TL;DR: Eine Rechtsontologie hat 300 MCP-Tools durch 7 ersetzt und die KI-Kosten von 0,60 $ auf 0,02 $ pro Nachricht gesenkt — eine Reduktion um 97 %. Stanford hat nachgewiesen, dass produktive RAG-Tools im Rechtsbereich in 17-33 % der Fälle halluzinieren. Ontologiebasierte Systeme erreichen dagegen eine Genauigkeit von 98 %. Bei HAQQ bauen wir genau das für das Arbeitsrecht der VAE.
Wie ein Demo-Call meine Roadmap neu geschrieben hat
Vor ein paar Wochen hatte ich einen Call mit dem CEO von Dynamic Interfaces, um mir etwas anzusehen, das sie gebaut hatten — ein Rechtsontologie-System für das mexikanische Arbeitsrecht. Ich rechnete mit einer Demo, ein paar Notizen, weiter im Text. So kam es nicht.
Wichtige Fakten
- Eine Rechtsontologie hat 300 MCP-Tools durch 7 ersetzt und die KI-Kosten von 0,60 $ auf 0,02 $ pro Nachricht gesenkt — eine Reduktion um 97 %.
- Stanford (Magesh et al., Journal of Empirical Legal Studies 2025) stellte fest, dass produktive RAG-Tools im Rechtsbereich in 17-33 % der Fälle halluzinieren.
- Ontologiebasiertes GraphRAG erreichte in der klinischen Fragebeantwortung eine Genauigkeit von 98 % gegenüber 37 % bei ChatGPT-4 (Journal of Biomedical Informatics, 2025).
Ich baue bei HAQQ seit Jahren Rechts-KI für die MENA-Region und habe genug „revolutionäre“ Demos gesehen, um sie ein Leben lang nicht mehr sehen zu müssen. Die meisten davon sind einfach RAG mit einer hübscheren Oberfläche. Dieses System wirkte von den ersten fünf Minuten an anders. Nicht wegen schickem Design oder Marketing-Sprech — sondern wegen dem, was unter der Haube passierte.
Das Entscheidende, das mich innehalten ließ: 5 mexikanische Regierungskunden nutzten dieses System täglich. Gerichtlich bestellte Sachverständige — peritos — stellten Anfragen zum Arbeitsrecht über vier Bundesgesetze hinweg, erhielten präzise Antworten mit vollständigen Rechtszitaten, und das Ganze kostete zwei Cent pro Nachricht. Nicht zwei Dollar. Zwei Cent.
Zum Vergleich: Harvey AI — das 11-Milliarden-Dollar-Vorzeigeunternehmen der Rechts-KI — verlangt 1.200 $ pro Anwalt und Monat. CoCounsel startet bei 220 $/Monat. Selbst der günstigste Zugang im Bereich Rechts-KI liegt bei 100+ $/Monat. Und hier war dieses System in Mexiko und schaffte es für zwei Cent pro Nachricht. Keine Abos. Keine Mindestplatzzahlen. Nur ein strukturierter Wissensgraph und 7 gut konzipierte Tools.
Die folgenden zwei Wochen verbrachte ich damit, das System auseinanderzunehmen, um zu verstehen, warum es funktioniert. Dieser Artikel ist das Ergebnis: was ich gefunden habe, warum es für jeden relevant ist, der Rechts-KI baut, und was wir bei HAQQ deshalb bauen.
Was die 11-Milliarden-Dollar-Unternehmen der Rechts-KI falsch machen
Bevor ich auf die Ontologie-Architektur eingehe, muss ich etwas Unverblümtes über den aktuellen Stand der Rechts-KI sagen. Denn je tiefer ich in die Wettbewerbslandschaft eingetaucht bin, desto deutlicher zeichnete sich ein Muster ab — und das ist für die etablierten Anbieter nicht schmeichelhaft.
Jedes größere Rechts-KI-Unternehmen ist im Kern ein RAG-Wrapper. Keines davon verfügt über eine formale Rechtsontologie.
