Vztah výkonu advokacie a technologií

Úvod

Tvorba smluv, žalob a jiných podání patří mezi nejvíce repetitivní a současně nejlépe strukturovatelné činnosti advokátní praxe. Právě proto je vstupní branou, na níž lze nejzřetelněji pozorovat obecnější proměnu výkonu právní profese. Tato práce vychází z konkrétního dráftingového procesu a klade otázku: Jak se v následující dekádě promění způsob, jakým advokátní kanceláře vytvářejí svůj pracovní produkt, a které úlohy v tomto procesu zůstanou vyhrazeny člověku?

Podoba právní praxe příští dekády je neodmyslitelně spjata s vývojem právních technologií, jejich adopcí profesionály, transformací infrastruktury výkonu právních služeb a vývojem regulatorního prostředí. Tyto proměnné rozeberu optikou tvorby právních dokumentů a na základě rozboru následně načrtnu několik scénářů podle jejich dílčích vývojů a vzájemných konstelací.

Právní technologie

První vlna (1980 - 2014): Substituční inovace

Vývoj právních technologií není fenoménem posledních pěti let, který by se zjevil jako vedlejší produkt rozšíření velkých jazykových modelů mezi širokou veřejnost. Jeho kořeny lze pozorovat již na přelomu století, kdy s demokratizací dostupnosti osobních počítačů v právní praxi přicházejí první generace právně-technologických produktů. Poskytovatelé první vlny zaměřovali svá řešení především na digitalizaci právního poznání. Řeč je o pionýrech velkých právních informačních systémů, jako je britský LexisNexis, německý Beck-Online či československý ASPI.

Význam první vlny spočívá v přenesení analogového právního poznání do digitálního prostředí. Právní profesionálové se postupem času začali stále více obracet k elektronickým verzím komentářové literatury i komerčních a později oficiálních sbírek. První vlna je důležitá zejména jako základ pozdějších etap právně-technologických inovací, neboť buduje návyk, ochotu i zdatnost právních profesionálů při práci s těmito nástroji.

Z analyticko-metodologického hlediska představuje první vlna tzv. substituční inovaci. Nahrazuje totiž již existující zdroje poznání jejich digitální podobou. Práce s prameny je pohodlnější a do jisté míry i rychlejší, avšak samotný algoritmus výkonu právní profese se podstatně nemění. Advokát stále získává informaci od klienta, na jejím základě provádí rešerši pro vyhodnocení právní pozice a strategie sporu, formuluje svůj pracovní produkt a ten následně dle instrukcí klienta exekuuje.

První vlna má tedy podstatný kvantitativní dopad s marginálním kvalitativním aspektem. Kvantitativním dopadem rozumím nárůst objemu pracovního produktu při zachování kvality výstupu: mezi paperbackovou a digitální verzí komentáře občanského zákoníku není kvalitativní rozdíl, mění se pouze rychlost, s jakou profesionál dosáhne relevantní informace. Kvalitativní nárůst, byť marginální, lze spatřovat v možnosti za pomoci anotovaných metadat a fulltextového vyhledávání nalézt obskurní, ale relevantní judikáty. První vlna tak postavila prostředí, v němž mohly vznikat další inovace, aniž by sama změnila výkon profese. Pouze jej přesunula z analogového do digitálního prostředí, čímž jej akcelerovala.

Druhá vlna (2014 - 2022): Eliminační inovace

Druhá vlna představuje posun od substitučních inovací k inovacím eliminačním. Eliminační inovace deleguje konkrétní část právní práce na deterministický systém, který ji vykoná namísto uživatele inovace. Charakteristickou vrstvou této vlny je vrstva automatizační a pracovně-distribuční, akcelerující práci na úrovni celých organizací.

Příkladem nástrojů této vlny jsou zejména cloud-native systémy správy smluv (CLM), které umožňují advokátním týmům stavět dílčí automatizace prostřednictvím tzv. low-code platforem (obdoba obecných automatizačních nástrojů typu Zapier či Make), vyžadujících minimální nebo žádnou znalost programování. Právě tvorba smluv je zde ilustrativní: standardizovatelný proces s relativně předvídatelnými vstupy se nabízí jako první kandidát na automatizaci.

