Przejdź do głównego menu Przejdź do sekcji głównej Przejdź do stopki
Nagłówek strony

Nr 8 (2026)

Artykuły

LLM to wszystko, czego prawnik potrzebuje – czyli jak działają chatboty

  • Jakub Kisiel
DOI: https://doi.org/10.54383/0031-2026.08.8  [Google Scholar]
Opublikowane: 03.11.2026

Abstrakt

Chatboty takie jak ChatGPT, Gemini, Copilot, Claude, Llama czy Perplexity AI stają się codziennym narzędziem pracy prawników, a przypisywane im możliwości nierzadko rozmijają się z tym, co wynika z zasady ich działania. Artykuł omawia sposób generowania odpowiedzi w ramach dużych modeli językowych (LLM) opartych na architekturze typu transformer i na tej podstawie odpowiada na pytanie, czy i w jakim zakresie mechanizm ten wyznacza granice wykorzystania tych narzędzi w pracy prawnika. Przeprowadzona analiza prowadzi do wniosku, że żadnego z opisanych ograniczeń nie da się usunąć samym sposobem pracy z chatbotem – można je jedynie łagodzić – wobec czego weryfikacja rezultatu pozostaje elementem nieusuwalnym. Ustalenia te rzutują również na ocenę tezy o zmianie paradygmatu podmiotowego, która dotyczy nie podmiotu wykonującego czynności zawodowe, lecz sposobu ich wykonywania.

