Åbning: Hvad sker der nu
Den første bølge af juridisk AI var drevet af nysgerrighed og FOMO. Nu bruges værktøjerne i hverdagen. Ifølge Unite.ai er adoptionen i juridisk praksis på vej op, og AI tages i brug til hurtigere research, dokumentopsummering og aflastning af administrative opgaver. Fokus flytter fra hvad modeller kan, til hvordan de drives sikkert og stabilt i rigtige sagsforløb.
Når et memo kan klargøres på fem minutter i stedet for halvanden time, flytter flaskehalsen fra skrivebordet til processen: hvem godkender AI-forslag, hvordan logges ændringer, og hvordan ruller man tilbage, hvis noget går galt? Deloitte peger samtidig på det skæve billede: legal tech har historisk givet inkrementelle forbedringer, men generativ AI kan – potentielt – ændre leveringen af juridiske ydelser. Potentiale møder praksis, og praksis kræver infrastruktur.
Hvad kilderne siger
Unite.ai beskriver adoptionen som aggressivt stigende i daglig juridisk praksis. Ikke kun i innovationsteams, men ved skrivebordet: AI bruges til at accelerere research, opsummere tunge dokumenter og reducere administration. Samtidig skifter snakken mod at operationalisere modeller og agenter i virkelige workflows fremfor sandkasseforsøg.
Deloitte supplerer med en nøgtern vurdering: tidligere legal tech-bølger flyttede ikke fundamentet, men generativ AI kan gøre det, hvis barrierer som ressourcer, styring og modenhed adresseres. Kilderne peger samme vej med forskelligt fokus: Unite.ai betoner tempo og hverdagsanvendelse; Deloitte understreger, at forandringen kræver disciplin og investeringer. Pointen er klar: adoption uden operations holder ikke.
Hvorfor infrastruktur nu er afgørende
Modeller kan ikke forblive enkeltstående eksperimenter, når sager løber over uger og måneder, og deadlines er hårde. Så snart et udkast påvirker en partsprocedure eller et forligsnotat, kræver det sporbarhed: modelversion, prompts, træningsgrundlag – og kontrol for utilsigtede ændringer. Og det kræver værn mod, at materiale glider direkte ind i en sag uden nødvendig kvalitetssikring.
Tag e-discovery: hvis AI automatisk grupperer millioner af dokumenter og foreslår relevans, rammer man muren uden versionering, godkendelser og mulighed for rollback efter en skæv kalibrering. Eller kontraktscreening i M&A: AI kan finde change-of-control og non-compete på minutter, men output skal vurderes, afvigelser annoteres, og hvert fund spores til kilde. Due diligence går hurtigere – men uden driftsramme vokser fejlrisikoen hurtigere end gevinsten.
Kritiske komponenter i en juridisk AI-infrastruktur
Model governance først: modelkort med klar beskrivelse af træningsgrundlag, kendte begrænsninger og performance-metrics i relevante opgaver. Ikke “den virker fint”, men målinger på nøjagtighed i klausulklassificering, hallucinationsrate i opsummeringer og latency under spidsbelastning. Der skal være procedurer for godkendelse af nye modelversioner og for rollback ved regressioner.
Næste lag er prompt- og testbenches. Juridiske prompts må ikke leve i en delt notesblok: de skal versioneres, testes mod faste datasæt og have forventede outputs. Human-in-the-loop er et krav her: systematisk review af AI-forslag med annotering og feedback, så prompt-bibliotek og praksis forbedres, og så beslutninger kan dokumenteres.
Datasikkerhed og compliance: DLP for at forhindre læk af klientfølsomme oplysninger, kryptering i transit og i hvile, klare regler for dataresidency. Logning og revisionsspor, så man kan vise, hvem gjorde hvad, hvornår. Tungt, ja – men lettere end en procesfejl, der underminerer en sag.
Konkrete implementeringstrin for firmaer
Start småt, men med drift for øje fra dag ét. En pæn demo uden governance er et sidespor; en proof-of-value med målepunkter kan blive til en reel proces.
- Vælg 2–3 høstbare use cases: due diligence-opsummering, hurtig kontraktreview eller fakturaklargøring. Definér KPI’er før start: tid sparet pr. sag, fejlrate, gennemsnitlig reviewtid.
