Sarah Webb, COO og medstifter af LawVu – interviewserie

Sarah Webb er COO og medstifter af LawVu og har en baggrund inden for ingeniørarbejde og softwareledelse, blandt andet fra stillinger hos LOVEFiLM og Amazon. Hun kom til LawVu som CTO i 2015 og blev COO i 2020, hvor hun kunne trække på sin erfaring inden for teknologi, drift, sikkerhed og governance. Hendes arbejde fokuserer på at hjælpe juridiske teams med at forbinde deres data og arbejdsgange og samtidig afveje AI-innovation mod virksomhedens risici.

LawVu leverer et juridisk operativsystem til interne juridiske teams, der samler sagsmodtagelse, sager, kontrakter, udgifter og viden på én sammenhængende platform. Platformens AI-funktioner og integrationer hjælper teams med at arbejde på tværs af deres eksisterende værktøjer, samtidig med at adgangstilladelser og tilsyn opretholdes. I dette interview taler Webb om skygge-AI, agentiske arbejdsgange, institutionel viden og det grundlag, virksomheder har brug for til at indføre AI under ordnede styringsrammer.

Du var med til at grundlægge LawVu efter at have brugt en stor del af din karriere på at udvikle og lede softwareteams, blandt andet hos LOVEFiLM og Amazon. Hvad fik dig til at se virksomheders juridiske drift som et problem, der var værd at løse, og hvordan har din oprindelige vision for LawVu udviklet sig, efterhånden som AI har forandret teknologilandskabet?

Jeg tilbragte det meste af min tidlige karriere i ingeniør- og teknologifunktioner, blandt andet hos LOVEFiLM og Amazon, og det var ikke noget, jeg havde planlagt at skifte til juridisk teknologi; det skete mere tilfældigt. Jeg har været hos LawVu i næsten 11 år nu, først som CTO, men blev ret hurtigt COO, og alene det skifte har ændret meget ved min måde at se virksomheden på.

I begyndelsen var det første problem, vi forsøgte at løse, manglende overblik. De fleste kunder kom fra Outlook og Excel-regneark, og det føltes som en stor sejr bare at samle det hele ét sted. Derefter kom en periode, hvor teams arbejdede på afstand, og uden en central platform blev samarbejdet endnu vanskeligere. Det understregede noget, vi allerede havde lagt mærke til: Meget af det gentagne juridiske arbejde blev ikke værdsat eller overhovedet set af resten af virksomheden, fordi der ikke var noget sted, hvor det kunne blive synligt. Den periode fik os til at arbejde grundigt med at lære kunderne, hvordan de kunne strukturere deres data og håndtere forandringer internt, i stedet for blot at give dem et værktøj.

Vi byggede også tidligt integrationer til hele Microsoft-pakken, fordi målet altid var at møde virksomheden dér, hvor den allerede arbejdede til daglig, frem for at bede teams om at opgive det, de kendte. Det, der har ændret sig siden da, er omfanget af det, den samme idé nu kræver. Tidligere handlede det om bekvemmelighed at sænke adgangsbarrieren, så man kunne få et brugbart datasæt. Nu er det forskellen på AI, der rent faktisk kan håndtere juridisk arbejde, og AI, der blot sender den samme fragmentering tilbage til dig.

Du har argumenteret for, at »skygge-AI« ofte skyldes problemer med arbejdsgangene snarere end medarbejderne. Hvad betyder det i praksis, og hvad kan organisationer lære, når medarbejdere går uden om godkendte AI-værktøjer eller -systemer og vælger deres egne løsninger?

Hvis man ikke stiller de rette værktøjer til rådighed internt, finder folk deres egne for at opnå effektivitetsgevinster. Det er grundproblemet. Når nogen går uden om et godkendt system, er den umiddelbare reaktion at betragte det som et brud på reglerne – noget, der skal begrænses eller forbydes i en politik. I praksis fortæller det som regel noget om selve arbejdsgangen: Den godkendte løsning var langsommere eller mere besværlig end alternativet, så folk fandt deres egen vej uden om den.

