AI kan give større retssikkerhed, hvis teknologien bruges som kontrolleret beslutningsstøtte til at finde mønstre, dokumentere sagsbehandling og gøre praksis mere ensartet. Den kan ikke i sig selv skabe retfærdige afgørelser; gevinsten afhænger af datakvalitet, gennemsigtighed, menneskelig vurdering og klare klagemuligheder.
Hvad betyder retssikkerhed, når AI bruges i jura?
Retssikkerhed handler om, at regler anvendes forudsigeligt, at borgeren kan forstå grundlaget for en afgørelse, og at fejl kan opdages og prøves. Når AI bruges i juridisk arbejde, flytter spørgsmålet sig derfor fra, om teknologien er intelligent, til om den kan indgå i en kontrollerbar proces.
En AI-model kan sortere dokumenter, foreslå relevante kilder, sammenligne oplysninger eller markere afvigelser i store sagsmængder. Det kan give et bedre arbejdsgrundlag, men det gør ikke modellens output til en juridisk afgørelse. Retssikkerheden styrkes først, når mennesker kan se, hvorfor systemet foreslår noget, hvilke data der indgår, og hvor usikkerheden ligger.
I praksis er den vigtigste afgrænsning, at AI ikke bør være en usynlig autoritet. Den bør være et redskab, der kan efterprøves. Hvis en sagsbehandler, advokat, dommer eller offentlig myndighed ikke kan forklare, kontrollere og tilsidesætte systemets output, bliver teknologien en risiko frem for en beskyttelse.
Hvor kan AI konkret styrke retssikkerheden?
AI kan især bidrage på de områder, hvor retssikkerhed svækkes af uens praksis, langsom sagsbehandling eller manglende overblik. Det gælder ikke kun domstole, men også myndigheder, klageinstanser, juridiske afdelinger og organisationer, der behandler mange ensartede sager.
- AI kan hjælpe med at finde relevante dokumenter, afgørelser og lovforarbejder hurtigere.
- AI kan markere sager, der ligner hinanden, men behandles forskelligt.
- AI kan gøre interne kontrolspor mere detaljerede, hvis systemet logger input, output, modelversion og menneskelige ændringer.
- AI kan støtte kvalitetssikring ved at pege på manglende oplysninger, uklare begrundelser eller uoverensstemmelser i et udkast.
Den praktiske merværdi ligger i en bedre forberedt menneskelig beslutning. I stedet for at lade AI afgøre en sag kan du bruge teknologien til at reducere tilfældigheder i det materiale, mennesker skal vurdere. Det er en smallere, men mere realistisk vej til større retssikkerhed.
Hvorfor er ensartethed ikke det samme som retfærdighed?
Ensartethed er en del af retssikkerhed, men den er ikke nok. Et AI-system kan gøre fejl mere ensartede, hvis træningsdata, regler eller mål er forkerte. Hvis tidligere afgørelser indeholder skævheder, kan en model lære mønstre, der gentager forskelsbehandling med et teknisk udtryk.
Derfor skal ensartethed altid kobles til kvalitetskontrol. En model, der finder ligheder mellem sager, bør ikke kun vise, at to sager ligner hinanden. Den bør også gøre det muligt at undersøge, hvilke kriterier ligheden bygger på, og om kriterierne er relevante i den juridiske kontekst.
AI Mentor har en særskilt forklaring af håndtering af bias i AI, som viser, hvorfor skævheder sjældent kun er et teknisk problem. I jura kan bias opstå i data, i sagsudvælgelse, i historisk praksis eller i den måde et system evalueres på.
Hvordan kan AI gøre juridisk sagsbehandling mere sporbar?
Sporbarhed betyder, at man efterfølgende kan se, hvad der skete i en sag. Det kan være et stærkt retssikkerhedselement, fordi fejl bliver lettere at finde, og fordi borgeren, parten eller kontrolløren bedre kan forstå, hvordan et resultat blev til.
AI kan forbedre sporbarhed, hvis den er bygget ind i en dokumenteret arbejdsgang. Det kræver mere end en chatbot i en browser. Systemet skal kunne registrere, hvilke dokumenter der blev brugt, hvilken version af modellen der gav et forslag, hvilke dele mennesker accepterede, og hvilke dele der blev ændret eller afvist.
En enkel kontrolmodel kan se sådan ud:
| Kontrolpunkt | Retssikkerhedsværdi | Typisk svaghed |
|---|---|---|
| Dokumenteret datagrundlag | Gør det muligt at se, hvilke oplysninger forslaget bygger på | Uklare kilder eller blanding af relevante og irrelevante data |
| Model- og versionslog | Gør senere kontrol og gentest mulig | Samme sag kan give forskellige svar uden forklaring |
| Menneskelig ændringshistorik | Viser, hvem der tog ansvar for den endelige vurdering | AI-output kopieres uden faglig begrundelse |
| Klage- og rettelsesvej | Giver berørte personer en reel mulighed for at udfordre fejl | Systemets output behandles som neutralt facit |
Den slags sporbarhed er mere konkret end generelle løfter om ansvarlig AI. Den gør det muligt at teste, revidere og forklare brugen af teknologien, når en afgørelse får betydning for en person.
