anonym.legal

By · Last updated 2026-03-22

Povratak na blogPravna tehnologija

Odbrana redakcija: AI ocene poverenja na sudu

Sudija je pitao zašto je 47% dokumenta bilo redaktovano. Odgovor da je AI to označio nije pravno odbranjiv. Evo kako izgleda odbranjiva automatizovana redakcija.

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

Ažurirano za 2026.

AI je to uradio ne prolazi na sudu

AI alati su stvorili novi pravni rizik. Advokati često ne mogu da objasne zašto je sistem blokirao sadržaj. Kada sudija pita, odgovor da je algoritam to označio nije dovoljan.

Pravilo 26(b)(5) FRCP postavlja kriterijum. Stranka koja zadržava materijal mora da navede tvrdnju. Mora i da opiše dokumente. Taj opis mora da omogući drugoj strani procenu privilegije — bez otkrivanja samog sadržaja.

Izjava da je ML model to uklonio ne ispunjava taj kriterijum. Druga strana ne može da utvrdi šta je otkriveno. Ne može da utvrdi ni zašto.

Preterana redakcija pokreće sporove

Istraživanje Morgan Lewis iz Q1 2025. o elektronskom otkrivanju označilo je preteranu redakciju kao aktivan izvor sporova u saveznim sudovima. Trend je povezan s AI alatima visoke osetljivosti. Ti alati favorizuju sveobuhvatnost. Hvataju sve što bi moglo biti osetljivo.

Nuspojave su predvidive. Datumi blizu imena bivaju blokirani. Brojevi izložaka bivaju blokirani. Kontekst se ignoriše.

Protivni advokati potom osporavaju svaku blokiranu stavku. Stranka koja je izvršila otkrivanje mora da objasni svaku. Bez evidencije po entitetu, nije dostupno nijedno objašnjenje.

AI alati podešeni da maksimizuju sveobuhvatnost dizajnirani su da uhvate sve. Taj dizajn je odgovarajući za neke namene. Za produkcije u elektronskom otkrivanju, stvara odgovornost.

Kada osporene stavke ne mogu biti objašnjene, sudovi mogu naložiti ponovnu produkciju. Ponovna produkcija košta vreme i novac. U nekim slučajevima privlači sankcije.

Tri stvari koje odbranjivi sistemi zahtevaju

Sudovi pregledaju osporene stavke jednu po jednu. Postavljaju usko pitanje. Koji je osnov za ovu konkretnu stavku u ovom konkretnom dokumentu?

Većina AI alata na to ne može da odgovori. Tri funkcije to omogućavaju.

Ocene poverenja po entitetu. Svaka blokirana stavka mora da se poveže s ocenjenim otkrivanjem. Izjava da je ime otkriveno s poverenjem od 94% je odbranjiva. Oznaka od strane ML-a nije. Za to kako ocenjivanje funkcioniše u praksi, pogledajte Zašto binarno otkrivanje PII ne prolazi usklađenost.

Klasifikacija tipa entiteta. Svaka blokirana stavka mora da se mapira na prepoznat tip. Ime osobe. SSN. Datum rođenja. Taj tip ide u evidenciju o privilegiji. Objašnjava osnov za zadržavanje bez otkrivanja sadržaja.

Evidencija o pragovima. Konfiguracija mora biti dokumentovana. Koji nivoi osetljivosti su korišćeni? Koji tipovi entiteta su bili u opsegu? Protivni advokati mogu da zatraže te evidencije. Stranka koja je izvršila otkrivanje mora biti spremna da objasni svaki izbor.

Mandat za upravljanje od 83%

Istraživanje IAPP iz 2025. otkrilo je da 83% okvira za upravljanje AI zahteva minimizaciju podataka na ulaznom sloju AI-ja.

Raniji okviri fokusirali su se na AI izlaze. Sada pokrivaju i ono što ulazi u AI sisteme. Taj pomak je značajan.

Za pravne timove, uticaj je direktan. Ista dužnost minimizacije primenjuje se na AI alate za pregled koji se koriste na klijentskim fajlovima. Timovi moraju da smanje osetljive podatke pre nego što dostignu alat.

Dve dužnosti se sada preklapaju. Evidencije ocena poverenja potkrepljuju tvrdnje o privilegiji u sporovima. Minimizacija ulaza ispunjava pravila o upravljanju AI. Zajedno definišu osnovu usklađenosti za pravni rad uz pomoć AI u 2025. godini.

Šta evidencija revizije mora da sadrži

Evidencija mora da beleži šest stavki za svaki obrađeni dokument.

Prvo: identifikator dokumenta. Drugo: tip entiteta. Treće: ocena poverenja. Četvrto: primenjena metoda — oznaka ili crna kutija. Peto: verzija konfiguracije u upotrebi. Šesto: datum i vreme obrade.

Ova evidencija služi u dve svrhe. Potkrepljuje evidenciju o privilegiji kada se produkcija osporava. Takođe pokazuje regulatorima da su osetljivi podaci bili minimizirani pre nego što su napustili firmu.

Za to kako sudovi postupaju s nepravilnim zadržavanjem i sankcijama koje slede, pogledajte Sankcije u elektronskom otkrivanju: Kada AI redakcija ode predaleko.

Izgradnja ove evidencije nije overhead. To je ono što pravnom timu omogućava da odbrani svoje izbore — pred sudijom, protivnim advokatima ili organom za zaštitu podataka.

Izvori

Spremni da zaštitite svoje podatke?

Počnite sa anonimizacijom PII sa 285+ tipova entiteta na 48 jezika.

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.