AI voor juridisch onderzoek: een verdedigbare workflow

Een verdedigbare manier om AI te gebruiken voor juridisch onderzoek is discovery te scheiden van verificatie. Gebruik AI om een vraag af te bakenen, issues te structureren, zoekterminologie uit te breiden, argumenten te vergelijken en kandidaatbronnen te vinden. Vertrouw pas op het resultaat nadat elke materiële bron onafhankelijk is gecontroleerd aan de hand van de onderliggende tekst. Stanford HAI, AI on Trial: Legal Models Hallucinate 1 out of 6 or More Benchmarking Queries De American Bar Association komt in Formal Opinion 512 tot een vergelijkbare conclusie: de mate van controle hangt af van de tool en de taak, maar advocaten mogen hun oordeel niet uitbesteden. Voor stukken die aan een rechtbank worden voorgelegd, zegt de opinie expliciet dat advocaten AI-gegenereerde analyse en citaties moeten reviewen en fouten moeten corrigeren, waaronder onjuiste weergaven van recht of feiten en het weglaten van controlling authority. ABA Formal Opinion 512

AI kan juridische teams helpen sneller te werken, maar snelheid is niet hetzelfde als betrouwbaarheid. Bij juridisch onderzoek is de relevante vraag niet of een model vloeiende analyse kan produceren. De vraag is of een jurist elke materiële stelling kan herleiden tot een echte bron, kan bevestigen wat die bron daadwerkelijk zegt, de juridische status en beperkingen kan vaststellen, en de uiteindelijke analyse kan verdedigen als die gevolgen heeft voor advies, onderhandeling, drafting of indiening.

Dit artikel gaat uit van Amerikaanse authority, databases en beroepsregels (ABA Model Rules). Teams in andere jurisdicties moeten de genoemde bronnen, citators en gedragsregels vervangen door hun lokale equivalenten.

Naarmate het gebruik toeneemt, wordt dit onderscheid belangrijker. Het 8am Legal Industry Report 2026, gebaseerd op antwoorden van meer dan 1.300 juridische professionals die in het najaar van 2025 zijn bevraagd, meldt dat 69% algemene AI-tools gebruikt voor werk en 42% legal-specific AI-tools gebruikt. Dezelfde survey meldt dat 54% zegt dat hun kantoor geen AI-training aanbiedt en daar ook geen plannen voor heeft, en dat 43% aangeeft dat hun kantoor geen AI-governancebeleid heeft. Deze cijfers beschrijven de onderzoekspopulatie van 8am en moeten niet worden gelezen als een volledige weergave van de hele juridische sector. Zie ook deze LawNext-samenvatting van het 8am-rapport.

Dat maakt AI vooral nuttig als hulpmiddel voor ontdekking, structurering en eerste synthese binnen een gecontroleerd reviewproces. Het kan helpen bij issue mapping, het verbreden van zoektermen, het vergelijken van argumenten en het opstellen van een eerste memo. Het wordt riskant zodra teams gegenereerde citaties, quotes of holdings behandelen alsof die al betrouwbaar zijn voordat zij zijn getoetst aan primaire bronnen.

Why AI legal research is useful, but not reliable by default

AI voor juridisch onderzoek kan de tijd verkorten die nodig is voor issue mapping, terminologie-uitbreiding, eerste synthese, documentvergelijking en het identificeren van mogelijke gezagslijnen. Het kan een grote hoeveelheid materiaal ook beter navigeerbaar maken.

Geen van die voordelen bewijst dat de uiteindelijke juridische stelling correct is.

In juridisch onderzoek zijn de gevaarlijkste fouten vaak niet duidelijk fictief. Een zaak kan echt bestaan en toch worden aangehaald voor een stelling die zij niet ondersteunt. Een passage kan correct zijn geciteerd maar afkomstig zijn uit dicta in plaats van uit de holding. Een model kan persuasive authority presenteren alsof die bindend is. Het kan een tussentijdse ontwikkeling missen, processuele houdingen door elkaar halen of een vraag beantwoorden onder het recht van de verkeerde jurisdictie.

