Podcast LegalTech Talk: jak AI zmienia warsztat prawnika

W skrócie: 8 października 2026 r. Wydawnictwo C.H.Beck opublikowało siódmy odcinek podcastu LegalTech Talk — „AI w kancelarii: szanse, ograniczenia i wykorzystanie technologii”. Gospodarz serii, radca prawny Tomasz Zalewski, rozmawiał w nim z Adamem Piotrowskim, partnerem KTZR, o tym, czym są skille AI, gdzie modele językowe wciąż zawodzą i dlaczego pracę prawnika warto zacząć traktować jak proces, który da się rozpisać na kroki.

Odcinek trwa około 47 minut i jest dostępny w trzech miejscach: na YouTube, na Spotify oraz na stronie serii w Legalis, gdzie znajdziesz też wcześniejsze rozmowy. Poniżej zebraliśmy najciekawsze w naszej ocenie fragmenty rozmowy wraz ze wskazaniem części nagrania, w której występują.

W tym artykule dowiesz się:

• czym jest skill AI i czym różni się od zwykłego czatu,
• dlaczego udostępniliśmy nasz skill do umów za darmo na GitHubie,
• jak zapisanie zasad pisania umów pomaga samej kancelarii,
• gdzie sztuczna inteligencja najczęściej się myli przy pracy na orzeczeniach i pismach,
• jak zmienia się rozmowa z klientem, który przychodzi już po konsultacji z AI,
• od czego zacząć wdrażanie sztucznej inteligencji w małej kancelarii.

Czym jest skill i dlaczego nie jest tym samym co czat

Rozmowa zaczyna się od pytania, które słyszymy najczęściej: czym właściwie jest skill (od 03:59). Najprościej wyjaśnić to w odniesieniu do czata, z którego korzysta dziś większość prawników. Wklejamy do niego polecenie „napisz umowę” albo „napisz pozew”, model odpowiada, a przy kolejnej próbie odpowiada już trochę inaczej, bo w takiej pracy nie ma powtarzalności. Skill to w dużym uproszczeniu kilka wywołań modelu ułożonych w ustalonej kolejności, do których dołączamy instrukcje i potrzebne materiały, np. plik z zasadami, bazę klauzul albo fragmenty dokumentów wyszukane za pomocą RAG. Dzięki temu model przechodzi za każdym razem tę samą ścieżkę, a wyniki są znacznie bardziej powtarzalne niż przy standardowej pracy z czatem (którego okno najczęściej otwiera się „od nowa”).

Nazwa kojarzy się z Claude, choć ten sam schemat da się zbudować na innych modelach, więc w praktyce „skill” stał się zbiorczym określeniem uporządkowanego procesu pracy z takim narzędziem.

Dlaczego commercial-legal-pl jest darmowy

Rozmowa zaczyna się od commercial-legal-pl, naszego skilla do analizy i tworzenia umów według polskiego prawa, który udostępniliśmy bezpłatnie na GitHubie (od 01:46). Skille tworzone przez kancelarie najczęściej trafiają do klientów na zasadach komercyjnych, a my wzorowaliśmy się na rynku anglosaskim, gdzie prawnicy, którzy sami tworzą narzędzia, od dawna publikują je jako open source i traktują jako część swojego portfolio. Liczył się też powód praktyczny, bo w kancelarii skill testowało kilka osób, czyli za mało, żeby rzetelnie ocenić, co działa, a po publikacji uwagi zaczęło zgłaszać znacznie szersze grono. Część poprawek i nowych obszarów prawa, o które prosili użytkownicy, trafiła już do repozytorium.

Pełnej bazy klauzul nie udostępniamy, bo wiąże nas tajemnica zawodowa. Publiczna wersja zawiera ogólne zasady wynikające z problemów i rozwiązań, które powtarzają się w naszej praktyce, bez treści umów konkretnych klientów.

Najwięcej wiadomości po publikacji wysłały zresztą osoby z branży IT, a dopiero potem prawnicy (od 39:25). Prawnikom, z którymi rozmawialiśmy, brakuje natomiast nie kolejnego szkolenia z promptowania, ale rzeczowego wyjaśnienia, jak te narzędzia działają i gdzie kończą się ich możliwości.

Skill jako zapis warsztatu kancelarii

Jak zauważył gospodarz, w większości kancelarii wiedza o tym, jak pisać umowy, nie jest nigdzie spisana i zostaje w głowach poszczególnych prawników albo w bibliotekach wzorców, których często nikt nie aktualizuje (od 11:41). Budowa skilla wymusza spisanie tej wiedzy, a w commercial-legal-pl przyjęło to formę „złotych reguł” KTZR, czyli zasad, które przekazalibyśmy aplikantowi pierwszego dnia pracy.

