Von Datenbergen zu Informationsgräben 

Der Herbst steht vor der Tür, und die wilde und verrückte Achterbahnfahrt, die das Jahr 2026 bisher war, bleibt weiterhin kurvenreich und voller Nervenkitzel. Die Gesellschaft ringt nach wie vor mit dem Zeitalter der KI und der Frage, was dies für die Zukunft der Arbeit, der Gesellschaft und unseres Planeten bedeutet. In einigen Branchen findet bereits eine Verdrängung von Menschen statt, auch wenn noch unklar ist, wer die neuen „Laternenanzünder“ sein werden. Die Regulierung in Bezug auf Eigentumsrechte, Datenschutz und die Richtigkeit von Informationen in den Vereinigten Staaten gleicht nach wie vor einem Flickenteppich, während die Verbreitung und Nutzung von Daten weiter zunimmt. Die meisten von uns haben Mühe, Schritt zu halten.

In der LegalTech-Branche ist es nicht anders. Der anfängliche Hype um KI im Rechtsbereich hat sich gelegt. Es geht nicht mehr nur um Effizienzsteigerungen, die Akzeptanz bei den Anwendern oder darum, wie schnell ein Tool eine Antwort liefern kann. Zunehmend geht es um die Qualität der Ergebnisse und die Rentabilität für den Kunden.

Dieser Wandel ist längst überfällig. Es ist zudem unklar, ob die Branche bereit ist, diese Fragen zu beantworten, da sich das Problem der mangelnden Information Governance erneut bemerkbar macht .

Jeder Technologieanbieter steht in Bezug auf die Einführung und die Messgrößen vor denselben zwei Dilemmata. Erstens ist der aktuelle Zustand der Kundendaten oft unstrukturiert, unbekannt, veraltet, ungenau oder gar nicht vorhanden. Das bedeutet, dass die Technologie auf einer äußerst fragwürdigen Grundlage implementiert wird. Zweitens kommt es selten vor, dass ein Kunde seinen aktuellen Zustand beschreiben oder einschätzen kann. Meistens herrscht am Anfang schlichtweg Chaos. Es gibt keine verlässliche Ausgangsbasis, anhand derer gemessen werden könnte, was sich durch die Automatisierung verändert hat, was sie verbessert oder was sie verschlechtert hat.

Und ohne einen messbaren Ausgangspunkt lässt sich die Kapitalrendite nicht ermitteln. Also, ja: Es sind wirklich die Daten, auf die es ankommt.

Die Flitterwochen waren kurz – und nun sind sie vorbei

Die meisten Unternehmen machten dieselbe Erfahrung, als sie zum ersten Mal ein KI-Tool einführten. Die ersten Ergebnisse waren vielversprechend. Das System war schnell. Die Ergebnisse sahen professionell aus. Eine Aufgabe, für die man früher einen ganzen Nachmittag gebraucht hatte, schien nun nur noch wenige Minuten zu dauern. Alle begannen sich vorzustellen, was das Tool sonst noch alles leisten könnte.

Das war fast das gesamte Jahr 2025 und ein Großteil des Jahres 2026.

Schließlich setzte die Realität ein. Man konnte der Antwort nicht vertrauen, ohne das Quellmaterial zu überprüfen. Die zugrunde liegenden Datensätze waren unvollständig oder veraltet. Die Eingabeaufforderungen wurden länger, da die Nutzer versuchten, fehlenden Kontext auszugleichen, was mehr Tokens verbrauchte und die Kosten erhöhte. Immer mehr Menschen nutzten das System, wodurch sich die Leistung verlangsamte, was das Argument der Effizienz untergrub.

Dann gab es noch das Problem mit den Ergebnissen. Unüberprüfte Zusammenfassungen, Analysen und Entwürfe wurden irgendwo gespeichert: in einer Wissensdatenbank, einer Aktenablage, einem Vertragsarchiv oder auf einem gemeinsamen Laufwerk. Dieses Material floss dann wieder in den Datenpool zurück, der dadurch mit Inhalten verunreinigt wurde, die plausibel, nützlich oder völlig falsch sein konnten. Es war nicht immer klar, um welche Art von Inhalten es sich handelte.

