Прогнозное правосудие в корпоративных спорах: возможности и пределы применения искусственного интеллекта (Байкенжина Ш.Т., Магистр юридических наук, юрист Карагандинского национального исследовательского университета имени академика Е.А. Букетова)

16.06.2026

Прогнозное правосудие в корпоративных спорах: возможности и пределы применения искусственного интеллекта

Байкенжина Шырын Такеновна,

Магистр юридических наук,

юрист Карагандинского национального исследовательского университета

имени академика Е.А. Букетова

Прогнозирование судебных решений по корпоративным спорам с помощью AI основано на обработке больших массивов уже имеющейся судебной практики и выявлении закономерностей, позволяющих с определенной степенью вероятности (может быть в процентном соотношении) предсказать исход дела. Это может быть полезно как для судей и юристов, так и для простых граждан, стремящихся оценить перспективы судебного разбирательства. Прогнозирование судебных решений с помощью машинного обучения как бизнес-процесс берет начало с алгоритмической модели анализа судебных решений (MAAD). Изначально MAAD был создан для анализа моделирования и содержания различных ситуаций, например, возникновение спора с различными факторами и с учетом наиболее существенных параметров. Таким образом, можно сделать вывод о том, что MAAD направлен на моделирование правовых ситуаций с построением логических деревьев возможных решений.

Lemy Gidefroy (2020) отмечает, что целью MAAD является не предсказывание судебных решений, а глубокое изучение тенденций судебной практики и предложение вариантов решений, способствующих урегулированию спора.^[1] Изначально MAAD был создан для анализа моделирования и содержания различных ситуаций, например, возникновение спора с различными факторами и с учетом наиболее существенных параметров.^[2] С этим мнением согласны Jouen F. (2017) et al., которые считают, что MAAD не преследует цели предложить решение «под ключ», поскольку принятие окончательного решения зависит только от человека.^[3] Таким образом, можно сделать вывод о том, что MAAD направлен на моделирование правовых ситуаций с построением логических деревьев возможных решений.

Многие ученые при описании алгоритмов машинного обучения использовали такие алгоритмы как SVM, Random Forest и Naive Bayes. На основании этих алгоритмов в рамках исследования «Review of Text Mining Techniques Applied to Judicial Decisions Prediction» была осуществлена разметка дел по категориям (гражданские и уголовные) и сравнивались точности различных моделей. В моделях учитывались такие факторы как категория дела, регион, опыт судьи, участие адвоката в деле, количество слушаний по делу, возможность апелляции. При изучении прогнозирования исхода судебного дела с помощью AI исследовали прогнозную аналитику основываясь на Artificial Neural Networks (ANNs) and Deep Learning (DL). Однако, несмотря на значительный прогресс методов были выявлены некоторые опасения относительно объяснимости алгоритмов при принятии решения и возможности потенциально необъективных данных:

Прогнозное правосудие с использованием иниструментов AI уже имеет определенные механизмы машинного обучения. Примером этого может служить система JUSTICE, LexisNexis, чат боты и другие типы решений на основе AI, которые работают на основе прецедентного права.^[4] Большинство исследований по прогнозированию исхода судебных решений проводили эксперименты с бинарной задачей, которая может выдать лишь два возможных варианта.

Однако, мною при разработке порога высоких шансов на победу при корпоративных спорах введен промежуточный показатель в гражданском судопроизводстве, который предусматривает частичное удовлетворение исковых требований потенциального истца. Данный показатель отобразился в Шкале определения порога высоких шансов на победу как «средний шанс на победу». Помимо исследований по прогнозу судебных решений с помощью AI юридическое сообщество активно пытается разработать формулу продолжительности судебного процесса. Имея механизм прогнозирования судебного процесса, сторонам спора, судье и адвокатам открывается возможность прогнозирования судебных затрат, учитывая, тот факт, что чем дольше будет длиться дело, тем больше вероятности дополнительных затрат.

