Kanzleien · TAR, Privilege und Closed Deployments in der Discovery

Ein einziger Rechtsstreit kann 2 Millionen Dokumente auf Ihrem Schreibtisch abladen. Ein Team von Associates brbrDer Anteil der Besucher, die nach nur einer angesehenen Seite wieder abspringen, häufig ein Signal für mangelnde Relevanz, verfehlte Suchintention oder schwache User Experience.Vollständige Definition ansehen →äuchte bei gleichmäßigem Lesetempo Jahre. Das Gericht gibt Ihnen Wochen. Das ist der Alltag moderner Discovery, und deshalb ist machine learning still und leise zu einer zentralen juristischen Fähigkeit geworden.

Aber Geschwindigkeit ist nur die halbe Aufgabe. In diesen 2 Millionen Dokumenten stecken E-Mails zwischen Ihrem Mandanten und seinen Anwälten. Wenn auch nur eine davon zur Gegenseite gelangt, haben Sie möglicherweise das attorney-client privilege verwirkt (den Rechtsschutz, der vertrauliche Rechtsberatung geheim hält). Das Modell, das schnell genug liest, um Sie zu retten, muss also auch an einem Ort laufen, der sicher genug ist, um Sie zu schützen.

Um dieses Spannungsverhältnis geht es in dieser Lektion.

Was TAR tatsächlich ist

TAR steht für Technology-Assisted Review. Gemeint ist der Einsatz von machine learning, um Dokumente in der Discovery zu priorisieren oder zu klassifizieren, statt Menschen jede Seite lesen zu lassen.

Discovery ist die Phase vor der Hauptverhandlung, in der jede Seite der anderen relevante Dokumente herausgeben muss. „Responsive" Dokumente sind diejenigen, die den Anfragen der Gegenseite entsprechen. TARs Aufgabe ist es, sie schnell zu finden.

Der Kern-Workflow ist einfach:

1. Ein erfahrener Anwalt prüft ein kleines „seed set" von Dokumenten und markiert jedes als responsive oder nicht.
2. Das Modell lernt aus diesen Tags.
3. Das Modell bewertet die verbleibenden Millionen nach der Wahrscheinlichkeit, responsive zu sein.
4. Menschen prüfen die hoch bewerteten Dokumente; bei den niedrig bewerteten wird stichprobenartig kontrolliert, ob das Modell nichts übersehen hat.

Es gibt zwei gängige Varianten. TAR 1.0 trainiert einmal auf einem festen seed set. TAR 2.0, auch continuous active learning (CAL) genannt, trainiert laufend weiter, während Reviewer mehr Dokumente taggen, sodass das Modell über das gesamte Projekt hinweg schärfer wird. Die meisten modernen Review-Plattformen nutzen CAL.

Warum Gerichte es zulassen

Richter segnen TAR seit über einem Jahrzehnt ab. Die wegweisende US-Entscheidung ist *Da Silva Moore v. Publicis Groupe* (2012), in der das Gericht predictive coding erstmals genehmigte. Das entscheidende Rechtsprinzip ist reasonableness, nicht Perfektion. Sie müssen nicht jedes responsive Dokument finden. Sie müssen ein defensibles, verhältnismäßiges Verfahren durchführen.

Dieses Wort „defensibel" ist alles. Es prägt, wie Sie Ihre Methodik, Ihr seed set und Ihr Quality-Control-Sampling dokumentieren. Wenn Sie nicht erklären kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen, was das Modell getan hat, können Sie es nicht verteidigen.

Eine leicht verständliche Einführung: The Sedona Conference veröffentlicht vielzitierte Leitlinien zur eDiscovery-Praxis: The Sedona Conference publications.

Das Privilege-Problem

Jetzt der schwierige Teil. Einige dieser Dokumente sind privileged, und Privilege verändert das Risikoprofil vollständig.

Attorney-client privilege schützt vertrauliche Kommunikation, die der Einholung von Rechtsrat dient. Die Work-Product-Doktrin schützt Material, das für den Rechtsstreit erstellt wurde. Beides kann verwirkt werden, wenn Sie das geschützte Material offenlegen, manchmal sogar versehentlich.

Deshalb läuft die Privilege-Prüfung parallel zur Responsiveness-Prüfung. Sie stellen an jedes Dokument zwei Fragen:

• Ist es responsive (bekommt die Gegenseite es)?
• Ist es privileged (müssen wir es zurückhalten und protokollieren)?

Ein privilege log ist die Liste, die Sie erstellen und in der jedes zurückgehaltene Dokument beschrieben wird, ohne seinen Inhalt preiszugeben. Hier Fehler zu machen, ist teuer. Übersehen Sie eine privilegierte E-Mail in Ihrer Produktion, haben Sie möglicherweise das Privilege für dieses Dokument verwirkt, und womöglich für den gesamten Themenkomplex.

