Ažurirano za 2026.
Dva načina na koje redakcija zakazuje
Pravni timovi suočeni su s dva načina neuspjeha. Oba stvaraju stvarnu odgovornost.
Nedovoljna redakcija izlaže povjerljive podatke ili osobne podatke koji moraju ostati skriveni. Stranka otkriva materijal koji je imala pravo — i često obvezu — zaštititi.
Prekomjerna redakcija skriva činjenice koje protivni odvjetnik ima pravo vidjeti. Sudovi to tretiraju kao opstrukciju. To je povreda otkrivanja dokaza podložna sankcijama.
AI alati koji favoriziraju opseg nad preciznošću uzrokuju drugi problem po dizajnu. AI motor koji zacrnjuje 80% dokumenta izbjegava propustiti išta. Ali rezultat je beskoristan. Može i privući sudske sankcije.
Oba načina neuspjeha vode na isto mjesto: sudac, objašnjenje i troškovi.
Slučaj Schnitzer Steel (2024.)
Slučaj iz 2024. Athletics Investment Group protiv Schnitzer Steel pokazuje kako sudovi rješavaju nepravilno zadržavanje dokumenata.
Jedna strana je dostavila dokumente s opsežnim oznakama. Protivni odvjetnik je prigovorio. Sud je pregledao materijale. Utvrdio je da su oznake premašivale ono što zakon dopušta.
Rezultat: sankcije prema Federalnom pravilu građanskog postupka 37. Strana koja je dostavila platila je za neispravan proces.
Takve sankcije nisu nove. Sudovi ih koriste godinama. Ono što ovaj slučaj čini posebnim je vremenski trenutak. Pregled uz pomoć AI-a sada je uobičajen u parničnom postupku. Slučaj postavlja ključno pitanje: jesu li pravni timovi provjerili preciznost svojih AI alata prije nego što su ih koristili u produkciji?
Odgovor je važan. Alat s lošom preciznošću označit će previše. Odvjetnik koji se oslanja na njega bez provjere snosi rizik.
Za potpunu analizu slučaja pogledajte analizu E-Discovery LLC o zadržavanju temeljenom na relevantnosti.
Problem preciznosti od 22,7%
Presidio je open-source motor za otkrivanje osobnih podataka koji je izradio Microsoft. Naširoko se koristi u alatima za pregled dokumenata. Testovi na sudskim podnesenicima i ugovorima daju mu stopu preciznosti od 22,7%.
Preciznost mjeri koliko često je pozitivna oznaka točna. Pri 22,7%, otprilike 77 od svakih 100 oznaka su lažno pozitivne. Ti elementi nisu osjetljivi ni po jednom primjenjivom standardu.
Za e-Discovery, matematika je izravna. Skup od 10.000 dokumenata obrađenih po toj stopi imat će tisuće neutemeljenih oznaka. Strana koja dostavlja suočava se s istim rizikom kao tuženik u slučaju Schnitzer Steel: osporena dostava, sudski pregled i moguće sankcije.
Ova brojka odnosi se na Presidio standardnu konfiguraciju na sadržaju odvjetničkih ureda. Nisu svi AI alati na ovoj razini performansi. Ali ovaj motor je najšire korištena open-source opcija u ovom području.
Uzrok je strukturalan. NLP sustavi treniraju na općenitom tekstu. Jezik sudnice je drugačiji. Koristi stručne termine, formate citata i pravila izrade nacrta koji se razlikuju od podataka za treniranje. Alat koji dobro funkcionira na medicinskim zapisima može biti daleko lošiji na transkriptima svjedočenja.
Što podaci o korištenju AI-a pokazuju
Evo drugog podatka: 27,4% sadržaja AI chatbota je osjetljivo, prema neovisnoj analizi korištenja poslovnog AI-a.
Ovo opisuje što zaposlenici šalju tijekom normalnih zadataka. Nisu podaci koje su namjeravali dijeliti — sadržaj koji je uključen navikom ili slučajno. Odvjetnici koji koriste AI za izradu pisama, pregled ugovora ili sažimanje svjedočenja šalju osjetljivi sadržaj na poslužitelje AI dobavljača kao nusprodukt normalnog rada.
Gotovo svaka treća interakcija uključuje podatke klijenata, povjerljive informacije ili strategiju slučaja. Ti podaci dosežu poslužitelje AI dobavljača u upotrebljivom obliku osim ako ih kontrole ne zaustave.
Za odvjetničke urede koji provjeravaju AI rizik, 27,4% nije manji problem. To je osnovna stopa. Gotovo trećina upotrebe AI-a u uredu uključuje sadržaj koji treba zaštitu.
Lanac odgovornosti
Prekomjerno zadržavanje i curenje podataka putem AI-a stvaraju odvojene, ali povezane putove rizika. Oba počinju istom odlukom: rasporediti AI alat bez odgovarajuće procjene.
Put otkrivanja: AI opsežno označava sadržaj → odvjetnik se oslanja na rezultate bez provjere uzoraka → dostava ima neutemeljene oznake → protivni odvjetnik prigovara → sud pregledava → sankcije.
Put curenja podataka: Odvjetnik koristi AI za rad na slučaju → AI prima povjerljive komunikacije → dobavljač AI-a pretrpi proboj → podaci klijenata su izloženi → slijede tužbe zbog nepažnje.
Polazište je isto u oba slučaja. Uredi raspoređuju AI alate bez znanja što ti alati zapravo rade. Nisu postavljene kontrole za rad.
Pregled koji stavlja preciznost na prvo mjesto za dostave
Sudovi postavljaju usko pitanje kada pregledavaju osporene oznake. Je li svaka bila potkrijepljena povlasticom, pravilom povjerljivosti ili sudskim nalogom? Sudovi ne pitaju je li strana koja dostavlja nastojala što više označiti.
Oznaka bez valjane osnove je povreda otkrivanja dokaza. Nije važno je li je napravio čovjek ili AI. Istraga se provodi oznaka po oznaka.
Za odvjetnike to znači da AI alate za pregled treba testirati na preciznosti — udio oznaka koje su zaista povjerljive. Ne samo na opsegu. Alat koji postiže 90% opsega pri 22,7% preciznosti hvata više osjetljivog sadržaja. Ali stvara teret pregleda za 77,3% lažnih oznaka. Kada taj pregled ne bude obavljen, slijedi prekomjerno zadržavanje.
Svaka oznaka u dostavi je tvrdnja sudu. Kaže: ovaj sadržaj je legitimno zadržan. Nakon slučaja Schnitzer Steel, ta tvrdnja mora se održati.
Za više o tome kako se alati za anonimizaciju razlikuju od standardnog otkrivanja osobnih podataka, pogledajte naš vodič za AI preciznost u pregledu pravnih dokumenata. Za kontekst o privilegiranim zapisnicima i AI alatima, pogledajte naš tekst o odvjetničko-klijentskoj povlastici i AI-u.