By · Last updated 2026-03-12

Vissza a BlograJogi Technológia

E-discovery szankciók: a mesterséges intelligenciás szerkesztés kudarca

Az Athletics Investment Group v. Schnitzer Steel (2024) ügyben a nem megfelelő szerkesztés discovery-szankciókat vont maga után. Mivel az MI-eszközök mindössze 22,7%-os pontossággal dolgoznak, a jogi csapatok valódi felelősséggel szembesülnek.

March 12, 202610 perc olvasás
e-discovery sanctionsredaction liabilityAI redaction precisiondocument reviewlegal technology

title: E-discovery szankciók: ha az MI-szerkesztés túlmegy a határon description: Az Athletics Investment Group v. Schnitzer Steel (2024) ügyben a nem megfelelő szerkesztés discovery-szankciókat vont maga után. category: legal-tech publishedAt: 2026-03-12 tags:

  • e-discovery szankciók
  • szerkesztési felelősség
  • MI-szerkesztési pontosság
  • dokumentumfelülvizsgálat
  • jogi technológia readingTime: 10

2026-ra frissítve

A szerkesztés két kudarcmódja

A jogi csapatok kétféle kudarcmóddal néznek szembe. Mindkettő valódi felelősséget teremt.

Az alulszerkesztés privilegizált adatokat vagy olyan személyes adatokat tesz ki, amelyeknek rejtve kellene maradniuk. A fél olyan anyagot hoz nyilvánosságra, amelyet joga — és sokszor kötelessége — volt megvédeni.

A túlszerkesztés olyan tényeket rejt el, amelyekhez az ellenérdekű félnek joga van hozzáférni. A bíróságok ezt akadályoztatásnak tekintik. Ez olyan discovery-jogsértés, amely szankciókat vonhat maga után.

Azok a mesterséges intelligencia eszközök, amelyek a teljességet a pontosság elé helyezik, tervezési szinten okozzák a második problémát. Egy olyan MI-motor, amely egy dokumentum 80%-át feketíti ki, nem hagy ki semmit. Az eredmény azonban használhatatlan. Ráadásul bírósági szankciókat vonhat maga után.

Mindkét kudarcmód ugyanoda vezet: egy bíró, egy magyarázat és a költségek.

A Schnitzer Steel-ügy (2024)

Az Athletics Investment Group v. Schnitzer Steel 2024-es ügye megmutatja, hogyan kezeli a bíróság a nem megfelelő dokumentumvisszatartást.

Az egyik fél széles jelölésekkel ellátott dokumentumokat adott át. Az ellenérdekű fél tiltakozott. A bíróság megvizsgálta az anyagokat. Megállapította, hogy a jelölések túlmentek azon, amit a jog megenged.

Az eredmény: szankciók a szövetségi polgári eljárási szabályok 37. szabálya alapján. A termelő fél egy hibás folyamat költségeit fizette meg.

Az ilyen szankciók nem újak. A bíróságok évek óta alkalmazzák őket. Ami ezt az ügyet kiemeli, az az időzítés. A mesterséges intelligencia segítségével végzett felülvizsgálat ma már általános a peres eljárásokban. Az ügy egy kulcskérdést vet fel: ellenőrizték-e a jogi csapatok az MI-eszközeik pontosságát, mielőtt éles alkalmazásban használták volna azokat?

A válasz fontos. Egy gyenge pontosságú eszköz messze túl sok mindent fog megjelölni. Az ügyvéd, aki ellenőrzés nélkül támaszkodik rá, viseli a kockázatot.

A teljes esetismertetésért lásd az E-Discovery LLC relevanciaalapú visszatartással foglalkozó elemzését.

A 22,7%-os pontossági probléma

A Presidio egy Microsoft által fejlesztett nyílt forráskódú személyazonosításra alkalmas információ (PII) felismerő motor. Széles körben használják a dokumentumfelülvizsgálati eszközökben. Bírósági beadványokon és szerződéseken végzett tesztek 22,7%-os pontossági arányt mutatnak.

A pontosság azt méri, hogy egy pozitív jelölés milyen gyakran helyes. 22,7%-nál minden 100 jelölésből körülbelül 77 hamis pozitív. Ezek az elemek semmilyen alkalmazandó standard szerint nem érzékenyek.

Az e-discovery esetén a számítás egyértelmű. 10 000 dokumentumból álló, ilyen arányban feldolgozott halmaz ezernyi alaptalan jelölést fog tartalmazni. A termelő fél ugyanolyan kockázattal néz szembe, mint a Schnitzer Steel alperes: vitatott termelés, bírósági felülvizsgálat és esetleges szankciók.

