Kontrakter håndteres med AI ved at bruge værktøjer til strukturering, udtræk, sammenligning, udkast, risikoflag og opfølgning, mens mennesker bevarer ansvar for fortolkning, godkendelse og forhandling. Den sikre arbejdsgang bygger på klare datagrænser, dokumenterede kontroller, versionsstyring og løbende kvalitetstest.
Kontrakter håndteres bedst med AI som støtte til strukturering, udtræk, sammenligning, udkast og opfølgning, ikke som automatisk beslutningstager. Overblikket viser, hvordan datagrænser, menneskelig kontrol, leverandørkrav, versionsstyring, kildehenvisninger og risikotest gør kontraktarbejdet mere kontrollerbart i daglig drift.
Hvad kan AI gøre i kontraktarbejde?
AI kan gøre kontraktarbejde mere struktureret ved at læse store mængder tekst, identificere mønstre, udtrække klausuler og omsætte ustrukturerede dokumenter til oversigter. Det kan bruges ved udkast, gennemgang, sammenligning af versioner, opsummering af nøglevilkår, forpligtelsesstyring og søgning på tværs af kontraktarkiver.
Den praktiske værdi ligger især i at gøre rutineopgaver hurtigere og mere ensartede. AI kan for eksempel finde betalingsfrister, opsigelsesvarsler, ansvarsbegrænsninger, databehandlerbestemmelser, fortrolighedsklausuler og afvigelser fra en standardskabelon. Det kan også hjælpe med at prioritere, hvilke kontrakter der kræver menneskelig gennemgang først.
AI bør ikke behandles som en selvstændig kontraktpart eller automatisk dommer over, hvad der er korrekt. Kontrakter er afhængige af kontekst, branchepraksis, forhandlingsposition, risikovillighed og konkrete aftaleforhold. Derfor fungerer AI bedst som analyse- og klargøringsværktøj, ikke som erstatning for ansvarlig beslutning.
Hvor i kontraktprocessen giver AI mest værdi?
AI giver mest værdi, når opgaven er teksttung, gentagelig og kan kontrolleres mod en kendt kilde. Det gælder især første sortering, klausuludtræk, sammenligning mellem versioner, oversigter over forpligtelser og kontrol af, om en kontrakt mangler bestemte afsnit. Opgaver med høj konsekvens kræver stærkere menneskelig kontrol.
| Procestrin | AI-støtte | Menneskelig kontrol |
|---|---|---|
| Indledende modtagelse | Klassificerer kontrakttype og finder nøglefelter. | Kontrollerer fejl, manglende bilag og prioritet. |
| Udkast | Foreslår tekst ud fra godkendte skabeloner og instruktioner. | Vurderer formål, forhandlingsposition og konsekvenser. |
| Review | Markerer afvigelser, uklare formuleringer og usædvanlige vilkår. | Beslutter om klausulen accepteres, ændres eller eskaleres. |
| Drift | Finder frister, fornyelser, rettigheder og forpligtelser. | Sikrer opfølgning, ansvar og dokumentation. |
Hvis organisationen allerede bruger AI til oprettelse af kontrakter, bør udkast ikke stå alene. Det bør kobles til godkendte skabeloner, rollebaseret adgang, registrering af ændringer og en klar regel for, hvornår en afvigelse skal sendes videre til en specialist.
Hvordan bør kontraktdata forberedes til AI?
Kontraktdata bør forberedes ved at samle dokumenter, bilag, metadata og versionshistorik i en struktur, som AI-værktøjet kan læse uden at blande uafhængige aftaler sammen. Uden en stabil datamodel bliver output ofte upræcist, fordi værktøjet mangler kontekst eller bruger forkerte bilag som grundlag.
