Im vergangenen Jahr verbrachte ein Anwalt einer großen internationalen Wirtschaftskanzlei fünf bis acht Stunden damit, eine 53-seitige DSGVO-Klage zu lesen, die beteiligten Parteien manuell zu erfassen, die einzelnen Ansprüche den entsprechenden Beweismitteln zuzuordnen und sich ein mentales Modell darüber aufzubauen, wie 73 Gesetzesverweise miteinander zusammenhängen. adorsys entwickelte ein System, das dieselbe Aufgabe in 39 Minuten erledigt – wobei jede Feststellung direkt mit der entsprechenden Textstelle in der Originalquelle verknüpft ist.

Dieselben KI-Werkzeuge, die versprachen, die juristische Arbeit grundlegend zu verändern, erzeugen zugleich erfundene Gerichtsentscheidungen in Schriftsätzen – in einem Ausmaß, das weltweit bereits mehr als 700 Sanktionsverfahren ausgelöst hat.

Der Unterschied zwischen diesen beiden Ergebnissen liegt nicht darin, welches KI-Modell verwendet wird. Er liegt in der Architektur.

Allgemeine KI behandelt juristische Texte wie jeden anderen Text: Sie fasst zusammen, zieht Schlussfolgerungen und erzeugt plausibel klingende Antworten. Was sie jedoch nicht leisten kann, ist nachzuweisen, woher diese Antworten stammen. Und im Recht ist eine Antwort ohne Quelle überhaupt keine Antwort.

Das Problem ist nicht das Modell

Die vorherrschende Reaktion auf das Scheitern von Legal AI besteht darin, auf bessere Modelle zu warten. Halluzinationen werden abnehmen, das Schlussfolgern wird sich verbessern, und die nächste Version wird es richtig machen. Damit wird jedoch das strukturelle Problem übersehen.

LLMs sind Wahrscheinlichkeitsmaschinen. Sie erzeugen Texte, die statistisch plausibel erscheinen – auf Grundlage all dessen, womit sie trainiert wurden. Für die meisten Aufgaben ist das ausreichend. Für juristische Arbeit ist es jedoch gefährlich: Plausibel klingende Rechtstexte, die inhaltlich falsch sind, sind schlimmer als gar keine Antwort. Eine im Journal of Legal Analysis veröffentlichte Studie ergab, dass führende LLMs – je nach Modell – in 69 % bis 88 % der Fälle halluzinierte, sachlich falsche Antworten auf spezifische Rechtsfragen liefern. Das Stanford HAI identifizierte drei Ursachen dafür: Trainingskorpora verdichten juristische Lehren zu statistischen Durchschnittswerten, das Wissen der Modelle hinkt der aktuellen Rechtsprechung um Jahre hinterher, und LLMs übernehmen falsche Prämissen und führen sie weiter aus, anstatt sie zu korrigieren.

Die Reaktion der Rechtsbranche war institutioneller Natur. Mit der im Juli 2024 veröffentlichten ABA Formal Opinion 512 wurde festgelegt, dass die bestehenden berufsrechtlichen Regeln uneingeschränkt auch für KI-gestützte juristische Arbeit gelten. Verantwortliche Anwältinnen und Anwälte müssen KI-generierte Arbeitsergebnisse überprüfen, bevor diese die Kanzlei verlassen, und diese Prüfung muss dokumentiert werden. Die Gerichte setzen dies durch: Ein Spruchkörper des 6. US-Berufungsgerichts verhängte Sanktionen in Höhe von 30.000 US-Dollar gegen zwei Anwälte wegen 24 erfundener Fundstellen; ein Anwalt aus Colorado wurde für 90 Tage suspendiert. Gefordert wird nicht nur Genauigkeit. Gefordert wird auch Nachvollziehbarkeit. Juristische Praxis benötigt beides: sachlich korrekte Antworten und eine eindeutige Beweiskette hinter jeder einzelnen davon. Eine KI-Antwort, die zwar korrekt ist, deren Herkunft jedoch nicht nachvollzogen werden kann, ist für den professionellen Einsatz dennoch unbrauchbar. Eine KI-Antwort, deren Herkunft nachvollziehbar ist, die jedoch falsch ist, ist gefährlich. Gerichte, Mandanten und berufsrechtliche Aufsichtsgremien verlangen beides gleichzeitig.

