Obecnie może nie jest to "problem dnia codziennego", ale być może niedługo już będzie. Przynajmniej dla prawników...

31 marca 2026 r. Rada Ministrów przyjęła projekt ustawy o systemach sztucznej inteligencji, który teraz trafi do Sejmu. Dobry moment, żeby rzucić okiem, o co właściwie chodzi.

Ale po co nam ta ustawa, skoro mamy AI Act?

Tu jest drobna pułapka pojęciowa, która często myli nawet prawników. AI Act jako rozporządzenie unijne obowiązuje bezpośrednio – nie potrzebuje żadnej polskiej ustawy implementującej. Polska ustawa nie "wdraża" więc AI Actu, tylko buduje wokół niego krajową infrastrukturę: wskazuje organ nadzoru, określa procedury, zasady składania skarg, zgłaszania incydentów i nakładania sankcji. Większość obowiązków z AI Actu zacznie obowiązywać od 2 sierpnia 2026 r., więc czas nagli.

KRiBSI, czyli nowy gracz na planszy

Główną nowością jest Komisja Rozwoju i Bezpieczeństwa Sztucznej Inteligencji (KRiBSI) – zupełnie nowa instytucja, obsługiwana przez Ministerstwo Cyfryzacji, ale formalnie niezależna. To ona będzie krajowym organem nadzoru rynku w rozumieniu AI Actu.

Skład Komisji jest wieloinstytucjonalny – obok przewodniczącego (powoływanego przez Sejm za zgodą Senatu na 5 lat) znajdą się w niej przedstawiciele UOKiK, UKE, KNF i KRRiT. To nie przypadek: AI wchodzi jednocześnie do finansów, mediów, telekomunikacji i rynku konsumenckiego, więc taki przekrojowy skład ma sens.

KRiBSI nie będzie tylko ciałem doradczym. Dostanie realne kompetencje: prowadzenie postępowań administracyjnych, rozpatrywanie skarg, przyjmowanie zgłoszeń incydentów, wydawanie wiążących decyzji i nakładanie administracyjnych kar.

Piaskownice regulacyjne i podział kompetencji z Brukselą

Komisja ma też pełnić funkcję inkubatora innowacji poprzez tworzenie tzw. piaskownic regulacyjnych, czyli środowisk, gdzie firmy będą mogły testować rozwiązania AI w kontrolowanych warunkach.

Warto przy tym pamiętać o jednym ważnym podziale: kary wobec dostawców modeli AI ogólnego przeznaczenia (czyli np. dużych modeli językowych) nakłada bezpośrednio Komisja Europejska, nie KRiBSI. Polska Komisja skupi się na nadzorze nad podmiotami działającymi lokalnie, szczególnie dostawcami i wdrażającymi systemy AI wysokiego ryzyka.

Co z tego wynika dla kancelarii?

Przede wszystkim, w końcu będziemy wiedzieć, do kogo się zgłosić i jakie procedury stosować. Do tej pory AI Act funkcjonował w Polsce bez pełnej instytucjonalnej obudowy, co w praktyce generowało sporo niepewności. Projekt ustawy ma to porządkować.

Projekt trafi teraz pod obrady Sejmu, więc nie ma sensu spekulować jaki ostatecznie kształt przybierze. Będę na bieżąco śledził postępy prac i wrzucał aktualizacje.

Jesteś asystentem prawnika, specjalistą od zarządzania czasem pracy. Na podstawie poniższych danych stwórz optymalny plan dnia w formie tabeli godzinowej.

GODZINY PRACY:

ZADANIA:

- | |

- | |

SPOTKANIA:

- – –

Zaplanuj bloki głębokiej pracy w pierwszej połowie dnia, maile i telefony po 13:00, przerwy co 90 min.

Dodaj 30 min bufora na pilne sprawy.

Na końcu: 3 priorytety dnia i 5-minutowy przegląd końca dnia.

