Detta är den andra artikeln i vår serie om införandet av AI. Läs den första artikeln, ”Varför införandet av AI inom juridiken avstannar innan det ens har kommit igång”, för att ta reda på hur organisationer går från sporadiska AI-försök till en strukturerad strategi.

Ett bättre sätt att identifiera de juridiska problem som är värda att lösa med hjälp av AI

Fråga en grupp advokater, juridiska tekniker, konsulter eller leverantörer om användningsområden för AI, så kommer du garanterat inte att sakna idéer.

Granskning av avtal. Sammanfattningar av ärenden. Juridisk forskning. Utformning av avtal. Due diligence. Kunskapssökning. Granskning av fakturor. Kronologier. Kundintag. Ett AI-verktyg kan generera ytterligare 50 exempel innan mötet är slut.

Det svåra är inte längre att komma på saker som AI skulle kunna göra. Det svåra är att ta reda på vilka problem som faktiskt är värda att lösa.

Användningsfall är fortfarande viktiga. De visar vad som är möjligt, väcker idéer och hjälper organisationer att lära sig av vad andra gör. Misstaget är att betrakta listan som en upptäckt.

Börja med frågan ”Var kan vi använda AI?” – då kan nästan alla manuella processer bli en möjlighet för AI. Identifiera arbetsuppgifter som skapar friktion, tar tid eller gör att viktig information blir svåråtkomlig, så förändras diskussionen.

Tänk först på de arbetsuppgifter som människor inte längre borde behöva utföra. Tänk sedan på den information, de risker, den kunskap eller de relationer som organisationen borde kunna se men som den i dagsläget inte rimligen kan överblicka. Fråga dig sedan vilka förutsättningar, vilken åtkomst och vilken befogenhet som krävs för en lösning.

Det är en betydligt tuffare utmaning än att ta fram användningsfall, och det är större sannolikhet att det leder till något som är värt att bygga.

Börja med det arbete som bör försvinna

Några av de bästa möjligheterna gömmer sig i det arbete som folk har slutat lägga märke till. Man märker det när någon:

• Söker i flera system eftersom de inte vet var informationen finns
• Ber en kollega om något som egentligen redan finns någon annanstans
• Kopierar information från ett system till ett annat
• Kontrollerar två källor eftersom ingen av dem är helt tillförlitlig
• Återskapar ett dokument eftersom det skulle ta för lång tid att leta fram originalet
• För ett eget kalkylblad eftersom det officiella systemet inte erbjuder den översikt de behöver

Ingen av dessa aktiviteter verkar särskilt betydelsefull i sig. Det är delvis därför som de fortsätter.

Leta efter återkommande beteenden: att söka, röra sig, kontrollera, jämföra, återskapa, fråga, jaga. Fråga sedan varför personen måste göra dessa saker.

Om en jurist upprepade gånger har svårt att hitta tidigare arbete kan lösningen ligga i bättre sökfunktioner, metadata, arkiveringsrutiner eller kunskapshantering. Om personalen upprepade gånger matar in samma information på nytt kan det helt enkelt handla om att två system behöver utbyta data. Om någon manuellt sammanställer information från flera källor eftersom det krävs jämförelser, sammanfattning eller bedömning för att förstå den, kan AI spela en viktig roll.

Den relevanta frågan är inte ”Kan AI göra detta?”, utan ”Varför måste någon överhuvudtaget göra detta?”

Var beredd att inse att AI är fel svar

En bra AI-upptäcktsprocess bör både eliminera och skapa användningsfall. Vissa problem löses bäst genom konfiguration. Andra kräver automatisering, integration, omstrukturering av processer, bättre utbildning eller teknik som organisationen redan förfogar över.

Tänk dig en juridisk avdelning som manuellt sammanställer information från flera system för att ta fram en regelbunden lägesrapport. Det verkar vara en uppenbar möjlighet för AI.

Kanske är det så.

Men om arbetet huvudsakligen går ut på att samla strukturerade data på ett ställe kan integration eller rapportering vara ett mer tillförlitligt sätt att lösa problemet. Om någon måste läsa beskrivande uppdateringar, reda ut motstridiga uppgifter, identifiera vad som har förändrats och förklara vad som är viktigt, kan AI bidra med något annat.

Skillnaden låter enkel. I praktiken är det lätt att förbise den, eftersom det uppstår ett tryck att hitta AI-projekt så snart en organisation har inlett ett AI-initiativ.

