anonym.legal

By · Last updated 2026-03-22

Terug na BlogRegte Tegnologie

Verdigting van Redigerings: KI-Tellings in die Hof

'n Regter het gevra waarom 47% van 'n dokument geredigeer is. Die antwoord 'die KI het dit gemerk' is nie regsdig verdedigbaar nie. Hier is hoe verdedigbare outomatiese redigering lyk.

March 22, 20268 min lees
defensible redactionAI confidence scorese-discovery audit trailprivilege log requirementslegal tech compliance

Opgedateer vir 2026

"Die KI Het Dit Gedoen" Misluk in die Hof

KI-hulpmiddels het 'n nuwe regsrisiko geskep. Prokureurs kan dikwels nie verduidelik waarom 'n stelsel inhoud geblokkeer het nie. Wanneer 'n regter vra, is "die algoritme het dit gemerk" nie genoeg nie.

FRCP Reel 26(b)(5) stel die maatstaf. 'n Party wat materiaal weerhou, moet die eis verklaar. Hulle moet ook die dokumente beskryf. Daardie beskrywing moet die ander kant toelaat om voorreg te beoordeel -- sonder om die inhoud self te openbaar.

"Die ML-model het dit verwyder" misluk daardie maatstaf. Die ander kant kan nie sien wat opgespoor is nie. Hulle kan nie sien waarom nie.

Oor-Redigering Dryf Dispute

Morgan Lewis Q1 2025 e-discovery-navorsing het oor-redigering gemerk as 'n aktiewe geskilbron in federale howe. Die tendens koppel aan hoesensitiwiteits-KI-hulpmiddels. Hierdie hulpmiddels bevoordeel herroeping. Hulle vang alles wat moontlik sensitief mag wees.

Die newe-effekte is voorspelbaar. Datums naby 'n naam word geblokkeer. Uitstel-nommers word geblokkeer. Konteks word geïgnoreer.

Teenpartyprokureurs daag dan elke geblokkeerde item uit. Die produserende party moet elkeen verduidelik. Geen per-entiteitsrekord beteken geen verduideliking beskikbaar nie.

KI-hulpmiddels wat op maksimum herroeping ingestel is, is ontwerp om alles te vang. Hierdie ontwerp is geskik vir sommige gebruiksgevalle. Vir e-discovery-produksies skep dit aanspreeklikheid.

Wanneer uitgedaagde items nie verduidelik kan word nie, kan howe her-produksie beveel. Her-produksie kos tyd en geld. In sommige gevalle nooi dit sanksies uit.

Drie Dinge Wat Verdedigbare Stelsels Benodig

Howe hersien uitgedaagde items een vir een. Hulle vra 'n nou vraag. Wat is die grondslag vir hierdie spesifieke item in hierdie spesifieke dokument?

Die meeste KI-hulpmiddels kan dit nie beantwoord nie. Drie funksies maak dit moontlik.

Per-entiteit-vertrouenstellings. Elke geblokkeerde item moet 'n gegradeerde opsporing terug herlei. "Naam opgespoor met 94% vertroue" is verdedigbaar. "Gemerk deur ML" is nie. Vir hoe gradering in die praktyk werk, sien Waarom Binere PII-Opsporing Nakoming Misluk.

Entiteitstipe-klassifikasie. Elke geblokkeerde item moet na 'n erkende tipe wys. Persoonsnaam. SSN. Geboortedatum. Daardie tipe gaan in die voorreg-loglys. Dit verduidelik die grondslag vir weerhouding sonder om die inhoud te openbaar.

Drempel-rekords. Die konfigurasie moet gedokumenteer word. Watter sensitiwiteitsiesvlakke is gebruik? Watter entiteitstipes was in omvang? Teenstanders prokureurs kan hierdie rekords versoek. Die produserende party moet gereed wees om elke keuse te verduidelik.

Die 83% Bestuur-Mandaat

IAPP 2025-navorsing het bevind dat 83% van KI-bestuurraamwerke data-minimalisering by die KI-invoerlaag vereis.

Vroeer raamwerke het op KI-uitsette gefokus. Nou dek hulle ook wat in KI-stelsels gaan. Die verskuiwing is beduidend.

Vir regspanne is die impak direk. Dieselfde minimalisering-plig geld vir KI-hersiening-hulpmiddels wat op klienteleers gebruik word. Spanne moet sensitiewe data verminder voordat dit die hulpmiddel bereik.

Twee pligte oorvleuel nou. Vertrouensgradering-rekords ondersteun voorreegeis in dispute. Invoerminimalisering voldoen aan KI-bestuurreels. Saam definieer hulle die nakomingsbaselyn vir KI-ondersteunde regswerk in 2025.

Wat Die Ouditloglys Moet Vasleg

Die loglys moet ses dinge vir elke dokument wat verwerk is, rekord hou.

Eerste: die dokumentidentifiseerder. Tweede: entiteitstipe. Derde: vertrouenstelling. Vierde: metode toegepas -- etiket of swart boks. Vyfde: konfigurasieweergawe in gebruik. Sesde: datum en tyd van verwerking.

Hierdie loglys dien twee doeleindes. Dit ondersteun die voorreg-loglys wanneer 'n produksie uitgedaag word. Dit toon ook reguleerders dat sensitiewe data geminimaliseer is voordat dit die firma verlaat het.

Vir hoe howe onbehoorlike weerhouding hanteer en die sanksies wat volg, sien E-Discovery-Sanksies: Wanneer KI-Redigering Te Ver Gaan.

Die bou van hierdie loglys is nie bokoste nie. Dit is wat 'n regspan toelaat om sy keuses te verdedig -- aan 'n regter, aan teenstanders of aan 'n databeskermingsowerheid.

Bronne

Gereed om u data te beskerm?

Begin om PII te anonimiseer met 285+ entiteitstipes in 48 tale.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.