Harvey AI — 11 Mrd. $ Bewertung, 1,2 Mrd. $ Finanzierung, unterstützt von Sequoia und GIC — betreibt feinabgestimmte LLMs mit RAG über juristische Datenbanken. Der Listenpreis liegt bei ca. 1.200 $/Anwalt/Monat. Gerade wurde eine LexisNexis-Integration angekündigt, die weitere 400-600 $/Anwalt/Jahr hinzufügt. Das Unternehmen behauptet eine Genauigkeit von 91 % auf seiner „BigLaw Bench“. Das bedeutet immer noch, dass 9 % der Rechtsarbeit Fehler enthält.
CoCounsel (Thomson Reuters) — 1 Million Nutzer, aufgesetzt auf über 100 Jahre Rechtsprechung von Westlaw. Multi-Modell-Architektur über Anthropic, OpenAI und Google. Preise von 220 bis 500 $/Nutzer/Monat. Ein besserer Daten-Burggraben als Harvey. Aber im Kern immer noch RAG.
Legora (früher Leya) — 5,55 Mrd. $ Bewertung, 800 Kanzleien. Aufgebaut auf Claude mit agentenbasierten Workflows. 250 $/Nutzer/Monat, Mindestabnahme 10 Plätze. Keine proprietäre Struktur juristischen Wissens. Ein sehr gut designter Wrapper.
Stanford führte eine vorab registrierte empirische Studie durch — die erste ihrer Art. Magesh et al., veröffentlicht 2025 im Journal of Empirical Legal Studies. Sie testeten produktive RAG-Tools im Rechtsbereich und fanden durchweg Halluzinationsraten von 17-33 %.
Die Schlussfolgerung des Stanford-Teams: RAG reduziert Halluzinationen gegenüber Allzweckmodellen, aber Halluzinationen bleiben „erheblich, weitreichend und potenziell tückisch“. Die Behauptungen von Rechts-KI-Anbietern, ihre Zitate seien „halluzinationsfrei“, sind nachweislich übertrieben.
In der klinischen Medizin veröffentlichten Forscher zeitgleich eine Studie, die zeigt, dass ontologiebasiertes GraphRAG eine Genauigkeit von 98 % erreicht gegenüber 37 % bei ChatGPT-4. Kein Tippfehler. Eine Verbesserung um 61 Prozentpunkte, veröffentlicht im Journal of Biomedical Informatics, mit SNOMED CT als Grundlagenschicht.
Der medizinische Bereich hat es bewiesen. Der Rechtsbereich braucht es. Und niemand baut es. Das ist die Lücke. Genau in diese Lücke geht HAQQ hinein.
Das Experiment: Eine Rechtsontologie per MCP von innen erkunden
Ich will von Anfang an klarstellen, was das hier ist. Kein Produkttest. Keine Partnerschaftsankündigung. Ich habe mich mit dem MCP-Server von Dynamic Interfaces verbunden, ihre Ontologie-Datenstrukturen erkundet, das Design analysiert und es gegen alles getestet, was ich über juristisches Schlussfolgern weiß.
Das Model Context Protocol (MCP) — Anthropics Standard für die Integration von KI-Tools, mittlerweile unter der Aufsicht der Linux Foundation — war die Schnittstelle. Jede Aktion in der Ontologie wird als aufrufbares MCP-Tool bereitgestellt. Jeder MCP-kompatible Client kann sich anbinden.
Ontologien sind sozusagen das Geheimnis.
Eine Studie aus dem Jahr 2025 zur Tool-Auswahl fand heraus, dass eine Reduzierung der Tool-Anzahl die Genauigkeit verdreifacht — von 13,6 % auf 43,1 % — bei gleichzeitiger Senkung der Prompt-Token um über 50 %. Weniger Tools, dramatisch bessere Leistung. Genau das leistet die Ontologie: Sie verdichtet Hunderte granularer Datenbankoperationen zu einer Handvoll semantisch bedeutungsvoller juristischer Operationen.
Warum scheitert Rechts-KI? Die 3 fatalen Schwächen von RAG im Recht
Die meisten Rechts-KI-Produkte — einschließlich der meisten Angebote auf dem MENA-Markt — betreiben RAG über PDFs. Sie zerlegen juristische Dokumente in Abschnitte, betten diese in eine Vektordatenbank ein und rufen bei einer Frage semantisch ähnliche Passagen ab. Das funktioniert für allgemeine Wissensfragen. Im Recht scheitert es katastrophal.
