Mikhail Yatsuha, CaseCraft.AI:n toimitusjohtaja ja yhteisperustaja

Mikhail Yatsuha, CaseCraft.AI:n toimitusjohtaja ja yhteisperustaja, on Yhdistyneen kuningaskunnan asianajaja ja oikeusteknologian yrittäjä, jolla on yli kymmenen vuoden kokemus oikeudellisista palveluista. Hän edistyi harjoittelijasta ja asianajavasta harjoittelijasta Partneriksi Sterling Lawilla, jossa hän johti kaupallista osastoa ja toistuvasti kohtasi toteutettavissa olevia pieniarvoisia riitoja, jotka tulivat taloudellisesti kannattamattomiksi perinteisten oikeudenkäyntikustannusten huomioon ottamisen jälkeen. Vuoden 2023 lopussa hän perusti CaseCraft.AI:n uudelleenajattelakseen, miten siviilikanteet arvioidaan, valmistellaan ja edistetään tekoälypohjaisilla työnkuluilla sen sijaan, että AI:ta sovellettaisiin vain oikeudelliseen laatimiseen.

CaseCraft.AI on Yhdistyneen kuningaskunnan oikeusteknologiayritys, joka rakentaa tekoälyyn perustuvaa alusta siviilikanteille. Alusta yhdistää tapauksen arvioinnin, todisteiden käsittelyn, esikäsittelyn kirjeenvaihdon, asiakirjojen luomisen, menettelyjen seurannan ja ihmisen oikeudellisen tarkastelun yhdeksi työnkuluksi, palvellen yksittäisiä kantajia periaatteella ei-voittoa-ei-maksua sekä yrityksiä tilauspohjaisten massakantojen ja tapaustenhallintatyökalujen kautta. Yritys keräsi noin £1,8 miljardia kolmessa rahoituskierroksessa, ja elokuussa 2026 se oli kirjannut 4 562 luotua asiaa yhteisarvolla £14,9 miljona, 51 % oli sovittu tai voitettu oletusmääräyksellä, ja 373 asiaa oli aktiivisessa oikeustyössä; se pilotoi myös ensimmäistä yrityskäyttöönottotaan ja testaa Työoikeuden MVP:tä.

Vietit vuosia kehittyessäsi harjoittelijasta ja asianajavasta harjoittelijasta Partneriksi Sterling Lawilla ennen kuin peristit CaseCraft.AI:n vuonna 2023. Mitä näit toistuvasti oikeuskäytännössä, mikä vakuutti sinut siitä, että pienvaatimusten prosessia voitaisiin perinpohjaisesti uudistaa tekoälyn avulla sen sijaan, että se vain tehostettaisiin paremmalla oikeusohjelmistolla?

Mitä minua vakuutti, ei ollut se, että asianajajat tarvitsisivat paremman laatimistyökalun. Kyse oli siitä, että monissa pieniarvoisissa riidoissa talouslaskelmat epäonnistuvat ennen kuin asianajaja ehtii auttaa. Edustuskustannukset voivat lähestyä tai ylittää kyseessä olevan arvon, ja suurin osa oikeudenkäyntikuluista ei yleensä ole korvattavissa pienvaatimuksissa. Näin toteutuvat kannattavat vaatimukset hylättiin tästä syystä Sterling Lawilla, ja myöhemmin näin saman laskelman yritysten maksamattomien laskujen poistossa. Tämä on toimitusmallin ongelma, ei laatimisen ongelma. Tekoäly mahdollisti prosessin uudelleensuunnittelun enemmän hakijan näkökulmasta sen sijaan, että vain tekisi asianajajasta hieman nopeamman.

CaseCraft.AI:ta on nyt käytetty luomaan tuhansia oikeudellisia asioita, ja sadoista on edennyt aktiiviseen oikeustyöhön. Mitä olet oppinut AI:n käytöstä todellisissa tapauksissa, mitä et olisi voinut koskaan havaita pelkästään prototyypeistä, simulaatioista tai vertailutestauksesta?

