Interviews
Roderick Lucas, Mitgründer und CEO von Moonlit – Interviewreihe
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Roderick Lucas ist Mitgründer und CEO von Moonlit und verfügt über Erfahrung in den Bereichen künstliche Intelligenz, Data Science und Rechtstechnologie. Er war fast ein Jahrzehnt bei Deloitte tätig, wo er die Leitung für künstliche Intelligenz innehatte, und unterrichtete Technologiekurse an der Vrije Universiteit Amsterdam und der Tilburg University. Seine Arbeit konzentriert sich darauf, die juristische Recherche durch strukturierte Daten, überprüfbare Quellen und KI zugänglicher zu machen.
Moonlit bietet eine Infrastruktur für juristische Daten und Recherchewerkzeuge, die amtliche Rechtsvorschriften, Gerichtsentscheidungen und regulatorische Informationen aus europäischen Rechtsordnungen zusammenführen. Die Plattform, die Data API und der MCP-Server ermöglichen Forschenden und KI-Assistenten den Zugriff auf strukturierte Rechtsquellen. Die Commentaries-Bibliothek verbindet KI-generierte Analysen mit der Prüfung durch namentlich genannte Rechtsexperten. In diesem Interview spricht Lucas über juristische Halluzinationen, grenzüberschreitende Recherchen, die Überprüfung durch Experten und den Zugang zu verlässlichem juristischem Wissen.
Sie waren fast ein Jahrzehnt bei Deloitte tätig und übernahmen dort schließlich die Leitung für künstliche Intelligenz. Zugleich unterrichteten Sie Technologiekurse an der Vrije Universiteit Amsterdam und der Tilburg University. Moonlit entstand zunächst als internes Projekt bei Deloitte und wurde 2024 zu einem unabhängigen Unternehmen. Was hat Sie dazu bewogen, die Plattform zu entwickeln, und was überzeugte Sie davon, dass die juristische Recherche einen grundlegend anderen Ansatz brauchte?
Als Sprachmodelle aufkamen, wurde zweierlei zugleich deutlich: Die Modelle konnten juristische Texte viel besser durchdenken als erwartet, hatten dafür aber keine verlässliche Grundlage. Wer Texte direkt aus öffentlichen Gerichtsportalen extrahiert, erhält unübersichtliche, uneinheitliche Daten. Kommerzielle Rechtsverlage wiederum beschränken den automatisierten Zugriff durch Lizenzauflagen. Der Rechtstechnologie fehlte eine gemeinsame Grundlage: amtliche Quellen aus mehreren Rechtsordnungen, in einer einheitlichen, sauberen Datenstruktur aufbereitet, miteinander verknüpft und täglich aktualisiert.
Diese Ebene wollten wir schaffen. Deshalb wurde Moonlit 2024 zu einem Unternehmen und blieb nicht einfach ein Werkzeug für eine einzelne Kanzlei. Eine solche Grundlage wird mit jeder Person und jedem System, die darauf zugreifen und dazu beitragen, wertvoller. An unserer Überzeugung hat sich nichts geändert: Das Recht ist öffentlich, und das darauf aufbauende Wissen sollte für alle erschwinglich sein, die sich daran halten müssen.
Moonlit wurde in der Überzeugung gegründet, dass der Zugang zu juristischem Wissen für die Gerechtigkeit unverzichtbar ist. Gesetze und Gerichtsurteile sind zwar oft öffentlich zugänglich, doch fachkundige Kommentare, die ihre Auswirkungen erläutern, bleiben häufig hinter teuren Bezahlschranken verborgen. Wie will Moonlit den Zugang zu dieser Auslegungsebene demokratisieren, und warum ist das für die Entwicklung verlässlicher juristischer KI besonders wichtig?
