Skip to content
    HAQQ
    Einloggen
    Vertrieb kontaktieren
    HAQQ testen
    HAQQ testen
    1. Startseite
    2. Blog
    3. Juristische Ontologie KI: Wie ein Wissensgraph die Kosten für Legal AI um 97% senkte
    KI & Rechtstechnologie

    Juristische Ontologie KI: Wie ein Wissensgraph die Kosten für Legal AI um 97% senkte

    Eine Ontologie zum mexikanischen Arbeitsrecht ersetzte 300 MCP-Tools durch 7 und senkte die Kosten pro Nachricht von 0,60 auf 0,02 $. Methode, Stanford-Daten, Bauplan.

    Stephane BoghossianStephane Boghossian|
    1. April 2026
    8 Min. Lesezeit
    Juristische Ontologie KI: Wie ein Wissensgraph die Kosten für Legal AI um 97% senkte

    Kurz gesagt: Eine von Dynamic Interfaces für das mexikanische Arbeitsrecht entwickelte Rechtsontologie hat 300 MCP-Tools durch 7 ersetzt, und ihre Kosten pro Nachricht sanken von 0,60 $ auf 0,02 $, ein Rückgang um 97 %. Die Einsparung ergibt sich aus rund 88.000 Tokens weniger an Tool-Beschreibungen pro Anfrage sowie aus einem günstigeren Modell, das der kleinere Tool-Satz ermöglichte.

    Methode. Untersuchtes System: die Rechtsontologie von Dynamic Interfaces für das mexikanische Bundesarbeitsrecht, die wir im März 2026 über ihren MCP-Server erkundet haben. Korpus: 4 Bundesgesetze, 1.689 Artikel, 11 Entitätstypen, 7 gerichtliche Präzedenzfälle, 12 Arten typisierter Querverweise, 10 Enum-Taxonomien. Dem Modell bereitgestellte Tools: vorher rund 300 (eines pro Datenbankoperation), nachher 7 (eines pro rechtlicher Operation). Tool-Beschreibungen im Kontext: vorher rund 90.000 Tokens, nachher rund 2.100 (etwa 300 Tokens pro Tool). Kosten pro Nachricht: vorher 0,60 $, nachher 0,02 $, gemessen und uns mitgeteilt von Dynamic Interfaces; der Wert von 0,02 $ spiegelt auch den Wechsel von einem Frontier-Modell zu einem günstigeren Open-Weight-Modell wider. HAQQ hat die Kostenmessung nicht unabhängig wiederholt.

    Die wichtigsten Fakten

    • Kostenergebnis der Ontologie: von 300 Tools auf 7, von 0,60 $ auf 0,02 $ pro Nachricht (Dynamic Interfaces, gegenüber HAQQ angegeben, März 2026).
    • Forschung zur Anzahl der Tools: RAG-MCP, das dem Modell nur die abgerufenen Tool-Beschreibungen übergibt, steigerte die Genauigkeit der Tool-Auswahl von 13,62 % auf 43,13 % und senkte die Prompt-Tokens um mehr als 50 % (Gan und Sun, arXiv:2505.03275, Mai 2025).
    • Halluzinationen bei juristischem RAG: Eine präregistrierte Studie des Stanford RegLab und des HAI ergab, dass Lexis+ AI, Westlaw AI-Assisted Research und Ask Practical Law AI jeweils in 17 % bis 33 % der Fälle halluzinierten, seltener als GPT-4 (Magesh et al., Journal of Empirical Legal Studies 22:216, April 2025).
    • Harvey wurde nach einer am 9. September 2026 bekanntgegebenen Finanzierungsrunde über 550 Millionen Dollar mit 15,5 Milliarden Dollar bewertet (Harvey-Blog; TechCrunch, 9. Sept. 2026).
    • Referenzwerte in Mexiko für 2026: allgemeiner Mindestlohn 315,04 MXN pro Tag; UMA 117,31 MXN pro Tag, gültig ab 1. Februar 2026 (Angaben von CONASAMI und INEGI, veröffentlicht im Jan. 2026).
    • Zielkorpus für HAQQ: Das Bundesgesetzesdekret Nr. 33 von 2021 zur Regelung der Arbeitsverhältnisse der Vereinigten Arabischen Emirate umfasst 74 Artikel und ist seit dem 2. Februar 2022 in Kraft (Gesetzesdatenbank UNEP LEAP, abgerufen am 20. Okt. 2026).