Het verschil tussen een verzonnen bron en een verkeerd gegronde bron is daarom cruciaal. Een citatie wordt niet betrouwbaar alleen omdat de onderliggende zaak bestaat.

Deze benadering wordt ondersteund door empirisch onderzoek. In Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools (Journal of Empirical Legal Studies, 2025) definiëren Magesh et al. hallucinerende antwoorden niet alleen als onjuiste informatie, maar ook als gevallen waarin een systeem ten onrechte stelt dat een aangehaalde bron een bepaalde stelling ondersteunt. Dat is voor de juridische praktijk een bruikbaardere maatstaf dan alleen controleren of een zaaknaam ergens te vinden is.

What older hallucination studies still show, and what they do not

Eerdere studies lieten ernstige betrouwbaarheidsproblemen zien in AI-output voor juridisch onderzoek. Dahl et al. rapporteerden in Large Legal Fictions (Journal of Legal Analysis, 2024) dat algemene modellen bij gerichte, verifieerbare vragen over Amerikaanse federale zaken in 58% tot 88% van de gevallen hallucineerden, 58% voor GPT-4, 69% voor GPT-3.5 en 88% voor Llama 2. Bij de complexere taken ontstonden hallucinaties in minstens 59% van de queries naar de core legal question en minstens 63% van de queries naar de central holding van een specifieke zaak.

Omdat dit 2024-benchmarkresultaten zijn voor specifieke modelversies en Amerikaanse federale case-lawtaken, moeten deze percentages niet worden gepresenteerd als een actuele benchmark voor alle systemen in 2026. Zij zijn beter te begrijpen als oudere benchmarkdata die nog steeds onderbouwen waarom verificatiecontroles nodig blijven: verzonnen citaties, verkeerd weergegeven holdings en misplaatste zekerheid zijn terugkerende foutpatronen.

Een afzonderlijke studie van een deels overlappend onderzoeksteam (Magesh et al., Journal of Empirical Legal Studies, 2025) liet zien dat retrieval-grounded juridische onderzoekstools nog steeds in 17% tot 33% van de antwoorden hallucineerden, tegenover 43% voor GPT-4 in dezelfde evaluatie. Accuraatheid lag eveneens aanzienlijk lager dan perfect: het best presterende systeem beantwoordde 65% van de queries correct en gegrond, een tweede systeem 42%, en een derde gaf op meer dan 60% van de queries een incompleet antwoord. Retrieval verlaagt foutpercentages, maar "minder hallucineren" is niet hetzelfde als "betrouwbaar" en het neemt de noodzaak van broncontrole niet weg.

Praktische regel: behandel elke AI-gegenereerde bron als een lead totdat een jurist bron, pinpoint, stelling en jurisdictie heeft bevestigd.

Drie faalvormen vragen om verschillende controles

Verzonnen citaties zijn de duidelijkste fout. Als de aangehaalde bron niet terug te vinden is in een vertrouwde juridische database of een officiële repository, moet die worden afgewezen.

Plausibele maar onjuiste holdings zijn vaak gevaarlijker. De zaak bestaat, het onderwerp lijkt relevant en de formulering klinkt geloofwaardig, maar het model kan de redenering hebben omgedraaid, een beperkend feit hebben genegeerd of dicta als regel hebben gepresenteerd.

Stille jurisdictieverschuiving ontstaat wanneer een antwoord begint in de gevraagde rechtsorde en vervolgens ongemerkt persuasive authority uit andere jurisdicties binnenhaalt zonder dat duidelijk te markeren. Als de prompt niet strak genoeg stuurt op jurisdictie, rechterlijk niveau, tijdsgrens en processuele context, kan het systeem juist die verschillen afvlakken waar juridisch redeneren van afhangt.

De werkbare controle is een zichtbare verificatieketen: formuleer de vraag, breng de issues in kaart, verzamel kandidaatbronnen, test elke citatie en synthesizeer daarna pas. Teams die het verschil willen beoordelen tussen een goed klinkend antwoord en een werkelijk betrouwbare uitkomst, kunnen ook kijken naar accuracy versus reliability in business-critical AI. Een nuttig eerste concept is slechts het begin. De evidence pass bepaalt of de output geschikt is voor juridisch werk.

