Roderick Lucas, medeoprichter en CEO van Moonlit – interviewreeks

Roderick Lucas is medeoprichter en CEO van Moonlit en brengt ervaring mee op het gebied van kunstmatige intelligentie, datawetenschap en juridische technologie. Hij werkte bijna tien jaar bij Deloitte, waar hij de functie van hoofd kunstmatige intelligentie bekleedde, en gaf daarnaast technologiecursussen aan de Vrije Universiteit Amsterdam en Tilburg University. Zijn werk is gericht op het toegankelijker maken van juridisch onderzoek met behulp van gestructureerde gegevens, verifieerbare bronnen en AI.

Moonlit biedt infrastructuur voor juridische gegevens en onderzoekstools die officiële wetgeving, rechterlijke uitspraken en regelgevingsinformatie uit Europese rechtsgebieden met elkaar verbinden. Het platform, de Data API en de MCP-server geven onderzoekers en AI-assistenten toegang tot gestructureerde juridische bronnen. De bibliotheek met commentaren combineert door AI gegenereerde analyses met beoordelingen door met naam genoemde juridische experts. In dit interview bespreekt Lucas juridische hallucinaties, grensoverschrijdend onderzoek, verificatie door experts en toegang tot betrouwbare juridische kennis.

Je hebt bijna tien jaar bij Deloitte gewerkt en bekleedde uiteindelijk de functie van hoofd kunstmatige intelligentie. Daarnaast gaf je technologiecursussen aan de Vrije Universiteit Amsterdam en Tilburg University. Moonlit begon als een intern project bij Deloitte en werd in 2024 een zelfstandig bedrijf. Wat inspireerde je om het platform te ontwikkelen, en waardoor raakte je ervan overtuigd dat juridisch onderzoek een fundamenteel andere aanpak nodig had?

Moonlit ontstond binnen Deloitte, omdat het probleem daar vlak voor onze neus lag. Elke serieuze juridische of fiscale vraag in Europa overschrijdt op enig moment een landsgrens, maar de benodigde bronnen zijn verspreid over tientallen nationale portals, elk met een eigen indeling, taal en citatiestijl. Specialisten besteden het grootste deel van hun onderzoekstijd aan het verzamelen van materiaal en controleren of er niets ontbreekt. Ondertussen schieten de hulpmiddelen die hen moeten helpen tekort bij grensoverschrijdend werk. Ze rekenen per gebruiker per land en vereisen afzonderlijke aanmeldingen, alleen al om te vergelijken hoe verschillende rechtsgebieden met hetzelfde vraagstuk omgaan.

Toen taalmodellen opkwamen, werden twee dingen tegelijk duidelijk: de modellen konden veel beter over juridische teksten redeneren dan wie ook had verwacht, maar ze hadden geen betrouwbare informatie om over te redeneren. Rechtstreeks tekst ophalen van openbare rechtbankportalen levert rommelige, inconsistente gegevens op, terwijl commerciële juridische uitgevers geautomatiseerde toegang beperken met licentiebeperkingen. De juridische technologiesector miste een gemeenschappelijke basis: officiële bronnen uit meerdere rechtsgebieden, omgezet naar dezelfde heldere datastructuur, onderling gekoppeld en dagelijks bijgewerkt.

Die laag wilden we bouwen. Daarom werd Moonlit in 2024 een bedrijf en bleef het niet slechts een hulpmiddel voor één kantoor. Zo’n basis wordt waardevoller naarmate meer mensen en systemen de gegevens raadplegen en eraan bijdragen. Onze overtuiging daarachter is onveranderd: het recht is openbaar, en de kennis die erop is gebaseerd moet betaalbaar zijn voor iedereen die zich eraan moet houden.

Moonlit is opgericht vanuit de overtuiging dat toegang tot juridische kennis essentieel is voor rechtvaardigheid. Wetgeving en rechterlijke uitspraken zijn vaak openbaar beschikbaar, maar deskundig commentaar dat de gevolgen ervan uitlegt, blijft vaak achter dure betaalmuren. Hoe wil Moonlit toegang tot deze interpretatieve laag democratiseren, en waarom is dat bijzonder belangrijk voor de ontwikkeling van betrouwbare juridische AI?

