Die Aufklärung komplexer Sachverhalte jenseits von Interviews ist seit jeher eine Herausforderung für Kanzleien, Rechtsabteilungen und Complianceverantwortliche. Zugleich wächst das Volumen potentiell relevanter Informationen kontinuierlich: E-Mails, Chatnachrichten, Dokumente, Kalendereinträge und Audit-Logs bilden heute den digitalen Rohstoff nahezu jeder größeren Untersuchung. Seither hat sich eDiscovery als etablierte Methode zur strukturierten Auswertung großer Datenmengen entwickelt. Generative KI verändert nun auch dieses Feld juristischer Arbeit grundlegend und eröffnet neue Möglichkeiten der Sachverhaltsaufklärung.
eDiscovery im deutschsprachigen Raum: Andere Voraussetzungen als im Common Law
Der Begriff „eDiscovery“ entstammt dem Prozessrecht in Common-Law-Jurisdiktionen, insbesondere dem US-Recht. Dort beschreibt er die rechtliche Verpflichtung von Streitparteien, potentiell relevante Dokumente offenzulegen. Daraus haben sich über viele Jahre klar standardisierte Prozesse, Rollen, Technologien und eine hochspezialisierte Anbieterlandschaft entwickelt. Typischerweise umfasst der eDiscovery-Prozess die Sicherung von Daten, deren Sammlung, Analyse, Überprüfung und gegebenenfalls die Offenlegung gegenüber Behörden oder Prozessgegnern.
Im deutschsprachigen Raum findet eDiscovery überwiegend außerhalb zivilprozessualer Offenlegungspflichten statt. Ein häufiger Anwendungsfall sind interne Untersuchungen zu Betrugs-, Korruptions- oder arbeitsrechtlichen Vorwürfen. Darüber hinaus kommen eDiscovery-Methoden auch bei regulatorischen Untersuchungen, Kartellverfahren oder Datenschutz- und Cybervorfällen zum Einsatz.
Vielfach übersehen wird dabei, dass sich die Rahmenbedingungen erheblich von denen typischer Common-Law-Jurisdiktionen unterscheiden. Die primär für große US-Verfahren entwickelten Vorgehensweisen basieren zumeist auf der Annahme, dass sämtliche potentiell relevanten Daten zunächst erfasst und anschließend gefiltert werden („collect first, filter later“). Gleichzeitig werden Verfahren häufig durch spezialisierte Kanzleien und eDiscovery-Professionals gesteuert – denn angesichts oft immenser Streitwerte in US-Verfahren muss der gesamte Prozess nachvollziehbar, reproduzierbar und im Streitfall belastbar sein.
In Deutschland sieht die Situation häufig anders aus. Datenschutzrechtliche Einschränkungen, Mitbestimmungsrechte, interne Genehmigungsprozesse und der Wunsch nach verhältnismäßigen Untersuchungen führen oft dazu, dass Daten zunächst eingegrenzt und dann erst gesammelt werden („filter first, collect later“). Viele Untersuchungen werden zudem durch Unternehmensjuristen, Complianceverantwortliche oder kleinere Kanzleiteams gesteuert, die keine ausgewiesenen eDiscovery-Spezialisten sind. Nicht selten endet eine eDiscovery bereits nach einigen gezielten Suchen, ohne dass ein vollständiger Review- oder Produktionsprozess durchlaufen wird.
Gerade diese Unterschiede schaffen günstige Voraussetzungen für den Einsatz generativer KI. Während hochformalisierte Discovery-Verfahren jeden einzelnen Arbeitsschritt detailliert dokumentieren müssen, steht bei vielen europäischen Investigations stärker das Erkenntnisinteresse im Vordergrund. Das eröffnet Spielräume für neue, KI-gestützte Arbeitsweisen.
Generative KI verändert die Logik bestehender eDiscovery-Workflows
Die erste Generation von eDiscovery-Technologien war primär darauf ausgelegt, große Datenmengen beherrschbar zu machen. Suchfunktionen, Filtermechanismen, Deduplizierung, Analytiklösungen und später Machine-Learning-Verfahren dienten vor allem dazu, den Aufwand für die manuelle Dokumentensichtung zu reduzieren. KI galt dabei überwiegend als Optimierung einzelner Prozessschritte.
Generative KI verändert diesen Ansatz von Grund auf. Erstmals steht eine Technologie zur Verfügung, die Sprache, Dokumente und Zusammenhänge unmittelbar verarbeiten kann. Statt lediglich Informationen vorzuselektieren, kann sie Inhalte zusammenfassen, Hypothesen formulieren, Beziehungen herstellen und Sachverhalte in natürlicher Sprache erläutern.
