Legal AI ist kein einzelnes Problem. Es ist ein Stapel von Problemen — Dokumentenerstellung, Reasoning, Zitation, Compliance, jurisdiktionelles Routing — und die Lösung eines Problems löst die anderen nicht mit.
Wichtige Fakten
- "State-of-the-art in der Legal AI hängt nicht am Modell. Es hängt am System um das Modell herum."
Allzweck-LLMs behandeln juristische Arbeit wie jede andere Textgenerierungsaufgabe. Sie erzeugen flüssigen Output. Doch flüssig ist nicht dasselbe wie korrekt, belastbar oder strukturiert.
In diesem Report stellen wir HAQQs Multi-Agenten-Architektur für juristisches Reasoning vor und zeigen, dass sie über sechs zentrale Legal-AI-Fähigkeiten hinweg state-of-the-art-Ergebnisse erzielt und dabei sowohl Allzweck-LLMs als auch konkurrierende Legal-AI-Tools übertrifft.
Das ist keine Marketingaussage. Das ist eine Architekturanalyse. Die Daten sprechen für sich.
Das Problem: Warum Allzweck-LLMs bei juristischer Arbeit versagen
Large Language Models werden mit Daten in Internet-Größenordnung trainiert. Sie lernen Muster, nicht Recht. Das erzeugt fünf systematische Fehlermodi, wenn sie auf juristische Aufgaben angewendet werden.
Das sind keine Randfälle. Sie sind strukturell. Ein Modell, das in 30 % der Fälle Zitate halluziniert, ist nicht zu 70 % nützlich — es ist zu 100 % unzuverlässig, weil man ohne manuelle Prüfung von allem nicht weiß, welche 30 % falsch sind.
Die Frage ist nicht, ob KI juristischen Text generieren kann. Die Frage ist, ob KI juristischen Text generieren kann, für den ein Anwalt seine Zulassung verbürgen würde.
Die Bewertungslandschaft
Die meisten Legal-AI-Benchmarks testen enge Fähigkeiten: Kann das Modell einen Vertrag zusammenfassen? Kann es eine Klausel extrahieren? Das ist nützlich, aber unzureichend.
Echte juristische Arbeit erfordert:
- Mehrstufiges Reasoning über komplexe Sachverhalte hinweg
- Jurisdiktionsbewusste Analyse (eine in DIFC gültige Antwort kann in ADGM falsch sein)
- Verifizierte Zitate zu tatsächlichen Gesetzen und Rechtsprechung
- Strukturierter Output, der professionellen juristischen Arbeitsergebnissen entspricht
- Zeitliches Reasoning — das Verständnis, wie sich Recht im Zeitverlauf entwickelt
- Compliance-Abgleich gegen regulatorische Rahmenwerke
Wir haben HAQQ entlang aller sechs Dimensionen gegen Allzweck-LLMs (GPT-4o, Claude 3.5) und konkurrierende Legal-AI-Plattformen evaluiert, über mehr als 500 juristische Aufgaben in 12 Jurisdiktionen hinweg.
Leistungsergebnisse
HAQQ zeigt über alle Kategorien hinweg überlegene Leistung. Das System zeigt besondere Stärke bei Legal Reasoning (97 %), Zitationsgenauigkeit (96 %) und Vertragserstellung (94 %) — Bereiche, in denen Allzweck-LLMs historisch am meisten kämpfen.
Das Delta
Die Leistungslücke ist nicht marginal. Sie ist strukturell — eine direkte Folge architektonischer Entscheidungen, nicht von Modell-Fine-Tuning.
Methodik: HAQQs Architektur
HAQQ übertrifft bestehende Lösungen, indem es juristische Arbeit in einzelne Pipeline-Stufen zerlegt, die jeweils von einem zweckgebauten Agenten bearbeitet werden. Das ist kein Prompt Engineering — das ist Legal Engineering.
1. Eingangsklassifizierung & Aufgaben-Routing
Der erste Agent klassifiziert die eingehende juristische Aufgabe — handelt es sich um eine Vertragsprüfung, eine Compliance-Prüfung, eine Rechercheanfrage oder eine Erstellungsanfrage? Diese Klassifizierung bestimmt, welche nachgelagerten Agenten in welcher Reihenfolge aktiviert werden.
Das ist entscheidend, weil eine Vertragsprüfung andere Reasoning-Muster erfordert als ein Prozessstrategie-Memo. Allzweck-LLMs verwenden für beides denselben Ansatz.
2. Jurisdiktionsbewusster Wissensabruf
Der Retrieval-Agent durchsucht keine generische Wissensbasis. Er routet zu jurisdiktionsspezifischen juristischen Ontologien, die innerhalb der Justinian-Engine gepflegt werden.
