Nach rund fünf Jahren Pause ist Recht Disruptiv zurück – und die erste Folge der zweiten Staffel (S2F1) beginnt nicht mit einem Gast, sondern mit einer unbequemen Frage: Wo sind die Verbraucher-Legal-Techs hin, die den Markt vor fünf Jahren aufgemischt haben – jetzt, wo Sprachmodelle vieles möglich machen, was damals unbezahlbar war? Tim Platner und sein Mitgründer Sebastian Adams, Chief Technology Officer von Legal Data Technology, sprechen über den Unterschied zwischen Automatisierung und KI, über Hype und Marketing, über Open Source als Infrastruktur und über einen roten „Bullshit-Button“, der künftig auch gegen sie selbst gedrückt werden darf.

Dieser Beitrag fasst die Folge zusammen, ordnet die Aussagen ein und ergänzt, was im Gespräch offenbleiben musste: geprüfte Hintergründe zu Rechtsrahmen, Datenschutz und Modellabhängigkeit sowie eine Prüfliste für die Bewertung von Legal-AI-Angeboten. Das Video steht oben; am Ende finden Sie die Kapitel mit direkten Sprungmarken.

Recht Disruptiv ist zurück: Format, Besetzung, Anspruch

Der Podcast lief ursprünglich in den Jahren der ersten Legal-Tech-Welle: Tim Platner und Florian Skupin interviewten Gründerinnen und Gründer von Verbraucher-Legal-Techs, also von Unternehmen, die Rechtsdienstleistungen zu einem Produkt machten und damit den Zugang zum Recht verbessern wollten. Dass diese Folgen heute noch von mehreren hundert Menschen gehört oder gesehen werden, überrascht Tim bis heute. Das war der Anlass, das Format wiederzubeleben.

Florian Skupin, der inzwischen an der Bucerius Law School arbeitet, bleibt dem Podcast verbunden und soll in einer der nächsten Folgen als Gast zurückkehren. Als Co-Host sitzt nun Sebastian Adams neben Tim – mit einer Begründung, die zum Thema passt: In einer Zeit, in der überall über KI gesprochen wird, fehle oft die technische Einordnung, und genau dafür bringt der Informatiker die Erfahrung mit. Neu ist außerdem das Videoformat; ob es dauerhaft bleibt, lassen die beiden offen.

Legal Data Technology hat die vergangenen Jahre vor allem damit verbracht, Software zu entwickeln – „ziemlich viel im Hintergrund“, wie Sebastian sagt. Die Plattform DEPLAW ist erst kürzlich offiziell an den Start gegangen. Davor lagen Enterprise-Projekte mit Versicherungen und sehr großen Kanzleien, die im Massengeschäft arbeiten: Aufgaben, die sich nicht „von der Stange“ lösen lassen, sondern eine Software erfordern, die von Grund auf für Juristinnen und Juristen, Sachbearbeitung und Rechtsabteilungen gebaut wurde. Der Relaunch des Podcasts soll auch einen Einblick geben, welche Ansätze dahinterstehen.

Automatisierung ist nicht gleich KI

Die erste inhaltliche Weichenstellung der Folge betrifft die Begriffe. Sebastian beschreibt, dass KI in der eigenen Blase seit etwa drei Jahren „eingeschlagen“ sei, dass das aber nicht heiße, sie sei bei jedem Kunden angekommen. Er fasst das Thema deshalb lieber unter Automatisierung zusammen – denn darum sei es bei den Projekten schon immer gegangen. Gesucht wurden Fälle, die sich möglichst gut automatisieren lassen und dabei eher „spitz“ als generalistisch sind. Der Grund ist wirtschaftlich: Eine Automatisierung aufzusetzen ist teuer, sie muss sich lohnen und finanzierbar sein. Durch KI sei das möglicherweise etwas günstiger geworden.

Je größer der Kunde, desto konkreter die Rückfrage: Welche Use Cases gibt es schon? Was ist mit Automatisierung, aber auch mit KI als Ergänzung, heute tatsächlich möglich? Die Begeisterung dafür sei, so Sebastian, deutlich gewachsen.