Nástroje této vlny ovšem často narážely na tentýž problém: jimi nastavené procesy jsou značně neflexibilní. Pro smysluplnou adopci a maximalizaci její návratnosti byla potřeba (1) hluboká mapa všech procesů v dané praxi a (2) následné vytvoření odpovídajících workflows. Důvod, proč tyto nástroje nepřinesly slíbenou revoluci, je přitom prostý: právní profesionálové nejsou zvyklí přemýšlet nad svou praxí produktovým způsobem, který by je nutil procesy nejprve mapovat a poté optimalizovat. Celoorganizační adopce proto byla, co do návratnosti investice, spíše záporná. Týmy, které své procesy úspěšně zmapovaly a zvládly zformulovat jejich algoritmickou reprezentaci, naopak skutečnou hodnotu získaly. Takových týmů ovšem nebylo mnoho.

Z výše uvedeného vyplývá, že hranice mezi pozitivní a negativní návratností adopce těchto nástrojů leží v míře produktizace interních procesů. Produktizací se zde rozumí schopnost rozložit tvorbu pracovního (sub-)produktu do tří strukturálně oddělených komponent: (1) vstupů, tedy jasně definovaných dat, s nimiž proces pracuje; (2) procesorů, tedy operací, které tyto vstupy transformují do dílčích pracovních (sub-)produktů; a (3) compilerů, tedy logiky, jež dílčí (sub-)produkty skládá do finálního výstupu. Distinkce mezi pracovním sub-produktem a finálním produktem se odvíjí od toho, zda je daný výstup určen k dalšímu zpracování v rámci procesu, nebo zda představuje finální výstup určený klientovi.

Míra produktizace daného právního procesu se odvíjí od tří proměnných: (1) variability vstupních dat, (2) počtu datových typů potřebných pro dosažení finálního produktu a (3) počtu paralelních pracovních linek, jež proces obsahuje. Čím nižší jsou tyto hodnoty, tím snadněji lze proces převést do deterministicky definovaného workflow. Typicky tvorba smluv. Naopak procesy, jejichž vstupy jsou neurčitě variabilní (například compliance audit) a vyžadují neuzavřený počet různorodých procesorů, se deterministické algoritmizaci vzpírají. Právě v této šedé zóně končí dosah druhé vlny. K vypořádání se s její rigiditou a obtížnou škálovatelností potřebujeme nástroje nové generace. Produktizaci procesů se však ani zde nevyhneme.

Třetí vlna (2022 - 2026): Produktivní inovace

Třetí vlna právních technologií se týká primárně nedeterministických systémů, nejvěrněji reprezentovaných velkými jazykovými modely (dále jen „LLM“). Rozhodným momentem pro jejich relevanci bylo, když model GPT-4 v řešení americké advokátní zkoušky překonal nejen své předchůdce z rodiny modelů OpenAI, ale na MBE jako celku překonal i průměrného lidského uchazeče, a to v pěti ze sedmi předmětových oblastí.[1] Tento milník dal trhu jasný signál, že je čas brát LLM v právu vážně.

O miliardy dolarů investic a stovky produktů později dochází společně s demokratizací softwarového vývoje k přerodu právních technologií od inovací substitučních a eliminačních k inovacím produktivním. Produktivní inovace je taková, jejímž prostřednictvím uživatel deleguje část práce na autonomní systém, který sám doručí požadovaný produkt. V kontextu tvorby smluv a podání to znamená posun od nástroje, který advokátovi pomáhá psát, k systému, jenž návrh dokumentu vytvoří samostatně a předkládá jej advokátovi ke kontrole.

Význam LLM v posunu od eliminační k produktivní inovaci

LLM jsou zlomové zejména tím, že bourají limity deterministických systémů: odstraňují potřebu ex ante strojové formulace algoritmu, jímž má systém dospět k výstupu. Tento postup si systém poháněný LLM dokáže do jisté míry „zformulovat sám“. Respektive, dynamicky reaguje na vstup operátora a na pravděpodobnostní bázi vytvoří výsledek odpovídající jeho požadavku. Operátor tedy deleguje konstrukci deterministického algoritmu na model, který výsledku dosáhne pravděpodobnostně.

