Tools zoals ChatGPT bieden directe toegang tot deze modellen, wat verklaart waarom u collega's deze wellicht ziet gebruiken voor snelle antwoorden.

Juridische AI-platforms gaan echter verder. Ze benutten de pure capaciteiten van een LLM en vullen deze aan met juridisch-specifieke training, workflows, beveiliging en integraties. Dit maakt ze geschikt voor het daadwerkelijke juridische werk, waarbij vertrouwelijkheid en nauwkeurigheid essentieel zijn.

Om beide optimaal te benutten, moeten juristen begrijpen wat een LLM is, hoe het werkt, wat het niet kan en hoe platforms die hierop zijn gebouwd functioneren.

Opmerking: als uw juridische team algemene LLM's gebruikt voor contractbeoordeling, compliance-controles of het opstellen van documenten, maar meer tijd kwijt is aan het verifiëren van de output dan aan het produceren ervan, ligt het probleem niet bij het model. Het ligt aan het gebrek aan juridische context, playbooks en databeheersing daaromheen. LEGALFLY is gebouwd op dezelfde onderliggende modellen, maar mét de waarborgen die juridisch werk daadwerkelijk vereist. Vraag een demo aan om het verschil te ervaren.

Wat LLM's zijn – en wat ze niet zijn

Een LLM (Large Language Model) is een vorm van kunstmatige intelligentie die is getraind op enorme hoeveelheden tekst. In plaats van feiten te 'weten', leert het patronen in de wijze waarop woorden en zinnen samenhangen. Hierdoor kan het het volgende woord in een reeks voorspellen – vergelijkbaar met de automatische aanvulfunctionaliteit op uw telefoon, maar dan op een aanzienlijk geavanceerder niveau.

Sommige LLM's zijn openbaar en worden aangeboden door bedrijven als OpenAI (ChatGPT) of Anthropic (Claude). Andere kunnen privaat worden gedraaid door een onderneming of door een leverancier die garandeert dat de gegevens niet extern worden gedeeld.

Het is van belang te begrijpen dat een LLM niet functioneert als een database of een zoekmachine. Het haalt geen opgeslagen feiten op. Het genereert antwoorden op basis van patronen die het tijdens de trainingsfase heeft waargenomen. Dit betekent dat het soms antwoorden kan produceren die overtuigend overkomen, maar feitelijk onjuist zijn. Deze fouten worden aangeduid als 'hallucinaties'.

LLM's kunnen tevens worden aangepast voor specifieke vakgebieden. Wanneer ze worden getraind of gefinetuned met voorbeelden uit de juridische praktijk, worden ze aanzienlijk nauwkeuriger voor juridische taken. Zonder die verbeterslag zijn algemene modellen doorgaans niet betrouwbaar genoeg voor gevoelige of risicovolle juridische kwesties.

Lees meer: Alles wat u moet weten over agentic AI voor de juridische praktijk

De techniek achter LLM's

LLM's worden aangedreven door een 'attention mechanism' (aandachtsmechanisme). In tegenstelling tot mensen, die tekst regel voor regel lezen, analyseert een LLM alle informatie in een prompt tegelijkertijd. Dit betekent dat de wijze waarop u de prompt formuleert, grote invloed heeft op het resultaat.

Het model genereert tekst woord voor woord. Elk nieuw woord wordt gekozen op basis van waarschijnlijkheden die zijn berekend op basis van alle voorgaande woorden. Dezelfde vraag kan daardoor verschillende antwoorden opleveren, doordat het model kleine variaties aanbrengt in dit proces.

Verschillende modellen presteren verschillend. Claude wordt bijvoorbeeld vaak als superieur beschouwd qua toon en stijl, terwijl de modellen van OpenAI doorgaans sterker zijn in gestructureerd redeneren.  

Praktische prompting-tips voor juristen

De kwaliteit van de output is afhankelijk van de kwaliteit van de input. U kunt uw resultaten optimaliseren door de volgende prompting-methoden te hanteren:

• Bied volledige context. Vermeld wie u bent, wat de opdracht behelst en wat het einddoel moet zijn. Bijvoorbeeld: "Ik ben een commercieel jurist en beoordeel geheimhoudingsovereenkomsten (NDA's). Maak een eerste redline waarin geheimhoudingsclausules worden gemarkeerd die afwijken van het standaardmodel."

• Geef nauwkeurige instructies. Vermijd vage verzoeken zoals "verbeter dit Nederlands". Definieer in plaats daarvan wat "beter" inhoudt: eenvoudiger taalgebruik, een formelere toonzetting of een beknoptere samenvatting.

