Roderick Lucas, Salah Satu Pendiri dan CEO Moonlit – Seri Wawancara

Roderick Lucas adalah salah satu pendiri dan CEO Moonlit, dengan pengalaman di bidang kecerdasan buatan, ilmu data, dan teknologi hukum. Ia bekerja di Deloitte selama hampir satu dekade, menjabat sebagai Pemimpin Kecerdasan Buatan, dan mengajar mata kuliah teknologi di Vrije Universiteit Amsterdam dan Tilburg University. Fokus pekerjaannya adalah membuat riset hukum lebih mudah diakses melalui data terstruktur, sumber yang dapat diverifikasi, dan AI.

Moonlit menyediakan infrastruktur data hukum dan perangkat riset yang menghubungkan peraturan resmi, putusan pengadilan, dan informasi regulasi di berbagai yurisdiksi Eropa. Platform, Data API, dan server MCP-nya memberi peneliti dan asisten AI akses ke sumber hukum terstruktur, sementara pustaka Commentaries memadukan analisis yang dihasilkan AI dengan penelaahan oleh pakar hukum yang disebutkan namanya. Dalam wawancara ini, Lucas membahas halusinasi hukum, riset lintas negara, verifikasi oleh pakar, dan akses ke informasi hukum tepercaya.

Anda bekerja di Deloitte selama hampir satu dekade dan akhirnya menjabat sebagai Pemimpin Kecerdasan Buatan, sembari mengajar mata kuliah teknologi di Vrije Universiteit Amsterdam dan Tilburg University. Moonlit awalnya muncul sebagai proyek internal di Deloitte sebelum menjadi perusahaan independen pada 2024. Apa yang mendorong Anda mengembangkan platform ini, dan apa yang meyakinkan Anda bahwa riset hukum membutuhkan pendekatan yang berbeda secara mendasar?

Moonlit bermula di Deloitte karena masalahnya sudah jelas di depan mata. Setiap pertanyaan hukum atau pajak yang serius di Eropa pada akhirnya melintasi perbatasan, tetapi sumber yang dibutuhkan tersebar di puluhan portal nasional, masing-masing dengan format, bahasa, dan gaya sitasi sendiri. Para spesialis menghabiskan sebagian besar waktu riset mereka untuk mengumpulkan bahan dan memastikan tidak ada yang terlewat. Sementara itu, perangkat yang dibuat untuk membantu mereka tidak efektif untuk pekerjaan lintas negara. Perangkat tersebut mengenakan biaya per pengguna per negara dan mengharuskan pengguna masuk secara terpisah hanya untuk membandingkan cara berbagai yurisdiksi menangani masalah yang sama.

Ketika model bahasa hadir, dua hal langsung menjadi jelas: model tersebut mampu bernalar tentang teks hukum jauh lebih baik daripada yang diperkirakan siapa pun, tetapi tidak memiliki bahan tepercaya untuk dijadikan dasar penalaran. Mengekstrak teks langsung dari portal pengadilan publik menghasilkan data yang berantakan dan tidak konsisten, sedangkan penerbit hukum komersial membatasi akses otomatis melalui pembatasan lisensi. Teknologi hukum belum memiliki fondasi bersama: sumber resmi dari berbagai yurisdiksi yang distandardisasi ke dalam struktur data bersih yang sama, saling dirujuk, dan diperbarui setiap hari.

Lapisan inilah yang ingin kami bangun, dan inilah alasan Moonlit menjadi perusahaan pada 2024, alih-alih sekadar menjadi perangkat untuk satu firma. Fondasi seperti ini semakin bernilai seiring bertambahnya orang dan sistem yang mengakses serta berkontribusi padanya. Keyakinan yang melandasinya tidak berubah: hukum bersifat publik, dan pengetahuan yang dibangun di atasnya semestinya terjangkau bagi semua orang yang harus mematuhinya.