Wie sich die drei Ansätze voneinander abgrenzen, lässt sich knapp tabellarisch fassen (unsere Einordnung, nicht Wortlaut der Folge):

Regelbasierte Automatisierung Sprachmodell als Schritt im festen Prozess KI-Agent
Ablauf vorab modelliert, deterministisch vorab modelliert; ein einzelner Schritt nutzt ein Sprachmodell das Modell entscheidet selbst über Schritte und Werkzeuge
Stärke reproduzierbar, prüfbar, im Betrieb günstig verarbeitet unstrukturierte Dokumente, ohne dass dafür Regeln programmiert werden müssen flexibel bei offenen, nicht vorhersehbaren Aufgaben
Risiko hoher Aufbauaufwand, starr bei Abweichungen falsch erkannte Werte – deshalb ein Prüfschritt schwer nachvollziehbar, Ergebnis kann variieren
Typische Rolle Fristenkontrolle, Versand, Wiedervorlagen, Rechnungen Datenpunkte und Fristen aus Schriftsätzen lesen, Dokumente klassifizieren Recherche- und Entwurfsassistenz mit Menschen in der Schleife

„Der Agent ist für mich eine Blackbox“: Warum funktionierende Prozesse bleiben

Aus dieser Unterscheidung folgt Sebastians vielleicht deutlichste Aussage der Folge. Dass KI bleiben werde, stehe für ihn außer Frage – auch wenn nicht jeder Anwendungsfall heute funktioniere, sei sie in fünf bis zehn Jahren definitiv ein Thema, an dem niemand vorbeikomme. Aber: Das heiße noch lange nicht, dass eine klassische, regelbasierte Automatisierung dadurch schlecht werde. Die großen Legal Techs hätten sehr viel in ihre Software und ihre Hintergrundprozesse investiert. Wenn diese gut laufen, werfe man sie nicht weg. „Der Agent ist für mich eine Blackbox“, sagt Sebastian: Man schreibe eine Anweisungsdatei, und dann erledige das System alles selbst. Die sinnvolle Abwägung laufe deshalb nicht auf Ersetzen hinaus, sondern auf Erweitern: bestehende Prozesse um KI-Schritte ergänzen und so einen höheren Automatisierungsgrad erreichen.

Warum das in Rechtsprozessen mehr ist als eine Geschmacksfrage: In Massenverfahren, bei Versicherern und in Kanzleien zählt, dass eine Entscheidung nachvollziehbar ist – welcher Wert wurde woraus gelesen, wer hat ihn bestätigt, was wurde daraufhin ausgelöst? Ein deterministisch modellierter Ablauf mit klar umrissenen KI-Schritten liefert genau diese Spur. Bei DEPLAW ist KI deshalb ein orchestrierter, austauschbarer Workflow-Schritt und kein autonomer Agent. Zwei Praxisregeln aus der Dokumentation sind besonders einfach zu übernehmen: automatisch erkannte Werte – etwa eine KI-gestützte Fristextraktion – vor der Übernahme in die Akte über eine Bestätigungsaufgabe laufen lassen, und Prompt-Änderungen gegen feste Testfälle mit Soll-Werten prüfen, damit eine Verbesserung an einer Stelle nicht still etwas an anderer Stelle beschädigt.

Die Beobachtung: Die Welle von 2019/2020 schweigt

Tim formuliert den Ausgangspunkt als eigene Wahrnehmung, die Sebastian gern challengen darf: Die Legal Techs, die vor fünf Jahren – er verortet es um 2019/2020 – Hype und Rechtsprechung verändert haben, treten beim Thema KI kaum in Erscheinung. Sie wirkten still, abwartend, fast überfordert von der Technik. Und die neue Generation, die mit KI einen anderen Start hätte, habe sich noch nicht formiert.

Was Sprachmodelle verändert haben

Dabei hätte sich einiges verschoben, argumentiert die Folge. Sprachmodelle beschleunigen den Produktbau selbst, etwa durch Werkzeuge wie Claude Code. Wichtiger noch: Sie verändern, was sich als Produkt überhaupt rechnet. Einen einzelnen Datenpunkt aus einer großen Klage zu extrahieren, hätte früher ein Entwicklungsteam gekostet; heute löst ein Sprachmodell das schnell und einfach. Der Aufwand verschiebt sich von der Entwicklung zur Orchestrierung und Qualitätssicherung. Das müsste Rechtsdienstleistungen ermöglichen, die vorher nicht finanzierbar oder technisch zu schwierig waren – und damit neue Geschäftsmodelle, nicht nur effizientere alte.