Das ist der Teufelskreis: Schlechte Daten führen zu irrelevanten Ergebnissen; die irrelevanten Ergebnisse werden zu einem weiteren Datenspeicher; die zusätzlichen Daten erschweren es, das Wesentliche zu finden; und man erwartet, dass das nächste Tool das Problem löst.

Die KI hat das Problem der Datenqualität zwar nicht verursacht, verstärkt es jedoch und trägt in rasantem Tempo zu seiner Verschärfung bei.

In den letzten Jahren drehte sich ein Großteil der Diskussion rund um KI im Rechtsbereich um die Einführung, die Anzahl der Nutzerlizenzen und die Zeitersparnis. Nun verlagert sich der Fokus zunehmend auf Interoperabilität, Wissen, Arbeitsabläufe und die Kapitalrendite. Der Markt bewegt sich allmählich weg vom „Effizienz-Theater“ hin zur Frage, ob ein Produkt tatsächlich genutzt werden kann, ob es vertrauenswürdig ist und ob es zu konkreten Geschäftsergebnissen führt.

Harvey beispielsweise bezeichnet sich mittlerweile als „von Grund auf multimodellorientiert“ und vertritt die Ansicht, dass Kunden in der Lage sein sollten, Aufträge auf verschiedene innovative Modelle zu verteilen, anstatt sich auf einen einzigen Anbieter zu verlassen. Das Unternehmen hat zudem die Anbindung an Dokumenten- und Vertragsmanagementsysteme hervorgehoben, während sein ROI-Rahmenkonzept deutlich macht, dass Zeitersparnis nur dann von Bedeutung ist, wenn sie zu besserem Kundenservice, höheren Margen oder sinnvollerer Arbeit führt.

Für diejenigen unter uns, die schon seit einiger Zeit als Anwälte tätig sind, mag dieser Wandel offensichtlich sein – und, offen gesagt, längst überfällig. Sobald jede Kanzlei und jede Rechtsabteilung Zugang zu leistungsfähigen Modellen hat, wird das Modell selbst auf Dauer keinen nennenswerten Wettbewerbsvorteil mehr bieten. Der Unterschied wird sich aus der Qualität der Informationen der Organisation, den darauf aufbauenden Prozessen und der Beurteilung der Ergebnisse ergeben. Das institutionelle Wissen, das hinter komplexer juristischer Arbeit steht, ist im Internet nicht zu finden. Es steckt in den Menschen, in Präzedenzfällen, in Risikotoleranzen, in früheren Entscheidungen und in der Art und Weise, wie eine Organisation tatsächlich funktioniert.

Langsam aber sicher verlagert LegalTech seinen Fokus auf die Datenebene: den Besitz oder die Kontrolle der Quelle, die Schaffung eines verteidigungsfähigen Informationsgraben und die Bereitstellung von Agenten, die Anpassung, Konsistenz und Token-Eindämmung unterstützen. Für Anbieter, die ursprünglich als „Wrapper“ um Frontiermodelle herum entstanden sind, setzt sich allmählich die Erkenntnis durch, dass sich Technologie nur schwer monetarisieren lässt, wenn die zugrunde liegende Fähigkeit zur Massenware wird. Die Differenzierung muss sich aus der Qualität der Daten, dem sie umgebenden Kontext und der Art und Weise ergeben, wie sich die Technologie in die Arbeitsabläufe einfügt.

Seit Beginn des digitalen Zeitalters haben Unternehmen enorme Datenmengen gesammelt und die Anhäufung dieser Daten an sich als Quelle unternehmerischen Werts betrachtet. Sie haben diese Datenbestände aufbewahrt, weil vielleicht irgendwann einmal jemand darauf zugreifen möchte. Dann kam das Zeitalter der KI, und die Datenbestände erschienen plötzlich als strategisch nützlich. Algorithmen werden anhand von Daten trainiert, also müssen mehr Daten besser sein. Oder?

Nicht unbedingt. Ein Großteil dieser Daten ist veraltet, beschädigt oder nicht zugänglich, da das Unternehmen nicht über die entsprechenden Nutzungsrechte verfügt. Sie sind verstreut, unstrukturiert und schwer auszuwerten. Algorithmen lassen sich zwar anhand von Daten trainieren – und zwar mit großen Datenmengen –, doch Unternehmen leben von Informationen. Schlechte Daten führen zu schlechten Informationen.