Et godt datasæt angiver mindst kontrakttype, parter, datoer, status, sprog, version, bilag, jurisdiktion eller geografisk relevans, intern ejer og risikoniveau. Det gør det muligt at adskille eksempelvis leverandøraftaler, databehandleraftaler, licensaftaler, ansættelsesrelaterede dokumenter og serviceaftaler. Det reducerer også risikoen for, at en klausul fra én aftaletype anvendes i en forkert sammenhæng.
Dataforberedelse bør også omfatte fjernelse eller afskærmning af oplysninger, der ikke er nødvendige for opgaven. Kontrakter kan indeholde personoplysninger, forretningshemmeligheder, priser, sikkerhedskrav, kundedata og fortrolige forhandlingsnoter. Hvis værktøjet bruger en ekstern AI-tjeneste, bliver datagrænser og leverandørvilkår lige så vigtige som selve tekstanalysen.
Hvordan bruges AI til at udtrække klausuler og nøglevilkår?
AI kan udtrække klausuler og nøglevilkår ved at identificere bestemte mønstre i kontrakttekst og placere dem i faste felter. Det kan være parter, startdato, udløbsdato, fornyelse, opsigelsesfrist, betalingsbetingelser, ansvarsloft, bod, fortrolighed, databehandling, lovvalg og tvistløsning. Udtrækket bør altid kunne spores tilbage til det konkrete tekststed.
Den vigtigste kvalitetskontrol er kildehenvisning i selve workflowet. Når AI markerer et ansvarsloft eller en opsigelsesfrist, bør brugeren kunne se den præcise passage i kontrakten. Uden sporbarhed bliver output svært at efterprøve, og små fejl kan blive dyre, især hvis tal, datoer eller undtagelser bliver gengivet forkert.
Ved AI i juridisk dokumentanalyse er fejlkategorierne ofte mere praktiske end teoretiske: oversete undtagelser, sammenblanding af bilag, forkert datoformat, uklar relation mellem hovedaftale og bilag eller forveksling af standardtekst og konkret forhandlet tekst. Derfor bør udtræk kontrolleres med stikprøver, faste tærskler og eskalering ved lav sikkerhed.
Hvordan kan AI hjælpe med at sammenligne kontraktversioner?
AI kan sammenligne kontraktversioner ved at finde ændringer i ordlyd, struktur, risikoniveau og manglende afsnit. Det er nyttigt, når en modpart har ændret en standardaftale, når der findes flere udkast, eller når en organisation vil se, hvordan en kontrakt afviger fra en godkendt skabelon.
En almindelig tekstsammenligning viser, hvilke ord der er ændret. AI kan supplere ved at gruppere ændringer efter betydning: betalingsvilkår, ansvar, databeskyttelse, opsigelse, service levels, underleverandører eller rettigheder til materiale. Den kan også fremhæve, om en ændring flytter risiko fra den ene part til den anden.
Den menneskelige kontrol bør fokusere på konsekvens, ikke kun ordlyd. En lille ændring i “skal” til “kan”, en tilføjet undtagelse eller et slettet bilag kan have større betydning end en lang sproglig omskrivning. AI kan pege på forskellen, men den kan ikke alene afgøre, om ændringen er acceptabel i den konkrete forhandling.
Hvordan begrænses fejl, hallucinationer og falsk sikkerhed?
Generativ AI kan give svar, der lyder sikre, men ikke passer med dokumentet. NIST beskriver denne risikotype som confabulation, hvor systemet producerer indhold, der kan virke plausibelt uden at være korrekt. I kontraktarbejde kan det betyde forkert opsummering, opfundne klausuler, oversete undtagelser eller fejlagtige henvisninger.
Fejl begrænses bedst med et lukket og kontrollerbart workflow. Værktøjet bør kun svare ud fra de dokumenter, der er valgt til opgaven, og output bør vise kilder, usikkerhed og tekstpassager. Svar bør afvises, hvis de ikke kan knyttes til kontrakten, standardskabelonen eller en godkendt intern regel.
