Skip to content
    HAQQ
    Einloggen
    Vertrieb kontaktieren
    HAQQ testen
    HAQQ testen
    1. Startseite
    2. Blog
    3. KI für M&A Due Diligence: Einzel-Prompt vs. 3-Agenten-Schwarm
    KI & Rechtstechnologie

    KI für M&A Due Diligence: Einzel-Prompt vs. 3-Agenten-Schwarm

    Gleiches Modell, gleicher Datenraum mit 30 Dokumenten. Ein Einzel-Prompt fand 3/5 versteckte Probleme, ein 3-Agenten-Schwarm 5/5. Die Lücken sind strukturell, und das hat Gründe.

    Stephane BoghossianStephane Boghossian|
    11. Mai 2026
    8 Min. Lesezeit
    KI für M&A Due Diligence: Einzel-Prompt vs. 3-Agenten-Schwarm

    Zwei Diligence-Pipelines. Gleiches Modell, gleicher Datenraum, gleicher Antwortschlüssel. Die eine erkannte 5 von 5 platzierten wesentlichen Problemen. Die andere erkannte 3 von 5. Die beiden übersehenen sind genau die, wegen denen man gefeuert würde.

    Die Kernaussage

    Die drei Probleme, die beide Pipelines erkannten, waren die offensichtlichen - die Art, die ein kompetenter Associate mit dem gelben Textmarker anstreicht. Die beiden vom Einzelprompt übersehenen Probleme erforderten entweder die Verknüpfung zweier Dokumente miteinander oder die Anwendung externen Rechtswissens auf eine Klausel, die auf den ersten Blick unauffällig wirkt. Genau das sind die Kategorien, in denen KI-Diligence-Tools stillschweigend versagen - und genau die Kategorien, über die jeder Vertriebspitch eines M&A-KI-Anbieters hinweggeht.

    Kernfakten

    • Der Einzelprompt erkannte 3/5 platzierte wesentliche Probleme, der 3-Agenten-Schwarm 5/5, beide mit Präzision 1,0, gleiches Modell (Claude Opus 4.7, 1M Kontext), gleicher 30-Dokumente-Datenraum. Der Beitrag legt offen, dass die Zahlen mock-kalibriert sind, um das Open-Source-Harness zu demonstrieren.
    • Der 30-Dokumente-Datenraum (~13.200 Wörter / 24.000 Token) passt in einen einzigen 1M-Kontext-Aufruf mit ~976K Token Reserve, die Kontextgröße war nicht der limitierende Faktor.
    • Der Schwarm führte 32 LLM-Aufrufe aus (30 Recherche-Agenten + 1 Risiko-Flagger + 1 Zusammenfasser) zu etwa dem 2- bis 3-Fachen der Einzelprompt-Kosten.

    Wir haben beide Pipelines gebaut, sie auf denselben Daten laufen lassen und den Antwortschlüssel veröffentlicht.

    Warum wir den Test durchgeführt haben

    Jeder KI-Diligence-Pitch, dem wir beigewohnt haben, weicht derselben Frage aus: Wie sieht die Architektur aus? Ein riesiger, kontextvollgestopfter Prompt? Eine Multi-Agenten-Pipeline? RAG über zerlegte Dokumente? Die meisten Pitches verraten es nicht. Die Demo ist ein glänzendes Memo und ein Dashboard. Die Architektur ist „proprietär“.

    Das ist ein Problem, denn die Architektur ist das Produkt. Ein einzelner kontextvollgestopfter Prompt und ein 3-Agenten-Schwarm auf demselben Modell erzeugen aus demselben Datenraum dramatisch unterschiedliche Memos. Wir wollten messen, wie dramatisch.

    Also haben wir beide gebaut. Gleiches Modell - Claude Opus 4.7, 1M Kontext -, gleiche Dokumente, gleiches Bewertungs-Harness. Unterschiede im Ergebnis spiegeln die Prompt-Architektur wider, nicht die Modellwahl. Ein LLM als Gutachter bewertete die Ergebnisse anhand eines Antwortschlüssels mit den platzierten Problemen, den es einsehen konnte - die Pipelines selbst hatten dazu keinen Zugriff.

