AI-geletterdheid voor advocaten: de basis onder de motorkap

Veel advocaten weten nog niet goed wat een AI-tool op technisch vlak precies doet. Dat inzicht is nochtans belangrijk. Niet omdat elke advocaat een ontwikkelaar moet worden - in tegenstelling tot wat soms een trend lijkt te worden - maar wel omdat wie met AI en AI-platformen werkt, moet begrijpen wat AI wel en niet doet, waarom sommige antwoorden beter zijn dan andere, en waarom het gebruik van AI niet onbeperkt gratis kan zijn.

Deze inzichten zijn belangrijk voor de manier waarop je AI inzet en voor de keuze met welke systemen of platformen je wilt werken.

Een AI-platform ≠ een AI-model

Eerst en vooral: de meeste juridische AI-platformen bouwen zelf geen volledig eigen basismodel. Achterliggend werken de tools met bestaande grote taalmodellen, zoals de modellen van OpenAI, Anthropic, Google of andere aanbieders. Die modellen worden ook wel LLM’s genoemd: Large Language Models.

Deze platformen bouwen diverse lagen tussen de advocaat en het model. Die laag bepaalt hoe documenten worden opgeladen, hoe een dossier wordt geanalyseerd, welke stukken als relevant beschouwd worden, welke instructies aan het model worden gegeven, hoe het antwoord wordt opgebouwd en hoe het resultaat opnieuw aan de gebruiker wordt getoond.

De kwaliteit van een juridisch AI-platform zit dus niet alleen in “welk AI-model” er op de achtergrond wordt gebruikt. De echte waarde zit vaak in alles wat daarrond gebeurt: de selectie van de juiste context, het geven van specifieke opdrachten, de juridische workflow, het aanwenden van de juiste bronnenset, de manier waarop documenten worden opgesplitst, de controle op hallucinaties, het opbouwen van correcte redeneringen, het koppelen van een bepaalde actie aan een volgende, de snelheid van verwerking, het gebruiksgemak en de gebruikerservaring.

Wat is een ‘call’ naar een AI-model?

Wanneer een advocaat een vraag stelt zoals “maak een samenvatting van dit dossier” of “stel een argument op”, gebeurt er achterliggend ontzettend veel.

Eerst wordt de vraag van de gebruiker omgezet in een duidelijke opdracht. Die opdracht bevat niet alleen de vraag zelf, maar ook instructies over de gewenste stijl, structuur, rol van de AI, taal, bronnengebruik en beperkingen. Vervolgens moet het platform bepalen welke informatie uit het dossier relevant is. Dat kunnen e-mails, brieven, contracten, processen-verbaal, expertises, bronnen of andere stukken zijn.

Daarna wordt een pakket aan informatie samengesteld dat naar het taalmodel wordt gestuurd. Dat pakket bevat bijvoorbeeld de instructie aan het model, de vraag van de advocaat, de relevante passages uit het dossier, eventuele juridische bronnen en soms eerdere tussenstappen of analyses.

Dat geheel wordt via een technische verbinding, een API, doorgestuurd naar het taalmodel. Het model verwerkt die input en genereert een antwoord. Dat antwoord komt terug naar het platform, dat het vervolgens toont aan de gebruiker, eventueel met opmaak, bronverwijzingen of verdere controles.

Die ene interactie noemen we vaak een ‘call’ naar het model. Maar één actie in een juridisch AI-platform kan in werkelijkheid vele calls bevatten. Een samenvatting van een groot dossier kan bijvoorbeeld eerst document per document worden voorbereid, daarna worden samengevoegd, vervolgens gecontroleerd en pas daarna in een finale tekst worden gegoten.

AI rekent niet in pagina’s, maar in tokens

Voor een advocaat voelt een dossier aan als een bundel documenten. Voor een AI-model bestaat diezelfde informatie uit tokens.

Een token is een stukje tekst. Dat kan een woord zijn, een deel van een woord, een leesteken of een spatie. De kostprijs van veel AI-modellen wordt berekend op basis van het aantal tokens dat je naar het model stuurt en het aantal tokens dat het model terugstuurt.

Dat is belangrijk. Want een korte vraag met een kort antwoord kost weinig. Maar een juridische vraag waarbij het platform eerst honderden pagina’s dossierinhoud moet meegeven, kost veel meer. Niet omdat de vraag complex klinkt, maar omdat het model veel meer tekst moet verwerken.

In juridische dossiers loopt dat snel op. Een conclusie, stukkenbundel, e-mailketting, expertiseverslag en contractuele documentatie vormen samen al snel een grote hoeveelheid tekst. Wanneer de AI daarbij ook nog rechtspraak, rechtsleer of eerdere analyses moet meenemen, wordt de input nog groter.

De context window: hoeveel informatie kan een AI-model verwerken?

