Sedan ChatGPT lanserades 2023 har artificiell intelligens blivit mer tillgänglig och börjat användas i juridiska sammanhang. Det finns flera viktiga juridiska användningsfall, till exempel att chatta med dina dokument, extrahera meningsfull information ur dokument och hantera den tidskrävande och manuella processen att granska avtal. De förmågor som Large Language Models (LLM:er) har visat upp har varit imponerande för juridiska användningsfall, där vi har sett en exponentiell ökning i deras resonemangsförmåga. Se till exempel OpenAIs senaste meddelande om deras GPT-o1-/strawberry-modeller.

I det här inlägget går vi igenom hur AI kan hjälpa till vid avtalsgranskning, några viktiga saker att tänka på när du använder en lösning för avtalsgranskning, några potentiella risker och hur Miramis (tidigare Pocketlaw) tar sig an problemet med de senaste och bästa LLM-/AI-modellerna samt en intuitiv och holistisk UX. 

Hur AI kan hjälpa till med avtalsgranskning

Innan vi tittar närmare på AI:s roll i processen för avtalsgranskning behöver vi förstå vad de flesta företag menar med avtalsgranskning och vilken roll en juridisk playbook har.

Avtalsgranskning: är processen att noggrant granska villkoren i ett avtal för att säkerställa att alla parters rättigheter, skyldigheter och risker är tydligt definierade och juridiskt verkställbara. Målet är att identifiera potentiella problem, oklarheter eller ofördelaktiga klausuler som kan leda till juridiska eller ekonomiska konsekvenser. Avtalsgranskning omfattar ofta bedömning av betalningsvillkor, ansvarsbestämmelser, uppsägningsrättigheter, sekretessvillkor och tvistlösningsmekanismer. Juridiska team eller avtalsansvariga genomför denna granskning för att bekräfta efterlevnad av regelverk och att avtalet ligger i linje med företagets strategiska mål.

Rollen för en playbook i avtalsgranskning syftar på en fördefinierad uppsättning riktlinjer, best practice och standardiserade klausuler som juridiska team använder för att effektivisera granskningsprocessen. En avtalsplaybook fungerar som ett referensdokument som beskriver accepterad formulering, varningsflaggor och förhandlingsstrategier. Den skapar konsekvens i avtalsgranskningen och gör det möjligt för icke-juridiska team att hantera enklare avtalsändringar inom givna ramar. Playbooks är särskilt användbara för att snabba upp granskningar, säkerställa efterlevnad och hantera kritiska risker på ett konsekvent sätt.

TLDR: Playbooken är kopplad till processen för avtalsgranskning, där du kan ha olika playbooks för avtal som NDA:er, investeringsavtal, marknadsföringsavtal osv. 

För att AI eller en AI-agent (som vi återkommer till senare i inlägget) ska kunna lösa problemet med avtalsgranskning krävs olika förmågor, till exempel:

• Namngiven entitetsigenkänning

• Klassificering

• Semantisk analys och förståelse

• Riskbedömning

Problemet med avtalsgranskning kan också ses som ett entailment-problem i AI-termer. Till exempel kan AI vid granskning av avtal behöva:

• Entailment: Avgöra om en specifik klausul innebär ett villkor eller en konsekvens (t.ex. om en uppsägningsklausul innebär rätt att säga upp avtalet utan särskild anledning)

• Motsägelse: Identifiera om två klausuler motsäger varandra (t.ex. att tillämplig lag är Spanien, men avtalet anger Portugal)

• Neutral: Avgöra om en klausul saknar koppling till eller betydelse för ett visst villkor.

AI och LLM-modeller kan vara utmärkta verktyg för att hitta klausuler som innebär olika villkor, inklusive flera motsägelser, eller identifiera irrelevanta bestämmelser.

Viktiga saker att tänka på i en lösning för avtalsgranskning

När du bygger eller väljer en AI-driven lösning för avtalsgranskning är det viktigt att förstå att kvaliteten på granskningen inte bara beror på hur den underliggande modellen presterar, utan också på hur den implementeras och anpassas för juridiska arbetsflöden. 