RAG-basierte Rechts-KI scheitert auf drei spezifische Arten: zeitliche Blindheit (Abruf falscher Fassungen geänderter Gesetze), strukturelle Ignoranz (Verlust der gesetzlichen Hierarchie beim Zerlegen in Abschnitte) und Querverweis-Amnesie (Unfähigkeit, typisierte Beziehungen zwischen Vorschriften nachzuverfolgen).
Seit 2023 wurden mindestens 6 Anwälte sanktioniert, weil sie KI-generierte, erfundene Fallzitate eingereicht hatten — angefangen mit dem inzwischen berüchtigten Fall Mata v. Avianca, in dem ChatGPT Fälle erfand und anschließend bestätigte, diese würden „tatsächlich existieren“ in Westlaw.
Zeitliche Blindheit
RAG-Systeme können von sich aus nicht zwischen der Fassung eines Artikels von 2022 und der von 2023 unterscheiden. Mexikos „Vacaciones Dignas“-Reform von 2023 verdoppelte den Urlaubsanspruch über Nacht. Ein perito, der einen Fall unrechtmäßiger Kündigung berechnet, der diese Grenze überschreitet, braucht beide Fassungen. RAG hat dafür keinen Mechanismus. Keinen.
Strukturelle Ignoranz
Recht ist hierarchisch aufgebaut: Verfassung, Bundesgesetz, Verordnungen, Rundschreiben. Innerhalb eines Gesetzes: Titel, Kapitel, Artikel, Absätze, Unterabsätze. Das Zerlegen in Abschnitte bei RAG zerstört diese Hierarchie. Wenn Artikel 50 auf „die Bedingungen des Artikels 48“ verweist, kann ein RAG-System Artikel 50 ohne Artikel 48 abrufen und liefert eine unvollständige Antwort.
Querverweis-Amnesie
Juristisches Schlussfolgern ist von Natur aus graphbasiert. Die Berechnung der Dienstaltersprämie nach Artikel 162 verweist auf UMA-Werte, die in der Verfassung definiert sind. INFONAVIT-Wohnkredite werden gemäß einer Reform von 2016 in UMAs berechnet. Ein RAG-System hat keinen Mechanismus, um diese Verweisketten zu verfolgen. Es ruft Fragmente ab. Eine Ontologie durchläuft Verbindungen.
Ein juristischer Wissensgraph ist ein Netzwerk von Rechtsvorschriften, das durch typisierte, semantische Beziehungen verbunden ist. Anders als ein Dokumentenindex, bei dem Verbindungen aus Schlagwortähnlichkeit abgeleitet werden, kodiert ein juristischer Wissensgraph explizit, dass Artikel 50 „eine Formel festlegt“, auf die Artikel 48 verweist, der wiederum „verweist auf“ die Gehaltsdefinition in Artikel 84.
Was ist eine Rechtsontologie und wie funktioniert sie?
Eine Rechtsontologie ist ein strukturiertes, maschinenlesbares Wissensmodell, das einen Rechtsbereich als Graph von Entitäten (Gesetze, Artikel, Gerichte, berechnete Werte), deren hierarchischen Beziehungen und typisierten Querverweisen zwischen Vorschriften abbildet. Anders als Systeme zum Abruf von Fließtext bewahrt eine Rechtsontologie die inhärente Struktur der Gesetzgebung — Hierarchie, Versionierung, Ausnahmen und Formelketten — und ermöglicht so deterministisches juristisches Schlussfolgern statt probabilistischen Dokumentenabrufs.
Umfang: 11 Entitätstypen, 1.689 Artikel, 4 Bundesgesetze, 7 Gerichtspräzedenzfälle, 12 typisierte Querverweise, 10 Enum-Taxonomien.
