← Назад в блог

«Я не нашёл норму»: золотой стандарт корпоративного комплаенс-ассистента

18 ноября 2026 г. · 5 мин чтения
«Я не нашёл норму»: золотой стандарт корпоративного комплаенс-ассистента - Почему обоснованный отказ — самая ценная функция юридического и налогового ИИ, и как настроить генерацию с обязательными цитатами источников.

Налоговый департамент международной компании тестирует диалогового ассистента для консультаций по трансграничным вычетам НДС в Евросоюзе.

Младший юрист задает рабочий вопрос по сложной трехсторонней сделке:

«Может ли испанская холдинговая компания заявить вычет входящего НДС по услугам перевозки, организованным нидерландской дочерней структурой, без назначения налогового представителя в Валенсии?»

Корпоративная база знаний содержит тысячи страниц директив ЕС, национальных кодексов и судебных решений. Однако конкретно для этой комбинации условий официальных разъяснений испанских налоговых органов нет.

Старший налоговый консультант проверил бы реестры и дал прямой ответ: «Прямой нормы или судебного прецедента по этой схеме нет. Требуется официальный запрос на получение адресного разъяснения в налоговую службу Испании».

Ассистент на базе базовой модели не останавливается. Обученный быть полезным и поддерживать диалог любой ценой, он выдает ответ:

«Да, согласно статье 194 Закона Испании о НДС (Ley 37/1992), трехсторонние сделки позволяют заявлять прямой налоговый вычет без местного представителя при указании номера VIES контрагента».

Текст звучит убедительно. Формулировки выверены.

Проблема в том, что статья 194 регулирует порядок реверсивного начисления налога для нерезидентов, а региональная испанская практика прямо требует регистрации представителя для подобных схем. Ассистент выдумал льготу.

Если юрист подаст декларацию на основе этого ответа, компанию ждут доначисления, штрафы и камеральная проверка.

В пользовательских чат-ботах отсутствие ответа считают сбоем системы. В комплаенсе, налогах и праве обоснованный отказ — самый ценный результат работы модели.


Проблема семантического притяжения

Стандартные пайплайны Retrieval-Augmented Generation (RAG) дают сбои в нормативной сфере из-за архитектурной склонности всегда давать ответ.

Когда запрос касается пограничного случая, отсутствующего в законах:

  1. Векторный поиск всегда возвращает фрагменты: Если задан параметр k=5, система найдет пять ближайших векторов, даже если косинусная близость составляет всего 0.52. Эти фрагменты будут описывать смежные темы: общие принципы НДС, определения испанских юрлиц или транспортные правила ЕС.
  2. Контекст провоцирует галлюцинацию: Найденные фрагменты передаются в системный промпт.
  3. Инструкции требуют синтеза: Модели, дообученные через RLHF, вознаграждаются за услужливость. Получив пять слабосвязанных параграфов, модель старается закрыть смысловой разрыв между вопросом и контекстом.

Модель выдумывает логический мост:

[Запрос пользователя: несуществующая налоговая льгота]
          │
          ▼
[Векторная БД: возвращает 5 отдаленно похожих статей (Sim = 0.54)]
          │
          ▼
[Стандартный промпт: «Ответь на вопрос пользователя по контексту»]
          │
          ▼
[Синтез модели: выдумывает норму закона, чтобы закрыть вопрос]

Чтобы исключить подобные галлюцинации, пайплайн необходимо инвертировать. Отсутствие подтверждающих источников должно обрабатываться как штатный результат первого класса.


Архитектура калиброванного отказа

Построить систему, способную признавать отсутствие информации, позволяют механизмы на трех уровнях: фильтрация поиска, контролируемое декодирование и валидация связности.

1. Калибровка порога семантической близости

Простого отсечения по абсолютному значению косинусной близости недостаточно, поскольку плотные эмбеддинги группируются с разной плотностью в зависимости от длины текста.

