Machine Learning verstehen

Machine Learning, auf Deutsch maschinelles Lernen, ist ein Teilbereich der künstlichen Intelligenz. Ein Modell wird mit Beispieldaten trainiert, erkennt darin Muster und wendet diese Muster auf neue Daten an. So kann es Texte klassifizieren, Werte vorhersagen oder relevante Informationen aus Dokumenten extrahieren.

Bei einer klassischen Software legen Menschen jede Regel ausdrücklich fest. Bei Machine Learning wird ein Teil dieser Regeln aus Daten abgeleitet. Das Modell entscheidet jedoch nicht automatisch, was rechtlich richtig oder geschäftlich sinnvoll ist. Es berechnet eine Wahrscheinlichkeit oder erstellt eine Empfehlung, die im jeweiligen Prozess geprüft werden muss.

Ein Unternehmen möchte Verträge nach Vertragsart sortieren. Das Modell erhält viele bereits klassifizierte Dokumente. Es lernt typische Merkmale eines NDA, eines Liefervertrags oder eines Arbeitsvertrags. Bei einem neuen Dokument ordnet es die wahrscheinlichste Kategorie zu.

Das Ergebnis hängt von der Qualität der Trainingsdaten ab. Sind die Beispiele lückenhaft oder falsch beschriftet, übernimmt das Modell diese Schwächen.

Ein Machine-Learning-Projekt folgt meist einem wiederkehrenden Ablauf:

1. Ziel festlegen: Das Unternehmen bestimmt, welche Vorhersage, Klassifikation oder Extraktion gebraucht wird.
2. Daten vorbereiten: Relevante Daten werden gesammelt, bereinigt und, falls nötig, mit Labels versehen.
3. Modell trainieren: Das Modell verarbeitet Beispiele und passt seine Parameter an.
4. Ergebnis testen: Separate Testdaten zeigen, wie gut das Modell mit unbekannten Fällen umgeht.
5. Einsatz überwachen: Menschen prüfen die Ergebnisse und beobachten Fehlerraten, Verzerrungen und Veränderungen in den Daten.

Ein Modell kann im Test sehr gut abschneiden und im Alltag trotzdem schwache Ergebnisse liefern. Der Grund liegt oft in veränderten Dokumenttypen, neuen Formulierungen oder fehlenden Beispielen. Deshalb gehört die laufende Kontrolle zum Betrieb eines Machine-Learning-Systems.

Die wichtigsten Begriffe

BEGRIFF	BEDEUTUNG
Trainingsdaten	Beispiele, aus denen das Modell Muster ableitet
Testdaten	Neue Beispiele zur Prüfung der Modellleistung
Label	Bekannte Kategorie oder Zielwert eines Beispiels
Modell	Mathematische Struktur, die Muster verarbeitet
Inferenz	Anwendung des trainierten Modells auf neue Daten
Fehlerrate	Anteil der Ergebnisse, die von der erwarteten Antwort abweichen

Die Lernart richtet sich nach den Daten und dem Ziel des Projekts.

LERNART	SO FUNKTIONIERT SIE	TYPISCHE ANWENDUNG
Überwachtes Lernen	Das Modell lernt aus Beispielen mit bekannten Ergebnissen.	Vertragsarten erkennen, Klauseln klassifizieren, Fristen vorhersagen
Unüberwachtes Lernen	Das Modell sucht Strukturen in Daten ohne vorgegebene Kategorien.	Dokumentgruppen bilden, ähnliche Fälle finden, Ausreißer erkennen
Teilüberwachtes Lernen	Ein kleiner Teil der Daten ist beschriftet, der Rest nicht.	Große Dokumentbestände mit begrenztem Prüfaufwand ordnen
Bestärkendes Lernen	Das Modell erhält Rückmeldungen für gute oder schlechte Aktionen.	Entscheidungen in dynamischen Umgebungen verbessern

In juristischen Anwendungen ist überwachtes Lernen häufig gut geeignet, wenn ein Unternehmen klare Kategorien oder Prüfregeln besitzt. Unüberwachtes Lernen hilft bei der ersten Strukturierung großer Bestände. Die passende Methode hängt vom Use Case ab.

Die Begriffe beschreiben unterschiedliche Ebenen derselben Technologiefamilie.

Begriff	Einordnung
Künstliche Intelligenz	Oberbegriff für Systeme, die Aufgaben mit Merkmalen menschlicher Intelligenz ausführen.
Machine Learning	Methode, bei der Systeme Muster aus Daten lernen und auf neue Fälle anwenden.
Deep Learning	Teilbereich des Machine Learning mit tiefen neuronalen Netzen.
Generative KI	Systeme, die auf Basis gelernter Muster neue Texte, Bilder, Audioinhalte oder andere Ergebnisse erzeugen.

Large Language Models nutzen Machine-Learning-Verfahren, insbesondere Deep Learning. Sie erzeugen Antworten, indem sie sprachliche Muster aus großen Datenmengen verarbeiten. Eine flüssige Antwort sagt jedoch allein wenig über ihre Richtigkeit aus.

Machine Learning eignet sich vor allem für Aufgaben mit wiederkehrenden Mustern und großen Datenmengen. Beispiele sind:

Der Nutzen entsteht durch die Verbindung von Modell und Prozess. Ein Modell, das eine Klausel erkennt, löst noch keine Freigabe aus. Erst ein definierter Workflow macht aus dem Ergebnis eine bearbeitbare Aufgabe.