Een herbruikbare workflow voor AI-assisted juridisch onderzoek

De meest verdedigbare toepassing van AI in juridisch onderzoek is discovery gescheiden houden van validatie. Een herhaalbare workflow maakt dat onderscheid praktisch uitvoerbaar.

1. Begin met een afgebakende juridische vraag

Voordat u een model vraagt bronnen te vinden, formuleert u een issue statement van één zin met daarin:

• Jurisdictie: de relevante staat, federale circuit, autoriteit of forum.
• Rechterlijk niveau: of u bindende authority, persuasive authority of beide zoekt.
• Temporele reikwijdte: de relevante cutoff-datum of periode.
• Processuele context: of de kwestie speelt bij een motion to dismiss, summary judgment, hoger beroep of een andere fase.
• Gevraagde output: een issue map, lead sheet of research memo, niet een definitieve juridische conclusie.

Een bruikbare promptvorm is: "Identify the governing rule for [issue] in [jurisdiction and court level], as applied to [procedural posture], using authorities through [date]. Separate binding from persuasive authority and identify unresolved questions."

Het eerste alarmsignaal is drift. Als het model een bredere vraag beantwoordt, het rechterlijk niveau negeert, een statutaire kwestie behandelt als common law of beleidscommentaar geeft in plaats van bronnen, stop dan en formuleer de opdracht opnieuw.

2. Gebruik gestructureerde issue spotting

Laat het systeem de research teruggeven in een tabel of genummerde structuur in plaats van in vrije proza.

Nuttige velden zijn:

• Rule
• Elements
• Exceptions
• Potentially controlling authority
• Counter-authority or adverse authority
• Facts that could change the result
• Questions requiring primary-source confirmation

Gestructureerde output maakt omissies makkelijker zichtbaar. Een vloeiend verhaal kan ontbrekende takken, onopgeloste geschillen en onbewezen conclusies verhullen.

3. Scheid lead discovery van bronlezing

De eerste pass moet een lead sheet opleveren, geen lijst die al klaar is voor gebruik in een filing. Vraag om kandidaat-zaken, wetgeving, regulering, docketmaterialen en zoektermen, liefst met een bronlink als de tool die kan geven. Haal daarna zelf de onderliggende tekst op via een vertrouwd juridisch onderzoeksplatform of een officiële bron.

De tweede pass is bronlezing. Trek de volledige uitspraak of gezaghebbende tekst op, controleer de relevante passages, check latere behandeling en leg exact vast welke stelling de bron ondersteunt. Laat de samenvatting van het model nooit de plaats innemen van de onderliggende authority.

Een herbruikbare prompttemplate is:

"Act as a research assistant, not a final authority. For the issue below, first restate the question with jurisdiction, court level, procedural posture, and temporal scope. Then list the legal elements, exceptions, competing arguments, and candidate authorities. Mark each source as binding, persuasive, statutory, regulatory, or secondary. Do not invent citations. If you cannot verify a source, label it unverified. Return a lead sheet for lawyer review, followed by questions that require primary-source confirmation."

4. Bouw het memo op vanuit het geverifieerde bestand

Stel het memo pas op nadat het authority-bestand is gecontroleerd. AI kan nog steeds helpen bij het organiseren van de eindstructuur, het vergelijken van concurrerende argumenten en het verbeteren van leesbaarheid, maar het geverifieerde bronbestand moet de inhoud sturen. Dat is het verschil tussen AI-assisted drafting en ongefundeerde juridische analyse.

Hoe u citaties in de praktijk verifieert

De citatiereview is het moment waarop AI-assisted legal research ofwel nuttig wordt, ofwel faalt. Vertrouwen op toon, dichtheid van citaties of vloeiende formulering bewijst niet dat het onderliggende juridische werk deugt.

Een veelvoorkomende fout is niet eens een volledig verzonnen bron. Vaak bestaat de zaak wel, maar klopt de pinpoint niet, is de stelling te ruim geformuleerd of wordt de uitspraak te breed gekarakteriseerd voor het punt dat wordt gemaakt.

