Kanzleien · E-discovery, Knowledge Management und Lateral Analytics im großen Maßstab

Ein einziges Streitverfahren kann eine Million Dokumente auf Ihrem Schreibtisch abladen. E-Mails, Verträge, Spreadsheets, Slack-Exporte, gescannte PDFs. Alles von Hand zu prüfen, sagen wir mit 50 Dokumenten pro Stunde, würde einen Anwalt rund 20.000 Stunden kosten. Das sind zehn Jahre Vollzeitarbeit für einen Fall.

Deshalb sind Daten-Tools in Anwaltskanzleien nicht mehr optional. Derselbe Korpus, der für eine Production geprüft werden muss, lässt sich auch auswerten, um eine Präzedenzdatenbank aufzubauen und das Book of Business eines Lateral Partners zu bewerten. Gleiche Daten, drei sehr unterschiedliche Aufgaben. Diese Lektion geht alle drei durch.

Drei Aufgaben, ein Korpus

Stellen Sie sich den Dokumentenbestand aus einem großen Wirtschaftsstreit vor. Das macht eine Kanzlei damit:

1. E-discovery: Die relevanten, nicht privilegierten Dokumente finden, die Sie herausgeben müssen. Defensiv und fristgetrieben.
2. Knowledge Management (KM): Wiederverwendbares Work Product extrahieren (Klauseltexte, Schriftsätze, Gutachten), damit die Kanzlei es nicht beim nächsten Mal neu erfindet.
3. Lateral Analytics: Mandanten- und Mandatsdaten nutzen, um zu beurteilen, ob ein Partner, der von einer anderen Kanzlei kommt, echten, übertragbaren Umsatz mitbringt.

Für jede Aufgabe gelten andere Regeln, wer was sehen darf. Diese Einschränkung, nicht die Technologie, ist meist der schwierige Teil.

Aufgabe 1: Dokumentenprüfung im großen MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ßstab mit TAR

E-discovery ist der Prozess, elektronisch gespeicherte Informationen (ESI) zu identifizieren, die für ein Mandat relevant sind. In US-Streitverfahren müssen die Parteien Dokumente herausgeben, die den Anfragen der Gegenseite entsprechen, abzüglich alles Privilegierten (geschützte Anwalt-Mandant-Kommunikation und Work Product).

TAR (Technology Assisted Review), manchmal auch Predictive Coding genannt, nutzt Machine Learning, um Dokumente zu priorisieren oder zu klassifizieren, damit Menschen nicht alle lesen müssen. US-Gerichte akzeptieren das seit der Entscheidung *Da Silva Moore v. Publicis Groupe* von 2012.

Der Workflow in einfachen Worten:

• Ein Senior Attorney prüft ein Seed Set (eine Stichprobe von Dokumenten) und codiert jedes als relevant oder nicht.
• Das Modell lernt aus diesen Entscheidungen.
• Es bewertet jedes verbleibende Dokument nach der Wahrscheinlichkeit, relevant zu sein.
• Die Reviewer konzentrieren sich auf den Stapel mit hohen Scores und validieren den Stapel mit niedrigen Scores durch statistische Stichproben.

Die zwei Varianten, von denen Sie hören werden:

• TAR 1.0: Das Modell wird einmal auf einem festen Seed Set trainiert und dann angewendet. Einfacher, aber das Seed Set muss repräsentativ sein.
• TAR 2.0 (Continuous Active Learning, kurz CAL): Das Modell trainiert während der Arbeit der Reviewer weiter und bringt ständig die wahrscheinlich relevantesten Dokumente nach oben. Die meisten modernen Plattformen arbeiten so.

Der Nutzen wird mit zwei Metriken aus dem Information Retrieval gemessen:

• Recall: Welchen Anteil aller wirklich relevanten Dokumente haben Sie gefunden? Darauf achten Gerichte am meisten. Relevante Dokumente zu übersehen ist ein rechtliches Risiko.
• Precision: Welcher Anteil der markierten Dokumente war tatsächlich relevant? Das treibt die Kosten. Geringe Precision heißt, Menschen verschwenden Zeit mit Ausschuss.

Eine belastbare Review zielt oft auf einen Recall von etwa 75 bis 80 Prozent, wobei der richtige Wert verhandelt wird und vom Mandat abhängt. Eine verständliche Einführung finden Sie in den Publikationen von The Sedona Conference, die Gerichte häufig zu ESI-Standards zitieren.

🎬 [VIDEO: "What is Technology Assisted Review (TAR)?" — youtube.com — ein kurzer Erklärfilm zu Predictive Coding in der E-discovery]

Warum die Review weiterhin Menschen braucht

TAR entscheidet Privilegienfragen nicht gut. Ein Modell kann markieren, dass ein Dokument einen Anwalt erwähnt, aber die Beurteilung, ob eine Kommunikation tatsächlich privilegiert ist, verlangt juristisches Urteilsvermögen. Kanzleien nutzen TAR, um den Stapel zu verkleinern, und führen dann eine gezielte menschliche Prüfung und Privilege Logging für den Rest durch.