In den Niederlanden fließen von jedem Euro, den man verdient, etwa 40 Cent an den Staat. Ein Teil davon finanziert öffentliche Universitäten und das Rechtssystem. Viele Kommentare, die das Recht erläutern, werden von Wissenschaftlern verfasst, die aus öffentlichen Mitteln bezahlt werden. Kommerzielle Verlage wie Wolters Kluwer und Thomson Reuters bündeln diese Analysen und verkaufen sie an die Gerichte, Ministerien, Universitäten und Praktiker zurück, die darauf angewiesen sind. Ein Kommentar-Abonnement kostet pro Nutzer und Monat mehrere Hundert Euro. Mit diesen Abonnements zahlt die Öffentlichkeit faktisch zweimal für das Recht, an das sie sich halten muss. Ein faires Rechtssystem sollte nicht mehr pro Monat kosten als ein Netflix-Abonnement.
Wir haben Commentaries als frei zugängliche Alternative entwickelt: eine nach Artikeln gegliederte Bibliothek juristischer Analysen, die mit einem kostenlosen Moonlit-Konto genutzt werden kann. Jeder Kommentar wird mithilfe unserer KI-Modelle aus Primärquellen erstellt und vor der Veröffentlichung von Rechtsexperten geprüft. Jedes Zitat wird überprüft und ist direkt mit dem amtlichen Eintrag der Regierung oder des Gerichts verknüpft. Fällt Lesern eine fehlende Nuance oder eine aktuelle Entwicklung auf, können sie direkt über das Formular auf der Seite eine Änderung zur redaktionellen Prüfung vorschlagen. Die Redaktion kann den Vorschlag anschließend prüfen und den Text erneut veröffentlichen. Unseres Wissens bietet kein anderer Verlag diese Kombination. Zum Start behandeln die verfügbaren Kommentare die indirekten Steuern (Mehrwertsteuer); Kommentare zum Datenschutz sind in Arbeit.
Diese Auslegungsebene ist auch für juristische KI von entscheidender Bedeutung. Modelle können öffentliche Gesetze und Gerichtsurteile verarbeiten, aber nicht die Sekundärkommentare lesen, die erklären, wie eine Regel in der Praxis angewendet wird oder wo Ausnahmen gelten. Ohne diesen Kontext extrapolieren die Modelle und geben unzuverlässige Antworten aus. Wir haben Commentaries so konzipiert, dass jede Aussage ausdrücklich mit der Vorschrift verknüpft ist, die sie auslegt, und mit dem Urteil, auf dem sie beruht. Praktiker können die Quelle mit einem einzigen Klick überprüfen, und KI-gestützte Arbeitsabläufe können mithilfe der Moonlit Data API und des MCP-Connectors mit verlässlichen Daten arbeiten.
Von KI erzeugte Halluzinationen im Rechtsbereich geben zunehmend Anlass zur Sorge: Anwälte und Gerichte stoßen auf erfundene Aktenzeichen und fehlerhafte Auslegungen des Rechts. Warum haben selbst hochentwickelte große Sprachmodelle Schwierigkeiten, rechtlich korrekte Ergebnisse zu liefern, und wie kann ein strukturierter, verifizierter rechtlicher Kontext helfen, diese Einschränkungen zu überwinden?
Sprachmodelle haben aus Gründen Schwierigkeiten mit dem Recht, die wenig mit Intelligenz zu tun haben. Juristische Argumentation ist vollständig auf überprüfbare Autorität angewiesen. Eine Schlussfolgerung ist nur so gut wie die Vorschrift oder Entscheidung, auf der sie beruht. Ein Modell behandelt Aktenzeichen und Gesetzeszitate jedoch als probabilistische Textmuster und nicht als verlässliche Datenbankeinträge. Es gibt Fundstellen aus, die überzeugend wirken, weil es vorhersagt, wie ein Zitat aussehen sollte – nicht, weil es ein tatsächliches Dokument überprüft hat. Das hat sehr konkrete Folgen: Bis zum Zeitpunkt der Abfassung dieses Textes gab es mehr als 2.100 dokumentierte Gerichtsentscheidungen im Zusammenhang mit KI-Halluzinationen, von denen mehr als 800 unmittelbar juristische Fachleute betrafen.