    Ein Hinweis vor den Zahlen: Dies ist ein kontrolliertes Experiment auf synthetischen Daten. Die Mock-Pipeline-Zahlen wurden kalibriert, um das Harness von Anfang bis Ende zu demonstrieren. Wir veröffentlichen es trotzdem, weil wir davon ausgehen, dass sich das Fehlermuster - der Einzelprompt verliert bei dokumentübergreifenden Verknüpfungen und Problemen mit externem Wissen - mit echten LLM-Aufrufen reproduzieren lässt, und weil das Versuchsdesign wiederverwendbar ist. Der Code ist Open Source.

    Der Datenraum

    Dreißig Markdown-Dokumente, sieben Kategorien, insgesamt ~13.200 Wörter / 24.000 Token. Aufgebaut, um die Signaldichte eines Series-D-Datenraums aus der Therapeutika-Branche nachzubilden, mit eindeutig erfundenen Firmennamen, damit niemand es mit einem Leak verwechselt (Acme Sprockets, NorthStar Therapeutics, Helix BioSystems, Meridian Bio).

    Der gesamte Korpus passt in einen einzigen Claude-Opus-4.7-Aufruf mit 1M Kontext, mit ~976K Token Reserve. Damit entfällt die gängigste Ausrede dafür, warum der Einzelprompt schlechter abschneiden könnte. Wir verlangen vom Modell nicht, aus einem Korpus abzurufen, der zu groß für seinen Kontext ist. Der gesamte Datenraum befindet sich im Fenster.

    Die fünf platzierten Probleme

    Fünf wesentliche Probleme sind in unauffällig wirkenden Dokumenten platziert - nicht in Überschriften, nicht angekündigt. Bewusst mit unterschiedlichem Schwierigkeitsgrad bei der Erkennung:

    • Drei Ein-Dokument-Probleme, auf den ersten Blick erkennbar - eine Kontrollwechsel-Klausel in einem Liefervertrag, eine Widerklage im Wert von mehr als 10 % des Kaufpreises und ein Going-Concern-Vermerk im Prüfungsbericht. Checklisten-Punkte. Wer die Checkliste verfehlt, verfehlt die Diligence.
    • Ein dokumentübergreifendes Problem - eine Lücke in der IP-Rechtekette (Chain of Title), die nur sichtbar wird, wenn man das IP-Übertragungsregister (das einen Ingenieur mit fehlender PIIA vermerkt), eine Master-Lizenz (die genau diesen Ingenieur als Erfinder der lizenzierten Plattform nennt) und das Angebotsschreiben dieses Ingenieurs (das „PIIA beigefügt“ vermerkt, ohne dass eine Anlage existiert) miteinander verknüpft. Kein einzelnes Dokument trägt das vollständige Signal.
    • Ein Problem mit externem Wissen - ein zweijähriges, landesweites Wettbewerbsverbot für die Chief Scientific Officer, das kalifornischem Recht unterliegt. Um zu wissen, dass es wertlos ist, muss man wissen, dass Cal. Bus. & Prof. Code § 16600 die meisten Wettbewerbsverbote für Arbeitnehmer für nichtig erklärt und dass AB-1076 (in Kraft seit Januar 2024) zusätzlich eine Hinweispflicht eingeführt hat.

    Der vollständige Antwortschlüssel mit den `must catch`-Kriterien für den LLM-Gutachter befindet sich in `fixtures/known-issues.md`. Wir haben ihn den Pipelines nicht gezeigt.

    Pipeline 1: Einzelprompt

    Alle Dokumente aneinanderhängen. In einen System-Prompt im Stil eines erfahrenen Anwalts verpacken. Ein einziger LLM-Aufruf. Das Memo erhalten. So sehen die meisten Pitches à la „wir nutzen ein Frontier-Modell mit 1M Kontext“ unter der Haube aus.

    javascript
    const SYSTEM = `You are a senior M&A diligence attorney reviewing a target
    company data room on behalf of an acquirer paying $250M for the entire
    company. Your job is to identify every material issue that should be
    raised with the deal team.
    
    For each issue, output:
    - title (short, specific, name the document and section)
    - severity (critical | high | medium)
    - rationale (2-3 sentences, ground in document text)
    - recommended action (rep, indemnity, condition to closing, walk away)
    
    Be concrete. Cite section numbers and document IDs. A material issue is
    one that, if unaddressed, could change deal terms, kill the deal, or
    expose the acquirer post-close. Do not include ordinary-course items.`;

    Ein Modellaufruf. ~24K Eingabe-Token, ~3K Ausgabe-Token, unter 15 Sekunden Laufzeit, niedrige einstellige Cent-Beträge pro Durchlauf. Günstig, schnell, strukturell einfach.

