Simple Science

La science de pointe expliquée simplement

# Informatique# Ordinateurs et société# Calcul et langage

IA vs. Avocats Humains : Une Comparaison de Révision de Contrat

Cet article examine comment l'IA s'en sort dans les révisions de contrats légaux par rapport aux avocats humains.

― 4 min lire


Le rôle de l'IA dans lesLe rôle de l'IA dans lesrevues de contratsl'analyse des contrats légaux.Examen de l'efficacité de l'IA dans
Table des matières

L'utilisation de l'intelligence artificielle (IA) dans le domaine juridique est en pleine expansion. Cet article examine comment l'IA, en particulier les grands modèles de langage (GML), se compare aux avocats humains lors de l'examen des contrats. On va voir à quel point ces modèles d'IA sont précis, rapides et rentables par rapport aux avocats juniors et aux sous-traitants de processus juridiques (LPO).

Qu'est-ce que les GML ?

Les grands modèles de langage (GML) sont des types d'IA qui peuvent comprendre et générer du texte comme un humain. Ils sont formés sur d'énormes quantités de données, ce qui leur permet d'effectuer diverses tâches, y compris l'examen des contrats. L'objectif de cette recherche était de voir si les GML pouvaient faire ces tâches mieux que les humains.

Méthodologie

Pour comparer les GML et les avocats, dix contrats d'approvisionnement ont été analysés. Ces contrats ont été anonymisés pour protéger les identités impliquées. L'évaluation a été faite par des avocats seniors, qui ont établi le standard pour ce qu'il fallait rechercher en termes de problèmes juridiques.

Questions de recherche

L'étude visait à répondre à trois questions principales :

  1. Les GML trouvent-ils des problèmes juridiques dans les contrats mieux que les avocats juniors et les LPO ?
  2. Les GML peuvent-ils examiner les contrats plus vite que les professionnels humains ?
  3. Les GML sont-ils plus rentables pour l'examen des contrats par rapport aux avocats juniors et aux LPO ?

Résultats clés

Performance dans la recherche de problèmes juridiques

L'étude a révélé que les GML sont plutôt efficaces pour déterminer les problèmes juridiques dans les contrats. Par exemple, l'un des GML, GPT4-1106, a montré une capacité à égaler ou même à surpasser les avocats juniors et les LPO dans l'identification de ces problèmes. Cependant, il y avait des différences sur la façon dont ils pinpointaient les endroits exacts dans les contrats où les problèmes étaient localisés.

Vitesse de révision

Les GML étaient nettement plus rapides que les examinateurs humains. Alors qu'un avocat junior prenait en moyenne 56 minutes pour examiner un contrat, les GML effectuaient cette tâche en quelques minutes seulement. Le GML le plus rapide a traité un contrat en moins d'une minute. Cette différence est énorme, ce qui indique que les GML peuvent traiter de gros volumes de travail beaucoup plus rapidement que leurs homologues humains.

Efficacité des coûts

Le coût d'utilisation des GML pour l'examen des contrats est beaucoup plus bas que d'embaucher des avocats juniors ou des LPO. L'étude a montré que les GML pouvaient effectuer des révisions de contrats pour juste quelques centimes, par rapport au coût moyen de 75 $ pour un avocat humain. Cela représente une réduction de coût de presque 100 %.

Implications pour le secteur juridique

Les résultats suggèrent que les GML peuvent bouleverser le modèle juridique traditionnel. Ils offrent une précision similaire à celle des avocats humains, mais le font beaucoup plus vite et à un coût inférieur. Cela pourrait entraîner moins d'emplois juridiques de début de carrière à mesure que plus de tâches deviennent automatisées. Cependant, les avocats expérimentés pourraient voir leurs rôles évoluer plutôt que disparaître.

Conclusion

Cette recherche souligne que les GML peuvent effectuer des examens de contrats juridiques de manière efficace et efficiente. Avec les avancées de la technologie IA, ces outils devraient devenir standards dans le domaine juridique, changeant la façon dont les services juridiques sont fournis. Les cabinets juridiques pourraient gagner du temps et de l'argent en adoptant ces modèles, ce qui pourrait augmenter l'accès aux services juridiques pour de nombreux clients.

Directions de recherche futures

D'autres études sont nécessaires pour comprendre comment les GML performent sur différents types de contrats et dans des scénarios juridiques plus complexes, comme la négociation. Aborder les limitations observées dans cette étude aidera à explorer le plein potentiel des GML dans le secteur juridique.

Dernières réflexions

À mesure que l'IA continue de se développer, son impact sur le secteur juridique pourrait être significatif. La capacité à examiner rapidement et précisément les contrats va changer la façon dont les professionnels juridiques travaillent, et l'équilibre entre l'expertise humaine et l'efficacité des machines sera toujours une discussion essentielle dans ce domaine en évolution.

Source originale

Titre: Better Call GPT, Comparing Large Language Models Against Lawyers

Résumé: This paper presents a groundbreaking comparison between Large Language Models and traditional legal contract reviewers, Junior Lawyers and Legal Process Outsourcers. We dissect whether LLMs can outperform humans in accuracy, speed, and cost efficiency during contract review. Our empirical analysis benchmarks LLMs against a ground truth set by Senior Lawyers, uncovering that advanced models match or exceed human accuracy in determining legal issues. In speed, LLMs complete reviews in mere seconds, eclipsing the hours required by their human counterparts. Cost wise, LLMs operate at a fraction of the price, offering a staggering 99.97 percent reduction in cost over traditional methods. These results are not just statistics, they signal a seismic shift in legal practice. LLMs stand poised to disrupt the legal industry, enhancing accessibility and efficiency of legal services. Our research asserts that the era of LLM dominance in legal contract review is upon us, challenging the status quo and calling for a reimagined future of legal workflows.

Auteurs: Lauren Martin, Nick Whitehouse, Stephanie Yiu, Lizzie Catterson, Rivindu Perera

Dernière mise à jour: 2024-01-23 00:00:00

Langue: English

Source URL: https://arxiv.org/abs/2401.16212

Source PDF: https://arxiv.org/pdf/2401.16212

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.

Articles similaires