Gebruik vier controles voor elke authority

1. Confirm existence. Zoek in de officiële reporter, de rechtbankdatabase of een andere gezaghebbende juridische repository. Als de bron niet kan worden gelokaliseerd, gebruik haar dan niet.
2. Match the pinpoint. Bevestig dat de aangehaalde pagina of paragraaf de stelling ondersteunt. Een echte zaak met de verkeerde pinpoint blijft onbruikbaar.
3. Read the passage in context. Controleer de aangehaalde taal en de omliggende redenering. Een zin kan op zichzelf nuttig lijken, maar toch beperkt of niet toepasbaar blijken zodra feiten en processuele context duidelijk worden.
4. Test the legal characterisation. Vergelijk de gegenereerde claim met wat de rechter daadwerkelijk heeft beslist. Scheid holding van dicta, noteer de processuele houding en identificeer of de beslissing op smallere gronden rust.

Waarschuwingssignalen zijn onder meer geen reporter match, een pinpoint die naar niet-relevante tekst leidt, een parafrase die niet strookt met de uitspraak of afhankelijkheid van een niet-openbaar gemaakte secundaire bron. Verplaats elk mislukt item naar een exception queue voordat het de draft bereikt.

Verificatie vereist dat u de feitelijke taal van de bron koppelt aan de stelling waarvoor u wilt citeren. Het bestaan van de bron alleen is niet genoeg.

Een eenvoudig verificatielog maakt het werk auditbaar:

• Case or statute — Primary source checked: Reporter, court database, or official text; Pinpoint confirmed: Page or paragraph; Proposition supported: Exact supported rule; Limitation or disagreement: Holding, dicta, posture, or conflict; Reviewer: Name and date

Draft pas nadat elke materiële citatie een vastgelegd resultaat heeft. Zo verandert AI-assisted research van een prompt-and-answeroefening in evidence control.

Privacy and confidentiality controls

Zelfs een sterke verificatieworkflow kan risico creëren als gevoelige matterinformatie naar het verkeerde systeem wordt gestuurd. Voor juridische teams moet privacyreview plaatsvinden vóór upload, niet erna.

Als een matter vertrouwelijk is, vervang dan onnodige identificatoren voordat u prompt. Vervang namen door placeholders zoals [Opposing Counsel], [Client], [Case Number] of [Court] wanneer het weggelaten detail niet nodig is voor de juridische analyse. Verwijder adressen, accountgegevens, sealed facts, unieke transactiebepalingen en metadata die de matter indirect identificeerbaar maken.

De prompt kan nog steeds bruikbaar zijn zonder identiteit prijs te geven: "Assess the available authority concerning [issue] in [masked jurisdiction], based on the redacted facts below." Bewaar de mapping tussen placeholders en originelen in een gecontroleerd lokaal systeem. Voeg de oorspronkelijke identificatoren pas weer toe nadat bronnen en redenering zijn geverifieerd.

Confidentialiteitscontroles moeten ook worden gelezen naast professionele gedragsregels. ABA Formal Opinion 512 behandelt het gebruik van generatieve AI door advocaten en benadrukt plichten rond competence, confidentiality, communication, supervisory responsibility en reasonableness in billing. Voor juridische researchworkflows betekent dit dat kantoren tooloutput, promptverwerking en documentuploads niet mogen behandelen als louter technische kwesties. Het zijn onderdelen van de professionele praktijkcontrole.

Fail closed before sending sensitive matter data

Een privacybewuste workflow moet standaard stoppen als onduidelijk is welke controles gelden bij de bestemming. Verifieer het gedocumenteerde beleid van de aanbieder over training, retentie, toegang, logging, regionale verwerking, verwijdering en administrator visibility. Een marketingclaim is geen vervanging voor contractvoorwaarden, securitydocumentatie of interne goedkeuring.

Pas diezelfde discipline toe op file uploads. Controleer of de tool elke pagina leest, verborgen tekst extraheert, tracked changes verwerkt, metadata bewaart of de volledige sessie logt. Is dat onduidelijk, upload het bestand dan niet. Maak een geredigeerde werkversie en test de workflow eerst met niet-gevoelig materiaal.

