Mikhail Yatsuha, CEO en mede-oprichter van CaseCraft.AI

Mikhail Yatsuha, CEO en mede-oprichter van CaseCraft.AI, is een Britse solicitor en ondernemer in legal technology met meer dan tien jaar ervaring in juridische dienstverlening. Hij klom op van stagiair en trainee solicitor tot partner bij Sterling Law, waar hij de commerciële afdeling leidde en herhaaldelijk levensvatbare geschillen met een lage waarde tegenkwam die onrendabel werden zodra de traditionele juridische kosten werden meegerekend. Eind 2023 richtte hij samen CaseCraft.AI op om opnieuw na te denken over hoe civiele vorderingen worden beoordeeld, voorbereid en afgehandeld met AI‑ondersteunde werkstromen, in plaats van simpelweg AI toe te passen op juridisch opstellen.

CaseCraft.AI is een Britse legal‑technology‑onderneming die een AI‑native platform voor civiele geschillen bouwt. Het platform brengt case‑beoordeling, bewijsverwerking, pre‑actiecorrespondentie, documentgeneratie, procesvolging en menselijke juridische beoordeling in één werkstroom, waarbij individuele eisers worden bediend op basis van no‑win‑no‑fee en bedrijven via abonnement‑gebaseerde bulk‑claims en case‑management tools. Het bedrijf haalde circa £1,8 m op in drie financieringsrondes en had, per augustus 2026, 4.562 zaken aangemaakt met een cumulatieve waarde van £14,9 m, 51 % was geregeld of gewonnen via een verstekvonnis, en 373 zaken waren in actieve juridische behandeling; bovendien test het nu zijn eerste enterprise‑implementatie en een MVP voor arbeidsrecht.

U heeft jaren opgeklommen van stagiair en trainee solicitor tot partner bij Sterling Law voordat u in 2023 CaseCraft.AI mede oprichtte. Wat zag u herhaaldelijk in de juridische praktijk dat u ervan overtuigde dat het klein‑claimsproces fundamenteel herontworpen kon worden met AI in plaats van alleen efficiënter te maken met betere juridische software?

Wat mij overtuigde was niet dat advocaten een beter opstel‑instrument nodig hadden. Het was dat bij veel geschillen met een lage waarde de economie faalt voordat een advocaat kan ingrijpen. De kosten van vertegenwoordiging kunnen de waarde van de vordering evenaren of overschrijden, en de meeste juridische kosten zijn doorgaans niet terugvorderbaar in klein‑claims. Ik zag bij Sterling Law levensvatbare vorderingen om die reden worden opgegeven, en later zag ik dezelfde berekening bij bedrijven die onbetaalde facturen afschrijven. Dat is een probleem van het leveringsmodel, niet van het opstellen. AI maakte het mogelijk om een groter deel van het traject rond de persoon die de vordering indient opnieuw te ontwerpen, in plaats van alleen de advocaat die eraan werkt iets sneller te maken.

CaseCraft.AI is nu gebruikt om duizenden juridische zaken te creëren, waarbij honderden doorgroeiden naar actieve juridische werkzaamheden. Wat heeft u geleerd van het inzetten van AI in echte zaken die u nooit had kunnen ontdekken met alleen prototypes, simulaties of benchmark‑tests?

Twee dingen springen eruit. Ten eerste is het genereren van een document het gemakkelijke deel; het beheren van een zaak is moeilijk. Een lopende zaak betekent dat bewijs, betalingen, termijnen, reacties en vervolgstappen gedurende maanden consistent moeten blijven. Per augustus 2026 waren meer dan 4.500 zaken aangemaakt via CaseCraft, meer dan 400 waren doorgegaan naar actieve juridische werkzaamheden, en 130 vorderingen waren bij de rechtbank ingediend.

Ten tweede gedragen mensen zich anders met AI. Ze kunnen opener zijn, wat helpt om belangrijke feiten eerder aan het licht te brengen, maar het systeem moet ook grenzen stellen en weten wanneer een mens moet ingrijpen. We leerden dit direct toen we een menselijke tussenkomst introduceerden op een vertrouwensgevoelige fase, wat de conversie met minstens 15 % verbeterde.

Een groot deel van de eerste golf generatieve AI richtte zich op het produceren van tekst. CaseCraft.AI moet echter bewijs verzamelen, geschiktheid bepalen, procedurele regels volgen, acties activeren en een zaak over tijd volgen. Hoe verschilt het technisch bouwen van dit type agentische werkstroom van het bouwen van een AI‑assistent of chatbot?