To nie są ogólniki w stylu „AI zwiększy Twoją produktywność”. To konkretne przykłady zastosowań, które naprawdę zainspirują do działania.

Kilka, które mnie zainteresowały:

📊 Analiza danych w rozmowie: wrzucasz CSV, Claude rysuje siatkę korelacji i od razu flaguje wzorce warte uwagi. Zero klikania po Excelu.

📚 Mapowanie przeglądu literatury: wgrywasz stos artykułów naukowych, a AI rysuje strukturę argumentów: kto z kim się nie zgadza, gdzie są luki. Idealne dla badaczy i studentów.

💼 Analiza umów i negocjacje: AI wskazuje klauzule, które mogą Cię kosztować, i sugeruje konkretne zmiany do negocjacji.

🖥️ Tworzenie strony internetowej bez kodowania: budujesz portfolio i uczysz się, jak je wdrożyć online. Bez jednej linijki kodu.

Strona ma też przykłady dla edukacji, NGO, finansów i codziennej pracy zawodowej.

Warto zajrzeć, nie po to, żeby „być na bieżąco z AI”, ale żeby znaleźć jedną konkretną rzecz, którą możesz zautomatyzować już dziś.

Robby Stein mówi o tym, że ludzie przestają wpisywać hasła i zaczyna się era pytań konwersacyjnych. „Jak powinienem spędzić sobotę?”, takie pytanie jeszcze rok temu Google zbyłby ogólnikami. Dziś, dzięki AI Mode zasilanemu przez Gemini 3, Google może prowadzić z Tobą dialog, zadaje pytania doprecyzowujące, a odpowiedź dostosowuje do kontekstu.
Dla kancelarii to konkretna zmiana w sposobie korzystania z wyszukiwarki. Zamiast wpisywać „art. 299 ksh odpowiedzialność zarząd”, możesz napisać: "Reprezentuję klienta, byłego członka zarządu sp. z o.o., który nie złożył wniosku o upadłość. Pomóż mi wyszukać argumenty na jego obronę oraz podaj listę zagadnień na które zwrócić uwagę w postępowaniu?”. Powinieneś dostać ustrukturyzowaną odpowiedź z linkami do źródeł.

Gemini 3 Flash vs Pro (z naszej perspektywy)

Stein tłumaczy różnicę prosto: Flash = szybkość i wysoka jakość dla codziennych pytań, Pro = głębokie rozumowanie, narzędzia, symulacje.
Czyli do pracy raczej PRO, chyba że "na szybkości" szukasz na rozprawie jakiegoś przepisu.

Personal Intelligence, czyli Google, które cię zna

To jest według mnie najbardziej rewolucyjna rzecz z całego wywiadu. Personal Intelligence (na razie opt-in, najpierw w USA) pozwala połączyć Google Search z twoim Gmailem i Zdjęciami itd. Stein podał przykład: zapytał „jaka torba na siłownię będzie dla mnie dobra?”, a Google przeszukał jego Gmaila, odkrył, jakie marki preferuje i zaproponował idealny model.

My będziemy mogli szukać swoich własnych argumentów ze starych spraw albo wiadomości do klientów w którym już tłumaczyliśmy podobne zagadnienie. Google przeszuka Gmail i poda Ci spersonalizowaną odpowiedź. Brzmi jak science fiction, ale technicznie jest już gotowe i podobno działa. Pytanie o wdrożenie w środowisku kancelarii (RODO, bezpieczeństwo danych) to osobny temat, ale kierunek jest oczywisty.

Agentic Search, czyli Google, które dzwoni za ciebie

Stein omawia tryb agentyczny: Google nie tylko odpowiada, ale działa. Przykład z wywiadu: chcesz zarezerwować wizytę u fryzjera, ale salon nie ma systemu rezerwacji online: Google dzwoni do salonu i wysyła ci e-mail z potwierdzeniem. Robi to samodzielnie.

