anonym.legal

By · Last updated 2026-03-12

Terug naar BlogJuridische Technologie

E-Discovery Sancties: AI-redactie Faalt

In Athletics Investment Group v. Schnitzer Steel (2024) leidde onjuiste redactie tot discovery-sancties. Met AI-tools die slechts 22,7% precisie bereiken, lopen juridische teams echte aansprakelijkheid.

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

Bijgewerkt voor 2026

Twee Manieren Waarop Redactie Faalt

Juridische teams staan voor twee faalopties. Beide creëren echte aansprakelijkheid.

Onder-redactie legt geprivilegieerde gegevens of persoonlijke informatie bloot die verborgen moet blijven.

Over-redactie verbergt feiten die de tegenpartij recht heeft te zien. Rechtbanken behandelen dit als obstructie — een discovery-overtreding onderworpen aan sancties.

AI-tools die recall boven precisie verkiezen, veroorzaken het tweede probleem door ontwerp. Een AI-engine die 80% van een document zwart maakt, vermijdt iets te missen. Maar het resultaat is nutteloos. Het kan ook rechtbanksancties opleveren.

De Schnitzer Steel-zaak (2024)

De 2024 zaak Athletics Investment Group v. Schnitzer Steel toont hoe rechtbanken onjuiste documentonthoudingen behandelen.

Een partij produceerde documenten met brede markeringen. De tegenpartij protesteerde. De rechtbank bekeek de materialen en constateerde dat de markeringen verder gingen dan de wet toestond.

Het resultaat: sancties onder Federal Rule of Civil Procedure 37. De producerende partij betaalde voor een gebrekkig proces.

Het 22,7% Precisieprobleem

Presidio — de meest gebruikte open-source PII-detectie-engine — behaalt een 22,7% precisieratio op zakelijke documenten inclusief gerechtelijke stukken en contracten.

Precisie meet hoe vaak een positieve vlag correct is. Bij 22,7% zijn ongeveer 77 van elke 100 vlaggen valse positieven. Die items zijn niet gevoelig onder enige toepasselijke standaard.

Voor e-discovery is de wiskunde direct. Een set van 10.000 documenten verwerkt op dat niveau zal duizenden ongegronde markeringen hebben.

De Aansprakelijkheidsketen

Over-onthoudingen en AI-datalekken creëren afzonderlijke maar verbonden risicoroutes:

De discovery-route: AI markeert inhoud breed → advocaat vertrouwt op output zonder steekproef → productie heeft ongegronde markeringen → tegenpartij protesteert → rechtbank beoordeelt → sancties.

De datalekkroute: Advocaat gebruikt AI voor zaakwerk → AI ontvangt geprivilegieerde communicatie → AI-leverancier wordt getroffen → cliëntgegevens worden blootgesteld → wanpraktijksclaims volgen.

Bekijk de PDF-redactiepagina en privilege-gids.

Bronnen

Klaar om uw gegevens te beschermen?

Begin met het anonimiseren van PII met 285+ entiteitstypen in 48 talen.

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.