Moonlit didirikan dengan keyakinan bahwa akses terhadap pengetahuan hukum sangat penting bagi keadilan. Meski peraturan perundang-undangan dan putusan pengadilan sering tersedia untuk umum, ulasan pakar yang menjelaskan implikasinya kerap masih terkunci di balik biaya akses yang mahal. Bagaimana Moonlit berupaya membuka akses ke lapisan interpretasi ini bagi semua orang, dan mengapa hal ini sangat penting bagi pengembangan AI hukum yang andal?

Di Belanda, sekitar 40 sen dari setiap euro yang Anda peroleh disetorkan kepada negara, dan sebagian dana itu digunakan untuk membiayai universitas negeri serta sistem hukum. Banyak ulasan yang menjelaskan hukum ditulis oleh akademisi yang digaji dengan dana publik. Penerbit komersial seperti Wolters Kluwer dan Thomson Reuters mengemas analisis tersebut lalu menjualnya kembali kepada pengadilan, kementerian, universitas, dan praktisi yang membutuhkannya. Biaya berlangganan ulasan mencapai ratusan euro per pengguna per bulan. Dengan adanya langganan ini, masyarakat pada dasarnya membayar dua kali untuk hukum yang harus mereka patuhi. Sistem hukum yang adil semestinya tidak menghabiskan biaya bulanan lebih besar daripada langganan Netflix Anda.

Kami membangun Commentaries sebagai alternatif terbuka: pustaka analisis hukum artikel demi artikel yang dapat diakses dengan akun Moonlit gratis. Setiap ulasan dihasilkan dari sumber primer menggunakan model AI kami dan diperiksa oleh spesialis hukum sebelum diterbitkan. Setiap sitasi diverifikasi dan ditautkan langsung ke catatan resmi pemerintah atau pengadilan. Jika pembaca melihat nuansa yang terlewat atau perkembangan terbaru, mereka dapat mengusulkan penyuntingan langsung melalui formulir di halaman tersebut untuk ditinjau oleh tim editorial. Para editor kemudian dapat meninjaunya dan menerbitkan ulang ulasan itu. Sejauh yang kami ketahui, tidak ada penerbit lain yang menawarkan perpaduan seperti ini. Saat diluncurkan, ulasan yang tersedia berfokus pada pajak tidak langsung (PPN), sementara ulasan tentang perlindungan data sedang disiapkan.

Lapisan interpretasi ini juga sangat penting bagi AI hukum. Model dapat menyerap peraturan perundang-undangan publik dan putusan pengadilan, tetapi tidak dapat membaca ulasan sekunder yang menjelaskan penerapan suatu aturan dalam praktik atau letak pengecualiannya. Tanpa konteks tersebut, model membuat ekstrapolasi dan menghasilkan jawaban yang tidak andal. Kami merancang Commentaries agar setiap pernyataan secara eksplisit dikaitkan dengan ketentuan yang ditafsirkan dan putusan yang menjadi landasannya. Praktisi dapat memverifikasi sumbernya hanya dengan sekali klik, sementara alur kerja AI dapat bernalar berdasarkan data tepercaya melalui Moonlit Data API dan konektor MCP.

Halusinasi hukum yang dihasilkan AI semakin menjadi perhatian. Pengacara dan pengadilan menemukan kutipan perkara yang direkayasa serta penafsiran hukum yang tidak akurat. Mengapa model bahasa besar yang canggih sekalipun kesulitan menghasilkan informasi hukum yang akurat, dan bagaimana pemberian konteks hukum yang terstruktur dan terverifikasi dapat membantu mengatasi keterbatasan ini?

