Jedes Dokument zählt: Warum wir den gesamten Bestand prüfen und nicht nur Stichproben

Ein philosophischer Beitrag von Claira über Verteidigungsfähigkeit, Audit Trails und die Frage, warum „die Maschine hat es gefunden“ keine Antwort ist.

Die Frage, die uns immer wieder gestellt wird

Wenn wir neuen Nutzern Claira vorstellen, taucht eine Frage häufiger auf als jede andere: „Können wir die KI nicht einfach bitten, die relevanten Dokumente zu finden, und den Rest überspringen?“

Die kurze Antwort lautet: Nein – zumindest nicht im Sinne dieser Frage. Die längere Antwort ist das eigentliche Thema dieses Artikels. Es lohnt sich, sie zu verstehen, denn sie prägt die Art und Weise, wie wir Claira entwickelt haben und wie ein eDiscovery-Review unserer Meinung nach ablaufen sollte.

Wir vertreten hierbei eine klare Position: Sobald ein Dokument in ein Review-Set aufgenommen wurde, sollte jedes einzelne Dokument in diesem Set geprüft werden. Keine Stichproben. Keine Vektorsuche nach den vermeintlich relevanten Dokumenten. Sondern ein echter Review. Jedes Dokument muss anhand Ihrer Review-Kriterien bewertet werden – mit einer protokollierten Entscheidung und einer Begründung, die Sie im Zweifelsfall auch vertreten können.

Dies ist keine technologische Vorliebe. Es ist eine Frage der Logik, und diese Logik ist simpel.

Warum die Zusammenstellung der entscheidende Moment ist

Der Culling-Prozess (die Aussonderung) existiert aus gutem Grund. Beim Culling treffen Sie fundierte, nachvollziehbare Entscheidungen, um Dokumente pauschal vom Review auszuschließen – nach Datumsbereich, Dateninhaber (Custodian), Dateityp, Domain, Keyword-Filtern oder Deduplizierung. Richtig durchgeführt, spiegelt das Culling bewusste, dokumentierte Relevanzentscheidungen wider, die sich gegenüber einem Richter oder der Gegenseite problemlos begründen lassen.

Was nach dem Culling übrig bleibt, ist per Definition eine Dokumentenmenge, die relevant sein könnte. Genau deshalb haben diese Dokumente die Aussonderung überstanden. Bestünde keine Chance, dass sie von Bedeutung sind, hätte das Culling sie bereits aussortieren müssen.

Die Arbeitsannahme für alles, was sich noch im Review-Set befindet, ist daher einfach: Jedes dieser Dokumente könnte relevant sein. Wir wissen erst, welche es sind, wenn wir sie prüfen.

An diesem Punkt stellt sich die philosophische Frage ganz konkret: Was tun Sie mit einer Dokumentenmenge, von der Sie bereits entschieden haben, dass sie relevant sein könnte?

Zwei mögliche Wege

Grob gesagt gibt es zwei Ansätze.

Der erste Ansatz lässt sich als probabilistisches Retrieval beschreiben – der Einsatz von KI, um Dokumente zu durchsuchen, zu bewerten oder zu clustern und diejenigen hervorzuheben, die sie für am wahrscheinlichsten relevant hält. Retrieval-Augmented Generation (RAG), Vektorsuche, Predictive Coding und die meisten „Frag-deine-Dokumente“-KI-Tools gehören zu dieser Kategorie. Das sind nützliche Werkzeuge, die im eDiscovery-Bereich ihre Berechtigung haben – insbesondere bei der ersten Fallbewertung (Early Case Assessment), der Triage und bei Untersuchungen. Wir selbst nutzen ähnliche Techniken, wenn sie für den jeweiligen Zweck geeignet sind.

Als primäre Methode zur Entscheidung darüber, was vorgelegt wird und was nicht, birgt das probabilistische Retrieval jedoch ein schwerwiegendes Problem: Für die Dokumente, die nicht ausgegeben wurden, gibt es keine schriftliche Begründung für ihren Ausschluss. Sie wurden lediglich niedriger eingestuft. Wenn Sie später erklären müssen, warum ein bestimmtes Dokument nicht vorgelegt wurde, lautet die ehrliche Antwort: „Das Modell hat es nicht ausgegeben“ – eine Antwort, die meist genau die Nachfragen nach sich zieht, die man lieber vermeiden möchte.

Der zweite Ansatz ist derjenige, auf dem Claira basiert. Nach dem Culling wird jedes Dokument im Review-Set anhand Ihrer Prüfkriterien bewertet. Für jedes Dokument wird eine Entscheidung getroffen. Für jedes wird eine Begründung verfasst. Für jedes existiert ein Audit Trail.