In Nederland gaat ongeveer 40 cent van elke euro die je verdient naar de staat, en een deel daarvan financiert openbare universiteiten en het rechtssysteem. Veel commentaren waarin de wet wordt uitgelegd, zijn geschreven door academici die op de publieke loonlijst staan. Commerciële uitgevers zoals Wolters Kluwer en Thomson Reuters bundelen die analyses en verkopen ze terug aan de rechtbanken, ministeries, universiteiten en juristen die ze nodig hebben. Een abonnement op commentaren kost honderden euro’s per gebruiker per maand. Met zulke abonnementen betaalt het publiek in feite twee keer voor de wet waaraan het zich moet houden. Een rechtvaardig rechtssysteem zou per maand niet meer mogen kosten dan je Netflix-abonnement.

We hebben Commentaren ontwikkeld als een open alternatief: een bibliotheek met juridische analyses per wetsartikel, toegankelijk met een gratis Moonlit-account. Elk commentaar wordt aan de hand van primaire bronnen gegenereerd met onze AI-modellen en vóór publicatie gecontroleerd door juridische specialisten. Elke verwijzing wordt geverifieerd en linkt rechtstreeks naar het officiële document van de overheid of de rechtbank. Ziet een lezer een ontbrekende nuance of een recente ontwikkeling, dan kan diegene rechtstreeks via het formulier op de pagina een wijziging voorstellen, waarna de redactie die beoordeelt. De redactie kan de tekst vervolgens opnieuw publiceren. Voor zover wij weten, biedt geen enkele andere uitgever die combinatie. Bij de lancering richten de beschikbare commentaren zich op indirecte belastingen (btw); commentaren over gegevensbescherming zijn in ontwikkeling.

Deze interpretatieve laag is ook van cruciaal belang voor juridische AI. Modellen kunnen openbare wetten en rechterlijke uitspraken verwerken, maar kunnen geen secundair commentaar lezen dat uitlegt hoe een regel in de praktijk werkt of waar de uitzonderingen liggen. Zonder die context trekken modellen extrapolaties en genereren ze onbetrouwbare antwoorden. We hebben Commentaren zo ontworpen dat elke bewering expliciet is gekoppeld aan de bepaling die wordt uitgelegd en de uitspraak waarop de uitleg berust. Een jurist kan de bron met één klik verifiëren, en een AI-workflow kan via de Moonlit Data API en MCP-connector redeneren op basis van betrouwbare gegevens.

Door AI gegenereerde juridische hallucinaties zijn een steeds groter probleem geworden: advocaten en rechtbanken krijgen te maken met verzonnen verwijzingen naar rechtszaken en onjuiste interpretaties van de wet. Waarom hebben zelfs geavanceerde grote taalmodellen moeite met juridische nauwkeurigheid, en hoe helpt gestructureerde, geverifieerde juridische context om deze beperkingen aan te pakken?

Taalmodellen hebben moeite met juridische teksten om redenen die weinig met intelligentie te maken hebben. Juridisch redeneren is volledig afhankelijk van verifieerbare rechtsbronnen. Een conclusie is slechts zo betrouwbaar als de wetsbepaling of uitspraak waarop ze is gebaseerd, maar een model behandelt zaaknummers en verwijzingen naar wetgeving als probabilistische tekstpatronen in plaats van als betrouwbare databasegegevens. Het produceert verwijzingen die overtuigend lijken, omdat het voorspelt hoe een verwijzing eruit hoort te zien, niet omdat het een echt document heeft gecontroleerd. Dit heeft zeer concrete gevolgen: op het moment van schrijven waren er meer dan 2.100 geregistreerde rechterlijke uitspraken in verband met AI-hallucinaties, waarvan er bij meer dan 800 rechtstreeks juridische professionals betrokken waren.

Ook de wet verandert voortdurend. De kennis van een model reikt niet verder dan de afsluitdatum van de trainingsgegevens, terwijl belastinguitspraken en uitspraken in hoger beroep wekelijks worden bijgewerkt. Als het commentaar waarin wordt uitgelegd wat die regels betekenen achter betaalmuren van uitgevers staat, heeft het model wel toegang tot de kale wettekst, maar niet tot de praktische context. Daardoor verzint het aannemelijk klinkende uitleg om die leemte op te vullen.