W kancelarii jest mnóstwo rzeczy do takich automatyzacji: umówienie terminu spotkania przez e-mail, zebranie ofert, monitoring orzecznictwa i powiadomienie, gdy pojawi się wyrok w sprawie, która Cię interesuje, to są rzeczy, które w ciągu 6–9 miesięcy (taki horyzont podaje Stein) mają szansę być automatyzowane przez narzędzie zintegrowane z Google.

Wywiad jest po angielsku, ale jest warty uwagi - szczególnie fragment o Personal Intelligence i o tym, jak model rozkłada jedno złożone zapytanie na dziesiątki mikropytań równolegle.

Możesz obejrzeć to TU.

Dokładnie tym zajmuje się BullshitBench, a więc „benchmark” stworzony przez Petera Gosteva z Arena AI. Pomysł jest przewrotnie prosty: zamiast pytać modele o to, czy wiedzą coś poprawnie, sprawdza się czy potrafią przyznać, że pytanie nie ma sensu.

Jak to działa?

BullshitBench v2 zawiera 100 bezsensownych pytań rozłożonych na 5 dziedzin: software, medycyna, prawo, finanse i fizyka. Każde pytanie jest celowo skonstruowane tak, żeby opierało się na fałszywym założeniu. Przykład? „Skoro przeszliśmy w kodzie z tabulatorów na spacje, jak wpłynie to na retencję klientów w kolejnych kwartałach?”.

Model może zareagować na trzy sposoby:

• 🟢 Clear pushback: zdecydowanie odrzuca nonsensowną przesłankę
• 🟡 Partial challenge: częściowo kwestionuje, ale mimo wszystko odpowiada
• 🔴 Accepted nonsense: przyjmuje bzdurę za dobrą monetę i odpowiada jakby wszystko było ok

Co z tego wynika dla kancelarii?

Wyniki są dla branży prawniczej bardzo wymowne. Tylko dwie rodziny modeli przekraczają 60% „clear pushback”: modele Anthropic (Claude) oraz Qwen 3.5. Konkretnie Claude Sonnet 4.6 flaguje ponad 94,5% nonsensownych promptów, a top 9 pozycji w rankingu należy do Anthropica.

Pozostałe popularne modele, w tym OpenAI i Google, wypadają słabo i co ważne: nie poprawiają się wraz z nowszymi wersjami. Co więcej, odkryto zaskakującą zależność: tryb "reasoning" (głębsze myślenie) paradoksalnie nie pomaga – jeśli już, to lekko pogarsza wyniki w wykrywaniu nonsensów.

Dlaczego to ważne dla prawników?

Jak to rozumieć i jakie to ma dla nas znaczenie?

Wyobraź sobie scenariusz: klient opisuje stan faktyczny z wewnętrzną sprzecznością, albo pyta o „korelację” pomiędzy zdarzeniami, które nie mają ze sobą żadnego związku prawnego. Model, który „akceptuje bzdurę”, wyprodukuje pięknie sformułowaną odpowiedź. To jest właśnie najgroźniejszy rodzaj halucynacji: nie ta, gdzie model się myli w szczegółach, tylko ta, gdzie z pozoru poprawnie odpowiada na fundamentalnie błędne pytanie.

W kontekście LegalBench, oddzielnego benchmarku mierzącego czystą dokładność prawną, wyniki są też ciekawe: GPT-5 (84,6%), Gemini 2.5 Pro (83,6%), Grok 4 (83,4%) przekraczają 80% próg w rozumowaniu prawnym. Ale dokładność merytoryczna to jedno, a zdolność do powiedzenia „to pytanie nie ma sensu”, to drugie, i BullshitBench mierzy właśnie to drugie.

