Brug af AI til oprettelse af kontrakter i fremtiden

AI kan i fremtiden gøre kontraktarbejde hurtigere ved at udforme udkast, finde mangler og tilpasse standardvilkår, men teknologien kan ikke selv garantere juridisk holdbarhed. Den mest realistiske brug er et kontrolleret samspil mellem automatisering, dokumentdata, faglig gennemgang og tydelige godkendelsesregler.

Hvad betyder AI for fremtidens kontraktarbejde?

AI flytter kontraktarbejde fra manuel tekstproduktion til en mere styret proces, hvor mennesker beskriver behovet, systemet foreslår struktur og formuleringer, og fagpersoner kontrollerer resultatet. Det ændrer ikke kun hastigheden. Det ændrer også, hvor fejl kan opstå, og hvilke kontroller der skal ligge før en aftale sendes, underskrives eller arkiveres.

I praksis vil AI især blive brugt til gentagne dokumenttyper, hvor organisationen allerede har standardvilkår, godkendte skabeloner og kendte risikopunkter. Det kan være fortrolighedsaftaler, simple leverandøraftaler, databehandleraftaler, ansættelsesrelaterede bilag eller interne kontraktnotater. Jo mere usædvanlig aftalen er, desto mere skal AI-outputtet behandles som et arbejdsudkast og ikke som et færdigt dokument.

En brugbar kontraktproces kræver derfor mere end en sprogmodel. Den kræver en afgrænset opgave, opdaterede skabeloner, en klar rollefordeling og dokumenteret menneskelig kontrol. På AI Mentor findes en mere grundlæggende forklaring af hvordan kontrakter håndteres med AI, som passer til de praktiske dele af samme udvikling.

Hvilke dele af en kontrakt kan AI hjælpe med?

AI er stærkest i de dele af kontraktarbejdet, hvor opgaven kan beskrives sprogligt og kontrolleres mod kendte krav. Systemet kan foreslå en disposition, omskrive uklare formuleringer, sammenfatte ændringer, udpege modstrid mellem afsnit og lave en første sammenligning mellem en skabelon og en modparts udkast.

Det betyder ikke, at AI forstår aftaleforholdet som en erfaren fagperson. En model kan genkende mønstre i kontrakttekst og producere sandsynlige formuleringer, men den har ikke adgang til alle kommercielle hensyn, forhandlingsmål, interne beslutninger eller nyeste praksis, medmindre de er stillet til rådighed på en kontrolleret måde. Den kan derfor hjælpe med tekst og analyse, men den bør ikke alene beslutte risikofordeling.

• AI kan lave førsteudkast ud fra en skabelon, en kort kravbeskrivelse og valgte klausultyper.
• AI kan kontrollere, om definerede begreber bruges konsekvent på tværs af dokumentet.
• AI kan foreslå alternative formuleringer, når et vilkår er for bredt, for uklart eller ikke passer til kontrakttypen.
• AI kan opsummere ændringer mellem versioner, så en reviewer hurtigere kan finde de vigtigste afvigelser.
• AI kan hjælpe med at omdanne forhandlingsnoter til konkrete forslag, som derefter skal vurderes fagligt.

Hvor går grænsen mellem udkast og juridisk beslutning?

Den afgørende grænse går ved beslutningen om, hvad aftalen faktisk skal binde parterne til. AI kan foreslå ordlyd, men den bør ikke være den enhed, der vælger risikoniveau, accepterer ansvarsbegrænsninger, fortolker uafklaret lovgivning eller vurderer, om en konkret modpart bør godkendes. De valg kræver kontekst, ansvar og ofte juridisk eller kommerciel dømmekraft.

En praktisk metode er at opdele kontraktarbejdet i tre niveauer. Første niveau er sproglig støtte, hvor AI hjælper med struktur, klarhed og variation. Andet niveau er dokumentanalyse, hvor AI peger på mangler, konflikter og afvigelser. Tredje niveau er beslutning, hvor et menneske tager stilling til risiko, forhandling og godkendelse. Jo tættere opgaven er på tredje niveau, desto stærkere skal kontrollen være.

Denne opdeling gør teknologien mere brugbar, fordi den undgår en falsk enten-eller-debat. AI behøver ikke være fejlfri for at give værdi i det første niveau. Men samme system kan være utilstrækkeligt i en beslutning, hvor fejl får direkte økonomiske eller retlige konsekvenser.