Model bahasa kesulitan memahami hukum karena alasan yang tidak banyak berkaitan dengan kecerdasan. Penalaran hukum sepenuhnya bergantung pada otoritas yang dapat diverifikasi. Kesimpulan hanya sebaik ketentuan atau putusan yang menjadi landasannya. Namun, model memperlakukan nomor perkara dan kutipan undang-undang sebagai pola teks probabilistik, bukan sebagai catatan basis data yang dapat diandalkan. Model menghasilkan rujukan yang tampak meyakinkan karena memprediksi seperti apa bentuk kutipan, bukan karena telah memverifikasi dokumen yang sebenarnya. Dampaknya sangat nyata: hingga saat tulisan ini dibuat, telah tercatat lebih dari 2.100 putusan pengadilan yang melibatkan halusinasi AI, dan lebih dari 800 di antaranya secara langsung melibatkan praktisi hukum.

Hukum juga terus berubah. Pengetahuan model berhenti pada batas waktu data pelatihannya, sedangkan putusan pajak dan putusan banding diperbarui setiap minggu. Ketika komentar yang menjelaskan makna aturan tersebut berada di balik paywall penerbit, model hanya memiliki akses ke bunyi undang-undang tanpa konteks penerapannya. Akibatnya, model mengarang penjelasan yang terdengar masuk akal untuk mengisi kekosongan itu.

Konteks yang terstruktur dan terverifikasi mengubah tugas dasarnya. Di Moonlit, model mengambil hukum, alih-alih berusaha mengingatnya, dan bekerja langsung dengan catatan resmi. Pencarian menampilkan dokumen dari sumber resmi, masing-masing disertai kutipan dan tautan. Grafik referensi menunjukkan sumber yang dirujuk suatu putusan serta dokumen-dokumen berikutnya yang merujuk pada putusan tersebut. Sebuah kutipan akan mengarah ke dokumen autentik di repositori kami atau tidak akan ditampilkan. Dengan demikian, kutipan palsu dapat dihilangkan. Namun, data yang bersih saja tidak mencegah salah tafsir. Karena itu, Commentaries tetap menempatkan pakar hukum yang disebutkan namanya di antara draf dan pembaca.

Moonlit mengumpulkan undang-undang, putusan pengadilan, dan informasi regulasi dari puluhan yurisdiksi, serta menghubungkan dokumen hukum melalui grafik referensi yang luas. Bisakah Anda menjelaskan arsitektur AI dan data yang mendasarinya, khususnya cara platform mengidentifikasi hubungan antara sumber hukum, menyelaraskan berbagai bahasa dan sistem hukum, serta menyediakan informasi ini agar dapat diakses oleh model AI?

Bayangkan sebuah rantai berkesinambungan, dari publikasi resmi hingga kutipan yang terverifikasi.

Untuk setiap yurisdiksi, kami terhubung langsung ke portal resmi, termasuk lembaran negara, basis data pengadilan, regulator, dan EUR-Lex untuk hukum Uni Eropa. Setiap portal memiliki karakteristik dan format tersendiri, dan dapat berubah tanpa pemberitahuan. Karena itu, sebagian besar upaya rekayasa kami dicurahkan untuk pemantauan dan pemulihan otomatis di setiap portal. Setiap dokumen yang kami himpun tetap mencantumkan atribusinya dan tautan permanen ke catatan resmi pemerintah. Tautan itulah landasan bagi semua hal lainnya.

Semua data dari berbagai yurisdiksi dihimpun dalam satu model yang mencakup undang-undang, yurisprudensi, dokumen parlemen, keputusan otoritas, dan pedoman. Undang-undang diuraikan hingga ke setiap pasal agar satu ketentuan dapat ditemukan dan dikutip secara akurat. Putusan Belanda dan Jerman tetap memuat bidang-bidang khusus yang diwajibkan oleh sistem hukum masing-masing, sementara kami menyeragamkan cara dokumen-dokumen tersebut diidentifikasi, diklasifikasikan, dan dihubungkan lintas negara.