Aufgabe 2: Knowledge Management, Mandate in wiederverwendbare Assets verwandeln

Dieselbe Million Dokumente enthält Gold, das nichts mit diesem Fall zu tun hat. Jeder Schriftsatz, den Ihre Kanzlei je eingereicht hat, jede verhandelte Freistellungsklausel, jeder Fragenkatalog für eine Zeugenbefragung ist ein wiederverwendbares Asset. Knowledge Management ist die Praxis, dieses Work Product zu erfassen und abrufbar zu machen, damit Anwälte nicht bei Null anfangen.

Die moderne Variante setzt auf Retrieval-Augmented Generation (RAG): ein System, das die eigenen Dokumente der Kanzlei durchsucht und die relevanten Passagen an ein Large Language ModelLarge Language ModelEin Large Language Model ist ein KI-System, das auf riesigen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen. Damit sind Aufgaben wie Schreiben, Zusammenfassen und Beantworten von Fragen möglich.Vollständige Definition ansehen → übergibt, das daraus entwirft oder antwortet. Entscheidend ist, dass das Modell aus Ihrem geprüften Korpus antwortet und nicht aus dem offenen Internet, was das Risiko erfundener Zitate senkt (ein reales und sanktioniertes Problem, wenn Anwälte Consumer-Chatbots genutzt haben).

Ein vereinfachter Retrieval-Ablauf sieht so aus:

# Pseudocode: retrieve firm precedents relevant to a drafting task
query = "limitation of liability clause, SaaS, mutual cap"

# 1. Anfrage und Dokumente in Vektoren umwandeln (Embeddings)
q_vec = embed(query)

# 2. Nur Dokumente durchsuchen, für die dieser User freigegeben ist
results = vector_db.search(
    q_vec,
    top_k=5,
    filter={"ethical_wall": {"$not_in": user.blocked_matters}}
)

# 3. Gefundene Klauseln als Grounding-Kontext an das Modell geben
draft = llm.generate(prompt=task, context=results)

Beachten Sie Zeile 2: ethical_wall. Eine Ethical Wall (oder Information Barrier) ist eine verpflichtende interne Beschränkung, die bestimmten Anwälten den Zugriff auf bestimmte Mandate verwehrt, in der Regel zur Vermeidung von Interessenkonflikten. Ihr KM-System muss das auf der Retrieval-Ebene respektieren. Eine Präzedenzdatenbank, die dem falschen Partner die vertraulichen Vergleichsbedingungen eines abgeschirmten Mandanten zeigt, ist ein gravierender Verstoß gegen das Berufsrecht.

Der KM-Nutzen

Konkrete Gewinne aus einer funktionierenden Präzedenzdatenbank:

• Ein Junior Associate findet drei frühere Versionen eines Auftragsverarbeitungszusatzes in Minuten, statt Partner anzuschreiben.
• Pitch-Teams ziehen relevante Mandatsbeschreibungen heran, ohne vertrauliche Mandantenidentitäten offenzulegen.
• Die Kanzlei erkennt vor einer Verhandlung ihre eigenen stärksten Argumente aus vergangenen Fällen.

Die Hürde ist selten technisch. Sie besteht darin, Anwälte dazu zu bringen, Work Product zu taggen und beizutragen, während sie nach Stunden abrechnen und keine Zeit zum Ablegen haben.

Aufgabe 3: Lateral Analytics und PipelinePipelineAlle aktiven Verkaufschancen über die Phasen des Vertriebsprozesses hinweg, zusammen mit ihrem gesamten potenziellen Wert und ihrer Abschlusswahrscheinlichkeit.Vollständige Definition ansehen → Scoring

Anwaltskanzleien wachsen vor allem, indem sie Lateral Partner einstellen (Partner, die von einer anderen Kanzlei wechseln), in der Wette, dass sie ihre Mandanten mitbringen. Diese Wette geht oft nicht auf. Das angegebene Book of Business eines Partners (der Umsatz, der seinen Mandantenbeziehungen zugerechnet wird) ist möglicherweise nicht übertragbar.