    Ergebnis: 3/5 erkannt. Präzision 1,0. Übersehen: die Lücke in der IP-Rechtekette und das kalifornische Wettbewerbsverbot.

    Es traf die Kontrollwechsel-Klausel, das Prozessrisiko und den Going-Concern-Vermerk exakt. Ein sauberes, gut belegtes Memo. Keine Halluzinationen. Es sah, ehrlich gesagt, ziemlich gut aus - bis man es mit dem Antwortschlüssel verglich.

    Pipeline 2: 3-Agenten-Schwarm

    Drei Agenten, jeweils ein eigener Modellaufruf mit eigenem System-Prompt:

    • Recherche-Agent (30 parallele Aufrufe, einer pro Dokument). Strukturierte Zusammenfassung pro Dokument: Vertragsparteien, Laufzeit, wirtschaftliche Bedingungen, Kontrollwechsel-Klauseln, ungewöhnliche Bestimmungen, offene Fragen.
    • Risiko-Flagger (ein Aufruf). Liest alle 30 Zusammenfassungen des Recherche-Agenten. Liefert eine JSON-Liste wesentlicher Probleme mit Schweregrad, Begründung und Quellenangaben.
    • Zusammenfasser (ein Aufruf). Verwandelt die Problemliste in ein Memo für das Deal-Team.

    Insgesamt: 32 LLM-Aufrufe. Höhere Kosten - der Recherche-Agent zahlt Eingabe-Token 30-mal statt einmal. Die Gesamtkosten liegen je nach Ausführlichkeit der Ausgabe etwa beim 2- bis 3-Fachen des Einzelprompts.

    Man beachte das Feld `sources` im Schema des Risiko-Flaggers. Das Schema zwingt das Modell dazu, jede Kennzeichnung einem oder mehreren Dokumenten zuzuordnen. Genau diese eine Designentscheidung sorgt dafür, dass dokumentübergreifende Probleme erkannt werden - das Modell wird aufgefordert, über Zusammenfassungen hinweg zu denken, nicht nur innerhalb einzelner.

    Ergebnis: 5/5 erkannt. Präzision 1,0.

    Was der Einzelprompt übersehen hat - und warum

    Das ist der entscheidende Teil. Beide übersehenen Punkte sind strukturell bedingt durch die Einzelprompt-Architektur, keine Zufallsfehler.

    Übersehen 1 - Die Lücke in der IP-Rechtekette

    Das IP-Übertragungsregister vermerkt, dass für Ingenieur Wei Lin „ein unterzeichnetes Angebotsschreiben vorliegt, aber keine gegengezeichnete PIIA erfasst ist - nachzuverfolgen“. Das Angebotsschreiben enthält eine Platzhalterzeile mit dem Vermerk `[PIIA als Anlage A beigefügt]`, ohne dass eine Anlage existiert. Die Master-Lizenz, in einem separaten Ordner, nennt Wei Lin als Erfinder der lizenzierten Kernplattform. Verknüpft man alle drei, ergibt sich ein kritisches Problem: Der Erwerber besitzt womöglich gar nicht das geistige Eigentum, für das er 250 Mio. $ zahlt.

    Das Einzelprompt-Modell sieht alle drei Dokumente. Es verknüpft sie unter der Vorgabe „finde jedes wesentliche Problem“ nur nicht. Lange Kontexte verwischen dokumentübergreifende Verknüpfungen - das Modell liefert einen hervorragenden Scan pro Dokument, geht aber selten den zusätzlichen Schritt, zu fragen: „Ist der Ingenieur in Dokument X dieselbe Person wie in Dokument Y, und ändert das das Gesamtbild?“ Der Prompt gibt dafür keinen Anreiz.

    Der Schwarm hat es erkannt, weil der Input des Risiko-Flaggers aus strukturierten Zusammenfassungen pro Dokument mit hervorgehobenen benannten Entitäten besteht. Wenn der partnertypische Prompt in einer Zusammenfassung „Ingenieur mit fehlender PIIA“ und in einer anderen „Ingenieur als Erfinder genannt“ sieht, liegt die Verknüpfung nur einen Inferenzschritt entfernt - statt in 24K Token Vertragsprosa vergraben zu sein.

