Über den Kunden
Um den Zugriff auf juristische Daten aus unterzeichneten Verträgen, aktiven Vereinbarungen und zugehörigen Klauseln zu vereinfachen, entwickelte Vention eine interne RAG-Plattform für seine Rechtsabteilung.
RAG (Retrieval-Augmented Generation) bezeichnet einen KI-Ansatz, der eine semantische Dokumentensuche mit generativer KI kombiniert, um Antworten auf Basis relevanter Dokumentinhalte zu erzeugen.
Die Plattform hilft unseren Legal-Experten, schnell präzise Informationen zu finden, ohne mehrere Dokumentversionen durchsuchen zu müssen.
Projektdetails
Derzeit verwaltet Ventions Rechtsabteilung mehr als 50.000 einzelne Dokumente aus verschiedenen Regionen, darunter die USA, Großbritannien, die DACH-Region und Asien. Viele dieser Dokumente existieren in mehreren Versionen, die sich im Laufe der Zusammenarbeit mit Kunden weiterentwickeln und durch die Arbeit verteilter Teams kontinuierlich verändert werden.
Selbst wenn die Dokumente strukturiert in Ordnern organisiert sind, stehen Legal-Experten bei der Suche nach spezifischen Informationen vor zahlreichen Herausforderungen, darunter:
- Ähnliche Inhalte werden in verschiedenen Dokumenten oft unterschiedlich formuliert, ohne exakte Wortübereinstimmungen.
- Relevante Antworten sind häufig über mehrere Dokumente verteilt, statt an einer zentralen Stelle gespeichert zu sein.
- Die genaue juristische Formulierung, die für eine Suchanfrage erforderlich ist, ist im Voraus nicht immer eindeutig.
Manuelle Recherchen unter diesen Bedingungen sind zeitaufwendig und erhöhen das Risiko, wichtige Details zu übersehen.
Um einen schnelleren Zugriff auf historische und aktuelle Vertragsdaten über Natural-Language-Abfragen zu ermöglichen, konzipierte, testete und implementierte Ventions KI-Entwicklungsteam eine interne RAG-Plattform für die Rechtsabteilung.
Unsere Kernaufgabe besteht darin, die Rechtsabteilung in einem dynamischen Umfeld reaktionsfähig und skalierbar zu halten.
Mit dem Wachstum des Unternehmens wird von Legal erwartet, mehr Teams, mehr Entscheidungen und mehr Dokumentationen zu unterstützen, was einen ständigen Druck erzeugt, präzise juristische Expertise zu liefern, ohne Qualität oder Risikokontrolle zu gefährden.
Die Arbeit in der Rechtsabteilung verändert sich ständig. Deshalb wird es immer wichtiger, weniger Zeit mit wiederkehrenden Aufgaben wie der Dokumentensuche, der Identifikation von Klauseln, der Nachverfolgung von Änderungen und manuellen Compliance-Prüfungen zu verbringen – besonders, wenn Informationen über viele Dateien und Formate verteilt sind.“
Tatsiana Bialiayeva
Leiterin der Rechtsabteilung bei Vention
Unsere Lösung
Die KI-Experten von Vention arbeiteten mit der Rechtsabteilung zusammen, um eine modulare RAG-Plattform zu entwerfen, zu entwickeln und einzuführen. Die Lösung ermöglicht es den Legal-Teams, Informationen direkt aus Dokumenten abzurufen, die im gesamten Dateisystem gespeichert sind. Sie stützt sich ausschließlich auf den tatsächlichen Inhalt dieser Dokumente und nicht auf externes Wissen oder vortrainierte Modelle.
Die Plattform besteht aus drei logischen Schichten:
- Benutzeroberfläche, die eine einfache und intuitive Interaktion unterstützt
- Anfrageverarbeitung, die Suchanfragen und Kontext verwaltet
- RAG-Kern, der für die Informationsbeschaffung und die Generierung von Antworten zuständig ist
Benutzeroberfläche
Die Benutzeroberfläche ist der primäre Kontaktpunkt zwischen den Anwendern und der Plattform. Sie zeichnet sich durch ein einfaches und funktionales Design aus.
Die Oberfläche präsentiert ein Chatfenster, über das Nutzer mit der RAG-Plattform in natürlicher Sprache interagieren können. Außerdem können Nutzer Entwurfsdokumente in die Suche ein- oder ausschließen sowie benutzerdefinierte Dateibereiche festlegen, die den Umfang der abgerufenen Informationen einschränken.
Anfrageverarbeitung
Die Anfrageverarbeitung wird durch eine Reihe von Agenten unterstützt, die dem RAG-Kern kontextuelle Hinweise liefern.
