Das von den Machine-Learning-Forschern Moritz Hardt und Reinhard Heckel gegründete Startup Grubel entwickelt KI-Systeme, die sich automatisch auf einzelne Rechtsangelegenheiten spezialisieren sollen. Im Prinzip braucht jede komplexe Rechtsangelegenheit ihre eigene spezialisierte KI. Dafür will das Team einen bislang arbeitsintensiven Prozess automatisieren – von der Auswahl relevanter Daten über die Anpassung von Modell und Agent bis zur laufenden Evaluation der Ergebnisse.
3-Millionen-Euro-Pre-Seed-Finanzierung für Grubel
Die Pre-Seed-Runde wird vom europäischen Frühphaseninvestor Point Nine angeführt. Hinzu kommen mehrere prominente Angel-Investoren aus der internationalen KI-Forschung und Startup-Szene: Jeff Dean, Chris Ré, Ion Stoica sowie die beiden Harvey-Mitgründer Gabe Pereyra und Winston Weinberg.
Das Kapital soll in drei Bereiche fließen: Forschung, Produktentwicklung und den Ausbau des Teams. Grubel sucht unter anderem Research Scientists und Engineers und baut seine Aktivitäten in München und Tübingen aus.
Grubels Ansatz für Rechtsangelegenheiten
Beim Einsatz generativer KI im Rechtsbereich gibt es ein grundlegendes Problem: Allgemeine Modelle kennen die Besonderheiten eines konkreten Falls nicht automatisch. Dazu gehören beispielsweise Dokumente und Sachverhalte, beteiligte Parteien, juristische Terminologie, frühere Arbeitsergebnisse oder spezifische Anforderungen eines Mandanten.
Grubel will deshalb den gesamten Spezialisierungsprozess automatisieren. Das Unternehmen bezeichnet diesen Ansatz als „specialization loop“. Er umfasst drei zentrale Komponenten: Eine Daten-Engine identifiziert und kuratiert relevante Informationen, anschließend werden Modell, Agent und technische Umgebung an die konkrete Rechtsangelegenheit angepasst. Schließlich werden die Ergebnisse fortlaufend anhand aufgabenspezifischer Kriterien evaluiert.
Dieser Zyklus soll es ermöglichen, ein KI-System schrittweise für die jeweilige Aufgabe zu optimieren, statt für jeden Anwendungsfall ein Team aus Juristen und Entwicklern manuell an der Anpassung arbeiten zu lassen.
Legal AI trifft auf komplexe und unstrukturierte Daten
Gerade bei komplexer juristischer Arbeit sieht Grubel Grenzen heutiger General-Purpose-Systeme. Während beispielsweise beim Programmieren Tests oder Compiler vergleichsweise eindeutige Rückmeldungen liefern können, fehlt bei juristischen Aufgaben häufig ein ähnlich klares automatisches Bewertungssystem.
Hinzu kommen große Mengen unstrukturierter Daten. In einer Research Note verweist Grubel beispielsweise auf den Legal Agent Benchmark (LAB) von Harvey mit 1.660 juristischen Aufgaben aus synthetischen Rechtsangelegenheiten. Bei besonders datenintensiven Due-Diligence-Aufgaben können die zugrunde liegenden Datenräume laut Grubel von Zehntausenden bis zu mehreren Millionen Tokens umfassen.
Gemessen am Volumen juristischer Dienstleistungen ist der Einsatz von Technologie weiterhin vergleichsweise klein ist. Eine von DLA Piper veröffentlichte Marktübersicht bezifferte den globalen Legaltech-Markt für 2024 auf 26,7 Milliarden Dollar gegenüber rund 1,05 Billionen Dollar für juristische Dienstleistungen insgesamt.
Gleichzeitig nimmt die Individualisierung von Legal AI zu. Große Kanzleien investieren verstärkt in eigene oder angepasste KI-Lösungen, um komplexe juristische Aufgaben mit proprietären Daten und Workflows abzubilden.
Moritz Hardt und Reinhard Heckel verbinden TUM und Max-Planck-Forschung
Doch wer steckt eigentlich hinter Grubel? Moritz Hardt ist Direktor am Max-Planck-Institut für Intelligente Systeme und war zuvor Professor an der University of California, Berkeley sowie Forscher bei Google Brain. Sein Co-Founder Reinhard Heckel ist Professor für Machine Learning an der Technischen Universität München.
Ergänzt wird das Gründungsteam durch technische Mitarbeiter mit Erfahrung unter anderem bei Mistral, Aleph Alpha und Thomson Reuters. Damit bündelt Grubel Expertise in den Bereichen Trainingsdaten, Modelltraining, Retrieval und Evaluation.
„Für komplexe Rechtsangelegenheiten gibt es weder gute Trainingsdaten noch kann man die juristische Arbeit automatisch beurteilen“,
erklärt Reinhard Heckel.
„Die Herausforderung besteht darin, die richtigen Daten zu finden, sie zu Trainingsdaten und Aufgabenumgebungen aufzubereiten, das System an die jeweilige Rechtsangelegenheit anzupassen und anschließend zu prüfen, ob die juristische Arbeit gut ist.“
Kleinere KI-Modelle sollen bei Routineaufgaben reichen
Langfristig könnte der Ansatz auch für die Kostenstruktur von Legal AI relevant werden. Laut Grubel erfordert die Spezialisierung nicht zwangsläufig immer größere Modelle. Bei einfacheren Aufgaben könnten kleinere, effizientere Modelle eingesetzt werden, während leistungsfähigere Systeme gezielt komplexe Fälle bearbeiten.
Das Unternehmen spricht dabei von „Frontier performance at lower cost“ und will auch offene Modelle durch fallbezogene Spezialisierung konkurrenzfähiger machen. Zudem stellt Grubel lokale Deployments in Aussicht, bei denen sensible Daten auf der Infrastruktur des jeweiligen Nutzers verbleiben können.
Ob der Ansatz diesen Anspruch im produktiven Einsatz erfüllt, muss sich allerdings noch zeigen. Öffentlich zugängliche Angaben zu Kunden, Umsätzen oder konkreten kommerziellen Pilotprojekten liegen bislang nicht vor. Die bisher kommunizierten Ergebnisse beziehen sich auf Experimente und Forschungsarbeit.