Kaksi seikkaa erottuu. Ensinnäkin asiakirjan luominen on helppoa; asian hoitaminen on vaikeaa. Elävä tapaus tarkoittaa, että todisteet, maksut, määräajat, vastaukset ja seuraavat toimenpiteet on pidettävä johdonmukaisina kuukausien ajan. Elokuussa 2026 yli 4 500 asiaa oli luotu CaseCraftin kautta, yli 400 oli edennyt aktiiviseen oikeustyöhön, ja 130 vaatimus oli nostettu tuomioistuimeen.

Toiseksi ihmiset käyttäytyvät eri tavalla tekoälyn kanssa. He voivat olla avoimempia, mikä auttaa tuomaan tärkeitä faktoja esiin aikaisemmin, mutta järjestelmän on myös tarjottava rajat ja tiedettävä, milloin ihmisen tulee puuttua. Opimme tämän suoraan, kun ihmisen puhelu luottamuksellisessa vaiheessa paransi konversiota vähintään 15 %.

Ensimmäisen sukupolven generatiivinen tekoäly keskittyi pääasiassa tekstin tuottamiseen. CaseCraft.AI:n täytyy sen sijaan kerätä todisteita, määrittää kelpoisuus, noudattaa menettelysääntöjä, käynnistää toimenpiteitä ja seurata asiaa ajan myötä. Miten tämän tyyppisen agenttisessa työnkulussa rakentaminen eroaa teknisesti AI-avustajan tai chatbotin rakentamisesta?

Chatbot vastaa kysymykseen; agenttinen työnkulku puolestaan pitää yllä todellisen asian tilaa ajan myötä – mitä on tapahtunut, mitä todisteita on, mitä puuttuu ja mitä voi tapahtua seuraavaksi. Siksi ajattelemme järjestelmää erikoistuneina komponentteina sen sijaan, että yksi malli tekisi kaiken: jotkut keräävät ja validoivat tietoa, toiset tarjoavat oikeudellista päättelyä tai käsittelevät saapuvia asiakirjoja. Tavoitteena ei ole paras kappale, vaan luotettava päätös- ja toimintasarja, joka vie asian kohti parasta mahdollista lopputulosta.

Oikeudellisessa työnkulussa malli voi tuottaa täysin vakuuttavan kuuloisan tuloksen, joka on silti menettelyllisesti tai faktuaalisesti virheellinen. Miten olet suunnitellut CaseCraft.AI:n erottamaan uskottavan AI-tuloksen ja tiedon, joka on todella riittävän luotettavaa käytettäväksi oikeudellisessa asiassa?

Hallinnollinen periaate on, että malli ei saa keksiä oikeudellista universumia, jossa se toimii. Rajoitamme järjestelmän vain asiaan liittyviin todisteisiin ja auktoriteettisiin oikeudellisiin lähteisiin, sen sijaan että yleiskäyttöinen malli vastaisi muistista. CaseCraft.AI:lla on pääsy viimeisimpiin lainsäädännön muutoksiin, relevantteihin ennakkotapauksiin ja vakiintuneisiin parhaisiin käytäntöihin hallituksen API:iden ja muiden auktoriteettisten lähteiden kautta, joten oikeudellinen konteksti pysyy ajantasaisena.

Erottamme myös luomisen validoinnista ja pidämme ammatillisen tarkastelun säännellyn oikeuspalvelurajapinnan sisällä. Testi ei ole, kuulostaako tulos siltä kuin asianajaja olisi sen kirjoittanut, vaan onko lähde, todiste ja menettelyaskel tarkistettavissa.

Olet puhunut “mitattavan ihmisen valvonnan” tärkeydestä. Mitä se tarkoittaa käytännössä, ja miten määritätte, mitkä päätökset AI-järjestelmä voi tehdä itsenäisesti ja missä ihmisen on pysyttävä vastuullisena?

