3000 юридических решений в неделю: как мы построили систему, которая с этим справляется

У нас в работе одновременно тысячи дел. Каждую неделю принимается больше 3000 решений: подавать в суд или оставаться в досудебном урегулировании, какую сумму заявить, какие доказательства усилить, стоит ли вообще браться за дело. За каждым решением — конкретный правообладатель, конкретный нарушитель и конкретные деньги.

Когда решений десятки, с ними справляется опытный специалист. Когда сотни — нужна команда. Когда тысячи — нужна система. Мы в Копидефенд пришли к этому не из теории, а из практики: компания выросла до масштаба, при котором ручное управление перестало работать. И мы решили эту задачу как инженеры.

Представьте: два специалиста смотрят на одно и то же дело. Один считает, что нужно идти в суд с максимальной суммой. Другой — что лучше договориться досудебно. Оба опираются на опыт, оба по-своему правы. При десяти делах в неделю это нормальный рабочий процесс. При трёх тысячах — это неуправляемый разброс.

Проблема не в людях. Проблема в том, что у экспертной модели нет встроенного механизма проверки. Нет эталона — значит, нельзя измерить отклонение. Нет нормы — значит, нельзя найти ошибку. Нельзя ответить на вопрос «почему по этому делу мы получили меньше, чем могли».

Мы видели это на собственных данных. Перегрузка судов снижала размер компенсаций. Одни и те же судьи по-разному оценивали аналогичные дела. Решения выигрывались, но реальный экономический эффект оказывался ниже ожиданий — потому что не учитывались сроки исполнения через ФССП и расходы на представителя ответчика.

Всё это не баги, а следствие модели, в которой каждое решение принимается заново — без опоры на накопленные данные и без обратной связи от результатов.

Мы начали с простого: стали сохранять данные по каждому делу — от момента претензии до исполнения решения. Суд, судья, регион, тип нарушения, поведение ответчика, заявленная и присуждённая сумма, сроки, факт исполнения. Когда накопили данные по нескольким тысячам дел, прошедших полный цикл, увидели закономерности, которые невозможно заметить на отдельных кейсах.

Судьи и суды в разных регионах ведут себя предсказуемо по-разному. Есть устойчивая разница между заявленными и фактически присуждёнными компенсациями. Поведение ответчиков — уклонение, затягивание, готовность к переговорам — зависит от типа бизнеса и региона. Часть решений не исполняется или исполняется с задержкой, и это тоже поддаётся прогнозу.

На этих данных мы построили систему оценки рисков. Сейчас каждое дело на входе проходит через несколько слоёв анализа: оценка ответчика, анализ доказательной базы, автоматический расчёт ожидаемой компенсации с учётом региона и судебной практики, оценка вероятности исполнения решения.

На выходе система формирует одну из четырёх рекомендаций: подаём в суд, усиливаем доказательства, уходим в досудебное урегулирование или отказываемся от подачи. Последнее — не поражение, а расчёт: если риск и затраты значительно превышают ожидаемый эффект, разумнее не перегружать суды заведомо неэффективными делами.

При этом система не останавливается на входе. Размер компенсации адаптируется динамически — по ходу судебного процесса, исходя из поведения ответчика и реакции суда. Отслеживаются сроки, фиксируются отклонения от прогноза.

Финальное решение принимает человек. Но он принимает его на основе данных, а не интуиции. Система не заменяет эксперта — она делает его решение обоснованным, воспроизводимым и проверяемым.

Подробнее о том, как устроена архитектура данных, мы писали на Хабре: Как мы посмотрели на юридический процесс как на поток данных.

Построить систему — половина задачи. Вторая половина — убедиться, что она работает правильно и продолжает работать правильно при росте.

Все метрики собираются внутри системы и отслеживаются в реальном времени. Мы смотрим на проценты досудебных урегулирований и выигранных дел в квантилях — не средние значения, а распределение. Среднее может скрывать проблему; квантили показывают, что происходит на хвостах.

Отдельный слой — мониторинг аномалий. Система автоматически выявляет нетипичное поведение: аномальные отклонения по правообладателям, подозрительные документы, нехарактерные паттерны в потоке претензий. Это не ручная проверка раз в квартал — это непрерывный процесс.

Контроль работает не постфактум, а в моменте. Не «что пошло не так по итогам месяца», а «что прямо сейчас отклоняется от нормы и требует внимания».

Цифры говорят сами за себя. Доля дел, выигрываемых в полном объёме, выросла до 94%. Доля частично удовлетворённых исков снизилась до 6%. Средний размер взыскиваемой компенсации увеличился в 2,5 раза.

Мы стали чаще использовать досудебное урегулирование — но не потому, что отступаем, а потому, что точно считаем, где суд даёт лучший экономический результат, а где эффективнее договориться. Это не уступка — это управление портфелем дел как инвестиционным портфелем.

Сократилось количество дел, в которых суд существенно снижает заявленную сумму. Каждое дело теперь сравнивается с прогнозом, и система учится на расхождениях между ожиданием и результатом.

Подробнее о результатах внедрения оценки рисков мы рассказывали на РБК: Как Копидефенд увеличил взыскиваемость с помощью судебного скоринга.

То, что мы построили, в индустрии называют управлением юридическими процессами (LegalOps) — подход, при котором правоприменение становится не набором отдельных дел, а управляемой системой.

За этим стоит простая мысль: юридический процесс — это поток событий, каждое из которых требует решения. Если подойти к этому потоку как инженеры — декомпозировать, измерить, формализовать правила, встроить обратную связь — он становится управляемым, измеримым и масштабируемым.

Мы продолжаем развивать систему. Модель обновляется с каждым новым делом, оценки уточняются, правила пересматриваются. Это не проект, который мы завершили, — это инфраструктура, которая растёт вместе с нами.