Gestructureerde, geverifieerde context verandert de kern van de taak. Bij Moonlit haalt het model de wet op in plaats van die uit het geheugen te proberen op te roepen, en werkt het rechtstreeks met officiële documenten. Een zoekopdracht levert documenten uit officiële bronnen op, elk met de bijbehorende verwijzing en link. De verwijzingsgraaf laat zien naar welke bronnen een uitspraak verwijst en welke latere documenten ernaar verwijzen. Een verwijzing leidt óf naar een authentiek document in onze repository, óf wordt niet weergegeven. Zo worden verzonnen verwijzingen voorkomen. Schone gegevens alleen voorkomen echter geen verkeerde interpretaties. Daarom beoordeelt een met naam genoemde juridisch expert bij Commentaries nog altijd het concept voordat het bij de lezer terechtkomt.

Moonlit verzamelt wetgeving, rechterlijke uitspraken en informatie van toezichthouders uit tientallen rechtsgebieden en verbindt juridische documenten via een uitgebreide verwijzingsgraaf. Kunt u ons meenemen in de onderliggende AI- en dataarchitectuur, en in het bijzonder uitleggen hoe het platform verbanden tussen juridische bronnen vaststelt, omgaat met verschillende talen en rechtssystemen en deze informatie toegankelijk maakt voor AI-modellen?

Zie het als één ononderbroken keten, van de officiële publicatie tot en met een geverifieerde verwijzing.

Voor elk rechtsgebied maken we rechtstreeks verbinding met de officiële portalen, waaronder staatsbladen, databanken van rechtbanken, toezichthouders en EUR-Lex voor het EU-recht. Elk portaal heeft zijn eigen eigenaardigheden en indelingen, en die kunnen zonder waarschuwing veranderen. Daarom besteden we een aanzienlijk deel van onze technische inspanningen aan monitoring en geautomatiseerd herstel per portaal. Elk document dat we binnenhalen, behoudt de bronvermelding en een permanente link naar het officiële overheidsdocument. Die link vormt de basis voor al het overige.

Alles komt samen in één model voor verschillende rechtsgebieden, met wetgeving, jurisprudentie, parlementaire documenten, besluiten van autoriteiten en richtsnoeren. Wetgeving wordt opgesplitst tot op het niveau van afzonderlijke artikelen, zodat één bepaling nauwkeurig kan worden opgehaald en aangehaald. Een Nederlandse uitspraak en een Duitse uitspraak behouden de specifieke velden die hun nationale systemen vereisen, terwijl we de identificatie, classificatie en koppeling van die documenten over de grenzen heen standaardiseren.

Juridische teksten verwijzen voortdurend naar elkaar. Een uitspraak verwijst naar de artikelen die ze toepast en de uitspraken die ze volgt, terwijl een wet verwijst naar andere wetten. Onze engine herkent deze verwijzingen, die per rechtsgebied sterk verschillen in vorm, koppelt ze aan authentieke documenten in onze Data Layer en slaat de links bidirectioneel op. Juridisch-technologische experts controleren de extractiepatronen. Het resultaat is een verwijzingsgraaf met honderden miljoenen links, waarmee je voor elk document kunt zien waarnaar het verwijst en welke documenten ernaar verwijzen.

Taal behandelen we door de brondocumenten ongewijzigd te laten. We vertalen de oorspronkelijke tekst niet. Een Belgische uitspraak blijft in het Frans of Nederlands en zoekopdrachten worden uitgevoerd in de oorspronkelijke taal. We combineren zoeken op trefwoorden met semantisch zoeken, rangschikken de resultaten opnieuw en beperken elke zoekopdracht tot het relevante rechtsgebied. Luna, onze onderzoeksassistent, antwoordt in de taal waarin je je vraag stelt en raadpleegt elke onderliggende bron in de oorspronkelijke taal.

Het Moonlit-platform, onze Data API en de MCP-server lezen allemaal uit dezelfde Data Layer. De API biedt programmatische toegang tot onze zoekmethoden, de verwijzingsgraaf en het ophalen van volledige teksten, terwijl de MCP-server negen alleen-lezen tools beschikbaar maakt voor elke externe AI-assistent. Wanneer we de onderliggende gegevens verbeteren, wordt die verbetering meteen doorgevoerd in alle interfaces.

Moonlit heeft door AI gegenereerde juridische commentaren geïntroduceerd die door met naam genoemde juridische experts worden beoordeeld, waarbij geautomatiseerde tekstproductie wordt gecombineerd met menselijke verificatie. Hoe werkt dit proces in de praktijk, en welke waarborgen zorgen ervoor dat door AI gegenereerde interpretaties nauwkeurig en transparant zijn en naar gezaghebbende juridische bronnen kunnen worden herleid?