Konkrétní podoba delegace, respektive míra nedeterminističnosti těchto systémů se liší podle míry jejich ukotvení a ohraničení. Na jednom pólu stojí přístup spočívající v přímém volání jazykového modelu bez jakékoli podpůrné struktury. Zde se operátor spoléhá, že model ze své (post-)tréninkové báze a konverzačního kontextu odvodí jak interpretaci vstupu, tak cestu k výstupu i jeho podobu. Tento přístup je nejvíce náchylný k chybám. Spektrum sahá od biasu tréninkové sady přes syntetizaci fiktivních informací a zaseknutí se v agentické smyčce až po chybnou interpretaci vstupu operátora.

Na opačném pólu stojí strukturovaný přístup, v němž je model zasazen do přísné strojové architektury. Příkaldem jsou třeba agentické smyčky s definovanou sadou nástrojů, vstupním a výstupním schématem, testováním mezivýstupů a dekompozicí do uzavřených subsystémů. Tato architektura limituje prostor pro „volné uvážení“ modelu, čímž eliminuje výše popsaná rizika. Mezi póly leží přístup hybridní: nedeterministická povaha modelu zůstává zachována, avšak vstupní kontext je deterministicky kurátorován. Typickým představitelem je retrieval-augmented generation, kdy před voláním modelu subsystém vybere z předem připravené znalostní databáze relevantní úseky a vloží je do kontextu. Operátor tak ponechává modelu volnost ve formulaci výstupu, ale redukuje rozsah informací na ověřený a auditovatelný základ.

Adopce

Daniel Katz a kol. definují škálu pěti úrovní adopce umělé inteligence v právních organizacích.[2] Na této škále se společnosti pohybují v závislosti na tom, kdo a v jaké míře je strůjcem finálního právního pracovního produktu.

Na první úrovni je práce vykonávána profesionálem, který využívá obecné komerční LLM (MS Copilot, ChatGPT, Gemini, Claude) ad hoc a sporadicky, bez ustálených procesů. Tento stupeň je nejméně transformativní: absence produktizace neubírá na kognitivní zátěži a zisky na produktivitě i kvalitě jsou marginální.

Na druhé úrovni si profesionálové licencují doménové SaaS produkty optimalizované pro právní vertikálu. Uvnitř organizace se začínají formovat zárodky standardizace, plynoucí ze zvýšené expozice těmto nástrojům a jejich vyšší relevance v doménové expertize. Plošně definované standardní operační postupy zde však stále chybějí a práce nadále proudí dominantně skrze profesionála, jehož činnost je inovacemi třetí vlny pouze augmentována.

Na třetí úrovni společnosti pečlivě standardizují a produktizují své procesy kolem těchto nástrojů. Návratnost adopce je zde znatelná v podobě měřitelného zvýšení týmové produktivity a snížení operačních nákladů. Jádro práce však stále tvoří lidští operátoři, od jejichž počtu se odvíjí i množství vytvořeného pracovního produktu. Toto je současně nejdále, kam se organizace dostane bez investice do vybudování proprietární infrastruktury, skrze niž bude moci začít delegovat dílčí pracovní procesy na autonomní produkční vrstvu poháněnou LLM.

Čtvrtá úroveň představuje zlom. Mění se způsob produkce pracovního produktu i role profesionálů a dochází ke kopernikánskému obratu: zatímco dříve vstupní data tekla skrze člověka, jemuž asistovaly komerční LLM, nyní proudí rovnou do proprietárního agentického systému, který si organizace vystavěla kolem svých procesů. Klíčem je samostatnost, s níž tento systém operuje. Není už potřeba profesionála, který by nástroj úkoloval, protože systém si dokáže díky standardizaci a produktizaci procesů vstupní požadavek klienta sám analyzovat, klasifikovat a předat agentickému subsystému navrženému pro jeho výkon. Role profesionálů spočívá v kontrole, verifikaci a přispívání profesním úsudkem tam, kde je ho třeba. Organizace, jež tohoto milníku dosáhne, se nazývá AI native.