    Wie sind wir auf dieses System gestoßen?

    Im März 2026 nahm ich an einem Call mit dem CEO von Dynamic Interfaces teil, um eine Rechtsontologie zu sehen, die das Unternehmen für das mexikanische Arbeitsrecht entwickelt hatte. Man berichtete uns, dass fünf mexikanische Behördenkunden sie täglich nutzen und dass gerichtlich bestellte Sachverständige (peritos) darüber vier Bundesgesetze abfragen und Antworten mit Zitaten auf Artikelebene erhalten. Die Zahl, die mich dazu brachte, die folgenden zwei Wochen mit dem System zu verbringen, waren die Kosten: zwei Cent pro Nachricht.

    Zur Einordnung: Der Markt für juristische KI mit Lizenzen pro Nutzer bewegt sich bei Preisen von mehreren hundert Dollar im Monat, und sein Marktführer Harvey wurde im September 2026 mit 15,5 Milliarden Dollar bewertet. Eine Nachricht für zwei Cent verändert, wer sich juristische KI leisten kann. Dieser Beitrag beschreibt, was ich vorfand, als ich mich mit ihrem MCP-Server verband, das Datenmodell las und es an der juristischen Argumentation maß, die ich von einer sorgfältigen Arbeitsrechtlerin oder einem sorgfältigen Arbeitsrechtler erwarten würde.

    Offenlegung. HAQQ vertreibt juristische KI, und zum Zeitpunkt der Abfassung prüften wir eine Integration mit Dynamic Interfaces. Die Kostenangaben sind deren eigene Messungen; wir geben sie entsprechend gekennzeichnet wieder.

    Was sagt die Stanford-Studie über Halluzinationen juristischer KI?

    Magesh, Surani, Dahl, Suzgun, Manning und Ho vom RegLab der Stanford University und vom Stanford Institute for Human-Centered AI führten durch, was sie als erste präregistrierte Evaluation von KI-Tools für die juristische Recherche bezeichnen. Die im April 2025 im Journal of Empirical Legal Studies veröffentlichte Studie ergab, dass die RAG-basierten Tools von LexisNexis und Thomson Reuters jeweils in 17 % bis 33 % der Fälle halluzinierten. Retrieval verringerte die Halluzinationen gegenüber GPT-4, und die Tools unterschieden sich deutlich: Lexis+ AI beantwortete 65 % der Anfragen korrekt, Westlaw AI-Assisted Research 42 %.

    Die Studie testete 2024 drei Produkte zum US-Recht. Sie zeigt nicht, dass jedes RAG-System in diesem Umfang halluziniert, und sie testet keine Ontologien. Sie zeigt aber, dass Retrieval über Text allein in Tools, die als zuverlässig vermarktet wurden, eine messbare Fehlerquote hinterließ. Diese Lücke versucht ein strukturiertes Modell des Rechts zu schließen. Zu Gerichtsverfahren, in denen erfundene Zitate bis zu einem Richter gelangten, siehe unser Halluzinations-Audit.

    Warum tut sich RAG mit Gesetzestexten schwer?

    Die meisten Produkte für juristische KI rufen Textpassagen ab: Sie zerlegen Dokumente in Abschnitte, erzeugen Embeddings und holen die Abschnitte, die der Frage am nächsten kommen. Für viele Fragen funktioniert das. Bei gesetzeslastiger Arbeit scheitert es auf drei vorhersehbare Arten.

    Fassungen im Zeitverlauf

    Ein Abschnitt eines Artikels trägt kein Datum. Die mexikanische Reform "Vacaciones Dignas", veröffentlicht im Diario Oficial de la Federación am 27. Dezember 2022, änderte die Artikel 76 und 78 der Ley Federal del Trabajo und erhöhte den Urlaubsanspruch im ersten Jahr ab 2023 von 6 auf 12 Tage. Ein perito, der eine Kündigung bewertet, die über diese Änderung hinwegreicht, braucht beide Fassungen und das jeweilige Geltungsdatum. Einfaches Retrieval hat dafür kein Feld.