Det er netop derfor, skygge-AI udgør en større risiko end skygge-IT nogensinde har gjort. Hændelser med skygge-AI står nu for 20 procent af databruddene og koster i gennemsnit 10,2 millioner dollars, fordi folk ikke blot tager et ikke-godkendt værktøj i brug; de giver det direkte adgang til følsomt materiale som kontraktformuleringer, aftalevilkår og interne overvejelser.

Det, organisationer faktisk bør lære af dette, er, hvor manglen ligger. Fraværet af et sikkert alternativ, der bygger på relevant kontekst, forhindrer ikke folk i at bruge AI; det får dem blot til at gøre det et sted, hvor man ikke kan se det. Og der ligger en dybere risiko under overfladen, som rækker ud over sikkerhed. Når arbejdet er spredt ud over personlige AI-værktøjer i stedet for at være samlet i et fælles, struktureret system, træffer virksomheden beslutninger på et ufuldstændigt grundlag uden overhovedet at vide, at en del af grundlaget mangler. Hvis et AI-værktøj kun kan se 60 procent af de relevante data, fordi resten ligger på en persons egen konto, falder værktøjets nøjagtighed, og risikoen for en forkert beslutning stiger. At forbyde løsningen uden om systemet ændrer ikke på noget af det. Det gør det derimod at give folk et bedre alternativ.

Ud fra LawVus arbejde med hundredvis af juridiske teams i store virksomheder: Hvilke fejl ser du oftest, når organisationer etablerer AI-governance, især i takt med at medarbejdere får adgang til stadig mere avancerede AI-værktøjer til generelle formål?

Den mest almindelige fejl er at forveksle en skriftlig politik med en reel kontrolforanstaltning. Mange organisationer har nu et dokument, der beskriver, hvordan AI bør og ikke bør bruges. Meget få har bygget noget operationelt op bag det – noget, der rent faktisk styrer, hvad et værktøj kan få adgang til, registrerer, hvad det har gjort, og gør det muligt efterfølgende at rekonstruere forløbet, hvis der bliver brug for det.

Den anden fejl er ikke at tage højde for, hvor meget risiko der tilføjes, ét værktøj ad gangen. Hver enkelt specialløsning, et team tager i brug – uanset om det gælder kontrakter, udgifter eller sagsmodtagelse – kræver sin egen integration, har sin egen autentificeringsprotokol og opbevarer sin egen kopi af følsomme data. Hver for sig virker de overkommelige. Tilsammen gør de den juridiske teknologistak til et fragmenteret risikoknudepunkt, og mere end en tredjedel af sikkerhedsbruddene kan spores tilbage til netop den type tredjepartsadgang. De fleste teams indser først, hvor meget det løber op i, når det er dem, der bliver undersøgt, efter at noget er gået galt.

Den tredje fejl er at behandle generelle AI-værktøjer anderledes end al anden software, der håndterer følsomme data. Alle de kunder, vi har arbejdet med siden dag ét, herunder offentlige kunder, har gennemgået en grundig sikkerhedsvurdering sammen med os, fordi det, der ender i et system som vores, er noget af det mest følsomme, en virksomhed ligger inde med: forretningshemmeligheder, M&A-data og PII. Medarbejdere overlader hver dag den samme type oplysninger til offentligt tilgængelige AI-værktøjer uden på nogen måde at blive underkastet samme grad af kontrol, fordi det ikke føles som at tage en ny leverandør i brug, men som at bruge et værktøj. Det misforhold mellem det, der bliver revideret, og det, der rent faktisk indebærer en risiko, er dér, de fleste governanceprogrammer bryder sammen.

LawVu har indarbejdet AI-agenter og agentbaserede arbejdsgange i juridiske arbejdsgange. Hvordan afgør I, hvilke juridiske processer der egner sig til autonom AI-udførelse, og hvilke der altid bør kræve menneskelig gennemgang eller godkendelse?