Standard Retrieval-Augmented Generation (RAG) reduziert Halluzinationen, löst dieses Problem jedoch nicht. Ein RAG-System kann den richtigen Gesetzestext abrufen und dessen Inhalt dennoch falsch wiedergeben, und das Ergebnis liegt als Text ohne inhärenten Herkunftsnachweis vor. Was die juristische Praxis benötigt, ist ein System, bei dem jede Antwort von Anfang an strukturell mit einer überprüfbaren Quelle verknüpft ist.

Bestimmte Rechtsinstrumente sind bereits Graphen

Um genau zu bestimmen, was sich als Graph abbilden lässt und was nicht: Nicht das gesamte Recht eignet sich für diesen Ansatz. Der materielle Gehalt des Rechts – einschließlich Rechte, Pflichten, Werte und der politischen Entscheidungen, die einem Gesetz zugrunde liegen – lässt sich nicht auf Daten reduzieren. „Die Würde des Menschen ist unantastbar“ ist eine normative Aussage, kein Datenbankeintrag. Dieser inhaltliche Bereich ist die Domäne von Juristinnen und Juristen, Gesetzgebern und Gerichten. Und nicht jedes juristische Dokument folgt derselben internen Struktur: Die Akten eines Schiedsverfahrens, eine Entscheidung eines Verfassungsgerichts und eine Verwaltungsvorschrift beruhen auf unterschiedlichen Logiken und erfordern eine jeweils andere Behandlung.

Eine inhärente Graphstruktur besitzt jedoch eine spezifische und wichtige Kategorie: kodifizierte Gesetze und regulatorische Regelwerke. Das Bürgerliche Gesetzbuch (BGB), die Datenschutz-Grundverordnung (DSGVO) oder das Kündigungsschutzgesetz (KSchG). Diese Rechtsinstrumente bestehen aus nummerierten Vorschriften, die ausdrücklich aufeinander verweisen und durch bedingte Logik miteinander verbunden sind. § 242 BGB, Art. 22 DSGVO und § 14 Abs. 2 Nr. 3 KSchG sind strukturierte Identifikatoren, die wie Knoten-IDs in einer Datenbank funktionieren. Die bedingte Logik, die sie miteinander verknüpft – „diese Verpflichtung gilt, sofern nicht …“, „ausgenommen sind Fälle, in denen die Voraussetzungen des Absatzes 3 erfüllt sind …“ – bildet einen Abhängigkeitsgraphen, der im Gesetzestext selbst bereits klar erkennbar ist.

Dies bedeutet, dass der Ansatz immer domänenspezifisch sein muss. Baurecht, Arbeitsrecht, Datenschutzrecht: Jedes dieser Rechtsgebiete verfügt über seine eigene Begriffswelt, seine eigenen Beziehungstypen und seine eigenen Muster von Querverweisen. Es gibt keine universelle juristische Ontologie. Jedes Rechtsgebiet erfordert ein eigenes Schema, eine eigene Extraktionslogik und eine eigene Validierung anhand realer Dokumente aus diesem Bereich. Ein Knowledge Graph erzwingt keine einheitliche Struktur für das gesamte Recht. Er macht vielmehr die spezifische Struktur sichtbar, die ein bestimmter Rechtsbereich bereits besitzt – sofern man gezielt nach ihr sucht.

Innerhalb dieses Anwendungsbereichs ist die Repräsentation äußerst leistungsfähig. Knoten bilden juristische Entitäten ab: Rechtsvorschriften, Verpflichtungen, Parteien, Beweismittel und Verweise auf die Rechtsprechung. Kanten bilden die Beziehungen zwischen ihnen ab: „verweist auf“, „ändert“, „enthält eine Ausnahme für“, „wird verletzt durch“, „begründet eine Haftung nach“. In einer Property-Graph-Datenbank gespeichert, werden diese Beziehungen unmittelbar durchsuchbar. Stellt man die Frage: „Welche Artikel der DSGVO regeln dieses automatisierte Entscheidungssystem, und welche Ausnahmen gelten?“, folgt der Graph den Kanten und liefert eine vollständige, nachvollziehbare Antwort.