    Hierarchie

    Recht ist geschichtet: Verfassung, Bundesgesetz, Verordnungen und innerhalb jedes Gesetzes Titel, Kapitel, Artikel und Fraktionen. Das Zerlegen in Abschnitte ebnet diese Struktur ein. Wenn ein Artikel "nach Maßgabe" eines anderen gilt, kann ein Retriever den ersten ohne den zweiten liefern.

    Querverweise

    Artikel 162 der Ley Federal del Trabajo (Betriebszugehörigkeitsprämie von 12 Tageslöhnen pro Dienstjahr) entnimmt seine Lohnbemessungsgrundlage den Artikeln 485 und 486, die sie auf das Doppelte des Mindestlohns begrenzen. Um den richtigen Betrag zu erhalten, muss man dieser Kette folgen. Die Ähnlichkeitssuche liefert Fragmente; ein Graph folgt den Verknüpfungen.

    Was ist eine Rechtsontologie?

    Eine Rechtsontologie ist ein maschinenlesbares Modell eines Rechtsgebiets: seiner Entitäten (Gesetze, Artikel, Gerichte, Präzedenzfälle, berechnete Werte wie Lohnobergrenzen), der Hierarchie zwischen ihnen, der Geltungsdaten jeder Fassung und typisierter Verknüpfungen zwischen Vorschriften. Ein Modell, das eine Frage beantwortet, fragt diese Struktur ab, statt in losem Text zu suchen.

    Im System von Dynamic Interfaces hat jeder Querverweis einen Typ: remite_a (verweist auf), complementa (ergänzt), modifica (ändert), excepciona (begründet eine Ausnahme), define_termino (definiert einen Begriff), establece_formula (legt eine Formel fest) und establece_procedimiento (legt ein Verfahren fest). Der Ausnahmetyp ist für mich am wichtigsten. Artikel 5 der LFT legt allgemeine Rechte fest, und besondere Arbeitsregime sehen davon Ausnahmen vor. Ein System, das Ausnahmen nicht erfasst, wendet die allgemeine Regel dort an, wo die besondere gilt.

    Wie stark senkt eine Rechtsontologie die KI-Kosten?

    Laut der Messung von Dynamic Interfaces von 0,60 $ auf 0,02 $ pro Nachricht. Zwei Faktoren bewirken den Rückgang, und es hilft, sie auseinanderzuhalten.

    Weniger Tool-Beschreibungen in jeder Anfrage

    Üblicherweise baut man einen Agenten, indem man jede Datenbankoperation als Tool bereitstellt. Bei 11 Entitätstypen ergibt das rund 300 Tools, und jede Tool-Beschreibung wird bei jeder Anfrage an das Modell gesendet: bei etwa 300 Tokens pro Beschreibung rund 90.000 Tokens, bevor der Nutzer überhaupt etwas gefragt hat. Die Ontologie ersetzt sie durch 7 rechtliche Operationen: query_legal_knowledge, calculate_settlement, find_jurisprudencia, get_cross_references, get_wage_data, get_vacation_table und generate_dictamen. Das sind rund 2.100 Tokens an Beschreibungen, eine Einsparung von etwa 87.900 Tokens pro Anfrage.

    Das deckt sich mit veröffentlichter Forschung. Im RAG-MCP-Paper hat es die Genauigkeit der Tool-Auswahl mehr als verdreifacht (von 13,62 % auf 43,13 %) und die Prompt-Tokens mehr als halbiert, dem Modell nur die relevanten Tools statt aller zu zeigen.

    Ein günstigeres Modell reicht aus

    Mit 7 klar definierten Tools wird die Aufgabe des Modells kleiner: die Frage verstehen, ein bis drei Tools auswählen und strukturierte Ergebnisse aufbereiten. Die strukturelle Arbeit übernimmt die Ontologie. Dadurch konnte Dynamic Interfaces von einem Frontier-Modell zu einem günstigeren Open-Weight-Modell wechseln, worauf ein Großteil der übrigen Einsparung entfällt.

