Frontier-Modelle : Die Illusion der schnellen Rechtsschöpfung

Die Versprechen der führenden KI-Labore aus dem Silicon Valley klingen nach einer Zeitenwende für die Wissensarbeit: Neueste Sprach- und „Reasoning“-Modelle lösen Prüfungsaufgaben auf Universitätsniveau, generieren Programmcode in Sekunden und sollen Anwälten, Ingenieuren und Beratern einen Effizienzsprung von historischem Ausmaß bescheren.

Doch in spezialisierten Kanzleien und Rechtsabteilungen sieht die Wirklichkeit nüchterner aus. Wo komplizierte technische Sachverhalte, strikte Haftungsmaßstäbe und die Detailanalyse komplexer Dokumente den Alltag bestimmen, verpufft ein beträchtlicher Teil der rechnerischen Zeitvorteile. Die KI-gestützte Arbeitsweise stößt im juristischen Maschinenraum an grundsätzliche Grenzen: Sie verlagert Aufwand, statt ihn zu beseitigen, und scheitert bislang an einem unterschätzten Faktor: dem Vertrauensverhältnis zwischen Anwalt und Werkzeug.

Die empirische Bilanz: hohe Teilgewinne, mäßiger Gesamtertrag

Man könnte die Einschätzung, dass KI in der anwaltlichen Praxis weniger Effizienz bringt als versprochen, als Festhalten an einem Selbstverständnis abtun, das die Anwaltschaft durch die neue Technik in Frage gestellt sieht. Eine empirische Untersuchung, die einer der beiden Autoren durchgeführt hat, spricht dagegen. Im Rahmen eines Praxistests wurden historisch abgeschlossene Fälle aus dem Patentrecht, einer Disziplin, die durch das akribische Studium umfangreicher Patentschriften, Prüfungsbescheide und Entgegenhaltungen geprägt ist – scheinbar ideales Terrain für KI – mit aktuellen generativen KI-Werkzeugen nachgearbeitet.

Für die empirische Studie wurden unterschiedliche Tätigkeiten analysiert. Die nachstehend ermittelten Werte kombinieren gemessene Bearbeitungszeiten mit fundierten Schätzungen; sie verstehen sich daher als statistische Richtgrößen mit gewisser methodischer Unschärfe. Das Gesamtbild ist dennoch eindeutig:

Bei der Fallanalyse reduzierte sich der Zeitaufwand durch KI-unterstützte Recherche um rund 30 Prozent. Bei der Formulierung eines ersten Entwurfs fiel die Ersparnis mit etwa 40 Prozent sogar noch größer aus. In der anwaltlichen Bewertung und bei strategischen Entscheidungen ließ sich dagegen kein Zeitgewinn feststellen; dieser Teil blieb vollständig menschlicher Expertise vorbehalten. Hinzu kam ein erheblicher neuer Aufwand für die Kontrolle der KI-Ergebnisse. Die sorgfältige Überprüfung, das Verifizieren von Quellen und das Cross-Checking der generierten Texte beanspruchten zusätzlich rund 18 Prozent der gesamten Bearbeitungszeit.

Unter dem Strich schrumpften somit die auf einzelnen Arbeitsschritten beachtlichen Effizienzgewinne deutlich zusammen: Im Mittel lag die reale zeitliche Gesamtersparnis bei lediglich rund 17 Prozent.

Dass dies kein Einzelbefund ist, legt eine viel beachtete Studie des MIT-Ökonomen David Autor nahe, die gemeinsam mit Google Research entstanden ist. In einem Experiment bekamen amerikanische Patentanwälte drei Monate lang einen KI-Assistenten für das Ausarbeiten von Patentanmeldungen zur Seite gestellt. Eine Kontrollgruppe arbeitete ohne ihn. Die Zeitersparnis fiel bescheiden aus. Bei einer Entwurfsaufgabe nach zehn Tagen brauchten die Anwälte mit KI rund zehn Minuten weniger als die Kontrollgruppe, die im Mittel 110 Minuten benötigte. Das sind weniger als zehn Prozent, und der Effekt liegt gerade an der Grenze statistischer Signifikanz. Nach 90 Tagen zeigte sich eine ähnliche Ersparnis. Bei Berufseinsteigern war die geschätzte Ersparnis deutlich größer als bei erfahrenen Anwälten. Statistisch belastbar ist dieser Unterschied allerdings nicht.

Noch aufschlussreicher ist ein zweiter Befund. Im Anschluss mussten die Anwälte ohne KI eine fehlerhafte Patentschrift prüfen und korrigieren, das sogenannte Redlining. Hier waren die Anwälte, die zuvor mit KI gearbeitet hatten, nicht schneller als die Kontrollgruppe. Erfahrene Anwälte brauchten für diese Aufgabe in beiden Gruppen im Schnitt sogar länger als jüngere Kollegen. Die Studienautoren sehen darin einen Hinweis darauf, wie viel Fachwissen diese Tätigkeit erfordert: Wer mehr weiß, prüft offenbar genauer.

Stochastische Plausibilität statt logischer Deduktion

Die Ursache für den Prüfbedarf liegt in der Funktionsweise großer Sprachmodelle. In der öffentlichen Debatte ist bei Fehlern meist von „Halluzinationen“ die Rede. Der Begriff legt eine gestörte Sensorik nahe. Treffender ist die Einordnung von KI-Pionier Geoffrey Hinton: Die Modelle „konfabulieren“. Sie füllen Lücken mit statistisch plausiblen, aber sachlich möglicherweise unzutreffenden Bruchstücken.