Vier mögliche Erklärungen für die Stille

Warum sieht man davon so wenig? Im Gespräch fallen vier Erklärungsansätze, die sich nicht ausschließen:

  1. Es wird genutzt, aber nicht darüber gesprochen. Das wäre eine Strategie, die dem lauten Auftritt der neuen KI-Anbieter diametral gegenübersteht, sagt Sebastian.
  2. Bequemlichkeit.
  3. Mangel an Ideen.
  4. Hype-Überforderung. Laut heiße auch, dass man schnell den Überblick verlieren könne.

Das alte Modell trägt nicht mehr

Tim beschreibt das Muster, das ihm in der Branche immer wieder begegnet: eine Ersteinschätzung, bei der Nutzer ihre Daten eingeben, diese an ein Sprachmodell weitergeleitet werden und das Ergebnis der Akquise dient. Dieses Modell sei langweilig und alt und habe nichts mit Zugang zum Recht zu tun. Zugleich ändert sich der Verfahrensalltag: Tim berichtet, dass auf der Gegenseite Schriftsätze schlicht in ChatGPT geworfen und Textbausteine daraus erzeugt werden – ein improvisiertes Legal Tech, zumindest für den eigenen Bedarf.

Zwei Welten: Tools für Menschen und Produkte für Verbraucher

Sebastian schärft die Frage mit einer Unterscheidung. Auf der einen Seite stehen Legal-Tech-Tools für Kanzleien und Rechtsabteilungen: Das seien durchweg Tools für Menschen, die den Alltag erleichtern und Arbeit abnehmen – aber der Mensch bleibt integraler Bestandteil und muss Daten und Dokumente oft noch von A nach B schieben. Auf der anderen Seite stehen Produkte für Verbraucher, die einen Schmerz lösen, den vorher niemand lösen konnte, weil es nicht finanzierbar oder technisch nicht möglich war. Hier fällt beiden bisher nichts Durchschlagendes ein.

Verbunden ist das mit einem offenen Aufruf: Wer das anders sieht und ein Produkt kennt oder betreibt, das seit zwei Jahren erfolgreich auf diesem Prinzip läuft, soll sich melden und es zeigen – es wird dann geprüft, im Zweifel mit dem roten Bullshit-Button.

Einordnung: Der Rechtsrahmen für Verbraucher-Angebote wurde 2021 geöffnet

Zur Frage, ob regulatorische Hürden die Zurückhaltung erklären, lohnt ein Blick auf den Rechtsrahmen. Seit dem 1. Oktober 2021 gilt das Gesetz zur Förderung verbrauchergerechter Angebote im Rechtsdienstleistungsmarkt. Es erlaubt der Anwaltschaft unter bestimmten Voraussetzungen Erfolgshonorare und die Übernahme von Verfahrenskosten, stellt sie im außergerichtlichen Inkasso den Inkassodienstleistern stärker gleich und soll die Transparenz von Legal-Tech-Geschäftsmodellen erhöhen. Die Bundesregierung hat eine Evaluierung nach drei Jahren vorgesehen; im Mittelpunkt stehen u. a. die Nutzung von Erfolgshonoraren durch die Anwaltschaft, die Unabhängigkeit der Anwältinnen und Anwälte sowie die Angemessenheit der Grenze von 2.000 Euro bei Geldforderungen (BDIU).

Für die Frage der Folge heißt das: Das Fenster für neue Verbraucher-Modelle ist rechtlich seit 2021 weiter geöffnet als zuvor. Die Zurückhaltung lässt sich also nicht ohne Weiteres mit der Rechtslage für Inkasso und Erfolgshonorare erklären – ein Befund, den man vor einer Verallgemeinerung prüfen sollte, denn für KI-spezifische Verbraucherprodukte gelten zusätzlich weitere Maßstäbe.