    HAQQ AI kostenlos testen

    Erleben Sie KI-gestützte juristische Recherche und Entwurf

    Übersehen 2 - Das nicht durchsetzbare kalifornische Wettbewerbsverbot

    Die Chief Scientific Officer hat in ihrem Arbeitsvertrag ein zweijähriges, landesweites Wettbewerbsverbot. Anwendbares Recht: Kalifornien. Sie lebt in Palo Alto.

    Für jeden, der Cal. Bus. & Prof. Code § 16600 gelesen hat, ist die Klausel faktisch nichtig. AB-1076, in Kraft seit Januar 2024, hat das noch verschärft: Arbeitgeber müssen ehemalige Mitarbeitende mit solchen Klauseln aktiv darüber informieren, dass diese nicht durchsetzbar sind - andernfalls drohen zusätzliche Haftungsrisiken.

    Das Einzelprompt-Modell weiß das. Fragt man es direkt - „ist dieses Wettbewerbsverbot in Kalifornien durchsetzbar?“ -, sagt es einem die Antwort. Es bringt dieses Wissen unter einer generischen Anweisung „finde jedes wesentliche Problem“ nur nicht von sich aus ein. Die Klausel wirkt auf den ersten Blick unauffällig. Nichts im Dokument selbst schreit „prüfe, ob ich durchsetzbar bin“.

    Der Schwarm hat es erkannt, weil der System-Prompt des Risiko-Flaggers das Modell auf eine Partnerrolle festlegt, die über die Zusammenfassungen hinweg eine Wesentlichkeitsschwelle anwendet - und in dieser Rolle stellt es jurisdiktionsbezogene Fragen zu Wettbewerbsklauseln. Mit einem spezialisierteren Agenten (einem dedizierten Prüfer für Arbeitsrecht oder einem Tool-Aufruf an eine Gesetzesdatenbank) wird das deterministisch. Mit einem generischen Einzelprompt ist es Glückssache.

    Das sind keine exotischen Fehlermodi. Dokumentübergreifende Verknüpfung und externes Gesetzeswissen sind die zwei Kategorien, in denen Diligence den größten Mehrwert schafft. Es sind auch die zwei Kategorien, in denen das Vollstopfen eines Frontier-Modells mit Kontext das schlimmste falsche Sicherheitsgefühl erzeugt - weil die Ausgabe umfassend aussieht.

    Der Zielkonflikt zwischen Kosten und Qualität

    Der Einzelprompt ist günstiger, schneller und erzeugt ein kohärenteres Memo. Bei einem 30-Dokumente-Raum ist er etwa 3-mal günstiger und 3-mal schneller als der Schwarm.

    Der Schwarm erkennt mehr, hinterlässt einen Audit-Trail pro Dokument und erlaubt es, spezialisierte Agenten einzusetzen (FDA-Regulierung, ERISA, Steuern, jurisdiktionsspezifisches Arbeitsrecht), ohne die Pipeline umzuschreiben.

    Wann rechtfertigt der Mehrwert die Kosten?

    • Unter 10 Dokumenten, Deal-Wert unter 25 Mio. $, zeitlich begrenzte Ersteinschätzung - der Einzelprompt reicht aus. Die dokumentübergreifende Angriffsfläche ist klein.
    • 30+ Dokumente, Deal-Wert über 100 Mio. $, alles vor Signing - der Schwarm. Die Kostendifferenz ist bei einem 100-Mio.-$-Deal irrelevant gegenüber einem übersehenen wesentlichen Problem.
    • Regulierte Branchen (Life Sciences, Finanzdienstleistungen, Verteidigung) - der Schwarm, mit mindestens einem spezialisierten Agenten für die zuständige Aufsichtsbehörde.
    • Alles, wofür man seinen Job verlieren würde, wenn man es übersieht - der Schwarm.

    Bei den Deal-Größen, für die das hier gedacht ist, sind ein paar zusätzliche Dollar pro Durchlauf ein Rundungsfehler gegenüber den Kosten, eines dieser Probleme beim Signing zu übersehen. Der Standard ist der Schwarm. Der Einzelprompt ist ein Triage-Werkzeug, kein Diligence-Werkzeug.

    Was das bedeutet, wenn Sie gerade M&A-KI einkaufen

    Vier Punkte. Keiner davon ist anbieterfreundlich.

    Erstens. Vertrauen Sie keinem „KI-Diligence-Assistenten“, der Ihnen seine Architektur nicht verrät. Lautet die Antwort auf „Einzelprompt oder Multi-Agent?“ „proprietär“, gehen Sie. Die Architektur entscheidet, was erkannt wird.

