Mikhail Yatsuha, CEO dan Co-Founder CaseCraft.AI

Mikhail Yatsuha, CEO dan Co-Founder CaseCraft.AI, adalah seorang solicitor Inggris dan pengusaha teknologi hukum dengan pengalaman lebih dari satu dekade di layanan hukum. Ia naik pangkat dari magang dan trainee solicitor menjadi Partner di Sterling Law, di mana ia memimpin departemen komersial dan berulang kali menemui sengketa bernilai rendah yang layak namun menjadi tidak ekonomis setelah biaya hukum tradisional diperhitungkan. Pada akhir 2023, ia mendirikan CaseCraft.AI untuk memikirkan kembali cara penilaian, persiapan, dan proses klaim sipil menggunakan alur kerja berbasis AI, bukan sekadar menerapkan AI pada penulisan hukum.

CaseCraft.AI adalah perusahaan teknologi hukum Inggris yang membangun platform AI-native untuk litigasi sipil. Platform ini menggabungkan penilaian kasus, pemrosesan bukti, korespondensi pra-tindakan, pembuatan dokumen, pelacakan prosedural, dan tinjauan hukum manusia dalam satu alur kerja, melayani penggugat individu dengan basis no-win-no-fee dan bisnis melalui alat klaim massal berbasis langganan serta manajemen kasus. Perusahaan mengumpulkan sekitar £1,8 juta dalam tiga putaran pendanaan dan, hingga Agustus 2026, mencatat 4.562 perkara yang dibuat dengan nilai kumulatif £14,9 juta, 51% telah diselesaikan atau dimenangkan lewat putusan default, serta 373 perkara dalam pekerjaan hukum aktif; perusahaan juga sedang menguji penerapan enterprise pertama dan menguji MVP Hukum Ketenagakerjaan.

Anda menghabiskan bertahun‑tahun naik pangkat dari magang dan trainee solicitor menjadi Partner di Sterling Law sebelum mendirikan CaseCraft.AI pada 2023. Apa yang Anda lihat berulang kali dalam praktik hukum yang meyakinkan Anda bahwa proses klaim kecil dapat dirancang ulang secara fundamental dengan AI daripada sekadar dibuat lebih efisien dengan perangkat lunak hukum yang lebih baik?

Apa yang meyakinkan saya bukan bahwa pengacara membutuhkan alat penulisan yang lebih baik. Melainkan, untuk banyak sengketa bernilai rendah, ekonomi gagal sebelum pengacara dapat membantu. Biaya representasi dapat mendekati atau melampaui nilai yang dipertaruhkan, dan sebagian besar biaya hukum umumnya tidak dapat dipulihkan dalam klaim kecil. Saya melihat klaim yang layak ditinggalkan karena alasan itu di Sterling Law, dan kemudian melihat aritmetika yang sama pada bisnis yang menuliskan faktur tak terbayar. Itu adalah masalah model penyampaian, bukan masalah penulisan. AI memungkinkan kami merancang kembali lebih banyak perjalanan di sekitar orang yang mengajukan klaim daripada sekadar membuat pengacara yang mengerjakannya sedikit lebih cepat.

CaseCraft.AI kini telah digunakan untuk membuat ribuan urusan hukum, dengan ratusan yang berlanjut ke pekerjaan hukum aktif. Apa yang Anda pelajari dari mengoperasikan AI pada kasus nyata yang tidak akan pernah Anda temukan hanya dari prototipe, simulasi, atau pengujian benchmark saja?

Dua hal menonjol. Pertama, menghasilkan dokumen adalah bagian yang mudah; menjalankan suatu perkara adalah hal yang sulit. Sebuah kasus hidup berarti bukti, pembayaran, tenggat waktu, respons, dan langkah selanjutnya harus tetap konsisten selama berbulan‑bulan. Hingga Agustus 2026, lebih dari 4.500 perkara telah dibuat melalui CaseCraft, lebih dari 400 telah berlanjut ke pekerjaan hukum aktif, dan 130 klaim telah diajukan ke pengadilan.

Kedua, orang berperilaku berbeda dengan AI. Mereka dapat lebih terbuka, yang membantu mengungkap fakta penting lebih awal, tetapi sistem juga harus memberikan batasan dan mengetahui kapan seorang manusia harus mengambil alih. Kami belajar hal itu secara langsung ketika memperkenalkan panggilan manusia pada tahap sensitif kepercayaan meningkatkan konversi setidaknya 15%.

Sebagian besar gelombang pertama AI generatif berfokus pada menghasilkan teks. CaseCraft.AI justru harus mengumpulkan bukti, menentukan kelayakan, mengikuti aturan prosedural, memicu tindakan, dan melacak suatu perkara seiring waktu. Bagaimana membangun alur kerja agenik seperti ini berbeda secara teknis dari membangun asisten AI atau chatbot?