Warum das die KI-Frage verschärft

Hier liegt der Konflikt. Um TAR gut zu machen, muss das Modell die sensibelsten Dokumente lesen, die Ihr Mandant besitzt: Prozessstrategie, Vergleichsüberlegungen, interne Eingeständnisse.

Wenn Sie diese Dokumente über das Internet an einen öffentlichen KI-Dienst senden, haben Sie vertretbar argumentiert vertrauliches Mandantenmaterial gegenüber einem Dritten offengelegt. Je nach Vertragsbedingungen könnte das:

• Vertraulichkeitspflichten aus dem Berufsrecht untergraben.
• Das Risiko eines Privilege-Waiver-Arguments der Gegenseite schaffen.
• Gegen eine protective order oder die Mandatsvereinbarung verstoßen.

Deshalb ist das Deployment-Modell keine IT-Fußnote. Es ist eine juristische Entscheidung.

Closed Deployments: der ummauerte Garten

Ein closed deployment bedeutet, dass das KI-Modell in einer Umgebung läuft, die Ihre Kanzlei kontrolliert, in der Mandantendaten eine definierte Grenze nie verlassen und nie zum Training eines fremden Modells verwendet werden.

Vergleichen Sie die beiden Extreme:

Public API. Sie senden Text über das Internet an die Server eines Anbieters. Schnell eingerichtet. Aber Sie vertrauen dessen Datenverarbeitungsbedingungen, und die Daten verlassen Ihre Mauern.

Closed Deployment. Das Modell wird in einem privaten Cloud-Tenant oder auf On-Premises-Hardware gehostet, die Ihrer Kanzlei oder Ihrem Mandat vorbehalten ist. Inputs und Outputs bleiben drinnen. Keine Daten werden zum Training aufbewahrt. Zugriffe werden protokolliert.

Die meisten ernstzunehmenden eDiscovery-Plattformen bieten inzwischen geschlossene Konfigurationen an, genau weil Kanzleien keine Tools nutzen können, die Mandantendaten nach außen geben.

Was „closed" im Vertrag bedeuten sollte

Akzeptieren Sie keine Marketingsprache. Bei der Bewertung eines Deployments bestehen Sie darauf, dass der Anbieter Folgendes schriftlich beantwortet:

• Data residency. Wo genau werden die Daten physisch gespeichert und verarbeitet?
• Training use. Werden Mandantendaten zum Training oder fine-tuningfine-tuningFine-Tuning passt ein vortrainiertes Modell an eine bestimmte Aufgabe oder Domäne an, indem das Training auf einem kleineren, gezielten Datensatz fortgesetzt wird. Das verbessert Genauigkeit und Stil für den jeweiligen Anwendungsfall.Vollständige Definition ansehen → gemeinsam genutzter Modelle verwendet? Die Antwort muss nein lauten.
• Aufbewahrung und Löschung. Wie lange werden Daten aufbewahrt, und können Sie die Löschung bei Mandatsende zertifizieren?
• Tenant Isolation. Sind Ihre Daten logisch oder physisch von anderen Mandanten getrennt?
• Access Logging. Wer hat worauf zugegriffen, und können Sie einen Audit Trail vorlegen?

Das bildet direkt Ihre berufsrechtliche Verschwiegenheitspflicht und jede protective order im Verfahren ab.

🎬 [VIDEO: "How Predictive Coding Works in E-Discovery" — youtube.com — eine klare Erläuterung von TAR-Workflows und Defensibility für nicht-technische Juristen]

Ein konkretes Szenario

Stellen Sie sich ein Kartellverfahren mit 2 Millionen Dokumenten vor. So greifen die Teile ineinander.

Woche 1. Die Daten werden in eine geschlossene Review-Plattform eingespielt, die in einem privaten Cloud-Tenant gehostet wird. Nichts geht an eine Public APIAPIApplication Programming Interface: eine standardisierte Schnittstelle, über die Anwendungen kommunizieren und Daten austauschen, ohne die interne Funktionsweise der jeweils anderen zu kennen.Vollständige Definition ansehen →. Deduplizierung und E-Mail-Threading reduzieren das Volumen um etwa ein Drittel (eine typische Größenordnung, keine Garantie).

Woche 2. Eine Senior Associate taggt ein seed set. Continuous active learning beginnt, Dokumente auf Responsiveness zu bewerten.

Wochen 3 bis 6. Reviewer arbeiten die gerankte Queue ab und taggen Responsiveness und Privilege. Das Modell trainiert nachts neu. Ein separater Classifier markiert wahrscheinlich privilegierte Dokumente (zum Beispiel alles, was den General Counsel oder Domains externer Anwälte erwähnt) für eine genauere menschliche Prüfung.