Auch das Recht verändert sich ständig. Das Wissen eines Modells reicht nur bis zu seinem Trainingsstichtag, während sich steuerrechtliche Entscheidungen und Berufungsurteile jede Woche ändern. Wenn Erläuterungen zur Bedeutung dieser Regeln hinter den Bezahlschranken von Verlagen liegen, hat das Modell zwar Zugriff auf den bloßen Gesetzestext, nicht aber auf den praktischen Anwendungskontext. Um diese Lücke zu schließen, erfindet es daher plausible Erklärungen.
Ein strukturierter, verifizierter Kontext verändert die grundlegende Aufgabe. Bei Moonlit ruft das Modell das Recht ab, statt zu versuchen, es aus dem Gedächtnis wiederzugeben, und arbeitet direkt mit offiziellen Dokumenten. Eine Suche liefert Dokumente aus offiziellen Quellen, jeweils mit Fundstelle und Link. Der Referenzgraph zeigt, auf welche Quellen sich eine Entscheidung stützt und welche späteren Dokumente sie zitieren. Ein Zitat verweist entweder auf ein authentisches Dokument in unserem Datenbestand oder wird gar nicht erst angezeigt. So werden erfundene Zitate ausgeschlossen. Saubere Daten allein verhindern jedoch keine Fehlinterpretationen. Deshalb prüft bei Commentaries weiterhin ein namentlich genannter Rechtsexperte den Entwurf, bevor er den Leserinnen und Lesern vorgelegt wird.
Moonlit bündelt Gesetzgebung, Gerichtsentscheidungen und regulatorische Informationen aus Dutzenden von Rechtsordnungen und verknüpft Rechtsdokumente über einen umfangreichen Referenzgraphen. Können Sie uns erklären, wie die zugrunde liegende KI- und Datenarchitektur funktioniert – insbesondere, wie die Plattform Beziehungen zwischen Rechtsquellen erkennt, unterschiedliche Sprachen und Rechtssysteme miteinander in Einklang bringt und diese Informationen für KI-Modelle zugänglich macht?
Man kann es sich als durchgehende Kette vorstellen, die von der amtlichen Veröffentlichung bis hin zu einem verifizierten Zitat reicht.
Für jede Rechtsordnung stellen wir eine direkte Verbindung zu den offiziellen Portalen her, darunter Gesetzblätter, Gerichtsdatenbanken, Aufsichtsbehörden und EUR-Lex für das EU-Recht. Jedes Portal hat seine Eigenheiten und eigenen Formate, die sich ohne Vorwarnung ändern können. Deshalb fließt ein erheblicher Teil unserer Entwicklungsarbeit in die Überwachung und die automatisierte Wiederherstellung für jedes einzelne Portal. Jedes von uns erfasste Dokument behält seine Herkunftsangabe und einen dauerhaften Link zurück zum offiziellen staatlichen Dokument. Dieser Link bildet die Grundlage für alles Weitere.
Alle Inhalte fließen in ein gemeinsames Modell für sämtliche Rechtsordnungen ein. Es umfasst Gesetze, Rechtsprechung, Parlamentsdokumente, Entscheidungen von Behörden und Leitlinien. Gesetze werden bis auf die Ebene einzelner Artikel aufgeschlüsselt, damit eine bestimmte Vorschrift präzise abgerufen und zitiert werden kann. Ein niederländisches Urteil und eine deutsche Entscheidung behalten die spezifischen Felder bei, die ihre jeweiligen nationalen Systeme erfordern. Zugleich vereinheitlichen wir die Identifizierung, Klassifizierung und grenzüberschreitende Verknüpfung dieser Dokumente.
Rechtstexte verweisen ständig aufeinander. Ein Urteil nennt die Artikel, die es anwendet, und die Entscheidungen, denen es folgt; ein Gesetz verweist wiederum auf andere Gesetze. Unsere Engine erkennt diese Zitate, die je nach Rechtsordnung ganz unterschiedlich gestaltet sind, ordnet sie authentischen Dokumenten in unserer Data Layer zu und speichert die Verknüpfungen in beide Richtungen. Legal Engineers überprüfen die Muster zur Extraktion. So entsteht ein Referenzgraph mit Hunderten Millionen Verknüpfungen, über den sich für jedes Dokument nachvollziehen lässt, welche Quellen es zitiert und von welchen Quellen es zitiert wird.
