Wenn Legal AI handelt: Was Rechtsabteilungen nachweisen müssen

Legal AI beantwortet nicht mehr nur Fragen. In vielen Rechtsabteilungen beginnt sie, Arbeitsschritte auszuführen: Anfragen einordnen, Verträge prüfen, Fristen überwachen, Rechnungen kontrollieren, Entwürfe vorbereiten.

Damit verschiebt sich die zentrale Frage. Es geht nicht mehr nur darum, ob KI eine Aufgabe erledigen kann. Es geht darum, ob Legal später zeigen kann, was die KI getan hat, auf welcher Grundlage sie gehandelt hat, wer freigegeben hat — und ob das Ergebnis einem Audit, einer Aufsichtsfrage oder einer Board-Diskussion standhält.

Viele Legal Teams können sagen, welche KI-Tools sie nutzen. Weit weniger können zeigen, wer sie freigegeben hat, welche Befugnis sie haben oder wie ihre Ergebnisse einer späteren Prüfung standhalten.

Agentische Legal AI bezeichnet KI, die nicht nur antwortet, sondern mehrstufige Abläufe ausführt — einordnen, ein Playbook anwenden, Ausnahmen weiterleiten, Ergebnisse vorbereiten, Freigaben auslösen. Genau dieser Schritt von der Assistenz zur Ausführung wirft die Governance-Frage auf.

Die eigentliche Herausforderung ist nicht mehr der Wechsel von Chat-Werkzeugen zu Agenten, die handeln. Es sind konkretere Fragen: Was tut der Agent? Wer hat es erlaubt? Welche Regel galt? Wer hat freigegeben? Und können wir das später zeigen?

Drei Fragen bündeln das: Was ist prüfbar? Wie verändert sich die Arbeit? Und was zählt wirtschaftlich wirklich?

Wo Legal-AI-Agenten heute Arbeit übernehmen

Bevor es zu diesen drei Fragen geht, hilft ein konkreter Blick darauf, wo KI bereits läuft. Diese Abläufe sind nicht spekulativ. In vielen mittleren bis grossen Rechtsabteilungen sind zumindest einige davon bereits im Pilotbetrieb oder in Vorbereitung auf den Produktivbetrieb.

• Eingang und Einordnung von Verträgen. Ein Agent ordnet eine Anfrage ein (NDA, Rahmenvertrag, Lieferanten-Nachtrag, Bestellformular), zieht den Datensatz der Gegenpartei, prüft das anwendbare Playbook und leitet sie weiter. Standard-NDAs, die zum freigegebenen Playbook passen, gehen mit Änderungsvorschlägen zurück ans Business; alles ausserhalb geht an eine benannte Juristin — mit einer Zusammenfassung der Abweichung.
• Prüfung von Kanzleirechnungen. Ein Agent liest jede Rechnungszeile gegen die Abrechnungsrichtlinien und historische Muster, markiert pauschale Sammelabrechnungen, Partnerzeit für Aufgaben auf Associate-Niveau und Positionen ausserhalb der Richtlinie — ein Mensch genehmigt, ändert oder lehnt ab.
• Bearbeitung von Datenschutz-Anfragen. Ein Agent prüft die Identität, umreisst den Umfang, fragt die angebundenen Systeme ab, stellt das Antwortpaket zusammen und leitet es vor der Freigabe an die juristische Prüfung — mit gesetzlichen Fristen, die am konkreten Ablauf hängen, nicht am Kalender einer einzelnen Person.

Der Punkt ist nicht, dass diese Anwendungsfälle neu wären. Es ist, dass sie nun einen Nachweis aus Entscheidungen, Freigaben und Aktionen erzeugen, den es früher in E-Mails und Tabellen kaum gab. Dieser Nachweis — die Nachvollziehbarkeit des Prozesses — macht die drei folgenden Fragen überhaupt beantwortbar.

