30. Mai 2026 · 13 Min. Lesezeit

Legal AI für faktenintensive Streitverfahren: Lehren aus der Post Office Horizon Inquiry

Legal AIDokumentenprüfungLitigation-WorkflowsTatsachenrekonstruktion

Der Post-Office-Horizon-Skandal ist kein Beispiel dafür, wie eine Kanzlei ein KI-Unternehmen beraten hat. Er zeigt, was passiert, wenn komplexe Beweislagen, softwareabhängige Tatsachenfeststellungen, institutionelle Rahmenbedingungen, Offenlegungspflichten und persönliche Folgen über Jahre aufeinandertreffen. Für Juristinnen und Juristen ist er zugleich eine aktuelle Fallstudie, in der quellenbasierte Legal AI den Workflow verbessern kann, ohne die rechtliche Verantwortung zu übernehmen.

Warum das in der Legal-AI-Diskussion kommen muss

Der Horizon-Skandal wird in amtlichen und parlamentarischen Unterlagen als einer der gravierendsten Justizirrtümer im Vereinigten Königreich beschrieben (1) (4). Das Muster ist bekannt: Subpostmasters wurden beschuldigt, Ausfälle verursacht zu haben, wie das Horizon-System auswertete. Viele wurden suspendiert oder gekündigt, strafrechtlich verfolgt, verurteilt und erlitten erhebliche finanzielle sowie persönliche Schäden. Daran schlossen sich Sammelklagen, Berufungsverfahren, starker öffentlicher Druck, gesetzgeberische Initiativen, Entschädigungsprogramme und schließlich eine parlamentarische Untersuchung an.

Diese Geschichte darf nicht auf eine Technikgeschichte reduziert werden. Es geht um institutionelles Handeln, Ermittlungsentscheidungen, Offenlegung, Organisationskultur, Governance, Sachverständigenbeweise und die konkreten Folgen für Betroffene. KI hätte weder Mut noch Unabhängigkeit noch Rechenschaft geschaffen. Sie hätte die rechtlichen Pflichten nicht vereinfacht.

Die praktische Frage für Juristinnen und Juristen bleibt: Wie können wir in einem Verfahren mit jahrelangen Dokumenten, technischen Berichten, Zeugenaussagen, Protokollen, Verfahrenspapieren, Korrespondenz, Finanzdaten und sich wandelnden Rechtsmitteln die Akte früher, vollständiger und mit weniger verdeckten Lücken erfassen?

Das Dokumentenproblem in großen Verfahren

Jedes große Verfahren wird am Ende zu einer Wissensmanagement-Herausforderung. Das Team muss wissen, was passiert ist, wer wann Bescheid wusste, welches Dokument jeden Punkt trägt, welches ihm widerspricht, welche Fakten fehlen und welche Themen eskaliert werden müssen.

Der Horizon-Fall zeigt diesen Druck in extremer Größenordnung. Die Post Office Horizon IT Inquiry wurde eingerichtet, um ein klares Bild von Einführung und Mängeln des Horizon-Systems über mehr als 20 Jahre zu liefern (1). Die Beweisunterlagen umfassen Zeugenaussagen, mündliche Aussagen, Videos, Transkripte, Sachverständigengutachten, Anlagen und weitere in Sitzungen genannte Dokumente (2). Sie verweist außerdem auf die Veröffentlichung von Anlagen zu schriftlichen Aussagen und Gutachten sowie auf Dokumente, die in den Anhörungen erwähnt wurden (3).

In der Praxis erscheint die Akte nicht als fertiges Rechtsmemo, sondern als Sammlung aus E-Mails, Aussagen, Transkripten, Verträgen, Richtlinien, Systemnotizen, Gutachtenmaterial, Zeitachsen, Tabellen, Beweisketten und laufenden Ergänzungen. Eine Lösung liegt selten in einem einzelnen Dokument. Meistens entsteht sie erst im Muster über viele Unterlagen hinweg.

