Schritt 1: Frage festlegen

Dieser erste Schritt mag für Juristen der tröstlichste sein, da das Stellen relevanter Fragen und die Definition des wahren Zwecks eines Projekts weiterhin rein menschliche Fähigkeiten erfordert. 

An dieser Stelle des Projekts gilt es für Unternehmen festzuhalten, welche Frage Sie mit dem Einsatz von Technologie erreichen wollen. Je nach Projekt können sich die Fragen auf rechtliche Metriken (z.B. Vertragsablauf, Leistungsfristen, Höhe der Gebühren usw.) oder komplexere Zusammenhänge innerhalb eines Datensatzes (z.B. Kausalzusammenhänge, Auswirkungen bestimmter Faktoren usw.) konzentrieren. 

Je besser Sie Ihre Frage formulieren können, desto desto Höher ist die Wahrscheinlichkeit, die Technologie zu Ihren Gunsten einzusetzen. Setzen Sie dabei auf menschliche Intelligenz und die Erfahrung kluger Köpfe. Denken Sie daran, dass die Maschine die Arbeit eines Anwalts ergänzen, aber nicht ersetzen kann. Die Antwort wird stets nur so gut sein, wie die Frage selber. 

Schritt 2: Erfolg definieren

Wenn Sie neue Technologien testen (wie es oft bei der Verwendung von Analysen für die rechtliche Überprüfung großer Datenmengen der Fall ist), sollten Sie im Vorhinein definieren, wie der Erfolg im Rahmen Ihres Projekts aussieht. 

Im rechtlichen Kontext kann Erfolg bedeuten, den Prüfungszeitraum von Dokumenten zu verkürzen, Gesamtkosten der Prüfung zu reduzieren, die Genauigkeit der Ergebnisse zu erhöhen, Vertragserstellung bzw. Vertragsverhandlungen zu beschleunigen, oder Kundenzufriedenheit zu erhöhen. 

Schritt 3: Vertragsdaten suchen

In diesem Schritt sollte man sich überlegen, wo in der Organisation rechtlich große Vertragsdaten ungenutzt liegen, die eingelesen und mit Hilfe der künstlichen Intelligenz analysiert werden könnten.

Trotz aller Bemühungen, die Rechtsakten durch Ordner, Unterordner, Dokumentversionen und Bearbeitungshistorien zu organisieren, kann die Suche und Verwaltung von Verträgen in der Regel zu einer größeren Herausforderung werden. In dieser Hinsicht stehen Rechtsabteilungen von Unternehmen und Anwaltskanzleien vor ähnlichen Herausforderungen. Im Wesentlichen können aber alle Datenbanken, die aus rechtlicher Sicht relevant sind, eine gute Grundlage für ein großes juristisches Datenanalyseprojekt sein. 

Schritt 4: Dokumente erfassen

Wenn Sie erkannt haben wo in Ihrem Unternehmen juristische Dokumente mit einem hohen  inneren Wert für die Analyse verwaltet werden, ist es oft bereits bei der Erfassung der Daten opportun, auf die Hilfe einer künstlichen Intelligenz zurückzugreifen. Die Vorteile liegen dabei auf der Hand:

Eine künstliche Intelligenz hilft Ihnen nicht nur Ihre Vertragsdaten in ein maschinenlesbares Format zu überführen, sondern unterstützt Sie auch dabei, eine erste rudimentäre Gliederung des Vertrags nach Sektionen, Klauseln und Überschriften darzustellen. Was für die Maschine innerhalb weniger Sekunden möglich ist, bedeutet für den Menschen abhängig von der Länge des Vertrags oftmals mehrere Stunden Arbeit.

Mit der Aufarbeitung von Verträgen in einer numerisches, maschinenlesbares Format, wird neben der verbesserten Suche nach relevanten Dokumente, auch die Suche nach einer zuvor gut formulierten Klausel einfach möglich. 

Schritt 5: Modelle trainieren

Im letzten Schritt und erst wenn Sie Ziele und Fragen definiert haben, beginnen Sie die Modelle des Machine Learnings zu entwickeln und mit den Daten zu füttern. Denken Sie daran, dass Sie einen Teil  der gesammelten Daten abtrennen sollten, um das finale Modell zu testen. Dieser Teil der Daten sollte daher ruhen. Die restlichen Daten können genutzt werden, um das Modell zu entwickeln. 

Schritt 6: Laufender Einsatz des Machine Learnings

Wenn Ihr Unternehmen dauerhaft von den Vorteilen einer künstlicher Intelligenz  in der Textanalyse profitieren soll, empfiehlt sich perspektivisch deren kontinuierlicher Einsatz von der Erstellung bis zur Verhandlung und Unterfertigung von Verträgen an. Nur über diese ganzheitliche Analyse kann hervorgebracht werden, welche Klauseln den größten wirtschaftlichen Erfolg in der Verhandlung erzielen und gleichzeitig die Verhandlungszeit verkürzen. 

Zugleich können bestehende Machine Learning Algorithmen gleich bei der Eingabe mit neuen Daten versorgt werden, was wiederum zur Verbesserung der Genauigkeit der Modelle beiträgt. Autoren von juristischen Texten wiederum erhalten während der Vertragserstellungsphase umgehend Feedback zu wirtschaftlichen Parametern der eingesetzten Klauseln und können so effektivere Verträge gestalten, die schneller zum Abschluss gebracht werden können.