---
id: CP-517
slug: ai-analiza-umow-ograniczenia
lang: pl
title: "Umowa sprawdzana przez AI: co asystent wychwytuje, a co pomija"
description: Asystent AI może wskazać w umowie klauzule ryzykowne, ale pomija klauzule i zmyśla. Zmierzone ograniczenia i kroki, które warto podjąć.
canonical_url: https://startbrain.io/cyberpedia/pl/articles/ai-analiza-umow-ograniczenia/
markdown_url: https://startbrain.io/cyberpedia/pl/articles/ai-analiza-umow-ograniczenia.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: "Brain, „Umowa sprawdzana przez AI: co asystent wychwytuje, a co pomija”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/pl/articles/ai-analiza-umow-ograniczenia/ (CC BY 4.0)"
wing: 4
theme: prompt_correctly
reflex: air-013
schema: G3
updated: "2026-11-14"
translations:
  pl: https://startbrain.io/cyberpedia/pl/articles/ai-analiza-umow-ograniczenia/
  fr: https://startbrain.io/cyberpedia/fr/articles/ia-analyse-contrats-limites/
  en: https://startbrain.io/cyberpedia/en/articles/ai-contract-review-limits/
  de: https://startbrain.io/cyberpedia/de/articles/ki-vertragsanalyse-grenzen/
  es: https://startbrain.io/cyberpedia/es/articles/ia-analisis-contratos-limites/
  it: https://startbrain.io/cyberpedia/it/articles/ia-analisi-contratti-limiti/
  nl: https://startbrain.io/cyberpedia/nl/articles/ai-contractanalyse-grenzen/
  pt: https://startbrain.io/cyberpedia/pt/articles/ia-analise-contratos-limites/
  ja: https://startbrain.io/cyberpedia/ja/articles/ai-contract-review-limits/
sources:
  - "n": 1
    title: "ContractEval: Benchmarking LLMs for Clause-Level Legal Risk Identification in Commercial Contracts"
    publisher: arXiv
    url: https://arxiv.org/abs/2508.03080
    published: "2025-08-05"
    accessed: "2026-11-14"
  - "n": 2
    title: LLM09:2025 Misinformation
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm092025-misinformation/
    published: "2024-04-10"
    accessed: "2026-11-14"
  - "n": 3
    title: "ChatGPT and large language models: what's the risk?"
    publisher: NCSC (Royaume-Uni)
    url: https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk
    published: "2023-03-14"
    accessed: "2026-11-14"
  - "n": 4
    title: "Inteligencia Artificial jurídica y el desafío de la veracidad: análisis de alucinaciones, optimización de RAG y principios para una integración responsable"
    publisher: arXiv
    url: https://arxiv.org/abs/2509.09467
    published: "2025-09-11"
    accessed: "2026-11-14"
  - "n": 5
    title: AI Risk Management Framework
    publisher: NIST
    url: https://www.nist.gov/itl/ai-risk-management-framework
    published: "2021-07-12"
    accessed: "2026-11-14"
  - "n": 6
    title: "A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions"
    publisher: arXiv
    url: https://arxiv.org/abs/2507.18910
    published: "2025-07-25"
    accessed: "2026-11-14"
---

# Umowa sprawdzana przez AI: co asystent wychwytuje, a co pomija

Badacze zmierzyli zdolność modeli językowych do wskazywania, klauzula po klauzuli, ryzyk prawnych w umowach handlowych. Ich test porównawczy, ContractEval, objął 4 modele własnościowe i 15 modeli open source [1]. Wnioskują, że większość modeli osiąga poziom porównywalny z poziomem początkujących asystentów prawnych [1].

Ten artykuł wyjaśnia pracownikowi, co pokazują te badania, co asystent AI może pominąć lub zmyślić oraz jakie kroki warto podjąć, zanim powierzy mu się dokument.

## W 30 sekund

- Gdzie to się zdarza: gdy prosi się asystenta AI o wskazanie w umowie klauzul ryzykownych [1].
- Co może pójść nie tak: modele odpowiadają no related clause, choć istotna klauzula jest obecna [1], a model może tworzyć twierdzenia prawne bez podstaw [2].
- Odruch: nie wpisywać informacji wrażliwych w zapytaniu do modelu publicznego [3] i zlecić sprawdzenie wyników osobie, gdy stawka jest wysoka [2].

