anonym.legal

By · Last updated 2026-03-22

Nazaj na blogPravna tehnologija

Obramaba redakcij: ocene zaupanja umetne inteligence na sodiscu

Sodnik je vprasal, zakaj je bilo 47% dokumenta preckrtano. Odgovor 'umetna inteligenca je to oznacila' ni pravno branljiv. Evo, kako izgleda branljiva avtomatizirana redakcija.

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

Posodobljeno za leto 2026

"Umetna inteligenca je to naredila" na sodiscu ne zadosta

Orodja umetne inteligence so ustvarila novo pravno tveganje. Odvetniki pogosto ne morejo pojasniti, zakaj je sistem blokiral vsebino. Ko sodnik vprasel, "algoritem je to oznacil" ni dovolj.

Pravilo FRCP 26(b)(5) postavlja mejo. Stranka, ki zadrzuje gradivo, mora navesti zahtevek. Prav tako mora opisati dokumente. Opis mora drugi strani omogociti oceno privilegija - ne da bi razkril samo vsebino.

"Model ML ga je odstranil" te meje ne dosega. Nasprotna stran ne more ugotoviti, kaj je bilo zaznano. Ne more ugotoviti, zakaj.

Prekomerna redakcija sprozuje spore

Raziskava Morgan Lewis Q1 2025 o e-odkritju je prekomerno redakcijo oznacila kot aktiven vir sporov v zveznih sodiscih. Trend je povezan z orodji umetne inteligence z visoko obcutljivostjo. Ta orodja dajejo prednost priklicu. Ujamejo vse, kar bi lahko bilo obcutljivo.

Stranski ucinki so predvidljivi. Datumi blizu imena so blokirani. Stevilke razstav so blokirane. Kontekst je prezrt.

Nasprotni odvetnik nato izpodbija vsak blokiran element. Produciranjoca stran mora pojasniti vsakega. Brez zapisa po entiteti ni na voljo nobenega pojasnila.

Orodja umetne inteligence, nastavljena za maksimizacijo priklica, so zasnovana tako, da ujamejo vse. Ta zasnova je primerna za nekatere primere uporabe. Za produkcije e-odkritja ustvarja odgovornost.

Ko izpodbijanih elementov ni mogoce pojasniti, sodisca morda odredijo reprodukcijo. Reprodukcija stane cas in denar. V nekaterih primerih privabi sankcije.

Tri stvari, ki jih potrebujejo branljivi sistemi

Sodisca pregledajo izpodbijane elemente enega za drugim. Zastavljajo ozko vprasanje. Kaksna je osnova za ta specificni element v tem specificnem dokumentu?

Vecina orodij umetne inteligence na to ne more odgovoriti. Tri funkcije to omogocajo.

Ocene zaupanja po entitetah. Vsak blokiran element mora biti povezan z ocenjenim zaznavanjem. "Ime zaznano z 94% zaupanjem" je branljivo. "Oznaceno z ML" ni. Za to, kako ocenjevanje deluje v praksi, glejte Zakaj binarno zaznavanje PII ne uspe pri skladnosti.

Razvrstitev tipa entitete. Vsak blokiran element mora biti preslikan na prepoznan tip. Ime osebe. SSN. Datum rojstva. Ta tip gre v dnevnik privilegijev. Pojasnjuje osnovo za zadrzevanje brez razkrivanja vsebine.

Zapisi mejnih vrednosti. Konfiguracija mora biti dokumentirana. Katere ravni obcutljivosti so bile uporabljene? Kateri tipi entitet so bili v obsegu? Nasprotni odvetnik lahko zahteva te zapise. Produciranjoca stran mora biti pripravljena razloziti vsako izbiro.

Mandat upravljanja 83%

Raziskava IAPP 2025 je ugotovila, da 83% okvirov upravljanja umetne inteligence zahteva minimizacijo podatkov na vhodni plasti umetne inteligence.

Zgodnejsi okviri so se osredotocali na izhode umetne inteligence. Zdaj zajemajo tudi tisto, kar vstopa v sisteme umetne inteligence. Premik je pomemben.

Za pravne ekipe je vpliv neposreden. Enaka dolznost minimizacije se nanasa na orodja za pregled umetne inteligence, ki se uporabljajo pri datotekah strank. Ekipe morajo zmanjsati obcutljive podatke, preden pridejo do orodja.

Dve dolznosti se zdaj prekrivata. Zapisi ocen zaupanja podpirajo zahtevke glede privilegijev v sporih. Minimizacija vnosa izpolnjuje pravila upravljanja umetne inteligence. Skupaj definirajo osnovo skladnosti za pravno delo s pomocjo umetne inteligence v letu 2025.

Kaj mora zajeti revizijski dnevnik

Dnevnik mora za vsak obdelan dokument zabeleziti sest stvari.

Prvo: identifikator dokumenta. Drugo: tip entitete. Tretje: ocena zaupanja. Cettrto: uporabljena metoda - oznaka ali crna skatla. Peto: razlicica konfiguracije v uporabi. Sesto: datum in cas obdelave.

Ta dnevnik sluzi dvema namenoma. Podpira dnevnik privilegijev, ko je produkcija izpodbijana. Prav tako prikazuje regulatorjem, da so bili obcutljivi podatki minimizirani, preden so zapustili firmo.

Za to, kako sodisca obravnavajo neprimerno zadrzevanje in sledece sankcije, glejte Sankcije e-odkritja: Ko redakcija z umetno inteligenco gre preddalec.

Gradnja tega dnevnika ni rezistvo. Je tisto, kar pravni ekipi omogoca obrambo njenih odlocitev - sodniku, nasprotnemu odvetniku ali organu za varstvo podatkov.

Viri

Ste pripravljeni zaščititi svoje podatke?

Začnite z anonimizacijo PII z več kot 285 tipi entitet v 48 jezikih.

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.