Teks hukum terus-menerus saling merujuk. Suatu putusan mengutip pasal-pasal yang diterapkannya dan putusan-putusan yang menjadi acuannya, sedangkan undang-undang merujuk pada undang-undang lain. Mesin kami mengenali kutipan-kutipan ini, yang bentuknya sangat beragam bergantung pada yurisdiksi, mencocokkannya dengan dokumen autentik di Data Layer, lalu menyimpan tautannya secara dua arah. Insinyur hukum memverifikasi pola ekstraksi tersebut. Hasilnya adalah grafik referensi yang memuat ratusan juta tautan. Artinya, untuk dokumen apa pun, Anda dapat melihat apa yang dirujuknya dan dokumen apa saja yang merujuk padanya.

Sementara itu, perbedaan bahasa ditangani dengan membiarkan dokumen sumber tetap utuh. Kami tidak menerjemahkan teks primer. Putusan Belgia tetap dalam bahasa Prancis atau Belanda, dan pencarian dilakukan langsung dalam bahasa aslinya. Kami menggabungkan pencarian kata kunci dan semantik, mengurutkan ulang hasilnya berdasarkan relevansi, serta membatasi setiap kueri pada yurisdiksi yang relevan. Luna, asisten riset kami, menjawab dalam bahasa apa pun yang Anda gunakan, sambil mencari di setiap sumber yang mendasarinya dalam bahasa aslinya.

Platform Moonlit, Data API kami, dan server MCP semuanya membaca dari Data Layer yang sama. API menyediakan akses terprogram ke berbagai mode pencarian, grafik referensi, dan pengambilan teks lengkap kami, sedangkan server MCP menyediakan sembilan alat hanya-baca bagi asisten AI eksternal mana pun. Saat kami menyempurnakan data yang mendasarinya, peningkatan itu langsung tersedia di semua antarmuka.

Moonlit telah memperkenalkan komentar hukum yang dihasilkan AI dan ditinjau oleh pakar hukum yang disebutkan namanya, dengan memadukan penyusunan draf otomatis dan verifikasi manusia. Bagaimana proses ini berjalan dalam praktik, dan langkah pengamanan apa yang memastikan bahwa penafsiran yang dihasilkan AI akurat, transparan, serta dapat ditelusuri ke sumber hukum yang berwenang?

Sebuah ulasan hukum berawal dari undang-undang itu sendiri. Mesin kami menyusun draf berdasarkan sumber primer di Data Layer, termasuk peraturan perundang-undangan, putusan pengadilan, arahan, dan riwayat pembahasan di parlemen yang melatarbelakangi suatu ketentuan. Mesin ini hanya dapat mengutip dokumen yang kami miliki, sehingga setiap pernyataan terhubung dengan ketentuan yang ditafsirkan dan sumber yang mendukungnya. Sebagai contoh, salah satu ulasan hukum kami saat peluncuran merujuk pada 165 sumber yang telah diverifikasi.

Sebelum sebuah ulasan hukum diterbitkan, pakar hukum di bidang tersebut memeriksa draf dengan merujuk pada sumber-sumber primer itu. Para editor kami adalah akademisi dan penulis-praktisi yang dibayar atas pekerjaan mereka. Kelompok editor saat peluncuran berasal dari universitas, pengadilan, lembaga pemerintah, firma penasihat, dan firma hukum. Mereka memperbaiki draf, menghapus bagian yang tidak semestinya, dan menambahkan hal-hal yang belum tercantum. Nama mereka tercantum langsung di halaman.

Lencana tinjauan terverifikasi menandai bagian-bagian yang telah divalidasi oleh editor, sehingga selalu jelas bagian mana yang didukung oleh pakar manusia.

Setiap ulasan hukum juga mencantumkan tanggal acuan untuk menunjukkan keadaan hukum secara tepat sebagaimana dijelaskan di dalamnya. Data Layer diperbarui setiap hari dan menandai putusan baru yang relevan untuk diperiksa editor, yang kemudian merevisi teks dan memperbarui tanggal acuannya.

