powered by TechFeed
表示モード
主要ニュース

Uberの法務AIが契約審査時間を20%削減 — 弁護士の判断履歴をRAGに組み込み、精度91%を実現

11月16日、Leela Kumiliが「Uber's Legal AI Agent Cuts Contract Review Time by 20% with Rules and RAG」と題した記事を公開した。UberがLangGraphとRAGを組み合わせた法務AIエージェントで契約審査時間を20%以上短縮した実装詳細を解説した内容で、弁護士のフィードバックを「検索可能な事例」として蓄積することで精度91%を実現した過程が詳述されている。

11月16日、Leela Kumiliが「Uber's Legal AI Agent Cuts Contract Review Time by 20% with Rules and RAG」と題した記事を公開した。UberがLangGraphとRAGを組み合わせた法務AIエージェントで契約審査時間を20%以上短縮した実装詳細を解説した内容で、弁護士のフィードバックを「検索可能な事例」として蓄積することで精度91%を実現した過程が詳述されている。


法務部門の「時間コスト」問題——AIで契約交渉を自動解析

契約交渉では、相手方から届く修正提案(レッドライン)を弁護士が一件ずつ精査し、受け入れ・拒否・修正の判断を下す作業が大きな時間コストとなる。Uberはこの課題に対し、判断ロジックをAIエージェントとして実装することで解決を図った。

Uberが開発した「Legal Redlining Agent」は、契約交渉における相手方からの修正提案を自動解析し、受け入れ・拒否・修正のいずれかを推奨するAIエージェントだ。平均契約審査時間を20%以上短縮し、AIが生成した判断の正確率は**91%**に達したとUberは報告している。

このエージェントはMicrosoft Wordのアドインとして動作する。外部当事者が提案した変更を検出し、その意図を解釈した上で自社の法務ポリシーと照合して推奨事項を生成する。コメント形式での理由説明や、精査が必要な箇所のフラグ立ても行う。最終的な判断と承認は弁護士が担う設計だ。開発は2024年初頭に開始され、2025年に法務チームでパイロット運用された。


肝はフィードバックループ——「事例検索型RAG」への進化

初期実装は、法務プレイブック(社内の契約交渉指針を記したドキュメント)から関連セクションを取得するシンプルなRAG(Retrieval-Augmented Generation)だった。しかしこのアプローチは、セマンティック検索の精度、交渉トーンの再現、既存の事例に存在しないシナリオへの対応という3点で限界が露呈した。

Uberが取った解決策は、弁護士のフィードバックループをRAGに組み込むことだ。弁護士が下した判断・理由・最終的に編集したテキストを蓄積し、過去の類似条項をどう処理したかという「事例」として検索対象にした。単に「推奨が受け入れられたか否か」ではなく、判断のコンテキストごと取得できる点が従来との大きな違いだ。

実行時の流れは以下の通りだ:

  1. 類似度検索+メタデータフィルタリングで数千件の履歴から約20件の候補に絞り込む
  2. LLMベースの2段階フィルタリングでさらに関連度を評価する
  3. 指数減衰ウェイト(現在の半減期設定は365日)で直近の判断を優先しつつ、古い事例も保持する

この設計により、ドメインの専門家(法務チーム)が言語スタイルや交渉トーンをコントロールできる余地も確保されている。


アーキテクチャ:LangGraph+OpenSearch+Redisの組み合わせ

フロントエンドはReact+TypeScriptのWordアドイン、バックエンドはPythonで実装され、ワークフロー全体をLangGraphが統括する。LangGraphはLangChainが提供するエージェントオーケストレーションフレームワークで、ステートフルなマルチステップワークフローの構築に使われる。

並列ノードとして動作するコンポーネントは次の3つだ:

  • 意図検出:変更の意図を解釈する
  • リスク評価:法的リスクを判定する
  • ポリシー照合:法務ポリシーとの整合性を確認する

ベクトル化された法務ルールと履歴フィードバックの保存にはOpenSearchを、フォローアップ質問のセッション状態管理にはRedisを使用する。

さらに重要なのが決定論的ルールエンジンの存在だ。交渉の余地がない非交渉条件(Non-negotiable requirements)については、マッチするルールが存在すればLLMの推奨を上書きして強制適用する。LLMは文脈的な解釈が必要なタスク(条項推奨や交渉トーンの生成)に専念させ、ルールベースの制御と役割分担している。最終的に、生成されたレスポンスは取得済みのルールと照合する検証ステップを経る。


今後の方向性

Uberのチームは、Claude CodeやOpenCodeといったエージェントハーネスの評価も進めている。これらは主にコーディング用途のエージェント実行基盤として知られるが、Uberは法務ユースケースにおけるエージェント制御・評価の枠組みとして適用可能かどうかを検討している段階だ。また、法律概念とその関係性を表現する法律オントロジーおよびナレッジグラフの活用も検討中で、より一貫した法的解釈と推論の基盤として位置付けている。


詳細はUber's Legal AI Agent Cuts Contract Review Time by 20% with Rules and RAGを参照していただきたい。