Künstliche Intelligenz im Rechtsmarkt

Libra ist ein Browser-basierter KI-Chatbot, den Sie ganz einfach über die Website libratech.ai erreichen können. Dort finden Sie im oberen rechten Eck ein Login-Button.

Sie können sich auch direkt über diesen Link in Ihren Account einloggen: https://app.libratech.ai/

Libra ist vielseitig anwendbar. Besonders hilfreich ist die KI, um Gesetztestexte zusammenzufassen und Recherchearbeiten durchzuführen. Hier folgen eine Reihe von Anwendungsbeispiele:

Formulierung von E-Mails

Zusammenfassung und Analyse von großen Dokumenten

Analyse von juristischen Dokumenten

Zusammenfassung von Fallakten

Vervollständigung von Muster-Dokumenten

Bearbeitung/Umformulierung von Textpassagen in MS Word

Erstellung von ersten Vertragsmustern

Rechtliche Recherchen

Erstellung eines Überblicks von unbekannten Rechtsgebieten

etc.

Ja, alle in Libra erhältlichen Sprachmodelle können in mehreren Sprachen verwendet werden.

Aktuell gibt es noch keine direkten Schnittstellen zu Kanzlei-Software - allerdings ist das Thema auf Libra’s Produkt-Roadmap.

Claude 3.5 Sonnete:

Claude 3.5 Sonnet ist ein fortschrittliches Large Language Model (LLM), das sich besonders für den Einsatz im juristischen Bereich eignet, da es komplexe rechtliche Sachverhalte präzise erfassen und analysieren kann. Seine Fähigkeit, umfangreiche juristische Texte zu verarbeiten und relevante Informationen zu extrahieren, macht es zu einem wertvollen Instrument für Rechtsanwälte bei der Fallrecherche und der Vorbereitung von Schriftsätzen. Das Modell kann Juristen bei der Interpretation von Gesetzen und Präzedenzfällen unterstützen, indem es kontextbezogene Analysen liefert und potenzielle rechtliche Argumentationslinien aufzeigt. Darüber hinaus eignet sich Claude 3.5 Sonnet für die Erstellung von juristischen Gutachten, die Zusammenfassung von Gerichtsakten und die Identifikation relevanter Rechtsprechung zu spezifischen Rechtsfragen. Seine Präzision und Zuverlässigkeit machen es zu einem wertvollen Assistenten für Juristen, die effiziente und gründliche rechtliche Analysen benötigen, wobei stets zu betonen ist, dass die endgültige rechtliche Beurteilung und Entscheidungsfindung in der Verantwortung des qualifizierten Juristen liegt.

GPT-4o (azure):

GPT-4o (Azure) ist ein leistungsstarkes Large Language Model, das Juristen bei der effizienten Bearbeitung komplexer Rechtsfragen unterstützen kann. Es zeichnet sich durch seine Fähigkeit aus, umfangreiche Dokumente schnell zu analysieren und relevante Informationen detailliert zu extrahieren. Das Modell eignet sich hervorragend für die Erstellung von Schriftsätzen, da es präzise Argumentationen entwickeln und verfeinern kann. Darüber hinaus unterstützt GPT-4o bei der Zusammenfassung von Rechtsprechung. Seine zuverlässige Datenverarbeitung und kontextuelle Analyse machen es zu einem wertvollen Werkzeug für Juristen, die zeitkritische Lösungen benötigen.

NoxtuaDoc QA:

Noxtua Doc QA ist ein spezialisiertes System für die juristische Dokumentenanalyse und Frage-Antwort-Verarbeitung, das auf die spezifischen Bedürfnisse von Rechtsanwälten zugeschnitten ist. Es zeichnet sich durch seine Fähigkeit aus, große Mengen juristischer Dokumente effizient zu durchsuchen und präzise Antworten auf komplexe rechtliche Fragen zu liefern. Das System ist besonders effektiv bei der Analyse und Erstellung von Verträgen.

