Roderick Lucas, medgründer og daglig leder i Moonlit – intervjuserie

Roderick Lucas er medgründer og daglig leder i Moonlit, og har erfaring innen kunstig intelligens, datavitenskap og juridisk teknologi. Han tilbrakte nesten et tiår hos Deloitte, der han var leder for kunstig intelligens, og har undervist i teknologifag ved Vrije Universiteit Amsterdam og Tilburg University. Arbeidet hans handler om å gjøre juridisk research mer tilgjengelig gjennom strukturerte data, etterprøvbare kilder og KI.

Moonlit tilbyr infrastruktur for juridiske data og researchverktøy som kobler sammen offisiell lovgivning, rettsavgjørelser og regulatorisk informasjon på tvers av europeiske jurisdiksjoner. Plattformen, Data API-et og MCP-serveren gir forskere og KI-assistenter tilgang til strukturerte juridiske kilder, mens biblioteket med kommentarer kombinerer KI-generert analyse med gjennomgang utført av navngitte juridiske eksperter. I dette intervjuet snakker Lucas om juridiske hallusinasjoner, research på tvers av landegrenser, ekspertverifisering og tilgang til pålitelig juridisk kunnskap.

Du tilbrakte nesten et tiår hos Deloitte, der du etter hvert ble leder for kunstig intelligens, samtidig som du underviste i teknologifag ved Vrije Universiteit Amsterdam og Tilburg University. Moonlit startet opprinnelig som et internt prosjekt hos Deloitte før det ble et selvstendig selskap i 2024. Hva inspirerte deg til å utvikle plattformen, og hva overbeviste deg om at juridisk research trengte en grunnleggende annerledes tilnærming?

Moonlit startet internt i Deloitte fordi problemet lå rett foran oss. Alle alvorlige juridiske spørsmål eller skatterettslige spørsmål i Europa krysser en landegrense før eller siden, men kildene man trenger, er spredt utover dusinvis av nasjonale portaler, som alle har sitt eget format, språk og sin egen siteringsstil. Spesialister bruker mesteparten av researchtiden på å samle inn materiale og kontrollere at ingenting mangler. Samtidig er verktøyene som er utviklet for å hjelpe dem, lite effektive for arbeid på tvers av landegrenser. De tar betalt per bruker per land og krever separate innlogginger bare for å sammenligne hvordan ulike jurisdiksjoner håndterer samme sak.

Da språkmodellene kom, ble to ting tydelige samtidig: Modellene kunne resonnere rundt juridiske tekster langt bedre enn noen hadde forventet, men de hadde ikke noe pålitelig materiale å resonnere ut fra. Tekst som hentes direkte fra offentlige rettsportaler, gir rotete og inkonsekvente data, mens kommersielle juridiske utgivere begrenser automatisert tilgang gjennom lisensvilkår. Juridisk teknologi manglet et felles fundament: offisielle kilder fra flere jurisdiksjoner, standardisert til samme ryddige datastruktur, kryssreferert og oppdatert daglig.

Dette laget er det vi satte oss fore å bygge, og derfor ble Moonlit et selskap i 2024 i stedet for bare et verktøy for ett firma. Et slikt fundament blir mer verdifullt for hver person og hvert system som leser fra det og bidrar til det. Overbevisningen bak det har ikke endret seg: Loven er offentlig, og kunnskapen som bygges på den, bør være økonomisk overkommelig for alle som må etterleve den.

Moonlit ble grunnlagt på troen på at tilgang til juridisk kunnskap er avgjørende for rettferdighet. Lovgivning og rettsavgjørelser er ofte offentlig tilgjengelige, men ekspertkommentarene som forklarer betydningen deres, er ofte fortsatt bak dyre betalingsmurer. Hvordan arbeider Moonlit for å demokratisere tilgangen til dette tolkningslaget, og hvorfor er det særlig viktig for utviklingen av pålitelig juridisk KI?

I Nederland går rundt 40 cent av hver euro du tjener til staten, og en del av dette finansierer offentlige universiteter og rettssystemet. Mye av kommentarmaterialet som forklarer loven, er skrevet av akademikere som lønnes av det offentlige. Kommersielle utgivere som Wolters Kluwer og Thomson Reuters pakker denne analysen inn og selger den tilbake til domstolene, departementene, universitetene og juristene som trenger den. Et abonnement på kommentarmateriale koster flere hundre euro per bruker per måned. Med slike abonnementer betaler offentligheten i praksis to ganger for loven den må følge. Et rettferdig rettssystem bør ikke koste mer per måned enn Netflix-abonnementet ditt.

Vi bygde Kommentarer som et åpent alternativ: et bibliotek med juridiske analyser, artikkel for artikkel, som er tilgjengelig med en gratis Moonlit-konto. Hver kommentar genereres fra primærkilder ved hjelp av KI-modellene våre og gjennomgås av juridiske spesialister før publisering. Hver kildehenvisning verifiseres og lenker direkte til den offisielle dokumentasjonen fra myndighetene eller domstolen. Hvis en leser oppdager en manglende nyanse eller en nyere utvikling, kan vedkommende foreslå en endring direkte i skjemaet på siden, slik at redaksjonen kan vurdere den. Redaktørene kan deretter gjennomgå endringen og publisere den på nytt. Så vidt vi vet, tilbyr ingen andre utgivere denne kombinasjonen. Ved lanseringen handler de tilgjengelige kommentarene om indirekte skatt (merverdiavgift, MVA), og kommentarer om personvern er under arbeid.

Dette tolkningslaget er like viktig for juridisk KI. Modeller kan ta inn offentlige lover og rettsavgjørelser, men de kan ikke lese sekundærkommentarene som forklarer hvordan en regel fungerer i praksis, eller hvor unntakene finnes. Uten denne konteksten trekker modellene slutninger utover grunnlaget og genererer upålitelige svar. Vi utformet Commentaries slik at hver påstand er uttrykkelig forankret i bestemmelsen den tolker, og avgjørelsen den bygger på. En jurist kan kontrollere kilden med ett klikk, og en KI-arbeidsflyt kan resonnere med utgangspunkt i pålitelige data gjennom Moonlit Data API og MCP-koblingen.

KI-genererte juridiske hallusinasjoner er blitt en økende bekymring, ettersom advokater og domstoler støter på oppdiktede henvisninger til rettsavgjørelser og unøyaktige tolkninger av loven. Hvorfor sliter selv avanserte store språkmodeller med juridisk presisjon, og hvordan kan strukturert, verifisert juridisk kontekst bidra til å løse disse begrensningene?

Språkmodeller sliter med juss av grunner som har lite med intelligens å gjøre. Juridiske resonnementer avhenger fullt og helt av etterprøvbare rettskilder. En konklusjon er bare så god som bestemmelsen eller avgjørelsen den bygger på, men en modell behandler saksnumre og lovhenvisninger som sannsynlighetsbaserte tekstmønstre snarere enn pålitelige databaseoppføringer. Den kommer med henvisninger som virker overbevisende fordi den forutsier hvordan en henvisning bør se ut, ikke fordi den har verifisert et faktisk dokument. Dette får svært konkrete konsekvenser: Per i dag er det registrert over 2 100 rettsavgjørelser som involverer KI-hallusinasjoner, og mer enn 800 av disse involverte juridiske yrkesutøvere direkte.

Loven er også i stadig endring. Kunnskapen til en modell stopper ved skjæringsdatoen for treningsdataene, mens skatteavgjørelser og ankeavgjørelser oppdateres hver uke. Når kommentarene som forklarer hva reglene betyr, ligger bak forlagenes betalingsmurer, har modellen tilgang til selve lovteksten, men ikke den praktiske konteksten. Derfor finner den på plausible forklaringer for å fylle kunnskapshullet.

Strukturert, verifisert kontekst endrer selve oppgaven. Hos Moonlit henter modellen inn lovstoffet i stedet for å forsøke å gjengi det fra hukommelsen, og arbeider direkte med offisielle registre. Et søk henter fram dokumenter fra offisielle kilder, alle med henvisning og lenke. Referansegrafen viser hvilke kilder en avgjørelse viser til, og hvilke senere dokumenter som viser til den. En henvisning peker enten til et autentisk dokument i arkivet vårt, eller så vises den ikke. Dermed unngår vi oppdiktede henvisninger. Rene data alene hindrer imidlertid ikke feiltolkninger, og derfor setter Commentaries fortsatt en navngitt juridisk ekspert mellom utkastet og leseren.

Moonlit samler lovgivning, rettsavgjørelser og regulatorisk informasjon fra en rekke jurisdiksjoner og knytter juridiske dokumenter sammen gjennom en omfattende referansegraf. Kan du forklare hvordan AI- og dataarkitekturen bak plattformen fungerer, særlig hvordan den identifiserer forbindelser mellom juridiske kilder, håndterer ulike språk og rettssystemer og gjør denne informasjonen tilgjengelig for AI-modeller?

Se for deg én sammenhengende kjede, fra den offisielle publiseringen helt fram til en verifisert henvisning.

I hver jurisdiksjon kobler vi oss direkte til de offisielle portalene, blant annet lovtidender, domstolsdatabaser, tilsynsmyndigheter og EUR-Lex for EU-rett. Hver portal har sine egne særtrekk og formater, og de kan endres uten forvarsel. Derfor bruker vi en betydelig del av utviklingsarbeidet på overvåking og automatisert gjenoppretting for hver portal. Hvert dokument vi henter inn, beholder kildeangivelsen sin og en permanent lenke tilbake til det offisielle offentlige dokumentet. Denne lenken er grunnlaget for alt annet.

Alt samles i én modell på tvers av jurisdiksjoner, med lovgivning, rettspraksis, parlamentsdokumenter, myndighetsvedtak og veiledning. Lovgivningen deles opp i enkeltartikler, slik at hver bestemmelse kan hentes fram og siteres nøyaktig. En nederlandsk dom og en tysk avgjørelse beholder de spesifikke feltene som kreves i de respektive nasjonale systemene, samtidig som vi standardiserer hvordan dokumentene identifiseres, klassifiseres og kobles sammen på tvers av landegrenser.

Juridiske tekster viser stadig til hverandre. En dom viser til artiklene den anvender og avgjørelsene den følger, mens en lov viser til andre lover. Motoren vår gjenkjenner disse henvisningene, som kan ha svært ulik form fra én jurisdiksjon til en annen, finner de autentiske dokumentene i Data Layer og lagrer koblingene begge veier. Juridiske teknologieksperter verifiserer mønstrene for uttrekk. Resultatet er en referansegraf med hundrevis av millioner koblinger. For hvert dokument kan du dermed se både hva det viser til, og hvilke dokumenter som viser til det.

Språk håndteres ved at kildedokumentene beholdes uendret. Vi oversetter ikke primærteksten. En belgisk avgjørelse forblir på fransk eller nederlandsk, og søk utføres direkte på originalspråket. Vi kombinerer søk etter nøkkelord med semantisk søk, rangerer resultatene på nytt og avgrenser hvert søk til den relevante jurisdiksjonen. Luna, forskningsassistenten vår, svarer på språket du velger, samtidig som den søker i hver enkelt kilde på originalspråket.

Moonlit-plattformen, Data API-et vårt og MCP-serveren henter alle informasjon fra det samme Data Layer. API-et gir programmatisk tilgang til søkemodusene våre, referansegrafen og fulltekstsøk, mens MCP-serveren gjør ni skrivebeskyttede verktøy tilgjengelige for alle eksterne AI-assistenter. Når vi forbedrer de underliggende dataene, kommer forbedringen alle grensesnittene til gode samtidig.

Moonlit har lansert KI-genererte juridiske kommentarer som gjennomgås av navngitte juridiske eksperter, og kombinerer automatisert utarbeiding med menneskelig verifisering. Hvordan fungerer denne prosessen i praksis, og hvilke sikkerhetstiltak sørger for at KI-genererte tolkninger er nøyaktige, transparente og sporbare tilbake til autoritative juridiske kilder?

En juridisk kommentar begynner med selve loven. Motoren vår lager et utkast basert på primærkilder i Data Layer, blant annet lovgivning, rettspraksis, direktiver og forarbeidene til den aktuelle bestemmelsen. Den kan bare vise til dokumenter vi har tilgang til, så hvert utsagn lenkes til bestemmelsen det tolker, og kilden som underbygger det. En av kommentarene våre fra lanseringen lenker for eksempel til 165 verifiserte kilder.

Før en kommentar publiseres, leser en juridisk ekspert på fagområdet utkastet opp mot primærkildene. Redaktørene våre er akademikere og praktiserende jurister som får betalt for arbeidet sitt. Gruppen som bidro ved lanseringen, kommer fra universiteter, domstoler, offentlige organer, rådgivningsfirmaer og advokatfirmaer. De retter utkastet, fjerner det som ikke hører hjemme der, og legger til det som mangler. Navnene deres står tydelig på siden.

Merker for verifisert gjennomgang viser hvilke avsnitt en redaktør har kontrollert, slik at det alltid er tydelig hvilke deler en juridisk ekspert står inne for.

Hver kommentar oppgir også en referansedato som viser nøyaktig hvilken rettstilstand den beskriver. Data Layer oppdateres daglig og varsler redaktøren om relevante nye avgjørelser. Redaktøren reviderer deretter teksten og oppdaterer referansedatoen.

Den grunnleggende sikkerhetsmekanismen er lenken. Hvis du ikke kan klikke deg videre til avgjørelsen som underbygger en konklusjon, blir du bedt om å stole på den uten videre. Vi utviklet Commentaries slik at ingen trenger å gjøre det.

Gjennom integrasjoner med Model Context Protocol (MCP) kan Moonlit levere juridisk innsikt direkte til KI-assistenter som ChatGPT, Claude og Microsoft Copilot. Hva gjør denne arkitekturen mulig som tradisjonelle RAG-systemer kan ha problemer med å få til, og hvordan sikrer dere at assistentene bruker den innhentede juridiske informasjonen på en ansvarlig måte?

Tradisjonelle RAG-systemer tar et øyeblikksbilde av noen dokumenter, deler dem opp i mindre tekstbiter, lager representasjoner av dem som vektorer og gir modellen det som får høyest likhetsskår. På det juridiske området svikter denne metoden på tre punkter. Øyeblikksbildet blir utdatert. Likhetssøk er ikke pålitelig nok til å finne en bestemt artikkel eller et bestemt saksnummer. Og en tekstbit forteller deg ingenting om hvilke kilder dokumentet viser til, eller hva senere avgjørelser har gjort med det.

Med MCP-serveren utfører assistenten selv researchen. Den kan søke etter betydning eller etter eksakte termer og henvisninger ved hjelp av boolske operatorer, følge referanser mellom dokumenter, lese fulltekster og hente enkeltartikler i en lov. Den kan også undersøke hvilke jurisdiksjoner og offisielle portaler som er tilgjengelige. Modellen avgjør hva den trenger, leser det som kommer tilbake og søker på nytt til svaret holder mål. Det er denne sløyfen som utgjør forskjellen. Luna ble flyttet over til den samme MCP-serveren i september, og svarene ble samtidig raskere og bedre. Dataene er også løpende oppdatert: Assistenten leser Data Layer slik den ser ut i dag.

Ansvarlig bruk begynner med tydelige begrensninger. Verktøyene våre er skrivebeskyttet, og resultatene lenkes tilbake til den offisielle kilden. Vi publiserer også enkle instruksjoner for research som assistentene kan følge. De forklarer hvordan man søker på kildens originalspråk, kontrollerer tekststedet før man viser til det, verifiserer versjonen og tydeliggjør når det mangler tilgjengelige kilder.

Ulike assistenter viser resonnementene sine på forskjellige måter, og det er ikke noe vi kan styre. Det vi kan gjøre, er å sørge for at kildene er enkle å kontrollere. Hver henvisning fører til et dokument, og hvert dokument fører videre til den offisielle publiseringen.

Juridisk informasjon er i stadig endring etter hvert som nye avgjørelser publiseres, regelverk endres og eksisterende presedenser utfordres. Hvordan identifiserer og innarbeider Moonlits automatiserte overvåkingsinfrastruktur denne utviklingen, og hvordan hindrer plattformen KI-systemer i å støtte seg på utdatert lovgivning eller rettslige tolkninger som er erstattet?

Å hindre en KI eller en forsker i å støtte seg på feil rettsregler handler om forbindelsene mellom dokumentene. Så snart en ny dom eller lovendring legges inn i systemet, kobler referansegrafen den til de tidligere bestemmelsene og sakene den viser til. Hvis en ankedomstol opphever eller begrenser en tidligere avgjørelse, knyttes denne utviklingen direkte til den opprinnelige avgjørelsen som en senere avgjørelse som viser til den. En modell som følger grafen, oppfatter dermed umiddelbart hvordan avgjørelsen er blitt behandlet senere, i stedet for å behandle en utdatert presedens som fortsatt gjeldende rett. På plattformen kan brukerne gjøre den samme strømmen av innkommende informasjon om til aktive Monitors for de konkrete lovene, domstolene eller temaene de følger med på.

For juridiske kommentarer har det tradisjonelt vært en stor utfordring å holde innholdet oppdatert. Kommersielle kommentarserier gjennomgås ofte bare én eller to ganger i året for å se om de må oppdateres. På områder i rask utvikling, som indirekte skatt eller personvern, skaper slike forsinkelser alvorlig risiko for manglende etterlevelse. Fordi Data Layer daglig vurderer nye publiseringer opp mot kommentarene våre, blir nye avgjørelser umiddelbart flagget for redaktøren som har skrevet kommentaren. Redaktøren oppdaterer analysen og referansedatoen, slik at både jurister i praksis og KI-modeller arbeider ut fra den faktiske rettstilstanden, ikke et perspektiv som er tolv måneder gammelt.

Grensekryssende juridisk research innebærer utfordringer som strekker seg utover det å oversette dokumenter, særlig når ulike land tolker eller gjennomfører lignende regelverk på forskjellige måter. Hvordan skiller Moonlits KI mellom slike jurisdiksjonsforskjeller, og hva skjer når autoritative rettskilder ser ut til å motsi hverandre?

Et EU-direktiv og den nasjonale loven som gjennomfører det, er ulike dokumenter som lenkes sammen der det ene viser til det andre. En nasjonal kjennelse som anvender en dom fra EU-domstolen, lenkes til den aktuelle dommen. Det er også grunnen til at Commentaries begynner med merverdiavgift. Reglene er i stor grad harmonisert på EU-nivå og blir deretter tolket i hver enkelt medlemsstat.

Motstridende opplysninger er normalt i jussen, og vi skjuler dem ikke. Når to autoritative kilder ser ut til å være uenige, får leseren se begge. Da gjør hierarkiet det meste av arbeidet: en nyere kjennelse går foran en eldre, EU-domstolen går foran en nasjonal domstol i spørsmål om EU-rett, og bestemmelsen vurderes slik den lød på referansedatoen. I Commentaries tar redaktøren denne avgjørelsen åpent, og kildene står ved siden av.

Moonlits teknologi brukes av blant andre Nederlands høyesterett, Deloitte og andre juridiske institusjoner og offentlige organer. Kan du dele et konkret eksempel på hvordan plattformen har endret en arbeidsflyt for juridisk research, og hvordan dere måler forbedringer i forskningens nøyaktighet, fullstendighet eller effektivitet sammenlignet med tradisjonelle metoder?

