Mikhail Yatsuha, administrerende direktør og medstifter af CaseCraft.AI

Mikhail Yatsuha, administrerende direktør og medstifter af CaseCraft.AI, er en britisk advokat og entreprenør inden for juridisk teknologi med mere end et årti af erfaring i juridiske tjenester. Han gik fra praktikant og trainee‑advokat til partner hos Sterling Law, hvor han ledede den kommercielle afdeling og gentagne gange stødte på levedygtige lavværdi‑tvister, som blev økonomisk urentabelt, når de traditionelle omkostninger blev medregnet. I slutningen af 2023 medstiftede han CaseCraft.AI for at gentænke, hvordan civile krav vurderes, forberedes og behandles ved hjælp af AI‑drevne arbejdsgange i stedet for blot at anvende AI på juridisk udarbejdelse.

CaseCraft.AI er en britisk juridisk teknologivirksomhed, der bygger en AI‑native platform til civil retssag. Platformen samler sagsvurdering, bevisbehandling, forudgående korrespondance, dokumentgenerering, proceduremæssig sporing og menneskelig juridisk gennemgang i én arbejdsgang, og betjener individuelle kravstillere på no‑win‑no‑fee‑basis samt virksomheder gennem abonnementbaserede bulk‑krav og sagsstyringsværktøjer. Virksomheden har rejst ca. £1,8 million i tre finansieringsrunder, og pr. august 2026 var der registreret 4.562 sager med en samlet værdi på £14,9 million, 51 % var afgjort eller vundet ved standarddom, og 373 sager var i aktivt juridisk arbejde; den pilotere også sin første virksomhedsintegration og tester et MVP inden for arbejdsret.

Du tilbragte år med at gå fra praktikant og trainee‑advokat til partner hos Sterling Law, før du medstiftede CaseCraft.AI i 2023. Hvad så du gentagne gange i den juridiske praksis, som overbeviste dig om, at processen for småkrav kunne redesignes grundlæggende med AI i stedet for blot at blive gjort mere effektiv med bedre juridisk software?

Hvad der overbeviste mig, var ikke, at advokater havde brug for et bedre udarbejdelsesværktøj. Det var, at for mange lavværdi‑tvister fejler økonomien, før en advokat kan hjælpe. Omkostningerne ved repræsentation kan nærme sig eller overstige den pågældende værdi, og de fleste juridiske omkostninger er generelt ikke geninddrivelige i småkrav. Jeg så levedygtige krav blive opgivet af den grund hos Sterling Law, og senere så jeg den samme aritmetik hos virksomheder, der afskrev ubetalte fakturaer. Det er et leveringsmodel‑problem, ikke et udarbejdelsesproblem. AI gjorde det muligt at redesigne mere af rejsen omkring den person, der indbringer kravet, i stedet for blot at gøre advokaten, der arbejder på det, lidt hurtigere.

CaseCraft.AI er nu blevet brugt til at oprette tusindvis af juridiske sager, med hundreder, der går videre til aktivt juridisk arbejde. Hvad har du lært af at drive AI på rigtige sager, som du aldrig kunne have opdaget fra prototyper, simulationer eller benchmark‑test alene?

To ting springer i øjnene. Først er generering af et dokument den lette del; at drive en sag er svært. En aktiv sag betyder, at beviser, betalinger, frister, svar og næste skridt skal forblive konsistente over måneder. Pr. august 2026 var der oprettet over 4.500 sager gennem CaseCraft, over 400 var gået videre til aktivt juridisk arbejde, og 130 krav var indleveret ved retten.

For det andet opfører folk sig anderledes med AI. De kan være mere åbne, hvilket hjælper med at bringe vigtige fakta frem tidligere, men systemet skal også sætte grænser og vide, hvornår en menneskelig aktør skal træde ind. Vi lærte dette direkte, da indførelsen af et menneskeligt opkald på et tillidsfølsomt trin forbedrede konverteringen med mindst 15 %.

Mere end halvdelen af den første bølge af generativ AI fokuserede på at producere tekst. CaseCraft.AI skal i stedet indsamle beviser, fastlægge berettigelse, følge proceduremæssige regler, udløse handlinger og spore en sag over tid. Hvordan adskiller opbygningen af denne type agentur‑arbejdsgang sig teknisk fra at bygge en AI‑assistent eller chatbot?