Elk AI-model heeft een zogenaamde ‘context window’. Dat is de maximale hoeveelheid informatie die het model in één keer kan verwerken. Je kan dat vergelijken met het bureau van een advocaat. Hoe groter het bureau, hoe meer stukken je tegelijk open kan leggen. Maar zelfs een groot bureau heeft grenzen. En hoe meer stukken erop liggen, hoe moeilijker het wordt om snel precies die ene relevante passage terug te vinden.

Bij AI werkt het gelijkaardig. Sommige moderne modellen kunnen vandaag grotere hoeveelheden tekst tegelijk verwerken. Maar veel context kunnen meenemen is niet hetzelfde als altijd perfect begrijpen wat relevant is, wat in juridische dossiers nochtans cruciaal is. Een dossier bevat vaak veel ruis: dubbele e-mails, bijlagen, oudere versies, irrelevante correspondentie, procedurestukken die elkaar tegenspreken, technische documenten en documenten zonder duidelijke structuur.

Een goed AI-platform moet dus niet zomaar zoveel mogelijk tekst naar het model sturen. Het moet vooral de juiste en relevante passages kunnen doorsturen.

Waarom de context window één van de grote uitdagingen bij AI is

De context window wordt vaak voorgesteld als een technische limiet: hoeveel tekst kan een AI-model tegelijk verwerken? Maar in de advocatuur is het meer dan dat. Het is één van de kernproblemen waarop goede juridische AI-platformen zich onderscheiden.

Een model kan maar antwoorden op basis van wat het op dat moment ‘ziet’. Het heeft geen vanzelfsprekend begrip van het volledige dossier zoals een advocaat dat heeft na dagen of weken dossierstudie. Wanneer een platform een vraag naar het model stuurt, moet het dus beslissen welke stukken, passages, eerdere analyses of juridische bronnen worden meegegeven. Alles wat niet wordt meegegeven, kan het model in principe niet gebruiken. Alles wat wel wordt meegegeven, neemt plaats in binnen de context window.

Daar zit meteen de moeilijkheid. In een juridisch dossier is niet elk document even belangrijk. Niet elke passage is relevant. En soms is net één korte zin in een e-mail of één detail in een bijlage doorslaggevend. Een AI-platform dat zomaar “veel documenten” naar het model stuurt, werkt daarom niet noodzakelijk beter. Integendeel: te veel context kan het model trager, duurder en soms zelfs minder precies maken.

Bij het opmaken van een conclusie neemt een advocaat ook niet elk document als stuk op. De vraag is welke stukken relevant zijn voor het concrete argument, welke passages bewijswaarde hebben, welke documenten elkaar tegenspreken en welke informatie op dat moment juridisch doorslaggevend is. Een goede advocaat leest niet alleen veel; hij selecteert, ordent en weegt. Een goed AI-platform moet precies hetzelfde doen.

De beperking van de context window speelt op verschillende niveaus.

Ten eerste is er de harde technische limiet. Elk model heeft een maximum aan input en output. De input bestaat uit de vraag, de instructies, de dossiercontext en eventuele juridische bronnen. De output is het antwoord dat het model terugschrijft. Als de input te groot wordt, moet er worden geknipt, samengevat of geselecteerd.

Ten tweede is er de kost. Hoe meer context naar het model wordt gestuurd, hoe meer tokens worden verwerkt. Een groot dossier integraal meesturen is dus niet alleen technisch moeilijk, maar ook economisch inefficiënt. In een juridische omgeving, waar dossiers vaak honderden of duizenden pagina’s bevatten, kan dit snel een grote impact hebben op de gebruikskost.

Ten derde is er de snelheid. Een model dat veel context moet verwerken, heeft meer tijd nodig. Voor een advocaat is dat belangrijk. Een AI-platform dat theoretisch een heel dossier kan verwerken maar telkens minuten nodig heeft voor een antwoord, wordt in de dagelijkse praktijk minder bruikbaar. Snelheid is geen luxe; het bepaalt of de tool echt in de workflow past.

Ten vierde is er de kwaliteit van de redenering. Een grotere context window betekent niet automatisch dat het model alle informatie even goed gebruikt. Wanneer zeer veel informatie tegelijk wordt meegegeven, bestaat het risico dat relevante details ondergesneeuwd raken. Het model kan dan wel toegang hebben tot de juiste passage, maar ze niet correct oppikken of onvoldoende gewicht geven.

Daarom ligt de echte uitdaging niet alleen in “hoeveel context” een platform kan verwerken, maar vooral in “welke context” het platform selecteert.

Goede juridische AI-tools zijn hier zeer hard mee bezig. Zij proberen dossiers niet zomaar als één grote tekstmassa aan een model te geven. Zij bouwen tussenlagen die het dossier eerst structureren. Documenten worden opgesplitst, herkend, geïndexeerd, samengevat, ontdubbeld en gekoppeld aan metadata zoals datum, auteur, documenttype of relevant thema. Wanneer de advocaat vervolgens een vraag stelt, probeert het platform eerst de juiste context op te halen voordat het model een antwoord formuleert.