Pro AI native organizaci je současně typické upustit od modelu hodinové odměny (billable hour) a posunout se od produktizace procesů k produktizaci služby: faktura zní „1 500 Kč za kupní smlouvu“ namísto „1,5 hodiny práce v sazbě 1 000 Kč“. Umožňuje to schopnost předpokládat náklady pro futuro, neboť kancelář má procesy striktně produktizované a zná náklady na produkci i kontrolu jedné smlouvy. Kvalita a efektivita proprietární infrastruktury se tak stává novou konkurenční výhodou. Snižuje náklady na lidskou práci, a tím i cenu a čas dodání služby. Vytvoří-li organizace navíc closed-loop datovou infrastrukturu pro audit kvality výstupu, stává se z ní systém schopný se ze svých chyb efektivně vyvíjet a službu dále zkvalitňovat a zlevňovat.

Superiorita AI native organizací oproti předešlým třem milníkům je zřejmá; podaří-li se takovému uskupení zachytit přední talent ochotný adaptovat se na nový styl výkonu profese, lze je jen obtížně dostihnout. V páté fázi bude podle Katze přibližně 80 % agendy AI native kanceláře vyřízeno bez lidského přičinění. Lidé pak zastupují u soudu, řešení doktrinálně sporné otázky, vyjednávají a budují klientské vztahy.

SaaS je mrtev, ať žije proprietární vývoj?

S přechodem advokátních kanceláří k AI native modelu se otevírá otázka v současném diskurzu velmi populární: existuje v éře demokratizovaného softwarového vývoje ještě místo pro SaaS produkty, nebo si lze dnes vše naprogramovat levněji in-house?

Symbolickou ilustrací tohoto napětí je projekt Mike (Mike OSS), open-source nástroj zveřejněný na platformě GitHub, jehož autor tvrdí, že za pomoci AI asistovaného vývoje během dvou týdnů replikoval jádro funkcionalit dvou předních hráčů právně-technologického trhu, platforem Harvey a Legora. Projekt se během prvních 72 hodin stal nejrychleji rostoucím právně-technologickým repozitářem v historii platformy.[3]

Že proprietární vývoj nejen právních technologií zlevňuje a zrychluje, je dnes nesporné. Z toho však ještě neplyne, že schopnost proprietárního systému reprodukovat funkcionality tržních dodavatelů znamená jejich substituovatelnost. Hodnota, kterou tržní dodavatelé skutečně přinášejí, neleží v samotné funkcionalitě, nýbrž ve třech vrstvách, které jsou pro proprietární vývoj výrazně obtížněji replikovatelné: orchestrační, datově-kurátorské a ekonomické.

Nástroj pro zákonné rešerše je v teorii triviální projekt, pro technicky zdatného právníka otázka víkendového odpoledne. Skutečnou hodnotu specializovaných dodavatelů ovšem tvoří efektivita backendové orchestrace, škálovatelnost napříč organizací, datová bezpečnost a především nákladové hospodářství AI enginu. Tržní poskytovatelé jsou především kurátory datového základu, na němž jejich nástroje fungují. Ryzí schopnosti předních LLM, jakkoli pozoruhodné, nepracují s nejaktuálnějšími a doménově nejrelevantnějšími daty. Právě řízená správa kontextu propůjčuje tržním poskytovatelům obtížně dostižitelnou konkurenční výhodu.

Ve světě ryzího proprietárního vývoje musí celé datové kurátorství spravovat kancelář sama. Je to možné? Bezesporu. Je to nákladově efektivní? Nikoli automaticky. Vytvoření proprietárního datového základu je časově i finančně extrémně náročné a generuje značný operační overhead spojený se správou databází, relačních struktur a indexací metadat. Disciplíny náročné i pro etablované systémy jako Codexis, ASPI či Beck-Online.