Прогнозирование судебных решений с использованием инструментов AI является объектом исследования не только юридического сообщества, но и работников технической и IT сферы. В результате, сформирован обучающий датасет. Решения, загруженные в датасет были промаркированы согласно заданным параметрам и разделены на группы «True» и «False». К категории «True» можно отнести решения, которые были приняты в пользу истца, и напротив к категории «False» были отнесены решения в пользу ответчика. Таким образом, была выявлена следующая закономерность, для решений категории «True» были присущи в резолютивной части решения следующие ключевые слова, как «привлечь», «признать», «удовлетворить», тогда как категория «False» была обозначена глаголами «оставить без изменения», «отказать». В исследовании для создания нейросетевой модели была использована нейронная сеть RUBERTINI 2 и два вида метрик ACCURICY и ROC-AUC. Именно нейронные сети отвечают за изучение входных и выходных данных, а за автоматизацию этого процесса вступает машинное обучение. Соответственно, на основе юридических данных модели самообучаются.^[5]

При разработке программного продукта для прогнозирования исхода судебного дела по машинному обучению также использовались такие способы как разделение судебных актов по категориям судопроизводства, по судебным инстанциям, аннотирование ключевых слов, терминов и словосочетаний, а также определение ключевых параметров для высоких шансов на победу. Для выявления прогнозных шансов на победу по корпоративным спорам были выработаны три основных показателя: юридическая обоснованность (100%), доказательная база (100%) и дополнительные факторы (100%). В каждый показатель закладываются подкатегории, за наличие которых программа должна повышать шансы на победу. Таким образом по общему итогу трех показателей выводится средняя арифметическая, которая способна спрогнозировать исход дела. В качестве апробации на стадии разработки порогов были протестированы гражданские дела связанные с трудовыми, семейными спорами, с признанием договора недействительным и об установлении юридического факта. В качестве примера можно продемонстрировать формулу юридической обоснованности (J) по гражданскому судопроизводству. Под этот параметр было заложено шесть подкатегорий: каждый из которых обозначен процентным показателем.

- Наличие правовой нормы в законодательстве РК, подтверждающая правовую позицию истца (20%);

- Наличие аналогичных решений в судебной практике в пользу правовой позиции истца (20%);

- Наличие нарушений (отсутствие нарушений по делам особого производства) норм правовых отношений или договорных обязательств ответчиком (15%);

- Отсутствие правовых оснований для отказа в иске: пропуск срока исковой давности, заключенное ранее мирового соглашения и другие основания, закрепленные в ст.151, 152, 277, 279 ГПК РК (15%);

- Отсутствие вероятности встречного искового заявления (15%);

- Наличие разъяснений Верховного Суда РК (15%).

Далее переводим этот параметр в следующую формулу:

J = (P1 × 0.20) + (P2 × 0.20) + (P3 × 0.15) + (P4 × 0.15) + (P5 × 0.15) + (P6 × 0.15)

Здесь в качестве P выступают шесть параметров:

P1 = наличие правовой нормы (1 - есть, 0 - нет)

P2 = наличие аналогичных решений (1 - есть, 0 - нет)

P3 = наличие нарушений со стороны ответчика (1 - есть, 0 - нет)

P4 = отсутствие оснований для отказа в иске (1 - нет оснований, 0 - есть)

P5 = отсутствие встречного иска (1 - да, 0 - нет)

P6 = наличие разъяснений ВС РК (1 - есть, 0 - нет)

Если, например:

P1 = 1

P2 = 1

P3 = 1

P4 = 0

P5 = 1

P6 = 0

То: J = (1×0.20) + (1×0.20) + (1×0.15) + (0×0.15) + (1×0.15) + (0×0.15)

J = 0.20 + 0.20 + 0.15 + 0 + 0.15 + 0 = 0.70 (или 70%). Соответственно, доводы потенциального истца юридически обоснованы на 70%.

Таким же образом просчитываются оставшиеся две категории, имеющие свои собственными подкатегории и в результате прогнозируются шансы на победу.

Прогнозирование исхода дела по уголовному судопроизводству значительно отличается от гражданского, как в части задаваемых параметров и категорий, так и принципами заданных алгоритмов.

Прогнозирование судебных решений с использованием инструментов AI действительно открывает новые возможности для цифрового правосудия, но вместе с этим несет ряд серьезных вызовов, в том числе юридических, этических и технологических. Юридические риски обозначены с тем, что на сегодняшний день AI не несет ответственности за свои системные или алгоритмические ошибки. Не до конца разрешен вопрос нормативного регулирования применения AI. В качестве этических рисков рассматриваются вопросы угрозы замены человеческого суждения, а также дискриминации и предвзятости AI к существующим предубеждениям (регион, тип дела, пол, раса, вероисповедание и др.). Под технологическими рисками следует понимать непрозрачность алгоритмов (black box), ошибки обобщения, а также неполные, устаревшие или искаженные данные. Важно помнить, что AI в судебной аналитике это инструмент, а не судья. Именно поэтому в данной работе мы часто использовали термин «инструменты AI», которые можно использовать с прозрачной методологией, с соблюдением этических соображений, а также исключительно как вспомогательный механизм при разрешении судебных и досудебных споров.

