Juridisk Analyse & Research

Juridisk analyse med sprogmodeller dækker det forberedende arbejde omkring juridiske tekster. Det er gennemlæsning af kontrakter, sammenligning af versioner, udtræk af klausuler og strukturering af større dokumentsamlinger. Modellen læser hurtigere end et menneske og kan holde mange dokumenter i hovedet på én gang.

Grænsen går ved rådgivning. Et output fra en sprogmodel er ikke en juridisk vurdering, uanset hvor sikkert det formuleres. Ansvaret ligger hos den jurist, der underskriver, og modellen indgår som et værktøj i den proces.

Use-casen adskiller sig fra almindelig dokumentanalyse ved kravene til præcision. En upræcis opsummering af et mødereferat koster lidt tid. En overset ansvarsbegrænsning i en aftale koster penge. Den adskiller sig fra compliance-automatisering ved, at output her er tekst til et menneske, ikke en beslutning i et system.

Grundopsætningen er en pipeline. Dokumenter parses fra PDF eller Word til ren tekst med bevaret struktur. Teksten deles op i afsnit eller klausuler. Relevante dele hentes frem via søgning og lægges i konteksten sammen med en instruktion om, hvad modellen skal finde.

RAG er central, fordi juridiske kilder ændrer sig. En model med parametrisk viden om lovgivning fra træningstidspunktet er upålidelig som kildehenvisning. I stedet peger du modellen mod et indekseret korpus af gældende love, domme og interne standardaftaler, og beder den kun bruge det materiale.

Kvaliteten afgøres af tre ting. Hvor godt dokumenterne er konverteret til tekst, hvor præcist retrieval-laget finder det rigtige, og hvor stramt prompten begrænser modellen. Til de tungeste opgaver, som kontraktgennemgang med krydshenvisninger, er Claude Opus 5 og GPT-5.6 Sol de stærkeste valg. Claude Sonnet 5 er tilstrækkelig til rutinemæssig klausulekstraktion og klarer større mængder billigere.

Strukturerede output hjælper markant. Beder du om en tabel med klausul, sidetal og risikovurdering, bliver resultatet lettere at kontrollere end fritekst.

Den alvorligste fejl er opfundne kilder. Modeller genererer domsnumre og paragrafhenvisninger, der ser fuldstændig korrekte ud, men ikke findes. Flere advokater i USA er blevet sanktioneret for at indlevere processkrifter med fiktive afgørelser. Formatet er lært, indholdet er ikke.

En mere stilfærdig fejl er udeladelse. Modellen finder de ti klausuler, du spurgte om, og nævner ikke den ellevte, som ingen tænkte på. Falske negativer er svære at opdage, fordi output ser komplet ud. Det er derfor gennemgang med model aldrig kan erstatte en fuld læsning i højrisikosager.

Jurisdiktion er et vedvarende problem. Træningsdata er domineret af amerikansk og engelsk ret. Bed en model om dansk ansættelsesret, og den blander gerne begreber ind, der ikke findes her. Den skriver det med samme selvsikkerhed som resten.

Dertil kommer fortrolighed. Klientdokumenter i en ekstern API kræver databehandleraftale, kontrol over logning og typisk EU-hosting. Mange advokatkontorer sætter grænsen ved, at identificerbare klientdata slet ikke forlader huset.

Gevinsten er størst ved volumen og gentagelse. Due diligence med fire hundrede lejekontrakter, hvor du skal finde samme fem forhold i hver, passer godt til opsætningen. Prisen for opsætning fordeles over mange dokumenter.

Ved enkeltstående komplekse spørgsmål er billedet et andet. Verifikationen tager ofte lige så lang tid som selve arbejdet, og du ender med at læse alt alligevel. Værdien ligger i, at modellen leverer et udkast og en tjekliste, ikke i at den sparer læsningen væk.