Die unterschiedlichen Sprachen berücksichtigen wir, indem wir die Quelldokumente unverändert lassen. Wir übersetzen die Primärtexte nicht. Eine belgische Entscheidung bleibt auf Französisch oder Niederländisch, und die Suche erfolgt direkt in der jeweiligen Originalsprache. Wir kombinieren die Stichwortsuche mit der semantischen Suche, ordnen die Ergebnisse neu und beschränken jede Anfrage auf die relevante Rechtsordnung. Luna, unsere Rechercheassistentin, antwortet in der Sprache, die Sie wählen, und fragt dabei jede zugrunde liegende Quelle in ihrer Originalsprache ab.
Die Moonlit-Plattform, unsere Data API und der MCP-Server greifen alle auf dieselbe Data Layer zu. Die API ermöglicht den programmatischen Zugriff auf unsere Suchmodi, den Referenzgraphen und den Abruf von Volltexten. Der MCP-Server stellt jedem externen KI-Assistenten neun schreibgeschützte Werkzeuge zur Verfügung. Wenn wir die zugrunde liegenden Daten verbessern, kommt diese Verbesserung allen Schnittstellen gleichzeitig zugute.
Moonlit hat KI-generierte juristische Kommentare eingeführt, die von namentlich genannten Rechtsexperten geprüft werden und automatisierte Entwurfserstellung mit menschlicher Verifizierung verbinden. Wie läuft dieser Prozess in der Praxis ab, und welche Schutzmaßnahmen gewährleisten, dass KI-generierte Auslegungen korrekt und transparent sind und sich auf maßgebliche Rechtsquellen zurückführen lassen?
Eine Kommentierung beginnt beim Gesetz selbst. Unsere Engine erstellt einen Entwurf auf Grundlage von Primärquellen in der Data Layer, darunter Gesetze, Rechtsprechung, Richtlinien und die parlamentarische Entstehungsgeschichte einer Vorschrift. Sie kann nur Dokumente zitieren, über die wir verfügen. Deshalb ist jede Aussage sowohl mit der Vorschrift verknüpft, die sie auslegt, als auch mit der Quelle, die sie stützt. Eine unserer Kommentierungen zum Start verweist beispielsweise auf 165 verifizierte Quellen.
Bevor eine Kommentierung veröffentlicht wird, prüft ein Rechtsexperte auf dem jeweiligen Gebiet den Entwurf anhand der Primärquellen. Unsere Redakteure sind Wissenschaftler und Autoren aus der juristischen Praxis, die für ihre Arbeit bezahlt werden. Die Gruppe zum Start setzt sich aus Personen von Universitäten, Gerichten, staatlichen Stellen, Beratungsunternehmen und Anwaltskanzleien zusammen. Sie korrigieren den Entwurf, streichen Unpassendes und ergänzen Fehlendes. Ihre Namen stehen direkt auf der Seite.
Kennzeichnungen für verifizierte Prüfungen markieren die von einem Redakteur bestätigten Passagen. So ist jederzeit klar, für welche Abschnitte ein menschlicher Experte einsteht.
Jede Kommentierung gibt außerdem ihr Bezugsdatum an, damit der genaue Stand des Rechts erkennbar ist, den sie beschreibt. Die Data Layer wird täglich aktualisiert und weist den Redakteur auf relevante neue Entscheidungen hin. Dieser überarbeitet daraufhin den Text und aktualisiert das Bezugsdatum.
Die grundlegende Schutzmaßnahme ist der Link. Wenn man nicht direkt zu der Entscheidung gelangen kann, die eine Schlussfolgerung stützt, soll man ihr einfach Glauben schenken. Wir haben Commentaries so entwickelt, dass das niemand muss.
