Dit is het tweede artikel in onze reeks over de invoering van AI. Lees het eerste artikel, ‘Waarom de invoering van AI in de juridische sector al stagneert voordat ze van start gaat’, om te ontdekken hoe organisaties de overstap maken van versnipperde AI-experimenten naar een gestructureerde aanpak.

Een betere manier om te achterhalen welke juridische problemen het waard zijn om met AI op te lossen

Vraag een zaal vol advocaten, juridische technologen, consultants of leveranciers naar toepassingen van AI, en je zult zeker geen gebrek aan ideeën hebben.

Contractbeoordeling. Samenvattingen van zaken. Juridisch onderzoek. Opstellen van documenten. Due diligence. Zoeken naar informatie. Controle van facturen. Tijdlijnen. Intake van cliënten. Een AI-tool kan er nog eens 50 genereren voordat de vergadering voorbij is.

Het moeilijkste is niet langer om dingen te bedenken die AI zou kunnen doen. Het gaat erom uit te zoeken welke problemen het daadwerkelijk de moeite waard zijn om op te lossen.

Gebruiksscenario’s blijven belangrijk. Ze laten zien wat er mogelijk is, brengen ideeën op gang en helpen organisaties te leren van wat anderen doen. De fout is om de lijst als een ontdekkingsreis te beschouwen.

Begin met de vraag „Waar kunnen we AI inzetten?“ en bijna elk handmatig proces kan een kans voor AI worden. Zoek naar taken die voor wrijving zorgen, veel tijd kosten of belangrijke informatie ontoegankelijk maken, en het gesprek krijgt een heel andere wending.

Kijk eerst naar het werk dat mensen niet langer zouden hoeven te doen. Kijk vervolgens naar informatie, risico’s, kennis of relaties die de organisatie zou moeten kunnen overzien, maar die ze op dit moment redelijkerwijs niet kan overzien. Vraag je vervolgens af welke context, toegang en bevoegdheden een oplossing nodig heeft.

Dat is een veel zwaardere test dan het bedenken van use cases, en de kans is groter dat het leidt tot iets dat de moeite waard is om te bouwen.

Begin met het werk dat moet verdwijnen

Sommige van de beste kansen gaan schuil in werk waar mensen geen aandacht meer aan besteden. Je merkt het wanneer iemand:

• Zoekt in verschillende systemen omdat ze niet weten waar de informatie zich bevindt
• Vraagt een collega om iets dat technisch gezien ergens anders al bestaat
• Kopieert gegevens van het ene systeem naar het andere
• Er worden twee bronnen gecontroleerd, omdat geen van beide volledig betrouwbaar is
• Maakt een kopie van een document, omdat het te lang zou duren om het origineel te vinden
• Houdt een eigen spreadsheet bij omdat het officiële systeem niet de weergave biedt die hij nodig heeft

Op zich klinkt geen van deze activiteiten bijzonder belangrijk. Dat is mede de reden waarom ze blijven bestaan.

Let op de terugkerende gedragingen: zoeken, rondlopen, controleren, verzoenen, opnieuw doen, vragen stellen, achtervolgen. Vraag vervolgens waarom de persoon deze dingen moet doen.

Als een advocaat herhaaldelijk moeite heeft om eerder werk terug te vinden, ligt de oplossing wellicht in een betere zoekfunctie, metadata, archiveringsmethoden of kennisbeheer. Als medewerkers herhaaldelijk dezelfde informatie opnieuw invoeren, is het wellicht voldoende dat twee systemen gegevens uitwisselen. Als iemand handmatig informatie uit verschillende bronnen samenvoegt omdat het begrijpen ervan vergelijking, synthese of beoordeling vereist, kan AI een belangrijke rol spelen.

De relevante vraag is niet: „Kan AI dit doen?”, maar: „Waarom moet iemand dit überhaupt doen?”

Wees bereid te concluderen dat AI het verkeerde antwoord is

Een goed AI-ontdekkingsproces moet niet alleen use cases creëren, maar ook uitsluiten. Sommige problemen kunnen beter via configuratie worden opgelost. Andere vragen om automatisering, integratie, herontwerp van processen, betere training of technologie waarover de organisatie al beschikt.

Neem bijvoorbeeld een juridische afdeling die handmatig informatie uit verschillende systemen verzamelt voor een periodiek statusrapport. Dat lijkt een voor de hand liggende kans voor AI.

Misschien wel.

Maar als het werk voornamelijk bestaat uit het samenbrengen van gestructureerde gegevens op één plek, kunnen integratie of rapportage het probleem wellicht op een betrouwbaardere manier oplossen. Als iemand beschrijvende updates moet lezen, tegenstrijdige informatie moet oplossen, moet vaststellen wat er is veranderd en moet uitleggen wat belangrijk is, kan AI wellicht een andere meerwaarde bieden.

Het onderscheid klinkt eenvoudig. In de praktijk wordt het echter gemakkelijk over het hoofd gezien, want zodra een organisatie een AI-initiatief start, ontstaat er druk om AI-projecten te vinden.