Här är några faktorer att ta hänsyn till:

1. Lösningen måste kunna granska avtalet utifrån en playbook 

2. Lösningen måste kunna resonera kring vad avtalet innebär

3. Lösningen måste kunna verifiera avtalsefterlevnad 

Alla dessa steg måste dessutom utföras snabbt och träffsäkert för att ge dig som jurist så mycket värde som möjligt. 

1. Granska avtalet

Agenten för avtalsgranskning behöver granska och förstå avtalet utifrån reglerna i playbooken. Några kritiska uppgifter här är:

• Granska/sätta sig in i avtalet

• Jämföra avtalet klausul för klausul och i sin helhet mot playbooken

• Analysera och avgöra om varje avtalsklausul är i linje med reglerna i playbooken.

2. Resonemang om vad ett avtal innebär

Agenten för avtalsgranskning behöver kunna förklara vad avtalet innebär i förhållande till specifika regler i playbooken. Några kritiska uppgifter här är:

• Resonera kring implikationer 

• Bedöma graden av överensstämmelse eller avvikelse mellan en klausul och regeln i playbooken.

• Reflektera över förståelsen av avtalet och hur det relaterar till den relevanta regeln i playbooken.

3. Verifiera avtalsefterlevnad

Till sist måste agenten för avtalsgranskning analysera avtalets efterlevnad av playbooken. Några kritiska uppgifter här är:

• Skriva en granskningsrapport som beskriver avtalets efterlevnad

• Identifiera möjliga problem i avtalet utifrån reglerna i playbooken

• Ge tydliga och handlingsbara rekommendationer för de problem som identifieras.

Dessa tre komponenter utgör grunden för en AI-driven lösning för avtalsgranskning som ger meningsfull feedback och flaggar potentiella problem. Dessutom bör lösningen stödja anpassning av playbooks, säkerställa regelverksefterlevnad och integreras sömlöst i juridiska arbetsflöden, till exempel genom att automatiskt generera redlines eller möjliggöra e-signering.

På Miramis bygger vi in det här tänket i kärnan av vår lösning. Genom att kombinera AI:s kraft med juridisk expertis och human-in-the-loop-kontroll säkerställer vi att varje granskning är träffsäker, relevant och följer dina specifika playbooks och standarder. Det här arbetssättet — där automatisering kombineras med professionell validering — är en viktig skillnad som gör Miramis till en pålitlig och heltäckande plattform för avtalsgranskning.

Risker med att använda LLM:er för avtalsgranskning och varför du behöver en lösning för avtalsgranskning 

Även om LLM:er som GPT-4o eller Claude Sonnet 3.5 har visat imponerande resultat när det gäller att förstå och generera text, har de inte räckt till när det gäller resonemang på mänsklig nivå, särskilt inom områden med höga insatser som juridik, finans och sjukvård. 

Här är några utmaningar att ha i åtanke:

1.  Risk för hallucinationer

Large Language Models (LLM:er) genererar ibland innehåll som är faktamässigt felaktigt eller irrelevant — så kallade “hallucinationer”. Inom juridik innebär detta betydande risker, eftersom hallucinationer kan föra in fel i avtal, misstolka klausuler eller föreslå juridiskt ohållbara åtgärder. På Miramis har vi riskreducerande åtgärder på plats, till exempel guardrails som begränsar mängden hallucinationer som genereras.

2. Risk för icke-deterministiskt beteende

På grund av sin probabilistiska natur kan LLM:er ge olika resultat när de får samma fråga flera gånger. Den här bristen på konsekvens kan vara problematisk vid avtalsgranskning, där precision och repeterbarhet är avgörande. Det är viktigt att ha en lösning som begränsar variation genom att tillämpa tydliga juridiska ramverk och regler. På Miramis använder vi data science- och ML-tekniker samt best practice för att minimera LLM:ers icke-deterministiska beteende.

3. Konfidentialitet och dataskydd

Avtal innehåller ofta känslig information. När LLM:er används för avtalsgranskning finns det en risk att data exponeras för tredje part, särskilt om den behandlas i delad eller osäkrad infrastruktur. En robust lösning bör säkerställa att all data krypteras och behandlas i enlighet med dataskyddsregler som GDPR.