Bibliografia

  1. Ainslie Joshua et al., GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints, 2023, arXiv:2305.13245(dostęp: 16.09.2025 r.) [Google Scholar]
  2. Brown Tom et al., Language Models are Few-Shot Learners, „Advances in Neural Information Processing Systems” 2020/33 [Google Scholar]
  3. Bryłkowski Arkadiusz, Klikowski Jakub, Large Language Models in Legislative Content Analysis: A Dataset from the Polish Parliament, 2025, arXiv:2503.12100 (dostęp: 16.09.2025 r.) [Google Scholar]
  4. Cai Weilin et al., A Survey on Mixture of Experts in Large Language Models, 2025, arXiv:2407.06204 (dostęp: 16.09.2025 r.) [Google Scholar]
  5. Carl Gustav Jung, The Archetypes and the Collective Unconscious, USA 1959 [Google Scholar]
  6. Cormen Thomas, Leiserson Charles, Rivest Ronald, Stein Clifford, Introduction to algorithms, Cambridge 2009 [Google Scholar]
  7. Dikkala Nishanth et al., On the Benefits of Learning to Route in Mixture-of-Experts Models, „Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing” 2023 [Google Scholar]
  8. Dourish Paul, Algorithms and their others: Algorithmic culture in context, „Big Data & Society” 2016/2 [Google Scholar]
  9. Floridi Luciano, AI as Agency without Intelligence: On Artifcial Intelligence as a New Form of Artifcial Agency and the Multiple Realisability of Agency Thesis, „Philosophy & Technology” 2025/38 [Google Scholar]
  10. Franchitti Jean-Claude, Introduction to Computer Science, Houston 2024 [Google Scholar]
  11. Gao Yunfan et al., Retrieval-Augmented Generation for Large Language Models: A Survey, 2023, arXiv:2312.10997 [Google Scholar]
  12. Geva Mor, Schuster Roei, Berant Jonathan, Levy Omar, Transformer Feed-Forward Layers Are Key-Value Memories, 2020, arXiv:2012.14913 2021 [Google Scholar]
  13. Huang Lei et al., A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions, „ACM Transactions on Information Systems” 2025/43 [Google Scholar]
  14. Jin Bowen et al., Search-R1: Training LLMs to Reason and Leverage Search Engines with Reinforcement Learning, 2025, arXiv:2503.09516 [Google Scholar]
  15. Kaczmarek-Templin Berenika, Sztuczna inteligencja (AI) i perspektywy jej wykorzystania w postępowaniu przed sądem cywilnym, „Studia Prawnicze: Rozprawy i Materiały” 2022/2 [Google Scholar]
  16. Kalai Adam, Nachum Ofir, Zhang Edwin, Vempala Santosh, Why Language Models Hallucinate, 2025, arXiv:2509.04664v1 [Google Scholar]
  17. Malmqvist Lars, Sycophancy in Large Language Models: Causes and Mitigations, 2024, arXiv:2411.15287 [Google Scholar]
  18. Murphy Kevin, Machine Learning. A Probabilistic Perspective, Massachusetts 2012 [Google Scholar]
  19. Naveed Humza et al., A Comprehensive Overview of Large Language Models, „ACM Transactions on Intelligent Systems and Technology” 2025 [Google Scholar]
  20. Raeini Mohammad, The Evolution of Language Models: From N-Grams to LLMs, and Beyond, https://ssrn.com/abstract=4625356 (dostęp: 16.09.2025 r.) [Google Scholar]
  21. Ren Jie et al., Identifying Semantic Induction Heads to Understand In-Context Learning (w:) Findings of the Association for Computational Linguistics ACL 2024, Bangkok 2024 [Google Scholar]
  22. Russell Stuart, Norvig Peter, Artificial Intelligence: A Modern Approach, Harlow 2021 [Google Scholar]
  23. Shao Minghao, Basit Abdul, Karri Ramesh, Shafique Muhammad, Survey of Different Large Language Model Architectures: Trends, Benchmarks, and Challenges, „IEEE Access” 2024/12 [Google Scholar]
  24. Sharma Mrinank et al., Towards Understanding Sycophancy in Language Models, 2023, arXiv:2310.13548 [Google Scholar]
  25. Skean Oscar et al., Layer by Layer: Uncovering Hidden Representations in Language Models, „Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing” 2024 [Google Scholar]
  26. Sonkar Shashank, Baraniuk Richard, Investigating the Role of Feed-Forward Networks in Transformers Using Parallel Attention and Feed-Forward Net Design, 2023, arXiv:2305.13297 [Google Scholar]
  27. Świerczyński Marek, Sztuczna inteligencja w prawie prywatnym międzynarodowym – wstępne rozważania, „Problemy Prawa Prywatnego Międzynarodowego” 2019/25 [Google Scholar]
  28. Thakur Kutub, Barker Helen, Pathan Al-Sakib, Artificial Intelligence and Large Language Models: An Introduction to the Technological Future, Boca Raton 2024 [Google Scholar]
  29. Tunstall Lewis, von Werra Leandro, Wolf Thomas, Natural Language Processing with Transformers, Sebastopol 2022 [Google Scholar]
  30. Vaswani Ashish et al., Attention Is All You Need, 2017, arXiv:1706.03762v7 [Google Scholar]
  31. Wang Luping et al., Parameter-efficient fine-tuning in large language models: a survey of methodologies, „Artificial Intelligence Review” 2025/58 [Google Scholar]
  32. Wei Chengwei, Wang Yun-Cheng, Wang Bin, Kuo C.-C., An Overview of Language Models: Recent Developments and Outlook, 2023, arXiv:2303.05759 [Google Scholar]
  33. Wei Jason et al., Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, 2023, arXiv:2201.11903 [Google Scholar]
  34. Yu Fangyi, Quartey Lee, Schilder Frank, Exploring the Effectiveness of Prompt Engineering for Legal Reasoning Tasks (w:) Findings of the Association for Computational Linguistics: ACL 2023, red. A. Rogers, J. Boyd-Graber, N. Okazaki, Kanada 2023 [Google Scholar]
  35. Zhang Shucong, Parcollet Titouan, van Dalen Rogier, Bhattacharya Sourav, Benchmarking Rotary Position Embeddings for Automatic Speech Recognition, 2025, arXiv:2501.06051v1 [Google Scholar]

Downloads

Download data is not yet available.