Inhaltsverzeichnis
Das Dilemma: Mandantendaten und KI-Tools
Für Anwältinnen und Anwälte ist KI gleichzeitig verlockend und problematisch. Verlockend, weil die Produktivitätsgewinne real sind: Vertragsanalysen, die früher Stunden dauerten, lassen sich mit sprachmodellgestützten Werkzeugen in Minuten durchführen. Schriftsatz-Entwürfe auf Basis eines Sachverhalts erstellen, interne Datenbanken in natürlicher Sprache durchsuchen, große Dokumentenmengen bei Due-Diligence-Prüfungen in Batches analysieren — all das ist heute technisch möglich.
Problematisch, weil Mandantendaten unter dem Schutz der anwaltlichen Verschwiegenheit stehen. §43a BRAO verpflichtet Rechtsanwälte zur Verschwiegenheit über alles, was ihnen in Ausübung des Berufs bekannt wird. Wer Mandanteninformationen in ein Cloud-KI-System eingibt — sei es ChatGPT, Microsoft Copilot, Claude oder ein anderes Angebot — und diese Daten damit an einen Drittanbieter überträgt, bewegt sich in einer rechtlichen Grauzone, die sich immer mehr zum roten Bereich verschiebt.
Anwaltsverbände und Datenschutzbehörden sind sich zunehmend einig: Mandantendaten gehören nicht in externe KI-Clouds. Die Frage ist nur, welche Alternative es gibt.
Was §43a BRAO konkret bedeutet
Die anwaltliche Verschwiegenheitspflicht gilt umfassend: Sie umfasst nicht nur den Inhalt von Mandantengesprächen, sondern alles, was dem Anwalt im Rahmen des Mandats anvertraut wird — Vertragsunterlagen, Korrespondenz, interne Dokumente, Sachverhaltsschilderungen, Strategieüberlegungen.
Wer diese Daten einem externen Dienstleister zugänglich macht, muss eine rechtliche Grundlage haben und sicherstellen, dass der Dienstleister die Daten nur zum vereinbarten Zweck verwendet. Bei US-amerikanischen Cloud-Anbietern stellt sich zusätzlich das Problem des CLOUD Act: Der Clarifying Lawful Overseas Use of Data Act verpflichtet US-Unternehmen, US-Behörden auf Anfrage Zugriff auf gespeicherte Daten zu gewähren — auch wenn diese Daten auf Servern in Deutschland liegen. Die häufig gehörte Aussage "unsere Server stehen in Deutschland" schützt bei US-Anbietern nicht vor dieser gesetzlichen Verpflichtung.
Das bedeutet in der Praxis: Wer Mandantendaten bei einem US-Cloud-Anbieter verarbeitet, kann die Vertraulichkeit gegenüber US-Behörden nicht garantieren. Für eine Kanzlei, die in sensiblen Bereichen wie Strafrecht, Wirtschaftsrecht, M&A oder politisch exponierten Mandaten tätig ist, ist das ein nicht hinnehmbares Risiko.
Was lokale LLMs für Kanzleien leisten können
Lokale Sprachmodelle laufen auf einem Server in der Kanzlei oder einem dedizierten Hosting-Umfeld, das ausschließlich der Kanzlei zugeordnet ist. Daten verlassen die Umgebung nicht. Es gibt keine API-Aufrufe zu externen Diensten, keine Trainings-Opt-Outs, die verwaltet werden müssen, und keine US-Cloud-Dependenz.
Die Use Cases, die sich in Kanzleien als besonders wertvoll erwiesen haben:
Vertragsanalyse
Ein lokales LLM kann Vertragsklauseln auf Basis vorgegebener Prüfkriterien analysieren, risikoreiche Formulierungen markieren und strukturierte Zusammenfassungen erstellen. Bei einer M&A-Due-Diligence mit Hunderten von Verträgen ist das ein erheblicher Zeitgewinn. Die rechtliche Bewertung bleibt beim Anwalt — aber die Vorarbeit des Durchlesens und Strukturierens übernimmt die KI.
Recherche-Assistent über interne Datenbanken
Eine Kanzlei mit mehrjährigem Bestand hat typischerweise Hunderte oder Tausende von Schriftsätzen, Urteilen, internen Kommentaren und Fallnotizen. Ein RAG-System (Retrieval-Augmented Generation) ermöglicht es, diese Datenbank in natürlicher Sprache zu durchsuchen: "Zeig mir alle Schriftsätze, in denen wir das BGH-Urteil vom Typ X zitiert haben" oder "Welche Argumente haben wir in vergleichbaren Fällen zur Verjährungsfrage verwendet?"