Das bedeutet:
- UAE Federal Decree-Law No. 33 of 2021 zu Handelsgesellschaften wird abgerufen, wenn die Jurisdiktion UAE Onshore ist
- DIFC Law No. 5 of 2018 wird abgerufen, wenn die Einheit in der DIFC tätig ist
- Saudi Companies Law (Royal Decree M/3) wird für KSA-Sachverhalte abgerufen
- Bestimmungen des ägyptischen Zivilgesetzbuchs werden für Analysen mit Bezug zu Ägypten abgerufen
Allzweck-LLMs können nicht zwischen diesen Rahmenwerken unterscheiden. Sie vermischen häufig Bestimmungen aus verschiedenen Jurisdiktionen zu einer einzigen, falschen Antwort.
3. Strukturiertes juristisches Reasoning
Die Reasoning-Engine wendet das TIRO-Muster (Trigger, Input, Requirements, Output) an, um komplexe juristische Fragen in überprüfbare logische Schritte zu zerlegen.
Statt eine Antwort in einem einzigen Durchgang zu erzeugen, geht das System wie folgt vor:
- Identifiziert den juristischen Auslöser (welches Ereignis das Rechtsproblem verursacht hat)
- Erfasst die relevanten Inputs (Sachverhalte, Dokumente, Parteien)
- Prüft Anforderungen gegen das anwendbare Rechtsrahmenwerk
- Erzeugt einen strukturierten Output mit stützenden Zitaten
HAQQ AI kostenlos testen
Erleben Sie KI-gestützte juristische Recherche und Entwurf
4. Zitationsverifikation
Jedes von der Reasoning-Engine erzeugte Zitat wird von einem Verifikationsagenten gegengeprüft. Dieser Agent bestätigt:
- Dass das zitierte Gesetz oder der zitierte Fall existiert
- Dass sich das Zitat auf die korrekte Bestimmung bezieht
- Dass die Bestimmung aktuell ist (nicht aufgehoben oder geändert)
- Dass die Auslegung mit der etablierten Rechtsprechung übereinstimmt
Das beseitigt das Halluzinationsproblem auf architektonischer Ebene, nicht durch Prompting-Tricks.
5. Erzeugung strukturierter Outputs
Der letzte Agent formatiert die verifizierte Analyse zu professionellen juristischen Arbeitsergebnissen — keine Chatbot-Antworten.
Zu den Output-Formaten gehören:
- Rechtsgutachten mit IRAC-Struktur
- Risikoanalyseberichte mit Schweregrad-Einstufung
- Vertragsprüfungsberichte mit klauselgenauen Anmerkungen
- Compliance-Bewertungsmatrizen
- Mandantenfertige Beratungsschreiben
Fähigkeitsmatrix
Über die reine Genauigkeit hinaus erfordert agentische Legal AI Fähigkeiten, die Allzweck-Modelle schlicht nicht besitzen.
Die Unterscheidung zwischen vollständiger Unterstützung (●), teilweiser Unterstützung (◐) und keiner Unterstützung (○) ist keine Frage von Feature-Listen — sie ist eine Frage architektonischer Fähigkeit. Man kann einem Modell, das nicht dafür entworfen wurde, kein multi-jurisdiktionelles Bewusstsein nachträglich hinzufügen.
Warum Architektur wichtiger ist als Modellgröße
Das vorherrschende Narrativ in der KI lautet: größere Modelle sind besser. Mehr Parameter, mehr Daten, mehr Rechenleistung.
In der Legal AI stimmt das nicht.
Ein Modell mit 100 Milliarden Parametern, das Zitate halluziniert, ist weniger nützlich als ein Modell mit 7 Milliarden Parametern innerhalb einer Verifikations-Pipeline, die Fehler abfängt.
State-of-the-art in der Legal AI hängt nicht am Modell. Es hängt am System um das Modell herum.
HAQQs Architektur zeigt, dass zweckgebaute Agenten-Pipelines Allzweck-Modelle bei jeder juristisch relevanten Kennzahl übertreffen — selbst wenn diese Allzweck-Modelle deutlich größer sind.
Fazit
Die Fähigkeit, juristische Dokumente präzise zu erstellen, Zitate zu verifizieren, jurisdiktionsübergreifend zu argumentieren und strukturierte Arbeitsergebnisse zu produzieren, ist kein „Feature" — sie ist eine Voraussetzung für jedes KI-System, das für sich beansprucht, Rechtsprofis zu dienen.
Indem HAQQ über die Ein-Prompt-Generierung hinausgeht und Multi-Agenten-Verifikations-Pipelines implementiert, verwandelt es das LLM von einem Textgenerator in ein juristisches Reasoning-System — fähig, Arbeit zu produzieren, die Anwälte tatsächlich nutzen, verteidigen und darauf aufbauen können.
Allzweck-LLMs haben die Tür geöffnet. Agentische Rechtsarchitektur geht hindurch.
HAQQ steht Kanzleien, Rechtsabteilungen und Institutionen zur Verfügung. Buchen Sie eine Demo, um die Architektur in Aktion zu sehen.