Nástroje postavené na silném datovém kurátorství a kontextovém inženýrství proto zůstanou doménou specializovaných dodavatelů, neboť tvorba a správa těchto systémů je příliš nákladná. Naopak nástroje těžící z institucionálního know-how se bude čím dál více vyplácet stavět in-house. Organizace, které si tyto nástroje samy vyvinou, profitují dvojím způsobem. Za prvé akumulují produkční data o tom, kde jejich systémy selhávají, a jelikož jsou jejich, mohou je iterativně vylepšovat. Za druhé získávají výhodu prvního tahu vůči konkurentům, kteří taková data mít nebudou.

Tato dichotomie však není statickým rozdělením trhu na tábory proprietárního vývoje a SaaS. Predikuji, že AI native kanceláře budou orchestrovat SaaS nástroje, které se jim nevyplatí vytvořit in-house, jako jednu z vrstev vedle svého proprietárního stacku. Hlavní konkurenční výhoda AI native kanceláří tak bude spočívat v efektivní kombinaci proprietárního vývoje se SaaS integracemi. Přestože AI native kanceláře již dnes existují v rostoucím počtu, vystavění komplexní infrastruktury, na níž by taková kancelář mohla v plné šíři operovat, je věcí budoucnosti a předmětem právně-technologického závodu, do něhož zejména v severoamerickém prostředí plynou miliardové investice a který je současně obklopen regulatorními úskalími s nejasným vývojem.

Regulatorní úskalí AI native modelu

Závěrem přehledově nastíním tři regulatorní brzdy, s nimiž se nastupující generace kanceláří bude muset při vstupu na trh vypořádat; vzhledem k rozsahu práce je pojímám jako inspiraci pro další publikační činnost.

Investiční restrikce

První strukturální brzdou je mimořádná kapitálová zátěž vybudování proprietární infrastruktury v kontextu limitace stanovené zákonem o advokacii. Jelikož je financování transformace tohoto rozsahu z vlastního kapitálu pro běžnou kancelář nereálné (srov. seed a Series A kola zahraničních AI native law firms), je nutné uvažovat o cizím kapitálu. Český zákon o advokacii, konkrétně § 15 a § 5a, však stanoví, že společníkem advokátní společnosti může být výhradně advokát. Jediným možným zdrojem cizího kapitálu tak zůstává dluhové financování.

Alternativou vypořádávající se s touto limitací mohou být korporátní struktury servisních společností. Ty fungují na bázi dualismu, kdy si subjekt vykonávající advokacii licencuje technologickou infrastrukturu od servisní společnosti, jíž náleží práva duševního vlastnictví k této infrastruktuře. Institucionální investor pak může kapitálově participovat na servisní společnosti, která formou servisních poplatků generuje zisk, z něhož se investor uspokojuje. Tato cesta však naráží na doktrinální hranici mezi legitimním outsourcingem a obcházením zákona, kterou stávající stavovský rámec dosud výslovně neadresuje.

Compliance v evropském kontextu

Druhou brzdou je evropský regulatorní rámec ochrany dat a regulace umělé inteligence, koncipovaný v paradigmatu dat jako statického aktiva chránícího subjekt údajů, namísto vstupní suroviny dynamicky se vyvíjejících systémů s closed-loop architekturou. GDPR generuje napětí především v aplikaci principu minimalizace údajů (čl. 5) na closed-loop architekturu, v otázce právního titulu pro sekundární využití klientských dat k tréninku (čl. 6) a v aplikaci čl. 22 na výstupy autonomního agentického systému ve světle judikatury Soudního dvora.[4] Ve specificky českém kontextu k tomu přistupuje vztah mezi GDPR a povinností mlčenlivosti advokáta podle § 21 zákona o advokacii. AI Act pak přidává otázku klasifikace AI native systému z hlediska rizikovosti (bod 8 přílohy III) a vymezení role kanceláře jako poskytovatele (provider) versus zavádějícího subjektu (deployer) dle čl. 3. Evropský rámec dosud neposkytuje na tyto otázky jednoznačné odpovědi.