Governance: Was ein Legal-AI-Agent nachweisen können muss

Ein Legal-AI-System gewinnt Vertrauen, wenn es prüfbar bleibt. Die praktische Frage ist, was „prüfbar“ heisst, wenn ein Agent gerade einen zwölfstufigen Ablauf mit zwei menschlichen Freigaben abgeschlossen hat. In der Praxis sind es fünf Nachweise, die jedes Legal-AI-System liefern können muss:

1. Handlungsbefugnis. Ein schriftliches Mandat: was der Agent darf, welche Daten er nutzen kann, was freigegeben werden muss und was zu eskalieren ist. Das ist das Dokument, das du der internen Revision reichst.
2. Freigaben mit benannten Verantwortlichen. „Juristische Prüfung erforderlich“ ist keine Kontrolle. „Senior Counsel der zuständigen Praxisgruppe gibt vor der externen Freigabe frei, festgehalten am konkreten Ablauf“ ist eine Kontrolle.
3. Entscheidungs-Nachweis. Welche Eingaben genutzt, welche Vorgaben oder Playbook-Abschnitte angewendet, welche Alternativen erwogen wurden — und was sich zwischen der Empfehlung des Agenten und der finalen Aktion geändert hat.
4. Erfassung von Korrekturen. Ändert ein Mensch die Empfehlung, werden Änderung und Grund festgehalten. Muster in solchen Korrekturen zeigen, wo Playbooks falsch sind, Trainingsdaten veraltet oder das System schlecht kalibriert ist.
5. Zeitgestempelte Aktionshistorie. Jede Aktion, jede Erinnerung, jede Freigabeanfrage und jede Eskalation in einem chronologischen Verlauf pro Ablauf. Das legst du vor, wenn eine Aufsichtsbehörde oder ein Gericht fragt, wie ein Prozess ablief.

Dazu kommt eine Kontrolle auf Portfolio-Ebene. Agenten, die einzelne Teams ohne zentrales Verzeichnis starten, funktionieren bei fünf Agenten; bei fünfzig scheitern sie. Das Büro des General Counsel sollte gemeinsam mit der IT-Leitung ein Agenten-Verzeichnis führen — jeder produktive Agent, sein Mandat, sein Verantwortlicher, das letzte Prüfdatum und seine Risikoklasse. So kann die Führung die Frage beantworten, die sie irgendwann stellen wird: Was läuft bei uns, und wer verantwortet welches System?

Das ist derselbe Anspruch wie in unserem Beitrag zu auditierbarer Legal AI: Dokumentation allein reicht nicht — Qualität und Entscheidungen müssen belegbar sein.

Operations: Wie sich die Arbeit verändert

Der operative Effekt von Legal-AI-Agenten ist nicht nur Geschwindigkeit. Die Arbeit verschiebt sich: weg von der manuellen Erstellung, hin zu Kontrolle, Ausnahmebehandlung und der laufenden Pflege der Standards. Und mit der Arbeit verändert sich das Team.

Anwaltszeit verlagert sich von der Erstellung zur Prüfung. Übernehmen Agenten die erste Fassung der Routinearbeit, verschieben sich Juristinnen und Juristen zu Qualitätskontrolle, Ausnahmebehandlung und Urteilsvermögen bei Fällen ausserhalb des Playbooks — ein anderes Profil als das, wofür viele Teams eingestellt wurden.

Playbooks werden zur zentralen Investition. Führt ein Agent einen Ablauf aus, ist das Playbook der Standard, der über die Qualität entscheidet. Ein präzises, aktuelles Playbook macht einen Agenten nützlich; ein vages oder veraltetes macht ihn gefährlich. Seine Pflege — Verantwortlichkeit, Prüfzyklus, das Testen von Änderungen, das Zurückführen von Ausnahmen — wird zur laufenden Disziplin.

Die Schnittstelle zwischen Recht und Business verändert sich. Wird der Eingang strukturiert und von einem Agenten weitergeleitet, ruft das Business nicht mehr direkt die Lieblingsjuristin an. Das verbessert Verteilung und Sichtbarkeit — verlangt aber Umgewöhnung, und Governance muss den Service verbessern, nicht neue Reibung schaffen.

Es gibt noch eine leisere Verschiebung: Sobald Agenten jeden Schritt festhalten, gewinnt die Funktion einen Datensatz, den sie nie hatte — Durchlaufzeiten, Engpässe und jene Playbook-Abschnitte, die die meisten Ausnahmen erzeugen. Contract Insights macht daraus das operative Reporting, das sich viele Abteilungen seit Jahren wünschen. Genau so skalieren Unternehmen wie dormakaba und Implenia die Vertragsprüfung mit agentischer Legal AI, ohne die Kontrolle zu verlieren.