Wenn ein Nutzer eine Frage zu einem Dokument, einem Kunden oder einer Region stellt, führen die Interpreter-Agenten mehrere Schritte aus:
- Prüfen, ob es sich um ein neues Thema oder eine laufende Interaktion handelt
- Die Absicht der Frage identifizieren und eine Reihe semantisch verwandter Suchanfragen generieren
- Komplexe Anfragen in kleinere, leicht handhabbare Schritte aufteilen
- Die Ordner und Dokumente identifizieren, die am wahrscheinlichsten relevante Informationen enthalten
- Den erweiterten Kontext an das Haupt-Sprachmodell weitergeben
Ziel dieses Prozesses ist es, die Abrufung irrelevanter oder ungenauer Informationen zu reduzieren, die durch unterschiedliche Formulierungen in Dokumenten entstehen.
Beispiel: Bei der Frage „Wie ist der NDA-Status der XYZ GmbH?“ wird folgendes interpretiert:
- Das System erkennt, dass die Frage ein neues Thema einführt.
- Die Anfrage betrifft ein Unternehmen in der DACH-Region, erkennbar an der Bezeichnung GmbH, mit dem Namen XYZ.
- Relevante juristische Inhalte können eine NDA-Klausel in einem Vertrag oder ein separates NDA-Dokument sein.
- Es muss der aktuelle Status der NDA geprüft werden, z. B. ob sie noch aktiv ist oder abgelaufen.
Auf Basis dieser Interpretation generiert die Verarbeitungsschicht verwandte Suchanfragen, wie etwa: „Können wir unsere Zusammenarbeit mit XYZ GmbH offenlegen?“ Anschließend wird die Suche auf DACH-bezogene Verzeichnisse und Dokumente, die sowohl Vention als auch XYZ betreffen, fokussiert.
Dieser Ansatz hält das Sprachmodell auf den aktuellen Kontext fokussiert und filtert alle irrelevanten Daten, was die Fehlerquote reduziert und die Antwortgeschwindigkeit erhöht.
Noch wichtiger: Die Plattform kann so die relevantesten Datenquellen für jede Anfrage identifizieren. Juristische Dokumente verwenden oft ähnliche Formulierungen, die sonst unnötiges Rauschen erzeugen würden. Durch das Aufteilen der Fragen in klare Attribute wird der Fokus auf relevante Dokumente gelenkt, was präzise Ergebnisse liefert.
RAG-Kern
Sobald die Anweisungen und die wahrscheinlichsten Antwortquellen vorbereitet und an das Haupt-Sprachmodell übergeben wurden, prüft das Modell die bereitgestellten Quellen und die kontextuellen Hinweise der Verarbeitungsschicht.
Auf Basis dieser Eingaben erzeugt das System mehrere mögliche Antworten für jede Frage, die sowohl die ursprüngliche Nutzeranfrage als auch die zuvor generierten Zusatzabfragen abdecken. Anschließend werden diese Optionen geprüft und zu einer finalen Antwort kombiniert, die die Nutzeranfrage am besten erfüllt.
Nach der Ausgabe einer Antwort können Nutzer Folgefragen zum selben Thema stellen, wodurch der Prozess kontinuierlich fortgesetzt werden kann, während der Kontext erhalten bleibt.
In Zahlen
Wochen für die Entwicklung des MVP
Experten von Vention AI waren daran beteiligt
Genauigkeit bei den Antworten
Vention zeigt Ihnen, wie Ihre Rechtsabteilung schneller, präziser und intelligenter arbeiten kann. Vereinbaren Sie eine Demo und erleben Sie die RAG-Plattform in Aktion.
Alternativ besprechen wir gemeinsam Ihre Anforderungen und entwickeln eine maßgeschneiderte KI-Lösung, die genau zu Ihrem Unternehmen passt.
Ergebnisse
Die Plattform ist nun innerhalb von Ventions Anwendungsumgebung im Einsatz.
Die Rechtsabteilung von Vention verzeichnet bereits deutliche Verbesserungen im Arbeitsalltag. Das Team spart 50–70 % der Zeit bei Aufgaben wie Dokumentenzusammenfassungen, Dokumentenvergleichen und der Erstellung von Workflows aus Dokumenten. Mit einer Genauigkeit von rund 88 % und Antwortzeiten von drei bis zehn Sekunden unterstützt die Lösung sowohl tiefgehende Dokumentenprüfungen als auch schnelle Antworten, wenn es auf Zeit ankommt.
Dank der Leistungsfähigkeit unserer RAG-Plattform haben bereits mehrere Kunden Interesse bekundet, die Lösung in ihren eigenen Prozessen zu nutzen. Derzeit werden Demo-Termine geplant und Implementierungsoptionen besprochen.
Wenn Ihr Team ähnliche Ergebnisse erzielen möchte, teilt Vention gerne die praxisnahen Vorteile von KI mit Teams, die auf konkrete, messbare Resultate fokussiert sind.
Tools & Technologien
GenAI
Vertex AI/Gemini
Frontend
React
Backend
Python
LightFM
Implicit
Pytorch
Datenbanken
PostgreSQL
BigQuery
Redis