Det är tvärtom.

Problemet bör motivera tekniken.

Var uppmärksam på de gränser som redan finns

Det finns ytterligare en användbar indikator när man utvärderar en möjlighet: vid vilken punkt börjar organisationen känna sig obekväm?

Många juridiska organisationer känner sig redan mer bekväma med vissa AI-aktiviteter än med andra, även om de aldrig har formulerat exakt varför. Att sammanfatta ett dokument som en jurist redan har öppnat känns annorlunda än att söka igenom tusentals ärenden. Att skapa ett internt utkast känns annorlunda än att kommunicera med en klient. Att föreslå ett nästa steg känns annorlunda än att vidta det. Att läsa information från ett system känns annorlunda än att ändra informationen i det.

Dessa skillnader säger något. Det kan handla om informationens känslighet, målgruppen, konsekvenserna av ett fel, möjligheten att i efterhand se vad som hänt, om en åtgärd kan ångras eller hur mycket befogenhet organisationen delegerar.

Det är inga skäl att sluta integrera AI i det juridiska arbetet. Det är istället utgångspunkter för utformningen.

Från sammanhang till konsekvens

Sammanhanget skapar värde. Tillgång skapar möjligheter. Auktoritet skapar konsekvenser. Denna distinktion blir allt viktigare i takt med att juridisk AI utvecklas bortom att vara ett verktyg som väntar på en inmatning.

Model Context Protocol (MCP), API:er, integrationer och agentbaserade system kan göra det möjligt för AI att hantera information inom hela den juridiska teknikmiljön och, i allt högre grad, utnyttja den.

Sammanhanget kommer först. Vad behöver AI:n för att kunna tolka materialet korrekt? Ett avtal utan kundens kravspecifikationer, ett dokument utan sammanhang eller ett isolerat arbetsresultat utan bakgrundsinformation kan visserligen finnas tillgängligt för systemet, men ändå sakna det som krävs för att det ska vara till nytta.

Sedan är det frågan om åtkomst. Vilka system och informationskällor behöver lösningen egentligen ha tillgång till? Integrering kan eliminera en hel del onödigt manuellt arbete. En jurist bör inte behöva ladda ner reglerad information om och om igen, flytta över den till ett annat program, utföra arbetet och sedan återuppbygga sammanhanget bara för att systemen inte är integrerade.

Fråga vad användningsfallet kräver.

När det gäller behörighet är det återigen annorlunda. Att hämta information är inte detsamma som att ändra en post. Att rekommendera en åtgärd är inte detsamma som att genomföra den. Att utforma ett meddelande är inte detsamma som att skicka det. I takt med att AI-baserade arbetsflöden får större handlingsförmåga blir mänsklig granskning, övervakning och möjligheten att återkalla en åtgärd allt viktigare.

Ge lösningen den kontext den behöver, den åtkomst som krävs för att utföra uppgiften och den befogenhet som står i proportion till konsekvenserna.

Den andra utforskningsvägen: vad borde vi kunna se?

Att eliminera onödigt arbete är bara halva möjligheten.

Den andra hälften är svårare att upptäcka eftersom ingen utför den saknade uppgiften. Informationen syns helt enkelt inte.

Juridiska organisationer samlar in enorma mängder kunskap från ärenden, avtal, korrespondens, arbetsmaterial, förhandlingar, rådgivning och kontakter med klienter. Ändå baseras viktiga beslut fortfarande endast på den del av denna information som en person kan hitta eller råkar känna till.

En advokat kanske minns att byrån hanterade ett liknande ärende för flera år sedan, men vet inte vilket ärende det rörde sig om eller vem som arbetade med det. En företagsjuridisk avdelning kan ha förhandlat fram samma bestämmelse hundratals gånger, men saknar praktiska möjligheter att se mönster i dessa förhandlingar. En avdelningschef kanske vet att byrån har gedigen erfarenhet inom ett nytt rättsområde, utan att snabbt kunna se vilka ärenden, personer och uppdrag som belägger detta.

Det här är inte ineffektiva arbetsflöden i vanlig bemärkelse. Ingen behöver nödvändigtvis en snabbare knapp. Problemet är en ofullständig bild.

Vad borde organisationen kunna se som den idag rimligen inte kan se?

AI kan bidra till att lyfta fram samband, mönster, kunskap eller risker som det skulle vara svårt för en människa att upptäcka i en stor informationsmängd. Fördelen är att den som fattar beslutet får en bättre överblick.