Een commentaar begint bij de wet zelf. Onze engine stelt een concept op aan de hand van primaire bronnen in de Data Layer, waaronder wetgeving, jurisprudentie, richtlijnen en de parlementaire geschiedenis achter een bepaling. De engine kan alleen verwijzen naar documenten die in ons bezit zijn. Daarom is elke stelling gekoppeld aan de bepaling die erin wordt uitgelegd en aan de bron die de stelling ondersteunt. Een van onze commentaren bij de lancering verwijst bijvoorbeeld naar 165 geverifieerde bronnen.

Voordat een commentaar wordt gepubliceerd, legt een juridisch expert op dat vakgebied het concept naast de primaire bronnen. Onze redacteuren zijn academici en auteurs die ook in de praktijk werkzaam zijn en voor hun werk worden betaald. De groep die bij de lancering betrokken is, bestaat uit mensen van universiteiten, rechtbanken, overheidsinstanties, adviesbureaus en advocatenkantoren. Zij corrigeren het concept, schrappen wat er niet in thuishoort en voegen toe wat ontbreekt. Hun namen staan duidelijk op de pagina.

Badges voor geverifieerde beoordeling geven aan welke passages door een redacteur zijn gevalideerd. Zo is altijd duidelijk voor welke onderdelen een menselijke expert instaat.

Elk commentaar vermeldt ook de peildatum, zodat duidelijk is wat de exacte stand van het recht is die erin wordt beschreven. De Data Layer wordt dagelijks bijgewerkt en signaleert relevante nieuwe uitspraken voor de redacteur, die vervolgens de tekst aanpast en de peildatum bijwerkt.

De belangrijkste waarborg is de link. Als je niet kunt doorklikken naar de uitspraak die een conclusie ondersteunt, wordt je gevraagd die conclusie op goed vertrouwen aan te nemen. We hebben Commentaries zo ontwikkeld dat dat niet nodig is.

Dankzij integraties met het Model Context Protocol (MCP) kan Moonlit juridische informatie rechtstreeks beschikbaar maken in AI-assistenten zoals ChatGPT, Claude en Microsoft Copilot. Wat maakt deze architectuur mogelijk wat met conventionele systemen voor retrieval-augmented generation moeilijk te bereiken is, en hoe zorgt u ervoor dat deze assistenten de opgehaalde juridische informatie op verantwoorde wijze gebruiken?

Conventionele RAG-systemen maken een momentopname van een aantal documenten, delen die op in fragmenten, zetten die om in embeddings en geven het model de fragmenten die het hoogst scoren op overeenkomst. Voor juridisch onderzoek schiet deze aanpak op drie punten tekort. De momentopname raakt verouderd. Op basis van overeenkomst kun je niet betrouwbaar genoeg een specifiek artikel of zaaknummer vinden. En uit een fragment blijkt niet waarnaar het document verwijst of wat latere uitspraken ermee hebben gedaan.

Met de MCP-server doet de assistent zelf onderzoek. De assistent kan zoeken op betekenis of op exacte termen en verwijzingen met behulp van Booleaanse operatoren, verwijzingen tussen documenten volgen, volledige teksten lezen en afzonderlijke wetsartikelen ophalen. De assistent kan ook controleren welke rechtsgebieden en officiële portalen beschikbaar zijn. Het model bepaalt wat het nodig heeft, leest de resultaten en zoekt opnieuw totdat het antwoord standhoudt. Dat herhaaldelijke proces maakt het verschil. Luna is in september overgestapt op dezelfde MCP-server; de antwoorden werden daardoor tegelijk sneller en beter. Ook de gegevens zijn actueel: de assistent raadpleegt de Data Layer zoals die er vandaag voorstaat.

Verantwoord gebruik begint met duidelijke grenzen. Onze tools zijn alleen-lezen en de resultaten zijn terug te voeren op de officiële bron. We publiceren ook eenvoudige onderzoeksinstructies die assistenten kunnen volgen. Daarin staat hoe ze in de oorspronkelijke taal van de bron moeten zoeken, de passage moeten controleren voordat ze ernaar verwijzen, de versie moeten verifiëren en duidelijk moeten aangeven wanneer er hiaten zijn in de beschikbare bronnen.

