Alla juridiska AI-verktyg kör samma motorer – ändå är resultaten helt olika. Nu vet vi varför

Den stora missuppfattningen om juridisk AI

Det finns en utbredd föreställning i branschen att valet av AI-modell är det avgörande beslutet när en juridisk avdelning rustar sig för framtiden. Välj rätt modell, och du vinner. Välj fel, och du halkar efter.

Den föreställningen är fel.

Enligt Sam Kidd, vd för det juridiska plattformsbolaget LawVu, har kapplöpningen om den bästa grundmodellen i praktiken redan spelat ut sin roll – åtminstone när det gäller att skapa verklig konkurrensfördel. Det han pekar på är något betydligt mer intressant, och mer komplext: infrastrukturen, kontexten och den institutionella kunskap som omger modellen.

Rapporterar Artificial Lawyer: två verktyg som bygger på exakt samma underliggande AI kan ge helt olika utfall. Det ena producerar avtalsutkast som är generiska, inkonsekventa och kräver omfattande manuell granskning innan de duger. Det andra levererar resultat som speglar precis hur den specifika juridiska avdelningen faktiskt arbetar – med organisationens egna godkända formuleringar, förhandlingsstandarder och risktolerans.

Skillnaden är inte modellen. Skillnaden är kontexten modellen ges tillgång till.

Institutionell kunskap – tillgångens som aldrig digitaliserats

Här är kärnproblemet, och det är ett problem jag känner igen från i stort sett varje professionell verksamhet jag arbetat med: den kunskap som faktiskt avgör kvaliteten på ett juridiskt beslut finns inte i ett strukturerat system. Den finns i e-postkorgar. I delade mappar med inkonsekvent namngivning. I gamla avtal som aldrig indexerats. Och – kanske allra mest – i enskilda juristers huvuden.

Den kunskapen är svår att tillämpa konsekvent. Den är svår att skala. Och utan den är AI:n hänvisad till allmän träningsdata från internet, vilket är ungefär lika användbart som att anlita en juridisk praktikant som aldrig mött just er verksamhet, era kunder eller er riskprofil.

Kidd varnar för vad han kallar AI-spridning – ett tillstånd där olika avdelningar kör olika system med olika datakällor och landar i motstridiga tolkningar av företagets egna riktlinjer och standarder. Det är inte ett hypotetiskt problem. Det är redan verklighet i många medelstora och stora organisationer som rusade in i AI-implementering utan att först ställa sig frågan: vad ska AI:n egentligen veta om oss?

Systemtänkande som konkurrensfördel

Det här är en insikt som förändrar hela ramverket för hur vi bör utvärdera juridiska AI-verktyg. Frågan är inte längre "vilken modell använder ni?" utan:

• Hur matas systemet med organisationens faktiska kunskap?
• Hur uppdateras den kunskapen när praxis förändras?
• Hur säkerställs konsekvens mellan avdelningar och över tid?

Detta är i grunden en arkitektur- och datakvalitetsfråga, inte en modellfråga. Och det är goda nyheter för de organisationer som är villiga att göra grundarbetet – för det innebär att fördelen inte avgörs av vilken teknikjätte man har råd att licensiera, utan av hur väl man förstår och strukturerar sin egen verksamhetskunskap.

Det är en fördel som går att bygga. Och den är svår för konkurrenter att kopiera.

Från verktyg till transformation

Jag har länge argumenterat för att AI-omställningen inom professionella tjänster inte primärt är en teknikfråga – den är en kunskapsarkitekturfråga. Det Kidd beskriver bekräftar den bilden.

De juridiska avdelningar som kommer att leda om tre till fem år är inte nödvändigtvis de som köpte det dyraste verktyget. De är de som investerade i att förstå, strukturera och tillgängliggöra sin institutionella kunskap på ett sätt som gör AI:n verkligt kraftfull.

Det kräver ledarskap. Det kräver tålamod. Och det kräver att man slutar stirra sig blind på modellen – och börjar se helheten.