Schriftsatz-Entwürfe
Auf Basis eines strukturierten Sachverhalts kann ein lokales LLM erste Entwurfsfassungen von Schriftsätzen generieren. Die juristische Qualitätskontrolle liegt selbstverständlich beim Anwalt — aber das leere-Blatt-Problem entfällt, und Routineformulierungen müssen nicht jedes Mal neu verfasst werden.
Mandantenkorrespondenz
Eingehende E-Mails zusammenfassen, Wiedervorlagen-Texte strukturieren, Terminabsprachen aufbereiten — das sind Aufgaben, bei denen ein LLM als Assistent echte Zeit spart, ohne tiefes rechtliches Know-how zu erfordern.
Due-Diligence-Batch-Analyse
Bei Immobilientransaktionen, Unternehmenskäufen oder Umstrukturierungen entstehen Dokumentenpakete von oft mehreren tausend Seiten. Ein lokales LLM kann diese Dokumente strukturiert analysieren, kategorisieren und auffällige Klauseln oder fehlende Angaben herausfiltern — als ersten Durchgang, der die manuelle Prüfung auf die wirklich kritischen Punkte konzentriert.
Was ein kanzleitaugliches LLM-System braucht
Der technische Aufbau eines kanzleitauglichen lokalen LLM-Systems ist komplexer als die reine Modell-Installation:
- On-Premise-Server oder dedizierter Kanzlei-Server: Leistungsfähige Hardware mit ausreichend RAM und idealerweise einer GPU für schnelle Inferenz. Kein Shared Hosting, kein Cloud-Dienst.
- RAG-Pipeline über die interne Dokumentenbasis: Dokumente werden indexiert, in Vektoren umgewandelt und in einer lokalen Vektordatenbank gespeichert. Das LLM beantwortet Anfragen auf Basis dieser Datenbank — ohne dass die Dokumente das Haus verlassen.
- Zugriffsrechte pro Mandat: Nicht jeder Anwalt soll Zugriff auf alle Mandate haben. Das System muss Mandatsgrenzen abbilden — ähnlich wie eine Kanzleisoftware, aber auf der Ebene des KI-Zugriffs.
- Audit-Log: Wer hat wann welche Anfragen gestellt? Für die Qualitätssicherung und im Fall von Fragen zur Nutzung des Systems.
- Regelmäßige Modell-Updates: Sprachmodelle entwickeln sich weiter. Ein Wartungskonzept für Modell-Upgrades ist Teil eines professionellen Aufbaus.
Pilotprojekt in einer Kanzlei: So läuft es ab
Ein typisches KI-Pilotprojekt für eine Kanzlei mit 5–30 Anwälten sieht bei uns so aus:
- Tag 1 — Prozessanalyse: Welche Aufgaben sind repetitiv und zeitintensiv? Welche Dokumenttypen kommen am häufigsten vor? Welche Praxisgruppe ist am aufgeschlossensten für einen Pilot?
- Use-Case-Auswahl: Einen klar abgegrenzten Use Case definieren — zum Beispiel Vertragsanalyse für eine bestimmte Klauselkategorie oder interne Urteilsdatenbank-Suche. Nicht zu breit anfangen.
- Technischer Aufbau: Server, Modell, RAG-Pipeline, Zugriffskontrolle. Je nach Kanzleigröße 3–5 Tage Implementierung.
- Pilot mit einer Praxisgruppe: 4 Wochen produktiver Einsatz mit 3–8 Anwälten. Feedback strukturiert erfassen.
- Auswertung: Zeitersparnis gemessen? Qualität der Ausgaben akzeptabel? Akzeptanz im Team? Auf dieser Basis: ausrollen, anpassen oder anderes Einsatzfeld wählen.
Was KI nicht ersetzt
Kanzleien, die KI einsetzen, müssen einen klaren Kopf darüber behalten, was KI kann und was nicht. Die rechtliche Verantwortung für jeden Schriftsatz, jede Einschätzung, jede Beratung liegt beim Anwalt — nicht beim Werkzeug. KI-generierte Texte müssen geprüft und freigegeben werden; sie sind Entwürfe, keine Endprodukte.
Besondere Vorsicht ist bei komplexen Argumentationsketten, neuen Rechtsgebieten und Einzelfallentscheidungen geboten. Aktuelle Sprachmodelle können bei diesen Aufgaben plausibel klingende, aber fehlerhafte Einschätzungen produzieren. Als Assistent für Routineaufgaben und strukturierte Analysen sind sie stark — als Ersatz für juristische Expertise sind sie es nicht.