Test bør omfatte realistiske kontrakter, ikke kun simple demoer. Brug eksempler med modstridende bilag, skjulte undtagelser, ændrede datoer, fremmedsprog, scannede dokumenter, gamle versioner og ufuldstændige aftalepakker. Hvis værktøjet kun testes på pæne standarddokumenter, vil det ofte se stærkere ud end i den daglige drift.
Hvordan håndteres fortrolighed og persondata?
Kontrakter indeholder ofte fortrolige oplysninger og personoplysninger. Det kan være kontaktpersoner, medarbejderdata, betalingsoplysninger, tekniske sikkerhedskrav, kundelister, prisbilag eller kommercielle strategier. Hvis AI-værktøjet behandler sådanne oplysninger, skal organisationen vurdere rollefordeling, behandlingsgrundlag, dataminimering, adgang, logning, opbevaring og sletning.
GDPR bliver relevant, når kontrakterne indeholder oplysninger om identificerede eller identificerbare personer. Det gælder både ved upload til en ekstern tjeneste, intern søgning, automatiseret udtræk, træning eller finjustering. Hvis leverandøren bruger indsendte dokumenter til at forbedre egne modeller, kræver det en særskilt vurdering og tydelige vilkår.
For praktisk drift bør organisationen fastlægge, hvilke kontrakter der må behandles i hvilke værktøjer. Højfortrolige aftaler, personfølsomme bilag eller kontrakter med strenge tavshedskrav kan kræve lokal behandling, privat cloud, særskilt databehandleraftale eller manuel håndtering. databeskyttelse ved AI-API’er bør derfor indgå i kontraktworkflowets tekniske design.
Hvordan bør roller og ansvar placeres?
Roller bør placeres efter, hvem der ejer kontrakten, hvem der må ændre den, hvem der må godkende afvigelser, og hvem der overvåger AI-værktøjet. En klar rollemodel forhindrer, at output fra AI glider direkte ind i kontrakter uden faglig kontrol. Det gør også fejl lettere at spore.
En typisk model adskiller bruger, kontraktejer, faglig reviewer, dataansvarlig funktion, IT-sikkerhed og systemejer. Brugeren kan starte analyse og udkast. Kontraktejeren vurderer forretningsmæssig betydning. Revieweren kontrollerer formuleringer og risici. Systemejer og sikkerhedsfunktion kontrollerer adgang, leverandør, logging og modelændringer.
Rollefordelingen bør dokumenteres i en AI-politik eller et styringssystem. ISO/IEC 42001 beskriver et AI management system som et sæt politikker, mål og processer for ansvarlig udvikling, levering eller brug af AI-systemer. I kontraktarbejde betyder det, at AI ikke kun er et værktøj i en browser, men en kontrolleret proces med ejerskab, målinger og forbedring.
Hvilke krav bør stilles til leverandører?
Leverandørkrav bør dække data, sikkerhed, funktionalitet, revisionsmuligheder, modelændringer, underleverandører og ophør. NIST’s generative AI-profil anbefaler, at indkøbs- og leverandørvurderinger for generativ AI udvides til blandt andet immaterielle rettigheder, databeskyttelse, sikkerhed, tredjepartsrisici og løbende monitorering.
Før et kontraktværktøj tages i brug, bør leverandøren kunne forklare, hvor data behandles, om dokumenter bruges til træning, hvor længe input og output gemmes, hvilke logdata der oprettes, hvilke underleverandører der indgår, og hvordan kunder kan få data slettet eller eksporteret. Svarene bør indgå i både sikkerhedsvurdering og kontraktvilkår.
Det er også relevant at spørge til modelversioner og ændringer. Hvis leverandøren opdaterer modellen, retrieval-metoden eller dokumentparseren, kan resultaterne ændre sig. En god aftale beskriver varsel, testmulighed, incident-håndtering, support, databrud, audit og ansvarsplacering, så kontraktflowet ikke afhænger af en uvarslet teknisk ændring.
