30 mei 2026 · 13 min leestijd

Legal AI voor feitenintensieve geschillen: lessen uit de Post Office Horizon Inquiry

Legal AIDocumentcontroleLitigatieprocessenFeitenreconstructie

De Post Office Horizon-zaken zijn geen verhaal over advocaten die een AI-leverancier adviseren. Ze laten zien wat er gebeurt wanneer geautomatiseerde feitvaststelling, institutionele aannames, openbaarmakingsverplichtingen en menselijke gevolgen jarenlang op elkaar botsen. Voor juristen is dit tevens een actuele les: hoe brongebaseerde legal AI de werkwijze verbetert zonder professioneel oordeel te vervangen.

Waarom dit relevant is voor een legal-AI-discussie

De Horizon-affaire wordt in officiële en parlementaire stukken omschreven als een van de omvangrijkste gerechtelijke dwalingen in de afgelopen jaren in het Verenigd Koninkrijk (1) (4). De kern is bekend: subpostmasters kregen tekorten toegerekend die het Horizon-systeem rapporteerde, met ingrijpende gevolgen zoals schorsingen, ontslagen, vervolgingen, veroordelingen, financiële schade en langdurige reputatieschade; daarna volgden collectieve procedures, beroepsgronden, publieke druk, wetgeving, compensatie en een parlementair onderzoek.

Deze geschiedenis is geen zuivere technologiecase. De kern zit in institutioneel handelen, vervolgingskeuzes, openbaarheid, cultuur, governance, deskundigenbewijs en de dagelijkse impact op individuele verdachten. AI brengt niet automatisch moed, onafhankelijkheid of verantwoordelijkheid met zich mee. Ook maakte AI juridische plichten niet ineens minder streng.

Daarom is de vraag centraal: in een dossier met jaren aan documenten, technische rapporten, getuigenverklaringen, zittingsverslagen, beleidsteksten, correspondentie, financiële gegevens en veranderende rechtsmiddelen, hoe houdt een team het overzicht en waar blijven blindspots?

Het documentvraagstuk in omvangrijke juridische zaken

In feite is elk omvangrijk geschil een kennisarchitectuurprobleem. Het team moet exact kunnen reconstrueren wat er is gebeurd, wie welke informatie had, wanneer die informatie bekend werd, welk document welk standpunt onderbouwt, welke bron dat tegenspreekt, welke feiten ontbreken en welke punten escalatie vereisen.

De Horizon-zaak toont die druk op extreme schaal. De Post Office Horizon IT Inquiry is ingesteld om de invoering, werking en tekortkomingen van het systeem over meer dan twintig jaar in kaart te brengen (1). De bewijsmaterialen bevatten getuigenverklaringen, mondelinge verklaringen, audiovisueel materiaal, transcripties, expertsverslagen, producties en aanvullende stukken die tijdens zittingen zijn besproken (2). Volgens de inquiry wordt daarnaast gewerkt aan de publicatie van stukken uit schriftelijke verklaringen, expertsverslagen en zittingsnotities (3).

Voor juristen is dit herkenbaar. Een dossier komt niet als één zuivere memo binnen; het komt als een geheel van e-mails, verklaringen, transcripties, contracten, beleidsstukken, systeemnotities, technische rapporten, tijdlijnen, spreadsheets, bundels en voortdurende updates. De kern zit meestal niet in één document, maar in de onderlinge relatie tussen veel documenten.

Wat brongebaseerde legal AI kan verbeteren

Legal AI is het meest effectief wanneer zij helpt om volume om te zetten in structuur. In feitenintensieve geschillen, interne onderzoeken, remediation-projecten en compensatiespanningen is niet de vraag of AI een nette alinea kan schrijven. De vraag is: helpt AI het team het dossier te begrijpen en elke stap te onderbouwen met de bron?

Een platform dat op advocaten is ingericht kan daarom op meerdere praktische fronten ondersteunen:

Chronologie: werk met grote hoeveelheden gegevens, gebeurtenissen, betrokken partijen, documenten en onzekerheden, met een expliciete verwijzing naar de bronvermelding.
Kernvragenstructuur: groepeer materiaal rond juridische én feitelijke vragen zoals zorgvuldigheid, causaliteit, vertrouwensrelaties, openbaarmaking, governance, schade en rechtsmiddelen.
Contradictie-tracking: signaleer punten waar getuigenverklaringen, beleid, technische rapportages, e-mails of transcripties met elkaar botsen.
Bewijsmatrices: maak zichtbaar welke documenten een stelling ondersteunen, welke deze juist verzwakken, welke neutraal blijven en welke juridische controle vereisen.
Dossiernavigatie: laat teams werken op goedgekeurde brondocumenten zonder die te vervangen door één ongedekte samenvatting.
Onderzoeksafstemming: verbind feitelijke thema’s met juridisch onderzoek, procesvragen, beroepskaders, openbaarmakingsplichten en compensatiecriteria.
Toewijzing aan controle: zet een ongestructureerde documentmassa om in werkpakketten voor medewerkers, collega-advocaten, partners, experts en cliëntenteams.

