Případová studie podnikové digitální transformace: úspěšná implementace AI v právní kanceláři

Executive summary

Globální právní kancelář s 1 200 právníky realizovala podnikovou digitální transformaci zaměřenou na AI—rychlejší vyhledání znalostí, akceleraci draftingu a prosazení playbooků. Během 9 měsíců dosáhla: snížení p95 prvního draftingu o 38 % u cílových dokumentů, +21 % adopce standardních klauzulí, zlepšení interních kontrol kvality o 16 bodů a +10 NPS u klíčových klientů. Studie pokrývá baseline, architekturu, bezpečnost, change management, provozní model a ROI.

Baseline a cíle

- Rozptýlené znalosti napříč DMS; omezené opětovné využití precedentů - Nekonzistentní použití klauzulí; dlouhé review cykly - Manuální výzkum s proměnlivou spolehlivostí a bez auditních stop - Cíl: bezpečná, vysvětlitelná AI ve Wordu a CLM, ukotvená ve firemních znalostech, s měřitelnými KPI

KPI cíle

- Cyklový čas: −25–40 % u NDA, DPA, vendor smluv - Standardizace: +15 % adopce schválených klauzulí do 6 měsíců - Kvalita: −30 % odchylek od playbooku u cílových klauzulí - Zkušenost: +8 NPS ve strategických účtech

Referenční architektura (high‑level)

Koncept: vrstvy Content Plane → Index & RAG → Model Layer → Integrace → Governance & Observability. - Content Plane: DMS/CLM, znalostní knihovny; neměnné originály + SHA‑256 - Index & RAG: hybridní vektor + keyword; ACL na úrovni chunků; izolace tenantů - Model Layer: privátní LLM endpointy + specializované klasifikátory; eval s golden sety - Integrace: Word add‑in, CLM plug‑in, Teams/Slack boty - Governance & Observability: PEP, audit logy, metrics store, SIEM

Bezpečnost a compliance by design

- Minimalizace dat a matter‑scoped retrieval; redakce PII, kde není potřeba - Identita: SSO, MFA, ABAC s matter zdmi; podepsané URL; pre‑signed uploady s kontrolami - Šifrování: KMS obálkové šifrování per praxe/region; segregace klíčů pro klienty - Auditovatelnost: provenience pro generovaný text (citace, původ klauzulí, verze modelu/pravidel) - Rezidence: EU workloady v regionu; smluvní „no‑training"; privátní endpointy

Připravenost dat a kurace znalostí

- Inventura: 6 TB → deduplikace na 3,8 TB - Taxonomie: 220 top‑level klauzulí; mapování na CLM knihovnu - Quality gates: minimální OCR confidence; odstranění zastaralých/privilegovaných draftů z indexů - Golden sety: 1 200 dokumentů pro evaluaci extrakce a kvality odpovědí

Implementační fáze

1) Základ (0–2 měsíce) - Landing zóny, sítě, KMS; observabilita - MVP RAG nad očištěnou knihovnou; Word add‑in rámec - Governance: model politiky, eval protokoly, cadence releasů

2) Škálování use casů (3–6 měsíců) - Contract review assist: detekce klauzulí, scoring odchylek, návrhy redline - Knowledge Q&A: dotazy nad memy/opiniemi s vynucenými citacemi - Drafting assist: návrhy dle šablon, validace definic, kontrola cross‑referencí - Integrace: CLM úkoly, DMS write‑back, Teams bot

3) Industrializace (7–9 měsíců) - Eval harness: týdenní regrese nad gold sety; p50/p95 prahy kvality - SLO: dostupnost, latence, groundedness; error budgety a release brány - FinOps: náklad na dokument, cache hit; autoscaling - Školení a adopce: cohort výuka, champions, certifikace

Change management a adopce

- Stakeholdeři: CIO, Innovace, championi praxí, Risk/GC, KM, IT Ops - Enablement: workshopy playbooků; Word tour; before/after ukázky - Incentivy: scorecards; uznání přínosů; sdílení klientských výher - Guardrails: žádná klientská identifikace mimo tenant; potvrzení reviewera pro generovaný obsah

Provozní model

- Tým: Product (KM), Tech lead, MLOps, SecEng, QA - Release: dvoutýdenní; gate přes eval suite; kanár s 5 % uživatelů - Support: runbooky, L2/L3, eskalace - Riziko: decision logy; periodické testy leakage/fairness; externí posudky

Výsledky (měsíc 9)

- Cyklový čas: NDA p95 90 → 56 min (−38 %); DPA 210 → 145 min (−31 %) - Kvalita: −34 % odchylek v top 20 klauzulích; −42 % mismatchů definic - Adopce: 72 % weekly active; 61 % reviewů použilo návrhy; 18 % auto‑accept low‑risk - Klientská hodnota: +10 NPS; RFP výhry; +12bb SLA - Náklady: inference $0,18/dokument; cache hit 41 %; infra + licence −7 % vs. plán

Poučení

- „Groundedness především": RAG s vynucenými citacemi zrychlil i zabezpečil review - Playbooky jsou produkt: kódovat, verzovat, testovat - HITL je nutnost: prahy, UI a feedback - Začněte čistými daty: kvalitní precedenty přinesly rané úspěchy

Architektonický diagram (textově)

[Diagram] DMS/CLM → Ingest (hash/metadata) → Indexery (keyword+vector, per tenant) → PEP → LLM Orchestrace → Word/CLM UI → Audit & Metrics

Jak BASAD pomáhá: BASAD dodává bezpečné AI implementace pro právníky: matter‑scoped RAG, privátní endpointy, integrace do Word/CLM, eval harnessy a governance. Důraz na měřitelnou ROI, SLO, nákladové řízení a auditovatelnost.