• Gebruik uitsluitend positieve voorbeelden. Toon de gewenste structuur of stijl. Voorkom het toevoegen van 'slechte' voorbeelden; het model analyseert deze immers ook en kan elementen daarvan overnemen.

• Stel duidelijke regels vast. Voor juridisch werk kan dit instructies inhouden als: "Citeer jurisprudentie altijd letterlijk, parafraseer nooit" of "Citeer wetgeving met de volledige officiële titel en het wetsartikel."

• Deel complexe taken op. Vraag niet in één keer om een volledig due diligence-rapport, maar begin met een opzet en bouw vervolgens elke sectie stapsgewijs op. Dit leidt tot betrouwbaardere en beter controleerbare resultaten.

• Begin met een schone lei bij het verfijnen. Wanneer herhaalde iteraties afdwalen van uw oorspronkelijke verzoek, herformuleer de opdracht dan in een nieuwe sessie met een duidelijkere prompt.

• Bewaar en hergebruik prompts. Hanteer een standaardsysteemprompt of instructieblok dat u in nieuwe sessies kunt invoegen, zodat het model consistent inzicht heeft in uw rol en doelstellingen.

• Experimenteer met formatting. De structuur van uw instructies (opsommingstekens, genummerde lijsten of tussenkopjes) kan van invloed zijn op de wijze waarop het model zijn antwoord structureert.

Beschouw het als het instrueren van een beginnend advocaat of stagiair: hoe duidelijker en gestructureerder de instructies, des te beter het eindresultaat.

Veelvoorkomende fouten van LLM's

Iedereen die ChatGPT of een ander model heeft gebruikt, is bekend met de eigenaardigheden ervan. Enkele veelvoorkomende tekortkomingen zijn:

Reken- en wiskundige fouten. LLM's zijn geen rekenmachines. Ze genereren tekst op basis van patronen in historische data, wat betekent dat ze geregeld de fout ingaan bij rekensommen of complexere berekeningen.

Hallucinaties. Modellen kunnen soms met grote stelligheid feiten, vonnissen of bronvermeldingen verzinnen die overtuigend ogen, maar niet daadwerkelijk bestaan.

Verlies van context (context drop-off). Bij omvangrijke documenten verwerken sommige modellen enkel het eerste gedeelte adequaat, waardoor clausules die dieper in het document verborgen liggen, over het hoofd worden gezien.

Waarom geven LLM's verschillende antwoorden op dezelfde vraag?

LLM's geven niet altijd hetzelfde antwoord op dezelfde vraag. Deze variatie vloeit voort uit de manier waarop zij tekst genereren. Het model formuleert antwoorden woord voor woord en kiest elk nieuw woord op basis van waarschijnlijkheden. Het woord met de hoogste waarschijnlijkheid wordt niet altijd geselecteerd, wat zorgt voor natuurlijke verschillen tussen de uitkomsten.

De meeste modellen hanteren tevens een instelling genaamd 'temperatuur' (temperature). Bij een hogere temperatuur onderzoekt het model minder waarschijnlijke woorden en produceert het gevarieerdere antwoorden. Bij een lagere temperatuur neigt het naar de meest voor de hand liggende formuleringen, wat de output consistenter en voorspelbaarder maakt.

Als u een LLM bijvoorbeeld vraagt om een geheimhoudingsbeding samen te vatten, kan dit bij een lage temperatuur consequent resulteren in:

"Deze bepaling verbiedt beide partijen vertrouwelijke informatie aan derden te verstrekken."

Bij een hogere temperatuur kan ditzelfde verzoek alternatieve formuleringen opleveren, zoals:

"Het is geen van beide partijen toegestaan vertrouwelijk materiaal te delen met externe partijen, tenzij wettelijk verplicht." of

"Vertrouwelijke gegevens dienen geheim te worden gehouden en mogen niet aan derden openbaar worden gemaakt."

De strekking is gelijk, maar de formulering varieert.