Was quellenbasierte Legal AI verbessern kann

Legal AI ist am wirksamsten, wenn sie Juristinnen und Juristen vom reinen Datendurchlauf zur Strukturierung führt. In faktenintensiven Verfahren, Untersuchungen, internen Reviews, Remediation-Projekten und Entschädigungsprüfungen lautet die entscheidende Frage nicht: „Kann KI einen elegant formulierten Absatz schreiben?“ Sondern: „Kann KI dem Team helfen, den Aktenbestand sauber zu verstehen und bei jedem Schritt sofort auf die zugrunde liegende Quelle zu verweisen?“

Eine juristenzentrierte Plattform kann die Arbeit auf diese Weise stärken:

Chronologieaufbau: Datumsangaben, Ereignisse, Personen, Dokumente und Unsicherheiten aus großen Beständen extrahieren und jeden Eintrag mit der Originalquelle verknüpfen.
Issue-Mapping: Material zu zentralen Rechts- und Tatsachenfragen wie Kenntnis, Vertrauen, Kausalität, Offenlegung, Governance, Schaden, Verjährung oder Rechtsbehelf strukturieren.
Widerspruchsverfolgung: Abweichungen sichtbar machen, wenn Zeugenaussage, Richtlinie, technischer Bericht, E-Mail oder Transkript in eine andere Richtung weisen als eine andere Quelle.
Beweiskraft-Matrizen: zeigen, welche Dokumente einen Vortrag stützen, welche ihn schwächen, welche neutral sind und welche zwingend fachlich überprüft werden müssen.
Bündel-Navigation: Fragen über freigegebenes Material stellen, ohne die Akte in eine unquellenhafte Einzelaussage zu verwandeln.
Recherche-Kopplung: Tatsachenfragen mit Rechtsrecherche, Verfahrensfragen, Rechtsstandards, Offenlegungspflichten oder Entschädigungskriterien verbinden.
Review-Handoffs: einen umfangreichen Dokumentensatz in prüfungsfertige Pakete für Associates, Counsel, Partner, Gutachter oder Mandantenteams überführen.

Keines dieser Elemente nimmt der Anwältin oder dem Anwalt die Verantwortung ab. Es verändert den Startpunkt. Statt zunächst stundenlang die Grundlagen neu aufzubauen, beginnt das Team mit einer quellenverknüpften Karte, die geprüft, korrigiert und kontinuierlich weiterentwickelt werden kann.

Ein besserer Workflow für die Faktenrekonstruktion

In komplexen Verfahren sollte ein Legal-AI-Workflow mit sauberer Methodik beginnen, nicht mit fertigen Texten. Der erste Output ist nicht die überzeugende Erzählung, sondern ein belastbares Arbeitsbild der Akte.

Material erfassen. Dokumenttypen, Zeiträume, Datenverantwortliche, Quellsysteme, Sprache, Vertraulichkeitsstatus, Privilegierung und Fallberechtigungen definieren.
Provisorische Chronologie aufbauen. Ereignisse extrahieren und jeden Eintrag mit dem konkreten Dokument oder der konkreten Transkriptpassage verlinken.
Fakt von Schlussfolgerung trennen. Erkennen, was ein Dokument sagt, was ein Zeuge sagt, was das Team ableitet und was weiterhin streitig ist.
Issue-Matrix erstellen. Fakten mit Rechts- und Verfahrensfragen verbinden und eine vertiefte Prüfung verantwortlichen Personen zuordnen.
Widersprüche und Lücken nachhalten. Eine laufende Liste mit inkonsistenten Aussagen, fehlenden Unterlagen, unklaren Daten, unzureichend belegten Annahmen und Punkten mit Gutachterbedarf führen.
Review-fähige Ergebnisse liefern. Zusammenfassungen, Memos, Schriftsätze, Beratungsmemos oder Mandantenupdates erst nach Prüfung der Beweiskarte freigeben.

So wird Legal AI für Litigation- und Untersuchungsteams wirksam. Die KI entscheidet nicht den Ausgang. Sie hilft sicherzustellen, dass wesentliche Tatsachen im Dokumentenvolumen nicht untergehen.

Die Horizon-Lektion: Quellenverweise sind entscheidend

Wenn es um die Frage geht, was bekannt war, wann es bekannt war und wie darauf reagiert wurde, sind unsauber belegte Zusammenfassungen riskant. Ein sauber formulierter Absatz kann den Unterschied zwischen unmittelbarem Beleg, Erinnerung, späterer Erklärung, technischer Annahme und strittiger Schlussfolgerung verschleiern.

Eine quellenbasierte Plattform muss den Beweisweg sichtbar machen. Wenn behauptet wird, dass ein bestimmter Punkt in einer Sitzung thematisiert wurde, muss der Rechtsanwalt das Protokoll, die Zeugenaussage, die Transkriptstelle oder die Anlage direkt prüfen können. Wenn gesagt wird, zwei Unterlagen widersprechen sich, müssen beide vorliegen. Fehlt die Stütze vollständig, muss das System es transparent kennzeichnen.