Wie typisierte Querverweise das juristische Schlussfolgern von KI verändern
Was diese Ontologie architektonisch so leistungsfähig macht, ist das System typisierter Querverweise. In den meisten Rechts-KI-Systemen ist ein Verweis zwischen zwei Artikeln nur ein Hyperlink. Im System von Dynamic Interfaces ist es eine typisierte Beziehung mit semantischer Bedeutung: remite_a (verweist auf), complementa (ergänzt), modifica (ändert), excepciona (schafft Ausnahme), define_termino (definiert Begriff), establece_formula (legt Formel fest), establece_procedimiento (legt Verfahren fest).
Dieser Typ excepciona — das ist derjenige, der mir nachts keine Ruhe lässt. Artikel 5 des LFT legt allgemeine Arbeitnehmerrechte fest, aber besondere Arbeitsregime schaffen Ausnahmen. Wenn ein System Ausnahmen nicht explizit modelliert, wendet es allgemeine Regeln dort an, wo Sonderregeln gelten müssten. Das ist ein rechtlich katastrophaler Fehler.
Wir haben versucht, KI das Recht verstehen zu lassen, indem wir ihr Text vorwerfen. Aber Recht ist kein Text. Recht ist ein Graph.
Wie stark senkt eine Rechtsontologie die KI-Kosten?
An dieser Stelle wird es von „architektonisch interessant“ zu „das verändert das Geschäftsmodell fundamental“. Eine Rechtsontologie senkte die KI-Kosten pro Nachricht von 0,60 $ auf 0,02 $ — eine Reduktion um 97 % — indem sie 300 MCP-Tool-Beschreibungen zu 7 ontologiebewussten Tools verdichtete.
Warum benötigen ontologiebasierte Rechts-KI-Systeme weniger Tools?
Token-Ökonomie: Warum 300 Tools 0,60 $ kosten und 7 Tools 0,02 $
Der Standardansatz beim Bau von KI-Agenten besteht darin, jede Datenbankoperation als eigenes Tool bereitzustellen. Multipliziert man das über 11 Entitätstypen, landet man schnell bei 300 Tools. Das Problem: Jede dieser Tool-Beschreibungen wird bei jeder einzelnen Anfrage in das Kontextfenster des LLM geschrieben. Bei 300 Tools mit jeweils rund 300 Token verbrennt man 90.000 Token, bevor der Nutzer überhaupt eine Frage gestellt hat.
Die Ontologie verdichtet das. Statt 300 granularer Datenbankoperationen erhält man 7 semantisch bedeutungsvolle juristische Operationen: query_legal_knowledge, calculate_settlement, find_jurisprudencia, get_cross_references, get_wage_data, get_vacation_table, generate_dictamen.
Sieben Tools. 2.100 Token für Beschreibungen. 0,02 $ pro Nachricht.
Der Modell-Downgrade-Effekt: Von Frontier zu Open Source
Wenn ein KI-Agent nur zwischen 7 klar definierten Tools wählen muss — statt zwischen 300 —, muss das Modell nicht mehr so leistungsfähig sein. Die Ontologie übernimmt die strukturelle Schwerstarbeit. Das Modell muss nur noch die Frage des Nutzers verstehen, die richtigen 1-3 Tools auswählen und aus strukturierten Daten eine Antwort synthetisieren.
Die Gehaltsrechnung des perito
Ein perito laboral in Mexiko-Stadt verdient etwa 15.000-30.000 MXN im Monat. Bei 0,60 $ pro Nachricht, 50 Fällen pro Monat und 20 Nachrichten pro Fall würden allein die API-Kosten 600 $/Monat betragen — 36-72 % des Einkommens. Vollkommen unwirtschaftlich.
Bei 0,02 $ pro Nachricht kostet dieselbe Nutzung 20 $/Monat — 1,2-2,4 % des Einkommens. Weniger als ein Netflix-Abo. Die Kostensenkung macht das Produkt nicht nur billiger. Sie macht einen völlig neuen Markt möglich.
Deep Dive: Eine reale Berechnung unrechtmäßiger Kündigung — 254.000 MXN
Hier eine vollständige Berechnung einer unrechtmäßigen Kündigung mit tatsächlichen LFT-Artikeln, realen Gehaltsdaten von 2026 und der kompletten gesetzesübergreifenden Abhängigkeitskette. Maria Elena Gutierrez, Verwaltungsassistentin, Monatsgehalt 15.000 MXN, 5 Jahre und 3 Monate beschäftigt, ohne triftigen Grund gekündigt.
