Künstliche Intelligenz auf dem Vormarsch

Künstliche Intelligenz wird den Anwaltsberuf nachhaltig verändern. Je mehr langwierige und fehleranfällige Routine-Aufgaben maschinell erledigt werden, desto mehr Zeit bleibt dem Menschen, um sich auf komplexe, anspruchsvolle Fragestellungen zu konzentrieren. Die ersten Schritte auf diesem Weg sind bereits getan.

Kein Unternehmenskauf ohne Due Diligence. In mühevoller Detailarbeit durchforstet ein Team von Anwälten die Verträge des Übernahmekandidaten, um sicherzugehen, dass der Käufer kein unnötiges Risiko eingeht.

Enthalten die Verträge zum Beispiel sogenannte Change-of-Control-Klauseln, so darf der Vertragspartner bei einem Eigentümerwechsel den Vertrag typischerweise kündigen. Fallen aus diesem Grund wichtige Kundenbeziehungen weg, so ist das gekaufte Unternehmen quasi über Nacht deutlich weniger wert und der Kaufpreis unvernünftig hoch.

Gewissenhafte Computer

Was früher ganze Teams von Anwälten viel Zeit kostete, das leistet heute ein Computer in kurzer Zeit. Der Computer ist nicht nur schneller als der Mensch; er ist auch gewissenhafter, denn ein Mensch ermüdet bei der Prüfung großer Dokumentenmengen und riskiert Fehler. Voraussetzung ist allerdings, dass der Computer weiß, wonach er suchen muss. Hier kommt die Künstliche Intelligenz ins Spiel. Das Stichwort lautet „selbstlernender Algorithmus“.

Die erwähnte Change-of-Control-Klausel ist ein gutes Beispiel. Die Klausel kann je nach Vertrag unterschiedliche Namen oder Stichwörter aufweisen, etwa Eigentumsübergang, Neue Leitung oder Kontrollübergang. Viele andere Formulierungen sind denkbar. Um sauber zu arbeiten, muss das Computerprogramm also auch Formulierungen identifizieren können, an die bei seiner Programmierung niemand dachte.

Selbstlernende Programme erreichen das, in dem sie Texte auf mehreren Ebenen analysieren. Auf der ersten Stufe sucht das Programm schlicht nach Stichworten. Diese Suche erbringt typischerweise eine große Menge an Treffern. Auf der zweiten Stufe sucht das Programm nach wiederkehrenden Strukturen. In dieser sogenannten syntaktischen Analyse wird untersucht, in welcher Reihenfolge die Begriffe aufeinander folgen, ob sie nah beieinander oder weiter voneinander entfernt stehen und welche Begriffe oder grammatikalischen Strukturen zwischen ihnen vermitteln. Viele Treffer der ersten Stufe werden hier wieder aussortiert. Auf der dritten Stufe, der semantischen Analyse, wird die Bedeutung der verwendeten Begriffe mit einbezogen. Wörter mit mehreren möglichen Bedeutungen werden klar definiert.

Nach diesem Muster kann das Programm auch Begriffe analysieren, die der Programmierer nicht vorgegeben hat. Heißt eine Klausel zum Beispiel „feindliche Übernahme“, kommen in ihr aber vergleichbare Begriffe mit vergleichbaren Strukturen und semantischen Bedeutungen vor wie in anderen Change-of-Control-Klauseln, die das Programm bereits analysiert hat, so wird es die „Feindliche-Übernahme-Klausel“ ebenfalls markieren. Im letzten Schritt kann dann ein Mensch überprüfen, ob die Klausel einschlägig ist oder nicht.

Die Datenmenge ist für den Erfolg entscheidend

Neben dem selbstlernenden Programm ist noch ein weiteres Element nötig, damit das System erfolgreich arbeiten kann: Eine ausreichend große Datenmenge, an der das Programm seine Analysefähigkeiten entwickeln kann. In Frage kommen etwa alle Verträge eines Unternehmens oder seine gesamte Buchhaltung oder aber auch alle Bescheide einer Behörde.

Über das Eingangsbeispiel der Due Diligence hinaus bietet das System Vorteile überall dort, wo es darum geht, Einzelheiten aus großen Mengen von Daten herauszufiltern. Das können Unregelmäßigkeiten in der Buchhaltung, mögliche Compliance-Verstöße oder die Details eines typischen Vergleichs in gleichgelagerten Gerichtsverfahren sein. Voraussetzung ist lediglich, dass alle Vorgänge elektronisch erfasst und damit für die Analyse verfügbar sind.

Die nötigen Datenmengen aufzubauen ist in manchen Fällen eine Herausforderung. Hier werden sich Pool-Lösungen etablieren, die etwa Daten verschiedener Unternehmen oder Behörden aggregieren und so der Software das nötige Basismaterial zur Verfügung stellen. Der einzelne Teilnehmer profitiert dabei sowohl durch Nutzung der nach und nach sich selbst verbessernden Software als auch durch die Analyse seines Datenbestands.