Praktyczne wnioski

Jeśli używasz AI w kancelarii do analizy dokumentów, weryfikacji stanów faktycznych czy pracy z klientami, moje obecne rekomendacje są następujące:

• Do zadań wymagających krytycznego podejścia do treści (weryfikacja logiki umów, analiza sprzeczności w stanach faktycznych) - Claude (Anthropic) jest bezkonkurencyjny w kwestii „mówienia nie”
• Do precyzyjnej analizy prawnej i drafting'u - warto mieć w zestawie też GPT-5 lub Gemini 3.1 Pro, które świetnie wypadają w LegalBench
• Strategia orkiestracji – zaryzykuję tezę, że najlepsi nie obstawiają jednego modelu; używają różnych narzędzi do różnych zadań

Jeden benchmark to oczywiście nie wszystko, ale BullshitBench podnosi temat, który dla prawników jest absolutnie kluczowy: czy mój asystent AI powie mi, gdy moje założenie jest błędne? To pytanie warto zadać sobie zanim powierzy się modelowi odpowiedzialną robotę.

Link do narzędzia (warto pobawić się samemu, można porównywać modele pytanie po pytaniu): petergpt.github.io/bullshit-benchmark

Działaj jako analityk zakupów w Polsce i tracker cen. Twoim celem jest znaleźć najlepszą bieżącą okazję (cena, wiarygodność, warunki) oraz ocenić timing zakupu na podstawie historii cen i sezonowości.

Kontekst:

- Produkt: buty PUMA FAST-R Nitro Elite 3 rozmiar 42,5 i 43

- Budżet: do 1300 zł

- Termin zakupu: od razu

- Preferencje: tylko nowy egzemplarz, PL szybka dostawa, weź pod uwagę działające cashbacki (np. letyshops i podobne)

- Preferowane sklepy: oficjalne sklepy marek, duże polskie sieci, autoryzowani resellerzy

- Wykluczenia: marketplace bez weryfikacji, zagraniczne wysyłki, brak NIP

- Lokalizacja: Tarnów/PL (oceń czas dostawy)

Zadanie:

1) Wyszukaj oferty wyłącznie w uznanych polskich e-sklepach i oficjalnych sklepach marek. Dopuszczaj marketplace tylko gdy sprzedawcą jest „oficjalny sklep” lub „autoryzowany dystrybutor”.

2) Dla każdej oferty zweryfikuj:

   - Dane sprzedawcy (pełna nazwa, NIP/UE, adres w PL/UE), reputacja (opinie/ocena), status autoryzacji.

   - Cena brutto, koszt dostawy, koszt całkowity, dostępność i przewidywany termin dostawy.

   - Zwroty: prawo odstąpienia 14 dni, koszt zwrotu, sposób (paczkomat/kurier/sklep).

   - Gwarancja: producenta w PL, serwis w Polsce, rękojmia 2 lata; dokument sprzedaży (paragon/faktura VAT).

3) BARDZO WAŻNE — DOSTĘPNOŚĆ:

   - Bierz pod uwagę WYŁĄCZNIE oferty produktów, które są REALNIE DOSTĘPNE do zamówienia od razu ("w magazynie", "dostępne", konkretny czas realizacji poniżej 3 dni).

   - Oferty z oznaczeniami typu "powiadom o dostępności", "niedostępny", "na zamówienie", "chwilowo brak towaru", "brak na stanie" itp. — mają być automatycznie wykluczone.

   - Oceń czy deklarowana dostępność jest wiarygodna i dotyczy całego danego wariantu produktu.

4) Historia ceny i timing:

   - Podaj min/średnią/czy trend spadkowy/wzrostowy dla 30/90/180 dni.

   - Omnibus: jeśli oferta oznaczona jako promocja, podaj najniższą cenę z 30 dni (jeśli dostępna).

   - Oceń sezonowość (np. Black Friday, wyprzedaże posezonowe, wejścia nowych modeli) i ryzyko podwyżek/niedostępności.

5) Oceń wiarygodność i ryzyko:

   - Wyklucz podejrzane listingi (brak danych firmy, brak regulaminu zwrotów, zbyt niska cena vs rynek).

   - Oznacz potencjalny „import równoległy/outlet”, podróbki lub brak polskiej dystrybucji.