    HAQQ AI kostenlos testen

    Erleben Sie KI-gestützte juristische Recherche und Entwurf

    Was die Einsparung für einen perito bedeutet

    Nehmen wir einen perito laboral in Mexiko-Stadt mit einem Verdienst von etwa 15.000 bis 30.000 MXN im Monat (die uns genannte Spanne), der 50 Fälle im Monat mit jeweils 20 Nachrichten bearbeitet. Bei 0,60 $ pro Nachricht sind das 600 $ im Monat, etwa 10.800 MXN bei 18 Pesos pro Dollar, also 36 % bis 72 % des Einkommens. Bei 0,02 $ sind es 20 $, etwa 1,2 % bis 2,4 %. Der niedrigere Preis erschließt einen Markt, den der höhere ausschließt.

    Welche Bezugseinheit gilt: UMA oder Mindestlohn?

    Seit der Verfassungsreform vom Januar 2016 hat Mexiko zwei Bezugseinheiten: die UMA (Unidad de Medida y Actualización) und den Mindestlohn. 2026 beträgt der allgemeine Mindestlohn 315,04 MXN pro Tag und die UMA 117,31 MXN, ein Verhältnis von etwa 2,69. Für die Obergrenze der Betriebszugehörigkeitsprämie nach den Artikeln 162, 485 und 486 ergibt das Doppelte des Mindestlohns 630,08 MXN pro Tag und das Doppelte der UMA 234,62 MXN, also 62,8 % weniger.

    Rechner und Kommentatoren in Mexiko wenden auf diese Obergrenze nicht alle dieselbe Einheit an; es handelt sich also um eine Entscheidung, die eine Anwältin oder ein Anwalt treffen und begründen muss. Ein Retrieval-System überlässt diese Entscheidung bei jeder Anfrage dem Modell. Eine Ontologie hält fest, welche Einheit die Kanzlei auf welchen Begriff anwendet und auf welche Grundlage sie sich dabei stützt, sodass die Entscheidung sichtbar und jedes Mal dieselbe ist.

    Funktioniert eine Rechtsontologie auch in anderen Rechtsordnungen?

    Die Bausteine finden sich überall: hierarchische Gesetzgebung, Sachgebietskennzeichnungen, Querverweisgraphen, Fassungen im Zeitverlauf und berechnete Werte. Kontinentaleuropäisch geprägte Rechtsordnungen mit kodifizierten Gesetzen (Frankreich, Brasilien, Saudi-Arabien, die VAE) lassen sich am direktesten abbilden. Das SAT-Graph-RAG-Paper von Hudson de Martim wendet ein ähnliches strukturelles und zeitliches Modell auf die brasilianische Verfassung an. Common-Law-Systeme erfordern, dass Fallrecht als gleichrangige Entität neben Gesetzen behandelt wird.

    Was baut HAQQ damit?

    Wir bauen eine Ontologie des Arbeitsrechts der VAE auf, beginnend mit dem Bundesgesetzesdekret Nr. 33 von 2021 (74 Artikel) und seiner Durchführungsverordnung. Das saudi-arabische Arbeitsgesetz, erlassen durch Königliches Dekret Nr. M/51 von 1426 n. H., umfasst rund 245 Artikel. Korpora dieser Größe lassen sich in wenigen Wochen modellieren und von Juristinnen und Juristen prüfen. Da die Ontologie dem Modell strukturierte Daten liefert, formuliert das Modell die Synthese auf Arabisch oder Englisch, statt Regeln aus arabischem Text zu extrahieren, was die schwierigere Aufgabe ist. Die Ontologie wird in die juristische Recherche von HAQQ zu Fragen des Arbeitsrechts der VAE einfließen.

    Regierungen bewegen sich in dieselbe Richtung. Der European Legislation Identifier (ELI) der EU, 2012 vom Rat beschlossen, versieht Rechtsakte mit stabilen, maschinenlesbaren Kennungen, und die neuseeländische Better-Rules-Initiative formuliert Politik zugleich als verständlichen Text, Regeln und Code.

    Wie baut man eine Rechtsontologie auf?