Een chatbot beantwoordt een vraag; een agentische werkstroom moet de status van een echte zaak over tijd behouden – wat er is gebeurd, welk bewijs er bestaat, wat ontbreekt en wat er vervolgens kan gebeuren. Daarom beschouwen we het systeem als gespecialiseerde componenten in plaats van één model dat alles doet: sommige verzamelen en valideren informatie, andere vormen de juridische redenering of verwerken binnenkomende documenten. Het doel is niet de beste alinea, maar een betrouwbare reeks beslissingen en acties die de zaak naar het best mogelijke resultaat leidt.

In een juridische werkstroom kan een model iets produceren dat volledig overtuigend klinkt, terwijl het toch procedureel of feitelijk onjuist is. Hoe heeft u CaseCraft.AI ontworpen om onderscheid te maken tussen plausibele AI‑output en informatie die daadwerkelijk betrouwbaar genoeg is om in een juridische zaak te gebruiken?

Het leidende principe is dat het model de juridische werkelijkheid waarin het opereert niet mag verzinnen. We beperken het systeem tot het bewijs in de zaak en tot gezaghebbende juridische bronnen, in plaats van een algemeen model te laten antwoorden vanuit het geheugen. CaseCraft.AI heeft toegang tot de nieuwste wetswijzigingen, relevante jurisprudentie en vastgestelde best practices via overheids‑API’s en andere gezaghebbende bronnen, zodat de juridische context actueel blijft.

We scheiden ook generatie van validatie en houden de professionele beoordeling binnen het gereguleerde juridische‑serviceraamwerk. De test is niet of een output klinkt alsof een advocaat het heeft geschreven, maar of de bron, het bewijs en de procedurele stap verifieerbaar zijn.

U heeft gesproken over het belang van ‘meetbare menselijke controle’. Wat betekent dat in de praktijk, en hoe bepaalt u welke beslissingen een AI‑systeem autonoom kan nemen versus waar een mens verantwoordelijk moet blijven?

Meetbare menselijke controle betekent dat menselijke betrokkenheid gekoppeld is aan identificeerbare risico’s, en dat we kunnen zien waar en waarom interventie plaatsvindt. ‘Human in the loop’ mag niet alleen een geruststellende uitdrukking zijn; we moeten kunnen aanwijzen wat de trigger, de beoordeling en de daaropvolgende beslissing waren.

We bouwen nog steeds aan de bewijsbasis voor waar die grenzen moeten liggen. Eén maatstaf die we al kunnen aanwijzen is de beoordelingstijd: sinds de lancering is de tijd die nodig is voor menselijke beoordeling verviervoudigd verminderd naarmate het systeem is verbeterd. Na verloop van tijd is het doel om beoordelingen meer risicogebaseerd te maken, terwijl we de verantwoordelijke professionele beoordeling behouden waar dit wettelijk vereist is.

Bewijs staat centraal in klein‑claims, maar bewijs kan binnenkomen als contracten, facturen, e‑mails, berichten, foto’s en andere ongestructureerde informatie. Hoe gaat u te werk om dat materiaal om te zetten in gestructureerde invoer waar een AI‑systeem over kan redeneren, terwijl u de herkomst behoudt en ongefundeerde conclusies vermijdt?

Het belangrijkste principe is om extractie gescheiden te houden van inferentie. Als een gebruiker een WhatsApp‑gesprek met een aannemer uploadt, zijn de data, de genoemde prijs en de gebruikte woorden geëxtraheerde feiten; een conclusie over de juridische betekenis van die uitwisseling is een inferentie. De twee mogen nooit als één en hetzelfde worden gepresenteerd. We structureren documenten zodat de werkstroom ze kan gebruiken, terwijl we de koppeling terug naar het oorspronkelijke bewijs behouden. Als die koppeling verdwijnt, kunt u een dossier maken dat er goed uitziet, maar dat uit elkaar valt wanneer het wordt betwist.

Een van de moeilijkste problemen voor autonome systemen is weten wanneer niet te handelen. Welke signalen geven CaseCraft.AI aan dat een vordering te onduidelijk, complex of riskant is voor automatisering en in plaats daarvan moet worden geëscaleerd naar een juridisch professional?