Hype, Marketing und die Frage nach der Schöpfungshöhe

„Zu gefährlich“ – ein bekanntes Muster

Sebastian betont, dass der Hype nicht unbegründet sei: Die Technologie werde bleiben. Zugleich sei die Hektik Teil einer Marketingstrategie – sowohl bei den ganz großen Modellanbietern, die ihre Modelle immer wieder als zu gefährlich für die Menschheit darstellen, als auch bei den Legal-Tech-Produkten. Als historisches Beispiel nennt er GPT-2: OpenAI hielt im Februar 2019 die volle Modellversion zunächst zurück und veröffentlichte sie stufenweise, bis im November 2019 das vollständige Modell folgte. Sebastians Kommentar zur damaligen Warnung: „Es war nicht so.“

Aktuell verweist er auf die Sperrung der Modelle Fable bzw. Mythos „sogar durch die US-Regierung“ – in seinen Augen ein riesiger Marketing-Coup. Der Sachstand dazu: Laut ZDFheute wurde Mitte Juni 2026 der Zugang zu Fable 5 und Mythos 5 auf Anweisung der US-Regierung aus Gründen der nationalen Sicherheit gesperrt. Ursprünglich sollte nur Ausländern der Zugang verwehrt werden; weil sich nach Nationalität technisch nicht unterscheiden lässt, sperrte Anthropic die Modelle für alle Nutzer. Anthropic kritisierte zudem, dass die Grundlage der Blockade nicht transparent genug sei. Ob dieser Vorgang dem Anbieter Aufmerksamkeit eingebracht hat, ist die Bewertung der Hosts – dass die Sperre von staatlicher Seite kam, ist belegt.

Unabhängig von der Bewertung zeigt der Fall etwas Praktisches, das wir weiter unten aufgreifen: Der Zugang zu einem einzelnen Modell ist ein Betriebsrisiko.

Unternehmenswerte und Marketing

Hinzu kommt der wirtschaftliche Druck. Die Unternehmensbewertungen der großen Anbieter seien exorbitant, die Hektik müsse deshalb als Marketingargument genutzt werden, um das Produkt überhaupt zu verkaufen. Bei den großen Legal-Tech-Tools aus den USA und Schweden sei Marketing ebenfalls ein zentraler Hebel – bis in die Begründung des Unternehmenswerts. Die Frage, die Tim daraus ableitet: Wie viel „ChatGPT-Wrapper“ steckt in einem Produkt, und wie viel Schöpfungshöhe, also eigene technische und fachliche Leistung?

Der Wrapper-Vorwurf greift zu kurz

Sebastian differenziert: Wenn ein Produkt Sprachmodelle nutzt, stehe dahinter meist ein eigenständig betriebenes Modell, das über eine Schnittstelle angesprochen wird. Das sei an sich nicht der Vorwurf – ob Anthropic oder OpenAI dahintersteckt, sei zweitrangig. Spannend werde es bei der Frage, wie unabhängig das Produkt vom Modell sei und was die Anwendung selbst leistet, nämlich das Ganze zu managen und zu orchestrieren. Wer das Modell hinter dem Produkt selbst steuern und austauschen kann, habe mehr Flexibilität.

Wie man das im Einkauf abklopft, lässt sich in sieben Fragen fassen (unsere Prüfliste, ergänzend zur Folge):

  1. Welches Modell steckt dahinter, und lässt es sich austauschen? Ein Anbieterwechsel sollte kein Neuentwicklungsprojekt sein.
  2. Wo werden die Daten verarbeitet? Region, Auftragsverarbeitung, Drittlandbezug – und ob ein Vertrag nach § 43e BRAO besteht.
  3. Was passiert mit Eingaben? Speicherung, Löschfristen, Verwendung zum Training.
  4. Wie wird Qualität gemessen? Gibt es Testfälle mit Soll-Werten und eine Regressionsprüfung bei Prompt- oder Modelländerungen?
  5. Wo bleibt der Mensch? Freigabe- und Bestätigungsschritte, Nachvollziehbarkeit je Ergebnis.
  6. Was leistet das Produkt über den Modellaufruf hinaus? Integration in Akte, Fristen und Workflows, eigenes Datenmodell, Schnittstellen wie beA.
  7. Was passiert bei Ausfall, Sperre oder Preiserhöhung des Modellanbieters? Fallback, lokale Alternative, Kosten je Vorgang.