Hinzu kommt ein zweites, grundlegendes Defizit: Große Sprachmodelle können nicht im eigentlichen Sinne mathematisch-logisch schlussfolgern. Sie vollziehen keine formale Deduktion, sondern erzeugen Argumentationsketten aus Wahrscheinlichkeitsmustern. Sie berechnen, welche Formulierung linguistisch naheliegt, nicht, ob eine juristische Subsumtion formal zwingend ist.

Im Patentrecht, dessen Systematik eher formalen Spezifikationen und logischen Aussagensystemen ähnelt als allgemeiner Rhetorik, wiegt dies schwer. Ein Patentanspruch ist ein hochgradig verdichtetes Gefüge von Merkmalen. Jede sprachliche Nuance grenzt den Schutzbereich exakt ab. Nimmt es das Modell mit der formalen Strenge nicht ganz genau, genügen kleine Abweichungen: ein ungenau zugeordnetes Merkmal, eine leicht verschobene Kausalbeziehung, ein geringfügig abweichend interpretiertes Merkmal aus dem Stand der Technik. Die Begründung klingt dann vordergründig überzeugend, ist in der Sache aber fehlerhaft. Das Risiko reicht von der unbeabsichtigten Verengung des Schutzbereichs über die Versagung der Anmeldung bis hin zu Rechtsverlusten in Einspruchs- oder Nichtigkeitsverfahren.

Asymmetrie der Fehler: Menschlicher Irrtum gegen Konfabulation

Hinter dem hohen Zeitaufwand für die Überprüfung verbirgt sich ein tieferliegendes psychologisches Phänomen: die Asymmetrie der Fehlerwahrnehmung. Das Vertrauensverhältnis eines Anwalts zu einem menschlichen Assistenten ist grundlegend anders als das zur KI.

Der menschliche Fehler: Unterläuft einem angestellten Juristen oder Rechercheur ein Fehler, ist dieser für den Senior meist nachvollziehbar – etwa eine vertretbare, im Ergebnis aber von der Rechtsprechung abgelehnte Rechtsauffassung oder eine übersehene Randziffer. Der Fehler bleibt innerhalb eines gemeinsamen mentalen Modells.

Der KI-Fehler: Konfabulationen von Sprachmodellen, wie frei erfundene Aktenzeichen, existierende BGH-Urteile mit vertauschtem Tenor oder die scheinbar logische Ableitung physikalischer Unmöglichkeiten, wirken auf den Prüfer bizarr. Solche Aussetzer zerstören das Vertrauen in die Basiskompetenz des Systems weit gründlicher als ein typisch menschlicher Irrtum. Der Anwalt kann dem System dann nicht mehr „im Grundsatz“ vertrauen und muss jeden Satz mit einem paranoiden Misstrauen prüfen.

Beim Vertrauen hat die KI gegenüber dem fehlbaren menschlichen Mitarbeiter deshalb einen strukturell schweren Stand. Wirtschaftlich liegt der Vorteil allerdings klar bei der KI: Sie arbeitet um ein Vielfaches kostengünstiger.

Günstig gekauft, teuer bezahlt

Für Kanzleien ergibt sich daraus ein Dilemma: Die minimalen Grenzkosten der Textgenerierung verlocken dazu, Routineaufgaben an KI-Systeme auszulagern. Der asymmetrische Prüfaufwand lenkt dann aber die teuerste Ressource der Kanzlei um: Die Zeit erfahrener Partner wandert von der strategischen Mandatsarbeit hin zum mühsamen Lektorat stochastischer Entwürfe.

Schwieriger wird auch die Ausbildung des Nachwuchses. Juristisches Judiz und ein Gespür für logische Konsistenz entstehen traditionell dadurch, dass man selbst mühsam um präzise Formulierungen ringt. Wer das Schreiben verlernt, verliert mit der Zeit auch die Fähigkeit, KI-Ergebnisse kritisch zu prüfen.

Fazit: Nüchterner Realismus statt Automationsillusion

Eine Netto-Zeitersparnis von rund 17 Prozent ist für hochqualifizierte Wissensarbeit ein solider Effizienzgewinn. Generative KI kann im juristischen Arbeitsalltag also durchaus nützlich sein, vor allem um Stoff vorzustrukturieren und Recherchen zu beschleunigen.

Die Daten entzaubern aber die Erzählung von der autonomen bzw. automatisierten Kanzlei. Solange Sprachmodelle keine echte logische Deduktion beherrschen und mit Konfabulationen das Vertrauen in ihre Basiskompetenz untergraben, bleibt der Mensch die unverzichtbare Kontrollinstanz.

Christoph von Praun ist Informatiker, Patentanwalt und Partner einer Münchner Kanzlei. Sein Arbeitsschwerpunkt liegt auf Mandaten im Bereich von Computersystemen, der algorithmischen Informationsverarbeitung und der Implementierung und Anwendung von KI.

Patrick Glauner ist Professor für KI an der TH Deggendorf und hat als Sachverständiger das Europäische Parlament, die Parlamente von Deutschland, Frankreich und Luxemburg und die Interparlamentarische Union zu den sich aus KI ergebenden politischen und rechtlichen Fragestellungen beraten. Er studierte am Imperial College London und war unter anderem bei der Europäischen Organisation für Kernforschung (CERN) und der Krones AG tätig.