Sarah Webb, operationeel directeur en medeoprichter van LawVu – interviewreeks

Sarah Webb is operationeel directeur en medeoprichter van LawVu. Ze heeft ervaring in engineering en softwaremanagement en vervulde onder meer functies bij LOVEFiLM en Amazon. In 2015 trad ze bij LawVu in dienst als CTO; in 2020 werd ze COO. Zo combineert ze ervaring op het gebied van technologie, bedrijfsvoering, beveiliging en governance. Ze richt zich op het helpen van juridische teams om hun gegevens en workflows met elkaar te verbinden, met oog voor zowel AI-innovatie als de risico’s voor ondernemingen.

LawVu biedt juridische teams binnen organisaties een besturingssysteem voor hun juridische werkzaamheden. Het brengt intake, dossiers, contracten, uitgaven en kennis samen op één verbonden platform. Dankzij de AI-mogelijkheden en integraties kunnen teams werken met de tools die ze al gebruiken, met behoud van toegangsrechten en toezicht. In dit interview bespreekt Webb schaduw-AI, agentische workflows, institutionele kennis en de basis die ondernemingen nodig hebben om AI op een gecontroleerde manier in te voeren.

Je hebt LawVu mede opgericht nadat je een groot deel van je carrière had besteed aan het opbouwen en leiden van softwareteams, onder meer bij LOVEFiLM en Amazon. Wat bracht je ertoe om juridische bedrijfsvoering binnen ondernemingen te zien als een probleem dat het oplossen waard was, en hoe heeft je oorspronkelijke visie voor LawVu zich ontwikkeld nu AI het technologielandschap ingrijpend heeft veranderd?

Het grootste deel van mijn vroege carrière werkte ik in engineering- en technologiefuncties, onder meer bij LOVEFiLM en Amazon. De overstap naar legal tech was niet iets wat ik van plan was; die kwam meer toevallig tot stand. Ik werk nu bijna 11 jaar bij LawVu, aanvankelijk als CTO, maar al vrij snel werd ik COO. Alleen die verandering heeft mijn kijk op het bedrijf al sterk beïnvloed.

In het begin draaide het eerste probleem dat we wilden oplossen om inzicht. De meeste klanten stapten over van Outlook en Excel-spreadsheets, en alles op één plek bij elkaar brengen voelde al als een grote overwinning. Daarna brak een periode aan waarin teams op afstand gingen werken. Zonder een centraal platform werd samenwerken nog moeilijker. Dat bevestigde wat we al zagen: veel repetitief juridisch werk werd door de rest van het bedrijf niet gewaardeerd en zelfs niet opgemerkt, omdat er nergens zicht op was. In die periode hebben we klanten actief voorgelicht over hoe ze hun gegevens konden structureren en de interne verandering konden begeleiden, in plaats van ze alleen een tool aan te reiken.

Al vroeg bouwden we ook integraties voor het Microsoft-pakket, omdat we bedrijven altijd wilden ondersteunen op de plekken waar ze dagelijks al werkten, in plaats van teams te vragen afstand te doen van wat ze gewend waren. Wat sindsdien is veranderd, is de schaal waarop datzelfde idee nu nodig is. De drempel verlagen om een bruikbare dataset te verkrijgen, draaide vroeger om gemak. Nu bepaalt dat het verschil tussen AI die daadwerkelijk juridisch werk kan uitvoeren en AI die dezelfde versnippering alleen maar weerspiegelt.

Je hebt betoogd dat ‘schaduw-AI’ vaak een workflowprobleem is en geen probleem met werknemers. Wat betekent dat in de praktijk, en wat kunnen organisaties ervan leren wanneer werknemers goedgekeurde AI-tools of -systemen links laten liggen en voor eigen oplossingen kiezen?

Als je intern niet de juiste tools beschikbaar stelt, gaan mensen zelf op zoek naar tools waarmee ze efficiënter kunnen werken. Dat is de kern van het probleem. Wanneer iemand een goedgekeurd systeem omzeilt, is de eerste reactie vaak om dat als een nalevingsprobleem te zien: iets wat je moet blokkeren of waartegen je beleid moet opstellen. In de praktijk zegt het meestal iets over de workflow zelf: de goedgekeurde route was trager of omslachtiger dan het alternatief, dus vonden mensen een eigen manier om eromheen te werken.

Daarom vormt schaduw-AI een groter risico dan schaduw-IT ooit deed. Incidenten met schaduw-AI zijn nu goed voor 20 procent van de datalekken, met gemiddelde kosten van 10,2 miljoen dollar. Dat komt doordat mensen niet alleen een niet-goedgekeurde tool gebruiken, maar die ook rechtstreeks gevoelige informatie toevertrouwen: contractteksten, dealvoorwaarden en interne overwegingen.

Organisaties moeten hier vooral uit leren waar de leemte zit. Als er geen veilig alternatief is dat op de juiste informatie is gebaseerd, weerhoudt dat mensen er niet van om AI te gebruiken; het drijft ze alleen naar plekken waar je niet kunt zien wat ze doen. Daaronder schuilt een dieper risico dat verder gaat dan beveiliging. Wanneer werk verspreid raakt over persoonlijke AI-tools in plaats van in een gedeeld, gestructureerd systeem te staan, neemt het bedrijf beslissingen op basis van een onvolledig beeld, zonder zelfs te beseffen dat er informatie ontbreekt. Als een AI-tool slechts 60 procent van de relevante gegevens kan zien omdat de rest in iemands persoonlijke account staat, neemt de nauwkeurigheid af en wordt de kans op een verkeerde beslissing groter. De omweg verbieden lost dat allemaal niet op. Mensen iets beters bieden dan die omweg wel.

Welke veelvoorkomende fouten zie je organisaties maken bij het opzetten van AI-governance, vanuit LawVu’s samenwerking met honderden juridische teams binnen ondernemingen? En hoe speelt dit in het bijzonder nu werknemers toegang krijgen tot steeds krachtigere AI-tools voor algemeen gebruik?

De meest voorkomende fout is een schriftelijk beleid verwarren met daadwerkelijke controle. Veel organisaties hebben inmiddels een document waarin staat hoe AI wel en niet gebruikt mag worden. Maar heel weinig hebben daar operationele maatregelen aan gekoppeld die daadwerkelijk bepalen waartoe een tool toegang heeft, vastleggen wat die heeft gedaan en het mogelijk maken om dat achteraf te reconstrueren als dat nodig is.

De tweede fout is dat er geen rekening wordt gehouden met hoeveel risico er met elke afzonderlijke tool bijkomt. Elke afzonderlijke oplossing die een team invoert, of die nu voor contracten, uitgaven of intake is, vereist een eigen integratie, hanteert een eigen authenticatieprotocol en bevat een eigen kopie van gevoelige gegevens. Afzonderlijk lijkt elk daarvan beheersbaar. Samen veranderen ze de juridische technologiestack in een versnipperd geheel vol risico’s, en meer dan een derde van de datalekken is terug te voeren op precies dit soort toegang door derden. De meeste teams beseffen pas hoeveel risico dat bij elkaar oplevert wanneer ze zelf onder de loep worden genomen nadat er iets is misgegaan.

De derde fout is dat generieke AI-tools anders worden behandeld dan alle andere software die met gevoelige gegevens werkt. Elke klant met wie we sinds dag één hebben samengewerkt, waaronder overheidsklanten, heeft samen met ons een volledige beveiligingsbeoordeling doorlopen, omdat een systeem als het onze informatie bevat die tot de gevoeligste gegevens van een bedrijf behoort: bedrijfsgeheimen, M&A-gegevens en PII. Werknemers delen datzelfde soort informatie elke dag met openbare AI-tools, zonder ook maar in de buurt te komen van dat niveau van controle. Dat voelt namelijk niet als het inschakelen van een nieuwe leverancier, maar als het gebruik van een tool. Die kloof tussen wat wordt gecontroleerd en waar het risico daadwerkelijk zit, is waar de meeste governanceprogramma’s mislukken.

LawVu heeft AI-agenten en agentische workflows opgenomen in juridische processen. Hoe bepalen jullie welke juridische processen geschikt zijn voor autonome uitvoering door AI en waarvoor altijd menselijke controle of goedkeuring nodig is?

We kijken meer naar de impact en omkeerbaarheid dan naar hoe ingewikkeld een proces er op papier uitziet. Als een fout weinig kost om op te sporen en eenvoudig te herstellen is, komt dat proces doorgaans in aanmerking voor autonome uitvoering. Daarom lenen werkzaamheden met een groot volume en duidelijke kaders, zoals intake en triage, zich daar goed voor.

Bij alles wat een externe toezegging, juridische aansprakelijkheid of een moeilijk terug te draaien beslissing raakt, blijft een mens betrokken, hoe nauwkeurig de agent tijdens tests ook lijkt. Dat is dezelfde redenering die ten grondslag ligt aan onze bredere kijk op risicotolerantie bij LawVu. We bepalen welk risico een team kan aanvaarden, brengen de juiste controles aan en breiden de toepassing pas daarna verder uit. De echte test is niet de nauwkeurigheid, maar of we kunnen aangeven waartoe de agent toegang had, waarom die handeling is uitgevoerd, of dat was toegestaan en of we dat achteraf kunnen bewijzen. Als we die vragen niet kunnen beantwoorden, is het proces nog niet klaar om zelfstandig te worden uitgevoerd.

Deze beslissingen zijn niet definitief: een proces dat vandaag veilig kan worden geautomatiseerd, is dat mogelijk niet meer wanneer het gebruik toeneemt of de workflow gevoeliger materiaal gaat verwerken dan in het begin. Daarom moet de grens opnieuw worden beoordeeld en niet slechts één keer worden vastgesteld.

Met de MCP-server van LawVu kunnen organisaties tools zoals ChatGPT, Claude en Microsoft Copilot rechtstreeks verbinden met hun juridische werkomgeving. Hoe kunnen bedrijven externe AI-systemen nuttige toegang geven tot bedrijfsgegevens en tegelijk toegangsrechten, controleerbaarheid, privacy en zeggenschap waarborgen?

De eerste ingeving is dat verbondenheid en beveiliging met elkaar op gespannen voet staan, maar dat hoeft niet zo te zijn. Het platform moet de bron van waarheid blijven voor toegangsrechten, niet de AI-tool die erbovenop zit. Of iemand nu een gesprek begint in ChatGPT, Claude of Copilot, wat diegene mag zien en doen, zou niet moeten afhangen van welke interface die persoon die dag toevallig heeft geopend.

Dat werkt alleen als de omgeving aan de andere kant al over de juiste controles beschikt voordat er iets wordt verbonden. En juist die basis slaan de meeste bedrijven over. Iedereen beschouwt MCP als een automatische beveiligingswinst omdat er minder gegevens worden verplaatst. Dat klopt, maar alleen als het ontvangende systeem kan aangeven wat er is geraadpleegd, waarom dat is gebeurd en door welke agent namens wie, en dit achteraf kan bewijzen.

Er is ook een zakelijke reden om dit te doen. Als de centrale AI-tool kan herkennen wanneer een verzoek een juridische kwestie betreft en het automatisch naar LawVu kan doorsturen, hoeft een werknemer niet eerst uit te zoeken naar welk systeem die moet gaan. Zo grijpen werknemers ook niet naar een persoonlijke AI-tool die helemaal geen toegang heeft tot een betrouwbare, beveiligde dataset. Mensen één goed beheerd startpunt bieden, bevordert de invoering uiteindelijk meer dan alles volledig vergrendelen ooit zou doen.

Generieke AI-modellen zijn misschien krachtig, maar missen vaak de institutionele kennis, eerdere beslissingen en het specifieke risicoprofiel van een organisatie. Welke informatie en infrastructuur moeten beschikbaar zijn rond een AI-model voordat het echt bruikbaar wordt voor werk met grote gevolgen binnen een onderneming?

Ik zie horizontale AI als een briljante onbekende: iemand die uitzonderlijk veel heeft gelezen, prachtig schrijft en over bijna alles een gesprek kan voeren. Maar die heeft je klant nooit ontmoet. Die heeft nooit aan je onderhandelingen deelgenomen. Die weet niet hoe jouw organisatie met risico’s omgaat. Die heeft de gesprekken nooit gezien die hebben geleid tot de uitzonderingen waarmee je team zes maanden geleden instemde.

Daarom is een van de eerste dingen die veel juridische teams doen, AI koppelen aan een draaiboek. En voor alle duidelijkheid: dat is ontzettend waardevol. Geef een AI-model toegang tot je voorkeursclausules, terugvalposities, goedkeuringsdrempels en onderhandelingsrichtlijnen, en de efficiëntiewinst is vrijwel onmiddellijk merkbaar. De uitdaging is dat de belangrijkste juridische beslissingen vaak worden genomen wanneer het standaardstandpunt niet langer volstaat: een strategische klant heeft een uitzondering nodig, een kans met grote groeipotentie rechtvaardigt extra risico, of een onderhandeling bereikt een punt waarop commerciële prioriteiten zwaarder wegen dan de voorkeursclausule.

Daar wordt het juridische oordeel zichtbaar. Een deel van de waardevolste kennis zit in de uitzonderingen, niet in het draaiboek. Waarom hebben we voor deze klant een uitzondering gemaakt? Wat gebeurde er de vorige keer dat we dit standpunt met dezelfde tegenpartij onderhandelden? Heeft het bedrijf dit risico elders aanvaard? Is deze kwestie eerder geëscaleerd, en wat is er uiteindelijk besloten?

De antwoorden staan zelden in één document; ze zijn verspreid over contracten, goedkeuringen, e-mails, dossiergegevens, notulen en de opgebouwde ervaring van de mensen die er destijds bij betrokken waren. Het document legt alleen de uitkomst vast; de organisatie bewaart de achterliggende redenering elders.

Een briljante buitenstaander kan de regels opmerkelijk snel leren, maar begrijpen waarom er oorspronkelijk van die regels is afgeweken, is een heel andere uitdaging. Wat bruikbare AI doorgaans onderscheidt van transformerende AI, is hoeveel van de eigen ervaring de organisatie heeft bewaard zodat AI daarvan kan leren.

Veel bedrijven hebben in de loop der tijd uiteenlopende contractsystemen, tools voor dossierbeheer, spreadsheets, e-mailarchieven en andere bronnen van bedrijfskennis opgebouwd die niet met elkaar verbonden zijn. Hoe belangrijk is een uniforme datafundering voordat AI-agenten worden ingezet, en wat moet een organisatie doen om haar data echt geschikt te maken voor AI?

Juridische zaken laten perfect zien waarom dit belangrijk is: contracten worden bijgewerkt met wijzigingen in Word, goedkeuringen komen binnen via e-mail, beslissingen worden genomen via Slack, en vervolgens wordt AI boven op de documentopslag geplaatst in plaats van het werk daadwerkelijk met elkaar te verbinden. AI boven op een gefragmenteerd systeem plaatsen, betekent alleen dat je sneller toegang krijgt tot chaos.

De bedrijven die jarenlang hebben geïnvesteerd in een solide data-infrastructuur en hun systemen op orde hebben gebracht voordat AI zijn intrede deed, zijn de bedrijven waar AI nu al resultaat oplevert. Dat is eigenlijk de kern. Je kunt agenten niet opschalen boven op niet-gekoppelde contractsystemen, tools voor dossierbeheer, spreadsheets en e-mailarchieven en betrouwbare resultaten verwachten. Eerst moet de basis op orde zijn: gekoppelde systemen, duidelijke toegangscontroles en een vastgestelde risicotolerantie. Pas daarna kun je überhaupt nadenken over het opschalen van AI.

Hoe moeten technologieleiders bij de afweging tussen zelf AI-toepassingen bouwen, gespecialiseerde AI-platforms aanschaffen of modellen voor algemeen gebruik koppelen aan bestaande systemen, nadenken over de keuze tussen zelf bouwen, kopen of integreren?

Zelf bouwen of kopen klinkt als een technologische keuze. In mijn ervaring draait het eigenlijk om de volwassenheid van de juridische bedrijfsvoering. Het gaat erom hoe serieus een juridisch team zichzelf als functie beschouwt, met eigen werkprocessen, data en bedrijfsmodel. Als die volwassenheid op orde is, volgt de juiste AI-strategie voor juridische zaken meestal vanzelf.

Wat zelf bouwen betreft: voor de kleine groep teams met voldoende middelen om als een softwarebedrijf te werken, kan dat zinvol zijn. Modellen ontwikkelen zich, infrastructuur verandert en het werk is nooit echt af. Voor de meeste teams is de uitdaging niet om het één keer te bouwen, maar om het voor altijd te onderhouden.