Hvilke risici kan svække retssikkerheden?
Den største risiko er ikke, at AI laver en enkelt fejl. Den største risiko er, at fejl bliver svære at opdage, fordi de pakkes ind i et system, der virker effektivt og objektivt. Juridiske processer kræver derfor særlig modstandskraft mod automatiseringsbias, dataskævhed og uigennemsigtige begrundelser.
Automatiseringsbias opstår, når mennesker lægger for stor vægt på et maskinelt forslag, fordi det fremstår beregnet. Det kan ske, selv når systemet kun er tænkt som støtte. I en juridisk kontekst kan det betyde, at et udkast, en risikomarkering eller en søgeprioritering får større vægt, end datagrundlaget kan bære.
Andre risici er mere tekniske. Generativ AI kan hallucinere kilder, sammenblande sagsfakta, overse undtagelser eller levere et overbevisende svar uden tilstrækkelig hjemmel. Klassiske maskinlæringssystemer kan ramme skævt, hvis de trænes på historiske afgørelser, der ikke repræsenterer den praksis, man ønsker fremover.
Derfor hænger retssikkerhed tæt sammen med risikostyring i AI-implementeringer. En juridisk AI-løsning bør have tydeligt formål, dokumenterede begrænsninger, test mod relevante brugergrupper og en plan for, hvordan fejl opdages efter idriftsættelse.
Hvordan bør mennesker kontrollere AI i juridiske beslutninger?
Menneskelig kontrol er kun meningsfuld, hvis den person, der kontrollerer systemet, har tid, kompetence og mandat til at ændre resultatet. En formel godkendelsesknap skaber ikke retssikkerhed, hvis brugeren ikke forstår modellen eller føler sig bundet af dens forslag.
En forsvarlig kontrolproces bør adskille tre ting: AI-systemets forslag, den faglige vurdering og den endelige begrundelse. Hvis de tre lag blandes sammen, bliver det svært at se, om afgørelsen hviler på juridisk vurdering eller på et statistisk mønster.
Du kan bruge følgende beslutningsrækkefølge som praktisk kontrol:
- Afklar først, om AI-systemet kun skal finde, sammenfatte eller kontrollere materiale.
- Vurder derefter, om output kan efterprøves mod konkrete kilder og sagsoplysninger.
- Undersøg, om systemet kan påvirke en persons rettigheder, pligter eller adgang til ydelser.
- Kræv ekstra dokumentation, hvis output får betydning for prioritering, risikovurdering eller afgørelse.
- Sørg for, at en kvalificeret person kan tilsidesætte systemet og forklare hvorfor.
Den afgørende test er, om den menneskelige vurdering er reel. Hvis AI alene bruges til at udarbejde et notat, som en jurist frit vurderer, er risikoen en anden end ved et system, der automatisk rangordner borgere, markerer mistanke eller foreslår udfald i en sag.
Hvad betyder EU’s AI Act for juridiske AI-systemer?
EU’s AI Act gør flere juridiske AI-systemer til højrisikosystemer, når de bruges af eller på vegne af en judiciel myndighed til at hjælpe med at undersøge og fortolke fakta og ret eller anvende retten på konkrete fakta. Det fremgår af Regulation (EU) 2024/1689 om harmoniserede regler for kunstig intelligens.
Højrisiko betyder ikke, at et system er forbudt. Det betyder, at brugen kræver strengere styring. Reglerne omfatter blandt andet risikostyring, datakvalitet, teknisk dokumentation, logning, gennemsigtighed, menneskeligt tilsyn, nøjagtighed, robusthed og cybersikkerhed. Offentlige aktører og visse private aktører skal desuden vurdere påvirkning af grundlæggende rettigheder før brug af relevante højrisikosystemer.
AI Act indeholder også forbudte praksisser. Et centralt eksempel er AI-systemer, der bruges til at vurdere eller forudsige risiko for, at en fysisk person begår en strafbar handling, hvis vurderingen udelukkende bygger på profilering eller personlighedstræk. Forbuddet udelukker ikke støtte til menneskelig vurdering, når den allerede bygger på objektive og verificerbare fakta direkte knyttet til kriminel aktivitet.
For retssikkerhed betyder det, at fremtidens juridiske AI ikke kun skal vurderes på præcision. Den skal også vurderes på formål, dokumentation, kontrolmuligheder og risiko for grundrettigheder. Det giver en mere praktisk ramme for, hvornår AI kan bruges ansvarligt i juridiske processer.
Hvordan hænger AI sammen med GDPR og automatiske afgørelser?
Når AI behandler personoplysninger, skal databeskyttelse indgå tidligt. GDPR regulerer ikke kun datalæk og samtykke; reglerne er også relevante, når automatiseret behandling får retsvirkning eller tilsvarende betydelig påvirkning for en person.