Zwei aktuelle wissenschaftliche Arbeiten zeigen dies konkret. Eine Studie aus dem Jahr 2024, die italienische Gesetzgebung in einem Property Graph modellierte, zeigte, dass Abfragen, die auf reinem Fließtext zuvor kaum praktikabel waren – darunter die Messung der Kohärenz von Gesetzen, die Nachverfolgung von Änderungsketten und die Analyse der Komplexität von Querverweisen – nach der Abbildung des Rechts als Graph problemlos möglich wurden. Eine Veröffentlichung aus dem Jahr 2025 bestätigte, dass die Suche in Fließtexten „blind für die hierarchische, diachrone und kausale Struktur des Rechts“ ist, wodurch bei Gesetzesänderungen veraltete Antworten entstehen, und schlug einen ontologiegestützten Graphenabruf als strukturelle Lösung vor.

Der THEMIS-Anwendungsfall: Wie das in der Praxis aussieht

Im Jahr 2025 entwickelte adorsys THEMIS (Tool for Handling, Extracting, Mapping & Intelligent Structure-analysis) für eine führende internationale Wirtschaftskanzlei mit Niederlassungen in mehr als 30 Ländern. Die Herausforderung war vertraut: Klageschriften mit einem Umfang von 40 bis 80 Seiten, die ineinander verschachtelte Ansprüche, Tatsachenbehauptungen, Beweisverweise und Gesetzeszitate enthalten – alles miteinander verwoben in frei formuliertem Fließtext. Die Erstanalyse eines einzelnen Dokuments erforderte fünf bis acht Stunden Arbeitszeit eines Associate-Anwalts bei Stundensätzen von 181 bis 276 Euro.

Das von uns entwickelte System verarbeitet ein PDF, extrahiert mithilfe von LLMs Entitäten und Beziehungen und speichert diese in einem Neo4j-Property-Graphen mit einer juristischen Ontologie aus 13 Entitätstypen, die Klagen, Ansprüche, Beweismittel, Personen, Rechtsvorschriften, Ereignisse und weitere Elemente umfasst. Auf eine anonymisierte, 53-seitige DSGVO-Klage angewendet, extrahierte THEMIS innerhalb von etwa 39 Minuten 448 Entitätsknoten und 1.630 semantische Beziehungen.

Die entscheidende Designentscheidung war die Nachvollziehbarkeit der Herkunft (Provenance). Jede Antwort, die das System erzeugt, ist über den Graphen mit der konkreten Textstelle im ursprünglichen PDF verknüpft. Anwältinnen und Anwälte können den zitierten Text lesen, die Schlussfolgerung überprüfen und die Prüfung dokumentieren. Genau diese Audit-Trail-Struktur verlangt die ABA Formal Opinion 512 faktisch. Das Ergebnis: eine Reduzierung der Analysezeit um 85–94 %, eine Senkung der Kosten pro Dokument von 905–2.208 € auf etwa 90–140 € sowie geschätzte jährliche Einsparungen von 75.000–205.000 € pro Kanzlei bei der Bearbeitung von 100 Dokumenten pro Jahr. Der Mandant beschrieb das System als mit „enormem Potenzial, den Rechtsmarkt grundlegend zu verändern“.

Die Genauigkeitswerte spiegeln dies unmittelbar wider. Eine Studie, die 2025 auf der ACM ICAIL veröffentlicht wurde, untersuchte, wie häufig juristische KI-Systeme Fragen korrekt beantworten: Hybride Systeme aus Knowledge Graph und RAG erreichten eine Genauigkeit von 70 %, gegenüber 37,5 % bei reinen RAG-Systemen. Bei Aufgaben, die das Nachverfolgen von Ketten gesetzlicher Querverweise erfordern, fällt der Unterschied noch deutlicher aus: Graph-gestützte Systeme erreichen eine Genauigkeit von über 85 %, während konventionelle RAG-Systeme auf 32–75 % kommen.