Woche 7. Quality Control. Das Team zieht Stichproben aus dem „nicht responsive"-Stapel, um zu schätzen, wie viele responsive Dokumente übersehen wurden. Diese Recall-Schätzung (der Anteil der tatsächlich responsiven Dokumente, den das Verfahren erfasst hat) ist das, worauf Sie sich berufen, wenn Sie angegriffen werden.

Woche 8. Produktion, mit einem privilege log für zurückgehaltene Dokumente und einer Clawback-Vereinbarung nach Federal Rule of Evidence 502(d), die es Parteien erlaubt zu vereinbaren, dass eine versehentliche Offenlegung privilegierten Materials das Privilege nicht verwirkt.

Die KI sieht nie einen öffentlichen Server. Das Verfahren ist in jedem Schritt dokumentiert. Das ist Defensibility.

Eine Anmerkung dazu, wie Privilege Scoring schiefgehen kann

Modelle lernen Muster, kein Recht. Ein Privilege-Classifier, der überwiegend auf E-Mails an Kanzlei-Domains trainiert wurde, kann eine privilegierte Konversation übersehen, an der zufällig ein Nicht-Jurist beteiligt ist, der Rechtsrat weitergibt. Deshalb markiert das Modell für die menschliche Prüfung, statt zu entscheiden. Die Privilege-Entscheidung trifft der Anwalt. Immer.

Hier eine vereinfachte Skizze einer Privilege-Triage-Regel, die auf einen Modell-Score aufsetzt:

def route_document(doc, model_score, privilege_terms):
    # model_score: 0 bis 1 Wahrscheinlichkeit für Privilege
    high_risk = model_score > 0.5
    mentions_counsel = any(t in doc.text.lower() for t in privilege_terms)

    if high_risk or mentions_counsel:
        return "PRIVILEGE_REVIEW_QUEUE"  # Mensch entscheidet
    return "STANDARD_REVIEW_QUEUE"

Es geht nicht um den Code. Es geht darum, dass Automatisierung den Stapel verkleinert; die juristische Bewertung treffen Menschen.

Generative KI kommt ins Spiel

Klassisches TAR nutzt Klassifikation. Neuere Tools ergänzen generative KI (große Sprachmodelle, die Text erzeugen) für Aufgaben wie das Zusammenfassen von Dokumenten, das Entwerfen von privilege-log-Einträgen oder das Beantworten von Fragen über einen Dokumentenbestand hinweg.

Das erhöht den Einsatz beim closed deployment weiter, denn generative Modelle können per prompt dazu gebracht werden, sensiblen Text preiszugeben oder zu rekonstruieren. Die Zusammenfassung eines privilegierten Memos ist weiterhin privileged.

Zwei praktische Warnungen:

Halluzination. Generative Modelle können selbstbewusste, falsche Zusammenfassungen produzieren. Lassen Sie nie einen automatisch erzeugten privilege-log-Eintrag ungeprüft hinausgehen.

Aufbewahrung von Prompts und Outputs. Prompts enthalten oft genau das Dokument, das Sie schützen. Vergewissern Sie sich, dass Prompts und Outputs innerhalb der geschlossenen Grenze behandelt werden, genau wie die Ausgangsdokumente.

Die gute Nachricht: Eine generative Zusammenfassung kann die menschliche Privilege-Prüfung beschleunigen, sodass ein Anwalt 50 Dokumente in der Zeit triagieren kann, die früher für 5 nötig war. Geschwindigkeit und Schutz können koexistieren, aber nur innerhalb der Mauern.

Key Takeaways

• TAR ist defensibel, nicht perfekt. Gerichte verlangen ein angemessenes, dokumentiertes Verfahren, investieren Sie also in seed sets, Methodik-Notizen und Recall-Sampling, das Sie im Streitfall verteidigen können.
• Bei Privilege konzentriert sich das KI-Risiko. Das Modell muss Ihre sensibelsten Dokumente lesen, deshalb ist der Deployment-Ort eine juristische Entscheidung, keine IT-Entscheidung.
• Fordern Sie ein echtes closed deployment. Holen Sie schriftliche Antworten zu data residencydata residencyDie Anforderung, Daten physisch in einem bestimmten Land oder einer Region zu speichern und zu verarbeiten, oft aus rechtlichen oder vertraglichen Gründen.Vollständige Definition ansehen →, Trainingsnutzung, Aufbewahrung, tenant isolation und Audit Logging ein, bevor Mandantendaten bewegt werden.
• Automatisierung verkleinert, Menschen entscheiden. Nutzen Sie Modelle zum Ranken und Markieren, aber lassen Sie jede Privilege-Entscheidung bei einem Anwalt, und geben Sie nie eine ungeprüfte generative Zusammenfassung heraus.
• Sichern Sie sich einen 502(d)-Clawback. Auch ein starkes Verfahren kann ein privilegiertes Dokument übersehen, sichern Sie sich also eine Vereinbarung, dass eine versehentliche Offenlegung das Privilege nicht verwirkt.