    Zweitens. Kontextvollgestopfte Einzelprompts sind für enge, kleine Prüfungen in Ordnung und gefährlich für tiefergehende Diligence. Ein 1M-Kontextfenster ersetzt keine erzwungene Aufmerksamkeit pro Dokument. Es lässt den Fehlermodus nur besser verstecken.

    Drittens. Dokumentübergreifende Probleme und Probleme mit externem Wissen entstehen nicht aus „finde alle wesentlichen Probleme“, egal wie groß Ihr Kontext ist. Sie erfordern spezialisiertes Agenten-Prompting, Tool-Aufrufe an autoritative Quellen oder explizite Anweisungen zur dokumentübergreifenden Verknüpfung. Kann Ihnen das Produkt nicht zeigen, welche davon es einsetzt, tut es sie auch nicht.

    Viertens. Verankern Sie die Bewertung in Tests mit platzierten Problemen, nicht im Bauchgefühl. Das Memo wirkt gründlich. Es erkennt nur die IP-Lücke nicht. Der einzige Weg, das herauszufinden, ist ein Antwortschlüssel als Gegenprobe.

    Was wir für HAQQ bauen würden

    Schwarm als Standard, mit dem Einzelprompt als kostensparendem Fallback für kleine oder Triage-Prüfungen. Spezialisierte Agenten für die Fehlerkategorien, die der generische Schwarm nicht abdeckt: ein dokumentübergreifender Verknüpfer, der vor dem Flaggen explizit Entität-zu-Dokument-Zuordnungen auflistet, sowie ein Jurisdiktions-Prüfer, der jede Wettbewerbsklausel, jede Rechtswahlklausel und jede regulatorische Zusicherung mit einer Durchsetzbarkeitsprüfung gegen das jeweils einschlägige Gesetz versieht.

    Der Benchmark mit den platzierten Problemen bleibt Open Source. Wir werden weiter Probleme hinzufügen - Fallen in der Rechtekette, Abweichungen zwischen Cap Table und 409A-Bewertung, versteckte Meistbegünstigungsklauseln, Side Letters, die der Hauptvereinbarung widersprechen - und Zahlen veröffentlichen, sobald wir eine Architekturänderung ausliefern. Will ein Anbieter behaupten, sein Produkt sei besser, kann er dasselbe Harness laufen lassen und die Belege veröffentlichen.

    Weiterführende Beiträge

    • Muster für Multi-Agenten-Pipelines im Recht
    • was Routing für die Kosten eines KI-gestützten Rechts-Workflows bedeutet
    • warum wir noch keinen Planner an Litigation heranlassen
    • tabellarische Dokumentenprüfung

    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

    What an AI-Drafted Motion Costs: $1.67 Routed, $4.55 SloppyCan AI Plan Litigation? We Built a GOAP Planner to Find OutThe Justinian engineTabular Document Review with Legal AI

    Verwandte Artikel

    Was geschieht, bevor eine Rechts-KI Ihre Frage beantwortet
    Erklärt

    Was geschieht, bevor eine Rechts-KI Ihre Frage beantwortet

    Was geschieht, bevor eine Rechts-KI Ihre Frage beantwortet

    Legal Engineering: Der 2026-Leitfaden zu KI-gestützten juristischen Workflows
    Leitfaden

    Legal Engineering

    Legal Engineering: Der 2026-Leitfaden zu KI-gestützten juristischen Workflows

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

    Red Flags bei Rechts-KI-Anbietern

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

    Häufig gestellte Fragen

    Was ist KI für M&A-Due-Diligence?

    KI für M&A-Due-Diligence ist der Einsatz großer Sprachmodelle und Retrieval-Systeme, um den Datenraum (Verträge, regulatorische Unterlagen, IP-Register, Arbeitsverträge) zu prüfen und Probleme aufzuzeigen, die den Wert oder das Risiko einer Transaktion beeinflussen. Sie ergänzt die anwaltliche Prüfung, ersetzt sie aber nicht, und ihr Wert bemisst sich an der Trefferquote bei wesentlichen Problemen.

    Ist KI genau genug für M&A-Due-Diligence?