Verschillende assistenten laten hun redenering op verschillende manieren zien, en daar hebben we geen controle over. Wat we wel kunnen doen, is de bronnen gemakkelijk controleerbaar maken. Elke verwijzing leidt naar een document en elk document naar de officiële publicatie ervan.

Juridische informatie verandert voortdurend: er worden nieuwe uitspraken gepubliceerd, regelgeving wordt gewijzigd en bestaande precedenten worden aangevochten. Hoe signaleert en verwerkt de geautomatiseerde monitoringinfrastructuur van Moonlit deze ontwikkelingen, en hoe voorkomt het platform dat AI-systemen zich baseren op verouderde wetgeving of achterhaalde juridische interpretaties?

Voorkomen dat een AI-systeem of onderzoeker zich op onjuist recht baseert, draait om de verbanden tussen documenten. Zodra een nieuwe uitspraak of wetswijziging in het systeem wordt opgenomen, koppelt het verwijzingsnetwerk die aan de eerdere bepalingen en zaken waarnaar erin wordt verwezen. Als een hogere rechter een eerdere uitspraak vernietigt of de reikwijdte ervan beperkt, wordt die ontwikkeling rechtstreeks aan de oorspronkelijke uitspraak gekoppeld als een uitspraak waarin ernaar wordt verwezen. Een model dat het netwerk volgt, ziet meteen wat er daarna met die uitspraak is gebeurd en behandelt een verouderd precedent dus niet als geldend recht. Op het platform kunnen gebruikers diezelfde stroom van binnenkomende informatie omzetten in actieve Monitors voor de specifieke wetten, rechtbanken of onderwerpen die ze volgen.

Bij commentaren is actualisering van oudsher een belangrijk blinde vlek. Commerciële commentaarreeksen worden vaak maar één of twee keer per jaar op actualisering gecontroleerd. Op terreinen die snel veranderen, zoals indirecte belastingen of gegevensbescherming, leidt die vertraging tot ernstige nalevingsrisico’s. Omdat onze Data Layer binnenkomende publicaties dagelijks afzet tegen onze commentaren, worden nieuwe uitspraken meteen onder de aandacht van de redacteur gebracht. Die werkt de analyse bij en past de peildatum aan, zodat zowel juristen als AI-modellen uitgaan van de actuele stand van het recht en niet van een perspectief dat twaalf maanden achterloopt.

Grensoverschrijdend juridisch onderzoek brengt complexiteiten met zich mee die verder gaan dan het vertalen van documenten, vooral wanneer verschillende landen vergelijkbare regelgeving anders uitleggen of uitvoeren. Hoe maakt Moonlits AI onderscheid tussen deze verschillen per rechtsgebied, en wat gebeurt er wanneer gezaghebbende juridische bronnen elkaar lijken tegen te spreken?

Een EU-richtlijn en de nationale wet waarin die richtlijn is omgezet, zijn verschillende documenten die aan elkaar zijn gekoppeld wanneer het ene document naar het andere verwijst. Ook een nationale uitspraak waarin een arrest van het Hof van Justitie wordt toegepast, is aan dat arrest gekoppeld. Daarom begint Commentaries ook met btw. De regels zijn grotendeels op EU-niveau geharmoniseerd en worden vervolgens in elke lidstaat geïnterpreteerd.

Tegenstrijdigheden zijn in het recht normaal, en we verbergen ze niet. Wanneer twee gezaghebbende bronnen elkaar lijken tegen te spreken, krijgt de lezer beide te zien. De hiërarchie doet vervolgens het meeste werk: een latere uitspraak gaat vóór een eerdere, het Hof van Justitie gaat bij een vraag over EU-recht vóór een nationale rechter, en bepalend is de bepaling zoals die luidde op de peildatum. In Commentaries neemt de redacteur die beslissing openlijk, met de bronnen ernaast.

De technologie van Moonlit wordt gebruikt door organisaties als de Hoge Raad der Nederlanden, Deloitte en andere juridische en overheidsinstellingen. Kunt u een concreet voorbeeld geven van hoe het platform een juridische onderzoeksworkflow heeft veranderd, en hoe u verbeteringen meet in de nauwkeurigheid, volledigheid of efficiëntie van het onderzoek ten opzichte van traditionele methoden?

