Fallstudie · Enterprise-Deployments
Enterprise-Legal-AI-Fallstudie: Einsatz einer juristischen Ontologie zur Skalierung jurisdiktionsübergreifender Abläufe
Eine in mehreren Jurisdiktionen tätige Rechtsinstitution modernisierte einen volumenstarken Workflow durch den Einsatz des AI-Betriebssystems und der proprietären juristischen Ontologie von HAQQ, ohne die bestehende Infrastruktur zu ersetzen.
Aktualisiert 2026-06-10
- Durchschnittliche Bearbeitungszeit (zuvor 45 bis 60 Minuten)
- 12 Min.
- Dauer der Pilotbereitstellung
- 30 Tage
- Erforderliche Infrastruktur-Ersetzungen
- 0
Executive Summary
Eine in mehreren Jurisdiktionen tätige Rechtsinstitution mit zahlreichen Standorten wollte einen volumenstarken internen Workflow modernisieren, ohne ihre bestehenden Systeme zu ersetzen.
Ein zentrales Team, das für Recherche- und Validierungsprozesse verantwortlich war, unterstützte weltweit verteilte Standorte. Die Bearbeitungszeit lag im Durchschnitt bei 45 bis 60 Minuten pro Anfrage, und das institutionelle Wissen konzentrierte sich auf eine begrenzte Zahl von Fachkräften. Eine Steigerung des Outputs erforderte ein proportionales Personalwachstum.
HAQQ wurde beauftragt, ein Enterprise-Legal-AI-Betriebssystem bereitzustellen, das Skalierbarkeit, Konsistenz und Governance verbessert und zugleich die bestehende Infrastruktur erhält. Im Mittelpunkt des Projekts stand die strukturelle Integration, nicht der Systemaustausch.
Die strukturelle Einschränkung
- Mehrere Legacy-Datenbanken in verschiedenen Abteilungen
- Verteilte Teams in mehreren Jurisdiktionen
- Volumenstarke Prüf- und Validierungsworkflows
- Gremienbasierte Genehmigungsstrukturen
- Eingeschränkte standortübergreifende Transparenz
Die Herausforderung war nicht der Zugriff auf Daten, sondern das Fehlen eines einheitlichen Betriebsmodells.
Was ist eine juristische Ontologie in der Enterprise Legal AI?
In der Enterprise-Legal-Technologie ist eine juristische Ontologie ein strukturiertes Modell, das definiert, wie eine Rechtsinstitution arbeitet. Sie kodiert zentrale Entitäten wie Mandanten, Mandate, Vermögenswerte, Einreichungen, Fristen und interne Entscheidungen in formaler Form. Sie bildet die Beziehungen zwischen diesen Entitäten ab, ebenso Genehmigungshierarchien, Eskalationspfade, rollenbasierte Berechtigungen, Governance-Kontrollen sowie Berichts- und Auditstrukturen.
Ohne juristische Ontologie arbeiten KI-Tools auf Dokumentebene. Mit einer juristischen Ontologie operiert die KI innerhalb der institutionellen Logik. Diese Unterscheidung markiert den Unterschied zwischen Dokumentenautomatisierung und Enterprise-Legal-AI-Infrastruktur.
- Entitäten
- Mandanten, Mandate, Vermögenswerte, Einreichungen
- Beziehungen
- Hierarchien, Abhängigkeiten, Verknüpfungen
- Governance
- Genehmigungen, Eskalationen, Kontrollen
- KI-Ausführung
- Schlussfolgerungen innerhalb der Struktur
Architekturansatz: Aufbau eines Legal-AI-Betriebssystems
- Sichere Read-Only-Integration
- Konnektoren auf Enterprise-Niveau, bereitgestellt mit reinem Lesezugriff. Keine Veränderung von Legacy-Systemen, keine Datenmigration, kein Infrastrukturaustausch, keine Betriebsunterbrechung.
- Proprietäre juristische Ontologie
- Ein strukturiertes Framework, das die operativen Entitäten und Workflows der Institution modelliert, einschließlich Mandanten, Mandaten, Vermögenswerten, Einreichungen, jurisdiktionellem Kontext und gremienbasierten Entscheidungsstrukturen.
- KI eingebettet in Governance
- Die Justinian AI Engine arbeitet innerhalb des strukturierten Frameworks. KI-Ergebnisse unterliegen weiterhin der institutionellen Aufsicht. Governance- und Eskalationsstrukturen bleiben erhalten.
30-Tage-Enterprise-Pilot
Phase 1 - Tage 1 bis 21
Integration und Konfiguration
- Bereitstellung sicherer Read-Only-Konnektoren
- Abbildung interner Datenbanken auf Ontologiestrukturen
- Sicherheitskonfiguration und rollenbasierte Zugriffskontrollen
- Validierung und Tests der Umgebung
Phase 2 - Tage 21 bis 30
Schulung und Paralleltests
- Schulung des Pilotteams
- Paralleler Betrieb neben bestehenden Workflows
- Verfeinerung der Abfragen und Workflow-Kalibrierung
- Interne Validierung der Ergebniskonsistenz
Phase 3 - Tag 30
Go-live und Messung
- Aktivierung des produktiven KI-gestützten Workflows
- Performance-Benchmarking gegen Baseline-Metriken
- Strukturierte Erhebung von Zeit- und Qualitätsdaten
Operative Ergebnisse
Vorher
- Manuelle systemübergreifende Abfragen
- 45 bis 60 Minuten pro Anfrage
- Inkonsistente Formatierung der Ergebnisse
Nachher
- KI-gestützter strukturierter Workflow
- Etwa 12 Minuten pro Anfrage
- Standardisiertes Reporting über alle Standorte hinweg
Von der Dokumentenautomatisierung zur juristischen Infrastruktur
Über Effizienzgewinne hinaus erreichte die Institution strukturelle Resilienz. Institutionelles Wissen ist nun in der Systemlogik verankert, was die Abhängigkeit von individueller Expertise reduziert und die Auditierbarkeit sowie die Nachvollziehbarkeit von Entscheidungen verbessert.
Die skalierbare Architektur unterstützt eine schrittweise Erweiterung bei jurisdiktionsübergreifend gewahrter Governance. Das Betriebsmodell wandelte sich von manueller Koordination über isolierte Systeme hinweg zu strukturierten, KI-gestützten Workflows, die institutionellen Regeln unterliegen.
Enterprise-Rechtsinstitutionen benötigen mehr als Automatisierung auf Dokumentebene. Sie benötigen eine Infrastruktur, die ihre tatsächliche Arbeitsweise abbildet, einschließlich Governance-Frameworks, jurisdiktioneller Komplexität, Genehmigungshierarchien und Risikokontrollen.