В надежных системах оценивают не только абсолютную близость первого результата, но и разрыв между соседними фрагментами:

from typing import List
import numpy as np

class CalibratedRetrievalGate:
    def __init__(self, min_similarity: float = 0.78, min_margin: float = 0.08):
        self.min_similarity = min_similarity
        self.min_margin = min_margin

    def verify_corpus_coverage(self, retrieved_scores: List[float]) -> bool:
        """Проверяет достаточность найденных источников для генерации ответа."""
        if not retrieved_scores:
            return False

        top_score = retrieved_scores[0]
        
        # Проверка абсолютного порога
        if top_score < self.min_similarity:
            return False

        # Проверка выраженности лидера среди найденных фрагментов
        if len(retrieved_scores) > 1:
            second_score = retrieved_scores[1]
            # Плотное распределение низких оценок указывает на отсутствие точного совпадения
            if (top_score - second_score) < self.min_margin and top_score < 0.85:
                return False

        return True

Если проверка возвращает False, выполнение останавливается до вызова большой модели. Система возвращает структурированный отказ:

{
  "status": "REFUSAL_NO_STATUTORY_SOURCE",
  "reason": "В верифицированной базе нет первичных норм с близостью выше 0.78 (топ-результат: 0.61).",
  "recommendation": "Обратитесь к тексту официального бюллетеня или запросите адресное разъяснение."
}

2. Декодирование с принудительным цитированием

Когда фрагменты проходят первичный фильтр, генерацию ограничивают грамматикой, запрещающей утверждения без ссылок.

С помощью библиотек грамматического контроля (Outlines или грамматики llama.cpp) модель обязывают начинать каждое содержательное предложение с идентификатора проверенного фрагмента:

?start: sentence+
sentence: citation_tag " " claim_text "." "\n" | refusal
citation_tag: "[REF:" chunk_id "]"
chunk_id: "ES-VAT-1992-A194" | "EU-DIR-2006-112" | "CJEU-C-242-19"
claim_text: [а-яА-Яa-zA-Z0-9 ,;()-]+
refusal: "NO_STATUTORY_SOURCE: " [а-яА-Яa-zA-Z0-9 ,;()-]+ "."

Если модель пытается сгенерировать утверждение, не опирающееся на доступный chunk_id, парсер отклоняет токен на уровне сэмплирования. Единственный разрешенный путь — переход к правилу refusal.

3. Проверка логического следования (NLI Cross-Encoder)

Даже при контроле грамматики модель может исказить смысл процитированного пункта. Финальный фильтр запускает кросс-энкодер для проверки логического следования (Natural Language Inference):

from sentence_transformers import CrossEncoder

class StatutoryEntailmentValidator:
    def __init__(self, model_name: str = "cross-encoder/nli-deberta-v3-base"):
        self.encoder = CrossEncoder(model_name)

    def validate_claim(self, claim: str, cited_text: str) -> bool:
        """Проверяет строгое логическое следование тезиса из текста статьи."""
        scores = self.encoder.predict([(cited_text, claim)])[0]
        # Метки: [противоречие, нейтрально, следование]
        entailment_prob = float(scores[2])
        
        # В правовых системах требуется высокая уверенность (> 0.85)
        return entailment_prob >= 0.85

Если хотя бы одно предложение показывает вероятность следования ниже 0.85, система заменяет ответ на уведомление об отсутствии подтвержденной нормы.


Аудит по требованиям EU AI Act

Статья 14 Закона ЕС об искусственном интеллекте (EU AI Act) требует прозрачности и контроля человека в системах высокого риска.

При промышленной эксплуатации комплаенс-ассистента служба безопасности оценивает работу модели по двум ключевым метрикам:

  1. Точность отказа (Refusal Accuracy): При подаче 100 тестовых вопросов по несуществующим или спорным нормам какой процент запросов система отклонила? Для рабочих систем этот показатель должен превышать 95%.
  2. Прослеживаемость цитат (Citation Lineage): Сохраняется ли в логах неизменяемый хеш каждого фрагмента законодательства, использованного при генерации?
+------------------------------------------------------------------------+
|                      ЖУРНАЛ РЕШЕНИЯ КОМПЛАЕНСА                         |
|                                                                        |
|  Запрос: «Вычет входящего НДС в Испании без представителя»             |
|  Время: 2026-11-18T10:14:22Z                                           |
|  Найдено фрагментов: 3                                                 |
|  Максимальная близость: 0.638                                          |
|  Порог допуска: 0.780                                                  |
|  Решение: AUTOMATED_REFUSAL                                            |
|  Ответ системы: «В проверенной базе нет подтверждающей нормы».         |
|  Статус: СООТВЕТСТВУЕТ ТРЕБОВАНИЯМ АУДИТА                              |
+------------------------------------------------------------------------+

Корпоративный ассистент, готовый ответить на любой вопрос, представляет собой прямой финансовый риск. Система, способная четко зафиксировать границу собственных знаний, защищает компанию от штрафов и формирует доверие к автоматизации.

Есть проект на прицеле?

Давайте обсудим, как мы можем помочь.

Есть идея проекта? →