By · Last updated 2026-03-12

Itzuli BlogeraLegal Tech

E-Discovery Zigorrak: AI Erredakzioak Huts Egiten Du

Athletics Investment Group v. Schnitzer Steel (2024) kasuan, erredakzio desegokiak aurkikuntza zigorrak eragin zituen. AI tresnetan %22,7ko zehaztasuna soilik lortzen denean, legezko taldeek benetako ardura dute.

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

2026rako eguneratua

Erredakzioak Huts Egiteko Bi Era

Legezko taldeek bi hutsegite modu aurre egiten diete. Biek benetako ardura sortzen dute.

Erredakzio eskasak pribilegio datuak edo ezkutuan egon behar duen informazio pertsonala agerian uzten du. Alderdiak material bat zabaltzen du eskubidea -- eta askotan betebehar -- zuen babesteko.

Erredakzio gehiegiak aurkakoa den abokatuak ikusteko eskubidea duen gertakariak ezkutatzen ditu. Auzitegiek hau oztopo bezala tratatzen dute. Zigorra jaso dezakeen aurkikuntza urrapena da.

Xehetasuna berreskurapena baino nabarmenago azpimarratzen duten AI tresnek bigarren arazoa sortzen dute diseinuz. Dokumentu baten %80 belztuz aritzen den AI motor batek ez du ezer galtzen. Baina emaitza alferrikakoa da. Auzitegi zigorrak ere erakar ditzake.

Bi hutsegite moduek toki berera eramaten dute: epaile batek, azalpen baten eta kostuen aurrean.

Schnitzer Steel Kasua (2024)

Athletics Investment Group v. Schnitzer Steel-ren 2024ko kasua erakusten du nola kudeatzen dituzten auzitegiek dokumentuen atxikitze desegokia.

Al de batek marka zabalak zituzten dokumentuak aurkeztu zituen. Aurkako abokatu ordezkariak protestatu zuen. Auzitegiak materialak aztertu zituen. Markak legeak baimentzen zuena baino harago zihoazela aurkitu zuen.

Emaitza: Federal Rule of Civil Procedure 37aren peko zigorrak. Aurkezpen alderdiak akastun prozesua ordaindu zuen.

Zigor horiek ez dira berriak. Auzitegiek hamarkadetan erabili dituzte. Kasu hau nabarmentzen duena denbora-kontua da. AI bidezko berrikuspena orain ohikoa da auzitegi eztabaidetan. Kasua gai funtsezko bat planteatzen du: legezko taldeek beren AI tresnen zehaztasuna egiaztatu dute aurkezpenetan erabili aurretik?

Erantzunak garrantzia du. Zehaztasun txikia duen tresna batek gehiegi markatuko du. Tresna egiaztatu gabe erabiltzen duen abokatu arduradunak arriskua hartzen du.

Kasu osoa aztertzeko, ikusi E-Discovery LLC-ren garrantziaren araberako atxikipenaren azterketa.

%22,7ko Zehaztasun Arazoa

Presidio Microsoft-ek sortutako kode irekiko PII detekzio motorra da. Dokumentu berrikuspenen tresna askotan erabilia da. Auzitegi dokumentuetan eta kontratuetan eginiko probek %22,7ko zehaztasun tasa ematen diote.

Zehaztasunak positibo marken zuzentasun tasa neurtzen du. %22,7an, markako 100etik 77 inguru positibo faltsuak dira. Elementu horiek ez dira sentikorra aplikagarri den estandar baten arabera.

e-discoveryrentzat, matematika zuzena da. Tasa horretara prozesatutako 10.000 dokumentuen multzo batek milaka oinarririk gabeko marka izango ditu. Aurkezpen alderdiak Schnitzer Steel defendatzailearen arrisku bera aurreikusten du: erronkatutako aurkezpen bat, auzitegi berrikuspena eta zigor posibleak.

Zifra hau Presidio-ren lege-etxearen edukiaren ezarpen lehenetsiaren araberakoa da. Ez dute tresna guztiek maila honetan funtzionatzen. Baina motor hau eremuko kode irekiko aukera erabiliena da.