Verschillende matters kunnen verschillende deploymentkeuzes rechtvaardigen. Criminal defence-zaken kunnen identiteit, strategie en beschermde onderzoeksfeiten bevatten. M&A-werk kan niet-openbare transactiebepalingen prijsgeven. Trade secret-geschillen kunnen juist de informatie bevatten die de cliënt probeert te beschermen. In zulke contexten kan een lokale of on-premises deployment passender zijn dan een cloud assistant, afhankelijk van security review, jurisdictie en operationele eisen van het kantoor.

Een privacybehoudende workflow moet ook vastleggen wat er is gebeurd zonder onnodige inhoud te bewaren. IamVera's discussion of AI and professional secrecy beschrijft een model met lokale pseudonimisering, outbound checks en gecontroleerde omgang met gevoelige documenten. Het kernprincipe is eenvoudig: bescherm eerst de feiten, start daarna pas retrieval.

Which verification model fits your team

Juridische teams kiezen in de praktijk meestal uit drie verificatiemodellen. De juiste keuze hangt af van matterrisico, reviewcapaciteit en onderzoeksvolume.

• Main strength — Single-Model + Guardrails: Snelle, gestructureerde leadgeneratie; Multi-Model Review Chain: Onafhankelijke reviewstappen kunnen meningsverschil en ontbrekende onderbouwing blootleggen; Human-in-the-Loop: Sterkste controle voor materiële bronnen
• Main weakness — Single-Model + Guardrails: Eén systeem ziet zijn eigen fout mogelijk niet; Multi-Model Review Chain: Meer reconciliatiewerk en meer procesoverhead; Human-in-the-Loop: Beperkt door beschikbare reviewtijd van juristen
• Best use — Single-Model + Guardrails: Routinematige first-pass research; Multi-Model Review Chain: Workflows met hoger volume en volwassen escalatieregels; Human-in-the-Loop: High-stakes matters, filings en cliëntadvies
• Lawyer role — Single-Model + Guardrails: Controleert de resulterende authority list; Multi-Model Review Chain: Interpreteert meningsverschil en beslist over escalatie; Human-in-the-Loop: Verifieert elke materiële citatie en gevolgtrekking

Een single-model approach gebruikt één retrieval-grounded assistant, een vaste outputstructuur en een self-check prompt voor onbewezen claims. Dit kan passen bij routinematige first-pass research waarbij een jurist de authority list toch nog controleert.

Een multi-model review chain scheidt drafting, support checking, assumption testing en source review over verschillende systemen of fasen. IamVera's explanation of multi-model verification presenteert dit als een zichtbare reeks onafhankelijke beoordelingen in plaats van één antwoord. Meningsverschil wordt dan een escalatiesignaal. Ook dit vervangt juristenreview niet.

Het human-in-the-loop model houdt de jurist doorlopend als eindverificateur in positie. AI helpt kandidaatmateriaal te identificeren en bevindingen te structureren, terwijl de jurist elke materiële bron controleert aan de hand van primaire wet- en regelgeving of rechtspraak. Voor high-stakes matters blijft directe verificatie door een jurist van materiële bronnen de sterkste praktische controle.

Teams moeten het minst belastende model kiezen dat toch een audit trail oplevert die past bij het juridische, vertrouwelijke en operationele risicoprofiel van de matter.

Common AI research failures and how to triage them

De meeste researchfouten worden zichtbaar zodra u de oorspronkelijke opdracht naast de output legt. De snelste reactie is stoppen met behandelen alsof het al draft analysis is, en het defect classificeren.

