By · Last updated 2026-03-12

Zpět na blogPrávní technologie

Sankce v e-discovery: Selhání AI redakce

Ve věci Athletics Investment Group v. Schnitzer Steel (2024) vedla nesprávná redakce k sankcím v rámci discovery. Při přesnosti AI nástrojů pouze 22,7 % čelí právní týmy reálné odpovědnosti.

March 12, 202610 min čtení
e-discovery sanctionsredaction liabilityAI redaction precisiondocument reviewlegal technology

title: "Sankce v e-discovery: Kdy AI redakce zachází příliš daleko" description: "Ve věci Athletics Investment Group v. Schnitzer Steel (2024) vedla nesprávná redakce k sankcím v rámci discovery. Při přesnosti AI nástrojů pouze 22,7 % čelí právní týmy reálné odpovědnosti." category: legal-tech publishedAt: 2026-03-12 tags:

  • sankce v e-discovery
  • odpovědnost za redakci
  • přesnost AI redakce
  • přezkum dokumentů
  • právní technologie readingTime: 10

Aktualizováno pro rok 2026

Dva způsoby selhání redakce

Právní týmy čelí dvěma typům selhání. Oba vytvářejí reálnou odpovědnost.

Nedostatečná redakce odhaluje privilegované údaje nebo osobní informace, které musí zůstat skryté. Strana zpřístupní materiál, na jehož ochranu měla právo — a často i povinnost.

Nadměrná redakce skrývá skutečnosti, které má protistrana právo vidět. Soudy to považují za obstrukci. Jde o porušení discovery pravidel podléhající sankcím.

AI nástroje upřednostňující úplnost (recall) před přesností způsobují druhý problém ze své podstaty. AI engine, který začerní 80 % dokumentu, nic nepřehlédne. Ale výsledek je nepoužitelný. Může také přivolat sankce soudu.

Oba typy selhání vedou na stejné místo: k soudci, vysvětlování a nákladům.

Případ Schnitzer Steel (2024)

Případ Athletics Investment Group v. Schnitzer Steel z roku 2024 ukazuje, jak soudy nakládají s nesprávným zadržováním dokumentů.

Jedna strana předložila dokumenty s rozsáhlými označeními. Protistrana se ohradila. Soud materiály přezkoumal. Zjistil, že označení překračují to, co zákon dovoluje.

Výsledkem byly sankce podle Federálního procesního řádu pro občanské věci, pravidlo 37. Předkládající strana zaplatila za chybný postup.

Takové sankce nejsou novinkou. Soudy je používají už léta. Co tento případ odlišuje, je načasování. AI-asistovaný přezkum je nyní v soudním řízení běžný. Případ vyvolává klíčovou otázku: ověřily právní týmy přesnost svých AI nástrojů před jejich nasazením do praxe?

Odpověď má váhu. Nástroj s nízkou přesností označí příliš mnoho. Advokát, který se na jeho výstup spoléhá bez vlastní kontroly, nese riziko.

Podrobnou analýzu případu najdete v rozboru E-Discovery LLC o zadržování na základě relevance.

Problém s přesností 22,7 %

Presidio je open-source nástroj pro detekci osobních údajů vytvořený Microsoftem. Je široce používán v nástrojích pro přezkum dokumentů. Testy na soudních podáních a smlouvách mu dávají přesnost 22,7 %.

Přesnost měří, jak často je pozitivní označení správné. Při 22,7 % je přibližně 77 ze 100 označení falešně pozitivních. Tyto položky nejsou citlivé podle žádného platného standardu.

Pro e-discovery je matematika přímočará. Sada 10 000 dokumentů zpracovaná při tomto výkonu bude mít tisíce neopodstatněných označení. Předkládající strana čelí stejnému riziku jako žalovaný ve věci Schnitzer Steel: napadené podání, přezkum soudu a možné sankce.