Answer Accuracy by Architecture - Legal Document Task

Diese 85 % werfen zwei Fragen auf, mit denen sich die Branche noch immer auseinandersetzt. Die erste lautet: Was ermöglichen sie bereits? Für die Dokumentensichtung, die erste Extraktion von Ansprüchen und strukturierte Abfragen über umfangreiche Schriftsätze hinweg sind 85 % Genauigkeit bei Multi-Hop-Reasoning-Aufgaben wahrscheinlich ausreichend. Anwältinnen und Anwälte prüfen und verifizieren jedes über die Herkunft (Provenance) nachvollziehbare Ergebnis, bevor es in eine Argumentation oder einen Schriftsatz einfließt. Das System reduziert den Suchraum und strukturiert die Beweislage. Die verbleibende Lücke schließt der Mensch mit seinem juristischen Urteilsvermögen.

Die zweite Frage ist schwieriger. Was kosten die fehlenden 15 %? In streitigen Verfahren kann eine nicht erkannte gesetzliche Ausnahme oder ein übersehener Querverweis den Ausgang eines Verfahrens verändern. Diese Lücke konzentriert sich meist genau dort, wo juristische Argumentation am stärksten umstritten ist: bei neuartigen Sachverhalten, tatsächlich mehrdeutigen Rechtsvorschriften oder Haftungskonstruktionen mit mehreren Beteiligten, bei denen selbst die Struktur des Graphen Gegenstand der Auseinandersetzung ist. Das sind keine Randfälle, die sich einfach wegoptimieren lassen. Sie bilden den Kern dessen, wofür erfahrene Juristinnen und Juristen bezahlt werden.

Die Architektur funktioniert nicht deshalb, weil sie technologisch ausgefeilter ist, sondern weil sie der Struktur des Problems entspricht. Und genau diese verbleibenden 15 % zeigen, an welchen Stellen die Struktur allein nicht ausreicht.

Drei Bereiche, in denen sich die Ausgangslage grundlegend verändert

Change Management im öffentlichen Sektor.

Betrachten wir das deutsche Arbeitslosengeldsystem. Jede Berechnung basiert auf dem Sozialgesetzbuch. Ändert der Gesetzgeber Leistungssätze oder Anspruchsvoraussetzungen, müssen sich auch alle IT-Systeme ändern, die diese Berechnungen durchführen: der Leistungsrechner, das Antragsportal, das Fallmanagementsystem und die internen Regelwerke zur Anspruchsprüfung. Dasselbe gilt für Genehmigungsverfahren, Steuerbescheide oder die Prüfung der Visaberechtigung: Jeder digitale Dienst, der gesetzliche Regelungen operationalisiert, ist von dem Recht abhängig, das er umsetzt. Derzeit erfolgt die Ermittlung des gesamten Umfangs dieser Abhängigkeiten bei Gesetzesänderungen weitgehend manuell: Programmverantwortliche wenden sich an die Systemverantwortlichen, die Dokumentationen prüfen, die häufig Monate oder Jahre veraltet sind. Der australische Bundesstaat New South Wales hat ein effizienteres Modell demonstriert: Eine Rules-as-Code-Engine bildet Gesetze als maschinenlesbare Regeln ab, sodass eine einzelne Änderung unmittelbar an alle angebundenen Dienste weitergegeben wird. Deutschlands Bundesagentur für Sprunginnovationen (SPRIND) hat Law as Code zu einem nationalen strategischen Projekt erklärt – mit dem Ziel, dass die maschinenlesbare Veröffentlichung bis 2028 zum verbindlichen Standard für neue deutsche Gesetze wird. Die Konsequenz liegt auf der Hand: Ist der Code eines öffentlichen Dienstes mit dem konkreten Gesetzesparagraphen verknüpft, den er umsetzt, wird eine Gesetzesänderung zu einer nachvollziehbaren Engineering-Aufgabe statt zu einem unentdeckten Risiko.

Compliance in einem Umfeld mehrerer Regulierungen.