Die Ontologie bewältigt das in 8 Schritten über 4 Gesetze hinweg: Einordnung des Streitfalls, Prüfung bindender Präzedenzfälle, Verfolgung der Formelkette, Berechnung der Entschädigung ($1211,000), Abfindung ($5,000), Lohnnachzahlung ($120,000), gesetzesübergreifende Verifikation — macht in Summe $254,000 MXN.
Bei einer Berechnung von 254.000 $ bedeutet eine Fehlerquote von 17 %, dass die Antwort um 43.000 $ danebenliegen könnte. Das ist keine Annäherung. Das ist ein Kunstfehler. Die Ontologie berechnet das deterministisch. Jedes Mal. Keine Halluzination bei den Zahlen.
HAQQ AI kostenlos testen
Erleben Sie KI-gestützte juristische Recherche und Entwurf
Die UMA-Falle: Ein Fehler über 180.000 $, der sich vor aller Augen versteckt
Seit der mexikanischen Verfassungsreform von 2016 existieren zwei Referenzeinheiten nebeneinander: die UMA (Unidad de Medida y Actualización) und der Salario Mínimo (Mindestlohn). 2026 beträgt der Mindestlohn das 2,69-Fache der UMA. Wird die falsche Einheit verwendet, entsteht kein Rundungsfehler. Es entsteht eine rechtlich ungültige Berechnung.
Wer die Obergrenze der prima de antigüedad mit der UMA statt dem Salario Mínimo berechnet, erhält 234,62 $/Tag statt 630,08 $/Tag — der Arbeitnehmer wird um 62,8 % geprellt. Eine Ontologie kodiert, welche Referenzeinheit für welchen Rechtsbegriff gilt. Das ist nicht mehrdeutig. Ein RAG-System überlässt es dem LLM, das herauszufinden. Genau dort lebt die Halluzination.
Funktioniert eine Rechtsontologie in jeder Jurisdiktion?
Jedes Rechtssystem teilt fünf strukturelle Grundelemente: hierarchische Gesetzgebung, semantische Kategorisierung, Querverweisgraphen, zeitliche Versionierung und berechnete Domänenwerte — das macht das Ontologie-Muster universell übertragbar. Das Muster ist universell. Die Enums sind jurisdiktionsspezifisch.
Am saubersten überträgt sich das Muster auf zivilrechtliche Systeme — Frankreich, Brasilien, Saudi-Arabien, VAE —, da diese kodifizierte, hierarchische Strukturen aufweisen, die dem mexikanischen Recht fast identisch sind. Common-Law-Systeme benötigen eine Anpassungsschicht, die Fallrecht gleichrangig neben Gesetzestexte stellt.
Was das für HAQQ bedeutet — und die 1,2-Milliarden-Dollar-Chance in MENA
Niemand in MENA macht das. Nicht mal ansatzweise. Die Wettbewerbslandschaft wird von RAG-über-PDFs dominiert. Al Tamimi ist eine Partnerschaft mit Harvey eingegangen. Legora hat im Januar 2026 arabische Unterstützung eingeführt. Es gibt über 185 Legal-Tech-Unternehmen in der Region. Aber keines davon hat eine strukturierte Ontologie mit typisierten Querverweisgraphen für das MENA-Arbeitsrecht gebaut.
Es gibt keine arabische Rechtsontologie. Nicht für Arbeitsrecht, nicht für Handelsrecht, für keinen Bereich. Null. Das ist keine Lücke — das ist ein Vakuum.
Der Legal-Technology-Markt im GCC ist 1,2 Mrd. $ wert. Der Legal-Tech-Markt der VAE soll bis 2030 auf 234,4 Mio. $ wachsen (CAGR 10,8 %). Die Regierung der VAE hat 572 Mio. $ für die digitale Transformation des Justizsektors bereitgestellt. Saudi-Arabiens Vision 2030 enthält spezifische Bestimmungen zur Modernisierung der Rechtstechnologie.