Hvorfor er dokumentgrundlaget vigtigere end selve modellen?

Fremtidens kontrakt-AI vil i høj grad afhænge af de dokumenter, regler og skabeloner, den må arbejde med. En generel model kan skrive flydende tekst, men en kontraktproces kræver ofte adgang til virksomhedens accepterede klausuler, tidligere afvigelser, interne politikker og versionshistorik. Uden det grundlag kan svaret være pænt formuleret, men forkert prioriteret.

Det mest robuste setup er normalt ikke at bede AI opfinde en kontrakt fra bunden. Det er at lade systemet arbejde inden for godkendte byggeklodser. En organisation kan for eksempel have standardklausuler for fortrolighed, ansvar, databehandling, ophør, tvistløsning og ændringshåndtering. AI kan så vælge, kombinere og tilpasse forslag, mens systemet samtidig markerer, hvilke dele der kræver manuel godkendelse.

Derfor bliver kontraktdatabasen, skabelonstyringen og dokumentklassificeringen centrale. Jo bedre metadata om dokumenttype, jurisdiktion, modpart, risikoniveau og godkendelsesstatus er, desto lettere er det at kontrollere AI-forslag. Det ligner udviklingen i AI i juridisk dokumentanalyse, hvor værdien ofte ligger i at strukturere dokumenter før konklusionen drages.

Hvilke fejltyper er mest relevante ved AI-kontrakter?

De mest relevante fejl er sjældent stavefejl. De er skjulte substansfejl, hvor en formulering lyder korrekt, men flytter risiko, udelader en nødvendig betingelse eller bruger en klausul uden at passe den til aftalens kontekst. En anden fejltype er falsk sikkerhed, hvor systemet giver et klart svar på et spørgsmål, der kræver lokal fortolkning eller opdateret viden.

NIST beskriver i sin profil for generativ AI flere risici, der er direkte relevante for kontrakter: fejlagtigt indhold, databeskyttelse, informationsintegritet, overafhængighed af systemet og immaterielle rettigheder. Det er ikke kontraktspecifikke regler, men de giver et godt risikokort for tekstsystemer, der bruges i dokumentprocesser.

Forskning i juridiske hallucinationer viser samme problem fra en juridisk vinkel. Studiet Large Legal Fictions dokumenterer, at sprogmodeller kan give faktuelt forkerte juridiske svar, også når spørgsmålene er verificerbare. Det betyder ikke, at AI ikke kan bruges i kontraktarbejde. Det betyder, at systemets output skal kontrolleres mod kilder, skabeloner og ansvarlige beslutninger.

En praktisk fejlmatrix kan hjælpe med at placere kontrollen rigtigt:

Den generelle risiko for AI-hallucination er særlig vigtig i kontrakter, fordi en enkelt sikker formulering kan skjule et forkert udgangspunkt. Derfor bør kontrolprocessen måle kvaliteten af konkrete kontraktopgaver og ikke kun den sproglige kvalitet.

Hvordan kan en sikker arbejdsproces se ud?

En sikker proces begynder med klassificering af opgaven. Du bør først afklare, om der er tale om en simpel standardsag, en ændring af en eksisterende aftale, en forhandling med høj økonomisk betydning eller et dokument med personoplysninger, regulerede data eller særlige forpligtelser. Klassificeringen bestemmer, hvor meget AI må gøre.

Derefter bør arbejdet styres i faste trin. Systemet får kun de oplysninger, der er nødvendige for opgaven. Det vælger eller foreslår en skabelon. Det markerer usikre valg. En reviewer kontrollerer risikopunkter, databehandling, definitioner, ansvarsgrænser og afvigelser fra standard. Først derefter kan dokumentet sendes videre til godkendelse eller forhandling.

1. Afklar kontrakttype, parternes roller og risikoniveau.
2. Vælg en godkendt skabelon eller et godkendt klausulbibliotek.
3. Begræns input til relevante oplysninger og fjern unødige persondata.
4. Lad AI lave udkast, resume eller afvigelsesliste inden for den afgrænsede opgave.
5. Kontroller output mod skabelon, kilder, forretningskrav og interne godkendelsesregler.
6. Gem version, reviewer, beslutningsgrundlag og eventuelle fravigelser.