Perlindungan utama di balik semua ini adalah tautan. Jika Anda tidak dapat mengeklik untuk membuka putusan yang mendukung suatu kesimpulan, Anda diminta untuk menerimanya begitu saja. Kami membangun Commentaries agar tak seorang pun perlu melakukannya.

Melalui integrasi Model Context Protocol (MCP), Moonlit dapat menghadirkan kecerdasan hukum langsung ke asisten AI seperti ChatGPT, Claude, dan Microsoft Copilot. Kemampuan apa yang dimungkinkan oleh arsitektur ini, tetapi mungkin sulit dicapai oleh sistem generasi yang ditingkatkan dengan pengambilan informasi konvensional, dan bagaimana Anda memastikan asisten tersebut menggunakan informasi hukum yang diperoleh secara bertanggung jawab?

RAG konvensional mengambil cuplikan dari sejumlah dokumen, memecahnya menjadi beberapa bagian, membuat embedding, lalu memberikan kepada model bagian-bagian dengan skor kemiripan tertinggi. Untuk bidang hukum, pendekatan ini memiliki tiga kelemahan. Cuplikannya menjadi usang. Kemiripan tidak cukup andal untuk menemukan pasal atau nomor perkara yang tepat. Selain itu, sebuah bagian tidak memberi tahu Anda dokumen apa yang dirujuknya atau bagaimana putusan-putusan berikutnya memengaruhinya.

Dengan server MCP, asisten melakukan riset sendiri. Asisten dapat menelusuri berdasarkan makna atau istilah dan kutipan yang tepat dengan menggunakan operator Boolean, mengikuti rujukan antardokumen, membaca teks lengkap, dan mengambil pasal tertentu dari suatu undang-undang. Asisten juga dapat memeriksa yurisdiksi dan portal resmi mana saja yang tersedia. Model menentukan informasi yang dibutuhkan, membaca hasil yang diperoleh, lalu menelusuri lagi hingga jawabannya dapat dipertanggungjawabkan. Siklus itulah yang membuat perbedaan. Luna beralih ke server MCP yang sama pada bulan September, dan jawaban pun menjadi lebih cepat sekaligus lebih baik. Datanya juga selalu terkini: asisten membaca Data Layer sebagaimana adanya saat ini.

Penggunaan yang bertanggung jawab dimulai dengan batasan yang jelas. Perangkat kami hanya dapat membaca, dan hasilnya ditautkan kembali ke sumber resmi. Kami juga menerbitkan petunjuk riset sederhana yang dapat diikuti oleh asisten. Petunjuk tersebut menjelaskan cara menelusuri sumber dalam bahasa aslinya, memeriksa bagian yang akan dikutip, memverifikasi versinya, serta menjelaskan dengan lugas ketika sumber yang tersedia tidak mencakup informasi tertentu.

Setiap asisten menampilkan penalarannya dengan cara yang berbeda, dan hal itu bukan sesuatu yang dapat kami kendalikan. Yang dapat kami lakukan adalah memudahkan pemeriksaan sumber. Setiap kutipan mengarah ke sebuah dokumen, dan setiap dokumen mengarah ke publikasi resminya.

Informasi hukum terus berkembang seiring diterbitkannya putusan baru, berubahnya peraturan, dan digugatnya preseden yang sudah ada. Bagaimana infrastruktur pemantauan otomatis Moonlit mengidentifikasi dan memasukkan perkembangan tersebut, serta bagaimana platform ini mencegah sistem AI mengandalkan peraturan perundang-undangan yang sudah usang atau penafsiran hukum yang telah digantikan?