Das ist alles. Es ist nicht spektakulär. Es ist kein revolutionärer Durchbruch. Es ist dieselbe Logik, die schon immer einem rechtssicheren Review zugrunde lag: Wenn Sie die Dokumente zusammengestellt haben und sie nicht durch das Culling aussortiert wurden, muss eine Person – oder eine von einer Person überwachte Technologie – einen Blick darauf werfen und eine Entscheidung treffen.

Das Problem der Blackbox

Dieses Thema ist weit mehr als nur ein abstraktes Prinzip. Wenn KI dazu verwendet wird, zu entscheiden, was geprüft wird, anstatt bei der Prüfung zu helfen, verliert das Review-Team etwas Entscheidendes: die Fähigkeit, die getroffenen Entscheidungen im Nachhinein zu verteidigen.

Betrachten Sie die beiden Fragen, die ein Anwalt zu jedem Dokument in einem Verfahren beantworten können muss:

• Warum wurde dieses Dokument vorgelegt?

• Warum wurde dieses Dokument zurückgehalten?

Bei einem traditionellen Review durch Menschen liegt die Antwort in der Codierung und den Notizen des Prüfers. Bei einem gut strukturierten, KI-gestützten Review liegt die Antwort in der schriftlichen Analyse der KI zusammen mit der Verifizierung durch den Menschen. In beiden Fällen können Sie auf etwas Konkretes verweisen.

In einem rein probabilistischen Retrieval-Workflow lautet die Antwort für ausgeschlossene Dokumente in der einen oder anderen Variante: „Das System hat das Dokument unterhalb unseres Schwellenwerts eingestuft.“ Das mag inhaltlich stimmen und in bestimmten Kontexten sogar plausibel sein – es ist jedoch keine Begründung, sondern lediglich die Beschreibung eines Prozesses. Wenn die Gegenseite fragt, warum ein bestimmtes Dokument nicht vorgelegt wurde, möchten Sie mehr sagen können als nur: „Der Vektor-Ähnlichkeitswert war zu niedrig.“

Genau das meinen wir, wenn wir davon sprechen, eine Blackbox zu vermeiden. Nicht, dass KI nicht beteiligt sein sollte – KI ist enorm nützlich, und sie im Jahr 2026 bei einem großen Mandat nicht einzusetzen, grenzt an professionelle Fahrlässigkeit. Wir meinen vielmehr, dass die Rolle der KI darin bestehen sollte, ihre Argumentation für jedes Dokument zu dokumentieren, und nicht darin, im Stillen zu entscheiden, für welche Dokumente überhaupt erst eine Argumentation erstellt wird.

Wie das in der Praxis aussieht

In einem Claira-Workflow ist der Prozess denkbar einfach.

Das Projektteam führt das Culling in Nuix Discover mit den Standardwerkzeugen durch – Datumsfilter, Custodian-Filter, Suchbegriffsfamilien, Deduplizierung, Unterdrückung von Fast-Duplikaten, Domain-Ausschlüsse. Alles, was ein erfahrener eDiscovery-Experte tun würde, um eine zusammengestellte Dokumentenmenge auf eine vertretbare Review-Population einzugrenzen. Die beim Culling getroffenen Entscheidungen sind selbst dokumentiert und nachvollziehbar, da es sich um Pauschalentscheidungen auf der Grundlage objektiver Kriterien handelt und nicht um Einzelfallbewertungen.

Sobald das Review-Set definiert ist, entwirft das Team einen Review-Plan – eine schriftliche Formulierung dessen, wonach gesucht wird, wie es zu erkennen ist, was als privilegiert gilt und in welchen Formaten die Entscheidungen vorliegen müssen. Dies wird zum Prompt, der den KI-Review steuert. Wir haben an anderer Stelle darüber geschrieben, wie man hierbei am besten vorgeht – siehe unsere Prompting-Übersicht für die Prinzipien und unsere Dokumentation zum Fallkontext, um zu erfahren, wie Sie Claira mit dem verfahrensspezifischen Hintergrund ausstatten, der die Analyse präziser macht.

Claira analysiert anschließend jedes Dokument im Review-Set im Rahmen eines Bulk-Scans. Nicht nur eine Stichprobe der am höchsten eingestuften Dokumente. Nicht nur die Cluster, die einem Beispieldokument am ähnlichsten sind. Jedes einzelne Dokument. Für jedes Dokument erstellt Claira eine schriftliche Analyse: die Relevanzentscheidung, eine kurze Begründung, die herangezogenen Textstellen oder Metadaten sowie alle Hinweise (Flags), die ein Mensch überprüfen sollte.

Diese Ergebnisse fließen direkt in die Nuix-Felder ein. Sie sind sortier-, filter- und durchsuchbar. Die Prüfer können sie effizient abarbeiten und ihre Aufmerksamkeit auf Grenzfälle, komplexe Entscheidungen und den Privilege-Review richten, anstatt jedes Dokument unvorbereitet lesen zu müssen. Der Audit Trail für jedes Dokument existiert jedoch ab dem Moment, in dem Claira seinen Durchlauf beendet hat. Unser Leitfaden zum Verständnis der Ergebnisse beschreibt, wie Prüfer diese Ergebnisse in der Praxis bearbeiten.