Vi ser mere på konsekvenserne og muligheden for at omgøre en handling end på, hvor kompliceret en proces ser ud på papiret. Hvis en fejl er billig at opdage og nem at rette, egner processen sig som regel godt til autonom udførelse. Derfor passer store mængder veldefineret arbejde som sagsmodtagelse og indledende sortering ofte godt til det.

Alt, der berører en ekstern forpligtelse, en juridisk risiko eller en beslutning, der er svær at omgøre, kræver, at et menneske er med i processen, uanset hvor præcis agenten ser ud til at være i test. Det er den samme logik, vi bruger, når vi ser bredere på risikotolerance hos LawVu. Vi finder ud af, hvad et team kan leve med, indfører de rette kontroller omkring det og åbner først derefter op for mere. Den egentlige prøve er ikke præcision, men om vi kan redegøre for, hvad agenten tilgik, hvorfor den foretog den handling, om den havde tilladelse til det, og om vi kan dokumentere det bagefter. Hvis vi ikke kan svare på det, er processen endnu ikke klar til at køre på egen hånd.

Disse beslutninger er ikke noget, man træffer én gang for alle. En proces, der er sikker at automatisere i dag, kan holde op med at være sikker, efterhånden som brugen vokser, eller arbejdsgangen begynder at omfatte mere følsomt materiale end i begyndelsen. Derfor skal grænsen tages op til fornyet overvejelse, ikke blot fastlægges én gang.

LawVus MCP-server gør det muligt for organisationer at forbinde værktøjer som ChatGPT, Claude og Microsoft Copilot direkte med deres juridiske driftsmiljø. Hvordan kan virksomheder give eksterne AI-systemer nyttig adgang til virksomhedsdata og samtidig bevare adgangsrettigheder, revisionsmuligheder, privatliv og kontrol?

Det er nærliggende at tro, at integration og sikkerhed er modsætninger, men det behøver de ikke at være. Platformen skal fortsat være den autoritative kilde til adgangsrettigheder, ikke AI-værktøjet, der ligger oven på den. Uanset om nogen starter en samtale i ChatGPT, Claude eller Copilot, bør det, vedkommende har tilladelse til at se og gøre, ikke ændre sig alt efter, hvilken grænseflade vedkommende tilfældigvis åbner den dag.

Det fungerer kun, hvis miljøet i den anden ende allerede har de rette kontroller på plads, før man forbinder noget. Netop det forarbejde springer de fleste virksomheder over. Alle behandler MCP som en automatisk sikkerhedsgevinst, fordi der flyttes færre data rundt, og det er også rigtigt – men kun hvis det modtagende system kan redegøre for, hvad der blev tilgået, hvorfor, og hvilken agent der gjorde det på hvis vegne, samt dokumentere det efterfølgende.

Der er også et forretningsmæssigt argument. Hvis det centrale AI-værktøj kan genkende, når en forespørgsel har en juridisk dimension, og automatisk sende den videre til LawVu, slipper medarbejderen for at skulle vide, hvilket system vedkommende først skal gå til, og dermed for frem og tilbage. Det betyder også, at medarbejderne ikke griber til et personligt AI-værktøj, der slet ikke har adgang til et pålideligt og sikkert datasæt. At give folk ét velstyret udgangspunkt bidrager i sidste ende mere til udbredelsen end nogensinde at låse alt ned ville gøre.

Generelle AI-modeller kan være effektive, men de mangler ofte organisationens institutionelle hukommelse, historiske beslutninger og specifikke risikoprofil. Hvilke oplysninger og hvilken infrastruktur skal stilles til rådighed omkring en AI-model, før den bliver reelt nyttig til arbejde med meget store konsekvenser i en virksomhed?

Jeg tænker på horisontal AI som en fremragende fremmed – en person, der har læst utrolig meget, skriver smukt og kan føre en samtale om næsten hvad som helst. Men vedkommende har aldrig mødt jeres klient. Har aldrig deltaget i jeres forhandlinger. Ved ikke, hvordan jeres organisation afvejer risiko. Har aldrig set samtalerne, der førte til de undtagelser, jeres team blev enige om for seks måneder siden.

