Mikhail Yatsuha, VD och medgrundare av CaseCraft.AI

Mikhail Yatsuha, VD och medgrundare av CaseCraft.AI, är en brittisk advokat och entreprenör inom juridisk teknik med mer än ett decennium av erfarenhet av juridiska tjänster. Han gick från praktikant och trainee‑advokat till partner på Sterling Law, där han ledde den kommersiella avdelningen och upprepade gånger stötte på genomförbara lågvärdesdispyter som blev oekonomiska när traditionella juridiska kostnader räknades in. I slutet av 2023 medgrundade han CaseCraft.AI för att ompröva hur civila anspråk bedöms, förbereds och drivas vidare med AI‑stödda arbetsflöden snarare än att bara tillämpa AI på juridisk utformning.

CaseCraft.AI är ett brittiskt juridisk‑teknikföretag som bygger en AI‑inbyggd plattform för civilrättsliga tvister. Plattformen samlar ärendeutvärdering, bevisbehandling, förhandskorrespondens, dokumentgenerering, procedurspårning och mänsklig juridisk granskning i ett enda arbetsflöde, och betjänar enskilda fordringsägare på basis av no‑win‑no‑fee samt företag via prenumerationsbaserade bulk‑anspråk och ärendehanteringsverktyg. Företaget har samlat in cirka £1,8 miljoner i tre finansieringsrundor och hade i augusti 2026 registrerat 4 562 ärenden med ett kumulativt värde på £14,9 M, varav 51 % hade lösts eller vunnits genom standarddom, och 373 ärenden pågick i aktivt juridiskt arbete; det pilotar också sin första företagsutplacering och testar en MVP för arbetsrätt.

Du tillbringade år med att gå från praktikant och trainee‑advokat till partner på Sterling Law innan du medgrundade CaseCraft.AI 2023. Vad såg du upprepade gånger i juridisk praxis som övertygade dig om att processen för små anspråk kunde omdesignas grundläggande med AI snarare än bara göras mer effektiv med bättre juridisk programvara?

Det som övertygade mig var inte att advokater behövde ett bättre verktyg för utformning. Det var att för många lågvärdesdispyter misslyckas ekonomiskt innan en advokat kan hjälpa till. Representationskostnaden kan närma sig eller överstiga det belopp som står på spel, och de flesta juridiska kostnader är i allmänhet inte återbetalningsbara i små anspråk. Jag såg genomförbara anspråk överges av den anledningen på Sterling Law, och senare såg jag samma matematik när företag skrev av obetalda fakturor. Det är ett leveransmodellsproblem, inte ett utformningsproblem. AI gjorde det möjligt att omdesigna mer av resan kring den person som lämnar in anspråket snarare än bara göra advokaten som arbetar med det lite snabbare.

CaseCraft.AI har nu använts för att skapa tusentals juridiska ärenden, med hundratals som gått vidare till aktivt juridiskt arbete. Vad har du lärt dig av att driva AI i verkliga ärenden som du aldrig kunnat upptäcka enbart genom prototyper, simuleringar eller benchmark‑tester?

Två saker framträder. För det första är det enkla att generera ett dokument; det svåra är att driva ett ärende. Ett pågående ärende innebär att bevis, betalningar, tidsfrister, svar och nästa steg måste förbli konsekventa under månader. I augusti 2026 hade över 4 500 ärenden skapats via CaseCraft, över 400 hade gått vidare till aktivt juridiskt arbete, och 130 anspråk hade väckts i domstol.

För det andra beter sig människor annorlunda med AI. De kan vara mer öppna, vilket hjälper till att tidigt frambringa viktiga fakta, men systemet måste också sätta gränser och veta när en människa bör ingripa. Vi lärde oss detta direkt när införandet av ett mänskligt samtal i ett förtroendekänsligt skede förbättrade konverteringen med minst 15 %.