Das Zusammenspiel von DSGVO, NIS2, DORA und dem EU AI Act hat Compliance-Anforderungen geschaffen, die sich überschneiden und gegenseitig referenzieren – auf eine Weise, die strukturell identisch mit dem Problem der Graph-Traversierung ist. Ein Vorfall in der Lieferkette kann gleichzeitig Meldepflichten nach allen vier Regelwerken auslösen, jeweils mit unterschiedlichen Fristen und zuständigen Aufsichtsbehörden. Derzeit verlassen sich 77 % der Compliance-Teams bei der Umsetzung regulatorischer Änderungen noch immer auf manuelle Prozesse, wobei die Erkennung relevanter Änderungen Wochen dauert und Nachweise über Tabellenkalkulationen und gemeinsame Laufwerke verstreut sind. Knowledge Graphs ermöglichen es Compliance-Teams, regulatorische Vorgaben als benannte Knoten zu modellieren und explizite Beziehungen zwischen gesetzlichen Verpflichtungen und den internen Systemen, Verträgen und Prozessen herzustellen, die sie betreffen. GRC-Plattformen auf Basis von Knowledge-Graph-Architekturen berichten von erheblichen Reduzierungen des Aufwands für Compliance-Analysen und Audit-Vorbereitungen, wobei kaskadierende Auswirkungsanalysen den manuellen Prozess ersetzen, Systemverantwortliche einzeln zu befragen.

Vertragsanalyse.

Wirtschaftsverträge sind private Rechtsstrukturen mit denselben Grapheigenschaften wie gesetzliche Regelwerke: Verpflichtungen, Bedingungen, Ausnahmen und definierte Begriffe, die sich über Vertragsklauseln hinweg zu Folgewirkungen verketten. Derselbe Extraktions- und Ontologieansatz, der für Gesetze funktioniert, lässt sich auch hier anwenden. Auf Vertragsportfolios angewendete Knowledge-Graph-Architekturen ermöglichen dieselben Fähigkeiten: strukturierte Abfragen über Hunderte von Dokumenten hinweg, Antworten mit nachvollziehbarer Herkunft (Provenance) sowie dokumentübergreifendes Schlussfolgern, das mit einer Fließtextsuche nicht möglich ist.

Was dafür tatsächlich erforderlich ist

Um zu verstehen, welches Problem THEMIS löst, hilft es, sich vor Augen zu führen, wie umfangreiche Gerichtsverfahren in der Praxis tatsächlich aussehen. Ein Gerichtsverfahren im Unternehmenskontext besteht nicht aus einem einzigen Dokument. Es umfasst Hunderte, manchmal Tausende von Seiten: die ursprüngliche Klageschrift (Klage), die Klageerwiderung der Gegenseite (Erwiderung der Klage), Beweismittel, Zeugenaussagen, zitierte frühere Gerichtsentscheidungen und die zugrunde liegenden gesetzlichen Vorschriften. Reicht die Gegenseite ihre Erwiderung ein, muss die den Mandanten vertretende Kanzlei ein Team von Anwältinnen und Anwälten über Wochen oder Monate hinweg damit beschäftigen, sämtliche Argumente zu identifizieren, jedes Argument den angeführten Beweismitteln zuzuordnen, sämtliche Verweise bis zur ursprünglichen Klageschrift zurückzuverfolgen und zu bewerten, an welchen Stellen die Gegenargumente stark oder schwach sind. Jeder einzelne Schritt erfolgt manuell. Jeder Querverweis muss von einem Menschen gefunden und bewertet werden, der sich durch Seiten dicht formulierter juristischer Texte arbeitet.

THEMIS wurde entwickelt, um diesen Arbeitsablauf zu verändern – nicht, um ihn zu ersetzen. Das System verarbeitet die Dokumente, extrahiert die strukturierten Inhalte (Parteien, Ansprüche, Beweismittel, Rechtsvorschriften und Rechtsprechungsverweise) und erstellt daraus den Graphen ihrer Beziehungen. Anwältinnen und Anwälte arbeiten anschließend mit dieser strukturierten Repräsentation anstelle von unstrukturiertem Fließtext: Sie können Abfragen über den gesamten Dokumentenbestand hinweg durchführen, direkt zu den Belegen hinter jedem Argument springen und auf einen Blick erkennen, wie die Ansprüche der Gegenseite der ursprünglichen Klageschrift gegenüberstehen. Die Arbeit, für die zuvor ein Team von Vollzeitjuristinnen und -juristen mehrere Monate benötigte, kann dadurch schneller, mit weniger Personen und ohne Einbußen bei der Analysequalität erledigt werden, die komplexe Gerichtsverfahren erfordern.