Hvordan bruges AI til opfølgning efter underskrift?
AI kan bruges efter underskrift til at holde styr på frister, fornyelser, opsigelser, leverancer, prisreguleringer, rapporteringskrav, databehandlerforpligtelser og service levels. Det er ofte her, værdien bliver konkret, fordi mange kontraktrisici opstår, når aftaler ikke følges op i tide.
Et kontraktarkiv kan beriges med udtrukne forpligtelser og ansvarlige interne ejere. AI kan foreslå påmindelser, samle oversigter og finde kontrakter med bestemte risikoelementer. Men opfølgningen skal kobles til faktiske arbejdsprocesser. En frist i et AI-resume hjælper ikke, hvis den ikke er knyttet til en kalender, en ansvarlig person og en eskaleringsregel.
Organisationen bør også bevare den underskrevne version som autoritativ kilde. AI-genererede oversigter kan være nyttige driftsværktøjer, men de må ikke erstatte den bindende tekst. Når der er konflikt mellem en oversigt og kontrakten, skal kontrakten og de relevante bilag være udgangspunktet.
Hvordan spiller EU AI Act ind på kontraktværktøjer?
EU AI Act kan være relevant, hvis kontraktværktøjet indgår i en reguleret AI-kontekst, eller hvis AI bruges til beslutninger med væsentlig påvirkning af personer. Almindelig kontraktopsummering er ikke automatisk et højrisko-AI-system. Men brugen kan få en anden karakter, hvis værktøjet påvirker adgang til arbejde, kredit, offentlige ydelser, uddannelse eller andre følsomme områder.
AI Act erstatter ikke GDPR. Forordningen siger, at EU-regler om databeskyttelse fortsat gælder, når AI-systemer behandler personoplysninger. Derfor skal kontraktværktøjer vurderes både som AI-systemer og som databehandling, hvis de håndterer personoplysninger eller fortrolige dokumenter.
Den praktiske tilgang er at lave en AI-inventarliste: hvilke kontraktværktøjer bruges, hvilke data behandles, hvilke beslutninger understøttes, hvem påvirkes, og hvilke kontroller findes. En sådan oversigt passer med EU AI Act og med bredere AI governance, fordi den gør det tydeligt, hvor risikoen faktisk ligger.
Hvilken arbejdsgang er sikker nok til daglig brug?
En sikker arbejdsgang begynder med en afgrænset opgave. Værktøjet bør vide, om det skal udtrække, sammenligne, opsummere eller foreslå tekst. Det bør bruge kendte dokumenter og godkendte skabeloner, og output bør mærkes som udkast eller analyse, indtil en ansvarlig person har kontrolleret det.
- Afgræns kontrakttype, formål og tilladt datagrundlag.
- Brug kun dokumenter, som må behandles i det valgte AI-værktøj.
- Kræv kildehenvisning til konkrete kontraktpassager ved udtræk og resume.
- Test output mod standardklausuler, bilag, tal, datoer og undtagelser.
- Lad afvigelser med høj risiko gå til menneskelig review.
- Gem version, output, beslutning og ansvarlig godkender.
- Overvåg fejl, brugerfeedback og leverandørændringer løbende.
Arbejdsgangen bør være enkel nok til at blive brugt i praksis. Hvis kontrollen bliver for tung, flytter brugerne ofte opgaven til uautoriserede værktøjer. Hvis kontrollen er for svag, risikerer organisationen fejlagtige kontraktoversigter, datalækage og uklart ansvar. Det robuste niveau ligger i synlige datagrænser, sporbarhed og klare stopregler.
Hvilke kilder ligger til grund?
Artiklen bygger på NIST AI Risk Management Framework, NIST AI 600-1 Generative AI Profile, ISO/IEC 42001:2023 om AI management systems, GDPR-forordningen på EUR-Lex og EU AI Act på EUR-Lex.