4.  Juridisk domän: komplexitet och tvetydighet

Juridiskt språk kan vara mycket nyanserat, och många avtal innehåller tvetydigheter eller bestämmelser som är beroende av sammanhanget. LLM:er har ofta svårt med den här komplexiteten, vilket leder till feltolkningar. En lösning för avtalsgranskning bör ha domänspecifika optimeringar för att hantera juridiska detaljer effektivt. På Miramis bygger vi alla våra lösningar på djup domänkunskap i kombination med teknisk expertis.

5. Ingen E2E-automatisering av juridiska arbetsflöden

Även om LLM:er kan hjälpa till i delar av processen för avtalsgranskning, misslyckas de ofta med att leverera fullständig automatisering av juridiska arbetsflöden — från dokumentgenerering till e-signering. En dedikerad lösning bör hantera hela avtalslivscykeln, säkerställa full automation och minska manuellt arbete. På Miramis har vi varit starka på detta sedan början av 2020-talet.

För att möta utmaningarna vi gått igenom ovan är det här skälen till varför du behöver en dedikerad lösning för avtalsgranskning som Miramis:

1. Minska juridiska risker med anpassade playbooks:

Miramis är byggt för att minska risker genom att bädda in din juridiska playbook i AI:ns resonemang. Det gör att vår lösning kan spegla organisationens juridiska riktlinjer, policyer och branschstandarder samtidigt som den flaggar problem som är specifika för dina krav.

2. Sömlös end-to-end-automatisering av arbetsflöden:

Vår intuitiva användarupplevelse (UX) är byggd kring hela avtalslivscykeln, från att skapa avtal och automatiska markeringar till redlining och e-signering. Det gör att både juridiska team och andra användare enkelt kan navigera i granskningsprocessen och agera på insikter.

3. Tydliga förklaringar av avvikelser:

Miramis flaggar inte bara klausuler som inte följer reglerna — det ger också detaljerade förklaringar till varför en klausul är problematisk, vilken risknivå som är kopplad till den och vilka konsekvenser det kan få att inte åtgärda den. Den här transparensen gör att team kan fatta välgrundade beslut med självförtroende.

4. Dataskydd och säkerhet:

Din data är alltid din. Miramis säkerställer att din känsliga avtalsdata lagras säkert i en dedikerad miljö som är otillgänglig för andra kunder. Du kan lita på att din konfidentiella information är skyddad genom hela avtalslivscykeln.

5 . Branschspecifik juridisk expertis:

Miramis använder interna juridiska experter för att säkerställa att AI:n är optimerad och finjusterad för den juridiska branschen. Våra domänexperter känner till de viktigaste utmaningarna och riskerna, vilket gör att vår AI-lösning är i linje med verkliga juridiska behov.

Varför prompt engineering inte räcker för avtalsgranskning

Även om prompt engineering kan vara hjälpsamt finns det flera begränsningar med att förlita sig enbart på det för avtalsgranskning:

1. Komplext resonemang: Avtalsgranskning kräver djup juridisk analys, till exempel att identifiera motsägelser eller tolka juridiska klausuler i sitt sammanhang. Prompt engineering kan inte hantera den här komplexiteten på egen hand.

2. Anpassning: Varje organisation har unika juridiska playbooks, standarder och risktoleranser. Prompt engineering saknar flexibiliteten att fullt ut anpassa sig till dessa specifika regler utan djupare integration.

3. Kontextuell förståelse: Juridiska avtal innehåller ofta tvetydigheter eller klausuler som kräver nyanserad tolkning. Prompt engineering ger inte den kontextuella förståelse som krävs för precis juridisk granskning.

4. Säkerställa noggrannhet: Utan mänsklig validering kan prompt-engineerade svar missa viktiga problem eller skapa hallucinationer, där AI:n producerar felaktig information. Det kan vara särskilt riskfyllt i juridiska sammanhang.

5. Regelefterlevnad: Avtalsgranskning måste säkerställa efterlevnad av branschregler, som varierar mellan olika sektorer. Prompt engineering löser inte behovet av högt specialiserad juridisk förståelse.

Lär dig mer om AI för avtalsgranskning

Vill du veta mer om AI och hur det kan hjälpa dig i processen för avtalsgranskning? Boka ett möte med oss.