6) Scoring i decyzja:

   - Zastosuj scoring: 50% relacja do dołków cenowych (30/90/180 dni), 20% wiarygodność sprzedawcy, 15% warunki dostawy/zwrotów, 10% gwarancja/serwis PL, 5% dodatkowe koszty/bonusy.

   - Rekomendacja: „Kup teraz” lub „Poczekaj”, z uzasadnieniem. Podaj cenę docelową i przewidywane okno okazji (jeśli czekać).

Format wyjścia:

- Tabela porównawcza (min. 3–5 najlepszych ofert) z kolumnami:

  Sklep | Sprzedawca | Cena | Dostawa | Całkowity koszt | Dostępność | Zwroty | Gwarancja | Faktura | Historia (30/90/180, Omnibus) | Link

- JSON pod tabelą:

  {

    "produkt": "...",

    "oferty": ,

    "scoring": {"metodologia": "...", "zwyciezca": "...", "punkty": ...},

    "rekomendacja": {"decyzja": "kup_teraz/poczekaj", "uzasadnienie": "...", "cena_docelowa": ..., "okno_okazji": "..."},

    "braki_danych":

  }

Reguły jakości:

- Każda oferta musi być aktualnie dostępna do natychmiastowego zakupu (stan magazynowy potwierdzony; oznaczenia typu "powiadom o dostępności"/"niedostępny"/"na zamówienie" — AUTOMATYCZNIE WYKLUCZ).

- Cytuj źródła linkami do kart produktu i wykresów/historii cen. Jeśli danych brak – oznacz jako „nieznane” i wypisz co należy jeszcze sprawdzić. Nie zgaduj.

- Preferuj oferty z jasnym regulaminem i pełnymi danymi firmy. Wyraźnie oznacz oferty „oficjalny sklep/autoryzowany”.

- Jeśli znajdziesz oferty z niejasnym statusem dostępności — przenieś je do sekcji JSON "wykluczone_oferty" z adnotacją o braku dostępności.

Co kryje się pod maską

Pod spodem – to wiem z internetów - działa hybrydowa architektura łącząca technologie Mamba i Transformer, która z 120 miliardów parametrów aktywuje zaledwie 12 miliardów przy każdym zadaniu. Brzmi to poważnie, ale co to w sumie znaczy? Otóż dzięki temu model osiąga niesamowitą prędkość generowania odpowiedzi i oferuje potężne okno kontekstowe sięgające aż miliona tokenów. To sprawia, że sztuczna inteligencja zachowuje pełny kontekst sprawy bez "gubienia wątku" nawet przy skrajnie długich i zawiłych zapytaniach.

Zastosowanie w praktyce prawniczej

Milionowe okno kontekstowe to dobra rzecz dla kancelarii. Narzędzie to ma wybitnie radzić sobie np. z wyłapywaniem błędów logicznych, co idealnie sprawdzi się przy analizowaniu pism procesowych przeciwnika. Szybkość działania w połączeniu z integracją z Perplexity znacznie ułatwia wieloźródłowy research prawny i wyciąganie wniosków ze skomplikowanych stanów faktycznych.

Jak wypada na tle konkurencji

Nemotron 3 Super wyróżnia się przede wszystkim błyskawiczną pracą z tekstem (szybkość inferencji) i otwartym kodem, co dla kancelarii oznacza większą niezależność i kontrolę nad przetwarzanymi danymi.
Co do liczby tokenów w oknie kontekstowym, to wygląda to tak:
Nemotron = 1 milion tokenów,
Chat GPT 5.4 = 256 tys. tokenów (przy czym opcja "Deep Memory" do 1 miliona dla enterprise”,
Gemini 3 Pro = 1 milion tokenów

Gdzie przetestować nowość

Nemotron 3 Super można już łatwo przetestować, wybierając go z listy modeli bezpośrednio w interfejsie wyszukiwarki Perplexity.

Zachęcam was do sprawdzenia jego możliwości na zanonimizowanych dokumentach, ponieważ stosunek wysokiej precyzji do bardzo niskiego zużycia zasobów stanowi obecnie rynkową czołówkę.

