AI klasyfikator maila dla kancelarii prawnej

Kontekst klienta

Średniej wielkości warszawska kancelaria prawna obsługująca 200+ aktywnych spraw, 30 osób w zespole (prawnicy + paralegals + back-office). Specjalizacja: prawo gospodarcze, własność intelektualna, spory korporacyjne.

Dziennie do skrzynki głównej kancelarii wpadało 200-400 maili — od klientów, sądów, drugich stron, instytucji. Każdy musiał zostać sklasyfikowany (pilne / standardowe / spam), przypisany do właściwej sprawy w systemie kancelaryjnym, i wysłany do odpowiedzialnego prawnika.

Problem

Klasyfikacją zajmowały się 2 osoby z back-office na pełnym etacie. Łącznie ~25h tygodniowo czystej, powtarzalnej pracy. Efekt:

Opóźnienia w pilnych sprawach. Maile z sądu zgłaszane jako pilne wpadały do tej samej kolejki co zapytania ogólne. Średni czas odpowiedzi na pilny mail: 4-6h zamiast docelowych 2h.
Błędne przypisania spraw. Przy 200+ aktywnych sprawach o podobnych nazwach (kilku klientów z tej samej grupy kapitałowej), back-office mylił sprawy ~5% przypadków.
Wąskie gardło na urlopach. Gdy jedna osoba z back-office szła na urlop, druga była zalana — albo jakość klasyfikacji spadała, albo pilne maile czekały.

Rozwiązanie

Quick Win Sprint (4 tygodnie). Prosperity IT zbudowało AI klasyfikator zintegrowany bezpośrednio z istniejącym systemem kancelaryjnym (Microsoft Exchange + custom CRM).

Architektura:

Webhook na Exchange wysyła każdy przychodzący mail do serwisu klasyfikatora
Pierwszy model (klasyfikacja pilności) — własny fine-tuned model na podstawie historycznych maili kancelarii
Drugi model (przypisanie do sprawy) — RAG na bazie aktywnych spraw + nazwiska klientów + numery sygnatur
Trzeci krok (przypisanie do prawnika) — reguły biznesowe na podstawie matrycy odpowiedzialności
Fallback — jeśli dowolny model ma confidence <85%, mail trafia do kolejki review zamiast automatycznej klasyfikacji
UI dla back-office — Vue 3 + UI v4, dashboard z kolejką review, statystykami, możliwością korekty

Wszystko deployowane on-premise (VPN klienta, brak danych w chmurach trzecich), Claude API w trybie zero-retention dla modeli wymagających większego kontekstu, własny fine-tuned model na lokalnym GPU dla klasyfikacji pilności.

Implementacja

4 tygodnie, fixed price. Pracował 1 senior engineer + zewnętrzny prawnik konsultant (do oznaczania danych treningowych).

Tydzień 1: discovery + dostęp do historycznych maili (2 lata, ~120k maili) + setup środowiska
Tydzień 2: fine-tuning modeli + budowa UI dashboardu
Tydzień 3: integracja z Exchange + CRM, testy z back-office
Tydzień 4: deployment do produkcji, soft launch z paralelnym human review przez pierwsze 2 tygodnie

Po 2 tygodniach paralelnego review zespół przeszedł na pełną automatyzację z 5% próbą do dziennego audytu jakości.

Wyniki

Po 3 miesiącach produkcji:

120h/mies. zaoszczędzonego czasu — 2 osoby z back-office przeniesione do bardziej strategicznych zadań (paralegal support, klient onboarding)
94% dokładność klasyfikacji — mierzone na 5% losowej próbie auditowanej przez back-office
Czas odpowiedzi na pilne maile: 25 min (vs poprzednio 4-6h) — bo maile od sądu są klasyfikowane jako pilne automatycznie i wysyłane natychmiast do odpowiedzialnego prawnika
Zwrot z inwestycji: 3 miesiące (oszczędność czasu × stawka godzinowa back-office)

Co dalej

Klient kontynuuje współpracę na Retainerze. Kolejne kroki:

Q2 2026: AI assistant dla paralegals — wyszukiwanie precedensów w historii kancelarii
Q3 2026: Automatyczne generowanie wstępnych draftów pism procesowych

Dane klienta zanonimizowane na ich życzenie. Konkretne metryki, referencje i intro do klienta dostępne podczas rozmowy.