Arrazoia estrukturala da. NLP sistemak testu orokorrean entrenatzen dira. Auzitegi hizkuntza desberdina da. Arte-terminoak, aipamen formatuak eta prestakuntza datuetatik desbideratzen diren idazketa arauak erabiltzen ditu. Mediku erregistroetan ondo funtzionatzen duen tresna batek askoz txarago egin dezake deposizioaren transkripzioetan.

AI Erabilera Datuak Zer Erakusten Duen

Hona bigarren datu puntu bat: AI txat-bot edukiaren %27,4 sentikorra da, enpresa AI erabileraren azterketa independentearen arabera.

Honek langileek ohiko zereginen bitartean bidaltzen dutena deskribatzen du. Partekatu nahi zuten datuak ez dira, ohiturez edo istripuz sartutako edukia. Gutunak idazten, kontratuak berrikusten edo deposizioak laburtzen diharduten abokatuek eduki sentikorra bidaltzen diete AI zerbitzariei ohiko lanaren ondorio gisa.

Hiru elkarreraginetatik ia bat bezero datuak, pribilegio informazioa edo kasu estrategia daramatza. Eduki hori AI saltzailearen zerbitzarietan forma erabilgarrian iristen da kontrolek hori galarazten ez badute.

Legezko etxeek AI arriskua egiaztatzeko, %27,4 alboko kontua ez da. Oinarrizko tasa da. Etxe bateko AI erabileraren ia herena babes beharreko edukia dakarkien elkarreraginekin zerikusia du.

Ardura Kate

Gehiegi atxikitzeak eta AI datu-ihesek arrisku bide bereizi baina lotuta sortzen dituzte. Biek hasierako erabaki berberarekin hasten dira: AI tresna egoki ebaluatu gabe zabaltzea.

Aurkikuntza bidea: AI edukia zabal markatzen du → abokatu arduradunak egiaztatu gabe bere gain hartzen du emaitza → aurkezpenak justifikatu gabeko markak ditu → aurkako abokatu ordezkariak objekzioa aurkezten du → auzitegiak berrikuspena egiten du → zigorrak.

Datu-ihes bidea: Abokatu arduradunak kasurako AI erabiltzen du → AI-k pribilegio komunikazioak jasotzen ditu → AI saltzaileak haustara bat jasaten du → bezero datuak agerian geratzen dira → negligentziaren klausa ondorioztatu.

Hasierako puntua berdina da kasu bietan. Etxeek AI tresnak zabaltzen dituzte jakin gabe tresna horiek zer egiten duten benetan. Ez da lanerako kontrolik ezartzen.

Zehaztasun-Lehenengo Berrikuspena Aurkezpenetarako

Auzitegiek galdera estu bat egiten dute markatutako eztabaidak aztertzerakoan. Pribilegioan, konfidentzialtasun arau batean edo auzitegi aginduan oinarrituta al zegoen bakoitza? Auzitegiek ez dute galdetzen aurkezle alderdiak bere tresnarekin ahal bezainbeste markatu ote zuen.

Oinarri egokirik gabeko marka bat aurkikuntza urrapena da. Ez da axola gizakiak edo AI batek egin ote duen. Azterketa marka bakoitzeko da.

Abokatuei dagokienez, horrek esan nahi du AI berrikuspena tresnak zehaztasunean probatu behar direla -- positibo egiazkoen proportzioa. Ez soilik berreskurapena. %90eko berreskurapena %22,7ko zehaztasunean lortzen duen tresna eduki sentikorragoa harrapatzen du. Baina %77,3ko positibo faltsuetarako berrikuspena kargu bat sortzen du. Berrikuspena egiten ez denean, erredakzio gehiegi orokor ondorioztatu.

Aurkezpen bateko marka bakoitza auzitegirako aldarrikapena da. Esaten du: eduki hau legitimoki atxikita dago. Schnitzer Steel ondoren, aldarrikapen horrek iraun behar du.

Anonimizazio tresnak eta estandar PII detekzioa nola desberdintzen diren gehiago jakiteko, ikusi gure gida AI zehaztasuna legezko dokumentuen berrikuspenean. Pribilegio erregistroen eta AI tresnen testuinguruari buruz, ikusi gure abokatu-bezero pribilegioa eta AI artikulua.

Iturriak

Prest zure datuak babesteko?

Hasi PII anonimizatzen 285+ entitate mota 48 hizkuntzatan.

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.