Noxtua Research:

Noxtua Research ist ein fortschrittliches KI-gestütztes Recherchetool, das speziell für die umfassenden Rechercheanforderungen im juristischen Bereich entwickelt wurde. Es zeichnet sich durch seine Fähigkeit aus, große Mengen an Rechtsdokumenten, Gesetzen und Gerichtsurteilen effizient zu durchsuchen und relevante Informationen präzise zu extrahieren und zu strukturieren. Das System unterstützt Juristen bei der Durchführung tiefgreifender und breit angelegter rechtlicher Untersuchungen, indem es komplexe Zusammenhänge zwischen verschiedenen Rechtsquellen erkennt und aufzeigt.

o1:

o1 ist ein hochspezialisiertes Large Language Model, das für die präzise Verarbeitung und Generierung von Texten in verschiedenen Fachbereichen entwickelt wurde. Es zeichnet sich durch seine Fähigkeit aus, komplexe Sachverhalte zu analysieren und maßgeschneiderte Lösungsansätze zu generieren. Das Modell ist besonders effektiv bei der Erstellung von detaillierten Fachberichten, der Entwicklung von Argumentationsstrategien und der Identifikation potenzieller Problemstellungen in verschiedenen Dokumenttypen. o1 soll Fachexperten bei der effizienten Bearbeitung komplexer Aufgaben unterstützen, indem es relevante Informationen findet, Argumente strukturiert und bei der Formulierung präziser Fachtexte hilft. Durch seine Fähigkeit, kontextabhängige Nuancen zu erfassen und seine Anpassungsfähigkeit an verschiedene Fachgebiete, ist o1 ein vielseitiges Werkzeug für Experten, die nach einer KI-gestützten Lösung suchen, um ihre Arbeit zu optimieren und die Qualität ihrer fachlichen Outputs zu erhöhen.

LLMs werden mit enormen Mengen an Textdaten trainiert. Sie “lesen” quasi Millionen von Texten und lernen dabei Muster und Zusammenhänge in der Sprache. Im Kern versuchen LLMs, basierend auf dem vorherigen Text das nächste Wort vorherzusagen. Durch wiederholtes Training werden sie darin immer besser. LLMs basieren auf komplexen neuronalen Netzwerken, die Informationen in vielen Ebenen verarbeiten, ähnlich wie das menschliche Gehirn. Mit zunehmender Größe und Komplexität können LLMs den Kontext besser verstehen und relevante Informationen über längere Textpassagen hinweg verknüpfen. Bei der Anwendung generieren LLMs Text, indem sie Wort für Wort vorhersagen, was als nächstes am wahrscheinlichsten und sinnvollsten ist, basierend auf dem bisherigen Kontext. Oft werden LLMs nach dem allgemeinen Training noch für spezifische Aufgaben oder Domänen feinabgestimmt, um ihre Leistung in bestimmten Bereichen zu verbessern. Diese Modelle “verstehen” Sprache nicht im menschlichen Sinne, sondern nutzen statistische Muster, um erstaunlich kohärente und oft nützliche Texte zu produzieren. Ihre Stärke liegt in der Verarbeitung großer Datenmengen und der Erkennung komplexer sprachlicher Zusammenhänge.

Libra bietet ein Large Language Model (LLM) namens “Noxtua Research” an, das speziell für rechtliche Rechercheaufgaben entwickelt wurde. Noxtua Research wurde auf deutschen Gesetzestexten und Gerichtsurteilen trainiert. Außerdem wurde ein großer juristischer Datensatz aus einem Konsortium von ca. 200 Kanzleien (darunter CMS) zum Training verwendet. Weitere Informationen zu Noxtua Research finden Sie unter https://xayn.com/noxtua-research.

Die Recherchegrundlage der anderen angebotenen LLMs umfasst typischerweise eine sehr breite und diverse Sammlung von Texten und Dokumenten aus dem Internet und anderen digitalen Quellen. Hier ein Überblick über die häufigsten Arten von Dokumenten:

1. Webseiten: Ein großer Teil des Trainingsmaterials stammt aus dem öffentlich zugänglichen Internet, einschließlich Nachrichtenseiten, Blogs, Foren und Wikis.

2. Bücher und Literatur: Digitalisierte Bücher, wissenschaftliche Publikationen, Zeitschriften und andere literarische Werke.

3. Enzyklopädien: Online-Enzyklopädien wie Wikipedia sind eine wichtige Quelle für strukturiertes Wissen.

4. Soziale Medien: Öffentliche Posts und Diskussionen aus sozialen Netzwerken (unter Berücksichtigung von Datenschutzrichtlinien).