На основании вышеизложенного были выявлены следующие критерии, которые легли в основу разработки Шкалы определения исхода корпоративного спора.

1. Количественная оценка (вероятность исхода в %)

0-30% - низкая вероятность удовлетворения требований.

31-60% - средняя вероятность (исход зависит от дополнительных факторов, процесс может качнуться в обе стороны).

61-100% - высокая вероятность выигрыша дела.

2. Качественные уровни шансов

Низкий шанс на победу:

- Наличие существенных процессуальных нарушений у истца (неправильно оформлены документы, пропущен срок исковой давности).

- Судебная практика складывается против позиции стороны.

- Отсутствие или слабая доказательная база.

- Дело связано с внутренними корпоративными конфликтами, где суды традиционно ограничивают вмешательство.

Средний шанс на победу:

- Доказательства есть, но есть и существенные риски (например, противоречивая судебная практика, неоднозначное толкование закона).

- Спор касается вопросов оценки (например, рыночная стоимость доли, убытки).

- Есть аргументы как «за», так и «против», исход будет зависеть от экспертизы, позиции суда и процессуальной активности сторон.

Высокий шанс на победу:

- Наличие устойчивой судебной практики в пользу позиции стороны.

- Законность и обоснованность требований подтверждается документально.

- Нарушения корпоративных процедур очевидны (например, отсутствие кворума, нарушение прав акционеров/участников ТОО).

- Противная сторона не имеет достаточной доказательной базы.

3. Пороговое определение

Низкие шансы: менее 30% → иск лучше не подавать либо готовиться к альтернативным стратегиям (медиация, переговоры).

Средние шансы: 31-60% → требуется усиление доказательной базы, активное процессуальное поведение.

Высокие шансы: более 60% → стратегия должна строиться на закреплении правовой позиции и недопущении процессуальных ошибок.

В практической работе это можно оформить в виде матрицы оценки спора, где учитываются ключевые факторы:

1. Наличие и качество доказательств.

2. Судебная практика (единая или противоречивая).

3. Процессуальные риски (сроки, допустимость доказательств).

4. Экономическая и политическая значимость спора.

5. Репутационные последствия.

Матрица оценки шансов на победу в корпоративном споре

Методика применения

1. Оценка доказательств (качество, полнота, допустимость).

2. Проверка судебной практики (наличие единообразия или колебаний).

3. Идентификация процессуальных рисков (сроки, компетенция суда, возможность отвода).

4. Учет внешних факторов (репутационные и экономические последствия, заинтересованность государственных органов).

5. Присвоение итогового балла(например, 10 из 15 баллов → средний шанс, 13-15 → высокий).

Ключевые факторы

Предлагается разделить оценку на 5 блоков (каждый оценивается по шкале 0-3 балла):

1. Доказательства (D)

0 = отсутствуют

1 = слабые

2 = частично достаточные

3 = сильные и допустимые

2. Судебная практика (P)

0 = преимущественно отрицательная

1 = противоречивая, но больше отрицательная

2 = противоречивая 50/50

3 = преимущественно положительная

3. Процессуальные риски (R)

0 = высокий риск (пропуск срока, неподведомственность)

1 = средний риск

2 = низкий риск

3 = риски отсутствуют

4. Экономическая/правовая значимость (E)

0 = значимость минимальна, спор малозначительный

1 = средняя значимость

2 = высокая значимость, есть внимание суда

3 = спор системный, суды обычно внимательно подходят

5. Позиция оппонента (O)

0 = очень сильная

1 = средняя

2 = слабая

3 = отсутствует/неподкрепленная

Формула расчета

Максимум баллов: 15 (5 факторов × 3).

\text{Шанс победы (%) } = \frac{(D + P + R + E + O)}{15} \times 100

Интерпретация результатов

0-30% (0-4 балла) → низкий шанс.

31-60% (5-9 баллов) → средний шанс.

61-100% (10-15 баллов) → высокий шанс.

Таким образом, руководитель компании, топ менеджер, юрист, адвокат или исследователь заполняет матрицу по каждому фактору, суммирует баллы и получает объективизированный процент шансов.