Toto číslo platí pro výchozí nastavení Presidia na obsahu advokátních kanceláří. Ne všechny AI nástroje fungují na této úrovni. Ale tento engine je nejpoužívanější open-source možností v oboru.

Příčina je strukturální. NLP systémy se trénují na obecném textu. Jazyk soudních řízení je jiný. Používá odborné termíny, citační formáty a pravidla formulování, která se odchylují od tréninkových dat. Nástroj dobře fungující na zdravotnických záznamech může být výrazně horší na přepisech výpovědí.

Co ukazují data o využití AI

Druhý datový bod: 27,4 % obsahu AI chatbotů je citlivé podle nezávislé analýzy podnikového využití AI.

Toto popisuje, co zaměstnanci odesílají při běžných úkolech. Nejde o data, která chtěli záměrně sdílet — jde o obsah zahrnutý ze zvyku nebo náhodou. Advokáti používající AI pro sepisování dopisů, přezkum smluv nebo shrnutí výpovědí odesílají citlivý obsah na servery AI jako vedlejší efekt běžné práce.

Skoro tři z deseti interakcí zahrnují klientská data, privilegované informace nebo strategii případu. Tento obsah se dostane na servery dodavatele AI v použitelné podobě, pokud mu v tom nebrání kontrolní mechanismy.

Pro advokátní kanceláře hodnotící AI rizika není 27,4 % zanedbatelné číslo. Je to základní míra. Téměř třetina využití AI v kanceláři zahrnuje obsah, který potřebuje ochranu.

Řetězec odpovědnosti

Nadměrné zadržování a úniky dat z AI vytvářejí oddělené, ale propojené rizikové cesty. Obě začínají stejným rozhodnutím: nasadit AI nástroj bez řádného hodnocení.

Cesta přes discovery: AI rozsáhle označí obsah → advokát se spoléhá na výstup bez namátkové kontroly → podání obsahuje neopodstatněná označení → protistrana vznese námitky → soud přezkoumá → sankce.

Cesta přes únik dat: Advokát používá AI pro práci na případu → AI přijme privilegovaná sdělení → dodavatel AI utrpí průnik → klientská data jsou vystavena → následují stížnosti na pochybení.

Výchozí bod je v obou případech stejný. Kanceláře nasazují AI nástroje, aniž by věděly, co tyto nástroje skutečně dělají. Nejsou zavedeny žádné kontrolní mechanismy pro daný typ práce.

Přezkum zaměřený na přesnost pro podání

Soudy při přezkumu sporných označení kladou úzkou otázku. Bylo každé z nich podloženo privilegiem, pravidlem důvěrnosti nebo soudním příkazem? Soudy se neptají, zda nástroj předkládající strany označil co nejvíce.

Označení bez řádného podkladu je porušením discovery pravidel. Nezáleží na tom, zda je provedl člověk nebo AI. Přezkum probíhá označení po označení.

Pro advokáty to znamená, že AI nástroje pro přezkum musí být testovány na přesnost — podíl označení, která jsou skutečně privilegovaná. Nestačí sledovat pouze úplnost. Nástroj s 90% úplností při 22,7% přesnosti zachytí více citlivého obsahu. Ale vytvoří zátěž přezkumu pro 77,3 % falešných označení. Pokud tento přezkum neproběhne, dochází k rozsáhlému nadměrnému zadržování.

Každé označení v podání je tvrzením vůči soudu. Říká: tento obsah je oprávněně zadržen. Po rozhodnutí ve věci Schnitzer Steel musí toto tvrzení obstát.

Více o tom, jak se nástroje pro anonymizaci liší od standardní detekce osobních údajů, najdete v našem průvodci přesností AI při přezkumu právních dokumentů. Pro kontext o protokolech privilegií a AI nástrojích viz náš článek o advokát-klient privilegiu a AI.

Zdroje

Připraveni chránit svá data?

Začněte anonymizovat PII s více než 285 typy entit ve 48 jazycích.

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.