Gemini został teraz wbudowany bezpośrednio w Dokumenty, Arkusze, Prezentacje i Dysk Google i każda z tych aplikacji jest teraz w stanie pobierać kontekst z Twoich plików, wiadomości e-mail i internetu, aby generować spersonalizowane treści.
Dokumenty mogą pisać pierwsze wersje robocze odzwierciedlające Twój styl pisania, Arkusze mogą tworzyć arkusze kalkulacyjne od podstaw i automatycznie wypełniać tabele informacjami w czasie rzeczywistym z Google Search, a Prezentacje mogą generować w pełni edytowalne slajdy dopasowane do wybranego motywu - na żądanie.

Co więcej, Dysk odpowiada teraz na złożone pytania w języku naturalnym, przeszukując Twoje dokumenty, wiadomości e-mail, kalendarz i internet. Wszystkie funkcje są obecnie wdrażane w wersji beta dla subskrybentów Google AI Ultra i Pro.

A TU możesz sobie obejrzeć jak to działa.

• Zidentyfikuj i wypisz kluczowe parametry brzegowe oferty (przedmiot, okres, wpłata własna, wartość wykupu, limit kilometrów).
• Zweryfikuj kompletność dokumentacji. Sprawdź, czy projekt umowy, OWUL i TOiP tworzą spójną całość, czy zgadzają się daty edycji wzorców i czy nie brakuje załączników. Jeśli brakuje ważnego dokumentu, wskaż to użytkownikowi i zatrzymaj się, prosząc o uzupełnienie.
• Przeprowadź dogłębną analizę OWUL i umowy głównej pod kątem „red flagów”. Skup się w szczególności na:
  • Zasadach rozliczenia w przypadku szkody całkowitej lub kradzieży (np. brak dyskonta rat, sposób wyceny wraków).
  • Warunkach przedterminowego zakończenia umowy i cesji.
  • Ograniczeniach w użytkowaniu (np. wyjazdy za granicę, użyczenie osobom trzecim).
  • Zasadach narzucania ubezpieczeń (komunikacyjnego, GAP) i kosztach ubezpieczeń obcych.
  • Zasadach zwrotu pojazdu i oceny jego zużycia (tzw. normatywne zużycie, rzeczoznawcy).
• Przeanalizuj TOiP pod kątem ukrytych i nierynkowych opłat (np. drakońskie opłaty za monity, udzielenie informacji policji o mandacie, zgody na wyjazd zagraniczny).
• Wypisz znalezione zagrożenia w punktach, kategoryzując je według wagi (Krytyczne, Średnie, Niskie). Przy każdym zagrożeniu koniecznie cytuj odpowiedni fragment OWUL/TOiP i podawaj numer paragrafu lub punktu.
• Jeśli w OWUL, TOiP i projekcie umowy pojawiają się rozbieżności lub niejasne definicje, wskaż je i wyjaśnij, jak mogą zostać zinterpretowane na niekorzyść leasingobiorcy.
• Opracuj konkretne argumenty i propozycje zmian (rekomendacje negocjacyjne) dla leasingobiorcy, aby mógł podjąć próbę zmiany niekorzystnych zapisów z firmą leasingową.
  
  

4. Context: . Jeśli brak, analizuj wyłącznie standard rynkowy.

5. Examples: Odpowiadaj formalnym, profesjonalnym językiem prawno-biznesowym. Bądź bezpośredni w wytykaniu wad umowy. Przykład odpowiedzi:

