בינה מלאכותית פרטית למשרדי עורכי דין:שמירת חיסיון עורך הדין

בינה מלאכותית גנרטיבית הפכה לכלי הכרחי לבדיקת מסמכים, ניתוח חוזים ומחקר משפטי. אך עבור משרד עורכי דין, הנוחות של הדבקת מסמך חסוי לתוך צ'אטבוט ציבורי טומנת סיכון ספציפי ומוערך בחסר: הדבר עלול להתפרש כגילוי לצד שלישי — ובית המשפט עשוי לראות בגילוי זה ויתור על חיסיון עורך-לקוח.

מדריך זה מסביר את בעיית החיסיון במונחים קונקרטיים, ולאחר מכן מפרט את הארכיטקטורה המאפשרת למשרד להשתמש בכל המודלים המובילים — Claude, GPT, Gemini ומודלים פתוחים המאוחסנים עצמאית — מבלי שנתוני הלקוחות יעזבו את התשתית שבשליטת המשרד.

הסיכוןמדוע בינה מלאכותית ציבורית מוותרת בשקט על החיסיון

חיסיון עורך-לקוח מגן על תקשורת סודית שנועדה לצורך קבלת ייעוץ משפטי. הדוקטרינה שבירה: החיסיון עלול לאבד תוקפו עם גילוי מרצון לכל גורם מחוץ ליחסי החיסיון. כאשר עורך דין מדביק תזכיר סודי לתוך כלי בינה מלאכותית צרכני, המסמך מועבר לשרתי הספק, מעובד על ידו ולעתים קרובות נשמר שם.

• המסמך יוצא משמירת המשרד ושליטתו.
• הספק — צד שלישי — מחזיק כעת בתוכן החסוי.
• תנאי הצרכן המוגדרים כברירת מחדל עשויים לאפשר לספק לשמור קלטים או להשתמש בהם לשיפור מודלים.
• בדרך כלל אין רשומת ביקורת של מה שהמודל ראה בדיוק.

הגדרותמה המשמעות האמיתית של «בינה מלאכותית פרטית»

«בינה מלאכותית פרטית» הוא מונח רב-משמעי. ספקים משתמשים בו לתיאור דברים שונים מאוד, וההבדלים קריטיים מבחינת החיסיון. שלושה מודלים נפוצים:

עמדת הגנה נאותה של משרד משלבת את שני קצות הטבלה: מודלים עם משקלים פתוחים (Llama, Mistral, Qwen) באחסון עצמי לעבודה הרגישה ביותר, ו-APIs סגורים הנגישים רק דרך יציאה מבודדת עם תנאי אפס-שמירה חוזיים לכל השאר.

ארכיטקטורהארכיטקטורת ייחוס לבינה מלאכותית ברמת חיסיון

המטרה פשוטה לניסוח וקשה יותר להנדסה: המודל יכול לענות על שאלות לגבי מסמכי המשרד, אך המסמכים לעולם לא יוצאים מגבול שבשליטת המשרד, וכל אינטראקציה מתועדת. צינור מעשי נראה כך:

1. קליטה — כתבי טענות, חוזים וקבצי תיקים מאונדקסים במאגר וקטורי פרטי (כגון Qdrant + PostgreSQL) הפועל בסביבת המשרד, מוצפן במצב מנוחה עם מפתחות שבידי המשרד.
2. הרשאה — כל שאילתה עוברת שער אפס-אמון הקובע את זהות המשתמש, תפקידו והתיק הספציפי שאליו הוא מורשה, לפני כל חיפוש.
3. אחזור — חיפוש וקטורי מחזיר רק קטעי מסמכים שעברו בדיקות הרשאה ברמת שורה בהיקף הלקוח והתיק, כך שקבצי לקוח אחד לא יכולים להופיע בשאילתה של לקוח אחר.
4. סינון — שמות, מזהים ופרטי קשר מוסתרים ברמת הקטע לפני הרכבת כל הקשר עבור מודל.
5. הסקה — מודלים פתוחים פועלים על GPU באזור המשרד; APIs סגורים נגישים דרך יציאה מבודדת עם תנאי אפס-שמירה.
6. ביקורת — כל שאילתה, גישה למסמך ו-token נכתבים ליומן עמיד בפני שיבוש עם חשיש תוכן, המייצר את הרשומה המנומקת שמצפים לה הרגולטורים ועורכי הדין של הצד שכנגד.

כלכלההאם בינה מלאכותית פרטית אכן בת-השגה למשרד של 30 עורכי דין?

ההתנגדות הנפוצה היא עלות. בפועל, פריסה עצמאית לחברה קטנה עד בינונית זולה הרבה יותר ממה שמניחים רוב השותפים. כנקודת ייחוס ציבורית: מעורבות מתועדת לאחסון עצמי של מודל פתוח עם פרמטרים של 70B עבור משרד עורכי דין (Llama 3 70B על vLLM עם מאגר וקטורי) עלתה כ-$1,200/חודש באחסון מעל הגדרה חד-פעמית. ההגדרה, לא החישוב, היא המקום שבו מתרכזים הערך והסיכון.

זהו הפער שהצעת הציות שלנו נועדה לסגור: הגדרה מנוהלת ויעוץ שוטף, שבהם המשרד משלם לספק הענן שלו ישירות ואנחנו לעולם לא מחזיקים בנתונים מוסדרים.

רשימת תיוגרשימת תיוג לשמירת חיסיון

• הסקת מסקנות בעניינים חסויים לעולם לא יוצאת מהתשתית שבשליטת המשרד.
• מפתחות הצפנה מוחזקים על ידי המשרד, לא הספק.
• בקרות גישה ברמת תיק מאוכפות בשכבת האחזור, לא רק בממשק המשתמש.
• כל אינטראקציה עם בינה מלאכותית נכתבת ליומן ביקורת בלתי-ניתן לשינוי ועמיד בפני שיבוש.
• DPA חתום (ו-BAA כאשר מעורבים נתוני בריאות) קיים עם כל מעבד.
• השימוש ב-API סגור מוסדר בתנאי אפס-שמירה וחוסר-אימון חוזיים.
• לצוות יש מדיניות כתובה ברורה לגבי הכלים המאושרים לעבודה חסויה.