Es gibt eine Szene in der AMC-Serie „The Audacity“, die die wirtschaftlichen Zusammenhänge des Datengeschäfts auf den Punkt bringt und mit beunruhigender Präzision erklärt, warum Daten gehortet werden. Der CEO eines fiktiven Data-Mining-Unternehmens konfrontiert die Führungskräfte eines Herstellers selbstfahrender Autos mit der Frage nach den personenbezogenen Daten, die deren Fahrzeuge erfassen. Die Fahrer haben zwar technisch gesehen ihre Einwilligung erteilt, doch diese ist in einem 97-seitigen Dokument versteckt, das in 7-Punkt-Schrift gedruckt ist. Ohne diese Einwilligung funktioniert das Auto nicht ordnungsgemäß.

Einer der Führungskräfte antwortet:

„Die Wahrheit ist: Wir verkaufen keine Autos. Wir verkaufen Datenerfassungsgeräte auf Rädern mit Sitzheizung. Autos sind teuer. Bei Daten sind die Gewinnspannen so groß, dass man mit dem Auto hindurchfahren könnte.“

Es ist ironisch, weil es der Realität so nahe kommt, dass es uns Unbehagen bereitet. Daten entstehen als Nebenprodukt des Wirtschaftslebens und des Alltags. Wir erzeugen sie, wenn wir Auto fahren, einkaufen, reisen, einen Vertrag unterzeichnen, an einer Besprechung teilnehmen oder auf einen Link klicken. In vielen Fällen müssen wir diese Daten preisgeben, um an der digitalen Wirtschaft teilhaben zu können.

Bei diesem Datenaustausch stellen sich wichtige Fragen hinsichtlich Datenschutz, Sicherheit und einer sinnvollen Einwilligung. Wir haben bereits mit einigen der heimtückischeren Verwendungszwecke personenbezogener Daten zu kämpfen. Das verdient eine eigene Diskussion. Im Moment interessiert mich, was das Unternehmen, das die Daten erhält, tatsächlich besitzt: in der Regel eine sehr große Menge an Rohdaten. Rohdaten werden erst dann wertvoll, wenn jemand die Arbeit leistet, sie zu validieren, zu organisieren, mit anderen Fakten zu verknüpfen und nutzbar zu machen. Das ist der Unterschied zwischen Daten und Informationen.

Informationen sind Daten mit Kontext, Struktur, Herkunft, Pflege und Bedeutung. Es sind das Wissen, die Analysen, die Statistiken, die Kreativität und das Know-how, die es einer Organisation ermöglichen, zu funktionieren und im Wettbewerb zu bestehen. Die Reproduktion von Daten mag zwar fast keine Grenzkosten verursachen, doch vertrauenswürdige Informationen sind nicht umsonst. Sie erfordern Investitionen.

Das gleiche Datenproblem erstreckt sich auch auf den anderen Rechenschaftsmaßstab, den LegalTech nun liefern soll: die Kapitalrendite.

Noch immer befürworten zu viele Anbieter groß angelegte Einführungen, ohne den Kunden dabei zu helfen, eine Ausgangsbasis zu schaffen. Wenn Sie nicht beschreiben können, wie lange die Arbeit derzeit dauert, was sie kostet, welches Arbeitsvolumen damit verbunden ist, wo es zu Engpässen kommt und wie viel Nacharbeit dadurch entsteht, werden Sie Schwierigkeiten haben, nachzuweisen, dass das neue Tool tatsächlich eine Verbesserung gebracht hat.

Die Nutzung ist ein Hinweis darauf, dass sich Nutzer angemeldet haben. Sie ist jedoch kein Beweis für Produktivität. Produktivität ist das, was die Nutzer tatsächlich leisten können. Der ROI wirft eine schwierigere Frage auf: Was hat das Unternehmen im Vergleich zur aktuellen Situation gewonnen, was hat es eingespart und was hat es vermieden?

Das bedeutet, dass man vor der Implementierung die Ausgangslage kennen muss. Wie viel würde die Abteilung andernfalls ausgeben? Wie lange würde die Aufgabe dauern? Wie oft müssten die Ergebnisse korrigiert werden? Welche Entscheidungen würden sich verzögern? Welche Risiken würden unerkannt bleiben? Ohne diese Antworten können sowohl Anbieter als auch Kunden nur raten.

