Jeg hører en versjon av den samme samtalen med ledere i advokatfirmaer nesten hver uke.

De har kjøpt AI-verktøyene. De har kjørt pilotprosjektene. Likevel, når jeg spør hvordan det går, er svaret vanligvis en slags «greit, men ikke slik vi forventet». Advokater spør fortsatt på nytt, verifiserer fortsatt alt manuelt, og stoler fortsatt ikke helt på det som kommer tilbake. 

En stund antok jeg at dette var et modellproblem – at den neste utgivelsen, det neste kontekstvinduet, den neste referansepoengsummen ville lukke gapet. Det vil det ikke. Gapet ligger ikke i modellen. Det ligger i hva modellen kan se. 

Juridisk arbeid har aldri handlet om å finne informasjon. Det handler om å forstå hvordan denne informasjonen er koblet – til en klient, en sak, en tidligere forhandling, en risiko firmaet allerede har priset inn én gang før. Advokater bærer dette bindevevet i hodet, i samtaler i gangen, i det institusjonelle minnet til den som tilfeldigvis jobbet med filen. AI-verktøy har ikke tilgang til noe av dette. De ser hva som helst som lastes opp i et øktvindu, og ingenting annet. Så de svarer selvsikkert, og noen ganger feil, fordi de fyller hull vi aldri ga dem konteksten til å fylle riktig. 

Tallene støtter dette mer enn jeg skulle ønske. McKinsey finner at færre enn 10 % av bedriftene har skalert agentisk AI til reell verdi, og åtte av ti peker på databegrensninger som årsaken. En Stanford RegLab-studie fra 2025 fant at selv spesialbygde forskningsverktøy for juridisk AI hallusinerer mellom 17 % og 33 % av tiden. Det er ikke et problem med modellkvalitet. Det er et kontekstproblem, og det er nettopp derfor vi bygde bransjens første Legal Context Graph . 

Colleen Baehrend, advokat og juridisk løsningsdirektør i NetDocuments, og jeg har satt sammen en praktisk guide for firmaer som prøver å finne ut hvor de faktisk står – ikke i teorien, men i den daglige virkeligheten av hvordan AI-verktøyene deres yter. 

Veiledningen i den juridiske kontekstgrafen om AI-utgifter til AI-påvirkning går gjennom: 

• Hva en juridisk kontekstgraf er, og hvordan den er forskjellig fra taksonomiene og kunnskapsgrafene som firmaer har prøvd tidligere. 

• Hva som endrer seg for medarbeidere, partnere og IT når det først er viktig, er virkelig knyttet sammen, og hvordan det utspiller seg annerledes i rettstvister, transaksjonsarbeid, arvsplanlegging og firmaer av alle størrelser. 

• En sjekkliste med 10 spørsmål organisert rundt kostnader, nøyaktighet, brukervennlighet, styring og institusjonell kunnskap, som du kan sette deg ned med teamet ditt og svare åpent på på 20 minutter. Det er ingen bestått poengsum – poenget er ikke å få noen til å føle seg akteruthengende. Det handler om å avdekke, spesifikt, hvor gapet mellom det du bruker på AI og det du får tilbake faktisk kommer fra, slik at den neste samtalen om AI-investering er forankret i noe reelt i stedet for nok en leverandørdemonstrasjon. 

AI-modeller vil fortsette å endre seg. Hver og en av dem vil til slutt bli erstattet av noe bedre. Det som ikke vil endre seg, er at bedriftens kontekst – sakene dine, relasjonene dine, den institusjonelle vurderingen – må befinne seg et sted som er holdbart nok til å vare lenger enn alt dette. Det er grunnlaget denne veiledningen handler om. 

Hvis noe av dette høres kjent ut, start med sjekklisten og se hva den dukker opp. 

Få den komplette guiden > Fra AI-utgifter til AI-påvirkning – En advokatfirmas guide til å legge grunnlaget riktig 

Det samme kontekstproblemet dukker opp like ofte i juridiske, compliance- og risikoteam i regulerte selskaper. Vi setter sammen en versjon av denne veiledningen som er spesielt utviklet for denne målgruppen. Kommer snart.