Der Anwendungsbereich wurde von Anfang an klar definiert. THEMIS deckt einen einzigen, klar abgegrenzten Dokumententyp ab: Zivil- und arbeitsrechtliche Klageschriften, die bei deutschen Gerichten eingereicht werden. Seine Ontologie mit 13 Entitätstypen umfasst die in diesen Verfahren vorkommenden Elemente: Parteien, Ansprüche, Beweismittel, Rechtsvorschriften, Verweise auf die Rechtsprechung, Geldbeträge, Gerichtsdokumente sowie weitere Entitäten aus Verfahren des Arbeits-, Bau-, Miet-, Verkehrs- und Familienrechts. Gerade diese Spezialisierung machte eine Entwicklungszeit von vier Monaten mit einem Team aus zwei Softwareingenieuren und einem Fachexperten des Kunden realistisch. Das System versucht nicht, das gesamte Recht abzubilden; es bildet einen klar abgegrenzten, besonders wertvollen Teilbereich präzise ab.

Die eingesetzten Werkzeuge sind Open Source und produktionsreif: Neo4j für die Speicherung des Graphen, Graphiti Core für die LLM-gestützte Extraktion und Docling für das Parsen von PDF-Dokumenten. Ein individuelles Training eines LLMs ist nicht erforderlich. Die eigentliche Herausforderung liegt in den benötigten Kompetenzen: Fachwissen zu Graphdatenbanken ist nach wie vor vergleichsweise selten, und die Entwicklung juristischer Ontologien erfordert neben technischem Know-how echtes juristisches Domänenwissen. Diese Hürden sind jedoch überschaubar. Juristinnen und Juristen bleiben während des gesamten Prozesses unverzichtbar – sie interpretieren die Ergebnisse, entwickeln die Argumentation und treffen die Entscheidungen, die kein System ersetzen kann.

Das Zeitfenster ist jetzt offen

Die dafür erforderliche Technologie ist kein Zukunftsthema auf einer Roadmap. Die Werkzeuge sind Open Source und produktionsreif. Die Methodik wurde bereits in der Praxis validiert. Werkzeuge wie Catala und LegalRuleML setzen bereits den nächsten Schritt über reine Informationsgewinnung hinaus um: Systeme, die Rechtsnormen direkt ausführen und berechnen, ob eine gesetzliche Verpflichtung ausgelöst wird, welche Sanktion gilt und welche Ausnahmen Anwendung finden. Frankreichs OpenFisca tut dies bereits für Steuer- und Sozialleistungsberechnungen und wird von Regierungen in Frankreich, Neuseeland und Tunesien eingesetzt. Deutschlands Ziel, bis 2028 maschinenlesbare Gesetzgebung zu etablieren, markiert den Zeitpunkt, an dem dies zur grundlegenden Erwartung wird – nicht mehr zum Differenzierungsmerkmal. Die Frage lautet daher nicht, ob diese Fähigkeiten aufgebaut werden sollten. Sie lautet, ob man sie jetzt aufbaut oder später aufholen muss.

Eines sollte klar gesagt werden: KI allein reicht für dieses Problem nicht aus. Die meisten Legal-AI-Werkzeuge, die derzeit auf den Markt kommen, setzen unmittelbar auf Sprachmodelle: Sie fassen zusammen, erstellen Entwürfe und rufen Informationen ab. Das ist nützlich, und der Markt wächst schnell. Sprachmodelle arbeiten jedoch probabilistisch. Für juristische Arbeit, die deterministische und nachvollziehbare Ergebnisse erfordert, braucht es die neurosymbolische Ebene: Ontologien und Knowledge Graphs, die Struktur, Kontrolle und Nachvollziehbarkeit in den KI-gestützten Schlussfolgerungsprozess bringen. Erst die Kombination aus strukturierter Wissensrepräsentation und den Fähigkeiten von Sprachmodellen schafft ein System, auf das sich Juristinnen und Juristen tatsächlich verlassen können.