De rol van de jurist verdwijnt daardoor niet. Zij verschuift wel: in plaats van eerst uren te besteden aan ruwe oriëntering, start men met een brongekoppelde kaart die gecontroleerd, aangevuld en aangescherpt kan worden.

Een betere werkwijze voor feitenreconstructie

In complexe dossiers moet een legal-AI-werkwijze starten met discipline, niet met tekstproductie. Het eerste resultaat is geen afgewerkte narratieve tekst, maar een betrouwbaar dossieroverzicht.

Inventariseer het materiaal: breng documenttypen, periodes, betrokkenen, bronregisters, taal, privilege-status, vertrouwelijkheid en dossierverantwoordelijke in kaart.
Ontwikkel een voorlopige chronologie: structureer gebeurtenissen met exacte bronlinks naar het document of de transcriptiepassage waarop ze zijn gebaseerd.
Scheiden feit van conclusie: markeer wat een bron stelt, wat getuigen verklaren, welke inferenties het team trekt en welke kwesties nog onbeslist blijven.
Maak een kernvragenmatrix: koppel feiten aan juridische en procedurele knelpunten en wijs verantwoordelijkheden voor diepere controle toe.
Volg contradicties en lacunes: werk met een levende lijst van inconsistente verklaringen, ontbrekende stukken, onduidelijke data, onbewezen aannames en punten met deskundigenvraagstukken.
Leveren van controleklaar materiaal: stel samenvattingen, memo’s, processtukken, adviesnotities en cliëntupdates pas op na controle van de onderliggende bronmatrix.

In die werkwijze is legal AI vooral waardevol voor litigators en onderzoeksteams omdat zij het risico verkleint dat cruciale feiten verloren gaan in de omvang van het dossier.

De Horizon-les: bronkoppeling is doorslaggevend

Wanneer een zaak draait om wat iemand wist, wanneer dat gebeurde en hoe dat werd geïnterpreteerd, zijn niet-onderbouwde samenvattingen riskant. Een ogenschijnlijk heldere alinea kan een processtuk, een herinneringsverklaring, een latere verklaring of een betwistde conclusie verhullen.

Een professioneel legal-AI-platform moet daarom bronpaden tonen. Stelt het dat een onderwerp in een vergadering speelde, dan moet de jurist notulen, verklaring, transcriptie of productie direct kunnen inzien. Worden tegenstrijdigheden gesignaleerd, dan moet het onderliggende materiaal van beide zijden zichtbaar zijn. Als onderbouwing ontbreekt, moet dat expliciet worden gemeld.

Dat is geen technische luxe, maar een professionele basisvoorwaarde. Juristen moeten kunnen beoordelen of een punt robuust is, of het op speculatie is gebaseerd, al dan niet geprivilegieerd, actueel, procedureel inzetbaar en geschikt voor cliënt- of rechtbankgericht gebruik.

Waar legal AI in onderzoeks- en remediationteams helpt

Openbare onderzoeken, collectieve acties, interne onderzoeken en hersteltrajecten kennen dezelfde kern: menselijk bewijs moet samenkomen met een grote en voortdurend groeiende documentset. In de Horizon-compensatiecontext zie je die combinatie van juridisch, feitelijk en herstelproces duidelijk terug (5) (6). Legal AI kan daar concreet waarde toevoegen:

Getuigenvoorbereiding: identificeer relevante documenten per getuige, verwachte onderwerpgebieden en mogelijke inconsistenties die zorgvuldig gecheckt moeten worden.
Zittingsverslagbeheer: vat per zittingsdag de uitkomst per kernpunt, getuige, bronverwijzing en vervolgstap samen.
Beoordeling van deskundigenbewijs: verbind technische conclusies aan onderliggende aannames, bronmateriaal en betwiste feiten.
Kwaliteit van openbaarmaking: markeer clusters van bewijs, ontbrekende stukken, onverwachte datumpatronen en documenten die relevant zijn voor een specifieke kwestie.
Schadevergoeding- en hersteldossiers: structureer schadebepaling, tijdlijn, bewijslast, juridische criteria en onbeantwoordde punten voor eindbeslissing.
Teamcontinuïteit: bewaak dossierkennis wanneer juristen wisselen, nieuwe collega-advocaten instromen of controleverantwoordelijkheid verschuift.

De winst zit niet alleen in snelheid. De winst zit in eerder zicht op wat bekend is, wat nog onzeker is en wat niet voldoende is onderbouwd.

Waar je AI niet moet inzetten

Een realistische legal-AI-benadering in dit soort dossiers is duidelijk: AI is geen institutioneel geweten, geen vervanging voor onafhankelijke bewijscontrole en geen route om formele waarborgen te omzeilen. AI kan niet bepalen of een getuige geloofwaardig is, kan geen cultuurprobleem herstellen of een zwakke procespositie moreel corrigeren.