Das ist keine reine Technikfrage, sondern professionelle Pflicht. Das Team muss wissen, ob ein Punkt verlässlich ist, ob es sich um Hörensagen handelt, ob etwas privilegiert ist, ob die Quelle veraltet ist, ob sie verfahrensrechtlich nutzbar ist und ob der Punkt in Mandanten- oder Gerichtspapieren eingesetzt werden darf.

Wo Legal AI Ermittlungs- und Remediation-Teams unterstützt

Parlamentarische Untersuchungen, Sammelklagen, interne Ermittlungen und Entschädigungsprogramme haben eine gemeinsame Herausforderung: Sie müssen menschliche Beweise mit großen, sich ändernden Dokumentenmengen zusammenführen. Die parlamentarischen und behördlichen Unterlagen zu Horizon zeigen, wie rechtliche, tatsächliche und Entschädigungsprozesse parallel laufen können (5) (6). Genau hier kann Legal AI operativ konkret helfen.

Zeugenarbeit: Relevante Dokumente zur Zeugenaussage, wahrscheinliche Themen und potenzielle Inkonsistenzen vorab identifizieren.
Transkriptreview: Jeden Verhandlungstag nach Fragestellungen, Zeuge, Quellenbezug und Folgemaßnahmen strukturieren.
Sachverständigenbeweise prüfen: Technische Gutachten mit deren Annahmen, zugrunde liegenden Unterlagen und strittigen Tatsachen verknüpfen.
Offenlegungs-Qualitätskontrolle: Dokumentencluster, unerklärte Lücken, unerwartete Datumscluster und thematisch relevante Materialien markieren.
Entschädigungs- und Wiedergutmachungsakten: Schäden, Chronologien, stützende Unterlagen, rechtliche Kriterien und nicht aufgelöste Beweise für Entscheidungsträger aufbereiten.
Team-Kontinuität: Wissen im Verfahren erhalten, wenn Teammitglieder wechseln, neue Kanzlei-Anwälte dazukommen oder die Prüfverantwortung zwischen Teams wechselt.

Der Mehrwert ist nicht nur Geschwindigkeit. Er liegt in frühzeitiger Transparenz darüber, was sicher nachweisbar ist, was nur subjektiv angenommen wurde und was noch offen bleibt.

Was KI nicht leisten sollte

Ein professioneller Beitrag zu Horizon muss Grenzen klar benennen. KI darf nicht als institutionelles Gewissen, automatischer Offenlegungsbeauftragter, Ersatz für unabhängige forensische Prüfung oder Abkürzung anstelle der kontradiktorischen Prüfung genutzt werden. KI kann nicht beurteilen, ob ein Zeuge glaubwürdig ist. Sie kann keine Kultur heilen, in der negative Befunde nicht frühzeitig gemeldet werden. Und sie kann eine schwache Verfahrensstrategie nicht durch gute Gliederung „anständig“ erscheinen lassen.

Auch praktisch gibt es Grenzen. Ein Modell kann Nuancen zu stark vereinfachen. Es kann die Bedeutung einzelner Dokumente unterschätzen. Es kann häufig vorkommendes Material zu stark gewichten. Es kann den Unterschied zwischen bloßer Behauptung und nachgewiesenem Fakt verwischen. Und es kann eine zu sichere Antwort liefern, wenn der Prozess keine Rückkopplung in den Aktenbestand erzwingt.

Deshalb müssen belastbare Legal-AI-Workflows konservativ bleiben: KI dient dem Auffinden, Strukturieren und Prüfen der Akte, nicht der finalen Entscheidung.

Wie Juristinnen und Juristen die Erkenntnisse jetzt umsetzen

Der Horizon-Fall ist wegen seines Umfangs außergewöhnlich. Die zugrunde liegende Arbeitslogik gilt jedoch für die tägliche Kanzleiarbeit: Handelsstreitigkeiten, arbeitsrechtliche Untersuchungen, Bauverfahren, Prüfungen im Finanzdienstleistungsbereich, Arzthaftungsfälle, Gesundheitsverfahren, Kartellverfahren, Insolvenzstreitigkeiten oder regulatorische Reaktionen entstehen alle mit demselben Muster aus vielen Dokumenten, knapper Zeit und hoher Relevanz beim Risiko von Fehlentscheidungen.