Wat LLM's kunnen betekenen voor juridische teams

LLM's blinken uit in het herkennen en genereren van taalpatronen. Dit maakt ze bijzonder waardevol voor juridisch werk dat draait om documenten, precedenten en gestructureerde teksten. Mits effectief ingezet, kunnen ze juristen ondersteunen bij:

• Het afhandelen van routinevragen vanuit de business aan de hand van beleidsregels of playbooks

• Het versnellen van juridisch onderzoek door grote volumes documentatie te scannen en samen te vatten

• Het snel opstellen en redlinen van overeenkomsten, waarmee uren aan handmatig redigeerwerk worden bespaard

• Het opstellen van heldere en consistente memo's, processtukken en e-mailcorrespondentie

• Het uitvoeren van due diligence-onderzoeken door informatie uit omvangrijke datasets te extraheren en te structureren

• Het signaleren van ongebruikelijke of risicovolle clausules en het vergelijken van concepten met standaardmodellen

• Het toetsen van contractvoorwaarden aan regelgeving zoals AVG/GDPR, Wwft/AML, ESG of DORA

• Het genereren van dynamische sjablonen die zich aanpassen aan het type contract, het toepasselijk recht of de partijgegevens

Typen LLM-implementaties die relevant zijn voor juristen

Verschillende LLM-gestuurde tools hebben verschillende sterke punten. Publieke modellen zijn echter niet ontworpen om met vertrouwelijke of gevoelige informatie om te gaan. Deze kunnen het best worden gebruikt voor risicoarme, algemene werkzaamheden. Voor alles wat betrekking heeft op vertrouwelijke cliënt- of bedrijfsgegevens vormen beveiligde juridische AI-platforms de aangewezen oplossing.

Sommige applicaties bieden via API's toegang tot algemene LLM's. Dit betreft onder meer tools van partijen als OpenAI of Anthropic. Ze zijn snel te implementeren, maar roepen vragen op omtrent privacy, gegevensbeveiliging en juridisch risicobeheer.

Andere applicaties zijn gebaseerd op open-source modellen zoals Mistral of LLaMA. Deze kunnen worden gehost in private cloudomgevingen of on-premise, wat meer controle biedt over de beveiliging en dataverwerking. Dit vereist doorgaans wel meer technische ondersteuning.

Een groeiend aantal 'legal tech'-platforms is gebouwd op één of meerdere LLM's. 'LLM-agnostisch' zijn betekent dat een platform niet gebonden is aan één specifiek model, maar het model kan inzetten dat het best presteert voor een specifieke taak. Dit is essentieel, aangezien verschillende modellen verschillende kwaliteiten hebben. Het ene model verwerkt omvangrijke contracten beter, terwijl het andere effectiever redeneert binnen complexe regelgeving. Bovendien voorkomt het afhankelijkheid van één leverancier (vendor lock-in) en blijft het platform wendbaar naarmate er nieuwe modellen verschijnen. LEGALFLY is LLM-agnostisch: het kan taken doorsturen naar het meest geschikte model, terwijl data geanonimiseerd worden om strikte vertrouwelijkheid te waarborgen.

Lees meer: Vertrouwen, betrouwbaarheid en validiteit bij LEGALFLY

Hoe LLM's leren en omgaan met data

LLM's worden getraind op zeer omvangrijke tekstverzamelingen, zoals boeken, artikelen, websites en in bepaalde gevallen gelicentieerde datasets. Tijdens deze training leert het model patronen in taalgebruik, maar het slaat de originele brondocumenten niet op in een opvraagbare vorm. In plaats daarvan legt het statistische verbanden tussen woorden en zinsdelen vast.

Wanneer een jurist gegevens invoert in een LLM, wordt die informatie uitsluitend verwerkt om het antwoord binnen de huidige sessie te genereren. Bij de meeste commerciële modellen worden invoergegevens niet gebruikt om het model opnieuw te trainen. Sommige aanbieders kunnen interacties echter wel gebruiken om toekomstige versies te verbeteren, tenzij gebruikers zich hiervoor expliciet afmelden (opt-out). Het is dan ook van essentieel belang om het gegevensbeleid van de aanbieder grondig te verifiëren.

Een veelgestelde vraag is of informatie die u invoert in een LLM later kan terugkeren in de output van een andere gebruiker. Het antwoord hierop is ontkennend. Het model kopieert en deelt geen individuele prompts of documenten. De gegenereerde tekst vloeit voort uit aangeleerde statistische patronen en niet uit een database met opgeslagen invoergegevens.

Voor juristen is de kernboodschap dat een LLM feiten niet 'kent' zoals een jurisprudentiedatabase dat doet. Het genereert aannemelijk geformuleerde tekst op basis van patronen uit de trainingsdata. De kwaliteit van de output is direct afhankelijk van de wijze waarop het model is getraind en welke aanvullende juridische context daaraan is toegevoegd.

Lees meer: De verborgen AI-risico's binnen uw organisatie

Hoe LLM's de juridische praktijk transformeren

LLM's veranderen de taakverdeling binnen juridische afdelingen en advocatenkantoren. Goed geconfigureerde systemen kunnen inmiddels solide eerste concepten, clausulevergelijkingen en samenvattingen opleveren. Hierdoor verschuift het zwaartepunt van repetitief opstelwerk naar taken met een hogere toegevoegde waarde, waarbij analyse, oordeelsvorming en contextuele duiding vereist zijn.