Den första vågen av generativ AI fokuserade mest på att producera text. CaseCraft.AI måste istället samla in bevis, avgöra behörighet, följa procedurregler, utlösa åtgärder och spåra ett ärende över tid. Hur skiljer sig den tekniska konstruktionen av denna typ av agentbaserat arbetsflöde från att bygga en AI‑assistent eller chatbot?

En chatbot svarar på en fråga; ett agentbaserat arbetsflöde måste upprätthålla tillståndet för ett verkligt ärende över tid – vad som har hänt, vilka bevis som finns, vad som saknas och vad som kan hända härnäst. Därför betraktar vi systemet som specialiserade komponenter snarare än en enda modell som gör allt: vissa samlar in och validerar information, andra ligger till grund för juridisk resonemang eller bearbetar inkommande dokument. Målet är inte det bästa stycket. Det är en pålitlig sekvens av beslut och åtgärder som för ärendet mot det bästa tillgängliga resultatet.

I ett juridiskt arbetsflöde kan en modell producera något som låter helt övertygande men ändå vara procedurmässigt eller faktamässigt felaktigt. Hur har du utformat CaseCraft.AI för att skilja mellan plausibelt AI‑utdata och information som faktiskt är tillräckligt pålitlig för att användas i ett juridiskt ärende?

Den styrande principen är att modellen inte får uppfinna den juridiska värld den verkar i. Vi begränsar systemet till bevisen i ärendet och till auktoritativa juridiska källor, i stället för att låta en allmän modell svara från minnet. CaseCraft.AI har tillgång till de senaste lagändringarna, relevanta prejudikat och etablerade bästa praxis via myndighets‑API:er och andra auktoritativa källor, så den juridiska kontexten hålls uppdaterad.

Vi separerar också generering från validering och behåller den professionella granskningen inom den reglerade juridiska tjänsteramen. Testet är inte om ett resultat låter som om en advokat har skrivit det, utan om källan, bevisen och det procedurmässiga steget kan verifieras.

Du har talat om vikten av ”mätbar mänsklig tillsyn”. Vad innebär det i praktiken, och hur bestämmer du vilka beslut ett AI‑system kan fatta autonomt jämfört med där en människa måste förbli ansvarig?

Mätbar mänsklig tillsyn innebär att mänskligt engagemang är kopplat till identifierbar risk, och vi kan se var ingripandet sker och varför. ”Människa i loopen” bör inte bara vara ett lugnande uttryck; vi bör kunna peka på triggern, granskningen och beslutet som följde.

Vi bygger fortfarande evidensbasen för var dessa gränser bör ligga. Ett mått vi redan kan peka på är granskningstiden: sedan lanseringen har den tid som krävs för mänsklig granskning minskat fyrfaldigt i takt med att systemet förbättrats. Med tiden är målet att göra granskningen mer riskbaserad, samtidigt som vi behåller ansvarig professionell bedömning där det är juridiskt nödvändigt.

Bevis är centrala i små anspråk, men bevis kan komma som kontrakt, fakturor, e‑post, meddelanden, fotografier och annan ostrukturerad information. Hur närmar du dig att omvandla detta material till strukturerade indata som ett AI‑system kan resonera på, samtidigt som du bevarar ursprunget och undviker ogrundade slutsatser?

Den grundläggande principen är att hålla extraktion separerad från inferens. Om en användare laddar upp en WhatsApp-tråd med en byggare är datum, offertpris och använda ord extraherade fakta; en slutsats om den juridiska betydelsen av den utbytet är inferens. De två bör aldrig presenteras som samma sak. Vi strukturerar dokument så att arbetsflödet kan använda dem samtidigt som länken tillbaka till det ursprungliga beviset bevaras. Om den länken försvinner kan du skapa en ärendefil som läser sig bra men faller sönder när den ifrågasätts.

Ett av de svåraste problemen för autonoma system är att veta när de inte ska agera. Vilka signaler talar om för CaseCraft.AI att ett anspråk har blivit för otydligt, komplext eller riskfyllt för automatisering och istället bör eskaleras till en juridisk professionell?

En av våra skyddsmekanismer är kontraintuitiv: vi uppmärksammar inte bara de ärenden som AI vill driva vidare, utan också de ärenden den är benägen att avvisa. Mänsklig tillsyn handlar inte bara om att hindra AI från att vara för aggressiv; den kan också förhindra att systemet blir för konservativt och förkastar ett legitimt argument.

En av de tydligaste eskaleringssignalerna idag är brist på bevis. Människor kanske inte laddar upp de relevanta dokumenten, kan ha förlorat dem över tid, eller inser inte vilka bevis som är viktiga för anspråket. När ärendet inte är tillräckligt tydligt eller komplett kan nästa steg vara mänsklig granskning snarare än automatisk vidareföring. Advokater hanterar fortfarande kontext och gråzoner mer konsekvent än nuvarande system.

När AI‑system tar över fler steg som traditionellt utförs av advokater, hur tror du att gränsen mellan programvaruautomatisering och reglerade juridiska tjänster kommer att utvecklas?

Gränsen kommer att förflyttas, men långsammare än vad många inom teknik tror. System med hög insats kan inte förlita sig på löftet att nästa modell blir bättre; pålitlighet måste visas genom auktoritativa källor, validering, kontroller och ansvarig mänsklig granskning. Med tiden förväntar jag mig att AI blir något som yrkesverksamma kan lita på inom tydligt definierade gränser, men autonomi måste förtjänas genom observerad prestanda och faktiska resultat. Den relevanta frågan är inte ”programvara eller advokat?” utan vilken aktivitet som utförs, vilka bevis som stöder den och vem som förblir ansvarig.

Allmänna AI‑modeller blir snabbt mer kapabla. Vad skapar ett hållbart försprång för ett vertikalt AI‑företag som CaseCraft.AI när de underliggande grundmodellerna som är tillgängliga för alla fortsätter att förbättras?

Vår fördel var aldrig att äga en grundmodell. Bättre allmänna modeller är goda nyheter för oss. Den svåra delen är allt som omger dem: hämtning, ärendedatabasen, juridisk kunskap, arbetsflödesinfrastruktur, integrationer, kontroller och den operativa förståelsen av hur ett anspråk rör sig från början till slut. Det arbetet försvinner inte när en ny modell lanseras.

För användaren bör det kännas som en enda plats där ärendet hanteras, medan orkestreringen ligger i bakgrunden. Samma infrastruktur börjar nu stödja både enskilda fordringsägare och företag som använder batch‑anspråk på upp till 150 anspråk med ett klick samt ärendehanteringsarbetsflöden. Jag tror att orkestrering och domänutförande är den bestående fördelen för vertikal AI.

När vi ser bortom små anspråk, vad har du lärt dig av CaseCraft.AI om den bredare framtiden för agentbaserad AI? Vilka andra höginsatsindustrier anser du är särskilt lämpade för system som kan hantera komplexa arbetsflöden samtidigt som människor hålls ansvariga för kritiska beslut?

Jag är optimistisk kring agentbaserad AI, men det svåra arbetet ligger kring modellen: att omdesigna processer, strukturera information, definiera vad systemet får göra och bygga validering och eskalering. Det är därför reglerade industrier ofta rör sig långsammare – de personer som förstår arbetsflödet tillräckligt väl för att automatisera det är vanligtvis de mest upptagna experterna i organisationen.

De starkaste möjligheterna är arbetsflöden med mycket återkommande informationsinsamling och dokumentbehandling, men med ett mindre antal undantag som fortfarande kräver ansvarig bedömning. För CaseCraft är arbetsrätt den närmaste expansionen, med en MVP i aktiv testning, och vi utforskar personskadeanspråk med en specialistjuristbyrå. Utanför juridik har försäkring, finansiella tjänster och regelefterlevnad en liknande struktur. De system som vinner kommer att veta inte bara hur man automatiserar samtalet, utan exakt när maskinen ska stanna och en människa ska ta över.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka CaseCraft.AI.