Daten helfen, die Wette zu prüfen. Kanzleien analysieren:

• Origination vs. Working Attorney Credit: Hat der Partner die Mandantenbeziehung selbst aufgebaut oder nur an den Mandaten gearbeitet? Nur selbst aufgebaute Beziehungen ziehen tendenziell mit.
• Umsatzkonzentration: Kommen 80 Prozent des Books von einem Mandanten? Das ist fragil.
• Mandantenüberschneidung und Konflikte: Würden die eingehenden Mandanten mit bestehenden kollidieren und die Kanzlei zwingen, Mandate abzulehnen?
• Realization Rate: Der Prozentsatz der abgerechneten Honorare, der tatsächlich eingeht. Ein großes Book mit schlechter Realization ist weniger wert, als es aussieht.

Ein einfacher Pipeline Score 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 →önnte übertragbaren, diversifizierten Umsatz mit hoher Realization höher gewichten und konzentrierten oder nicht selbst aufgebauten Umsatz abschlagen. Der Punkt ist, die selbst berichtete Zahl des Partners durch eine evidenzbasierte Spanne zu ersetzen.

Die Vertraulichkeitsfalle

Hier wird es heikel. Ein Kandidat kann Ihnen im Recruiting nicht die vertraulichen Mandantendaten seiner aktuellen Kanzlei übergeben. Ein großererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → Teil der Analyse beruht auf den Angaben des Partners plus öffentlichen Quellen (Gerichtsregister, Deal-Datenbanken, berichtete Mandate). Die Kanzlei baut eine Schätzung, kein geprüftes Register, und dokumentiert ihre Annahmen.

Die Einschränkung, die alles zusammenhält: mandantenseitig vorgegebenes Reporting

Große Mandanten geben immer häufiger über Outside Counsel Guidelines (OCG) vor, wie mit ihren Daten umzugehen ist: vertragliche Regeln, die ein Mandant seinen Kanzleien auferlegt. Üblich sind:

• Konkrete Fristen für Aufbewahrung und Löschung von Mandatsdokumenten.
• Beschränkungen für die Nutzung der Mandantendaten zum Training von KI-Modellen.
• Reporting zu Mandatsbudgets, Staffing und Diversity in einem vorgegebenen Format.
• Trennung der Daten des Mandanten von anderen Mandanten.

Das verändert jede der obigen Aufgaben. Ihre TAR-Plattform muss den Korpus eines Mandanten fristgerecht löschen können. Ihr KM-System muss Mandanten ausschließen, die die Wiederverwendung ihrer Dokumente untersagen, auch anonymisiert. Ihre Lateral Analytics dürfen nicht unbemerkt die vertrauliche Preisgestaltung eines Mandanten einlesen.

Gute Praxis ist, OCG-Regeln als maschinenlesbare Policies zu kodieren (Retention-Flags, No-Train-Flags, Reuse-Permitted-Flags), die an jedes Mandat gehängt werden, damit die Vorgaben automatisch durchgesetzt werden und nicht von einem überarbeiteten Associate erinnert werden müssen.

Zusammengeführt

Der strategische Insight: Die Grenzkosten einer zweiten Nutzung juristischer Daten sind niedrig, aber das zusätzliche rechtliche und berufsrechtliche Risiko kann hoch sein. Eine Kanzlei, die ihren Korpus aggressiv auswertet, ohne Policy-Kontrollen, wird irgendwann eine Vertraulichkeitspflicht verletzen. Eine Kanzlei, die alles abschließt, realisiert keinen der Vorteile aus KM oder Analytics. Die Gewinner bauen die Infrastruktur (Zugriffskontrollen, Retention Policies, Ethical Walls) einmal und nutzen Daten dann vielfach sicher wieder.

Key Takeaways

• Ein Korpus, drei Aufgaben: Dieselben Dokumente treiben E-discovery, Knowledge Management und Lateral Analytics, aber für jede Aufgabe gelten andere Zugriffsregeln.
• TAR verkleinert die Review, geurteilt wird weiter von Menschen: Erfolg messen Sie mit Recall (relevante Dokumente finden) und Precision (vergeudete Review vermeiden), und Privilegienentscheidungen bleiben bei Anwälten.
• Der KM-Wert hängt von durchgesetzten Zugriffskontrollen ab: RAGRAGVerfahren, mit dem ein KI-Modell aus Ihren eigenen Dokumenten antwortet, indem es relevante Passagen abruft, bevor es eine Antwort erzeugt.Vollständige Definition ansehen → auf eigenen Präzedenzfällen funktioniert nur, wenn Ethical Walls und Wiederverwendungsrechte zum Zeitpunkt des Retrieval durchgesetzt werden.
• Lateral Scoring ist eine Schätzung, kein Register: Gewichten Sie übertragbaren, diversifizierten Umsatz mit hoher Realization, und lesen Sie niemals die vertraulichen Mandantendaten eines Kandidaten ein.
• Mandantenregeln als Policy kodieren, nicht als Erinnerung: Outside Counsel Guidelines zu Retention, No-Train und Datentrennung sollten in jedem Workflow maschinell durchgesetzt werden.