Opdateret for 2026
To måder redigering fejler på
Juridiske teams står over for to fejlformer. Begge skaber reelt ansvar.
Underredigering eksponerer fortrolige data eller personoplysninger, der skal holdes skjult. Parten videregiver materiale, som den havde ret — og ofte pligt — til at beskytte.
Overredigering skjuler fakta, som modpartens advokat har ret til at se. Domstole behandler dette som obstruktion. Det er en overtrædelse af e-discovery-reglerne, der kan medføre sanktioner.
AI-værktøjer, der prioriterer genkaldelse over præcision, forårsager det andet problem af design. En AI-motor, der sorterer 80 % af et dokument, undgår at overse noget. Men resultatet er ubrugeligt. Det kan også tiltrække retslige sanktioner.
Begge fejlformer fører til det samme sted: en dommer, en forklaring og omkostninger.
Schnitzer Steel-sagen (2024)
2024-sagen Athletics Investment Group v. Schnitzer Steel viser, hvordan domstole håndterer uretmæssig tilbageholdelse af dokumenter.
Én part producerede dokumenter med brede markeringer. Modpartens advokat protesterede. Retten gennemgik materialet. Den fandt, at markeringerne overskred, hvad loven tillader.
Resultatet: sanktioner under Federal Rule of Civil Procedure 37. Den producerende part betalte for en fejlbehæftet proces.
Sådanne sanktioner er ikke nye. Domstole har brugt dem i årevis. Det, der gør denne sag bemærkelsesværdig, er timingen. AI-assisteret gennemgang er nu almindelig i retssager. Sagen rejser et centralt spørgsmål: har juridiske teams kontrolleret præcisionen af deres AI-værktøjer, inden de bruges i produktion?
Svaret er afgørende. Et værktøj med dårlig præcision vil markere alt for meget. Den advokat, der stoler på det uden at dobbelttjekke, bærer risikoen.
For en fuld gennemgang af sagen, se E-Discovery LLC's analyse af relevansbaseret tilbageholdelse.
22,7 %-præcisionsproblemet
Presidio er en open source PII-detektionsmotor bygget af Microsoft. Den bruges bredt i dokumentgennemgangsværktøjer. Tests på retslige indlæg og kontrakter giver den en præcisionsrate på 22,7 %.
Præcision måler, hvor ofte et positivt flag er korrekt. Ved 22,7 % er cirka 77 ud af 100 flag falske positiver. Disse elementer er ikke følsomme efter nogen gældende standard.
For e-discovery er regnestykket direkte. Et sæt på 10.000 dokumenter behandlet med den hastighed vil have tusindvis af grundløse markeringer. Den producerende part risikerer det samme som sagsøgte i Schnitzer Steel: en anfægtet produktion, en retslig gennemgang og mulige sanktioner.
Dette tal gælder Presidios standardopsætning på advokatkontorets indhold. Ikke alle AI-værktøjer præsterer på dette niveau. Men denne motor er det mest udbredte open source-alternativ på markedet.
Årsagen er strukturel. NLP-systemer trænes på generel tekst. Retslig sprogbrug er anderledes. Den bruger fagudtryk, citationsformater og udkastningsregler, der afviger fra træningsdataene. Et værktøj, der fungerer godt på medicinske journaler, kan klare sig langt dårligere på vidneafhøringstransskripter.
Hvad AI-brugsdata viser
Her er et andet datapunkt: 27,4 % af AI-chatbot-indhold er følsomt ifølge uafhængig analyse af virksomheders AI-brug.
Dette beskriver, hvad medarbejdere sender under normale opgaver. Ikke data, de mente at dele — indhold inkluderet af vane eller tilfældigt. Advokater, der bruger AI til at udarbejde breve, gennemgå kontrakter eller opsummere vidneafhøringer, sender følsomt indhold til AI-leverandørers servere som en sideeffekt af normalt arbejde.
Næsten tre ud af ti interaktioner involverer klientdata, fortrolige oplysninger eller sagsstrategi. Dette indhold når AI-leverandørens servere i brugbar form, medmindre kontroller stopper det først.
For advokatfirmaer, der kontrollerer deres AI-risiko, er 27,4 % ikke et mindre problem. Det er grundraten. Næsten en tredjedel af AI-brug i et firma involverer indhold, der kræver beskyttelse.
Ansvarskæden
Overredigering og AI-datalæk skaber separate men forbundne risikostier. Begge starter med den samme beslutning: at implementere et AI-værktøj uden ordentlig evaluering.
E-discovery-stien: AI markerer indhold bredt → advokat stoler på output uden stikprøvekontrol → produktion har uberettigede markeringer → modpartens advokat protesterer → retten gennemgår → sanktioner.
Datalæk-stien: Advokat bruger AI til sagsarbejde → AI modtager fortrolig kommunikation → AI-leverandør oplever et brud → klientdata eksponeres → krav om advokatfejl følger.
Udgangspunktet er det samme i begge tilfælde. Firmaer implementerer AI-værktøjer uden at vide, hvad disse værktøjer faktisk gør. Ingen kontroller sættes op for arbejdet.
Præcisionsfokuseret gennemgang ved produktioner
Domstole stiller et snævert spørgsmål, når de gennemgår anfægtede markeringer. Var hver enkelt backed af fortrolighed, en tavshedspligtsregel eller en retsorden? Domstole spørger ikke, om den producerende parts værktøj markerede så meget som muligt.
En markering uden et ordentligt grundlag er en overtrædelse af e-discovery-reglerne. Det er ligegyldigt, om det var et menneske eller en AI, der lavede den. Undersøgelsen er markering for markering.
For advokater betyder dette, at AI-gennemgangsværktøjer skal testes på præcision — andelen af flag, der er reelt fortrolige. Ikke blot genkaldelse. Et værktøj, der opnår 90 % genkaldelse ved 22,7 % præcision, fanger mere følsomt indhold. Men det skaber en gennemgangsbelastning for de 77,3 % falske flag. Når denne gennemgang ikke sker, følger bred overredigering.
Hver markering i en produktion er et krav til retten. Den siger: dette indhold er legitimt tilbageholdt. Efter Schnitzer Steel skal det krav holde.
For mere om, hvordan anonymiseringsværktøjer adskiller sig fra standard PII-detektion, se vores guide til AI-præcision i juridisk dokumentgennemgang. For kontekst om fortrolighedslogs og AI-værktøjer, se vores artikel om advokat-klient-fortrolighed og AI.