Chatbot menjawab pertanyaan; alur kerja agenik harus mempertahankan status suatu perkara nyata seiring waktu—apa yang telah terjadi, bukti apa yang ada, apa yang masih kurang, dan apa yang dapat terjadi selanjutnya. Karena itu kami memikirkan sistem sebagai komponen khusus alih‑alih satu model yang melakukan segalanya: beberapa mengumpulkan dan memvalidasi informasi, yang lain menangani penalaran hukum atau memproses dokumen yang masuk. Tujuannya bukan paragraf terbaik. Tetapi rangkaian keputusan dan tindakan yang dapat diandalkan yang mengarahkan perkara menuju hasil terbaik yang tersedia.

Dalam alur kerja hukum, sebuah model dapat menghasilkan sesuatu yang terdengar sangat meyakinkan namun tetap salah secara prosedural atau faktual. Bagaimana Anda merancang CaseCraft.AI untuk membedakan antara output AI yang masuk akal dan informasi yang sebenarnya cukup dapat diandalkan untuk digunakan dalam suatu perkara hukum?

Prinsip utama adalah bahwa model tidak boleh menciptakan semesta hukum tempat ia beroperasi. Kami membatasi sistem pada bukti dalam perkara dan pada sumber hukum yang otoritatif, alih‑alih meminta model tujuan umum menjawab dari ingatan. CaseCraft.AI memiliki akses ke perubahan legislatif terbaru, preseden relevan, dan praktik terbaik yang mapan melalui API pemerintah dan sumber otoritatif lainnya, sehingga konteks hukum tetap terkini.

Kami juga memisahkan proses generasi dari validasi dan menjaga tinjauan profesional di dalam kerangka layanan hukum yang diatur. Ujiannya bukan apakah output terdengar seperti ditulis pengacara, melainkan apakah sumber, bukti, dan langkah prosedural dapat diverifikasi.

Anda pernah membicarakan pentingnya “pengawasan manusia yang terukur.” Apa artinya dalam praktik, dan bagaimana Anda menentukan keputusan mana yang dapat dibuat AI secara otonom versus yang harus tetap berada di bawah akuntabilitas manusia?

Pengawasan manusia yang terukur berarti keterlibatan manusia terkait dengan risiko yang dapat diidentifikasi, dan kami dapat melihat di mana intervensi terjadi dan mengapa. ‘Human in the loop’ tidak boleh hanya menjadi frasa menenangkan; kami harus dapat menunjuk pemicu, tinjauan, dan keputusan yang mengikutinya.

Kami masih membangun basis bukti untuk menentukan batasan tersebut. Salah satu ukuran yang sudah dapat kami tunjukkan adalah waktu tinjauan: sejak peluncuran, waktu yang dibutuhkan untuk tinjauan manusia telah berkurang empat kali lipat seiring perbaikan sistem. Seiring waktu, tujuan kami adalah membuat tinjauan lebih berbasis risiko, sambil mempertahankan penilaian profesional yang bertanggung jawab di mana secara hukum diperlukan.

Bukti menjadi pusat dalam klaim kecil, namun bukti dapat muncul sebagai kontrak, faktur, email, pesan, foto, dan informasi tidak terstruktur lainnya. Bagaimana Anda mengubah materi tersebut menjadi masukan terstruktur yang dapat diproses AI sambil menjaga asal‑usul dan menghindari kesimpulan yang tidak didukung?

Prinsip utama adalah memisahkan ekstraksi dari inferensi. Jika pengguna mengunggah rangkaian percakapan WhatsApp dengan kontraktor, tanggal, harga yang ditawarkan, dan kata‑kata yang digunakan adalah fakta yang diekstrak; kesimpulan tentang signifikansi hukum pertukaran tersebut adalah inferensi. Kedua hal tidak boleh disajikan sebagai satu kesatuan. Kami menstrukturkan dokumen sehingga alur kerja dapat menggunakannya sambil mempertahankan tautan kembali ke bukti asli. Jika tautan itu hilang, Anda dapat membuat berkas kasus yang tampak baik namun runtuh saat dipertanyakan.

Salah satu masalah tersulit bagi sistem otonom adalah mengetahui kapan tidak bertindak. Sinyal apa yang memberi tahu CaseCraft.AI bahwa suatu klaim menjadi terlalu ambigu, kompleks, atau berisiko untuk otomatisasi dan seharusnya dialihkan ke profesional hukum?