Databeskyttelsesforordningen indeholder regler om beslutninger, der udelukkende bygger på automatiseret behandling, herunder profilering. Den registrerede kan i centrale tilfælde have krav på beskyttelsesforanstaltninger som menneskelig indgriben, mulighed for at give sit synspunkt og mulighed for at bestride beslutningen.
For juridisk AI betyder det, at en organisation ikke kun skal spørge, om modellen er nyttig. Den skal også spørge, hvilke oplysninger modellen bruger, om oplysningerne er nødvendige, om de kan være følsomme, om der sker profilering, og hvordan en berørt person kan forstå og udfordre resultatet.
AI Mentor har en uddybning af GDPR for AI-træningsdata, som er relevant, når datagrundlaget skal vurderes før juridisk brug. I retssikkerhedssammenhæng er træningsdata ikke bare råmateriale; de kan påvirke, hvilke mønstre systemet anser for normale.
Hvordan kan organisationer teste AI før brug i jura?
Test bør begynde med formålet. Et system, der kun skal finde dokumenter, kan testes anderledes end et system, der markerer risiko eller foreslår afgørelsesudkast. Jo tættere systemet kommer på en persons rettigheder eller pligter, desto stærkere bør test, dokumentation og tilsyn være.
En nyttig testpakke bør mindst omfatte datatest, funktionstest, brugertest og retssikkerhedstest. Datatest undersøger, om oplysningerne er relevante, ajourførte og repræsentative. Funktionstest måler, om systemet faktisk gør det, det hævder. Brugertest viser, om mennesker forstår output og begrænsninger. Retssikkerhedstest undersøger, om fejl kan opdages, forklares og rettes.
NIST AI Risk Management Framework er ikke en dansk eller europæisk lovregel, men den er en autoritativ ramme for at arbejde systematisk med AI-risici. Den kan bruges som praktisk støtte til at definere målepunkter, ansvar og løbende kontrol, også når den juridiske vurdering følger europæiske regler.
Organisationer bør også teste mod negative scenarier. Hvad sker der, hvis dokumenter mangler? Hvad sker der, hvis en part bruger usædvanligt sprog? Hvad sker der, hvis gamle afgørelser trækker modellen mod en praksis, som senere er ændret? Retssikkerhed kræver test af grænsetilfælde, ikke kun gennemsnitlig performance.
Hvornår er generativ AI nyttig i juridisk arbejde?
Generativ AI er mest nyttig i juridisk arbejde, når opgaven handler om sprog, struktur og overblik. Den kan hjælpe med at formulere spørgsmål til en sag, opsummere lange dokumenter, lave første udkast til dispositioner eller pege på temaer, som bør undersøges nærmere.
Den er mindre egnet som selvstændig kilde til gældende ret. Generative modeller kan levere overbevisende, men forkerte henvisninger. De kan også misforstå små forskelle mellem en dom, en administrativ afgørelse, en vejledning og en politisk udmelding. I juridisk arbejde er den forskel ofte afgørende.
Derfor bør generativ AI kobles til verificerbare kilder, når den bruges til informationssøgning. Retrieval-augmented generation, hvor modellen arbejder med et afgrænset kildemateriale, kan være mere kontrollerbar end en åben model, men også her skal kilder, citater og konklusioner kontrolleres. AI Mentor forklarer beslægtede muligheder i gennemgangen af AI til undersøgelse af domspraksis.
Den praktiske regel er enkel: Brug generativ AI til at støtte læsning, struktur og kontrol, men ikke som endelig autoritet. Hvis output ikke kan føres tilbage til en pålidelig kilde eller en faglig vurdering, bør det ikke indgå som grundlag for en juridisk beslutning.
Hvad er en forsvarlig vej frem?
En forsvarlig vej frem er at begynde med lavrisikoopgaver og bygge dokumentation, før AI får større betydning i juridiske processer. Det kan være dokumentklassifikation, intern videnssøgning, sagsopsummering, anonymisering, kontrol af manglende bilag eller sammenligning af udkast med faste krav.
Næste trin kan være beslutningsstøtte, hvor systemet markerer forhold, som mennesker skal undersøge. Her bør organisationen have klare regler for, hvem der må bruge systemet, hvordan output kontrolleres, hvordan fejl registreres, og hvornår systemet skal tages ud af brug.
Den mest følsomme brug er systemer, der direkte påvirker prioritering, adgang, rettigheder, pligter eller mistanke. Her bør udgangspunktet være særlig dokumentation, uafhængig evaluering, klageadgang og tydelig information til de berørte. Hvis de krav ikke kan opfyldes, er teknologien ikke moden til den konkrete proces.
AI kan altså give større retssikkerhed i fremtiden, men kun som del af en ansvarlig institutionel praksis. Den bedste anvendelse er ikke at gøre afgørelser mere automatiske. Det er at gøre sagsgrundlaget bedre, fejl mere synlige og menneskelige beslutninger lettere at kontrollere.
Hvilke kilder ligger til grund?
De centrale kilder er EU’s AI Act, GDPR, CEPEJ’s European Ethical Charter on AI in judicial systems, Europarådets Framework Convention on Artificial Intelligence og NIST AI Risk Management Framework.