    Für das Arbeitsrecht eines Landes schätzen wir den Aufwand derzeit auf 4 bis 8 Wochen. Diese Schritte befolgen wir:

    • Die 3 bis 5 zentralen Gesetze und ihre amtlichen Quellen identifizieren und prüfen, wie maschinenlesbar jedes davon ist.
    • Das Entitätsmodell entwerfen. Von einer allgemeinen Vorlage ausgehen (Law, StructuralUnit, Article, CaseLaw, CrossReference, ComputedValue) und ergänzen, was die Rechtsordnung erfordert.
    • Die Taxonomien festlegen: 15 bis 25 Sachgebietskennzeichnungen, die Querverweistypen und die Typen berechneter Werte.
    • Die Gesetze parsen, Hierarchie und Fassungsdaten erhalten, Artikel nach Sachgebiet kennzeichnen (ein Modell kann Kennzeichnungen vorschlagen; eine Juristin oder ein Jurist gibt sie frei) und in eine Datenbank laden.
    • Den Querverweisgraphen aufbauen: zuerst ausdrückliche Verweise, dann Verweise zwischen Gesetzen, wobei jede Kante typisiert und geprüft wird.
    • Einen kleinen Satz von Tools über MCP bereitstellen, etwa Artikel suchen, Artikel abrufen, Querverweise abrufen, Rechtsprechung abrufen, Wert berechnen, Zeitachse abrufen und Rechtsordnungen vergleichen.
    • Vorher und nachher messen: Tool-Tokens pro Anfrage, Kosten pro Nachricht und Genauigkeit anhand eines Testsatzes von Fragen mit juristisch freigegebenen Antworten.

    Quellen

    • Magesh et al., Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools, Journal of Empirical Legal Studies 22:216 bis 242 (2025)
    • Gan und Sun, RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection via Retrieval-Augmented Generation, arXiv:2505.03275
    • de Martim, An Ontology-Driven Graph RAG for Legal Norms, arXiv:2505.00039
    • Harvey sammelt 550 Mio. $ bei einer Bewertung von 15,5 Mrd. $ ein (Harvey-Blog, 9. Sept. 2026)
    • Harvey erreicht eine Bewertung von 15,5 Mrd. $, Monate nachdem es 11 Mrd. $ erreicht hatte (TechCrunch, 9. Sept. 2026)
    • Anthropic: Übergabe des Model Context Protocol an die Agentic AI Foundation (9. Dez. 2025)
    • Arbeitsgesetze und Vorschriften im Privatsektor der VAE (u.ae), einschließlich des Bundesgesetzesdekrets Nr. 33 von 2021
    • Bundesgesetzesdekret Nr. 33 von 2021 (Gesetzesdatenbank UNEP LEAP)
    • Ley Federal del Trabajo (Cámara de Diputados)

    Weiterführende Beiträge

    • wo KI-Halluzinationen ein Gericht erreicht haben
    • warum arabische juristische KI mit dem Retrieval kämpft
    • unser juristischer Benchmark für Frontier-Modelle, aktualisiert im Oktober 2026
    • Legal Engineering und das TIRO-Muster

    Verfasst von

    Stephane Boghossian
    Stephane Boghossian

    Wachstumsleiter

    Stephane leitet das Wachstum bei HAQQ und schreibt die Rubrik KI und Legal Tech: Modell-Benchmarks, Tool-Vergleiche und die Technik, mit der juristische KI in der Praxis besteht.

    Alle Artikel dieses AutorsLinkedIn

    Verwandte Ressourcen

    AI hallucination audit: where fake citations reached a courtArabic legal AILegal engineering: AI-powered legal workflowsHarvey AI review 2026

    Verwandte Artikel

    Warum allgemeine KI kuwaitisches und libanesisches Recht falsch wiedergibt (und wie Sie jedes Tool testen)
    Erklärt

    Warum allgemeine KI kuwaitisches und libanesisches Recht falsch wiedergibt

    Warum allgemeine KI kuwaitisches und libanesisches Recht falsch wiedergibt (und wie Sie jedes Tool testen)

    Lexis+ AI im Test 2026: jetzt Lexis+ with Protégé, vs. Westlaw CoCounsel
    Testbericht

    Lexis+ AI im Test 2026

    Lexis+ AI im Test 2026: jetzt Lexis+ with Protégé, vs. Westlaw CoCounsel

    Juristische Wissensgraphen: 5 Wege, wie eine Evidenzkarte Legal AI überprüfbar macht
    Erklärt

    Juristische Wissensgraphen

    Juristische Wissensgraphen: 5 Wege, wie eine Evidenzkarte Legal AI überprüfbar macht

    Häufig gestellte Fragen

    Was ist eine juristische Ontologie?