Kanzleien können mit pragmatischen Regeln auf Mandatebene beginnen:

Jeder KI-generierte Chronologieeintrag muss auf das konkrete Quelldokument verlinken.
Jede Issue-Zusammenfassung muss Dokumentenfakt, Zeugenaussage, juristische Auslegung und offene Frage trennen.
Jede Widerspruchsliste muss vor strategischer Verwendung durch eine Rechtsanwältin oder einen Rechtsanwalt geprüft werden.
Jede mandatsbezogene Zusammenfassung sollte gegen die Originalunterlagen verifiziert werden.
Jede Suche in Verfahrensunterlagen muss Berechtigungen, Privilegien und Ethical Walls berücksichtigen.
Jeder Plattform-Pilot sollte vor dem breiten Rollout an einem wiederholbaren Workflow getestet werden.

Diese Leitplanken sind nicht gegen KI gerichtet. Sie machen KI in einem Bereich sinnvoll, in dem falsche Sicherheit sehr teuer werden kann.

Wie LexVera zu dieser Art von Arbeit passt

LexVera steht für Legal AI, die prüfbare juristische Arbeit unterstützt – nicht für isolierte, nicht nachvollziehbare Antworten. In dokumentenintensiven Verfahren bedeutet das: Juristinnen und Juristen können zwischen hochgeladenen Materialien, Rechtsrecherche, Vorarbeiten, Notizen und Entwürfen wechseln, ohne den Quellenkontext zu verlieren.

Für ein Litigation- oder Untersuchungsteam kann LexVera die Akte strukturieren, quellenbelegte Zusammenfassungen vorbereiten, Issue-Listen aufbauen, relevante Passagen schneller finden, beim Drafting helfen und juristische Fragen mit prüfbaren Grundlagen verknüpfen. Die Plattform versucht nicht, Komplexität zu verschleiern; sie macht sie beherrschbar.

Das ist entscheidend, denn Juristinnen und Juristen arbeiten selten in einem einzigen Prompt. Typischerweise laufen sie denselben Prozess ab: Akte verstehen, Fragen priorisieren, Quellen prüfen, gezielt entwerfen, fachlich reviewen und die Arbeit laufend ergänzen, wenn neues Material vorliegt. Legal AI ist hier vertrauenswürdig, wenn sie diese Abfolge stärkt statt ersetzt.

Fragen vor dem KI-Einsatz in einem dokumentenintensiven Verfahren

Bevor Legal AI in einem großen Verfahren, einer internen Untersuchung oder einem Remediation-Projekt eingesetzt wird, sollten Mandatsverantwortliche diese Fragen klären:

Kann die Plattform bei jeder Tatsachenbehauptung das zugrunde liegende Dokument oder die Passage anzeigen?
Kann sie Mandantenunterlagen, öffentliches Recht, Kanzlei-Präzedenz und Nutzerannahmen sauber trennen?
Kann der Zugriff nach Verfahren, Team, Rolle, Dokumentensammlung oder Ethical Wall begrenzt werden?
Wie werden Privilegierung, Vertraulichkeit und Zugriff auf eingeschränkte Sammlungen technisch gesteuert?
Was passiert, wenn ein Befund nicht durch die hochgeladenen Materialien belegt ist?
Kann das Team Widersprüche, Unsicherheiten und Quellenlücken als regulären Output prüfen?
Kann die Plattform mit wachsender Beweislage verfeinert werden?
Bleibt für Partneraufsicht und spätere Audits genug Kontext erhalten?

Die richtigen Antworten sind praxisnah und beweisorientiert. Juristinnen und Juristen brauchen Systeme, die zeigen, was die Akte tatsächlich trägt, nicht Werkzeuge, die den Eindruck erwecken, den gesamten Fall bereits zu kennen.

Fazit

Der Post-Office-Horizon-Skandal zeigt, dass faktenintensive Verfahren scheitern, wenn Beweise fragmentiert vorliegen, Annahmen vorschnell verfestigt werden und Entscheidungsträger den Überblick über die Quellenakte verlieren. Legal AI kann institutionelle Fehler nicht beseitigen. Richtig eingesetzt kann sie jedoch dabei helfen, Muster, Widersprüche, Lücken und belastbare Dokumente früher zu identifizieren.

Das ist das stärkste Versprechen von Legal AI im Jahr 2026: nicht autonome Rechtsentscheidungen, sondern schnellere Orientierung mit besserer Quellen-Transparenz. Gerade in Verfahren mit hoher Tragweite kann das die Qualität der Beratung vor der entscheidenden Entscheidung deutlich verbessern.

Legal AI sollte die Akte nicht „erzählen“, bevor sie vollständig geprüft ist. Ihre Aufgabe ist es, Juristinnen und Juristen zu befähigen, die Akte so klar zu sehen, dass sie die Erzählung selbst fachlich schreiben, hinterfragen und vertreten können.