Rechtsabteilungen arbeiten mit vielen Dokumenten, Fristen und Beteiligten. Daten liegen oft in E-Mails, Laufwerken, Tabellen und Fachanwendungen. Dadurch wird die Suche langsam, Statusinformationen bleiben unvollständig und wiederkehrende Prüfungen binden juristische Kapazität.

Machine Learning kann an mehreren Stellen unterstützen:

1. Welche konkrete Aufgabe soll unterstützt werden?
2. Welche Daten darf das System verarbeiten?
3. Wie wird die Qualität der Ergebnisse geprüft?
4. Wer trägt die Verantwortung für die Entscheidung?
5. Wie werden Ergebnisse, Änderungen und Freigaben dokumentiert?

Wenn Verträge, Freigaben und Fristen über mehrere Ablagen verteilt sind, zentralisiert DiliTrust Vertragsmanagement Dokumente, Workflows und Vertragsdaten in einem kontrollierten Prozess.

Machine Learning erzeugt Ergebnisse aus Daten. Deshalb müssen Unternehmen den gesamten Weg vom Datenzugriff bis zur menschlichen Entscheidung kontrollieren.

Seit dem 2. August 2026 gelten in der EU weitere Anforderungen der KI-Verordnung. Dazu gehören Transparenzpflichten für bestimmte KI-Systeme. Die Europäische Kommission nennt unter anderem Hinweise, wenn Nutzer mit einem KI-System interagieren oder Inhalte durch KI erzeugt beziehungsweise verändert wurden. Mehr zum aktuellen Zeitplan der Europäischen Kommission

Für Rechtsabteilungen ergeben sich daraus praktische Prüfpunkte:

Eine KI-Richtlinie sollte außerdem festlegen, welche Tools für welche Daten genutzt werden dürfen. Sensible Vertrags- und Unternehmensdaten gehören in einen Prozess mit klaren Rollen, dokumentierten Aktivitäten und passenden Speicher- und Sicherheitsvorgaben.

DiliTrust verbindet Daten, Dokumente und Workflows in der DiliTrust Suite. Die fünf Module decken Board Portal, Vertragsmanagement, Entity Management, Matter Management und Data Room ab. Lini, die KI-Engine von DiliTrust, unterstützt je nach Modul bei Zusammenfassungen, Fragen zu Dokumenten, Datenextraktion und der Suche nach relevanten Informationen.

Im Vertragsmanagement prüft der Risk Detector Dokumente anhand definierter Playbooks. Er markiert riskante oder abweichende Klauseln, erklärt die Fundstellen und schlägt mögliche Bearbeitungen vor. Die Rechtsabteilung prüft den Vorschlag und entscheidet über die weitere Bearbeitung.

Das ist der wichtige Unterschied zwischen einem isolierten Modell und einer Anwendung im Rechtsprozess. Das Modell liefert eine Analyse. Die Plattform verbindet sie mit Dokument, Regelwerk, Aufgabe, Freigabe und Audit Trail.

Vorteile eines kontrollierten Einsatzes:

Grenzen und Risiken von Machine Learning

Machine Learning ist kein Ersatz für fachliche Verantwortung. Ein Modell kann Daten falsch einordnen, Zusammenhänge übersehen oder eine überzeugend formulierte, aber falsche Antwort erzeugen.

Typische Risiken sind:

• Verzerrte oder unvollständige Trainingsdaten
• Fehlende Erklärungen für eine Klassifikation
• Falsche Priorisierung von Risiken
• Zu viel Vertrauen in automatisierte Vorschläge
• Datenschutzprobleme bei Eingabe- und Trainingsdaten
• Fehler durch veraltete Regeln oder geänderte Vertragspraxis

Gute Ergebnisse brauchen deshalb einen passenden Anwendungsfall, saubere Daten und klare Prüfungen. Starten Sie mit Aufgaben, bei denen ein Mensch das Ergebnis schnell kontrollieren kann. Dokumentensuche, Zusammenfassungen und erste Klassifikationen eignen sich häufig besser als autonome Rechtsentscheidungen.

Machine Learning im Unternehmen einführen: Ein praktikabler Ablauf

Ein klarer Ablauf begrenzt Aufwand und Risiko:

1. Use Case auswählen: Beginnen Sie mit einer wiederkehrenden Aufgabe und einem messbaren Ziel.
2. Datenbestand prüfen: Klären Sie Qualität, Zugriffsrechte, Speicherort und Aufbewahrung.
3. Ergebnismaßstab definieren: Legen Sie fest, wann eine Klassifikation oder Extraktion als brauchbar gilt.
4. Pilot mit Fachanwendern durchführen: Lassen Sie die Personen testen, die später mit den Ergebnissen arbeiten.
5. Kontrollen dokumentieren: Halten Sie Freigaben, Korrekturen, Modellversionen und Ausnahmen fest.
6. Wirkung messen: Prüfen Sie Zeitaufwand, Fehlerquote, Bearbeitungsdauer und Akzeptanz.

Laden Sie den Leitfaden zur KI im Vertragsmanagement herunter, und prüfen Sie, welche Aufgaben sich für Ihren ersten Use Case eignen.