En chatbot besvarer et spørgsmål; en agentur‑arbejdsgang skal opretholde tilstanden for en reel sag over tid – hvad der er sket, hvilke beviser der findes, hvad der mangler, og hvad der kan ske næste gang. Vi tænker derfor på systemet som specialiserede komponenter i stedet for én model, der gør alting: nogle indsamler og validerer information, andre understøtter juridisk ræsonnement eller behandler indkommende dokumenter. Målet er ikke det bedste afsnit. Det er en pålidelig sekvens af beslutninger og handlinger, der fører sagen mod det bedst mulige resultat.

I en juridisk arbejdsgang kan en model producere noget, der lyder fuldstændig overbevisende, men som stadig er proceduralt eller faktuelt forkert. Hvordan har du designet CaseCraft.AI til at skelne mellem plausibel AI‑output og information, der faktisk er pålidelig nok til at blive brugt i en juridisk sag?

Det overordnede princip er, at modellen ikke må opfinde den juridiske verden, den opererer i. Vi begrænser systemet til beviserne i sagen og til autoritative juridiske kilder, i stedet for at lade en generel model svare ud fra hukommelsen. CaseCraft.AI har adgang til de seneste lovændringer, relevante præcedenser og etablerede bedste praksisser via offentlige API’er og andre autoritative kilder, så den juridiske kontekst holdes opdateret.

Vi adskiller også generering fra validering og holder den faglige gennemgang inden for den regulerede juridiske service‑ramme. Testen er ikke, om et output lyder som om en advokat har skrevet det, men om kilden, beviset og den proceduremæssige trin kan verificeres.

Du har talt om vigtigheden af “målbar menneskelig tilsyn”. Hvad betyder det i praksis, og hvordan bestemmer du, hvilke beslutninger et AI‑system kan træffe autonomt, versus hvor en menneskelig aktør skal forblive ansvarlig?

Målbar menneskelig tilsyn betyder, at den menneskelige involvering er knyttet til en identificerbar risiko, og vi kan se, hvor indgreb sker, og hvorfor. ‘Human in the loop’ bør ikke blot være en beroligende sætning; vi skal kunne pege på udløseren, gennemgangen og den efterfølgende beslutning.

Vi er stadig ved at opbygge evidensbasen for, hvor disse grænser skal ligge. Et mål, vi allerede kan pege på, er gennemgangstiden: siden lanceringen er den tid, der kræves til menneskelig gennemgang, faldet firefold, efterhånden som systemet er blevet bedre. Over tid er målet at gøre gennemgangen mere risikobaseret, samtidig med at den faglige dømmekraft forbliver ansvarlig, hvor den juridisk kræves.

Beviser er centralt for småkrav, men beviser kan forekomme som kontrakter, fakturaer, e‑mails, beskeder, fotografier og anden ustruktureret information. Hvordan griber du det an, når du skal omdanne dette materiale til strukturerede input, som et AI‑system kan ræsonnere over, samtidig med at du bevarer oprindelsen og undgår uunderbyggede konklusioner?

Det grundlæggende princip er at holde udtræk adskilt fra inferens. Hvis en bruger uploader en WhatsApp‑tråd med en håndværker, udtrækkes datoer, tilbudt pris og anvendte ord som fakta; en konklusion om den juridiske betydning af udvekslingen er inferens. De to må aldrig præsenteres som det samme. Vi strukturerer dokumenterne, så arbejdsgangen kan bruge dem, mens vi bevarer linket tilbage til det oprindelige bevis. Hvis dette link forsvinder, kan du oprette en sagsfil, der læser godt, men som falder fra hinanden, når den bliver udfordret.

Et af de sværeste problemer for autonome systemer er at vide, hvornår de ikke skal handle. Hvilke signaler fortæller CaseCraft.AI, at et krav er blevet for tvetydigt, komplekst eller risikabelt for automatisering og i stedet bør eskaleres til en juridisk professionel?