• „Zapis w § 7 ust. 3 OWUL stanowi Krytyczny Red Flag. Przewiduje on, że w przypadku kradzieży pojazdu leasingodawca potrąca 100% przyszłych rat bez ich dyskontowania do wartości bieżącej. Jest to rażąco niekorzystne i niezgodne z obecnym standardem rynkowym.”
• „Tabela Opłat i Prowizji (TOiP) zawiera nierynkową opłatę: ‘Udzielenie informacji organom ścigania (mandaty) – 250 zł netto’. Standard rynkowy to zwykle 50-100 zł.”
• „Brak precyzyjnej definicji "normatywnego zużycia pojazdu" w § 12. Rekomenduję zażądanie od finansującego załącznika w postaci Przewodnika Zwrotu Pojazdów (np. standard PZWLP), aby uniknąć arbitralnych obciążeń przy zwrocie auta.”
• „Zgodnie z umową, klient jest zmuszony do korzystania z ubezpieczenia GAP oferowanego przez leasingodawcę. Zapis w § 5 blokuje możliwość dostarczenia tańszej polisy obcej bez wnoszenia wysokiej opłaty manipulacyjnej (1500 zł).”
   

6. Format: Podziel odpowiedź na jasne sekcje z nagłówkami. Proponowane sekcje: „Główne parametry umowy i spójność dokumentów”, „🔴 Czerwone flagi i ryzyka krytyczne (z cytatami)”, „🟡 Ryzyka średnie i nierynkowe opłaty (TOiP)”, „Tabelaryczne zestawienie ryzyk i kar umownych”, „Rekomendacje negocjacyjne i proponowane zmiany”, „Brakujące informacje / Pytania”.

Czym w ogóle jest NotebookLM?

Krótko: to asystent badawczy oparty na AI, który pracuje wyłącznie na Twoich dokumentach. Nie "wymyśla" odpowiedzi z internetu, odpowiada na podstawie materiałów, które mu dostarczysz. Możesz wrzucić PDFy, dokumenty Google, prezentacje, linki do stron, a nawet filmy z YouTube i rozmawiać z nimi jak z ekspertem, który je przeczytał.

Analiza dokumentów — to tutaj dzieje się magia

Wyobraź sobie, że dostajesz 200-stronicową umowę inwestycyjną z prośbą o pilną analizę. Normalnie: kilka godzin czytania, robienie notatek, szukanie konkretnych klauzul. Z NotebookLM: wrzucasz dokument, zadajesz pytania i w ciągu minut masz wyciągnięte kluczowe definicje, obowiązki stron i wyjątki.

To działa naprawdę dobrze przy:

• analizie umów: wyszukiwanie konkretnych klauzul, porównywanie zapisów
• pracy z aktami i orzeczeniami: pytasz "jakie były ustalenia sądu w kwestii X?" i dostajesz cytaty z dokumentu
• regulaminach, ustawach: zamiast ctrl+F dostajesz kontekst i wyjaśnienie
• konsolidacji wielu źródeł: wrzucasz kilka dokumentów naraz i AI łączy informacje z wszystkich.

Co ważne, od niedawna NotebookLM głęboko integruje się z Google Drive. Możesz przeszukiwać całe swoje archiwum plików po treści, nie po nazwie. 

Różne formy wyjścia — to naprawdę zmienia grę

I tu dochodzimy do rzeczy, która mnie najbardziej zaskoczyła. NotebookLM nie podaje informacji tylko w formie tekstu. Możesz wybrać:

📄 Tekst / Q&A - klasyczna rozmowa z dokumentami, notatki, streszczenia

🗂️ Automatyczne podsumowanie - od razu po wgraniu pliku dostajesz szkielet dokumentu z kluczowymi punktami

🎙️ Audio Overview (podcast AI) - i to może być hit. NotebookLM generuje dosłownie podcast, w którym dwóch wirtualnych prowadzących omawia Twoje dokumenty w naturalnej rozmowie. Nigdy tak jeszcze nie zrobiłem, ale w sumie dlaczego nie wykorzystać dłuższej jazdy na rozprawę na słuchanie "podcastu" o sprawie! Serio.

🃏 Fiszki i quizy - brzmi jak coś dla studentów, ale przetestuj to przed przesłuchaniem trudnego świadka albo przed ustnym egzaminem aplikacyjnym. Generujesz quiz z akt i sprawdzasz, czy naprawdę znasz sprawę.