Dadurch beginnen bislang getrennte Arbeitsschritte zu verschmelzen. Ein Ermittler kann heute Fragen direkt an einen Datensatz stellen, ohne zuvor eine komplexe Suchsyntax entwickeln oder einzelne Dokumente übersetzen zu müssen. Einschätzungen, Faktenanalyse und die Identifikation relevanter Dokumente erfolgen zunehmend innerhalb desselben Arbeitsablaufs. Erkenntnisse entstehen nicht mehr ausschließlich durch einen linearen Prozess, sondern durch den Dialog zwischen Mensch und System. Der Schwerpunkt verschiebt sich von der Durchführung einzelner Verfahrensschritte hin zur effizienten Gewinnung belastbarer Erkenntnisse.
Generative KI: ein Entwicklungssprung für Investigations
Generative KI entfaltet ihre größte Stärke bei Investigations nicht in der Fähigkeit, Texte zu erzeugen. Ihre zentrale Bedeutung ergibt sich vielmehr daraus, dass sie Wissen aus unterschiedlichen Informationsfragmenten konstruieren kann.
Traditionelle Suchtechnologien finden Dokumente. Menschen müssen anschließend die Inhalte lesen, Zusammenhänge herstellen und daraus ein Gesamtbild entwickeln. Genau dieser Prozess der Wissenskonstruktion war bisher kaum automatisierbar.
Moderne KI-Systeme können Informationen aus unterschiedlichen Quellen und Sprachen zusammenführen und in einen gemeinsamen Kontext stellen. Sie identifizieren Personen, Ereignisse, Organisationen und zeitliche Zusammenhänge. Aus einzelnen E-Mails, Meeting-Protokollen, Chatnachrichten oder Unternehmensdokumenten entsteht dadurch schrittweise ein strukturierter Wissensraum – in modernen Architekturen oft als „Knowledge Layer“ bezeichnet, der Kontext aus dem Datenbestand aufbereitet und für weitere Analysen nutzbar macht.
Damit nähert sich die Technologie erstmals einer Fähigkeit an, die bislang fast ausschließlich menschlichen Ermittlern vorbehalten war: der Rekonstruktion von Sachverhalten. Konkret bedeutet das, dass Systeme automatisch Zeitleisten erzeugen, Widersprüche identifizieren, beteiligte Personen verknüpfen, Faktennarrative erstellen und sogar Emotionen aus der Kommunikation herauslesen können. Für Internal Investigations ist das besonders wertvoll, weil der eigentliche Erkenntnisgewinn häufig nicht aus einzelnen Dokumenten resultiert, sondern aus der Verbindung vieler kleiner Informationsfragmente.
Gerade bei Korruptions-, Kartell- oder Compliancesachverhalten besteht die Herausforderung selten darin, ein einzelnes belastendes Dokument zu finden. Stattdessen geht es darum, aus Tausenden Kommunikationsvorgängen nachvollziehbar abzuleiten, wer wann was wusste und welche Handlungen möglicherweise daraus folgten.
Ein KI-Chat ersetzt keinen Dokumentenreview
Sind klassische eDiscovery-Plattformen damit überholt? Wohl kaum. Eine verbreitete Fehlvorstellung besteht darin, dass ein KI-Chatbot mit Zugriff auf einen Datensatz einen vollständigen Dokumentenreview ersetzen könne. Technisch ist das in größeren Untersuchungen kaum realistisch.
Die meisten aktuellen Systeme basieren auf sogenannten Retrieval-Augmented-Generation-Architekturen (RAG). Vereinfacht ausgedrückt: Dabei wird nicht der gesamte Datenbestand analysiert, sondern jeweils nur ein kleiner Ausschnitt von Dokumenten in den Kontext einer Anfrage geladen. Das funktioniert hervorragend für explorative Recherchen, Zusammenfassungen oder die Beantwortung einzelner Fragen – eignet sich jedoch nur begrenzt für die systematische Bewertung jedes einzelnen Dokuments eines großen Datenbestands.
Ein vollständiger Dokumentenreview verfolgt das Ziel der Lückenlosigkeit: Jedes Dokument soll strukturiert nach festgelegten Kriterien bewertet werden. Das erfordert eine umfassende und reproduzierbare Abdeckung des Datensatzes. Dedizierte eDiscovery-Plattformen stellen daher neben einem Chat auch Reviewfunktionen bereit, die mit Hilfe von generativer KI ein Relevanz-Scoring von Dokumenten in bisher unbekannter Geschwindigkeit und Genauigkeit ermöglichen.
Warum KI kein Ersatz für menschliche Kontrolle ist
Noch bedeutsamer ist jedoch eine andere Herausforderung: die menschliche Kontrolle.