Nie musi to być rozbudowany regulamin — u nas to 15–20 punktów, m.in. zakaz używania w umowie pojęć niezdefiniowanych, które w języku prawniczym mogą znaczyć różne rzeczy. Spisanie ich przyniosło też korzyść, której się nie spodziewaliśmy — zobaczyliśmy własne niekonsekwencje, np. to, że limit kar umownych, który co do zasady wpisujemy, w części umów jednak się nie pojawiał.

Dla małych kancelarii, które często uważają, że polityki i procedury są tylko dla korporacji, skill może być pierwszą okazją, żeby swój warsztat w ogóle skodyfikować.

Praca prawnika jako proces

Sprawa sądowa przez lata była segregatorem dokumentów, tymczasem prowadzenie sprawy w większości przypadków da się rozpisać na kolejne czynności, podobnie jak przygotowanie umowy (od 13:54). Spojrzenie na sprawę jak na proces pomaga też w samym prowadzeniu sporu, bo zamiast identyfikować się z emocjami klienta, prawnik widzi rozpisane dowody, ryzyka i to, jak orzeka konkretny skład.

Budowanie własnych rozwiązań AI zmienia też sposób myślenia o samym prawie. Sprawę zaczyna się widzieć jako zestaw danych o określonej strukturze, który w dużej części da się opisać tak jak relacyjną bazę danych, czyli zbiór tabel, w których rekordy odsyłają do siebie nawzajem. Rodzaj sprawy jest wtedy kategorią nadrzędną, a sprawa spadkowa jednym z jej rekordów, z własnym zestawem stron, terminów i dokumentów. W sprawie o zapłatę faktura jest dowodem, który potwierdza fakt wykonania usługi, a ten fakt uzasadnia roszczenie, więc każde z tych ogniw można zapisać jako osobny rekord z odesłaniem do kolejnego.

Praca z AI wymusza też porządek w danych. Jeśli do narzędzia trafiają nieuporządkowane dokumenty, trudno przewidzieć, co z nich wyciągnie i czy uwzględni wszystko, co istotne, dlatego wdrożenie warto zaczynać od uporządkowania procesów i dokumentów we własnej kancelarii. Więcej piszemy o tym w opisie naszego środowiska pracy opartego na Google Workspace.

Etapy danej pracy da się ustalić bez osobnego projektu „mapowania procesów”, na co zwrócił uwagę Tomasz Zalewski (od 31:04). Wystarczy napisać prawdziwy pozew krok po kroku z pomocą czatu, a potem poprosić go, żeby na podstawie całego wątku odtworzył kolejne etapy tej pracy.

Gdzie modele wciąż zawodzą

Prawnicy, którzy znają ograniczenia tych narzędzi, podchodzą do nich z reguły spokojniej i lepiej widzą, gdzie człowiek pozostaje niezbędny.

Mylenie ról w uzasadnieniu wyroku. Przy pracy na dużej liczbie orzeczeń najczęstszym błędem, na jaki trafiliśmy, było przypisywanie sądowi apelacyjnemu twierdzeń, które ten sąd jedynie przytaczał, opisując stan faktyczny albo stanowiska stron (od 08:58). Wydawałoby się, że przy obecnych modelach rozumujących to prosta rzecz, a jednak przy takiej pracy trzeba wrócić do podstaw i sprawdzać, czyje zdanie model przypisuje sądowi.

Poprawna sygnatura, błędny wniosek. Rok temu w branży prawniczej dużo mówiło się o RAG jako sposobie na zmyślone sygnatury (od 37:11). Problem przesunął się gdzie indziej — sygnatura się zgadza, cytat również, tylko wniosek wyciągnięty z orzeczenia jest inny, niż wynika z jego treści. Bywa, że model podaje jako tezę sądu stanowisko powoda, którego powództwo oddalono. Ten wątek rozwijamy w artykule Halucynacje AI w prawie: nie chodzi już o zmyślone wyroki.

Brak gradacji argumentów. W apelacji z dziesięcioma zarzutami jedne są mocniejsze, inne słabsze, a strategia procesowa podpowiada, żeby najważniejsze wyeksponować na początku i poświęcić im więcej miejsca, bo sąd nie zawsze czyta 30 stron z równą uwagą (od 32:47). Bez takiej wskazówki w instrukcji narzędzie zwykle rozkłada uzasadnienie mniej więcej po równo.