Durch Integrationen auf Basis des Model Context Protocol (MCP) kann Moonlit juristisches Fachwissen direkt in KI-Assistenten wie ChatGPT, Claude und Microsoft Copilot einbringen. Was ermöglicht diese Architektur, woran herkömmliche Systeme zur retrieval-augmentierten Generierung möglicherweise scheitern, und wie stellen Sie sicher, dass diese Assistenten die abgerufenen juristischen Informationen verantwortungsvoll nutzen?
Herkömmliche RAG-Systeme erstellen eine Momentaufnahme einiger Dokumente, zerlegen sie in Abschnitte, wandeln sie in Vektoren um und übergeben dem Modell diejenigen, die bei der Ähnlichkeitssuche die höchsten Werte erzielen. Im juristischen Bereich scheitert dieses Vorgehen an drei Punkten. Die Momentaufnahme veraltet. Die Ähnlichkeitssuche ist nicht zuverlässig genug, um einen bestimmten Artikel oder ein konkretes Aktenzeichen zu finden. Und ein einzelner Abschnitt verrät nichts darüber, auf welche Quellen das Dokument verweist oder wie spätere Entscheidungen damit umgegangen sind.
Mit dem MCP-Server recherchiert der Assistent selbst. Er kann nach Bedeutung oder mithilfe boolescher Operatoren nach exakten Begriffen und Zitaten suchen, Verweisen zwischen Dokumenten folgen, Volltexte lesen und einzelne Gesetzesartikel abrufen. Außerdem kann er prüfen, welche Rechtsordnungen und offiziellen Portale verfügbar sind. Das Modell entscheidet, was es benötigt, liest die zurückgegebenen Ergebnisse und sucht erneut, bis die Antwort belastbar ist. Genau darin liegt der Unterschied. Luna wurde im September auf denselben MCP-Server umgestellt; dadurch wurden die Antworten zugleich schneller und besser. Auch die Daten sind aktuell: Der Assistent greift auf den gegenwärtigen Stand der Data Layer zu.
Verantwortungsvolle Nutzung beginnt mit klaren Grenzen. Unsere Tools sind schreibgeschützt, und die Ergebnisse sind mit der offiziellen Quelle verknüpft. Außerdem veröffentlichen wir einfache Rechercheanweisungen, denen Assistenten folgen können. Sie erläutern, wie in der Originalsprache der Quelle recherchiert, die betreffende Passage vor dem Zitieren geprüft, die Version verifiziert und kenntlich gemacht wird, wenn die verfügbaren Quellen eine Lücke aufweisen.
Assistenten stellen ihre Überlegungen unterschiedlich dar, und darauf haben wir keinen Einfluss. Was wir tun können, ist die Quellen leicht überprüfbar zu machen. Jeder Verweis führt zu einem Dokument, und jedes Dokument führt zu seiner offiziellen Veröffentlichung.
Juristische Informationen verändern sich laufend: Neue Entscheidungen werden veröffentlicht, Vorschriften geändert und bestehende Präzedenzfälle angefochten. Wie erkennt und verarbeitet die automatisierte Überwachungsinfrastruktur von Moonlit diese Entwicklungen, und wie verhindert die Plattform, dass KI-Systeme sich auf veraltete Gesetze oder überholte Rechtsauslegungen stützen?
Um zu verhindern, dass sich eine KI oder ein Forscher auf nicht mehr geltendes Recht stützt, kommt es auf die Verbindungen zwischen Dokumenten an. Sobald eine neue Entscheidung oder eine Gesetzesänderung ins System gelangt, verknüpft der Referenzgraph sie mit den früheren Vorschriften und Entscheidungen, auf die sie Bezug nimmt. Hebt ein Berufungsgericht eine frühere Entscheidung auf oder schränkt ihre Tragweite ein, wird diese Entwicklung der ursprünglichen Entscheidung direkt als darauf Bezug nehmende Entscheidung zugeordnet. Ein Modell, das dem Graphen folgt, erkennt diese spätere Behandlung sofort, statt einen überholten Präzedenzfall als weiterhin geltendes Recht zu behandeln. Auf der Plattform können Nutzer denselben eingehenden Datenstrom in aktive Monitors für die konkreten Gesetze, Gerichte oder Themen umwandeln, die sie verfolgen.