Så här kan bättre synlighet se ut

Säkerhet är ett exempel. Befintliga säkerhetssystem fastställer och reglerar åtkomst, övervakar aktivitet och tillämpar fastställda kontroller. AI bör inte ersätta dessa funktioner.

Men tänk dig en situation där reglerna tekniskt sett tillåter en handling, men omständigheterna ändå är ovanliga. Frågan kanske inte längre bara är: ”Var detta tillåtet?” Utan snarare: ”Finns det tillräckligt med sammanhang här för att någon borde granska saken närmare?”

Det skulle kunna vara ett användbart problem där AI bidrar till översikten, samtidigt som en person fattar säkerhetsbeslutet.

Relationsintelligens är ett annat exempel. Advokatbyråer har redan CRM-system och teknik för relationsintelligens. Att kalla det för ”AI-CRM” innebär inte att man kommer på något nytt.

Den mer intressanta frågan är vad organisationen vet som inte framgår av den strukturerade dokumentationen. Ärendehistorik, korrespondens, tidigare arbete och annat institutionellt material kan avslöja erfarenhet, sakkunskap eller relationer som är svåra att urskilja enbart utifrån kontaktuppgifterna.

Även juridisk AI genererar information

Det här är den del av AI-designen som jag anser förtjänar betydligt mer uppmärksamhet.

Vi ägnar mycket tid åt att fundera över vilken information AI tar till sig. Vi ägnar däremot betydligt mindre tid åt att fundera över vad som händer med det som AI skapar.

Anta att ett AI-stött arbetsflöde genererar en användbar tidslinje för ett ärende, en analys av en förhandling, en klientbriefing eller en sammanfattning av tidigare arbete. Vart hamnar den? Kan en annan jurist hitta den sex månader senare? Förblir den kopplad till ärendet och det källmaterial som låg till grund för den?

Kan någon förklara vad AI:n genererade, vad en person granskade och vad som blev det slutgiltiga resultatet? Blir resultatet en del av organisationens institutionella kunskap, eller försvinner det in i en enskild persons AI-arbetsyta?

AI-baserade arbetsflöden håller på att bli en ytterligare källa till konkret arbetsresultat. Vart detta arbete tar vägen därefter måste ingå i utformningen av användningsfallen.

DMS spelar en viktig roll här, eftersom juridiska team redan använder systemet för att koppla arbetet till ärendet och bevara sammanhanget kring det arbetet. Värdefulla AI-genererade resultat väcker samma fråga: hur upprätthålls kopplingen till det juridiska arbete som de härstammar från?

Annars kan en organisation framgångsrikt använda AI för att utvinna kunskap ur sitt institutionella innehåll och samtidigt skapa ett nytt verk som ingen annan på ett tillförlitligt sätt kan hitta eller återanvända.

Skapa inte ett nytt problem inom informationshanteringen för att lösa ett AI-problem.

Förändra samtalet om upptäckter

Listor över användningsfall är användbara. Använd dem bara senare.

Samtalet om upptäckten kan i grunden handla om tre frågor:

• Vilka arbetsuppgifter borde försvinna? Tänk på allt det där – att söka, flytta, kontrollera, stämma av, återskapa, fråga och jaga – som människor har lärt sig att acceptera som en del av jobbet.
• Vad borde vi kunna se som vi inte kan se idag? Leta efter beslut som människor fattar utan den kunskap, de mönster, de risker, de relationer eller det sammanhang som organisationen redan förfogar över.
• Vilka förutsättningar, behörigheter och befogenheter kräver lösningen egentligen? Bestäm vad systemet behöver förstå, vilka områden det behöver ha åtkomst till och vad det får göra.

För att tillämpa dessa frågor i praktiken, använd arbetsbladet för att identifiera möjligheter med AI för att identifiera potentiella möjligheter, förstå vad som skapar friktionen och avgöra om AI verkligen är rätt lösning.

Ibland blir det så. Ibland är en enklare lösning bättre. Båda svaren är värdefulla, eftersom syftet med utredningen inte är att skapa fler AI-projekt. Det handlar om att identifiera problem som är värda att lösa.

Det besvarar en fråga: Har vi hittat rätt problem?

Sedan kommer nästa fråga: Är det verkligen värt att satsa på att lösa det på det här sättet?

I nästa artikel ska vi titta på hur man genomför en AI-värdering för att besvara den frågan innan man går vidare från en lovande idé till en AI-investering.