Eine ausführliche Marktschau, was die einzelnen Legal-AI-Anbieter technisch tatsächlich sind, folgt in der nächsten Folge – bis dahin hilft der Beitrag Legal AI im Vergleich: Harvey, Legora, Libra & Open Source.

Warum Sebastian den Open-Source-Weg spannend findet

Beim Thema Modelle zieht Sebastian die Diskussion bewusst auf die Open-Source-Ebene: Es gebe Modelle, die technisch unabhängiger seien. Man könne Datenschutz besser realisieren, ein Modell vielleicht sogar im eigenen Haus betreiben oder – mit größerem Aufwand – bei europäischen Partner-Hostern, die den Datenschutz gewährleisten. Die Anwendung steuere und orchestriere dann das Ganze. Strategisch lautet die Frage damit: Setze ich auf einen klassischen Anbieter, bei dem ich monatlich zahle, oder gehe ich in die Open-Source-Richtung?

Mike OSS: ein kleines Projekt mit großer Wirkung

Als Beispiel nennen die beiden das Projekt Mike OSS, das zum Zeitpunkt der Aufnahme ein verhältnismäßig kleines Open-Source-Projekt ist, aber viel Aufmerksamkeit bekommt und sich mit sehr großen, etablierten Playern anlegt – bei vergleichsweise wenig Marketingbudget. Tim ergänzt, dass auch der Gründer sehr erfolgreich mit dem Marketing-Moment arbeite, den man den anderen Anbietern vorhalte – Open Source als Thema bleibe aber auf jeden Fall relevant. Was Mike OSS technisch ausmacht und warum es den Blick auf den Layer zwischen Nutzer und Sprachmodell verschiebt, steht im Beitrag Legal AI im Vergleich.

Grundsätzlich sei Open Source aus technischer Sicht ohnehin unverzichtbar: Vieles wäre ohne frei verfügbare Komponenten gar nicht möglich, weil man nicht alles von Grund auf selbst entwickeln kann. Legal Data Technology trägt deshalb zu etablierten Projekten bei und behebt Fehler, die dabei auffallen; eigene Open-Source-Projekte hat das Unternehmen bisher nicht – „kann ja auch noch kommen“. Auf Legal-Tech-Ebene sei der Gedanke ebenso wichtig: Als Gemeinschaft entsteht mehr. Direkt zahle ein Beitrag für ein klassisches Rechtsunternehmen vielleicht nicht ein, indirekt aber schon – auch, weil sich Kanzleien und Rechtsabteilungen zunehmend in Richtung Software entwickeln müssen.

Chinesische Modelle als echte Alternative?

Zu den stärksten Open-Source-Modellen zählen laut Sebastian derzeit chinesische Entwicklungen wie DeepSeek: noch nicht ganz auf dem Niveau der Top-Modelle, aber sehr nah dran und in der Nutzung kostenfrei – „nicht lizenzfrei, aber kostenfrei“. Im direkten Vergleich seien sie die einzigen Anbieter, die OpenAI und Anthropic konkret etwas entgegensetzen. Offen bleibt in der Folge die Datenschutzfrage; sie ist Thema der nächsten Folge und soll mit Best-Practice-Eindrücken von Kunden unterlegt werden, die zunehmend lokale Sprachmodelle aufbauen und dabei auch in Massenverfahren erfolgreich nutzen.

Einordnung: Modellgewichte und gehostete App sind zweierlei

Die Datenschutzdebatte um chinesische Modelle wird häufig vermischt. Zwei Ebenen sind zu trennen:

  • Die gehostete App oder Schnittstelle des Herstellers. Die Berliner Datenschutzbeauftragte meldete die DeepSeek-App am 27. Juni 2025 bei Apple und Google als rechtswidrig, weil Nutzerdaten – von Texteingaben über hochgeladene Dateien bis zu Geräteinformationen – nach China übermittelt werden, ohne dass dafür ein Angemessenheitsbeschluss oder geeignete Garantien nachgewiesen wären (netzpolitik.org).
  • Die veröffentlichten Modellgewichte. DeepSeek-R1 wurde samt Gewichten unter der MIT-Lizenz veröffentlicht; wer sie selbst betreibt, schickt keine Eingaben an den Hersteller. Das entschärft die Übermittlungsfrage, ersetzt aber nicht die übrige Prüfung: Qualität auf den eigenen Aufgaben, Sicherheit der Laufzeitumgebung und die Lizenzbedingungen des konkret gewählten Modells müssen separat bewertet werden. „Offene Gewichte“ heißt zudem nicht, dass Trainingsdaten und Trainingsverfahren offenliegen.