Bei Kommentierungen war es traditionell ein großes Problem, sie auf dem aktuellen Stand zu halten. Kommerzielle Kommentierungsreihen werden häufig nur ein- oder zweimal pro Jahr auf Aktualisierungen geprüft. In dynamischen Bereichen wie der indirekten Besteuerung oder dem Datenschutz birgt diese Verzögerung erhebliche Compliance-Risiken. Da unsere Data Layer eingehende Veröffentlichungen täglich mit unseren Kommentierungen abgleicht, werden die Autorenredakteure sofort auf neue Entscheidungen hingewiesen. Der Redakteur aktualisiert die Analyse und das Bezugsdatum. So arbeiten sowohl Praktiker als auch KI-Modelle mit dem tatsächlichen Stand des Rechts statt mit einer zwölf Monate alten Einschätzung.
Die grenzüberschreitende Rechtsrecherche ist mit Herausforderungen verbunden, die über die Übersetzung von Dokumenten hinausgehen – insbesondere, wenn verschiedene Länder ähnliche Vorschriften unterschiedlich auslegen oder umsetzen. Wie unterscheidet Moonlits KI diese Unterschiede zwischen den Rechtsordnungen, und wie geht sie vor, wenn maßgebliche Rechtsquellen einander zu widersprechen scheinen?
Eine EU-Richtlinie und das nationale Gesetz, mit dem sie umgesetzt wird, sind unterschiedliche Dokumente, die miteinander verknüpft sind, wenn das eine auf das andere verweist. Ebenso ist ein nationales Urteil, das ein Urteil des Gerichtshofs anwendet, mit diesem Urteil verknüpft. Deshalb beginnt Commentaries auch mit der Mehrwertsteuer. Die Vorschriften sind auf EU-Ebene weitgehend harmonisiert und werden anschließend in jedem Mitgliedstaat ausgelegt.
Widersprüche sind im Recht normal, und wir verschweigen sie nicht. Wenn zwei maßgebliche Quellen scheinbar voneinander abweichen, werden den Leserinnen und Lesern beide angezeigt. Ausschlaggebend ist dann vor allem die Rangfolge: ein späteres Urteil gegenüber einem früheren, der Gerichtshof gegenüber einem nationalen Gericht bei einer Frage des EU-Rechts sowie die am Stichtag geltende Fassung der Vorschrift. Bei Commentaries trifft die Redaktion diese Entscheidung offen, und die Quellen stehen direkt daneben.
Die Technologie von Moonlit wird unter anderem von Organisationen wie dem Obersten Gerichtshof der Niederlande, Deloitte und weiteren Einrichtungen des Rechts- und öffentlichen Sektors genutzt. Können Sie ein konkretes Beispiel dafür nennen, wie die Plattform einen juristischen Rechercheablauf verändert hat, und erläutern, wie Sie Verbesserungen bei Genauigkeit, Vollständigkeit oder Effizienz der Recherche im Vergleich zu herkömmlichen Methoden messen?
Ein Beispiel aus dem Fintech-Bereich: Das Rechtsteam von Quantoz Payments hat den Moonlit-MCP-Server mit Claude verbunden und ihn mit maßgeschneiderten Arbeitsabläufen für die Regulierung grenzüberschreitender Zahlungen kombiniert. Der dadurch ersetzte Ablauf entspricht dem traditionellen Standard in ganz Europa. Anwältinnen und Anwälte müssen üblicherweise Portale in mehreren Ländern öffnen, in verschiedenen Sprachen suchen, Fundstellen in ein Memo kopieren und hoffen, dass kein wichtiger lokaler Präzedenzfall übersehen wurde. Jetzt fragt ihre Lösung mehrere Rechtsordnungen gleichzeitig ab, folgt dem Zitiernetzwerk und liefert Primärdokumente samt Links zu den offiziellen Quellen. Für ein internes Rechtsteam ist der Nutzen klar: Die Lösung schließt die Lücke, die durch übersehene ausländische Urteile entsteht, und verlagert Arbeitsstunden von der mechanischen Informationsbeschaffung hin zur eigentlichen Rechtsanalyse und Risikobewertung.