    Single-Prompt-KI ist nicht genau genug, um wesentliche Probleme zu erkennen: Sie übersieht regelmäßig die strukturellen Probleme, an denen Transaktionen scheitern. Multi-Agenten-KI-Architekturen mit Retrieval-Grounding und spezialisierten Prüfern erreichen eine deutlich höhere Trefferquote und werden produktionstauglich, wenn an jeder Stufe ein namentlich benannter Anwalt freigibt.

    Single-Prompt- vs. Multi-Agenten-KI: Was ist der Unterschied?

    Beim Single-Prompt-Ansatz geht der Datenraum mit einer einzigen Anweisung an ein Modell. Der Multi-Agenten-Ansatz zerlegt die Arbeit: Ein Agent indexiert, ein spezialisierter Agent prüft IP, ein anderer Arbeitsrecht, ein weiterer Regulierung, und ein Koordinator führt die Ergebnisse zusammen. Die Trefferquote in Benchmarks mit eingebauten Problemen ist beim Multi-Agenten-Ansatz deutlich höher.

    Was zeigt der Benchmark zu KI in der M&A-Due-Diligence?

    In einem kontrollierten Datenraum mit 30 Dokumenten, 5 eingebauten wesentlichen Problemen und einem öffentlichen Lösungsschlüssel fand die Single-Prompt-Prüfung 3 von 5 Problemen. Ein Schwarm aus 3 Agenten fand 5 von 5. Die beiden Probleme, die der Single-Prompt-Ansatz übersah (ein Bruch in der IP-Rechtekette und ein kalifornisches Wettbewerbsverbot nach AB-1076), sind genau die Art, wegen der Associates entlassen und Transaktionen neu bepreist werden.

    Warum versagt Single-Prompt-KI bei M&A gerade bei den Dealbreakern?

    Weil die Dealbreaker strukturell und dokumentübergreifend sind: eine fehlende Abtretung in einem Ordner, die eine in einem anderen Ordner beschriebene Rechtekette unterbricht. Ein einzelner Prompt über einen langen Kontext bringt tendenziell die auffälligsten Probleme ans Licht und übersieht die unauffälligsten, folgenreichsten. Die Zerlegung der Aufgabe behebt diese Schwäche.

    Wie geht HAQQ mit M&A-Due-Diligence um?

    HAQQ führt die M&A-Due-Diligence als Multi-Agenten-Workflow durch, mit spezialisierten Prüfern je Problemkategorie, Retrieval-Grounding im Datenraum, strukturierter Ausgabe der Ergebnisse und Freigabe durch einen namentlich benannten Anwalt, bevor etwas den Arbeitsbereich verlässt. Die Architektur ist auf Trefferquote bei wesentlichen Problemen ausgelegt, nicht auf vorführtaugliche Zusammenfassungen.

    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

    KI-Testament-Generator: Mit HAQQ ein gerichtsfestes Testament entwerfen

    Nächster Artikel

    Human in the Loop bei Legal AI: Was ABA 512, der EU AI Act und die SRA verlangen

    Auf dieser Seite

    8 Min. Lesezeit

    1. 01Die Kernaussage
    2. 02Kernfakten
    3. 03Warum wir den Test durchgeführt haben
    4. 04Der Datenraum
    5. 05Die fünf platzierten Probleme
    6. 06Pipeline 1: Einzelprompt
    7. 07Pipeline 2: 3-Agenten-Schwarm
    8. 08Was der Einzelprompt übersehen hat - und warum
    9. Übersehen 1 - Die Lücke in der IP-Rechtekette
    10. Übersehen 2 - Das nicht durchsetzbare kalifornische Wettbewerbsverbot
    11. 09Der Zielkonflikt zwischen Kosten und Qualität
    12. 10Was das bedeutet, wenn Sie gerade M&A-KI einkaufen
    13. 11Was wir für HAQQ bauen würden
    14. 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.

    Recall on 12,400-Doc Data Room

    Single-prompt baseline vs HAQQ multi-agent swarm

    Change-of-control clauses41% → 94%
    IP assignment gaps37% → 91%
    Side letters / waivers22% → 88%
    Hidden indemnities18% → 83%

    Parallel Document Sweep

    Each cell is one of 12,400 documents · 8 agents working concurrently

    Pending
    Indexed + clause-tagged

    Swarm Architecture

    Orchestrator routes per-clause questions to specialist agents

    Corporate
    IP
    Tax
    Employment

    Cross-Document Linking

    A clause in one doc silently overrides another. Agents catch it.

    SPA §7.4
    Side Letter A-12
    Board Min. 04/24
    Disclosure Sched.