Denne rækkefølge gør AI til et procesværktøj frem for en uformel genvej. Det er også her risikostyring i AI-implementeringer bliver konkret: risikoen reduceres ikke kun ved at vælge en bedre model, men ved at styre adgang, opgaver, test, ansvar og dokumentation.

Hvilken rolle får mennesker i fremtidens kontraktproces?

Menneskers rolle bliver mindre centreret om at skrive hvert førsteudkast manuelt og mere centreret om at fastlægge rammer, kontrollere afvigelser og tage ansvarlige beslutninger. Det kræver en anden type kompetence. Den person, der bruger AI, skal kunne stille en præcis opgave, vurdere kilder, forstå kontraktens risikologik og opdage, når et output lyder bedre end det er.

EU’s AI Act indfører et krav om AI-literacy for udbydere og anvendere af AI-systemer, så personer, der bruger systemerne på organisationens vegne, har tilstrækkelig viden i forhold til konteksten. I kontraktarbejde peger det mod praktisk træning: hvornår output kan bruges direkte som sprogudkast, hvornår der kræves juridisk gennemgang, og hvornår sagen skal eskaleres.

Den menneskelige rolle er også vigtig i forhandling. En kontrakt er ikke kun et dokument, men en afvejning af parternes interesser. AI kan foreslå en mildere formulering eller finde en modstrid, men den kan ikke selv kende organisationens risikovillighed, relationen til modparten eller konsekvensen af at presse et vilkår for langt.

Hvordan påvirker GDPR og fortrolighed brugen?

Kontrakter indeholder ofte personoplysninger, forretningshemmeligheder, priser, tekniske beskrivelser eller oplysninger om interne processer. Hvis de oplysninger behandles i et AI-system, skal organisationen vide, hvem der er dataansvarlig, hvem der er databehandler, hvor data behandles, om data bruges til modeltræning, og hvilke slette- og sikkerhedsregler der gælder.

GDPR’s grundprincipper om blandt andet formålsbegrænsning, dataminimering og integritet er relevante, når kontraktdata sendes til en AI-løsning. Det betyder, at du ikke bør indsætte mere materiale end nødvendigt, og at følsomme eller fortrolige oplysninger bør pseudonymiseres eller udelades, hvis opgaven kan løses uden dem. Retten til ikke at være underlagt visse afgørelser baseret alene på automatiseret behandling kan også blive relevant, hvis kontraktprocessen påvirker en person direkte.

For organisationer bliver datagrænsen et centralt designvalg. Nogle opgaver kan løses i en lukket løsning med interne dokumenter og adgangsstyring. Andre kan håndteres med anonymiserede uddrag. Mere følsomme sager bør ikke sendes til generelle værktøjer uden en klar leverandøraftale og sikkerhedsmodel. En nærliggende teknisk vinkel er beskyttelse af data ved brug af AI-APIer.

Hvornår bliver AI i kontrakter reguleringsmæssigt følsomt?

AI i kontraktudkast er ikke automatisk højrisiko efter EU’s AI Act. Følsomheden afhænger af det tiltænkte formål, hvem systemet påvirker, og om output bruges i områder, der er særskilt nævnt i forordningen. Et internt skriveværktøj til standardkontrakter er noget andet end et system, der vurderer personer, adgang til ydelser eller juridiske spørgsmål i en myndigheds- eller domstolslignende sammenhæng.

AI Act nævner blandt andet højrisikoområder som uddannelse, beskæftigelse, adgang til væsentlige ydelser, retshåndhævelse og administration af retspleje. Hvis et kontraktværktøj indgår i beslutninger om en persons ansættelsesvilkår, adgang til en service eller anden væsentlig påvirkning, kan risikobilledet ændre sig. Derfor skal brugen vurderes ud fra funktion og konsekvens, ikke kun ud fra navnet på værktøjet.

Den officielle oversigt over AI Act fra Europa-Kommissionen viser også, at reglerne anvendes gradvist. Det gør løbende governance vigtigt. En organisation bør kunne dokumentere, hvilke AI-systemer der bruges, hvilke kontraktopgaver de understøtter, og hvilke menneskelige kontroller der findes.

Hvordan kan kvaliteten måles før systemet bruges bredt?