5. Akademische Datenbanken: Wissenschaftliche Papers, Dissertationen und Forschungsberichte.

6. Regierungsdokumente: Öffentlich zugängliche Berichte, Gesetze und Verordnungen.

7. Nachrichtenarchive: Historische und aktuelle Nachrichtenartikel aus verschiedenen Quellen.

8. Technische Dokumentationen: Handbücher, API-Dokumentationen und technische Spezifikationen.

9. Unterrichtsmaterialien: Lehrbücher, Kursunterlagen und Bildungsressourcen.

10. Patentschriften: Öffentlich zugängliche Patentanmeldungen und -beschreibungen.

Es ist wichtig zu beachten, dass die genaue Zusammensetzung des Trainingsdatensatzes je nach Modell und Entwickler variieren kann. Einige Modelle können auch auf spezifische Domänen oder Sprachen zugeschnitten sein. Die Qualität und Vielfalt der Trainingsdaten haben einen erheblichen Einfluss auf die Leistung und Fähigkeiten des resultierenden Modells.

Wir können Ihnen auf Wunsch unser Beispiel aus dem Webinar zur Verfügung stellen, welches zeigt, wie das Libra Word-Add-In in der Praxis angewendet wird. Dieses Beispiel ermöglicht es Ihnen, Muster mit Ihren eigenen Dokumenten (der Kontext-Datei) zu vergleichen und so besser zu verstehen, wie das Add-In in Ihrem speziellen Fall funktionieren würde. Zusätzlich finden Sie auf unserer Webseite aufgezeichnete Webinare, die Sie jederzeit erneut ansehen können. Diese Webinare bieten eine weitere Möglichkeit, die Funktionsweise des Add-Ins nachzuvollziehen und mit Ihren eigenen Anforderungen abzugleichen.

Ja, im Chat-Bot gibt es einen Button mit der Aufschrift "Stimme aufnehmen". Wenn Sie diesen drücken, können Sie eine Sprachaufnahme starten. Diese Aufnahme wird anschließend in den Chat eingefügt und kann als Word-Datei exportiert werden. Zudem sollten Sie beim Erstellen des Textes einen zusätzlichen Hinweis (Prompting) verfassen, der speziell dazu dient, das Diktat in Textform umzuwandeln.

Ja, Audio-Dateien können als .wav Dateien im Chat hochgeladen und in Textform umgewandelt werden.

Um die besten Ergebnisse bei der Nutzung großer Sprachmodelle zu erhalten, empfehlen wir, sich die Buchstaben des Wortes “PROMPT” als Hilfe zur Strukturierung Ihrer Anfragen zu merken. Jeder Buchstabe steht für einen wichtigen Punkt, über den Sie sich Gedanken machen sollten:

Projekt: Was ist das Thema und der Kontext Ihrer Anfrage? Welches Problem möchten Sie lösen?

Rolle: Welche Rolle soll die KI übernehmen, zum Beispiel ein erfahrener Fachanwalt für Arbeitsrecht?

Output: Welche Inhalte soll das Ergebnis haben? Welche Informationen erwarten Sie?

Mensch: Wer ist die Zielgruppe? Für wen ist die Antwort gedacht?

Präsentation: In welcher Form soll das Ergebnis dargestellt werden? Zum Beispiel als Tabelle, Fließtext oder mit einer bestimmten Wortanzahl.

Ton: Welcher Schreibstil ist gewünscht? Soll es formell, informell, sachlich, emotional, humorvoll oder etwas anderes sein?

Zusätzlich können Sie das Zeichen “#” nutzen, um Webseiten zu verknüpfen. Dadurch schaffen Sie die Möglichkeit, die verlinkte Webseite konkret zu überprüfen und relevante Informationen direkt aus der angegebenen Quelle zu integrieren.

Wenn Sie diese sechs Punkte zusammen mit der Nutzung von “#” zur Verlinkung in Ihrer Anfrage klar definieren, erhalten Sie genaue und effiziente Antworten.

Alle Kundendaten (wie Chatverläufe, hochgeladene Dokumente etc.) werden verschlüsselt auf Libra’s Server in der Telekom-Cloud innerhalb Deutschlands gespeichert, auf den ausschließlich Libra Zugriff hat.