Возьмем кейс: оспаривание решений общего собрания участников ТОО из-за отсутствия кворума.

1) Оценка факторов (0-3 балла)

(мы присваиваем примерные оценки, в скобках объясняем почему)

D - Доказательства = 3 (Есть протоколы, переписка, список присутствовавших, экспертное заключение -доказательная база сильная).

P - Судебная практика = 2 (Практика противоречивая: есть решения в пользу истца, но и решения против - поэтому 50/50, даем 2).

R - Процессуальные риски = 2 (Сроки в основном соблюдены, но есть риск по допустимости некоторых документов → низко-средний риск → 2).

E - Экономическая/правовая значимость = 1 (Спор важен для участников, но не системный; влияние умеренное → 1).

O - Позиция оппонента = 1 (Ответчик подготовлен, есть встречные документы, позиция сильна → дае 1).

2) Складываем баллы (показываем по шагам)

D + P + R + E + O = 3 + 2 + 2 + 1 + 1

3 + 2 = 5

5 + 2 = 7

7 + 1 = 8

8 + 1 = 9

Итого: 9 баллов из максимальных 15.

3) Перевод в проценты (пошагово)

\text{Шанс (%) } = \frac{9}{15} \times 100

Вычисления:

9 ÷ 15 = 3 ÷ 5 = 0{.}6 (по шагам: 9/15 = 0.6)

0{.}6 × 100 = 60%

4) Интерпретация

Результат: 60% → это верхняя граница категории «средний шанс» (по нашей шкале: 31-60% - средний).

Практически: у дела неплохие перспективы, но есть ключевые уязвимости (контраргументы ответчика и неполная значимость спора). Результат может сместиться в любую сторону в зависимости от качества экспертизы и процессуальной стратегии.

Разработанная Шкала и формула оценки шансов на победу в корпоративных спорах представляет собой инструмент, позволяющий систематизировать и объективизировать прогнозирование судебных исходов. Она основана на пяти ключевых факторах - качество доказательств, судебная практика, процессуальные риски, экономико-правовая значимость и сила позиции оппонента.

Присвоение каждому фактору балльной оценки (от 0 до 3) и расчет итогового показателя в процентах обеспечивает возможность перевести субъективные экспертные суждения в количественный результат, выделить «узкие места» правовой позиции и оценить направления для ее укрепления, а также сравнивать перспективы различных дел по единому критерию.

Шкала проста в применении, универсальна и может использоваться как в исследовательских, так и в практических целях.

Кому и чем полезна Шкала определения исхода корпоративного спора.

1. Юристам и адвокатам - для формирования процессуальной стратегии, оценки рисков и подготовки аргументации перед клиентом.

2. Корпоративным юристам, комплаенс менеджерам, топ-менеджменту и внутренним консультантам - для обоснования управленческих решений (например, стоит ли инициировать судебный процесс или целесообразнее использовать переговорные/альтернативные методы).

3. Инвесторам и бизнесу - как часть юридического due diligence при оценке корпоративных рисков.

4. Исследователям и преподавателям - в качестве методологического инструмента для анализа судебной практики и обучения студентов юридических факультетов.

5. Государственным органам - для выработки статистических прогнозов и мониторинга эффективности судебной системы.

Таким образом, предложенная шкала выступает в роли универсального прогностического инструмента, способного объединить правовую аналитику, практику и прикладную юриспруденцию в сфере корпоративных споров.

Авторская «Шкала определения исхода корпоративных споров» зарегистрирована в Государственном реестре прав на объекты, охраняемые авторским правом, в качестве произведения науки (Свидетельство № 62629 от 2 октября 2025 года).

^[1] Lemy Gidefroy. Алгоритмические модели анализа судебных решений (MAAD) // Государственная служба. - 2021. - ТОМ 23. - №4. С. 20-28

^[2] Lawlor R. C. What computers can do: Analysis and prediction of judicial decisions. American Bar Association Journal. 1963. No 49. Р. 337-344.

^[3] Jouen F., Puigelier C., Tijus C. Decision and decision making. Mare et Martin, 2017. In French.

^[4] S.Yassinea, M.Esghira, O.Ibrihicha. Using Artificial Intelligence Tools in the Judicial Domain and the Evaluation of their Impact on the Prediction of Judgments. // Procedia Computer Science 220. - 2023. - P. 1021-1026. The 4th International Workshop on Statistical Methods and Artificial Intelligence (IWSMAI). March 15-17, 2023, Leuven, Belgium.