- Etabler datastrømmen: hvilke dokumenter og metadata, hvordan anonymiseres eller afgrænses input. Aftal dataresidency og logningskrav fra begyndelsen.
- Byg integrationer: kobling til sagsstyring, dokumenthåndtering og identitetsstyring. Undgå manuelle upload/download-processer – de æder gevinsterne.
- Træn eller finetun modeller til opgaven, eller kuratér domæneprompts. Sæt en testbench op med kendte cases og forventede outputs.
- Definér godkendelses-workflows: hvem må acceptere, hvornår kræves partner-review, og hvornår køres output om.
- Opsæt overvågning og alarmer: performance, latency, fejltyper, afvigelser fra forventet adfærd. Hav en klar rollback-proces.
- Uddan brugere i prompt-critique og validering. Juridisk faglighed først – med et nyt værktøj.
- Iterér månedligt på proces og prompts. Små justeringer slår store relanceringer.
Tradeoffs og begrænsninger
Hastighed vs. kontrol: fuldautomatiske flows er fristende, men uden review kan små fejl vokse sig store. Cloud vs. on-premises: cloud giver skalering og adgang til nyeste modeller; on-premises giver mere datakontrol – men kræver tungere drift og kompetencer.
Store, generelle modeller vs. smalle, specialtrænede: de store er alsidige, men kan mangle præcision i snævre klausultyper. Smalle modeller rammer ofte renere, men kræver vedligehold og nytræning, når standarder skifter. Initial gevinst vs. løbende omkostning: de første uger føles gratis; månederne efter koster i support, governance og forbedringer, hvis det ikke planlægges.
Regulatorisk usikkerhed består. Hvad hvis et AI-bidrag bliver centralt i en tvist, og dokumentationen halter? Kilderne giver ingen klare præcedenser. Endnu et argument for revisionsspor og konservativ kvalitetssikring.
Hvem vinder og hvem taber
Firmaer med veldefinerede processer, tæt samarbejde med IT og compliance samt tålmodig forandringsledelse har fordelen. De kan gøre AI til et stille produktivitetslag, ikke et eksperiment. Ad hoc-eksperimenter uden governance ender med flere kanaler, manuelle hop og viden, som ingen ejer.
Mindre enheder kan vinde ved at vælge snævert og integrere ordentligt. Én solid integration til sagsstyring slår fem smarte værktøjer uden sammenhæng. Ikke sexet, men det er sådan, værdi realiseres i kalender og på bundlinje.
Praktiske konsekvenser for drift og IT
Behandl modeller som kritisk software. Det betyder SLA’er på svartider, overvågning af modelperformance og en incident response-proces, der også tænker sagsrisiko. Når en model halter, er det ikke kun et IT-problem; det kan være en frist, der glider.
Nye roller er nødvendige: en AI-ops-ansvarlig for versionering, logning og alarmer; en prompt-kurator/QA, der holder biblioteket og testbenchen skarpe; en compliance-ejer, der godkender brugsscenarier og følger ændringer. Oplæring er et driftskrav.
Support skal kunne håndtere modelfejl og bias – både teknisk og fagligt. Definér, hvordan hallucinationslignende problemer triageres, og hvordan ændringer kommunikeres til sagsbehandlere. Entydige fejlkategorier gør hverdagen lettere.
Rapporterede huller i dokumentation
Der mangler brede, kvantificerede tal for adoption på tværs af branchen. Unite.ai taler om “aggressiv” stigning uden konkrete procenter. Der savnes før/efter-cases fra fuldt integrerede opsætninger med målbare effekter og objektive benchmarks for modelpræcision i juridiske opgaver – fra hallucinationsrater til latenstid under spidsbelastning.
Afslutning: Hvad læseren skal gøre nu
Start med to-tre use cases, der giver tid igen og kan måles. Skriv krav til dataflow, sikkerhed og revisionsspor, før I køber endnu et værktøj. Byg integration først, glans bagefter. Hold governance tæt på: modelkort, testbench, godkendelsesflow, overvågning.
En erfaring fra arbejdet her: “smart output” mister hurtigt værdi uden infrastruktur. Det er som en hurtig printer uden papirbakke. Unite.ai og Deloitte peger samme vej: potentialet er reelt, men værdien afgøres af operationslaget. Tænk infrastruktur tidligt – ellers løber sagerne fra processerne.