Kanzleien, die diesen Weg bereits heute gehen, werden einen strukturellen Kostenvorteil haben. Eine Kanzlei, die die Klageerwiderung der Gegenseite innerhalb weniger Tage statt mehrerer Wochen analysieren kann, dafür zwei Analysten statt zehn benötigt und eine strukturierte Analyse erstellt, die unmittelbar durchsuchbar ist, arbeitet unter völlig anderen wirtschaftlichen Voraussetzungen als eine Kanzlei, die weiterhin alles manuell bearbeitet. Die nächste Generation juristischer Praxis wird genau auf solchen Systemen aufbauen. Etablierte Kanzleien, die darauf warten, dass ein fertiges SaaS-Produkt dieses Problem löst, werden feststellen, dass dieses Produkt bei seinem Erscheinen bereits bei ihren Wettbewerbern im Einsatz ist.

Es gibt zwei Wege, um zu beginnen. Man kann warten, bis die Anbieter entsprechender Werkzeuge das erforderliche Reifestadium erreicht haben, und die Lösung dann erwerben. Oder man beginnt bereits heute – mit einem klar definierten Anwendungsbereich, fokussiert auf das Rechtsgebiet mit dem höchsten Dokumentenaufkommen und der klarsten Struktur – und verfügt über ein funktionierendes System, reale Daten und echte Expertise, bevor der Markt nachzieht. THEMIS wurde innerhalb von vier Monaten von einem Team aus drei Personen auf Basis von Open-Source-Technologien entwickelt. adorsys unterstützt Organisationen, die diesen Weg gehen möchten, bei der Definition des Anwendungsbereichs, dem Entwurf der Ontologie und der Umsetzung.

Quellen

[S001] adorsys. "THEMIS: AI-Assisted Legal Knowledge Graph for International Law Firms." Internal Case Study, 2025.

[S004] Neo4j. "What Is a Knowledge Graph?" neo4j.com.

[S007] Blair-Stanek, A., Holzenberger, N., Van Durme, B. "Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models." *Journal of Legal Analysis*, Oxford Academic, 2024.

[S008] Stanford HAI. "Hallucinating Law: Legal Mistakes with Large Language Models are Pervasive." hai.stanford.edu.

[S012] arXiv preprint. "Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models." arXiv:2401.01301.

[S013] Merigoux, D., Chataing, N., Protzenko, J. "Catala: A Programming Language for the Law." ACM ICFP 2021. arXiv:2103.03198.

[S014] Merigoux, D., Monat, R., Protzenko, J. "Catala: Moving towards the future of legal expert systems." *Artificial Intelligence and Law*, Springer, 2022.

[S015] Rapson, et al. "Rules as Code for a More Transparent and Efficient Global Economy." CIGI/G7 Task Force, April 2025.

[S016] SPRIND. "Law as Code." German Federal Agency for Breakthrough Innovation.

[S102] legalaigovernance.com. "ABA Formal Opinion 512: A Compliance Guide."

[S103] ABA Journal. "Sanctions ramping up in cases involving AI hallucinations."

[S107] 47Billion. "Graph RAG for Legal Reasoning: Multi-Hop Insights with Knowledge Graphs, Vector Search, and LLMs."

[S108] ACM ICAIL 2025. "Bridging Legal Knowledge and AI: RAG with Vector Stores, Knowledge Graphs, and NMF."

[S114] GraphAware. "Knowledge graphs for regulatory compliance."

[S202] v-comply.com. "Top 5 Compliance Challenges for Teams in 2025."

[S212] Enactia. "The Compliance Triple Threat: Mastering the Overlap Between DORA, NIS2, and the EU AI Act."

[S214] MetricStream. "Knowledge Graphs in Governance, Risk, and Compliance."

[S305] Digital.NSW. "Rules as Code — NSW Joins the Worldwide Movement."

[S306] Code for Australia. "Digital.NSW Rules as Code case study."