## Pytania wprost

### Czy asystent AI wychwytuje wszystkie klauzule umowy?

Badania ContractEval nie pozwalają tego stwierdzić. Autorzy użyli zbioru danych Contract Understanding Atticus Dataset (CUAD) [1]. Zauważają, że modele open source częściej generują odpowiedzi no related clause, nawet gdy istotne klauzule są obecne [1]. Widzą w tym możliwy objaw laziness w rozumowaniu lub niskiej pewności modelu przy wyodrębnianiu istotnej treści [1].

Modele własnościowe osiągają lepsze wyniki niż modele open source pod względem dokładności i skuteczności odpowiedzi, choć niektóre modele open source pozostają konkurencyjne pod pewnymi względami [1].

### Czy tryb rozumowania sprawia, że analiza jest bardziej wiarygodna?

Niekoniecznie. Według ContractEval tryb rozumowania (thinking) poprawia skuteczność odpowiedzi, ale zmniejsza ich dokładność, prawdopodobnie dlatego, że nadmiernie komplikuje prostsze zadania [1].

### Czy AI może zmyślić teksty lub orzeczenia sądowe?

Tak. OWASP podaje przykład ChatGPT, który sfabrykował fałszywe sprawy prawne, co miało istotne konsekwencje przed sądem [2]. OWASP nazywa to halucynacją: model generuje treść, która wydaje się trafna, ale jest zmyślona [2]. Raport techniczny Alexa Dantarta analizuje ten problem halucynacji modeli językowych stosowanych w prawie, jego przyczyny i objawy [4].

### Dlaczego fałszywa odpowiedź wydaje się pewna siebie?

OWASP opisuje dezinformację ze strony modelu jako fałszywe lub wprowadzające w błąd informacje, które wyglądają wiarygodnie [2]. NCSC (Wielka Brytania) pisało w 2023 roku, że modele mają tę wadę, iż wydają się przekonujące, niezależnie od tego, czy mają rację [3]. Dodawało, że ich odpowiedzi mogą być tylko częściowo poprawne, zwłaszcza gdy temat jest specjalistyczny [3].

### Czy można wkleić umowę do publicznego asystenta?

NCSC zaleca, by nie umieszczać informacji wrażliwych w zapytaniach kierowanych do modeli publicznych i nie przesyłać im zapytań, które byłyby problemem, gdyby stały się publiczne [3]. Opisuje też praktykę polegającą na kopiowaniu do pytania dużych ilości tekstu, a nawet całych dokumentów, aby dać kontekst, i nie zaleca jej w przypadku informacji wrażliwych w modelach publicznych [3].

### Co się dzieje z tym, co wpisuję w asystencie?

Według NCSC zapytanie jest widoczne dla organizacji udostępniającej model, jest przechowywane i niemal na pewno zostanie kiedyś wykorzystane do rozwoju usługi lub modelu [3]. W chwili pisania NCSC wskazywało, że model nie dodawał automatycznie informacji z zapytań do swojego modelu dla innych użytkowników [3]. Zauważa też, że zapytania przechowywane online mogą zostać zhakowane, ujawnione lub, co bardziej prawdopodobne, przypadkowo upublicznione [3].

### Czy istnieją ramy oceny tych ryzyk?

NIST opublikował 26 stycznia 2023 roku AI Risk Management Framework, do dobrowolnego stosowania [5]. 26 lipca 2024 roku opublikował NIST-AI-600-1, profil poświęcony generatywnej AI, który może pomóc organizacjom w rozpoznawaniu ryzyk właściwych dla tych narzędzi [5].

## Jak to działa

Według NCSC model językowy został wytrenowany na dużej ilości tekstów i na tej podstawie tworzy model prawdopodobieństw oparty na relacjach między słowami [3]. OWASP wyjaśnia, że halucynacje pojawiają się, ponieważ model uzupełnia luki w danych treningowych statystycznymi prawidłowościami, nie rozumiejąc treści [2]. Może wtedy tworzyć odpowiedzi, które wydają się trafne, ale nie mają podstaw [2].