Einordnung: Berufsrecht – § 43e BRAO

Wer Sprachmodelle über eine externe Schnittstelle nutzt, nimmt eine Dienstleistung in Anspruch. Für Anwältinnen und Anwälte regelt das § 43e BRAO: Der Vertrag mit dem Dienstleister muss in Textform geschlossen werden, der Dienstleister zur Verschwiegenheit verpflichtet sein und Kenntnis von Geheimnissen nur erhalten, soweit es zur Vertragserfüllung nötig ist; der Dienstleister ist sorgfältig auszuwählen. Bei Dienstleistern im Ausland ist die Inanspruchnahme nur zulässig, wenn das Schutzniveau für Geheimnisse mit dem im Inland vergleichbar ist. Eine ausführliche Aufbereitung finden Sie auf der Seite § 43e BRAO: Verschwiegenheit bei KI- & IT-Dienstleistern. Wer hochsensible Daten verarbeitet, kann das Problem an der Wurzel lösen – mit lokal betriebenen Modellen, die den kontrollierten Bereich nie verlassen (siehe Pseudonymisierung & Datenschutz).

Einordnung: Modellabhängigkeit ist ein Betriebsrisiko

Der Sperrfall vom Juni 2026 liefert das stärkste praktische Argument für Sebastians Plädoyer: Wer seine Prozesse an genau ein Modell bindet, kann von heute auf morgen ohne Funktion dastehen – ohne eigenes Verschulden. Eine Architektur, in der das Sprachmodell über einen Konnektor angebunden ist und ausgetauscht werden kann, fängt das ab. DEPLAW bindet Modelle deshalb über KI-Konnektoren an, die neben OpenAI-kompatiblen Cloud-Schnittstellen auch lokale und selbst gehostete Modelle abdecken. Die Prüffrage für jede Lösung lautet: Wie lange dauert der Wechsel auf ein anderes Modell, und wer trägt die Kosten?

Was Kanzleien, Versicherer und Rechtsabteilungen mitnehmen können

  • Use Cases nach Automatisierbarkeit sortieren, nicht nach KI-Faszination. Spitze, wiederkehrende Fälle mit klarem Ergebnis zuerst; sie tragen die Aufbaukosten.
  • KI als Schritt im Prozess einsetzen, nicht als Ersatz für den Prozess. Extraktion und Klassifikation mit anschließender Bestätigung sind kontrollierbar, ein autonomer Agent ist es nur begrenzt.
  • Modellunabhängigkeit früh festschreiben. Prüfen Sie, ob ein zweites Modell dasselbe Ergebnis reproduzieren kann.
  • Datenschutz und Berufsrecht vor der Tool-Wahl klären. § 43e-Vertrag, Hosting-Ort und Verwendung der Eingaben gehören vor, nicht nach den Pilotbetrieb.
  • Qualität messen statt vermuten. Testfälle mit bekannten Soll-Werten machen Prompt- und Modellwechsel beherrschbar.
  • Marketing-Aussagen mit der Sieben-Fragen-Liste abklopfen – und bei Verbraucherprodukten fragen, welchen Schmerz das Produkt löst, den es vorher nicht lösen konnte.

Häufige Fragen

Was ist der Unterschied zwischen Automatisierung und KI im Rechtsbereich?

Automatisierung bildet einen festgelegten Ablauf technisch ab: wenn A, dann B. KI – heute meist ein Sprachmodell – verarbeitet unstrukturierte Inhalte wie Schriftsätze oder Bescheide. In der Praxis kombiniert man beides: Der Prozess bleibt regelbasiert, einzelne Schritte nutzen ein Modell, etwa um Fristen oder Datenpunkte aus Dokumenten zu lesen.