Polska specyfika. Duże modele trenowano przede wszystkim na materiale anglojęzycznym, gdzie umowy są bardzo długie, bo każde ryzyko jest w nich osobno zabezpieczone, co przekłada się na umowę najmu mieszkania z trzystronicową preambułą i katalogiem kar umownych (od 20:33). Do tego w Polsce wciąż nie ma jednego oficjalnego źródła, z którego da się automatycznie pobrać treść przepisu w brzmieniu z konkretnego dnia. Przez API ELI można pobrać teksty jednolite ustaw z Dziennika Ustaw, ale żeby sprawdzić, jak przepis brzmiał np. 5 sierpnia 2015 r., trzeba korzystać z systemu informacji prawnej albo zbudować takie rozwiązanie samemu (od 07:18). Na danych z ELI opiera się nasze narzędzie legal-cite-pl, które sprawdza, czy przywołany przez model przepis w ogóle istnieje i jak brzmi w aktualnym tekście jednolitym.

Pracę z polskimi orzeczeniami ułatwia natomiast w miarę powtarzalna struktura uzasadnień (stan faktyczny, dowody, ocena prawna), dzięki której łatwiej wyciągać z nich dane niż z orzeczeń anglosaskich, w których rozstrzygnięcie bywa ukryte w środku tekstu.

Klient, który przychodzi z AI

Z AI intensywnie korzystają też klienci, którzy przychodzą lepiej przygotowani, z gotowymi projektami umów, z listą pytań przygotowaną przez czat, a coraz częściej także z szacunkiem, ile godzin powinna zająć ich sprawa (od 22:12). Umowy pisane przez klientów z pomocą AI są przy tym z miesiąca na miesiąc wyraźnie lepsze.

Nie traktujemy tego jako problemu, ale trzeba inaczej rozmawiać z klientem o tym, za co płaci. Skoro z takimi narzędziami sprawdzenie umowy zajmuje mniej godzin, rozliczanie klienta tak jak wcześniej byłoby wprowadzaniem go w błąd i stałoby w sprzeczności z zasadami etyki zawodowej. Klient płaci dziś przede wszystkim za to, że bierzemy na siebie odpowiedzialność i część ryzyka, oraz za doświadczenie, dzięki któremu prawnik po dwóch, trzech zdaniach widzi, że w umowie coś się nie klei, choć formalnie wszystko się zgadza (od 20:01).

Od czego zacząć wdrażanie w kancelarii

Z naszego doświadczenia zespół najłatwiej przekonać do nowego narzędzia, pokazując, jak pomaga w konkretnej pracy. Zbudowanie działającego narzędzia nie wystarczy, jeśli zespół nie wie, po co ma z niego korzystać, co zresztą było naszym własnym błędem przy pierwszych wdrożeniach (od 26:08).

Najlepiej zaczynać od małych, powtarzalnych czynności. U nas pierwszym testem była automatyzacja wniosków o sporządzenie uzasadnienia. Pojedynczy wniosek to kilka minut pracy, ale w ciągu miesiąca na same takie wnioski schodziło już sporo czasu, a ryzyko błędu jest niewielkie. Czat zapytany o wdrożenie często proponuje automatyzację wszystkiego naraz, a taka próba zwykle zniechęca zespół.

Warto też wyznaczyć osobę, która poprowadzi wdrożenie i będzie odpowiadać na pytania zespołu. Warto przy tym zachować dystans do części ofert z rynku — polska branża legaltech ma się czym pochwalić i różne narzędzia sprawdzają się w różnych zadaniach, ale część z nich to proste rozwiązania, które kancelaria może zbudować sama (od 28:53). Otwarte i półotwarte polskie narzędzia dla prawników, w tym źródła danych, serwery MCP i skille, zbieramy w katalogu awesome-legaltech-pl na GitHubie. Jeśli chcesz to zrobić z nami, opisujemy, jak wyglądają wdrożenia AI w kancelarii i dziale prawnym.

Co to oznacza dla zawodu

Przyszłość zawodu oceniamy raczej optymistycznie, choć nie wszyscy prawnicy zyskają na tych zmianach tak samo (od 44:54). W obszarach z bardzo powtarzalnymi sprawami stawki pewnie spadną, a pracy będzie mniej, a kancelarie będą potrzebowały mniej aplikantów do prostych, powtarzalnych zadań.

Jednocześnie pojawiają się nowe ścieżki: stanowiska legal engineera, projekty polegające na ocenianiu i poprawianiu odpowiedzi modeli w konkretnych dziedzinach prawa czy wdrożenia narzędzi w kancelariach. Małe butikowe kancelarie, zatrudniające 5–10 osób, mogą dzięki dobrze zbudowanym narzędziom konkurować z dużymi firmami przy zadaniach, które wcześniej wymagały licznego zespołu, np. przy doradztwie w dużych transakcjach.

Najczęściej zadawane pytania