Pencegahan agar AI atau peneliti tidak mengandalkan hukum yang keliru bergantung pada keterkaitan antardokumen. Begitu putusan baru atau amendemen undang-undang masuk ke sistem, graf referensi menghubungkannya dengan ketentuan dan perkara terdahulu yang dirujuknya. Jika pengadilan banding membatalkan atau mempersempit cakupan putusan sebelumnya, perkembangan tersebut langsung ditautkan ke putusan semula sebagai putusan yang mengutipnya. Model yang menelusuri graf tersebut akan segera melihat dampak dari putusan berikutnya, alih-alih menganggap preseden usang masih berlaku. Di platform ini, pengguna dapat memanfaatkan arus informasi masuk yang sama untuk membuat Monitor aktif bagi undang-undang, pengadilan, atau topik tertentu yang mereka pantau.

Dalam ulasan hukum, menjaga informasi tetap mutakhir sejak lama menjadi titik lemah yang besar. Seri ulasan hukum komersial sering kali hanya ditinjau untuk diperbarui sekali atau dua kali setahun. Di bidang yang berkembang cepat, seperti pajak tidak langsung atau perlindungan data, keterlambatan tersebut menimbulkan risiko kepatuhan yang serius. Karena Data Layer kami setiap hari mengevaluasi publikasi yang masuk berdasarkan ulasan-ulasan hukum kami, putusan baru langsung ditandai untuk editor penulis. Editor kemudian memperbarui analisis dan tanggal acuannya, sehingga praktisi maupun model AI menggunakan informasi yang mencerminkan keadaan hukum sebenarnya, bukan sudut pandang yang sudah berusia dua belas bulan.

Riset hukum lintas negara menghadirkan kompleksitas yang tidak terbatas pada penerjemahan dokumen, khususnya ketika negara-negara yang berbeda menafsirkan atau menerapkan peraturan serupa dengan cara yang berbeda. Bagaimana AI Moonlit membedakan perbedaan yurisdiksi tersebut, dan apa yang terjadi ketika sumber hukum otoritatif tampak saling bertentangan?

Direktif Uni Eropa dan undang-undang nasional yang menerapkannya adalah dua dokumen berbeda, yang saling terhubung ketika salah satunya mengutip yang lain. Putusan nasional yang menerapkan putusan Mahkamah Kehakiman Uni Eropa juga ditautkan ke putusan tersebut. Itulah sebabnya Commentaries dimulai dengan PPN. Aturan-aturannya sebagian besar telah diselaraskan di tingkat Uni Eropa, lalu ditafsirkan di setiap negara anggota.

Pertentangan merupakan hal biasa dalam hukum, dan kami tidak menyembunyikannya. Ketika dua sumber otoritatif tampak bertentangan, pembaca dapat melihat keduanya. Hierarki kemudian menjadi penentu utama: putusan yang lebih baru mengungguli putusan yang lebih lama, Mahkamah Kehakiman Uni Eropa mengungguli pengadilan nasional dalam persoalan hukum Uni Eropa, dan ketentuan yang berlaku pada tanggal rujukan menjadi acuan. Di Commentaries, editor mengambil keputusan itu secara terbuka, dengan sumber-sumbernya ditampilkan berdampingan.

Teknologi Moonlit digunakan oleh berbagai organisasi, termasuk Mahkamah Agung Belanda, Deloitte, serta lembaga hukum dan publik lainnya. Dapatkah Anda membagikan contoh praktis tentang bagaimana platform ini mengubah alur kerja riset hukum, serta bagaimana Anda mengukur peningkatan akurasi, kelengkapan, atau efisiensi riset dibandingkan dengan metode tradisional?

Di bidang teknologi finansial, misalnya, tim hukum Quantoz Payments menghubungkan server MCP Moonlit ke Claude dan memadukannya dengan alur kerja khusus untuk regulasi pembayaran lintas negara. Alur kerja yang digantikannya merupakan praktik tradisional yang lazim di seluruh Eropa. Biasanya, pengacara harus membuka portal di beberapa negara, melakukan penelusuran dalam berbagai bahasa, menyalin kutipan ke dalam memo, lalu berharap tidak ada preseden lokal penting yang terlewat. Kini, sistem mereka menelusuri berbagai yurisdiksi secara bersamaan, mengikuti jaringan kutipan, dan menyajikan dokumen primer beserta tautan ke sumber resminya. Bagi tim hukum internal, dampaknya jelas. Sistem ini menghilangkan risiko luputnya putusan dari negara lain dan mengalihkan waktu yang sebelumnya dihabiskan untuk mengumpulkan dokumen secara mekanis ke analisis hukum dan evaluasi risiko yang sesungguhnya.

