अमेरिकेतील फेडरल न्यायालयांमध्ये AI-सहाय्यित खटला दाखल करण्याचे प्रमाण झपाट्याने वाढत आहे

फेडरल न्यायालयांवर आता AIचा नवा ताण दिसू लागला आहे

MIT आणि University of Southern California येथील संशोधकांच्या नवीन अभ्यासानुसार, जनरेटिव AI अमेरिकेच्या कायदेव्यवस्थेत प्रवेश थेट आणि मोजता येण्यासारख्या प्रकारे बदलत आहे. ChatGPT व्यापकपणे उपलब्ध झाल्यानंतर अमेरिकेतील फेडरल दिवाणी न्यायालयांमध्ये वकील नसताना दाखल होणाऱ्या खटल्यांमध्ये झपाट्याने वाढ झाली आहे, आणि आता दर पाच तक्रारींपैकी एकात AI-निर्मित मजकूर आढळतो. वकील परवडत नाहीत अशा लोकांसाठी हे प्रवेशलोकशाहीकरणासारखे दिसत असले, तरी आता न्यायाधीश आणि न्यायालयीन कर्मचाऱ्यांसाठी ते कार्यकारी ताणही बनत आहे.

या अभ्यासात आर्थिक वर्ष 2005 ते 2026 दरम्यानचे 4.5 दशलक्ष दिवाणी खटले आणि फेडरल इलेक्ट्रॉनिक केस रजिस्ट्री PACER मधील 46 दशलक्ष नोंदींचे विश्लेषण करण्यात आले. त्यातील मुख्य मापक pro se rate होता, म्हणजे स्वतःचे प्रतिनिधित्व करून दाखल केलेल्या खटल्यांचा वाटा. जवळपास दोन दशकांपर्यंत हा दर फेडरल दिवाणी खटल्यांमध्ये सुमारे 11 टक्क्यांवर स्थिर होता. आर्थिक वर्ष 2025 मध्ये तो 16.8 टक्क्यांवर पोहोचला, आणि त्या वर्षीच 41,490 pro se दाखले नोंदले गेले, जे अभ्यासात वर्णन केलेल्या AIपूर्व सरासरीपेक्षा जवळपास दुप्पट आहेत.

हा उडी महत्त्वाची आहे, कारण फेडरल न्यायालय हे स्वतःचे प्रतिनिधित्व करणाऱ्या पक्षकारांसाठी सर्वात सोपे व्यासपीठ नाही. दाखल शुल्क जास्त आहेत, formal pleading standards कठोर आहेत, आणि अमेरिकेतील बहुतेक दिवाणी खटले राज्य आणि स्थानिक न्यायालयांत चालतात. संशोधकांचा युक्तिवाद आहे की जर फेडरल दाखल्यांमध्ये AI-संबंधित वाढ इतक्या प्रमाणात दिसत असेल, तर खालच्या न्यायालयांमध्ये परिणाम आणखी मोठा असू शकतो. दुसऱ्या शब्दांत, फेडरल आकडे व्यापक बदलाच्या दिसणाऱ्या अग्रभागासारखे असू शकतात.

AI कुठे मदत करत आहे, आणि कुठे नाही

हा नमुना सर्व प्रकारच्या खटल्यांमध्ये सारखा नाही. अशी वाढ अशा क्षेत्रांमध्ये केंद्रित आहे जिथे तक्रार बहुतेकदा परिचित टेम्पलेट्स आणि प्रक्रियात्मक फॉर्म्सभोवती मांडता येते, ज्यात नागरिक हक्कांचे दावे, ग्राहक कर्ज वाद, आणि foreclosure-संबंधित दाखले यांचा समावेश होतो. याउलट, पेटंट कायदा किंवा सिक्युरिटीज कायदा यांसारख्या खोल तज्ज्ञ ज्ञानावर अवलंबून असलेल्या क्षेत्रांमध्ये अभ्यासात कोणताही तुलनीय परिणाम दिसत नाही.

हा फरक अभ्यासातील सर्वात महत्त्वाच्या निष्कर्षांपैकी एक आहे. मोठी भाषा मॉडेल्स एक विशिष्ट अडथळा कमी करताना दिसतात: प्रक्रियात्मकदृष्ट्या ग्राह्य कागदपत्रे तयार करणे. ती कायदेव्यवस्थेची संपूर्ण गुंतागुंत सपाट करत नाहीत. सोप्या किंवा अधिक प्रमाणित वादांमध्ये, AI एखाद्या वकिल नसलेल्या व्यक्तीला न्यायालयात दाखल करण्याइतकी बरोबर दिसणारी तक्रार तयार करण्यात मदत करू शकते. अतितांत्रिक litigation मध्ये हा फायदा मर्यादित दिसतो.

ही वाढ वादी पक्षावर अधिक केंद्रित आहे, आणि 50 पैकी 44 राज्यांमध्ये एकाच वेळी दिसते, ज्याला संशोधक स्थानिक स्पष्टीकरणांच्या विरोधात पुरावा मानतात. हा व्यापक भौगोलिक प्रसार हे बळकट करतो की बदल काही प्रादेशिक कायदेशीर प्रवाहांपेक्षा राष्ट्रीय तांत्रिक बदलाशी जोडलेला आहे.

समस्या दाखल्यांपेक्षा कामाचा ताण मोठा असू शकतो

हा अभ्यास न्यायालयीन निकालांमध्ये कोणताही कोसळणारा बदल वर्णन करत नाही. खटल्यांचा कालावधी आणि निकालांचे वितरण मोठ्या प्रमाणावर अपरिवर्तित राहिल्याचे सांगितले जाते. पण याचा अर्थ व्यवस्था अप्रभावित आहे असा होत नाही. अधिक तातडीचा ताण प्रत्येक खटल्यातील कामकाजाच्या प्रमाणात दिसतो.