Voor beginnend juristen en advocaat-stagiairs betekent dit de ontwikkeling van vaardigheden zoals:

• Het verfijnen en redigeren van door AI gegenereerde output tot definitieve documenten die voldoen aan de standaarden van kantoor of cliënt

• Het signaleren van omissies, onjuistheden of te algemeen geformuleerde passages in de output

• Het vertalen van een door AI gegenereerde analyse naar concrete vervolgstappen voor een transactie, geschil of compliance-toetsing

• Het behandelen van uitzonderingen en complexe casuïstiek die buiten de door het LLM geleerde patronen vallen

Voor senior juristen en partners verschuift het profiel naar een strategischer niveau. Zij richten zich op:

• Bepalen waar LLM's de hoogste toegevoegde waarde leveren binnen de workflows en welke dossiers volledige handmatige controle vereisen

• Het vaststellen van kwaliteitsnormen, zodat teams exact weten wanneer een AI-output volstaat en wanneer deze moet worden herzien

• Het trainen van teams in effectieve prompting en in het kritisch evalueren van AI-resultaten

• Het inzetten van AI-output als fundament voor actieplannen, cliëntcommunicatie of onderhandelingen, waarbij juridische inhoud wordt vertaald naar heldere commerciële besluitvorming

Naarmate het gebruik van LLM's gemeengoed wordt, vormt de bekwaamheid om doeltreffend met deze technologie te werken een cruciale juridische vaardigheid. Op deze wijze stellen LLM's juristen op elk niveau in staat om meer tijd te besteden aan interpretatie, onderhandeling en strategisch cliëntcontact, in plaats van aan repetitieve tekstproductie.

Lees meer: 

De LEGALFLY-gids voor AI bij juridische documenten: hoe en waar u het inzet

AI inzetten voor contractbeoordeling en -analyse 

Vragen die u aan leveranciers moet stellen

Aan de hand van enkele gerichte vragen kunt u effectief beoordelen of een AI-oplossing veilig, betrouwbaar en geschikt is voor de juridische praktijk.

• Op welke gegevens is het model getraind?

• Wordt het model gehost binnen het VK of de EU, of op een locatie die voldoet aan onze eisen op het gebied van datasoevereiniteit?

• Hoe wordt vertrouwelijke informatie verwerkt en beveiligd voordat deze het model bereikt?

• Worden prompts en resultaten opgeslagen? Worden deze gebruikt om het model te trainen of te verbeteren?

• Kunnen auditlogs worden ingezien? Zijn uitkomsten traceerbaar en verklaarbaar?

Door deze vragen vooraf te stellen, voorkomt u verrassingen achteraf en waarborgt u dat juridische teams volledige controle houden over hun gegevens, dossiers en de algehele output van de organisatie.

Lees meer: Hoe u juridische AI-platforms in 10 minuten beoordeelt

De juiste juridische AI-tool selecteren

LLM's bieden de onderliggende capaciteit om taal op grote schaal te genereren, te vergelijken en te analyseren. Op zichzelf zijn het echter onbewerkte motoren die sturing en kaders nodig hebben. De daadwerkelijke meerwaarde in de praktijk schuilt in de softwareoplossingen die eromheen zijn gebouwd. Deze vertalen de rekenkracht van LLM's naar gestructureerde workflows die juristen direct kunnen toepassen op contracten, compliance-beoordelingen of due diligence.

Goed ontworpen juridische AI-platforms voegen de elementen toe die in de praktijk het verschil maken: templates, reviewstappen, rolgebaseerde toegangsrechten en naadloze integratie met de applicaties die juristen dagelijks gebruiken. Dit transformeert een generiek LLM tot een gespecialiseerd instrument dat consistente juridische prestaties levert.

Zoekt uw team naar een betrouwbaar juridisch AI-platform? LEGALFLY is specifiek ontworpen rondom reële juridische workflows, waarborgt strikte vertrouwelijkheid door middel van anonimisering en levert meetbare resultaten.

Het combineert de kracht van geavanceerde LLM's met robuuste privacywaarborgen, gestructureerde workflows en directe integratie in programma's zoals Microsoft Word. Of het nu gaat om het beoordelen van contracten, het toetsen van regelgeving of het opstellen van slimmere modellen: LEGALFLY stelt juridische teams in staat sneller te schakelen zonder de regie te verliezen.