Di sisi pengembangan, efisiensi yang terlihat sangat berbeda. Tim yang membangun produk AI hukum mengukur peningkatan berdasarkan bulan kerja rekayasa yang berhasil dihemat. Eudia, perusahaan AI hukum, membutuhkan data hukum Eropa yang terstruktur untuk mendukung produknya. Manajer produknya menyampaikan bahwa Data API kami menyediakan korpus lengkap hukum Eropa bagi mereka hanya dalam hitungan hari. Tanpa infrastruktur data yang mendasarinya, mereka harus terus-menerus membangun dan memelihara pengikis khusus untuk setiap portal nasional. Platform lain seperti Saga dan Legal Mind mengandalkan fondasi yang sama, sehingga kini mereka juga dapat menyajikan Commentaries terverifikasi langsung kepada pengguna akhir mereka sendiri.

Ke depan, seiring makin canggihnya model fondasi dan makin banyaknya tugas riset hukum tingkat lanjut yang ditangani agen AI, bagaimana Anda melihat perkembangan hubungan antara model AI serbaguna dan infrastruktur data hukum khusus? Apa visi jangka panjang Anda untuk Moonlit, khususnya dalam hal membuat informasi hukum tepercaya dapat diakses oleh lebih banyak pihak di luar firma hukum besar dan lembaga?

Model yang lebih kuat dapat menalar dengan lebih baik berdasarkan sumber yang diberikan, tetapi tidak dapat begitu saja menghasilkan catatan primer yang andal. Seiring makin canggihnya model fondasi, nilai lapisan data terverifikasi justru meningkat. Ketika kemampuan penalaran semakin luas digunakan, hambatan utamanya beralih ke kualitas data, karena agen tetap membutuhkan hukum yang akurat dan terstruktur untuk digunakan.

Model serbaguna dan agen otonom akan menangani penyusunan draf, sintesis, dan interaksi percakapan. Infrastruktur khusus seperti Moonlit menangani persoalan data mendasar yang kompleks, menjaga agar hukum tetap mutakhir, terstruktur, dan dapat diverifikasi, serta menyediakannya langsung melalui protokol apa pun yang digunakan agen tersebut. Kami telah mempersiapkan diri untuk perubahan ini sejak dini. Asisten kami sendiri berjalan pada server MCP yang persis sama dengan server yang dihubungkan oleh agen eksternal, dan berbagai tim sudah menjalankan agen khusus mereka sendiri di atasnya.

Arsitektur tersebut juga menjadi bagian penting dari visi jangka panjang kami. Informasi hukum lintas negara yang andal secara tradisional merupakan kemewahan yang hanya terjangkau oleh firma hukum terbesar dan perusahaan multinasional yang mampu membayar langganan mahal untuk berbagai negara. Dengan menyediakan Commentaries secara gratis untuk dibaca dan membuka lapisan data kami bagi semua pengembang melalui API dan konektor modern, kami ingin menciptakan kesempatan yang lebih setara. Praktisi tunggal yang memberi nasihat kepada bisnis lintas negara atau penasihat hukum internal di perusahaan rintisan seharusnya memiliki akses ke tingkat ketepatan riset dan kutipan terverifikasi yang persis sama dengan firma penasihat global.

Terima kasih atas wawancara yang menarik ini. Pembaca yang ingin menjelajahi data hukum terverifikasi dan riset lintas negara dengan bantuan AI dapat mengunjungi Moonlit.