• Fabricated citations: als de bron niet oplost in Westlaw, Lexis, een officiële court database of waar relevant PACER, wijs haar dan af. Doe de query opnieuw via een retrieval-grounded tool die identificeerbare bronlinks teruggeeft en verifieer daarna onafhankelijk.
• Outdated law: als een beslissing is overruled, distinguished, superseded of geraakt door wetgeving, moet het onderzoeksdossier de beslisdatum en huidige status tonen. Shepardize of KeyCite voordat u op de stelling vertrouwt.
• Wrong jurisdiction: als persuasive authority wordt aangeleverd terwijl binding authority was gevraagd, herhaal de prompt met een expliciete forumfilter en vereis dat voor elke stelling de controlling court wordt genoemd.
• Privilege leaks: als cliëntidentificatoren of sealed facts voorkomen in een gelogde prompt, stop de sessie, bewaar het incidentrecord conform kantoorbeleid, redacteer het materiaal en ga alleen verder in een workflow die specifiek is goedgekeurd voor de confidentiality-, privilege- en informatiegovernance-eisen van de matter.
• Hollow analysis: als de output juridisch klinkt maar rule, facts, posture en wederargument niet met elkaar verbindt, vraag dan om een element-voor-element toepassing, aannames, adverse authority en onopgeloste vragen. Blijft de output generiek, gebruik haar dan alleen voor zoektermen en issue framing.

Hanteer deze triagevolgorde: bescherm vertrouwelijke informatie, bevestig dat de bron bestaat, bevestig jurisdictie en actualiteit, toets de stelling aan de volledige tekst en evalueer daarna pas de redenering. Keert u die volgorde om, dan loopt u het risico een antwoord te polijsten dat al op bronniveau had moeten worden afgewezen.

Adoption rules for legal teams

Een kantoorbrede uitrol moet leiden tot operationele regels, niet alleen tot experimenten. Vier gebieden zijn doorslaggevend.

Governance

Keur specifieke tools goed en definieer verboden toepassingen. Wijs eigenaarschap toe voor modelwijzigingen, toegangsrechten, incidentrapportage en training. Vereis voor materieel AI-assisted research een registratie van tool, matter, gebruiker en doel, binnen het informatiegovernancebeleid van het kantoor.

Workflow

Standaardiseer het vijffasenproces: afgebakende issue statement, gestructureerde issue map, lead-sheet retrieval, citatieverificatie en synthesis memo. Bouw templates die jurisdictie, court level, procedural posture, temporal scope, source type en onzekerheidsnotities verplicht maken.

Verification

Hanteer een escalatieregel voor matters met hoger risico. Een menselijke reviewer moet elke materiële citatie controleren voordat iets wordt gebruikt in filing, cliëntadvies of definitieve interne guidance. Een multi-model chain kan helpen uitzonderingen te prioriteren, maar modelovereenstemming vervangt primaire-bronreview niet.

Privacy

Keur een redactie- en pseudonimiseringsprocedure goed voordat juristen documentuploads gebruiken. Definieer welke matters lokale of on-premises verwerking vereisen, hoe promptlogs worden behandeld, hoe lang sessiedata beschikbaar blijft en welk bewijs het kantoor moet bewaren voor audit binnen toepasselijk beleid en jurisdictie.

Meerdere praktische vragen blijven contextafhankelijk. Wie draagt aansprakelijkheid wanneer een AI-gegenereerde citatie in een filing belandt? Dat moet het verificatieregister mede vormgeven. Zijn promptlogs discoverable? Dat beïnvloedt retentie en transcriptcontrole. Hoe gaan kantoren om met grensoverschrijdende overdracht van cliëntfeiten? Dan zijn deploymentarchitectuur en regionale verwerking relevant. Welke verificatiediepte is verdedigbaar voor een bepaalde matter? Dat hangt af van materialiteit, processuele context, authority en gevolgen van fouten. Hoe monitoren teams model drift tussen versies? Een workflow die vorige maand nog voldeed, kan zich na een providerupdate anders gedragen.

De praktische conclusie is eenvoudig. Gebruik AI waar het discovery, organisatie en synthese versnelt. Maak verificatie zichtbaar, verplicht en proportioneel aan het risico van de matter.

More articles on this subject are collected in the AI in de beroepspraktijk overview.

Bronnen: Belangrijke feitelijke claims worden toegeschreven aan Stanford HAI, ABA Formal Opinion 512, het 8am 2026 Legal Industry Report met verslaggeving door LawNext, en peer-reviewed studies van Dahl et al. (Journal of Legal Analysis, 2024) en Magesh et al. (Journal of Empirical Legal Studies, 2025).

← Alle artikelen in dit thema ← Alle artikelen