Kvalitet bør måles på konkrete kontraktopgaver, ikke på generelle demonstrationer. Et system kan være godt til at omskrive tekst og samtidig dårligt til at finde risikable afvigelser. Det kan være stærkt på engelske standardvilkår og svagere på danske formuleringer. Det kan klare simple fortrolighedsaftaler, men fejle på databehandleraftaler eller komplekse leverancevilkår.

Et godt testgrundlag består af kendte dokumenter med facit eller reviewer-noter. Organisationen kan måle, om AI finder de relevante afvigelser, foreslår acceptable klausuler, bevarer definerede begreber, undgår udokumenterede påstande og markerer usikkerhed. Fejl bør kategoriseres efter alvor: sproglig fejl, procesfejl, kommerciel risiko, databeskyttelsesrisiko eller juridisk substansfejl.

LegalBench viser, at juridisk ræsonnement kan opdeles i mange forskellige opgavetyper. Den pointe er nyttig for kontrakter: man bør ikke måle AI som én samlet evne. Udkast, sammenligning, klausulklassificering, risikomarkering og kildeverifikation er forskellige opgaver og kræver forskellige test.

Hvad ændrer sig, når AI bliver koblet til kontraktsystemer?

Den største ændring kommer, når AI ikke kun skriver tekst, men kobles til kontraktstyring, dokumentarkiver, e-signatur, godkendelsesflows og data om leverandører eller kunder. Så kan systemet foreslå den rigtige skabelon, hente relevante metadata, sende udkast til rette reviewer og registrere afvigelser. Det kan gøre kontraktarbejde mere ensartet, men også gøre fejl mere systematiske, hvis styringen er svag.

Integration giver derfor både værdi og ansvar. En isoleret samtale kan glemmes, men et integreret system kan påvirke mange dokumenter og processer. Det kræver logging, adgangsroller, versionering og mulighed for at spore, hvorfor et vilkår blev valgt. Hvis AI skal bruge tidligere kontrakter, skal det også være klart, hvilke aftaler der må bruges som reference, og hvilke der er forældede, fortrolige eller for særlige til at genbruge.

Fremtidens kontraktplatforme vil sandsynligvis kombinere regelbaserede kontroller med generativ tekst. Reglerne kan sige, at en ansvarsgrænse over et bestemt niveau kræver godkendelse. AI kan forklare afvigelsen og foreslå en formulering. Den kombination er ofte mere kontrollerbar end en løsning, hvor en model alene producerer hele dokumentet uden faste grænser.

Hvilke kontrolpunkter bør virksomheder starte med?

Virksomheder bør begynde med de kontrakter, hvor arbejdsprocessen allerede er relativt standardiseret. Det giver et bedre grundlag for at måle fejl, genbruge skabeloner og opbygge klare godkendelsesregler. Højrisikoaftaler, strategiske forhandlinger og dokumenter med særligt følsomme oplysninger bør vente, indtil organisationen har erfaring og dokumenteret kontrol.

Et enkelt startsetup kan bestå af fem beslutninger. Hvilke kontrakttyper må AI bruges til? Hvilke dokumenter må indgå som grundlag? Hvilke oplysninger må ikke indtastes? Hvem skal godkende output? Hvordan registreres fejl og fravigelser? Når de spørgsmål er besvaret, kan teknologien afprøves uden at gøre alle kontrakter til et eksperiment.

• Lav en liste over tilladte og forbudte kontraktopgaver for AI.
• Udpeg godkendte skabeloner og klausuler, som systemet må arbejde med.
• Definer, hvilke data der må indgå i eksterne og interne AI-løsninger.
• Indfør obligatorisk menneskelig kontrol for økonomisk, juridisk eller persondatarelateret risiko.
• Mål fejl systematisk og opdater skabeloner, instruktioner og adgangsregler efter erfaring.

Det vigtigste er ikke at automatisere alt på én gang. Den mest holdbare udvikling er trinvis: start med tekststøtte, gå videre til dokumentanalyse, og først derefter til dybere integration i kontraktstyringen. Hver fase bør have klare stopregler, så teknologien ikke stille og roligt flytter beslutningsansvar væk fra de personer, der skal bære det.

Hvilke kilder ligger til grund?

Artiklen bygger på NISTs profil for generativ AI-risikostyring, forskningen i juridiske hallucinationer i store sprogmodeller, LegalBench-studiet af juridiske AI-opgaver, Europa-Kommissionens officielle oversigt over EU’s AI Act og den konsoliderede tekst til GDPR.