Dat is omgekeerd.

Het probleem zou de technologie moeten rechtvaardigen.

Houd rekening met de grenzen die er al zijn

Er is nog een ander nuttig signaal bij het beoordelen van een kans: wanneer begint de organisatie zich ongemakkelijk te voelen?

Veel juridische organisaties voelen zich al meer op hun gemak bij bepaalde AI-activiteiten dan bij andere, ook al hebben ze nooit precies opgeschreven waarom. Het samenvatten van een document dat een advocaat al heeft geopend, voelt anders aan dan het doorzoeken van duizenden dossiers. Het opstellen van een intern concept voelt anders aan dan het communiceren met een cliënt. Het voorstellen van een volgende stap voelt anders aan dan het daadwerkelijk nemen van die stap. Het lezen van informatie uit een systeem voelt anders aan dan het wijzigen van de informatie daarin.

Die verschillen zeggen iets. Het kan gaan om de gevoeligheid van de informatie, de doelgroep, de gevolgen van een fout, de mogelijkheid om achteraf te zien wat er is gebeurd, de vraag of een handeling ongedaan kan worden gemaakt, of de mate waarin de organisatie bevoegdheden delegeert.

Dat zijn geen redenen om te stoppen met het integreren van AI in juridisch werk. Het zijn uitgangspunten voor het ontwerp.

Van context naar gevolg

Context creëert waarde. Toegang creëert mogelijkheden. Autoriteit creëert gevolgen. Dit onderscheid wordt steeds belangrijker naarmate juridische AI zich ontwikkelt tot meer dan alleen een hulpmiddel dat wacht op een opdracht.

Dankzij het Model Context Protocol (MCP), API’s, integraties en agentgebaseerde systemen kan AI werken met informatie uit de gehele juridische technologieomgeving en daar in toenemende mate iets mee doen.

Context staat voorop. Wat heeft de AI nodig om het werk goed te begrijpen? Een contract zonder de normen van de klant, een document zonder de betreffende zaak of een op zichzelf staand stuk werk zonder de bijbehorende achtergrondinformatie kan weliswaar beschikbaar zijn voor het systeem, maar mist toch wat het nodig heeft om bruikbaar te zijn.

Dan is er nog de kwestie van de toegang. Tot welke systemen en informatiebronnen moet de oplossing eigenlijk toegang hebben? Dankzij connectiviteit kan veel onnodig handmatig werk worden voorkomen. Een advocaat zou niet steeds opnieuw gereguleerde informatie moeten downloaden, deze naar een andere applicatie moeten verplaatsen, het werk moeten uitvoeren en vervolgens de context opnieuw moeten reconstrueren, simpelweg omdat de systemen niet met elkaar zijn verbonden.

Vraag wat er voor deze gebruikssituatie nodig is.

Autonomie is weer iets anders. Informatie opvragen is niet hetzelfde als een record wijzigen. Een actie aanbevelen is niet hetzelfde als deze uitvoeren. Een bericht opstellen is niet hetzelfde als het versturen ervan. Naarmate AI-gestuurde workflows steeds meer handelingsbevoegdheid krijgen, worden menselijke controle, toezicht en de mogelijkheid om een actie ongedaan te maken steeds belangrijker.

Geef de oplossing de nodige context, de toegang die nodig is om de taak uit te voeren, en de bevoegdheid die past bij de gevolgen.

Het tweede ontdekkingstraject: wat zouden we moeten kunnen zien?

Het wegwerken van overbodig werk is slechts de helft van de kans die hierin schuilt.

De andere helft is moeilijker te herkennen, omdat niemand de ontbrekende taak uitvoert. De informatie is simpelweg niet zichtbaar.

Juridische organisaties verzamelen enorme hoeveelheden kennis over zaken, contracten, correspondentie, werkresultaten, onderhandelingen, adviezen en contacten met cliënten. Toch worden belangrijke beslissingen nog steeds alleen gebaseerd op het deel van die informatie dat iemand kan vinden of waarvan hij toevallig weet dat het bestaat.

Een advocaat herinnert zich misschien dat het kantoor enkele jaren geleden een soortgelijke kwestie heeft behandeld, maar weet niet meer om welke zaak het ging of wie eraan heeft gewerkt. Een juridisch team van een onderneming heeft misschien al honderden keren over dezelfde bepaling onderhandeld, maar heeft geen praktische manier om patronen in die onderhandelingen te herkennen. Een praktijkleider weet misschien dat het kantoor ruime ervaring heeft op een opkomend rechtsgebied, maar kan niet snel de zaken, mensen en werkzaamheden vinden die dit aantonen.

Dit zijn geen inefficiënte werkprocessen in de gebruikelijke zin van het woord. Niemand heeft per se een snellere knop nodig. Het probleem is een onvolledig beeld.

Wat zou de organisatie moeten kunnen zien wat ze op dit moment redelijkerwijs niet kan zien?

AI kan helpen bij het blootleggen van verbanden, patronen, kennis of risico’s die voor een mens moeilijk te herkennen zouden zijn in een grote hoeveelheid informatie. De meerwaarde ligt in het feit dat de beslisser hierdoor een beter overzicht krijgt.