Bei der Basisberechnung müssen zudem die gesamten Betriebskosten berücksichtigt werden: Implementierung, Integrationen, Datenmigration und -normalisierung, Datenschutz- und Sicherheitsprüfungen, Schulungen, Änderungsmanagement, Token- und Nutzungsgebühren, Modellbewertung, manuelle Validierung, Wartung und Governance. Ein Produkt, das zwar die Entwurfszeit verkürzt, aber eine neue Prüfungswarteschlange verursacht, mag in einem einzelnen Schritt schneller sein, insgesamt jedoch teurer ausfallen.

Ein wirklich beratungsorientierter Anbieter sollte im Vorfeld ausreichend Zeit investieren, um zu verstehen, wie der Kunde arbeitet, über welche Informationen er verfügt, in welchem Zustand sich diese Informationen befinden und wie Erfolg aussehen würde. Eine nutzungsorientierte Entwicklung beginnt genau dort. Das bedeutet, für das Unternehmen zu konzipieren und nicht nur eine überzeugende Funktion zu demonstrieren.

Betrachten Sie dies aus der Perspektive einer Rechtsabteilung und der Art und Weise, wie diese das Unternehmen schützt. Ein Vertrag, der in einem gemeinsamen Laufwerk vergraben ist, ist Daten. Eine zuverlässige Aufzeichnung seiner Verpflichtungen, Verantwortlichen, Fristen und wirtschaftlichen Konsequenzen ist Information. Eine Sammlung von Vorstandsprotokollen ist Daten. Eine nachvollziehbare Historie von Entscheidungen, übertragenen Befugnissen und noch offenen Maßnahmen ist Information. Eine lange E-Mail-Kette ist Daten. Eine aktuelle, verifizierte Darstellung der getroffenen Entscheidung, der Gründe dafür und der für die Umsetzung verantwortlichen Person ist Information.

Der Unterschied ergibt sich aus dem Kontext, der Struktur, der Pflege und der Beurteilung. Er ergibt sich auch aus der Disziplin, zu entscheiden, welche Informationen von Bedeutung sind. Die Schaffung von Wissen erfordert menschliches Eingreifen. Andernfalls erstellen wir lediglich Neuformulierungen derselben Daten.

Aus diesem Grund sind Rechtsabteilungen nicht einfach nur ein weiterer Abnehmer von KI-Produktivitätswerkzeugen. Ihre eigentliche Aufgabe besteht darin, Fakten, Regeln und Umstände in Informationen umzuwandeln, die Entscheidungsträger nutzen können. Die Aufgabe besteht darin, relevante Informationen rechtzeitig dem richtigen Entscheidungsträger zur Verfügung zu stellen. Wir verfügen über ein zentrales Werkzeug in unserem Metier: das Urteilsvermögen. Mandanten vertrauen darauf, dass Anwälte Sachverhalte bewerten, den Kontext verstehen und eine Empfehlung aussprechen, wenn die Antwort unklar ist. Ein Modell mag uns helfen, diesen Punkt schneller zu erreichen, doch die Verantwortung für das Urteil liegt weiterhin bei uns. Das Alleinstellungsmerkmal unseres Berufsstandes ist nicht der Zugang zu einem bestimmten Modell. Es ist die Qualität des Urteilsvermögens und das Vertrauen, das Mandanten darin setzen. Das ist auch das Alleinstellungsmerkmal von LegalTech – Mandanten werden Technologien lizenzieren und Dienstleistungen von Anbietern beziehen, denen sie vertrauen können, denn sie setzen jedes Mal ihre Integrität aufs Spiel, wenn sie sich auf die Ergebnisse eines Tools verlassen.

Die LegalTech-Branche wird nun endlich dazu gedrängt, diese Fragen ernst zu nehmen. Das ist eine gute Sache. Der Wert der KI liegt nicht einfach darin, dass sie die Arbeit beschleunigen kann. Ihr Wert besteht darin, dass sie Menschen dabei helfen kann, mehr Informationen zu analysieren, das Wesentliche herauszufiltern und Daten in etwas umzuwandeln, das ein Unternehmen nutzen kann.

Mehr generierte Inhalte bedeuten nicht automatisch mehr Wissen. Mehr Daten bedeuten nicht, dass die Organisation mehr weiß. Und eine schnellere Antwort ist nicht unbedingt eine bessere Antwort.