Mikhail Yatsuha, CEO und Mitbegründer von CaseCraft.AI

Mikhail Yatsuha, CEO und Mitbegründer von CaseCraft.AI, ist ein britischer Rechtsanwalt und Legal‑Tech‑Unternehmer mit mehr als einem Jahrzehnt Erfahrung im Rechtsdienstleistungsbereich. Er stieg vom Praktikanten und Referendar zum Partner bei Sterling Law auf, wo er die Wirtschaftsabteilung leitete und wiederholt tragfähige geringwertige Streitigkeiten erlebte, die nach Einbeziehung der traditionellen Anwaltskosten unwirtschaftlich wurden. Ende 2023 gründete er gemeinsam CaseCraft.AI, um die Bewertung, Vorbereitung und Abwicklung von Zivilklagen mit KI‑gestützten Workflows neu zu denken, anstatt KI nur für die juristische Textverfassung zu nutzen.

CaseCraft.AI ist ein britisches Legal‑Tech‑Unternehmen, das eine KI‑native Plattform für Zivilprozesse entwickelt. Die Plattform integriert Fallbewertung, Beweiserfassung, Vorverfahren‑Korrespondenz, Dokumentenerstellung, Verfahrensverfolgung und menschliche juristische Prüfung in einen einzigen Workflow, bedient Einzelkläger auf Basis von No‑Win‑No‑Fee und Unternehmen über abonnementbasierte Sammelklagen‑ und Fallmanagement‑Tools. Das Unternehmen hat rund £1.8m in drei Finanzierungsrunden eingeworben und hatte bis August 2026 4,562 Fälle mit einem kumulierten Wert von £14.9M erstellt, 51% wurden beigelegt oder per Versäumnisurteil gewonnen, und 373 Fälle befanden sich in aktiver Rechtsarbeit; es pilotiert zudem seine erste Enterprise‑Einführung und testet ein MVP für Arbeitsrecht.

Sie haben Jahre vom Praktikanten und Referendar zum Partner bei Sterling Law aufgestiegen, bevor Sie 2023 CaseCraft.AI mitbegründeten. Was haben Sie in der juristischen Praxis immer wieder beobachtet, das Sie davon überzeugte, dass der Prozess für Kleinansprüche grundlegend mit KI neu gestaltet werden kann, anstatt ihn lediglich durch bessere Rechtssoftware effizienter zu machen?

Was mich überzeugte, war nicht, dass Anwälte ein besseres Entwurfswerkzeug benötigen. Vielmehr ist bei vielen geringwertigen Streitigkeiten die Wirtschaftlichkeit bereits vor dem Eingreifen eines Anwalts gescheitert. Die Kosten für die Vertretung können den Streitwert erreichen oder übersteigen, und die meisten Rechtskosten sind in Kleinansprüchen in der Regel nicht erstattungsfähig. Ich sah bei Sterling Law, dass vielversprechende Ansprüche aus diesem Grund aufgegeben wurden, und später sah ich dieselbe Rechnung bei Unternehmen, die unbezahlte Rechnungen abschreiben. Das ist ein Problem des Liefermodells, nicht des Entwurfs. KI ermöglichte es, den Ablauf stärker um die Person, die den Anspruch stellt, zu redesignen, anstatt den Anwalt nur ein wenig schneller zu machen.

CaseCraft.AI wurde bereits zur Erstellung Tausender Rechtsfälle eingesetzt, wobei Hunderte in aktive Rechtsarbeit übergegangen sind. Was haben Sie aus dem Betrieb von KI in realen Fällen gelernt, das Sie allein aus Prototypen, Simulationen oder Benchmark‑Tests nie hätten entdecken können?

Zwei Dinge stechen hervor. Erstens ist das Erzeugen eines Dokuments der einfache Teil; das Führen eines Falls ist schwierig. Ein aktiver Fall bedeutet, dass Beweise, Zahlungen, Fristen, Antworten und nächste Schritte über Monate hinweg konsistent bleiben müssen. Stand August 2026 wurden über 4,500+ Fälle über CaseCraft erstellt, über 400+ in aktive Rechtsarbeit übergegangen und 130 Klagen vor Gericht eingereicht.

Zweitens verhalten sich Menschen anders im Umgang mit KI. Sie können offener sein, was hilft, wichtige Fakten früher zu erkennen, aber das System muss auch Grenzen setzen und wissen, wann ein Mensch eingreifen sollte. Wir haben das unmittelbar erfahren, als die Einführung eines menschlichen Eingriffs in einer vertrauenskritischen Phase die Konversionsrate um mindestens 15 % steigerte.

Ein Großteil der ersten Welle generativer KI konzentrierte sich auf die Textproduktion. CaseCraft.AI muss hingegen Beweise sammeln, die Anspruchsberechtigung bestimmen, Verfahrensregeln folgen, Aktionen auslösen und einen Fall über die Zeit hinweg verfolgen. Wie unterscheidet sich der technische Aufbau einer solchen agentischen Workflow von dem einer KI‑Assistenz oder eines Chatbots?

