل را به دست بگیرد.
گام بعدی شما
- اگر مدیر محصول هستید، بررسی کنید که آیا میتوانید «استخراج واقعیت» را از «استنتاج مدل» در جریان کاری خود جدا کنید تا نرخ خطا کاهش یابد.
- مدلهای عاملمحور را بهجای چتباتهای تکمرحلهای برای فرآیندهای طولانیمدت (چند ماهه) به کار بگیرید.
- نقاط حساس (Trust-sensitive) را در جریان کاری خود شناسایی کرده و در آن نقاط دخالت انسانی را به عنوان یک ویژگی، نه یک نقص، تعریف کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو