Mikhail Yatsuha, administrerende direktør og medgründer av CaseCraft.AI

Mikhail Yatsuha, administrerende direktør og medgründer av CaseCraft.AI, er en britisk advokat og entreprenør innen juridisk teknologi med mer enn et tiår med erfaring i juridiske tjenester. Han gikk fra intern og advokatpraktikant til partner i Sterling Law, hvor han ledet den kommersielle avdelingen og gjentatte ganger møtte levedyktige lavverdige tvister som ble økonomisk urimelige når tradisjonelle juridiske kostnader ble tatt med. På slutten av 2023 grunnla han CaseCraft.AI for å revurdere hvordan sivile krav vurderes, forberedes og behandles ved hjelp av AI‑drevne arbeidsflyter i stedet for bare å bruke AI til juridisk utforming.

CaseCraft.AI er et britisk juridisk teknologiselskap som bygger en AI‑innfødt plattform for sivile rettstvister. Plattformen samler saksvurdering, bevisbehandling, forhåndskorrespondanse, dokumentgenerering, prosessuell sporing og menneskelig juridisk gjennomgang i en enkelt arbeidsflyt, og betjener individuelle kravstiftere på no‑win‑no‑fee‑basis samt bedrifter gjennom abonnement‑baserte masse‑krav‑ og saksbehandlingsverktøy. Selskapet hentet ca. £1,8 millioner i tre finansieringsrunder, og per august 2026 var 4 562 saker opprettet med en samlet verdi på £14,9 millioner, 51 % var løst eller vunnet ved standarddom, og 373 saker var i aktiv juridisk behandling; det pilotprosjekter også sin første bedriftsutplassering og tester en MVP for arbeidsrett.

Du tilbrakte år med å gå fra intern og advokatpraktikant til partner i Sterling Law før du medgrunnla CaseCraft.AI i 2023. Hva så du gjentatte ganger i juridisk praksis som overbeviste deg om at småkravsprosessen kunne redesignes fundamentalt med AI i stedet for bare å gjøres mer effektiv med bedre juridisk programvare?

Det som overbeviste meg var ikke at advokater trengte et bedre utkastverktøy. Det var at for mange lavverdige tvister svikter økonomien før en advokat kan bistå. Representasjonskostnadene kan nærme seg eller overstige verdien som står på spill, og de fleste juridiske kostnader er generelt ikke refunderbare i småkrav. Jeg så levedyktige krav bli forlatt av den grunnen i Sterling Law, og senere så jeg den samme aritmetikken hos bedrifter som avskriver ubetalte fakturaer. Det er et leveranse‑modellproblem, ikke et utkastproblem. AI gjorde det mulig å redesigne mer av reisen rundt personen som fremmer kravet i stedet for bare å gjøre advokaten som arbeider med det litt raskere.

CaseCraft.AI har nå blitt brukt til å opprette tusenvis av juridiske saker, med hundrevis som går over i aktiv juridisk arbeid. Hva har du lært av å bruke AI i reelle saker som du aldri kunne ha oppdaget gjennom prototyper, simuleringer eller benchmark‑testing alene?

To ting skiller seg ut. Først er dokumentgenerering den enkle delen; å håndtere en sak er vanskelig. En aktiv sak betyr at bevis, betalinger, frister, svar og neste steg må forbli konsistente over måneder. Per august 2026 var over 4 500 saker opprettet gjennom CaseCraft, over 400 hadde gått over i aktiv juridisk arbeid, og 130 krav var blitt fremsatt i retten.

For det andre oppfører folk seg annerledes med AI. De kan være mer åpne, noe som hjelper med å avdekke viktige fakta tidligere, men systemet må også sette grenser og vite når et menneske skal gripe inn. Vi lærte dette direkte da vi introduserte et menneskelig innslag på et tillitsfølsomt stadium, noe som forbedret konverteringen med minst 15 %.

Mye av den første bølgen av generativ AI fokuserte på å produsere tekst. CaseCraft.AI må i stedet samle bevis, fastslå berettigelse, følge prosessregler, utløse handlinger og spore en sak over tid. Hvordan skiller byggingen av denne typen agentbaserte arbeidsflyt seg teknisk fra å bygge en AI‑assistent eller chatbot?

En chatbot svarer på et spørsmål; en agentbasert arbeidsflyt må opprettholde tilstanden til en reell sak over tid – hva som har skjedd, hvilke bevis som finnes, hva som mangler og hva som kan skje videre. Vi tenker derfor på systemet som spesialiserte komponenter i stedet for én modell som gjør alt: noen samler inn og validerer informasjon, andre gir juridisk resonnering eller behandler innkommende dokumenter. Målet er ikke det beste avsnittet, men en pålitelig sekvens av beslutninger og handlinger som fører saken mot det best tilgjengelige utfallet.

I en juridisk arbeidsflyt kan en modell produsere noe som høres fullstendig overbevisende ut, men som fortsatt er prosessuelt eller faktuelt feil. Hvordan har du designet CaseCraft.AI for å skille mellom plausibel AI‑utdata og informasjon som faktisk er pålitelig nok til å brukes i en juridisk sak?

Det styrende prinsippet er at modellen ikke får lov til å finne på den juridiske virkeligheten den opererer i. Vi begrenser systemet til bevisene i saken og til autoritative juridiske kilder, i stedet for å be en generell modell svare fra hukommelsen. CaseCraft.AI har tilgang til de siste endringene i lovgivning, relevante presedens og etablerte beste praksiser via offentlige API‑er og andre autoritative kilder, slik at den juridiske konteksten holdes oppdatert.

Vi skiller også generering fra validering og holder faglig gjennomgang innenfor rammen av regulerte juridiske tjenester. Testen er ikke om et resultat høres ut som om en advokat har skrevet det, men om kilden, bevisene og prosesssteget kan verifiseres.

Du har snakket om viktigheten av «målbar menneskelig tilsyn». Hva betyr det i praksis, og hvordan bestemmer du hvilke beslutninger et AI‑system kan ta autonomt versus hvor et menneske må forbli ansvarlig?

Målbar menneskelig tilsyn betyr at menneskelig involvering er knyttet til identifiserbar risiko, og vi kan se hvor intervensjon skjer og hvorfor. «Menneske i løkken» skal ikke bare være en beroligende frase; vi bør kunne peke på utløsende faktor, gjennomgang og den påfølgende beslutningen.

Vi bygger fortsatt evidensbasen for hvor disse grensene skal ligge. Et mål vi allerede kan peke på er gjennomgangstid: siden lanseringen har tiden som kreves for menneskelig gjennomgang blitt fire ganger kortere etter hvert som systemet har blitt bedre. Over tid er målet å gjøre gjennomgangen mer risikobasert, samtidig som ansvarlig faglig skjønn beholdes der det er juridisk påkrevd.

Bevis er sentralt i småkrav, men bevis kan komme som kontrakter, fakturaer, e‑post, meldinger, fotografier og annen ustrukturert informasjon. Hvordan går du frem for å omforme dette materialet til strukturerte innganger som et AI‑system kan resonere over, samtidig som du bevarer opprinnelsen og unngår ubekreftede konklusjoner?

Hovedprinsippet er å holde utvinning adskilt fra inferens. Hvis en bruker laster opp en WhatsApp‑tråd med en entreprenør, er datoer, oppgitt pris og ordbruk uttatte fakta; en konklusjon om den juridiske betydningen av utvekslingen er inferens. De to bør aldri presenteres som det samme. Vi strukturerer dokumentene slik at arbeidsflyten kan bruke dem samtidig som koblingen tilbake til det opprinnelige beviset bevares. Hvis den koblingen forsvinner, kan du opprette en saksmappe som leser bra, men som faller fra hverandre når den blir utfordret.

Et av de vanskeligste problemene for autonome systemer er å vite når de ikke skal handle. Hvilke signaler forteller CaseCraft.AI at et krav har blitt for tvetydig, komplekst eller risikabelt for automatisering og i stedet bør eskaleres til en juridisk profesjonell?

En av våre sikkerhetsmekanismer er kontraintuitiv: vi følger ikke bare med på saker AI ønsker å videreføre, men også på saker den er tilbøyelig til å avvise. Menneskelig tilsyn handler ikke bare om å hindre AI fra å være for aggressiv; det kan også stoppe systemet fra å være for konservativt og forkaste et legitimt argument.

Et av de tydeligste eskaleringssignalene i dag er mangel på bevis. Folk kan unnlate å laste opp relevante dokumenter, kan ha mistet dem over tid, eller kan ikke innse hvilke bevis som er viktige for kravet. Når saken ikke er tilstrekkelig klar eller komplett, kan neste steg være menneskelig gjennomgang i stedet for automatisk fremdrift. Advokater håndterer fortsatt kontekst og gråsoner mer konsistent enn dagens systemer.

Etter hvert som AI‑systemer tar over flere trinn som tradisjonelt utføres av advokater, hvordan tror du grensen mellom programvareautomatisering og regulerte juridiske tjenester vil utvikle seg?

Grensen vil flytte seg, men langsommere enn mange i teknologibransjen forventer. Systemer med høye innsatser kan ikke stole på løftet om at neste modell blir bedre; pålitelighet må demonstreres gjennom autoritative kilder, validering, kontroller og ansvarlig menneskelig gjennomgang. Over tid forventer jeg at AI blir noe fagfolk kan stole på innen klart definerte grenser, men autonomi må tjenes gjennom observert ytelse og reelle resultater. Det relevante spørsmålet er ikke «programvare eller advokat?», men hvilken aktivitet som utføres, hvilke bevis som støtter den, og hvem som forblir ansvarlig.

Generelle AI‑modeller blir raskt mer kapable. Hva gir en bærekraftig fordel for et vertikalt AI‑selskap som CaseCraft.AI når de underliggende grunnmodellene som er tilgjengelige for alle fortsetter å forbedres?

Vår fordel var aldri å eie en grunnmodell. Bedre generelle modeller er gode nyheter for oss. Den vanskelige delen er alt rundt dem: gjenfinning, saksdatabasen, juridisk kunnskap, arbeidsflytinfrastruktur, integrasjoner, kontroller og den operative forståelsen av hvordan et krav beveger seg fra start til slutt. Dette arbeidet forsvinner ikke når en ny modell lanseres.

For brukeren bør det føles som ett sted hvor saken foregår, mens orkestreringen ligger under. Den samme infrastrukturen begynner nå å støtte både individuelle kravstiftere og bedrifter som bruker massekrav på opptil 150 krav med ett klikk og saksbehandlingsarbeidsflyter. Jeg tror at orkestrering og domenespesifikk utførelse er den varige moaten for vertikal AI.

Ser vi utover småkrav, hva har du lært fra CaseCraft.AI om den bredere fremtiden for agentbasert AI? Hvilke andre høy‑risiko‑industrier mener du er spesielt godt egnet for systemer som kan håndtere komplekse arbeidsflyter samtidig som mennesker holdes ansvarlige for kritiske beslutninger?

Jeg er optimistisk med hensyn til agentbasert AI, men det vanskelige arbeidet ligger rundt modellen: redesign av prosesser, strukturering av informasjon, definering av hva systemet kan gjøre, og bygging av validering og eskalering. Det er grunnen til at regulerte industrier ofte beveger seg saktere – de som forstår arbeidsflyten godt nok til å automatisere den er vanligvis de travleste ekspertene i organisasjonen.

De sterkeste mulighetene er arbeidsflyter med mye repeterbar informasjonsinnsamling og dokumentbehandling, men med et mindre antall unntak som fortsatt krever ansvarlig skjønn. For CaseCraft er arbeidsrett den nærmeste utvidelsen, med en MVP i aktiv testing, og vi utforsker personskade sammen med et spesialisert tvisteselskap. Utover jus har forsikring, finansielle tjenester og etterlevelse en lignende struktur. Systemene som vinner vil ikke bare vite hvordan de automatiserer samtalen, men også nøyaktig når maskinen skal stoppe og et menneske skal overta.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke CaseCraft.AI.