Das Bundesdekret Nr. 33 von 2021 der VAE umfasst rund 65 Artikel plus Durchführungsverordnungen. Das saudi-arabische Arbeitsrecht hat etwa 245 Artikel. Das sind überschaubare Textkorpora — klein genug, um eine vollständige, menschlich validierte Ontologie in Wochen statt Monaten zu bauen.
Arabic-First ist unser Vorteil. Laut den ArabLegalEval-Benchmarks fehlt es dem arabischen juristischen NLP an Bewertungsrahmen, wie sie für Englisch verfügbar sind. Eine Ontologie umgeht die NLP-Extraktion vollständig — sie liefert strukturierte Daten. Das LLM übernimmt die Synthese, nicht die Extraktion. Das ist eine deutlich einfachere Aufgabe.
Maschinenlesbares Recht: Wir sind nicht allein
Singapur kündigte im November 2025 SOLID (Singapore Open Legal Informatics Database) an. Die EU betreibt seit 2012 den European Legislation Identifier (ELI), inzwischen von über 21 Ländern implementiert. Neuseelands „Better Rules“-Initiative entwickelt Gesetzestexte gleichzeitig in einfacher Sprache, als Regelstatements und als Code.
Das Muster ist eindeutig: Regierungen, die heute in computergestütztes Recht investieren, werden später über die Infrastruktur für Rechts-KI verfügen. Diejenigen, die es nicht tun, werden teure RAG-Wrapper aus dem Silicon Valley kaufen müssen.
Wie man eine Rechtsontologie baut: Ein 7-Schritte-Playbook
Für einen fokussierten Rechtsbereich wie das Arbeitsrecht eines einzelnen Landes (65-245 Artikel) lässt sich eine vollständige Ontologie in 4-8 Wochen bauen, bei Parsing-Kosten von 5-20 $ pro Gesetz.
- Schritt 1: Quellgesetze und offizielle Repositorien identifizieren. Die 3-5 wichtigsten Gesetze finden und deren Maschinenlesbarkeit bewerten.
- Schritt 2: Das Entitätsmodell entwerfen. Von der universellen Vorlage ausgehen (Law, StructuralUnit, Article, CaseLaw, CrossReference, ComputedValue) und jurisdiktionsspezifische Entitäten ergänzen.
- Schritt 3: Enum-Taxonomien definieren. 15-25 semantische Themen-Tags, Querverweistypen und Typen berechneter Werte festlegen.
- Schritt 4: Gesetze parsen und einlesen. Quelldokumente durch einen Parser laufen lassen, die Hierarchie extrahieren, semantisches Tagging per LLM durchführen und in die Datenbank laden.
- Schritt 5: Den Querverweisgraphen aufbauen. Explizite Verweise extrahieren, implizite thematische Verbindungen erkennen, gesetzesübergreifende Verweise verknüpfen und jede Kante typisieren.
- Schritt 6: SDK und MCP-Tools generieren. 7 Tools bereitstellen: Artikel suchen, Artikel abrufen, Querverweise abrufen, Rechtsprechung abrufen, Wert berechnen, Zeitleiste abrufen, Jurisdiktionen vergleichen.
- Schritt 7: An Messaging anbinden. Der Nutzer sendet eine Frage per WhatsApp. Das LLM erhält die Nachricht plus 7 Tool-Definitionen. Gesamtkosten: 0,02 $.
Was als Nächstes kommt
Wir prüfen eine Integration mit der Plattform von Dynamic Interfaces zur Ontologie-Definition und SDK-Generierung. Wir bauen eine Arbeitsrecht-Ontologie für die VAE — das Bundesdekret Nr. 33 von 2021 ist unser erstes Ziel. Wir testen mit echten juristischen Workflows in den VAE und planen, das universelle Entitätsmodell als Open Source zu veröffentlichen.
Die Erkenntnis ist fast peinlich einfach: Recht so modellieren, wie es tatsächlich ist. Ein strukturiertes, versioniertes, querverwiesenes Wissenssystem. Aufhören, es wie einen Stapel PDFs zu behandeln, den man durchsuchen muss.