Eingaben (z. B. Prompts und relevante Abschnitte referenzierter Dokumente) werden an LLM-Anbieter übermittelt, um Antworten zu generieren. Dabei gelten folgende Grundsätze:

1) Die Server der LLM-Anbieter befinden sich ausschließlich innerhalb Europas. So nutzt Libra beispielsweise den europäischen Microsoft Azure Service zum Hosten der Modelle von OpenAI. Ihre Daten verlassen niemals den europäischen Wirtschaftsraum.

2) Alle Daten werden während der Übertragung zu und von LLM-Anbietern sowie im Ruhezustand verschlüsselt.

3) Die Daten werden ausschließlich zur Generierung von Antworten verarbeitet und nicht auf den Servern der LLM-Anbieter gespeichert — insbesondere werden sie nicht zum Trainieren von LLMs verwendet.

4) Alle LLM-Anbieter sind ISO 27001-zertifiziert und erfüllen die Anforderungen der Datenschutz-Grundverordnung (DSGVO). Darüber hinaus haben alle Anbieter Libra im Rahmen von Sondervereinbarungen die Vertraulichkeit gemäß §203 StGB vertraglich zugesichert.

Diese Bedingungen sichert Ihnen Libra vertraglich zu - einerseits in den AGB, andererseits in individuellen Auftragsverarbeitungsvereinbarungen (AVV) und Vertraulichkeitsvereinbarungen (NDA), die Libra mit Kunden abschließt. AVV, NDA und weitere Informationen zum Datenschutz finden Sie auch in Libra’s Trust Center: https://trust.libratech.ai/ .

Libra stellt Large Language Models (LLMs), die von OpenAI entwickelt wurden, nicht über eine Schnittstelle zu OpenAI bereit, sondern hostet die Modelle auf Microsoft Azure Servern innerhalb Europas. Dadurch kann Libra sicherstellen, dass folgende Grundsätze stets eingehalten werden:

Die Daten werden ausschließlich zur Generierung von Antworten verarbeitet und nicht auf den LLM-Servern gespeichert — insbesondere werden sie nicht zum Trainieren von LLMs verwendet.

Die Daten verlassen niemals den europäischen Wirtschaftsraum

Alle Daten werden während der Übertragung zu und von den Microsoft Azure Servern sowie im Ruhezustand verschlüsselt.

Microsoft hat Libra im Rahmen einer Sondervereinbarung die Vertraulichkeit i.S.d. §203 StGB zugesichert.

All diese Bedingungen sichert Ihnen Libra vertraglich zu - einerseits in den AGB, andererseits in individuellen Auftragsverarbeitungsvereinbarungen (AVV) und Vertraulichkeitsvereinbarungen (NDA), die Libra mit neuen Kunden abschließt. AVV, NDA und weitere Informationen zum Datenschutz finden Sie auch in Libra’s Trust Center: https://trust.libratech.ai/.

Das Add-In integriert sich direkt in Microsoft Word und ermöglicht den Zugriff auf den KI Chatbot von Libra innerhalb Ihres Textdokuments.

Sie können ganz einfach KI-gestützte Funktionen ausführen, ohne zwischen den Anwendungen wechseln zu müssen.

Installieren Sie das Word Add-In von Libra über den Microsoft Office Store oder den bereitgestellten Link: https://tinyurl.com/2v8awhpp

Melden Sie sich mit Ihrem Libra Probeabo an, um alle Funktionen zu nutzen.

Bitte beachten Sie, dass der Download von Word Add-Ins womöglich der Freigabe durch den System Administrator bedarf.

Nach der Installation können Sie direkt in Word mit der KI arbeiten.

Nahtlose Integration in den gewohnten Arbeitsablauf.

Zeitersparnis, da kein Wechsel zwischen Anwendungen notwendig ist.

Intelligente Automatisierung für wiederkehrende Aufgaben.

Gendern bzw. Geschlechteranpassung von Texten mit nur einem Klick.

Suche nach relevanten Textstellen in umfangreichen Dokumenten.

Automatisches Ausfüllen von Platzhaltern, um Vertragsentwürfe schneller zu finalisieren.

Optimierung der Schriftsprache, um Texte klarer und präziser zu gestalten.

Und vieles mehr.