Wat kopen betreft: de meeste teams kiezen hiervoor, maar ‘kopen’ is niet één optie. Er zijn minstens drie verschillende dingen die mensen op één hoop gooien. Horizontale AI, zoals ChatGPT, Copilot en Claude, is krachtig, maar begrijpt niet vanzelf de structuur van dossiers, de intake of goedkeuringsprocessen. AI die via bijvoorbeeld MCP met één specifieke oplossing is verbonden, is een belangrijke stap vooruit, maar het beeld blijft beperkt tot wat er in dat ene systeem staat.

De grootste kans ligt bij AI die begrijpt hoe het juridische werk binnen de hele functie samenhangt, en niet alleen wat er in één bepaalde tool gebeurt. Wanneer intake, dossiers, contracten, uitgaven en kennis op één plek samenkomen, kan AI redeneren vanuit het volledige beeld in plaats van vanuit slechts één onderdeel ervan.

Je hebt bij LawVu zowel de functie van CTO als die van COO vervuld, met verantwoordelijkheid voor technologie, bedrijfsvoering, beveiliging en de uitvoering van productontwikkeling. Hoe heeft die combinatie je aanpak beïnvloed bij het vinden van een evenwicht tussen snelle AI-innovatie enerzijds en beveiliging, naleving van regelgeving, betrouwbaarheid en bedrijfsrisico anderzijds?

Ik ben in 2015 als CTO bij LawVu begonnen en heb in 2020 de rol van COO op me genomen. Ik houd me dus al meer dan tien jaar bezig met zowel technologie als bedrijfsvoering.

Die combinatie verandert hoe je denkt over AI-innovatie enerzijds en beveiliging en compliance anderzijds, omdat je die niet als afzonderlijke onderwerpen ervaart. Omdat ik intern verantwoordelijk ben voor governance, risico en compliance en tegelijkertijd een platform bouw waarmee klanten diezelfde zaken kunnen beheren, kan ik innovatie en beveiliging niet als opeenvolgende stappen behandelen: het een komt niet na het ander; ze vinden tegelijkertijd plaats, of helemaal niet. Sinds de eerste dag heeft elke klant die we hebben gehad een volledige beveiligingsbeoordeling doorlopen. En telkens wanneer je een nieuw hulpmiddel aan je ecosysteem toevoegt, vergroot je het risicolandschap rond die gegevens. Dat geldt voor ons intern net zo goed als voor onze klanten. Doordat je het product bouwt én verantwoordelijk bent voor de governance ervan, moet je met beide tegelijk rekening houden.

Vooruitkijkend: hoe verwacht u dat agentische AI de rol van juridische afdelingen binnen bedrijven zal veranderen? Denkt u dat juridische afdelingen AI vooral zullen gebruiken om productiever te werken, of zouden ze uiteindelijk toezicht kunnen houden op grotendeels autonome workflows die binnen de bredere onderneming worden uitgevoerd?

Generatieve AI heeft het gesprek verlegd van stapsgewijze efficiëntieverbeteringen naar een fundamentele herziening van de manier waarop juridisch werk wordt uitgevoerd en van het operationele model dat nodig is in een wereld die snel toewerkt naar agentische mogelijkheden. Ik zie agentische AI niet als een hype, maar als een uitvoeringslaag die juridische teams kan helpen om niet alleen werk te beheren, maar het ook actief uit te voeren, met de juiste controles en waarborgen.

Binnen organisaties vindt momenteel een verschuiving naar een ‘voordeur’ plaats: zakelijke gebruikers beginnen steeds vaker met tools als Microsoft Copilot of Claude. De vraag is dan hoe juridische teams ervoor zorgen dat die interacties zijn gekoppeld aan de juiste systemen, gegevens en workflows.

Ik zie het dus niet als een keuze tussen een hulpmiddel om productiever te werken en een toezichthoudende rol, maar als een ontwikkeling. Juridische teams beginnen AI te gebruiken om individuele taken sneller uit te voeren. Naarmate agentische mogelijkheden volwassener worden, ligt de echte kans echter in het zelf beheren van de uitvoeringslaag: werk actief uitvoeren via systemen met governance, in plaats van alleen sneller eerste versies op te stellen.

Bedankt voor het geweldige interview. Lezers die meer willen weten over geïntegreerde juridische bedrijfsvoering en AI-workflows met governance kunnen terecht bij LawVu.