Jedes größere Rechts-KI-Unternehmen basiert auf RAG. Stanford hat bewiesen, dass diese Systeme in 17-33 % der Fälle halluzinieren. Ontologiebasierte Systeme erreichen dagegen 98 % Genauigkeit. Die Architektur existiert. Die wissenschaftliche Validierung existiert. Der Markt existiert. Die Ontologie ist das Geheimnis. Wir bauen unsere.
Fragen, die mir immer wieder gestellt werden
Was genau ist eine Rechtsontologie?
Eine Rechtsontologie ist ein strukturiertes, maschinenlesbares Modell eines Rechtsbereichs. Man kann sie sich als einen speziell für das Recht konzipierten Wissensgraphen vorstellen — sie definiert Entitäten, bildet hierarchische Beziehungen ab, verfolgt typisierte Querverweise und handhabt die zeitliche Versionierung bei Reformen. Statt Recht als durchsuchbaren Fließtext zu behandeln, erfasst eine Rechtsontologie die tatsächliche Struktur, die Gesetzgebung bereits hat.
Wie unterscheidet sich ontologiebasierte Rechts-KI von RAG?
RAG zerlegt juristische Dokumente und ruft semantisch ähnliche Passagen ab. Eine Ontologie modelliert Recht als vernetzten Wissensgraphen mit typisierten Beziehungen. In der Praxis bedeutet das: RAG verliert Hierarchie, zeitliche Versionierung und Querverweisketten. Eine Ontologie bewahrt alle drei. Das Ergebnis ist deterministisches juristisches Schlussfolgern statt probabilistischen Abrufs — der Unterschied zwischen „wahrscheinlich richtig“ und „zitierfähig richtig“.
Wie schneidet das im Vergleich zu Harvey AI ab?
Harvey ist ein 11-Mrd.-$-Unternehmen, das rund 1.200 $/Anwalt/Monat verlangt, mit einer Mindestabnahme von 20 Plätzen. Es nutzt feinabgestimmte LLMs mit RAG — keine formale Ontologie. Das Unternehmen behauptet 91 % Genauigkeit, was immer noch eine Fehlerquote von 9 % bedeutet. Der Ontologie-Ansatz kostet 0,02 $/Nachricht mit deterministischen Berechnungen, die bei Zahlen nicht halluzinieren. Die Architekturen unterscheiden sich fundamental: Harvey macht das Modell klüger; der Ontologie-Ansatz macht die Aufgabe des Modells einfacher.
Wie viel spart das tatsächlich?
Die Kosten pro Nachricht sanken von 0,60 $ auf 0,02 $ — das sind 97 %. Die Einsparung kommt aus der Verdichtung von 300 MCP-Tool-Beschreibungen auf 7 (spart ~87.900 Token pro Anfrage) und ermöglicht den Wechsel von Frontier-Modellen zu Open-Source-Modellen.
Funktioniert das auch für Common-Law-Systeme?
Ja, aber mit einer Anpassungsschicht. Zivilrechtliche Systeme lassen sich direkt übertragen, da sie kodifizierte, hierarchische Strukturen teilen. Common-Law-Systeme müssen Fallrecht gleichrangig neben Gesetzestexte stellen. Die fünf strukturellen Grundelemente existieren in jedem Rechtssystem.
Wie lange dauert der Bau einer solchen Ontologie?
Für einen fokussierten Bereich wie das Arbeitsrecht eines einzelnen Landes: 4-8 Wochen für einen kleinen Textkorpus (65-245 Artikel). Das umfasst Quellen-Parsing, Entitätsmodellierung, Extraktion von Querverweisen und die Generierung von MCP-Tools. Die Parsing-Kosten liegen bei 5-20 $ pro Gesetz.
Quellen
- Magesh, V. et al. 'Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools.' Journal of Empirical Legal Studies, 2025.
- de Martim, H. 'An Ontology-Driven Graph RAG for Legal Norms.' arXiv:2505.00039.
- Guo, X. et al. 'RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection.' arXiv:2505.03275.
- 'Ontology-grounded knowledge graphs for mitigating hallucinations in LLMs for clinical question answering.' Journal of Biomedical Informatics, 2025.