संशोधकांच्या मते, खटला सुरू झाल्यानंतर पहिल्या 180 दिवसांत pro se वादींकडून प्रत्येक न्यायालयीन docket entries ची संख्या 2025 च्या दुसऱ्या तिमाहीपर्यंत AIपूर्व सरासरीपेक्षा 158 टक्के जास्त होती. त्या प्रत्येक नोंदीकडे लक्ष द्यावे लागते. motions, responses, orders, procedural notices, आणि corrections हे सर्व कर्मचाऱ्यांचा वेळ घेतात. एखादा दाखला खटला प्रत्यक्षात पुढे नेत नसला तरी कोणालातरी तो प्रक्रिया करावाच लागतो.

अभ्यासात असेही नमूद केले आहे की प्रतिनिधित्व असलेल्या खटल्यांमध्येही नोंदी वाढत आहेत, प्रति खटला 23 टक्के वाढ, ज्यावरून वकील आणि संस्था देखील मोठी भाषा मॉडेल्स वापरत असावीत असे सूचित होते. हा तपशील सहज लक्षात येणार नाही, पण तो व्यापक प्रशासकीय बदलाकडे निर्देश करतो. AI केवळ नव्या वापरकर्त्यांना प्रणालीत आणत नाही. ते सर्व प्रकारच्या पक्षकारांकडून कागदपत्रे तयार करण्याचा वेगही वाढवत आहे.

न्यायप्रवेश आणि प्रशासकीय ओव्हरलोड एकत्र येत आहेत

AI न्यायातील दरी कमी करू शकते ही कल्पना सहज आकर्षक वाटते. कायदेशीर सेवा महाग आहेत, आणि वैध तक्रारी असलेल्या अनेक लोकांना प्रक्रियात्मक ओझे खूप जास्त असल्यामुळे न्यायालयापर्यंत पोहोचता येत नाही. जर AI साधने एखाद्याला तक्रार तयार करण्यास, तथ्ये मांडण्यास, आणि औपचारिकता समजून घेण्यास मदत करू शकतील, तर ते access साठी विजयासारखे दिसू शकते.

पण अभ्यास सूचित करतो की access आणि overload एकत्र येत आहेत. फेडरल न्यायाधीश कथितपणे दाखल्यांच्या लोंढ्याचे व्यवस्थापन करण्यासाठी अधिक कडक उपाय अवलंबत आहेत. अनेक तक्रारी प्रामाणिक असल्या तरी, प्रणालीला अजूनही अशा कागदपत्रांचा मोठा ओघ हाताळावा लागतो जे सूत्रबद्ध, पुनरावृत्तीचे, किंवा न्यायालयीन नियमांना केवळ वरवर अनुरूप असू शकतात. मानवी-सीमित drafting capacity लक्षात घेऊन रचित न्यायालयीन व्यवस्था आता software-assisted abundance चा सामना करत आहे.

यामुळे एक policy dilemma निर्माण होते. AI-निर्मित दाखले अतिशय कठोरपणे मर्यादित केल्यास खऱ्या अर्थाने मदतीची गरज असलेले लोक बाहेर पडू शकतात. आणि बदल कोणत्याही समायोजनाशिवाय वाढू दिल्यास आधीच ताणाखाली असलेल्या न्यायालयांचे कामकाज अधिक अडखळू शकते. आव्हान फक्त हे नाही की AI कायदेशीर drafting मध्ये असायला हवे का. आव्हान हे आहे की संस्था अर्थपूर्ण प्रवेश वाढवणारी मदत आणि प्रशासकीय गोंगाट वाढवणारे output यात फरक करू शकतात का.

हा बदल पुढे काय सूचित करू शकतो

सर्वात तात्काळ परिणाम कार्यकारी आहे. न्यायालयांना नवीन screening procedures, अधिक स्पष्ट disclosure expectations, किंवा स्वयंदाखल तक्रारींसाठी अधिक मजबूत format आणि verification नियमांची गरज भासू शकते. अधिक दाखले हाताळण्यासाठी त्यांना staff capacity आणि digital workflows मध्येही गुंतवणूक करावी लागू शकते.

गहिरा परिणाम सांस्कृतिक आहे. जनरेटिव AI बदलत आहे की कोण औपचारिक कायदेशीर कारवाई सुरू करण्यास सक्षम असल्याचे स्वतःला वाटते. एकेकाळी पैसा, तज्ज्ञता, किंवा दोन्ही लागणारी तक्रार आता एका prompt मध्ये काही मिनिटांत तयार होऊ शकते. यामुळे मजबूत खटला निश्चित होत नाही, पण सहभागाची किमान मर्यादा बदलते.

अभ्यास या मर्यादा बदलाला ऐतिहासिकदृष्ट्या महत्त्वाचा मानतो. अनेक वर्षे फेडरल pro se दर आश्चर्यकारकरीत्या स्थिर होता. ChatGPT-नंतरची उडी त्या दीर्घ पॅटर्नला तोडते. हे कायदेशीर प्रवेशाचा टिकाऊ विस्तार बनेल की कायमस्वरूपी कागदपत्रांचा ताण, हे मॉडेल्सपेक्षा न्यायालये मशीन-सहाय्यित वकिलीच्या नव्या प्रमाणाशी किती वेगाने जुळवून घेतात यावर अधिक अवलंबून असू शकते.

हा लेख The Decoder च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.