Kosten: Was zählt — und was man nicht überschätzen sollte

Der Kosten-Nutzen-Fall für Legal AI wird in Anbieterpräsentationen oft überzeichnet und in internen Business Cases unterschätzt — beides aus demselben Fehler: dem Halt bei den „eingesparten Stunden“. Anwaltsstunden sind weitgehend Fixkosten; eingesparte Stunden senken die Ausgaben nur, wenn sich der Personalbestand ändert. Ein glaubwürdigeres Modell zählt vier Dinge:

• Ausgaben für externe Kanzleien — dort, wo konsistente, playbook-getriebene Ausführung Routinearbeit im Haus hält, ist der Effekt real und messbar.
• Durchlaufzeit bei umsatznaher Arbeit — Verträge, die in 14 statt 30 Tagen abgeschlossen werden, wirken auf Umsatzrealisierung, Abschlussgeschwindigkeit und Kundenerlebnis. Die Zuordnung ist unschärfer, aber oft das stärkste Argument gegenüber der Finanzabteilung.
• Reduziertes Risiko — konsistentere Prozessausführung kann regulatorische und vertragliche Risiken senken; schwerer zu beziffern, aber wesentlich.
• Gesamtkosten des KI-Programms — Lizenzen sind sichtbar. Weniger sichtbar sind Integration, Playbook-Pflege, Governance-Prüfungen, Schulung und laufendes Monitoring.

Die Kostenperspektive stellt auch eine Frage, die Anbieterpräsentationen meiden: Was kostet es, Governance falsch zu machen? Eine nicht erklärbare, nicht verteidigbare automatisierte Entscheidung ist keine Ersparnis — sie ist ein Risiko.

Wo Legartis ansetzt: die Qualitäts- und Kontrollschicht

Der rote Faden über alle drei Fragen ist nicht die Automatisierung selbst. Es ist der Nachweis — Nachweis der Befugnis, der Qualität, der Kontrolle und des Nutzens. Genau hier setzt Legartis an.

Legartis ist ein Legal AI Workspace, der juristische Standards in messbare, steuerbare und auditierbare Vertragsarbeit übersetzt. Diese fünf Nachweise sind keine nachträglichen Zusätze — sie sind Teil der Architektur:

• Entscheidungs-Nachweis und eine zeitgestempelte Aktionshistorie machen jede Bewertung nachvollziehbar — gebunden an Klausel, Quelle und Regel, pro Anforderung.
• Die Erfassung von Korrekturen ist ein Feedback Loop: Korrekturen fliessen zurück in den Standard, statt als Kommentare zu verpuffen.
• Das Playbook ist der schriftliche Standard, gegen den ein Agent gemessen wird — die Messlatte für Qualität, nicht bloss ein Ablauf-Leitfaden.
• Quality Scores, Versionierung und das AI Quality System machen Zuverlässigkeit pro Anforderung messbar.

Das ist der Unterschied zwischen KI, die Ergebnisse erzeugt, und KI, deren Qualität du steuern kannst — dieselbe Linie, die wir zwischen erklärbarer und auditierbarer AI ziehen.

Agenten schaffen Hebel. Die Qualitäts- und Kontrollschicht sorgt dafür, dass Legal diesen Hebel auch verantworten kann.

So bringen Teams Legal AI Agents und KI-gestützte Vertragsprüfung in den Produktivbetrieb — über Recht, Einkauf und Vertrieb hinweg, ohne dass Legal die Kontrolle abgibt.

Foundation Models machen juristische Arbeit zugänglicher. Legartis macht sie verlässlich, steuerbar und skalierbar im Unternehmen.

Fazit: Was läuft, muss nachweisbar sein

Die Herausforderung der meisten Rechtsabteilungen ist nicht mehr, mehr Agenten auszurollen. Es geht darum, bestehende Agenten und Workflows governance-fähig zu machen: Governance formalisieren, produktionsreife Abläufe von Piloten trennen und den Nutzen über operative und finanzielle Ergebnisse messen statt über geschätzte eingesparte Stunden.

Die nächste Kaufentscheidung wird nicht lauten „Welche Legal AI ist am leistungsfähigsten?“ Sondern:

Welche Legal AI können wir verantworten?

→ Legal AI Guide 2026 herunterladen — und sehen, wie auditierbare, agentische Legal AI in der Praxis funktioniert.

→ Demo buchen — die Kontrollschicht mit unserem Team durchgehen.