Mitattava ihmisen valvonta tarkoittaa, että ihmisen osallistuminen sidotaan tunnistettavissa olevaan riskiin, ja voimme nähdä, missä puuttuminen tapahtuu ja miksi. ‘Ihminen silmukassa’ ei saa olla pelkkä lohduttava fraasi; meidän on pystyttävä osoittamaan laukaiseva tekijä, tarkastus ja sen jälkeen tehty päätös.

Rakennamme edelleen näyttöä siitä, missä nämä rajat tulisi asettaa. Yksi mittari, johon voimme jo viitata, on tarkastusaika: lanseerauksesta lähtien ihmisen tarkastukseen kuluva aika on nelinkertaistunut, kun järjestelmä on kehittynyt. Ajan myötä tavoitteena on tehdä tarkastuksesta riskiperusteisempi, samalla kun pidämme vastuullisen ammatillisen harkinnan siellä, missä se on lain mukaan pakollista.

Todisteet ovat keskeisiä pienvaatimuksissa, mutta todisteet voivat tulla sopimuksina, laskuina, sähköposteina, viesteinä, valokuvina ja muuna jäsentämättömänä tietona. Miten lähestytte näiden aineistojen muuttamista rakenteellisiksi syötteiksi, joita AI-järjestelmä voi käsitellä, säilyttäen alkuperän ja välttäen perusteettomia johtopäätöksiä?

Keskeinen periaate on pitää poiminta erillään päättelyn. Jos käyttäjä lataa WhatsApp-ketjun rakennusurakoitsijan kanssa, päivämäärät, tarjottu hinta ja käytetyt sanat ovat poimittuja faktoja; johtopäätös siitä, mitä oikeudellinen merkitys sillä on, on päättelyä. Näitä ei saa koskaan esittää samana asiana. Jäsennämme asiakirjat niin, että työnkulku voi käyttää niitä säilyttäen linkin alkuperäiseen todistukseen. Jos tuo linkki katoaa, voit luoda tapaustiedoston, joka näyttää hyvältä, mutta hajoaa tarkasteltaessa.

Yksi vaikeimmista ongelmista autonomisissa järjestelmissä on tietää, milloin olla toimimatta. Mitkä signaalit kertovat CaseCraft.AI:lle, että vaatimus on tullut liian epäselväksi, monimutkaiseksi tai riskialttiiksi automaatiolle ja tulisi sen sijaan eskaloida oikeudelliselle ammattilaiselle?

Yksi suojatoimenpiteistämme on vastoin intuitiota: kiinnitämme huomiota paitsi niihin tapauksiin, joita AI haluaa edistää, myös niihin, jotka se on valmis hylkäämään. Ihmisen valvonta ei ole pelkästään tekoälyn liiallista aggressiivisuutta estämistä; se voi myös estää järjestelmää olemaan liian varovainen ja hylkäämästä oikeutettua argumenttia.

Yksi selkeimmistä eskalointisignaaleista tänään on todisteiden puute. Ihmiset eivät ehkä lataa olennaisia asiakirjoja, ovat saattaneet menettää ne ajan myötä tai eivät tajua, mitkä todisteet ovat tärkeät vaatimukselle. Jos asia ei ole riittävän selkeä tai täydellinen, seuraava askel voi olla ihmisen tarkastus sen sijaan, että edetäisiin automaattisesti. Asianajajat käsittelevät kontekstia ja harmaita alueita johdonmukaisemmin kuin nykyiset järjestelmät.

Kun AI-järjestelmät ottavat yhä enemmän perinteisesti asianajajien hoitamia vaiheita, miten uskot, että raja ohjelmistojen automaation ja säänneltyjen oikeuspalveluiden välillä kehittyy?