Auf der Entwicklungsseite zeigt sich eine ganz andere Art von Effizienz. Teams, die KI-Produkte für den Rechtsbereich entwickeln, messen Verbesserungen daran, wie viele Monate Entwicklungsarbeit eingespart werden. Eudia, ein Unternehmen für Rechts-KI, benötigte strukturierte europäische Rechtsdaten für sein Produkt. Der Produktmanager des Unternehmens merkte an, dass unsere Data API in wenigen Tagen einen vollständigen europäischen Datenbestand bereitstellte. Ohne eine zugrunde liegende Dateninfrastruktur müsste man für jedes nationale Portal dauerhaft eigene Scraper entwickeln und warten. Auch andere Plattformen wie Saga und Legal Mind nutzen dieselbe Grundlage und können ihren eigenen Endnutzerinnen und Endnutzern nun ebenfalls verifizierte Commentaries direkt bereitstellen.
Mit Blick auf die Zukunft: Wie wird sich Ihrer Ansicht nach das Verhältnis zwischen universell einsetzbaren KI-Modellen und spezialisierter Infrastruktur für juristische Daten entwickeln, wenn Basismodelle immer leistungsfähiger werden und KI-Agenten zunehmend anspruchsvolle juristische Rechercheaufgaben übernehmen? Welche langfristige Vision haben Sie für Moonlit, insbesondere mit Blick darauf, vertrauenswürdige juristische Informationen auch außerhalb großer Kanzleien und Institutionen zugänglich zu machen?
Ein leistungsfähigeres Modell kann besser mit den ihm bereitgestellten Quellen arbeiten, aber es kann verlässliche Primärquellen nicht aus dem Nichts herbeizaubern. Je leistungsfähiger Basismodelle werden, desto wertvoller wird eine verifizierte Datenschicht. Wenn Schlussfolgerungen allgemein zugänglich werden, verlagert sich der eigentliche Engpass auf die Datenqualität, denn ein Agent braucht weiterhin präzise, strukturierte Rechtsinformationen als Arbeitsgrundlage.
Universell einsetzbare Modelle und autonome Agenten übernehmen das Verfassen von Texten, das Zusammenführen von Informationen und die dialogbasierte Interaktion. Spezialisierte Infrastrukturen wie Moonlit lösen das zugrunde liegende Datenproblem: Sie halten das Recht aktuell, strukturiert und überprüfbar und stellen es direkt über die jeweils von den Agenten genutzten Protokolle bereit. Auf diesen Wandel haben wir uns früh eingestellt. Unser eigener Assistent läuft auf genau demselben MCP-Server, mit dem sich externe Agenten verbinden, und Teams betreiben darauf bereits ihre eigenen maßgeschneiderten Agenten.
Diese Architektur ist auch für unsere langfristige Vision zentral. Verlässliche grenzüberschreitende Rechtsinformationen waren traditionell ein Luxusgut, das sich nur die größten Kanzleien und multinationalen Unternehmen mit ihren kostspieligen Abonnements für mehrere Länder leisten konnten. Indem wir Commentaries kostenlos zugänglich machen und unsere Datenschicht über moderne APIs und Konnektoren für alle Entwicklerinnen und Entwickler öffnen, wollen wir gleiche Voraussetzungen schaffen. Einzelanwältinnen und Einzelanwälte, die grenzüberschreitend tätige Unternehmen beraten, sowie interne Rechtsberaterinnen und Rechtsberater in jungen Unternehmen sollten Zugang zu derselben Recherchegenauigkeit und denselben verifizierten Zitaten haben wie eine global tätige Beratungsgesellschaft.
Vielen Dank für das großartige Interview. Leserinnen und Leser, die verifizierte Rechtsdaten und KI-gestützte grenzüberschreitende Recherche erkunden möchten, sollten Moonlit besuchen.