Generative KI produziert nicht nur richtige Antworten schneller als Menschen – sie produziert auch Fehler schneller. Besonders problematisch: Diese Fehler wirken häufig plausibel, weil sie sprachlich einwandfrei und auf den ersten Blick überzeugend sind. Die eigentliche Schwierigkeit liegt daher weniger in der Erkennung offensichtlicher Fehler (Halluzinationen) als in der Identifikation von Fehlinterpretationen.
Hinzu kommt ein psychologischer Effekt: Sobald ein System eine fertige Antwort präsentiert, neigen Nutzer dazu, diese weniger kritisch zu hinterfragen. Der Ermittler läuft Gefahr, vom Autor zum Auditor zu werden. Versierte Kanzleien und Rechtsabteilungen schulen ihre Anwälte bereits in gezielten Denkansätzen, um einen solchen Bias zu verhindern – etwa durch Folgefragen, die Konfrontation mit Gegenhypothesen oder Blind-Spot-Analysen. Derzeit liegt das jedoch rein in der Verantwortung des Nutzers; eine systematische Verankerung solcher Denkbewegungen in den KI-Systemen gibt es – abgesehen von einer Quellenkontrolle – nicht.
Die eigentliche Zukunftsfrage lautet daher nicht, wie menschliche Kontrolle in jede einzelne KI-Antwort integriert werden kann. Vielmehr geht es darum, Systeme zu entwickeln, die Nachvollziehbarkeit, Quellenbezug, Gegenprüfungen und Transparenz standardmäßig gewährleisten. Statt Ergebnisse zu kontrollieren, muss die Qualität des Outputs sichergestellt werden. Im klassischen Dokumentenreview innerhalb der eDiscovery hat man dieses Problem bereits gelöst: Durch marktweit akzeptierte Messparameter – sogenannte Precision-Recall-Kurven – lässt sich die Genauigkeit eines KI-gestützten Reviewprozesses belastbar nachweisen.
Konvergierende Märkte: Wenn eDiscovery- und Legal-AI-Plattformen zusammenwachsen
Parallel zu diesen technologischen Veränderungen lässt sich derzeit eine auffällige Marktentwicklung beobachten:
Anbieter von eDiscovery-Plattformen integrieren verstärkt generative KI in ihre bestehenden Plattformen. Übersetzungen, Zusammenfassungen, chatbasierte Datenexploration und automatisierte Reviewunterstützung gehören inzwischen vielerorts zum Standardportfolio. Schritt für Schritt entwickeln sich diese Plattformen von reinen Datenmanagement-Lösungen zu umfassenden KI-Arbeitsumgebungen.
Gleichzeitig bewegen sich Legal-AI-Anbieter aus der entgegengesetzten Richtung. Systeme, die ursprünglich für juristische Recherche, Vertragsanalyse oder Wissensmanagement entwickelt wurden, erweitern ihre Fähigkeiten um Funktionen, die traditionell dem eDiscovery-Umfeld zugeordnet waren – besonders sichtbar im Bereich Early Case Assessment und Dokumentenanalyse großer Datenmengen.
Hinzu kommt eine dritte Entwicklungsebene: die Foundation-Models selbst. Anbieter wie Anthropic, OpenAI oder Google investieren nicht mehr nur in die Leistungsfähigkeit ihrer Modelle, sondern zunehmend in Integrationsökosysteme. Dadurch entstehen neue Möglichkeiten, Datenquellen, Dokumentenmanagementsysteme, eDiscovery-Plattformen und juristische Fachanwendungen flexibel miteinander zu verbinden.
Das Ergebnis ist eine weitere Konvergenz bisher getrennter Märkte: eDiscovery-Plattformen werden intelligenter, Legal-AI-Plattformen datenstärker, und Foundation-Models entwickeln sich zur neutralen Infrastruktur im Hintergrund.
Fazit
Investigations befinden sich an einem technologischen Wendepunkt. Generative KI automatisiert nicht nur einzelne Arbeitsschritte, sondern verändert die Art und Weise, wie Sachverhalte aufgeklärt werden. Der eigentliche Mehrwert liegt dabei weniger in schnelleren Zusammenfassungen oder effizienteren Suchfunktionen als in der Fähigkeit, Wissen aus großen Mengen unstrukturierter Informationen zu konstruieren.
Die größten Herausforderungen werden deshalb nicht technischer Natur sein. Die relevante Frage wird sein, wie die Leistungsfähigkeit dieser Systeme mit den Anforderungen an Nachvollziehbarkeit, Qualitätskontrolle und rechtliche Belastbarkeit vereint werden kann. Wer Investigations künftig erfolgreich durchführen will, braucht nicht nur bessere Modelle, sondern vor allem robuste Governancestrukturen für deren Einsatz.