Innen fintech koblet for eksempel det juridiske teamet hos Quantoz Payments Moonlits MCP-server til Claude og kombinerte den med tilpassede arbeidsflyter for regelverk om grensekryssende betalinger. Arbeidsflyten den erstatter, er den tradisjonelle standarden i Europa. En jurist må vanligvis åpne portaler i flere land, søke på flere språk, kopiere henvisninger inn i et notat og håpe at ingen viktig lokal presedens er oversett. Nå søker oppsettet deres på tvers av jurisdiksjoner samtidig, følger henvisningsgrafen og henter fram primærkilder sammen med lenker til de offisielle kildene. For et internt juridisk team er effekten tydelig. Det fjerner blindsonen som oppstår når utenlandske kjennelser blir oversett, og frigjør timer fra mekanisk innhenting til faktisk juridisk analyse og risikovurdering.

På utviklingssiden ser man en helt annen type effektivisering. Team som utvikler juridiske KI-produkter, måler forbedringer i antall måneder med spart utviklingsarbeid. Eudia, et selskap innen juridisk KI, trengte strukturerte europeiske juridiske data til produktet sitt, og produktsjefen deres påpekte at Data API-et vårt ga dem et komplett europeisk datakorpus på få dager. Uten en underliggende datainfrastruktur innebærer det å bygge og vedlikeholde egne skrapere for hver nasjonale portal på ubestemt tid. Andre plattformer, som Saga og Legal Mind, bygger på det samme grunnlaget og kan nå også levere verifiserte Commentaries direkte til sine egne sluttbrukere.

Når vi ser framover, hvordan tror du forholdet mellom generelle KI-modeller og spesialisert infrastruktur for juridiske data vil utvikle seg, etter hvert som grunnmodeller blir stadig mer avanserte og KI-agenter utfører mer komplekse oppgaver innen juridisk research? Hva er Moonlits langsiktige visjon, særlig når det gjelder å gjøre pålitelig juridisk innsikt tilgjengelig for flere enn store advokatfirmaer og institusjoner?

En sterkere modell resonnerer bedre over kildene du gir den, men den kan ikke trylle fram pålitelige primærkilder fra ingenting. Etter hvert som grunnmodellene blir mer avanserte, øker faktisk verdien av et verifisert datalag. Når resonnering blir utbredt, blir datakvaliteten den egentlige flaskehalsen, fordi en agent fortsatt trenger nøyaktig, strukturert lovgivning å arbeide med.

Generelle modeller og autonome agenter vil ta seg av utforming, sammenstilling og samtalebasert samhandling. Spesialisert infrastruktur som Moonlit håndterer det krevende dataproblemet i bunn, holder lovgivningen oppdatert, strukturert og etterprøvbar og leverer den direkte gjennom protokollene agentene bruker. Vi forberedte oss tidlig på denne utviklingen. Vår egen assistent kjører på nøyaktig samme MCP-server som eksterne agenter kobler seg til, og team kjører allerede sine egne tilpassede agenter på toppen av den.

Denne arkitekturen står også sentralt i vår langsiktige visjon. Pålitelig juridisk innsikt på tvers av landegrenser har tradisjonelt vært et luksusgode, bare tilgjengelig for de største advokatfirmaene og multinasjonale selskapene som har råd til dyre abonnementer på tvers av flere land. Ved å gjøre Commentaries gratis å lese og åpne datalaget vårt for alle utviklere gjennom moderne API-er og koblinger ønsker vi å jevne ut forskjellene. En selvstendig advokat som rådgir en virksomhet med grensekryssende aktivitet, eller en internjurist i et selskap i en tidlig fase, bør ha tilgang til nøyaktig samme presisjon i juridisk research og verifiserte henvisninger som et globalt rådgivningsfirma.

Takk for et flott intervju. Lesere som ønsker å utforske verifiserte juridiske data og KI-assistert research på tvers av landegrenser, kan besøke Moonlit.