    Eine juristische Ontologie ist ein maschinenlesbares Modell eines Rechtsgebiets: seine Entitäten (Gesetze, Artikel, Präzedenzfälle, berechnete Werte wie Lohnobergrenzen), die Hierarchie zwischen ihnen, die Daten, zu denen jede Fassung galt, und typisierte Verknüpfungen zwischen Vorschriften wie „verweist auf“, „ändert“ oder „schafft eine Ausnahme“. Ein KI-Modell fragt diese Struktur ab, statt losen Text zu durchsuchen.

    Wie stark kann eine juristische Ontologie die Kosten von Legal AI senken?

    In dem von uns untersuchten System zum mexikanischen Arbeitsrecht sanken die Kosten pro Nachricht von 0,60 $ auf 0,02 $, ein Rückgang um 97 %, gemessen von seinem Entwickler Dynamic Interfaces. Der Ersatz von etwa 300 MCP-Tools durch 7 sparte bei jeder Anfrage rund 88.000 Tokens an Tool-Beschreibungen, und der kleinere Tool-Satz ermöglichte den Wechsel zu einem günstigeren Open-Weight-Modell.

    Wie unterscheidet sich eine juristische Ontologie von RAG?

    RAG ruft Textabschnitte ab, die der Frage ähneln. Eine Ontologie speichert die Struktur des Rechts: Hierarchie, Geltungsdaten der Fassungen und typisierte Querverweise. So kann ein System einer Kette folgen, etwa von Artikel 162 des mexikanischen Ley Federal del Trabajo zur Lohnobergrenze in den Artikeln 485 und 486, und die Fassung eines Artikels anwenden, die an einem bestimmten Datum in Kraft war.

    Wie oft halluzinieren juristische RAG-Tools?

    Eine präregistrierte Studie von Stanford RegLab und HAI (Magesh et al., Journal of Empirical Legal Studies, 2025) ergab, dass Lexis+ AI, Westlaw AI-Assisted Research und Ask Practical Law AI bei ihren Testabfragen jeweils in 17 % bis 33 % der Fälle halluzinierten, weniger als GPT-4. Lexis+ AI beantwortete 65 % der Abfragen korrekt, Westlaw 42 %.

    Warum machen weniger MCP-Tools Legal AI günstiger und genauer?

    Jede Tool-Beschreibung wird bei jeder Anfrage an das Modell gesendet, sodass 300 Tools mit je etwa 300 Tokens rund 90.000 Tokens hinzufügen, bevor die Frage überhaupt kommt. Das RAG-MCP-Paper (arXiv:2505.03275) stellte fest, dass die Übergabe nur relevanter Tools die Genauigkeit der Tool-Auswahl von 13,62 % auf 43,13 % steigerte und die Prompt-Tokens um mehr als die Hälfte senkte.

    Wie lange dauert der Aufbau einer juristischen Ontologie?

    Unsere Arbeitsschätzung für das Arbeitsrecht eines Landes liegt bei 4 bis 8 Wochen: die Gesetze identifizieren, das Entitätsmodell entwerfen, Artikel mit anwaltlicher Prüfung parsen und taggen, den Graphen typisierter Querverweise aufbauen, einen kleinen Satz MCP-Tools bereitstellen und Kosten und Genauigkeit an einem von Anwälten freigegebenen Testsatz messen. Das Bundesgesetzesdekret Nr. 33 von 2021 der VAE hat 74 Artikel.

    Was kommt als Nächstes?