En af vores sikkerhedsforanstaltninger er kontraintuitiv: vi lægger opmærksomhed ikke kun på de sager, AI’en ønsker at videreføre, men også på de sager, den er tilbøjelig til at afvise. Menneskelig tilsyn handler ikke kun om at stoppe en AI fra at være for aggressiv; det kan også stoppe systemet fra at være for konservativt og afvise et legitimt argument.

Et af de tydeligste eskaleringssignaler i dag er mangel på beviser. Folk uploader måske ikke de relevante dokumenter, har mistet dem over tid, eller er ikke klar over, hvilke beviser der er vigtige for kravet. Hvor sagen ikke er tilstrækkeligt klar eller fuldstændig, kan næste skridt være menneskelig gennemgang i stedet for automatisk fremdrift. Advokater håndterer stadig kontekst og gråzoner mere konsistent end nuværende systemer.

Efterhånden som AI‑systemer overtager flere trin, der traditionelt udføres af advokater, hvordan tror du grænsen mellem software‑automatisering og regulerede juridiske tjenester vil udvikle sig?

Grænsen vil flytte sig, men langsommere end mange i teknologibranchen forventer. Høj‑risiko systemer kan ikke stole på løftet om, at den næste model bliver bedre; pålidelighed skal demonstreres gennem autoritative kilder, validering, kontrol og ansvarlig menneskelig gennemgang. Over tid forventer jeg, at AI bliver noget, som fagfolk kan stole på inden for klart definerede grænser, men autonomi skal fortjenes gennem observeret præstation og reelle resultater. Det nyttige spørgsmål er ikke ‘software eller advokat?’ men hvilken aktivitet der udføres, hvilke beviser der understøtter den, og hvem der forbliver ansvarlig.

Generelle AI‑modeller bliver hurtigere mere kapable. Hvad skaber en bæredygtig fordel for en vertikal AI‑virksomhed som CaseCraft.AI, når de underliggende grundmodeller, som alle har adgang til, fortsat forbedres?

Vores fordel var aldrig at eje en grundmodel. Bedre generelle modeller er god nyhed for os. Det svære er alt omkring dem: genfinding, sagsdatabasen, juridisk viden, arbejdsgangs‑infrastruktur, integrationer, kontrol og den operationelle forståelse af, hvordan et krav bevæger sig fra start til slut. Det arbejde forsvinder ikke, når en ny model lanceres.

For brugeren skal det føles som ét sted, hvor sagen foregår, mens orkestreringen ligger i baggrunden. Den samme infrastruktur begynder nu at understøtte både individuelle kravstillere og virksomheder, der bruger batch‑krav på op til 150 krav med ét klik og sagsstyringsarbejdsgange. Jeg mener, at orkestreringen og domæne‑eksekveringen er den holdbare voldgrav for vertikal AI.

Ser vi udover småkrav, hvad har du lært fra CaseCraft.AI om den bredere fremtid for agentur‑AI? Hvilke andre høj‑risiko industrier mener du er særligt velegnede til systemer, der kan håndtere komplekse arbejdsgange, mens mennesker forbliver ansvarlige for kritiske beslutninger?

Jeg er optimistisk omkring agentur‑AI, men det svære arbejde ligger omkring modellen: at redesigne processer, strukturere information, definere, hvad systemet må gøre, og bygge validering og eskalering. Det er derfor, regulerede industrier ofte bevæger sig langsommere – de personer, der forstår arbejdsgangen godt nok til at automatisere den, er typisk de travleste eksperter i organisationen.

De stærkeste muligheder er arbejdsgange med masser af gentagelig informationsindsamling og dokumentbehandling, men med et mindre antal undtagelser, der stadig kræver ansvarlig dømmekraft. For CaseCraft er arbejdsret den nærmeste udvidelse, med et MVP i aktiv test, og vi udforsker personskade sammen med et specialiseret sagsfirma. Udover lovgivning har forsikring, finansielle tjenester og compliance en lignende struktur. De systemer, der vinder, vil vide ikke kun, hvordan de automatiserer samtalen, men præcis hvornår maskinen skal stoppe, og en menneskelig aktør skal overtage.

Tak for det fremragende interview; læsere, der ønsker at lære mere, bør besøge CaseCraft.AI.