Er zijn ook praktische risico’s. Een model kan nuance onderschatten, een cruciaal document missen, te veel gewicht toekennen aan herhaald materiaal of feit en opinie door elkaar laten lopen. Een sterke werkwijze voorkomt dat een modeltekst dan als afgerond advies wordt gepresenteerd.

Daarom horen volwassen legal-AI-werkwijzen consequent met duidelijke grenzen te werken: AI helpt ordenen en zoeken; de inhoudelijke beslislaag blijft op menselijk niveau.

Hoe juristen de les nu kunnen toepassen

De Horizon-affaire laat een uitzonderlijke omvang en impact zien, maar de lessen gelden breed: commerciële geschillen, arbeidszaken, bouwdossiers, toezicht in financiële dienstverlening, beroepsaansprakelijkheid, zorgincidenten, mededingingszaken en insolventiegeschillen hebben dezelfde uitdaging: te veel informatie, beperkte tijd en hoge kosten bij een verkeerde prioritering.

Kantoren kunnen direct met zes praktische basisregels starten:

Elke door AI gegenereerde chronologiestap moet direct naar het brondocument linken.
Elke kernpunt-samenvatting moet feit, getuigenbewijs, juridische interpretatie en open vragen afzonderlijk tonen.
Elke lijst met tegenstrijdigheden moet juridisch worden gevalideerd voor strategische inzet.
Elke cliëntsamenvatting moet getoetst worden aan het onderliggende dossier.
Elke dossierzoekactie moet privilege, rolrechten, vertrouwelijkheid en belangenafbakening respecteren.
Elke proefimplementatie moet eerst aantoonbaar stabiel draaien op één werkwijze voordat deze organisatiebreed wordt uitgerold.

Deze regels zijn niet bedoeld om AI te beperken. Ze maken AI bruikbaar in een praktijk waar foutieve schijnzekerheid direct dure gevolgen heeft.

Hoe LexVera in deze werkwijze past

LexVera is ontworpen voor controleerbaar juridisch werk, niet voor geïsoleerde AI-antwoorden. In documentintensieve dossiers helpt het platform juristen te bewegen tussen geüpload materiaal, rechts- en feitelijk onderzoek, terugkerende kennis, interne notities en concepten met doorlopende bronverwijzingen.

Voor litigatie- en onderzoeksteams betekent dat: geordende dossierdocumenten, brongebaseerde samenvattingen, goed ingerichte kernpuntlijsten, gerichte passageherkenning, ondersteuning bij tekstopbouw en een directe koppeling tussen vraag en bron die juristen kunnen controleren. Het doel is niet om complexiteit te verbergen, maar om die beheersbaar te maken.

Dat is relevant, omdat juridisch werk zelden uit één uiting bestaat. Het volgt een vaste cyclus: dossierinzicht, kernpuntafbakening, broncontrole, zorgvuldige opstelling, professionele controle en iteratieve bijstelling bij nieuwe stukken. Alleen als AI die keten ondersteunt, kan zij daadwerkelijk vertrouwen verdienen.

Vragen om te stellen voordat je AI inzet in een documentintensieve zaak

Voordat je in een groot geschil, intern onderzoek of remediation-traject een legal-AI-platform inbrengt, zijn er praktische workflowvragen:

Kan het platform direct het document en de precieze passage achter elke feitelijke stelling tonen?
Kan het cliëntdocumentmateriaal, publieke bronnen, kantoorkennis en gebruikersaannames duidelijk scheiden?
Kan toegang per dossier, team, rol, documentset en belangenafbakening worden geconfigureerd?
Hoe behandelt het systeem privilege, vertrouwelijke stukken en beperkte documentsets?
Wat gebeurt er wanneer een conclusie niet kan worden onderbouwd in de geüploade bron?
Kan het team contradicties, onzekerheden en bronlacunes als volledige controle-output beoordelen?
Kan output mee-evolueren zodra nieuw bewijs beschikbaar komt?
Is de keten voor partner-toezicht en latere controle volledig traceerbaar?

De juiste antwoorden zijn praktisch en bewijsgericht: het platform moet laten zien wat het dossier draagt, niet doen alsof alles al bekend is.

Conclusie

De Post Office Horizon Inquiry herinnert eraan dat feitenintensieve juristerij faalt als bewijs versnipperd raakt, aannames te vroeg worden vastgelegd of besluitvormers het dossierraamwerk verliezen. AI lost op zichzelf geen institutionele fouten op. Wel kan zij teams helpen om eerder patronen, tegenstrijdigheden, gaten en onderbouwde bronnen te identificeren.

Dat is de kracht van legal AI in 2026: niet een autonome beoordelingsfunctie, maar snellere, beter onderbouwde oriëntatie met sterke broncontrole. In dossiers waar dat het meest telt, bepaalt dat de kwaliteit van de strategische inzet.

AI moet het dossier niet vervangen. Zij dient het werkproces juist te versterken, zodat de advocaat op basis van controleerbaar bewijs kan schrijven, controleren en verdedigen.