Fast jedes Produkt nutzt ein Sprachmodell über eine Schnittstelle; das allein ist kein Vorwurf. Maßgeblich ist, was darüber hinaus geleistet wird: Orchestrierung, Integration in Akte und Workflows, Qualitätssicherung und die Möglichkeit, das Modell auszutauschen.

Dürfen Kanzleien Mandantendaten an KI-Dienste senden?

Nicht pauschal, sondern nur unter den Voraussetzungen des Berufs- und Datenschutzrechts. Für Anwältinnen und Anwälte sind insbesondere die Anforderungen des § 43e BRAO (Textform, Verschwiegenheitsverpflichtung, sorgfältige Auswahl, bei Auslandsbezug vergleichbares Schutzniveau) sowie die DSGVO zu beachten. Dieser Beitrag ist keine Rechtsberatung; im Zweifel empfiehlt sich die Abstimmung mit der Datenschutzbeauftragten oder dem Datenschutzbeauftragten.

Sind chinesische Open-Weight-Modelle datenschutzrechtlich ein Problem?

Es kommt darauf an, wie sie genutzt werden. Die gehostete App eines chinesischen Anbieters wurde von der Berliner Datenschutzbehörde wegen der Übermittlung nach China beanstandet. Die Modellgewichte selbst lassen sich dagegen lokal betreiben, ohne dass Eingaben abfließen. Das ersetzt nicht die Prüfung von Lizenz, Qualität und Sicherheit.

Wann erscheint die nächste Folge?

Laut Ankündigung in der Folge in der Woche nach der Veröffentlichung. Thema ist „Legal AI – ein Marktüberblick“: Was es wirklich gibt, wo sich die Angebote technisch unterscheiden, ob Open Source als Infrastruktur an Bedeutung gewinnt und was chinesische Modelle für den Datenschutz bedeuten.

Kapitel im Video

Das Video dauert gut 21 Minuten. Die wichtigsten Stationen mit Sprungmarke zu YouTube:

Zeit Thema
00:09 Willkommen zurück – Relaunch nach fünf Jahren
02:13 Sebastian stellt sich vor – Mitgründer und Tech-Experte
04:15 Wie KI die Kundenerwartungen verändert hat
04:47 Automatisierung als Basis – auch ohne KI-Hype
05:50 Legal Tech und Access to Justice – wo stehen wir?
07:25 Regelbasierte Automatisierung vs. KI-Agenten
07:55 Wo sind die neuen Legal-Tech-Startups?
08:26 LLMs als Game Changer für die Datenextraktion
10:28 Das alte Modell: Ersteinschätzung als Akquise-Tool
12:03 Der Bullshit-Button
13:03 Marketingstrategie der großen Modellanbieter
14:38 ChatGPT-Wrapper – wo ist die echte Schöpfungshöhe?
16:10 Open Source als Infrastruktur für Legal Tech
18:45 Chinesische Modelle: DeepSeek und Co.
19:48 Software-Lizenzierung – noch zeitgemäß?
20:50 Lokale LLMs bei Enterprise-Kunden

Ausblick: Marktüberblick und Ranking

Die nächste Folge widmet sich dem Marktüberblick Legal AI: Was gibt es gerade wirklich auf dem Markt, und wo unterscheiden sich die Angebote technisch – nicht nur in der Oberfläche –, damit das für Kaufentscheidungen relevant wird. Dazu kommt die Frage, ob Open Source als Infrastruktur immer wichtiger wird, warum für einzelne Anbieter derzeit so viel bezahlt wird und ob man sein eigenes Sprachmodell betreiben sollte. Weitere Folgen sind mit Florian Skupin als Gast geplant.

Und der Aufruf bleibt bestehen: Wenn Sie ein Verbraucher-Legal-Tech betreiben, das seit zwei Jahren auf KI setzt und sein Modell grundlegend umgebaut hat – melden Sie sich über die Kontaktseite und zeigen Sie es. Den Podcast finden Sie auf dem YouTube-Kanal von Legal Data Technology; die früheren Episoden stehen in der Rubrik Podcast, darunter der Einstieg in Recht Disruptiv und die Folge Wie entwickelt man eigentlich Legal-Tech-Software mit Juristen? mit Sebastian Adams. Mehr zur Plattform erfahren Sie bei den KI-Funktionen von DEPLAW.