    HAQQ AI kostenlos testen

    Erleben Sie KI-gestützte juristische Recherche und Entwurf

    ROI berechnen

    Sehen Sie, wie viel Zeit und Geld HAQQ Ihrer Kanzlei spart

    600+ juristische Prompts durchsuchen

    Sofort einsatzbereite Prompts für jede juristische Aufgabe

    Zurück zum Blog

    Vorheriger Artikel

    Rechts-KI-Prognosen bis 2030: Was 72 KI-Agenten vorhersagen

    Nächster Artikel

    Red Flags bei Rechts-KI-Anbietern: Die 45-Punkte-Checkliste

    Auf dieser Seite

    8 Min. Lesezeit

    1. 01Die wichtigsten Fakten
    2. 02Wie sind wir auf dieses System gestoßen?
    3. 03Was sagt die Stanford-Studie über Halluzinationen juristischer KI?
    4. 04Warum tut sich RAG mit Gesetzestexten schwer?
    5. Fassungen im Zeitverlauf
    6. Hierarchie
    7. Querverweise
    8. 05Was ist eine Rechtsontologie?
    9. 06Wie stark senkt eine Rechtsontologie die KI-Kosten?
    10. Weniger Tool-Beschreibungen in jeder Anfrage
    11. Ein günstigeres Modell reicht aus
    12. Was die Einsparung für einen perito bedeutet
    13. 07Welche Bezugseinheit gilt: UMA oder Mindestlohn?
    14. 08Funktioniert eine Rechtsontologie auch in anderen Rechtsordnungen?
    15. 09Was baut HAQQ damit?
    16. 10Wie baut man eine Rechtsontologie auf?
    17. 11Quellen
    18. 12Weiterführende Beiträge

    Diesen Artikel teilen

    Setzen Sie das ein

    Stellen Sie HAQQ die Frage, die dieser Artikel bei Ihnen aufgeworfen hat.

    HAQQ across all devices
    HAQQ Legal AI Platform Logo

    Ihr juristischer KI-Zwilling und Kanzleimanagement-System für Entwurf, Abrechnung und Gewinnen.

    Laden imApp StoreJetzt beiGoogle Play

    Dokumentationen

    • Docs wird in einem neuen Tab geöffnet
    • Erste Schritte wird in einem neuen Tab geöffnet
    • Newsroom wird in einem neuen Tab geöffnet
    • Produkt-Updates wird in einem neuen Tab geöffnet
    • Status wird in einem neuen Tab geöffnet
    • Vertrauen wird in einem neuen Tab geöffnet
    • Sicherheit
    • FAQ wird in einem neuen Tab geöffnet
    • Community wird in einem neuen Tab geöffnet
    • Support wird in einem neuen Tab geöffnet

    Academy

    • Partner wird in einem neuen Tab geöffnet
    • Kurs wird in einem neuen Tab geöffnet
    • Prompts wird in einem neuen Tab geöffnet
    • Labs wird in einem neuen Tab geöffnet

    Website

    • eFirm
    • Juristischer KI-Chat
    • Mobile App
    • Justinian KI-Engine
    • HAQQ eBar
    • HAQQ eWallet
    • Preise
    • Vergleichen Sie uns
    • Lösungen
    • Blog
    • Team kennenlernen
    • Mach mit wird in einem neuen Tab geöffnet
    App öffnen
    • Sprachenenarfresitdeptrohics
    • Kontaktinfo@haqq.ai
    • Statusbetriebsbereit·fundiert
    • Nutzungsbedingungen
    • Datenschutzrichtlinie
    • Cookie-Richtlinie
    • Datenverarbeitung
    • Menschen wird in einem neuen Tab geöffnet
    • Anwälte wird in einem neuen Tab geöffnet
    • Sicherheit wird in einem neuen Tab geöffnet
    © 2026 HAQQ Inc. Alle Rechte vorbehalten.Produkt intern von HAQQ entwickelt. Website mit modernen Web-Tools gebaut.

    RAG vs Ontology: Same Query, Different Architecture

    RAG Approach

    Query: "Vacation days for 8 years of service, hired 2016"

    Art. 76 LFT (pre-2023)
    6 days min vacation...
    Art. 78 vacation premium
    ...minimum 6 working days
    Art. 81 payment timing
    Reform 2023 doubled...
    Result: "Workers with 8 years = 14 vacation days." (Retrieved pre-2023 table. Correct answer depends on date.)
    ⚠ Potentially incorrect (no temporal awareness)
    Ontology Approach

    Query: "Vacation days for 8 years of service, hired 2016"