Raja siirtyy, mutta hitaammin kuin monet teknologiassa työskentelevät odottavat. Korkean riskin järjestelmät eivät voi luottaa siihen, että seuraava malli on parempi; luotettavuus on osoitettava auktoriteettisten lähteiden, validoinnin, kontrollien ja vastuullisen ihmistarkastuksen kautta. Ajan myötä odotan, että AI:sta tulee jotain, johon ammattilaiset voivat luottaa selkeästi määritellyissä rajoissa, mutta autonomia on ansaittava havaittujen suoritusten ja todellisten tulosten perusteella. Hyödyllinen kysymys ei ole ‘ohjelmisto vai asianajaja?’, vaan mikä toiminto on suoritettu, mitä todisteet tukevat sitä ja kuka pysyy vastuussa.

Yleiskäyttöiset AI-mallit kehittyvät nopeasti yhä kykenevämmiksi. Mikä luo kestävän kilpailuedun pystysuuntaiselle AI-yritykselle, kuten CaseCraft.AI:lle, kun kaikille saatavilla olevat perusmallit jatkuvasti paranevat?

Etumme ei koskaan perustunut perusmallin omistamiseen. Paremmat yleiskäyttöiset mallit ovat meille hyviä uutisia. Haaste on kaikki niiden ympärillä: tiedonhaku, asian tietokanta, oikeudellinen tietämys, työnkulkuinfrastruktuuri, integraatiot, kontrollit ja operatiivinen ymmärrys siitä, miten vaatimus kulkee alusta loppuun. Tämä työ ei katoa, kun uusi malli julkaistaan.

Käyttäjälle sen tulisi tuntua yhtenäiseltä paikaksi, jossa tapaus tapahtuu, kun taas orkestrointi pysyy taustalla. Sama infrastruktuuri alkaa nyt tukea sekä yksittäisiä kantajia että yrityksiä, jotka käyttävät erävaatimuksia jopa 150 vaatimukseen yhdellä napsautuksella ja tapaustenhallintatyönkulkuja. Uskon, että orkestrointi ja toimialakohtainen toteutus ovat kestävä suojamuuriviiva pystysuuntaiselle AI:lle.

Kun tarkastellaan pienvaatimuksia pidemmälle, mitä olet oppinut CaseCraft.AI:n kautta agenttisen AI:n laajemmasta tulevaisuudesta? Mitkä muut korkean riskin toimialat mielestäsi soveltuvat erityisen hyvin järjestelmiin, jotka voivat hallita monimutkaisia työnkulkuja samalla kun ihmiset pysyvät vastuussa kriittisistä päätöksistä?

Olen optimistinen agenttisen AI:n suhteen, mutta vaikea työ liittyy malliin: prosessien uudelleensuunnittelu, tiedon jäsentäminen, mitä järjestelmä saa tehdä, ja validoinnin ja eskaloinnin rakentaminen. Siksi säännellyt toimialat usein etenevät hitaammin – ne ihmiset, jotka ymmärtävät työnkulun riittävän hyvin automatisoitavaksi, ovat yleensä organisaation kiireisimmät asiantuntijat.

Vahvimmat mahdollisuudet ovat työnkuluissa, joissa on paljon toistuvaa tiedonkeruuta ja asiakirjojen käsittelyä, mutta vain vähän poikkeuksia, jotka edelleen vaativat vastuullista harkintaa. CaseCraftille lähin laajennus on Työoikeus, jonka MVP on aktiivisessa testauksessa, ja tutkimme henkilövahinkoasiaa erikoistuneen riita-yrityksen kanssa. Lain lisäksi vakuutus, rahoituspalvelut ja sääntely ovat samanlaisessa muodossa. Ne järjestelmät, jotka voittavat, tietävät paitsi miten automatisoida keskustelu, myös tarkalleen, milloin koneen tulee pysähtyä ja ihmisen ottaa ohjat.

Kiitos erinomaisesta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla CaseCraft.AI-sivustolla.