In de fintechsector heeft het juridische team van Quantoz Payments bijvoorbeeld de Moonlit MCP-server gekoppeld aan Claude, in combinatie met aangepaste workflows voor regelgeving rond grensoverschrijdende betalingen. De workflow die dit vervangt, is in heel Europa de traditionele standaard. Een jurist moet doorgaans portals in verschillende landen openen, in meerdere talen zoeken, verwijzingen naar bronnen in een memo kopiëren en hopen dat er geen cruciale lokale uitspraak over het hoofd is gezien. Nu doorzoekt hun systeem gelijktijdig verschillende rechtsgebieden, volgt het de verwijzingsketen en levert het primaire documenten op, samen met links naar de officiële bronnen. Voor een intern juridisch team is het effect duidelijk. Het voorkomt dat buitenlandse uitspraken over het hoofd worden gezien en verschuift uren van routinematig verzamelen naar daadwerkelijke juridische analyse en risicobeoordeling.

Aan de ontwikkelkant zie je een heel ander soort efficiëntie. Teams die juridische AI-producten bouwen, meten verbeteringen aan de hand van het aantal ontwikkelmaanden dat ze besparen. Eudia, een juridisch AI-bedrijf, had gestructureerde Europese juridische data nodig voor zijn product. De productmanager gaf aan dat onze Data API het bedrijf binnen enkele dagen een volledig Europees corpus opleverde. Zonder onderliggende datainfrastructuur betekent dat dat je voor onbepaalde tijd aangepaste scrapers moet bouwen en onderhouden voor elk nationaal portaal. Ook andere platforms, zoals Saga en Legal Mind, bouwen op dezelfde basis en kunnen nu geverifieerde Commentaries rechtstreeks aan hun eigen eindgebruikers aanbieden.

Nu we vooruitkijken en basismodellen steeds krachtiger worden en AI-agenten steeds complexere juridische onderzoekstaken uitvoeren, hoe ziet u dan de relatie tussen AI-modellen voor algemeen gebruik en gespecialiseerde juridische datainfrastructuur zich ontwikkelen? Wat is uw langetermijnvisie voor Moonlit, vooral als het gaat om juridische informatie waarop men kan vertrouwen toegankelijk te maken voor meer partijen dan alleen grote advocatenkantoren en instellingen?

Een krachtiger model kan beter redeneren op basis van de bronnen die je het aanreikt, maar kan niet zomaar betrouwbare primaire documenten tevoorschijn toveren. Naarmate basismodellen krachtiger worden, neemt de waarde van een geverifieerde datalaag juist toe. Wanneer redeneervermogen breed beschikbaar wordt, verschuift het grootste knelpunt naar de datakwaliteit, want een agent heeft nog steeds nauwkeurig, gestructureerd recht nodig om mee te werken.

Modellen voor algemeen gebruik en autonome agenten nemen het opstellen, synthetiseren en voeren van gesprekken voor hun rekening. Gespecialiseerde infrastructuur zoals Moonlit pakt het onderliggende dataprobleem aan: ze houdt het recht actueel, gestructureerd en verifieerbaar en stelt het rechtstreeks beschikbaar via de protocollen die die agenten gebruiken. We hebben ons vroeg op deze verschuiving voorbereid. Onze eigen assistent draait op precies dezelfde MCP-server waarmee externe agenten verbinding maken, en teams gebruiken er nu al hun eigen aangepaste agenten op.

Die architectuur staat ook centraal in onze langetermijnvisie. Betrouwbare juridische informatie over landsgrenzen heen was van oudsher alleen weggelegd voor de grootste advocatenkantoren en multinationals, die dure abonnementen voor meerdere landen kunnen betalen. Door Commentaries gratis toegankelijk te maken en onze datalaag via moderne API’s en connectors open te stellen voor elke ontwikkelaar, willen we het speelveld gelijker maken. Een zelfstandig jurist die een grensoverschrijdend bedrijf adviseert, of een bedrijfsjurist bij een startend bedrijf, moet toegang hebben tot precies dezelfde nauwkeurigheid in juridisch onderzoek en geverifieerde bronverwijzingen als een wereldwijd adviesbureau.

Bedankt voor dit geweldige interview; lezers die geverifieerde juridische data en AI-ondersteund grensoverschrijdend onderzoek willen verkennen, kunnen terecht bij Moonlit.