Hoe betere zichtbaarheid eruit kan zien

Beveiliging is daar een voorbeeld van. Bestaande beveiligingssystemen bepalen en handhaven de toegang, houden activiteiten in de gaten en passen vastgestelde controles toe. AI mag deze functies niet vervangen.

Maar stel je eens een situatie voor waarin het beleid een handeling technisch gezien toestaat, maar de omstandigheden toch ongebruikelijk zijn. De vraag is dan misschien niet langer simpelweg: „Was dit toegestaan?”, maar: „Is er hier voldoende context om er eens nader naar te kijken?”

Dat zou een nuttig, door AI ondersteund zichtbaarheidsprobleem kunnen zijn, waarbij een persoon de veiligheidsbeoordeling uitvoert.

Relatie-intelligentie is een ander voorbeeld. Advocatenkantoren beschikken al over CRM- en relatie-intelligentietechnologie. Door dat ‘AI-CRM’ te noemen, ontstaat er geen nieuw concept.

De interessantere vraag is wat de organisatie weet dat niet uit het gestructureerde dossier blijkt. De geschiedenis van een zaak, correspondentie, eerder verricht werk en andere institutionele informatie kunnen ervaring, expertise of relaties aan het licht brengen die moeilijk te achterhalen zijn op basis van contactgegevens alleen.

Ook juridische AI genereert informatie

Dit is het aspect van AI-ontwerp dat volgens mij veel meer aandacht verdient.

We besteden veel tijd aan het nadenken over welke informatie AI verwerkt. We besteden veel minder tijd aan het nadenken over wat er gebeurt met wat AI voortbrengt.

Stel dat een AI-gestuurde workflow een nuttige chronologie van een zaak, een analyse van een onderhandeling, een briefing voor een cliënt of een samenvatting van eerder werk oplevert. Waar komt dat terecht? Kan een andere advocaat het zes maanden later nog terugvinden? Blijft het gekoppeld aan de zaak en het bronmateriaal waarop het is gebaseerd?

Kan iemand aangeven wat door de AI is gegenereerd, wat door een persoon is gecontroleerd en wat het uiteindelijke eindproduct is geworden? Wordt de output onderdeel van de institutionele kennis van de organisatie, of verdwijnt deze in de AI-werkruimte van een individu?

AI-gestuurde workflows worden een steeds belangrijkere bron van inhoudelijke werkresultaten. Wat er daarna met dat werk gebeurt, moet worden meegenomen in het ontwerp van de use case.

Het DMS speelt hier een rol, omdat juridische teams het al gebruiken om werk aan een dossier te koppelen en de context rond dat werk te bewaren. Bij waardevolle, door AI gegenereerde output rijst dezelfde vraag: hoe blijft deze gekoppeld aan het juridische werk waaruit het voortkomt?

Anders kan een organisatie AI weliswaar succesvol inzetten om kennis uit haar institutionele inhoud te halen, maar tegelijkertijd een nieuwe verzameling werken creëren die niemand anders op betrouwbare wijze kan vinden of hergebruiken.

Creëer geen nieuw probleem op het gebied van informatiebeheer om een AI-probleem op te lossen.

Geef het gesprek over ontdekking een andere wending

Lijsten met gebruiksscenario's zijn handig. Gebruik ze gewoon later.

Het kennismakingsgesprek kan worden teruggebracht tot drie vragen:

• Welk werk zou moeten verdwijnen? Kijk eens naar het zoeken, verplaatsen, controleren, afstemmen, opnieuw maken, vragen stellen en achter dingen aanrennen – zaken die mensen hebben leren accepteren als onderdeel van hun werk.
• Wat zouden we moeten kunnen zien wat we vandaag de dag niet kunnen zien? Let op beslissingen die mensen nemen zonder de kennis, patronen, risico’s, relaties of context waarover de organisatie al beschikt.
• Welke context, toegang en bevoegdheden zijn er daadwerkelijk nodig voor de oplossing? Bepaal wat het systeem moet begrijpen, waar het toegang toe moet hebben en wat het mag doen.

Om deze vragen in de praktijk toe te passen, gebruik je het werkblad voor het ontdekken van AI-kansen om potentiële kansen in kaart te brengen, inzicht te krijgen in de oorzaken van de wrijving en te bepalen of AI daadwerkelijk de juiste oplossing is.

Soms zal dat zo zijn. Soms is een eenvoudigere oplossing beter. Beide antwoorden zijn nuttig, want het doel van verkenning is niet om meer AI-projecten op te zetten. Het is bedoeld om problemen te identificeren die het waard zijn om opgelost te worden.

Dat geeft antwoord op één vraag: hebben we het juiste probleem gevonden?

Dan volgt de volgende vraag: is het wel de moeite waard om hier op deze manier in te investeren?

In het volgende artikel zullen we bekijken hoe je een AI Value Review kunt uitvoeren om die vraag te beantwoorden, voordat je de stap zet van een veelbelovend idee naar een AI-investering.