2026 için güncellendi
Redaksiyonun İki Başarısızlık Biçimi
Hukuk ekipleri iki başarısızlık moduyla karşı karşıya. Her ikisi de gerçek sorumluluk yaratıyor.
Yetersiz redaksiyon, gizli kalması gereken ayrıcalıklı verileri veya kişisel bilgileri ifşa eder. Taraf, koruma hakkına — ve çoğunlukla yükümlülüğüne — sahip olduğu materyali açıklıyor.
Aşırı redaksiyon, karşı taraf avukatının görme hakkı olduğu gerçekleri gizler. Mahkemeler bunu engelleme olarak değerlendirir. Yaptırımlara tabi tutulabilecek bir e-keşif ihlalidir.
Geri çağırma oranını hassasiyetin önünde tutan yapay zeka araçları ikinci sorunu tasarım gereği yaratıyor. Bir belgenin %80'ini karartarak hiçbir şeyi kaçırmayan bir yapay zeka motoru kulağa iyi gelebilir. Ama sonuç işe yaramaz. Mahkeme yaptırımlarını da beraberinde getirebilir.
Her iki başarısızlık modu da aynı yere çıkıyor: bir yargıç, bir açıklama ve masraflar.
Schnitzer Steel Davası (2024)
2024 tarihli Athletics Investment Group v. Schnitzer Steel davası, mahkemelerin hatalı belge saklama işlemlerini nasıl ele aldığını gösteriyor.
Bir taraf geniş işaretlemelerle belgeler sundu. Karşı taraf avukatı itiraz etti. Mahkeme materyallere baktı. İşaretlemelerin yasanın izin verdiğinin ötesine geçtiğini tespit etti.
Sonuç: Federal Usul Kuralı 37 kapsamında yaptırımlar. Belge sunan taraf hatalı sürecin bedelini ödedi.
Bu tür yaptırımlar yeni değil. Mahkemeler bunları yıllardır kullanıyor. Bu davayı öne çıkaran şey zamanlama. Yapay zeka destekli inceleme artık davalarda yaygın. Dava temel bir soruyu gündeme getiriyor: Hukuk ekipleri yapay zeka araçlarının hassasiyetini üretime almadan önce kontrol etti mi?
Cevap önemli. Düşük hassasiyetli bir araç çok fazla işaretleyecektir. Sonucu kontrol etmeden bu çıktıya güvenen avukat riski üstlenir.
Davanın tam analizi için E-Discovery LLC'nin alaka düzeyine dayalı saklama analizine bakın.
%22,7 Hassasiyet Sorunu
Presidio, Microsoft tarafından geliştirilen açık kaynaklı bir KBB (Kişisel Bilgi Belirleme) tespit motorudur. Belge inceleme araçlarında yaygın biçimde kullanılıyor. Mahkeme dosyaları ve sözleşmeler üzerinde yapılan testler %22,7 hassasiyet oranı veriyor.
Hassasiyet, pozitif bir işaretin ne sıklıkla doğru olduğunu ölçer. %22,7'de, her 100 işaretin yaklaşık 77'si yanlış pozitiftir. Bu öğeler hiçbir geçerli standart kapsamında hassas değil.
E-keşif için matematik doğrudan. Bu oranda işlenen 10.000 belgelik bir set, binlerce temelsiz işaretleme içerecektir. Belge sunan taraf, Schnitzer Steel davasındaki sanıkla aynı riskle karşı karşıya: itiraz edilen bir sunum, mahkeme incelemesi ve olası yaptırımlar.
Bu rakam, Presidio'nun hukuk bürosu içeriğindeki kutudan çıkar çıkmaz kurulumu için geçerli. Tüm yapay zeka araçları bu düzeyde performans göstermiyor. Ancak bu motor, alandaki en yaygın kullanılan açık kaynaklı seçenek.
Neden yapısal. NLP sistemleri genel metin üzerinde eğitiliyor. Hukuki dil farklı. Eğitim verilerinden sapan teknik terimler, atıf biçimleri ve taslak kuralları kullanıyor. Tıbbi kayıtlarda iyi çalışan bir araç, ifade tutanaklarında çok daha kötü sonuç verebilir.