Dat proces heet ‘retrieval’: het gericht ophalen van relevante informatie uit een grotere dataset. Maar in juridische dossiers is retrieval bijzonder moeilijk. Een zoekterm alleen volstaat vaak niet. Een relevant document gebruikt soms andere bewoordingen dan de vraag van de advocaat. Een belangrijk feit kan verscholen zitten in een bijlage. Een juridisch argument kan afhangen van een combinatie van verschillende stukken. En soms is de afwezigheid van een document of bewijsstuk even belangrijk als wat er wél in het dossier zit.

Daarom moeten goede tools verder gaan dan eenvoudige zoektechnologie. Zij moeten begrijpen welke informatie juridisch relevant kan zijn, welke documenten met elkaar verband houden, welke chronologie uit het dossier blijkt en welke passages het antwoord kunnen ondersteunen. Zij moeten bovendien vermijden dat het model zelf gaten opvult wanneer de juiste context ontbreekt.

De context window is dus geen detail. Het bepaalt rechtstreeks de betrouwbaarheid van het juridische antwoord.

Een platform dat de verkeerde context selecteert, kan een mooi geschreven maar juridisch onbruikbaar antwoord geven. Een platform dat te veel context meestuurt, kan traag en duur worden. Een platform dat te weinig context meestuurt, mist nuance. En een platform dat context niet controleerbaar maakt, laat de advocaat niet toe om het antwoord efficiënt te verifiëren.

Daarom zullen de beste juridische AI-platformen niet noodzakelijk degene zijn met de grootste context window. Het zullen de platformen zijn die het best weten hoe zij met die context moeten omgaan: wat moet worden opgehaald, wat moet worden genegeerd, wat moet worden samengevat, wat moet letterlijk worden geciteerd en wat moet aan de advocaat worden getoond als controleerbare bron.

Voor advocaten is dat een belangrijk inzicht. Wanneer men een AI-tool beoordeelt, volstaat het niet om te vragen welk AI-model erachter zit. Minstens even belangrijk zijn de vragen: hoe verwerkt de tool mijn dossier? Hoe zoekt de tool in mijn documenten? Hoe selecteert de tool relevante passages? Kan ik controleren waarop het antwoord gebaseerd is? En hoe voorkomt de tool dat belangrijke context verloren gaat?

De context window is dus niet alleen een technische beperking. Het is één van de centrale ontwerpvragen van juridische AI. Wie dat goed oplost, bouwt geen chatbot, maar echte juridische infrastructuur.

Wat betekent dit voor advocaten?

Advocaten moeten zich daarom bewust zijn van de manier waarop AI-tools met deze technische aspecten omgaan. Op het eerste zicht kunnen veel tools op elkaar lijken: een chatvenster, de mogelijkheid om documenten op te laden, samenvattingen te maken en teksten te genereren. Maar de echte verschillen zitten vaak onder de motorkap. Net zoals bij auto’s kan de carrosserie gelijkaardig zijn, terwijl de motor het verschil maakt. Bij AI-tools gaat het dan om de manier waarop documenten worden verwerkt, context wordt geselecteerd, modelcalls worden aangestuurd, bronverwijzingen worden gecontroleerd en kosten en snelheid worden beheerd. Dat zijn geen details. In juridische dossiers bepalen precies die keuzes of een tool alleen vlot tekst produceert, dan wel echt betrouwbaar juridisch werk ondersteunt.

AI-geletterdheid betekent dus niet dat advocaten technische details moeten beheersen. Maar zij moeten wel de basis begrijpen.

Wanneer een AI-platform een antwoord geeft, komt dat antwoord niet uit het niets. Het is het resultaat van een keten: documenten worden verwerkt, context wordt geselecteerd, een model wordt aangestuurd, tokens worden verbruikt, antwoorden worden gegenereerd en het platform probeert dat alles bruikbaar te maken binnen een juridische workflow.

Dat inzicht helpt om betere vragen te stellen. Het helpt ook om AI-resultaten beter te beoordelen. Een advocaat moet zich afvragen: op welke documenten is dit antwoord gebaseerd? Welke context heeft de AI gezien? Zijn de bronverwijzingen controleerbaar? Is het antwoord volledig? Heeft het platform gezocht in het hele dossier of enkel in een selectie? Is dit een eerste draft of een juridisch finaal product?

AI is geen magie. AI is infrastructuur. En zoals bij elke infrastructuur zijn kwaliteit, snelheid, betrouwbaarheid en kostprijs het resultaat van keuzes achter de schermen.

Wie dat begrijpt, zal AI beter gebruiken. En wie AI beter gebruikt, zal als advocaat sterker staan.

‍