Bonus: genialne pod analizę orzecznictwa!

Ściągasz orzeczenia z Lexa czy Legalisa dotyczące danego przepisu (z tego zrobię chyba dla Wasz jeszcze osobny case study, bo to naprawdę świetny przykład! 😉 ). Masz paczkę PDFów z kilkudziesięcioma orzeczeniami SN, SA i sądów niższych instancji. Łącznie setki stron.

Stare podejście: czytasz wszystko od deski do deski, robisz notatki i nikt tego nie docenia. 😉

Nowe podejście z NotebookLM:

1. Wrzucasz wszystkie PDFy jako źródła do jednego notatnika, NotebookLM obsługuje wiele plików jednocześnie i traktuje je jako jedną, spójną bazę wiedzy
2. Pytasz wprost: "Jaką linię orzeczniczą prezentują te wyroki w kwestii X? Czy jest spójna, czy widać rozbieżności?" i dostajesz syntetyczną odpowiedź z odwołaniem do konkretnych orzeczeń
3. Szukasz dominującego testu prawnego: "Które orzeczenie jest najczęściej cytowane przez pozostałe i za co dokładnie?", to pozwala błyskawicznie zidentyfikować wyrok-kotwicę, wokół którego buduje się cała linia
4. Wyłapujesz rozbieżności: "Czy któreś z orzeczeń prezentuje odmienne stanowisko? Jeśli tak, to na czym polega różnica?", AI porównuje stanowiska sądów i wskazuje wprost, gdzie linia się "łamie"
5. Więcej: pytasz o bardzo konkretne kwestie, których znaleźć nie sposób, bo przecież co druga nasza sprawa ma coś wyjątkowego i jeśli jakikolwiek sąd się o tym zająknął, to dostaniesz gotowe cytaty.

Co naprawdę robi różnicę

Kluczowa przewaga NotebookLM nad zwykłym ChatGPT czy Gemini jest tutaj fundamentalna: AI odpowiada wyłącznie na podstawie Twoich dokumentów i cytuje fragment, z którego pochodzi odpowiedź. Klikasz w cytat, jesteś w konkretnym orzeczeniu, na konkretnej stronie.

Przy dużych zbiorach NotebookLM świetnie wyciąga ratio decidendi z każdego wyroku i potrafi je zestawić tabelarycznie na prośbę. Więc prosisz: "Przygotuj tabelę: sygnatura | sąd | rok | rozstrzygnięcie | kluczowa teza" i masz gotowy szkielet analizy, który normalnie zajmuje godzinę ręcznego przepisywania.

Prompt, który warto zachować

Jeśli miałbym wskazać jeden prosty prompt do analizy orzeczniczej, który naprawdę działa:

"Na podstawie wszystkich załączonych orzeczeń: (1) zidentyfikuj dominującą linię orzeczniczą w kwestii , (2) wskaż orzeczenia, które od niej odbiegają i wyjaśnij na czym polega odmienność, (3) wskaż wyrok najczęściej powoływany przez pozostałe i zacytuj jego kluczową tezę."

Taki prompt daje Ci w kilka minut to, co normalnie wymagałoby dnia pracy. Oczywiście na końcu i tak musisz to przeczytać i zweryfikować. Ale zamiast przebijać się przez 300 stron od zera, zaczynasz od gotowej mapy i wchodzisz w szczegóły tylko tam, gdzie faktycznie potrzebujesz. Poza tym o tego szczegóły też możesz dopytać, a sprawdzasz dopiero na końcu!

Kilka słów ostrożności

NotebookLM nie zastępuje prawniczej oceny — on organizuje i przyspiesza pracę z materiałem, ale interpretacja, strategia i odpowiedzialność zostają po Twojej stronie. Narzędzie jest też bezpieczne w tym sensie, że nie "wychodzi poza" dostarczone przez Ciebie dokumenty, co minimalizuje ryzyko błędnych odwołań do nieistniejących przepisów.