By · Last updated 2026-03-22

Til baka á BloggLögfræðiteknik

Að verja neitanir: AI-stig fyrir dómstól

Dómari spurði hvers vegna 47% skjals var neitað. Svarið 'AI-kerfið flaggaði það' er ekki lögfræðilega verjanlegt. Hér er hvernig verjanlegar sjálfvirkar neitanir líta út.

March 22, 20268 mín lestur
defensible redactionAI confidence scorese-discovery audit trailprivilege log requirementslegal tech compliance

Uppfært fyrir 2026

"AI-kerfið gerði það" hlær fyrir dómstól

AI-tæki hafa skapað nýja lagalega áhættu. Lögfræðingar geta oft ekki útskýrt hvers vegna kerfi lokuðu efni. Þegar dómari spyr er "reikniritið flaggaði það" ekki nóg.

FRCP regla 26(b)(5) setur þröskuldin. Aðili sem heldur efni aftan við verður að gefa upp kröfuna. Þeir verða einnig að lýsa skjölunum. Sú lýsing verður að gera gagnvart aðilanum kleift að meta forréttindakröfuna - án þess að afhjúpa efnið sjálft.

"ML-líkanið fjarlægði það" uppfyllir ekki þá kröfu. Gagnaðilinn getur ekki séð hvað var greint. Þeir geta ekki séð hvers vegna.

Yfirneiting knýr deilur

Morgan Lewis Q1 2025 e-Discovery rannsóknin flaggaði yfirneiting sem virka deilumyggjur í sambandsdómstólum. Þróunin tengist AI-tækjum með mikla næmni. Þessi tæki hyggja á rifjun. Þau grípa allt sem gæti verið viðkvæmt.

Hliðarverkanirnar eru fyrirsjáanlegar. Dagsetningar nálægt nafni er lokað á. Sýnismerki eru lokað á. Samhengi er hunsað.

Gagnaðilslögmaður gagnrýnir síðan hvert lokað atriði. Framleiðandi aðilinn verður að útskýra hvert einstakt. Engar skrár per einingu þýðir engin skýring er til staðar.

AI-tæki stillt á að hámarka rifjun eru hönnuð til að grípa allt. Sú hönnun hentar sumum notkunartilvikum. Fyrir e-Discovery framleiðslur skapar hún ábyrgð.

Þegar gagnrýnd atriði er ekki hægt að útskýra geta dómstólar fyrirskipað endurframleiðslu. Endurframleiðsla kostar tíma og peninga. Í sumum tilvikum fær hún refsingar.

Þrjár hlutir sem verjanlegar kerfi þurfa

Dómstólar fara yfir gagnrýnd atriði eitt í einu. Þeir spyrja þröngrar spurningar. Hvert er grundvöllurinn fyrir þessu tiltekna atriði í þessu tiltekna skjali?

Flest AI-tæki geta ekki svarað því. Þrír eiginleikar gera það mögulegt.

Einingastig per einingu. Hvert lokað atriði verður að rekja til stigsettrar greiningar. "Nafn greint við 94% öryggi" er verjanlegt. "Flaggað af ML" er það ekki. Fyrir hvernig stigsetning virkar í framkvæmd, sjá Hvers vegna tvíræð PII-uppgötvan bilar samræmni.

Einingagerðarflokkun. Hvert lokað atriði verður að varpa á þekkta gerð. Mannanafn. SSN. Fæðingardagur. Sú gerð fer í forréttindaskrána. Hún útskýrir grundvöll neitunar án þess að afhjúpa efnið.

Þröskuldarskrár. Stillingarnar verða að vera skráðar. Hvaða næmnistig voru notuð? Hvaða einingagerðir voru á sviðinu? Gagnaðilinn getur beðið um þessar skrár. Framleiðandi aðilinn verður að vera tilbúinn að útskýra hvert val.

83% stjórnmarkalaðsetningarskyldan

IAPP 2025 rannsóknin leiddi í ljós að 83% AI-stjórnunarramma krefjast gagnasamlögnunar á AI-inntakslagi.

Fyrri rammar einblíndu á AI-úttök. Nú ná þeir einnig yfir hvað fer inn í AI-kerfi. Breytingin er marktæk.

Fyrir lögfræðiteymi er áhrifin bein. Sömu samlagningarskyldur gilda um AI-endurskoðunartæki sem notuð eru á skjöl viðskiptavina. Teymi verða að draga úr viðkvæmum gögnum áður en þau ná tækinu.

Tvær skyldur skarast nú. Einingastigsskrár styðja forréttindakröfur í deilum. Inntakssamlagning uppfyllir AI-stjórnunarreglur. Saman skilgreina þær samræmnimörkin fyrir AI-stuðna lögfræðilega vinnu árið 2025.

Hvað endurskoðunarskráin verður að grípa

Skráin verður að skrá sex hluti fyrir hvert skjal sem unnið er úr.

Fyrst: skjalsauðkennið. Annað: einingagerð. Þriðja: öryggisstig. Fjórða: aðferð beitt - merki eða svart kassi. Fimmta: stillingarútgáfa í notkun. Sjötta: dagsetning og tími vinnslu.

Þessi skrá þjónar tvennum tilgangi. Hún styður forréttindaskrána þegar framleiðsla er gagnrýnd. Hún sýnir einnig eftirlitsaðilum að viðkvæm gögn voru samlagðar áður en þau fóru frá fyrirtækinu.

Fyrir hvernig dómstólar meðhöndla óviðeigandi neitun og þær refsingar sem fylgja, sjá E-Discovery refsingar: Þegar AI-neiting fer of langt.

Að byggja þessa skrá er ekki yfirvegin. Það er það sem gerir lögfræðiteymi kleift að verja val sitt - fyrir dómara, gagnvart gagnaðila, eða til persónuverndaryfirvalds.

Heimildir

Ertu tilbúinn að vernda gögnin þín?

Byrjaðu að anonymiza PII með 285+ gerðum í 48 tungumálum.

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.