Stavovské předpisy

Třetí brzdou je výkladová praxe České advokátní komory, jejímž základem jsou Výkladové stanovisko k poskytování právních služeb prostřednictvím on-line platforem (2018)[5] a Stanovisko k užívání umělé inteligence při poskytování právních služeb (2023).[6] Tato stanoviska generují dvě linie tenze. První je vztah mezi tréninkem AI a povinností mlčenlivosti: stanovisko z roku 2023 výslovně varuje, že zpracování klientských dat za účelem učení AI je pravděpodobně v rozporu s § 21 zákona o advokacii. Stanovisko ovšem přesně nevymezuje, co považuje za „učení“ systému. Natrénování vlastního LLM se dnes málokdy vyplatí a koncepčně se nepředpokládá, aby si AI native kanceláře trénovaly vlastní modely. Jejich síla stojí na využití frontier modelů v kombinaci s prompt a context engineeringem. Otázkou tedy zůstává, zda vyhodnocování anonymizovaných klientských dat použitých pro analytiku výkonnosti infrastruktury a následnou iteraci systému představuje „učení“ i ve smyslu tohoto stanoviska. Druhou linií jsou transparenční povinnosti vůči klientovi, jejichž granularita ve stávajícím výkladu rozpracována není.

Závěr: Tři scénáře příští dekády

Vrátíme-li se k úvodní otázce (Jak se promění tvorba smluv, žalob a podání a které úlohy zůstanou člověku?) lze načrtnout tři scénáře podle rychlosti adopce a vývoje regulace.

Dvourychlostní trh
Regulatorní nejasnost přetrvá a prohloubí propast mezi několika AI native kancelářemi a zbytkem trhu uvízlým na třetí úrovni adopce. Tvorba standardizovaných dokumentů se u prvních stane plně agentickou a fixně oceněnou službou, u druhých LLM nadále jen augmentuje lidskou práci. Tento scénář pokládám v českém prostředí pro nejbližších pět let za nejpravděpodobnější.

Konsolidace
Po vyjasnění regulatorních otázek AI native model zlevní i pro malé a střední kanceláře, mimo jiné díky open-source nástrojům typu Mike. Tvorba podání se komoditizuje a konkurence se přesune od ceny k rychlosti a kvalitě profesního úsudku.

Hybridní stabilizace
Datově-kurátorské a kontextově náročné vrstvy zůstanou doménou specializovaných SaaS dodavatelů, zatímco kanceláře budou in-house stavět nástroje těžící z vlastního know-how a obojí orchestrovat do jednoho stacku.

Napříč všemi scénáři platí jedno: Tvorba dokumentu jako mechanická činnost se z agendy advokáta vytrácí a jeho hodnota se koncentruje do úsudku, odpovědnosti a vztahu s klientem. Právě v této proměně, nikoli v samotné technologii, spočívá význam nastupující dekády.

Esej neprošla jazykovou korekturou.

2. místo v soutěži FutureLaw Essay Competition 2026 od Praktik.ai.

Právo21 je mediální partnerem soutěže.

[1]Katz, D. M., Bommarito, M. J., Gao, S., & Arredondo, P. (2023). GPT-4 Passes the Bar Exam. SSRN 4389233; publikováno též in Phil. Trans. R. Soc. A 382: 20230254 (2024).

[2]Katz, D. M., Bommarito, M. J., & Bommarito, J. (2026). Building AI-Native Professional Services Firms: Strategy, Economics, and Execution (forthcoming, June 2026). Dostupné z: https://theainativefirm.com.

[3]Chen, W. (2026). Mike (Mike OSS) – open-source legal AI platform. Viz Legal IT Insider, „Mike OSS: Open source legal AI tool ‚changes the negotiation’“, 5. 5. 2026; Legal Futures, „Meet Mike, the open-source AI challenger built by a City solicitor“, 2026.

[4]Rozsudek SDEU ze dne 7. 12. 2023, SCHUFA Holding (Scoring), C-634/21, EU:C:2023:957.

[5]Česká advokátní komora, Výkladové stanovisko k poskytování právních služeb prostřednictvím on-line platforem (2018).

[6]Česká advokátní komora, Stanovisko k užívání umělé inteligence při poskytování právních služeb (2023).