Derfor er noget af det første, mange juridiske teams gør, at koble AI til en playbook, og det skal understreges, at det er utrolig værdifuldt. Giver man en AI-model adgang til sine foretrukne klausuler, alternative positioner, godkendelsestærskler og forhandlingsvejledning, viser effektivitetsgevinsterne sig næsten med det samme. Udfordringen er, at de vigtigste juridiske beslutninger ofte opstår, når standardpositionen ikke længere passer: En strategisk kunde har brug for en undtagelse, en vækstmulighed med stort potentiale retfærdiggør en større risiko, eller en forhandling når et punkt, hvor kommercielle hensyn vejer tungere end den foretrukne klausul.

Det er her, den juridiske dømmekraft begynder at blive synlig. Noget af den mest værdifulde viden findes i undtagelserne, ikke i playbooken. Hvorfor gjorde vi en undtagelse for denne kunde? Hvad skete der, sidste gang vi forhandlede denne position med den samme modpart? Har virksomheden accepteret denne risiko i en anden sammenhæng? Blev spørgsmålet tidligere eskaleret, og hvad blev der i sidste ende besluttet?

Svarene findes sjældent i ét enkelt dokument; de er spredt på tværs af kontrakter, godkendelser, e-mails, sagsakter, mødereferater og den samlede erfaring hos de personer, der var involveret på det tidspunkt. Dokumentet registrerer blot resultatet, mens organisationen bærer begrundelsen med sig andre steder.

En fremragende fremmed kan hurtigt lære reglerne, men at forstå, hvorfor reglerne i første omgang blev bøjet, er en helt anden udfordring. Det, der typisk adskiller nyttig AI fra banebrydende AI, er, hvor meget af sin egen erfaring organisationen har bevaret, så AI kan lære af den.

Mange virksomheder har gennem tiden opbygget et virvar af usammenhængende kontraktsystemer, værktøjer til sagsstyring, regneark, e-mailarkiver og andre kilder til virksomhedens viden. Hvor vigtigt er det at have et samlet datafundament, før man implementerer AI-agenter, og hvad skal en organisation gøre for at gøre sine data reelt klar til AI?

Juridisk arbejde er et perfekt eksempel på, hvorfor det er vigtigt: Kontrakter gennemgås og redigeres med ændringsmarkeringer i Word, godkendelser kommer via e-mail, beslutninger træffes på Slack, og derefter lægges AI oven på dokumentarkivet i stedet for faktisk at forbinde arbejdsgangene. Hvis man lægger AI oven på et fragmenteret system, får man blot hurtigere adgang til kaos.

De virksomheder, der brugte flere år på at opbygge en solid datainfrastruktur og få styr på deres systemer, inden AI kom til, er dem, hvor AI allerede giver udbytte. Det er i bund og grund det centrale. Man kan ikke skalere agenter oven på usammenhængende kontraktsystemer, værktøjer til sagsstyring, regneark og e-mailarkiver og samtidig forvente pålidelige resultater. Fundamentet skal være på plads først: sammenkoblede systemer, tydelige adgangskontroller og en fastlagt risikotolerance, før man overhovedet kan begynde at overveje at skalere AI.

Når virksomheder overvejer, om de skal udvikle deres egne AI-applikationer, købe specialiserede AI-platforme eller forbinde generelle modeller med eksisterende systemer, hvordan bør teknologiledere så gribe beslutningen om at udvikle, købe eller integrere an?

At udvikle eller købe lyder som en teknologisk beslutning. Min erfaring er, at det i virkeligheden handler om modenheden i den juridiske funktion. Det drejer sig om, hvor seriøst et juridisk team betragter sig selv som en funktion med egne arbejdsgange, data og driftsmodel. Får man styr på den modenhed, følger den rette strategi for juridisk AI som regel helt af sig selv.

Når det gælder udvikling: For de få teams, der har ressourcerne til at fungere som en softwarevirksomhed, kan det give mening. Modeller udvikler sig, infrastrukturen ændrer sig, og arbejdet bliver aldrig rigtig færdigt. For de fleste teams er udfordringen ikke at udvikle løsningen én gang, men at vedligeholde den for altid.