Ein Chatbot beantwortet eine Frage; ein agentischer Workflow muss den Zustand eines realen Falls über die Zeit hinweg aufrechterhalten – was geschehen ist, welche Beweise vorliegen, was fehlt und was als Nächstes geschehen kann. Deshalb betrachten wir das System als spezialisierte Komponenten statt als ein einziges Modell, das alles erledigt: Einige sammeln und validieren Informationen, andere begründen juristische Argumentation oder verarbeiten eingehende Dokumente. Das Ziel ist nicht der beste Absatz, sondern eine verlässliche Abfolge von Entscheidungen und Aktionen, die den Fall zum bestmöglichen Ergebnis führt.

In einem juristischen Workflow kann ein Modell etwas erzeugen, das völlig überzeugend klingt, dabei aber prozessual oder faktisch falsch ist. Wie haben Sie CaseCraft.AI so gestaltet, dass es zwischen plausiblen KI‑Ausgaben und Informationen unterscheidet, die tatsächlich zuverlässig genug für die Verwendung in einem Rechtsfall sind?

Das Leitprinzip ist, dass das Modell das rechtliche Universum, in dem es arbeitet, nicht erfinden darf. Wir beschränken das System auf die Beweise des Falls und auf autoritative Rechtsquellen, anstatt ein Allzweck‑Modell aus dem Gedächtnis antworten zu lassen. CaseCraft.AI hat Zugriff auf die neuesten Gesetzesänderungen, relevante Präzedenzfälle und etablierte Best Practices über Regierungs‑APIs und andere autoritative Quellen, sodass der rechtliche Kontext stets aktuell bleibt.

Wir trennen zudem die Generierung von der Validierung und behalten die fachliche Prüfung innerhalb des regulierten Rechtsdienstleistungsrahmens bei. Der Test besteht nicht darin, ob ein Ergebnis klingt, als hätte ein Anwalt es verfasst, sondern ob Quelle, Beweis und Verfahrensschritt verifizierbar sind.

Sie haben über die Bedeutung von „messbarer menschlicher Aufsicht“ gesprochen. Was bedeutet das in der Praxis, und wie bestimmen Sie, welche Entscheidungen ein KI‑System autonom treffen kann, während ein Mensch weiterhin verantwortlich bleiben muss?

Messbare menschliche Aufsicht bedeutet, dass die menschliche Beteiligung an erkennbares Risiko gekoppelt ist und wir sehen können, wo und warum ein Eingriff erfolgt. „Human in the loop“ sollte nicht nur ein beruhigender Ausdruck sein; wir müssen den Auslöser, die Prüfung und die darauf folgende Entscheidung benennen können.

Wir bauen noch die Evidenzbasis dafür auf, wo diese Grenzen liegen sollten. Ein Maß, das wir bereits benennen können, ist die Prüfungszeit: Seit dem Start hat sich die für die menschliche Prüfung benötigte Zeit durch die Systemverbesserungen vervierfacht. Langfristig soll die Prüfung stärker risikobasiert werden, während die verantwortliche fachliche Beurteilung dort erhalten bleibt, wo sie gesetzlich vorgeschrieben ist.

Beweise sind zentral für Kleinansprüche, doch Beweise können als Verträge, Rechnungen, E‑Mails, Nachrichten, Fotos und andere unstrukturierte Informationen vorliegen. Wie gehen Sie vor, um dieses Material in strukturierte Eingaben zu überführen, über die ein KI‑System reasoning kann, dabei die Herkunft zu bewahren und ungestützte Schlussfolgerungen zu vermeiden?

Das zentrale Prinzip ist, Extraktion von Schlussfolgerung zu trennen. Wenn ein Nutzer einen WhatsApp‑Verlauf mit einem Bauunternehmer hochlädt, sind Datum, angebotenes Preis und verwendete Formulierungen extrahierte Fakten; eine Bewertung der rechtlichen Bedeutung dieses Austauschs ist eine Schlussfolgerung. Die beiden sollten niemals als dasselbe dargestellt werden. Wir strukturieren Dokumente so, dass der Workflow sie nutzen kann, während die Verknüpfung zum Originalbeweis erhalten bleibt. Verschwindet diese Verknüpfung, entsteht ein Fallakte, die zwar gut lesbar ist, aber bei Anfechtung zusammenbricht.

Eines der schwierigsten Probleme für autonome Systeme ist zu wissen, wann nicht zu handeln ist. Welche Signale geben CaseCraft.AI, dass ein Anspruch zu unklar, komplex oder riskant für die Automatisierung geworden ist und stattdessen an einen Juristen eskaliert werden sollte?