Salah satu pengaman kami agak kontra‑intuitif: kami memperhatikan tidak hanya kasus yang AI ingin lanjutkan, tetapi juga kasus yang cenderung ditolak oleh AI. Pengawasan manusia bukan hanya menghentikan AI yang terlalu agresif; ia juga dapat menghentikan sistem yang terlalu konservatif dan menolak argumen yang sah.

Salah satu sinyal eskalasi paling jelas saat ini adalah kurangnya bukti. Orang mungkin tidak mengunggah dokumen yang relevan, mungkin telah kehilangan dokumen seiring waktu, atau tidak menyadari bukti mana yang penting bagi klaim. Di mana perkara tidak cukup jelas atau lengkap, langkah selanjutnya dapat berupa tinjauan manusia daripada progres otomatis. Pengacara masih menangani konteks dan area abu‑abu lebih konsisten dibandingkan sistem saat ini.

Seiring sistem AI mengambil lebih banyak langkah yang biasanya dilakukan pengacara, bagaimana Anda memandang evolusi batas antara otomatisasi perangkat lunak dan layanan hukum yang diatur?

Batas tersebut akan bergeser, namun lebih lambat daripada yang diperkirakan banyak orang di bidang teknologi. Sistem berisiko tinggi tidak dapat mengandalkan janji bahwa model berikutnya akan lebih baik; keandalan harus dibuktikan melalui sumber otoritatif, validasi, kontrol, dan tinjauan manusia yang bertanggung jawab. Seiring waktu, saya memperkirakan AI akan menjadi sesuatu yang dapat diandalkan profesional dalam batas yang jelas, tetapi otonomi harus diperoleh melalui kinerja yang terobservasi dan hasil nyata. Pertanyaan yang berguna bukan ‘perangkat lunak atau pengacara?’ melainkan aktivitas apa yang sedang dilakukan, bukti apa yang mendukungnya, dan siapa yang tetap bertanggung jawab.

Model AI tujuan umum semakin mampu dengan cepat. Apa yang menciptakan keunggulan berkelanjutan bagi perusahaan AI vertikal seperti CaseCraft.AI ketika model fondasi yang mendasari tersedia untuk semua orang terus berkembang?

Keunggulan kami tidak pernah terletak pada memiliki model fondasi. Model tujuan umum yang lebih baik justru menjadi kabar baik bagi kami. Bagian tersulit adalah segala sesuatu di sekitarnya: pengambilan, basis data perkara, pengetahuan hukum, infrastruktur alur kerja, integrasi, kontrol, dan pemahaman operasional tentang bagaimana sebuah klaim bergerak dari awal hingga akhir. Pekerjaan itu tidak menghilang ketika model baru diluncurkan.

Bagi pengguna, seharusnya terasa seperti satu tempat di mana kasus terjadi, sementara orkestrasi berada di belakang. Infrastruktur yang sama kini mulai mendukung baik penggugat individu maupun bisnis yang menggunakan klaim massal hingga 150 klaim dengan satu klik dan alur kerja manajemen kasus. Saya pikir orkestrasi dan eksekusi domain adalah moat yang tahan lama bagi AI vertikal.

Melihat lebih jauh dari klaim kecil, apa yang Anda pelajari dari CaseCraft.AI tentang masa depan AI agenik? Industri berisiko tinggi mana yang Anda yakini sangat cocok untuk sistem yang dapat mengelola alur kerja kompleks sambil menjaga manusia bertanggung jawab atas keputusan kritis?

Saya optimis tentang AI agenik, namun pekerjaan sulit terletak pada model: merancang proses, menstrukturkan informasi, menentukan apa yang dapat dilakukan sistem, serta membangun validasi dan eskalasi. Itulah mengapa industri yang diatur sering bergerak lebih lambat—orang yang memahami alur kerja cukup untuk mengotomatisasinya biasanya adalah ahli tersibuk di organisasi.

Peluang terkuat adalah alur kerja dengan banyak pengumpulan informasi dan pemrosesan dokumen yang dapat diulang, namun dengan sejumlah kecil pengecualian yang masih memerlukan penilaian yang dapat dipertanggungjawabkan. Bagi CaseCraft, Hukum Ketenagakerjaan adalah ekspansi terdekat, dengan MVP yang sedang diuji secara aktif, dan kami sedang menjajaki Cedera Pribadi dengan firma litigasi spesialis. Di luar hukum, asuransi, layanan keuangan, dan kepatuhan memiliki bentuk yang serupa. Sistem yang menang akan mengetahui tidak hanya cara mengotomatisasi percakapan, tetapi tepat kapan mesin harus berhenti dan manusia harus mengambil alih.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut sebaiknya mengunjungi CaseCraft.AI.