    TablaVacacionesregimenpost_2023years=8 → 18dpremium=25%
    Result: "18 vacation days (post-2023 reform, Art. 76 LFT amended Dec 2022). Vacation premium: 25% of 18 days' salary (Art. 80 LFT)."
    ✓ Correct (temporal versioning built in)

    Interactive Ontology Explorer

    Click a law to explore its ontology hierarchy

    L

    Ley Federal del Trabajo

    Master employment statute (16 titles, 51 reforms)

    1,076 arts.
    T

    Titulo II (Relaciones Individuales)

    Individual labor relationships, contracts

    16 titles
    C

    Capitulo IV (Rescision)

    Termination of employment relationships

    ~120 ch.
    A

    Articulo 48 (Indemnizacion)

    Right to indemnification for wrongful dismissal

    atomic unit

    Cost Waterfall: $0.60 → $0.02

    Each step shows where the savings come from

    $0.60

    Starting Cost

    -$0.32

    Tool Desc. Tokens

    -$0.14

    Ontology Constraint

    -$0.12

    Model Downgrade

    $0.02

    Final Cost

    97%
    $0.58 saved per message
    300 tools → 7 tools • Frontier → Open-source

    Token Economics: Why Fewer Tools = Lower Cost

    Before: 300 Tool Descriptions in Context

    {"name":"get_article_by_number","description":"...","parameters":{...}}
    {"name":"get_article_by_topic","description":"...","parameters":{...}}
    {"name":"get_article_text","description":"...","parameters":{...}}
    {"name":"search_articles_keyword","description":"...","parameters":{...}}
    {"name":"get_article_reforms","description":"...","parameters":{...}}
    {"name":"get_article_at_date","description":"...","parameters":{...}}
    {"name":"get_cross_references_outbound","description":"...","parameters":{...}}
    {"name":"get_cross_references_inbound","description":"...","parameters":{...}}
    {"name":"get_articles_by_chapter","description":"...","parameters":{...}}
    ... +291 more tool definitions
    ↓

    After: 7 Ontology-Aware Tools

    query_legal_knowledge

    ~300 tokens

    calculate_settlement

    ~300 tokens

    find_jurisprudencia

    ~300 tokens

    get_cross_references

    ~300 tokens

    get_wage_data

    ~300 tokens

    get_vacation_table

    ~300 tokens

    generate_dictamen

    ~300 tokens

    90,000

    Tokens Before

    2,100

    Tokens After

    97.7%

    Reduction

    Claude Opus (frontier)

    $0.60

    $15/M input tokens

    →

    Open-source

    $0.02

    ~$0.50/M input tokens

    Cross-Reference Network: Wrongful Dismissal, $254,000 MXN

    Click "Trace Query" to illuminate the resolution path across 4 laws

    Art. 48LFTArt. 50LFTArt. 84Salary DefSalarioMinimoUMA + WagesLSS 27-28Social SecurityINFONAVIT 29HousingVacacionesPost-2023Tesis 53/2017Jurisprudencia
    LFT
    LSS
    INFONAVIT
    Computed
    Jurisprudencia

    Click above to see how the ontology resolves a real wrongful dismissal calculation

    Ontology Replication: Global Expansion

    Same pattern, jurisdiction-specific enums

    Live

    🇲🇽

    Mexico

    LFT + LSS + LSAR + INFONAVIT

    1,689

    Articles

    4

    Laws

    12

    X-Refs

    Phase 1

    🇦🇪

    UAE

    Federal Decree-Law No. 33/2021

    ~65

    Articles

    3

    Zones

    AR/EN

    Bilingual

    Phase 2

    🇸🇦

    Saudi Arabia

    Royal Decree M/51

    ~245

    Articles

    2024

    Amended

    AR/EN

    Bilingual

    Phase 3

    🇫🇷

    France

    Code du travail

    ~7,000

    Articles

    L+R

    Dual track

    API

    Legifrance

    Phase 3

    🇧🇷

    Brazil

    CLT (Consolidacao das Leis do Trabalho)

    ~922

    Articles

    Easiest

    Port

    PT

    Language

    Future

    🇺🇸 🇬🇧

    US + UK

    FLSA + ERA

    Complex

    Case Law

    Fed/State

    Dual

    +2

    Ref Types

    Pattern transfer: The entity model is universal. Only the enums change between jurisdictions.