Yapay Zeka Kullanım Verilerinin Gösterdiği
İşte ikinci bir veri noktası: Kurumsal yapay zeka kullanımının bağımsız analizine göre yapay zeka sohbet botu içeriğinin %27,4'ü hassas.
Bu, çalışanların normal görevler sırasında ne gönderdiğini açıklıyor. Kasıtlı olarak paylaştıkları veriler değil — alışkanlık veya kazara dahil edilen içerik. Mektup taslağı oluşturmak, sözleşme incelemek veya ifadeleri özetlemek için yapay zeka kullanan avukatlar, normal çalışmanın yan etkisi olarak hassas içeriği yapay zeka satıcısının sunucularına gönderiyor.
Her üç yapay zeka etkileşiminden neredeyse biri müşteri verisini, ayrıcalıklı bilgileri veya dava stratejisini içeriyor. Bu içerik, kontroller önce durdurmadığı sürece yapay zeka satıcısının sunucularına kullanılabilir biçimde ulaşıyor.
Yapay zeka risklerini kontrol eden hukuk büroları için %27,4 küçük bir sorun değil. Bu taban oran. Bir büroda yapay zeka kullanımının neredeyse üçte biri koruma gerektiren içerikle ilgili.
Sorumluluk Zinciri
Aşırı saklama ve yapay zeka veri sızıntıları ayrı ama bağlantılı risk yolları oluşturuyor. Her ikisi de aynı kararla başlıyor: bir yapay zeka aracını uygun değerlendirme yapmadan devreye almak.
E-keşif yolu: Yapay zeka içeriği geniş biçimde işaretliyor → avukat spot kontrol yapmadan çıktıya güveniyor → sunumda temelsiz işaretlemeler var → karşı taraf avukatı itiraz ediyor → mahkeme inceliyor → yaptırımlar.
Veri sızıntısı yolu: Avukat dava çalışması için yapay zeka kullanıyor → yapay zeka ayrıcalıklı iletişimleri alıyor → yapay zeka satıcısı ihlal yaşıyor → müşteri verileri ifşa oluyor → ihmal iddiaları geliyor.
Her iki durumda da başlangıç noktası aynı. Büroların yapay zeka araçlarının gerçekte ne yaptığını bilmeden devreye aldıkları. Çalışma için hiçbir kontrol kurulmamış.
Sunumlar için Hassasiyet Öncelikli İnceleme
Mahkemeler itiraz edilen işaretlemeleri incelerken dar bir soru soruyor. Her biri ayrıcalık, gizlilik kuralı veya mahkeme kararıyla destekleniyor muydu? Mahkemeler, sunan tarafın aracının mümkün olduğunca çok işaretleyip işaretlemediğini sormuyor.
Uygun bir dayanağı olmayan işaretleme, e-keşif ihlalidir. İnsan mı yapay zeka mı yaptığı önemli değil. Soruşturma işaretleme bazında yapılıyor.
Avukatlar için bu, yapay zeka inceleme araçlarının hassasiyet açısından test edilmesi gerektiği anlamına geliyor — gerçekten ayrıcalıklı olan işaretlemelerin payı. Sadece geri çağırma değil. %22,7 hassasiyetle %90 geri çağırma elde eden bir araç daha fazla hassas içeriği yakalıyor. Ama %77,3'lük yanlış işaretlemeler için inceleme yükü oluşturuyor. Bu inceleme yapılmadığında geniş kapsamlı aşırı saklama geliyor.
Sunumdaki her işaretleme mahkemeye yönelik bir iddia. Şunu söylüyor: bu içerik meşru biçimde saklanıyor. Schnitzer Steel sonrasında bu iddianın dayanıklı olması gerekiyor.
Anonimleştirme araçlarının standart KBB tespitinden farkı için hukuki belge incelemede yapay zeka hassasiyeti rehberimize bakın. Ayrıcalık günlükleri ve yapay zeka araçları bağlamı için avukat-müvekkil ayrıcalığı ve yapay zeka yazımıza bakın.