Eine unserer Schutzmaßnahmen ist kontraintuitiv: Wir achten nicht nur auf Fälle, die die KI vorantreiben möchte, sondern auch auf solche, die sie ablehnen will. Menschliche Aufsicht dient nicht nur dazu, eine zu aggressive KI zu stoppen; sie kann das System auch davon abhalten, zu konservativ zu sein und ein legitimes Argument zu verwerfen.

Ein deutliches Eskalationssignal heute ist das Fehlen von Beweisen. Personen laden möglicherweise die relevanten Dokumente nicht hoch, haben sie im Laufe der Zeit verloren oder erkennen nicht, welche Beweise für den Anspruch wichtig sind. Ist der Fall nicht ausreichend klar oder vollständig, kann der nächste Schritt eine menschliche Prüfung statt einer automatischen Weiterleitung sein. Anwälte bewältigen Kontext und Grauzonen nach wie vor konsistenter als aktuelle Systeme.

Während KI‑Systeme immer mehr Schritte übernehmen, die traditionell von Anwälten ausgeführt werden, wie wird Ihrer Meinung nach die Grenze zwischen Software‑Automatisierung und regulierten Rechtsdienstleistungen sich entwickeln?

Die Grenze wird sich verschieben, jedoch langsamer, als viele Technologiefachleute erwarten. Hochrisikosysteme können nicht auf das Versprechen vertrauen, dass das nächste Modell besser wird; Zuverlässigkeit muss durch autoritative Quellen, Validierung, Kontrollen und verantwortliche menschliche Prüfung nachgewiesen werden. Langfristig erwarte ich, dass KI zu einem Werkzeug wird, auf das Fachleute innerhalb klar definierter Grenzen vertrauen können, doch Autonomie muss durch beobachtete Leistung und reale Ergebnisse erworben werden. Die sinnvolle Frage lautet nicht „Software oder Anwalt?“, sondern welche Tätigkeit ausgeführt wird, welche Beweise sie stützen und wer weiterhin verantwortlich bleibt.

Allgemeine KI‑Modelle werden sehr schnell leistungsfähiger. Was verschafft einem vertikalen KI‑Unternehmen wie CaseCraft.AI einen nachhaltigen Vorteil, wenn die zugrunde liegenden Grundmodelle, die allen zur Verfügung stehen, kontinuierlich verbessert werden?

Unser Vorteil bestand nie darin, ein Grundmodell zu besitzen. Bessere Allzweck‑Modelle sind für uns positiv. Der schwierige Teil liegt in allem, was sie umgibt: Retrieval, die Falldatenbank, juristisches Wissen, Workflow‑Infrastruktur, Integrationen, Kontrollen und das operative Verständnis, wie ein Anspruch von Anfang bis Ende verläuft. Diese Arbeit verschwindet nicht, wenn ein neues Modell erscheint.

Für den Nutzer sollte es sich wie ein einziger Ort anfühlen, an dem der Fall abläuft, während die Orchestrierung im Hintergrund bleibt. Dieselbe Infrastruktur beginnt nun, sowohl Einzelkläger als auch Unternehmen zu unterstützen, die mit einem Klick bis zu 150 Sammelklagen und Fall‑Management‑Workflows nutzen. Ich denke, dass Orchestrierung und domänenspezifische Ausführung das dauerhafte Schutzschild für vertikale KI bilden.

Wenn wir über Kleinansprüche hinausblicken, was haben Sie von CaseCraft.AI über die breitere Zukunft agentischer KI gelernt? Welche anderen Hochrisikobranchen halten Sie für besonders geeignet für Systeme, die komplexe Workflows managen können, während Menschen für kritische Entscheidungen verantwortlich bleiben?

Ich bin optimistisch bezüglich agentischer KI, doch die schwierige Arbeit liegt rund um das Modell: Prozesse neu zu gestalten, Informationen zu strukturieren, zu definieren, was das System tun darf, und Validierung sowie Eskalation aufzubauen. Deshalb bewegen sich regulierte Branchen oft langsamer – die Personen, die den Workflow gut genug verstehen, um ihn zu automatisieren, sind meist die beschäftigtsten Experten im Unternehmen.

Die größten Chancen liegen in Workflows mit viel wiederholbarer Informationsbeschaffung und Dokumentenverarbeitung, jedoch einer geringeren Anzahl von Ausnahmen, die weiterhin eine verantwortliche Beurteilung erfordern. Für CaseCraft ist das Arbeitsrecht die nächstliegende Erweiterung, mit einem MVP in aktiver Testphase, und wir prüfen Personenschäden zusammen mit einer spezialisierten Prozesskanzlei. Über das Rechtswesen hinaus haben Versicherungen, Finanzdienstleistungen und Compliance eine ähnliche Struktur. Die Systeme, die erfolgreich sind, wissen nicht nur, wie man das Gespräch automatisiert, sondern genau, wann die Maschine stoppen und ein Mensch übernehmen muss.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten CaseCraft.AI besuchen.