Częstym zabezpieczeniem jest Retrieval-Augmented Generation (RAG). OWASP je zaleca: polega na pobieraniu istotnych, zweryfikowanych informacji z zaufanych zewnętrznych baz podczas generowania odpowiedzi, co pomaga ograniczać halucynacje [2]. Przegląd literatury o RAG przedstawia ją jako połączenie modeli językowych z systemami wyszukiwania informacji, mające wzmocnić oparcie na faktach i złagodzić halucynacje [6]. Ten sam przegląd wymienia wśród trwałych trudności jakość wyszukiwania informacji i kwestie poufności [6]. Raport Alexa Dantarta również bada skuteczność RAG i przedstawia jej ograniczenia [4].

## Co robić

- Przed wklejeniem tekstu sprawdzić, co zawiera: NCSC zaleca, by nie umieszczać informacji wrażliwych w zapytaniach do modelu publicznego [3].
- Przeczytać warunki korzystania i politykę prywatności narzędzia, zanim zada mu się pytania wrażliwe: NCSC wskazuje, że trzeba je dobrze rozumieć [3].
- W przypadku narzędzia dostarczanego przez dostawcę usług w chmurze NCSC zachęca organizacje do zrozumienia, jak zarządza się ich danymi: czy badacze lub partnerzy dostawcy mają do nich dostęp i na jakich warunkach pracownik dostawcy może zobaczyć zapytania [3]?
- Porównywać odpowiedzi z zaufanymi źródłami zewnętrznymi. OWASP zaleca zachęcanie do takiej weryfikacji oraz wprowadzenie nadzoru człowieka i sprawdzania faktów, zwłaszcza w przypadku informacji krytycznych lub wrażliwych [2].
- Nie traktować odpowiedzi no related clause jako dowodu, że żadna klauzula nie ma zastosowania: ContractEval odnotował takie odpowiedzi, choć istotne klauzule były obecne [1].
- Zachować kontrolę nad oceną. Raport Alexa Dantarta podkreśla nadzór człowieka, który uznaje za niezastąpiony, i proponuje AI „doradczą”, narzędzie wzmacniające osąd zawodowy zamiast go zastępować [4].

## Pułapki

- Nadmierne zaufanie. OWASP tak nazywa zbytnie ufanie wygenerowanej treści bez sprawdzenia jej poprawności, co nasila skutki fałszywej informacji, gdy trafia ona do decyzji [2].
- Poziom początkującego. Autorzy ContractEval porównują większość modeli do początkujących asystentów prawnych i uważają, że modele open source wymagają ukierunkowanego dostrojenia (fine-tuning), aby były poprawne i skuteczne w sytuacjach prawnych o wysokiej stawce [1].
- Tryb rozumowania wzięty za gwarancję jakości: w testach ContractEval zmniejsza on dokładność [1].
- Odpowiedź, która brzmi trafnie. NCSC zauważa, że przekonujące odpowiedzi mogą być tylko częściowo poprawne [3].

## Źródła

1. arXiv, „ContractEval: Benchmarking LLMs for Clause-Level Legal Risk Identification in Commercial Contracts”, 5 sierpnia 2025. https://arxiv.org/abs/2508.03080 (dostęp 14 listopada 2026)
2. OWASP, „LLM09:2025 Misinformation”, 10 kwietnia 2024. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (dostęp 14 listopada 2026)
3. NCSC (Royaume-Uni), „ChatGPT and large language models: what's the risk?”, 14 marca 2023. https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk (dostęp 14 listopada 2026)
4. arXiv, „Inteligencia Artificial jurídica y el desafío de la veracidad: análisis de alucinaciones, optimización de RAG y principios para una integración responsable”, 11 września 2025. https://arxiv.org/abs/2509.09467 (dostęp 14 listopada 2026)
5. NIST, „AI Risk Management Framework”, 12 lipca 2021. https://www.nist.gov/itl/ai-risk-management-framework (dostęp 14 listopada 2026)
6. arXiv, „A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions”, 25 lipca 2025. https://arxiv.org/abs/2507.18910 (dostęp 14 listopada 2026)

---

Źródło oryginalne: Cyberpedia, publiczna encyklopedia cyberbezpieczeństwa i AI wydawana przez Brain. Wersja kanoniczna: https://startbrain.io/cyberpedia/pl/articles/ai-analiza-umow-ograniczenia/
Możesz swobodnie wykorzystywać ten tekst na licencji CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), pod warunkiem podania „Brain, Cyberpedia” wraz z odnośnikiem do powyższego adresu.