Når det gælder køb: De fleste teams ender her, men »køb« dækker ikke over én enkelt mulighed. Det er mindst tre forskellige ting, som folk slår sammen. Generel AI som ChatGPT, Copilot og Claude er effektiv, men forstår ikke i sig selv sagsstrukturer, sagsmodtagelse eller godkendelsesarbejdsgange. AI, der forbindes med en enkeltstående løsning via eksempelvis MCP, er et betydeligt fremskridt, men dens udsyn er stadig begrænset til det, der findes i netop det system.

Den største mulighed ligger i AI, der forstår, hvordan juridisk arbejde hænger sammen på tværs af funktionen, og ikke kun hvad der foregår i et enkelt værktøj. Når sagsmodtagelse, sager, kontrakter, udgifter og viden samles ét sted, kan AI ræsonnere på tværs af helheden i stedet for kun at se et enkelt udsnit.

Du har haft både CTO- og COO-roller hos LawVu og dermed haft ansvar for teknologi, drift, sikkerhed og produktudvikling. Hvordan har denne kombination præget din tilgang til at afveje hurtig AI-innovation over for sikkerhed, compliance, pålidelighed og virksomhedsrisiko?

Jeg blev ansat hos LawVu som CTO i 2015 og overtog COO-rollen i 2020, så jeg har i over et årti arbejdet på tværs af både teknologi og drift.

Den kombination ændrer måden, man ser på AI-innovation i forhold til sikkerhed og compliance, fordi man ikke oplever dem som adskilte samtaler. Når jeg både har det interne ansvar for styring, risiko og compliance og bygger en platform, der hjælper kunderne med at håndtere de samme funktioner, kan jeg ikke betragte innovation og sikkerhed som trin, der følger efter hinanden. Det ene kommer ikke efter det andet; de foregår samtidig eller slet ikke. Alle vores kunder har gennemgået en fuld sikkerhedsvurdering, lige siden vi startede, og hver gang man føjer et nyt værktøj til sit økosystem, øger man risikobilledet omkring de pågældende data. Det gælder lige så meget internt hos os som hos vores kunder, så når man bygger løsningen og samtidig er ansvarlig for, hvordan den styres, er man nødt til at holde begge dele for øje på én gang.

Hvordan forventer du, at agentisk AI vil ændre virksomheders juridiske teams fremover? Ser du juridiske afdelinger primært bruge AI som et produktivitetslag, eller kan de med tiden blive tilsynsførende for stort set autonome arbejdsgange, der fungerer på tværs af virksomheden?

Generativ AI har flyttet samtalen fra gradvise effektivitetsforbedringer til en grundlæggende nytænkning af, hvordan juridisk arbejde udføres, og hvordan driftsmodellen skal se ud i en verden, der hurtigt bevæger sig mod agentiske muligheder. Jeg ser ikke agentisk AI som hype, men som et eksekveringslag, der kan hjælpe juridiske teams med at gå fra at styre arbejdet til aktivt at udføre det, når de rette kontroller og sikkerhedsforanstaltninger er på plads.

Lige nu ser vi et skift i retning af en ny „indgang“ i organisationer: Forretningsbrugere begynder i stigende grad med værktøjer som Microsoft Copilot eller Claude, og spørgsmålet er, hvordan den juridiske afdeling sikrer, at disse interaktioner forbindes med de rette systemer, data og arbejdsgange.

Jeg ser det altså ikke som et valg mellem et produktivitetslag og en tilsynsførende rolle, men som en udvikling. Først bruger den juridiske afdeling AI til at arbejde hurtigere med enkelte opgaver, men efterhånden som de agentiske muligheder modnes, ligger den største mulighed i, at den juridiske afdeling selv ejer eksekveringslaget og aktivt udfører arbejdet gennem systemer med indbygget styring i stedet for blot at udarbejde første udkast hurtigere.

Tak for et godt interview. Læsere, der ønsker at udforske sammenhængende juridiske arbejdsgange og AI-arbejdsgange med indbygget styring, kan besøge LawVu.