Een van onze waarborgen is tegenintuïtief: we letten niet alleen op de zaken die de AI wil voortzetten, maar ook op de zaken die hij geneigd is af te wijzen. Menselijke controle gaat niet alleen over het voorkomen dat een AI te agressief wordt; het kan ook het systeem tegenhouden dat het te conservatief is en een legitiem argument afwijst.

Een van de duidelijkste escalatiesignalen vandaag is een gebrek aan bewijs. Mensen uploaden mogelijk niet de relevante documenten, zijn ze in de loop der tijd kwijt, of realiseren zich niet welk bewijs belangrijk is voor de vordering. Waar de zaak niet voldoende duidelijk of compleet is, kan de volgende stap een menselijke beoordeling zijn in plaats van automatische voortgang. Advocaten behandelen context en grijze gebieden nog steeds consistenter dan de huidige systemen.

Naarmate AI‑systemen meer stappen overnemen die traditioneel door advocaten worden uitgevoerd, hoe denkt u dat de grens tussen software‑automatisering en gereguleerde juridische diensten zal evolueren?

De grens zal verschuiven, maar langzamer dan veel technologische mensen verwachten. High‑stakes‑systemen kunnen niet vertrouwen op de belofte dat het volgende model beter zal zijn; betrouwbaarheid moet worden aangetoond via gezaghebbende bronnen, validatie, controles en verantwoordelijke menselijke beoordeling. Na verloop van tijd verwacht ik dat AI iets wordt waarop professionals kunnen vertrouwen binnen duidelijk gedefinieerde grenzen, maar autonomie moet worden verdiend door waargenomen prestaties en reële resultaten. De relevante vraag is niet ‘software of advocaat?’, maar welke activiteit wordt uitgevoerd, welk bewijs het ondersteunt en wie verantwoordelijk blijft.

Algemene AI‑modellen worden zeer snel capabeler. Wat creëert een duurzame voorsprong voor een verticale AI‑onderneming zoals CaseCraft.AI wanneer de onderliggende foundation‑modellen die iedereen tot zijn beschikking heeft, blijven verbeteren?

Ons voordeel lag nooit in het bezitten van een foundation‑model. Betere algemene modellen zijn goed nieuws voor ons. Het moeilijke deel is alles eromheen: ophalen, de zaak‑database, juridische kennis, workflow‑infrastructuur, integraties, controles en het operationele inzicht in hoe een vordering van begin tot eind verloopt. Dat werk verdwijnt niet wanneer er een nieuw model wordt gelanceerd.

Voor de gebruiker moet het aanvoelen als één plek waar de zaak plaatsvindt, terwijl de orkestratie eronder blijft. Dezelfde infrastructuur begint nu zowel individuele eisers als bedrijven te ondersteunen die batch‑claims van tot wel 150 vorderingen met één klik en case‑management werkstromen gebruiken. Ik denk dat die orkestratie en domein‑executie de duurzame gracht vormen voor verticale AI.

Kijkend voorbij klein‑claims, wat heeft u geleerd van CaseCraft.AI over de bredere toekomst van agentische AI? Welke andere high‑stakes‑sectoren zijn volgens u bijzonder geschikt voor systemen die complexe werkstromen kunnen beheren terwijl mensen verantwoordelijk blijven voor kritieke beslissingen?

Ik ben optimistisch over agentische AI, maar het moeilijke werk zit rond het model: processen herontwerpen, informatie structureren, definiëren wat het systeem mag doen, en validatie en escalatie bouwen. Daarom bewegen gereguleerde sectoren vaak langzamer – de mensen die de werkstroom goed genoeg begrijpen om te automatiseren, zijn meestal de drukste experts in de organisatie.

De sterkste kansen liggen in werkstromen met veel herhaalbare informatieverzameling en documentverwerking, maar een kleiner aantal uitzonderingen die nog steeds een verantwoordelijke beoordeling vereisen. Voor CaseCraft is arbeidsrecht de dichtstbijzijnde uitbreiding, met een MVP in actieve testfase, en we verkennen persoonlijk letsel met een gespecialiseerde procesfirma. Buiten het recht hebben verzekeringen, financiële diensten en compliance een vergelijkbare vorm. De systemen die winnen, weten niet alleen hoe ze het gesprek moeten automatiseren, maar precies wanneer de machine moet stoppen en een mens moet ingrijpen.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen terecht op CaseCraft.AI.