Sollte das Verfahren jemals angefochten werden – wenn die Gegenseite wissen möchte, warum ein bestimmtes Dokument nicht vorgelegt wurde, oder wenn Sie die Angemessenheit Ihres Prozesses im Rahmen der Verhältnismäßigkeit nachweisen müssen –, lautet die Antwort nicht: „Die KI hat es nicht ausgegeben.“ Die Antwort ist die schriftliche Begründung, die für dieses spezifische Dokument zum Zeitpunkt der Prüfung als Teil der Akte erstellt wurde.

Werkzeuge zur Beschleunigung, nicht zur Entscheidung

Nichts davon bedeutet, dass der Prozess langsam sein muss. Es gibt Tools, die jeden Teil dieses Workflows optimieren. KI-Zusammenfassungen beschleunigen die erste Triage. Thematisches Clustering hilft Prüfern, Muster im gesamten Datensatz zu erkennen. Die Gruppierung von Fast-Duplikaten reduziert redundante Arbeit. Konfidenzwerte helfen den Prüfern zu priorisieren, welche KI-Entscheidungen zuerst stichprobenartig überprüft werden sollten. Dies sind alles legitime Beschleuniger, und wir nutzen sie alle.

Was wir jedoch nicht tun, ist, diese Beschleuniger darüber entscheiden zu lassen, ob ein Dokument überhaupt bewertet wird. Sobald es sich im Review-Set befindet, wird es bewertet. Die Tools verändern lediglich, wie schnell die Bewertung erfolgt, nicht, ob sie erfolgt.

Dies ist ein subtiler, aber wichtiger Unterschied. Die Sedona Canada Principles – insbesondere Prinzip 7 – befürworten ausdrücklich den Einsatz von Technologie, um Offenlegungspflichten verhältnismäßig zu erfüllen. Kanadische Gerichte haben wiederholt bestätigt, dass der Einsatz von KI-Tools mit der Pflicht eines Anwalts zur angemessenen Sorgfalt vereinbar ist. Was die Rechtsprechung jedoch nicht gutgeheißen hat, ist der Einsatz von KI, um Dokumente stillschweigend und ohne dokumentenspezifische Begründung von der Prüfung auszuschließen. Beim Verhältnismäßigkeitsprinzip geht es um den Aufwand, nicht darum, Abkürzungen bei der Rechtssicherheit zu nehmen.

Sie können das Verhältnismäßigkeitsprinzip einhalten und dennoch jedes Dokument in Ihrem Review-Set prüfen. Tatsächlich war dies mit KI-Unterstützung noch nie so einfach zu erreichen. Das ist der entscheidende Punkt.

Unsere Philosophie auf den Punkt gebracht

Wenn wir unsere Philosophie auf einer einzigen Seite zusammenfassen müssten, würde sie in etwa so lauten:

Die Zusammenstellung ist der am weitesten gefasste Filter. Beim Culling erfolgen die rechtssicheren pauschalen Ausschlüsse. Alles, was das Culling übersteht, ist definitionsgemäß potenziell relevant. Jedes potenziell relevante Dokument wird geprüft. Jede Review-Entscheidung wird schriftlich begründet. Tools können diesen Prozess beschleunigen, aber sie können ihn nicht optional machen.

Das Ergebnis ist ein Prozess, der:

• Einem Richter, Mandanten oder der Gegenseite einfach zu erklären ist

• Konsistent über verschiedene Verfahren, Prüfer und Rechtsordnungen hinweg bleibt

• Auf Dokumentenebene verteidigt werden kann, nicht nur auf Systemebene

• Mit KI als Beschleuniger und nicht als Ersatz für menschliches Urteilsvermögen kompatibel ist

Wir sind überzeugt, dass dies der richtige Weg für den eDiscovery-Review im Zeitalter der KI ist. Wir haben über die umfassendere Philosophie des KI-gestützten Reviews in unserem Beitrag zur praktischen Philosophie geschrieben, der die Entwicklung von Bates-Stempelung über TAR bis hin zu moderner KI beleuchtet und zeigt, wohin sich die Branche unserer Meinung nach entwickelt.

Die Tools werden immer besser werden. Die Datenmengen werden weiter wachsen. Die Versuchung, die KI entscheiden zu lassen, was wichtig ist, wird größer werden. Unsere Ansicht ist, dass sich an den Grundlagen nichts ändert: Wenn Sie Dokumente zusammengestellt und nicht aussortiert haben, müssen Sie sie prüfen. Nur so bleiben Sie verteidigungsfähig – und Verteidigungsfähigkeit ist das Produkt, das wir letztendlich alle verkaufen.