Ez az adat a Presidio out-of-box beállítására vonatkozik ügyvédi irodai tartalmon. Nem minden MI-eszköz teljesít ezen a szinten. Ez a motor azonban a legszélesebb körben használt nyílt forráskódú lehetőség a területen.

Az ok strukturális. A természetes nyelvfeldolgozó (NLP) rendszerek általános szövegen tanulnak. A tárgyalótermi nyelvezet más. Olyan szakkifejezéseket, hivatkozási formátumokat és szerkesztési szabályokat alkalmaz, amelyek eltérnek a tanítóadatoktól. Egy orvosi nyilvántartásokon jól teljesítő eszköz sokkal rosszabbul tud boldogulni a kihallgatási átiratokkal.

Mit mutat az MI-használati adat

Íme egy második adatpont: az MI-chatbot tartalmának 27,4%-a érzékeny — a vállalati MI-használat független elemzése alapján.

Ez azt írja le, hogy az alkalmazottak mit küldenek normál munkavégzés közben. Nem szándékosan megosztott adatok — hanem szokásból vagy véletlenül belefoglalt tartalom. Az ügyvédek, akik MI-t használnak levelek fogalmazásához, szerződések felülvizsgálatához vagy meghallgatások összefoglalásához, a normál munkavégzés mellékhatásaként érzékeny tartalmakat küldenek az MI-szerverekre.

Majdnem minden harmadik interakció ügyféladatokat, privilegizált információt vagy ügystratégiát tartalmaz. Ez a tartalom — hacsak nem védi meg kontrollrendszer — felhasználható formában jut el az MI-szállító szervereihez.

Az ügyvédi irodák MI-kockázatát ellenőrzők számára a 27,4% nem elhanyagolható. Ez az alaparány. Az irodán belüli MI-használat közel harmada olyan tartalmat érint, amelyet védeni kell.

A felelősségi lánc

A túlzott visszatartás és az MI-adatszivárgás külön, de összekapcsolt kockázati utakat teremt. Mindkettő ugyanazzal a döntéssel kezdődik: MI-eszköz telepítése megfelelő értékelés nélkül.

A discovery-út: Az MI széles körben jelöli a tartalmat → az ügyvéd az eredményre támaszkodik szúrópróba-ellenőrzés nélkül → a termelés indokolatlan jelöléseket tartalmaz → az ellenérdekű fél kifogásolja → a bíróság felülvizsgálja → szankciók.

Az adatszivárgási út: Az ügyvéd MI-t alkalmaz az ügy munkálatainál → az MI privilegizált kommunikációt kap → az MI-szállítót adatszegés éri → az ügyféladatok kiszivárognak → műhibakövetelések következnek.

Mindkét esetben ugyanaz a kiindulópont. Az irodák MI-eszközöket telepítenek anélkül, hogy tudnák, azok valójában mit csinálnak. Nem állítanak fel kontrollrendszert a munkavégzéshez.

Pontosságközpontú felülvizsgálat a termeléshez

A bíróságok szűk kérdést tesznek fel, amikor vitatott jelöléseket vizsgálnak felül. Minden egyes jelölés mögött állt-e privilégium, titoktartási szabály vagy bírósági végzés? A bíróságok nem azt kérdezik, hogy a termelő fél eszköze a lehető legtöbbet jelölte-e meg.

A megfelelő alap nélküli jelölés discovery-jogsértés. Nem számít, hogy ember vagy MI tette. A vizsgálat jelölésenként zajlik.

Az ügyvédek számára ez azt jelenti, hogy az MI-felülvizsgálati eszközöket pontosság alapján kell tesztelni — azon jelölések arányát tekintve, amelyek valóban privilegizáltak. Nem csak a teljességet vizsgálva. Egy 90%-os teljességet elérő, de 22,7%-os pontosságú eszköz több érzékeny tartalmat fog meg. De a 77,3%-os hamis jelölés felülvizsgálati terhet jelent. Ha ez a felülvizsgálat elmarad, széles körű túlszerkesztés következik.

A termelés minden egyes jelölése egy állítás a bíróság felé. Azt mondja: ez a tartalom jogszerűen van visszatartva. A Schnitzer Steel után ennek az állításnak helyt kell állnia.

Arról, hogy az anonimizálási eszközök miben különböznek a standard PII-felismeréstől, lásd az MI-pontosság a jogi dokumentumfelülvizsgálatban útmutatónkat. Az ügyvéd-ügyfél privilégiummal és az MI-eszközökkel kapcsolatos kontextushoz lásd az ügyvéd-ügyfél privilégium és az MI cikkünket.

Források

Készen áll az adatai védelmére?

Kezdje el a PII anonimizálását 285+ entitástípuson 48 nyelven.

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.