Roderick Lucas, medgrundare och vd för Moonlit – intervjuserie

Roderick Lucas är medgrundare och vd för Moonlit och har erfarenhet av artificiell intelligens, datavetenskap och juridisk teknik. Han arbetade nästan ett årtionde på Deloitte, där han var chef för artificiell intelligens, och har undervisat i teknikkurser vid Vrije Universiteit Amsterdam och Tilburg University. Hans arbete fokuserar på att göra juridisk forskning mer tillgänglig genom strukturerade data, verifierbara källor och AI.

Moonlit tillhandahåller infrastruktur för juridiska data och forskningsverktyg som sammanför officiell lagstiftning, domstolsavgöranden och regleringsinformation från europeiska jurisdiktioner. Plattformen, Data API och MCP-servern ger forskare och AI-assistenter tillgång till strukturerade juridiska källor, medan kommentarsbiblioteket Kommentarer förenar AI-genererad analys med granskning av namngivna juridiska experter. I den här intervjun diskuterar Lucas juridiska hallucinationer, gränsöverskridande forskning, expertverifiering och tillgång till tillförlitlig juridisk kunskap.

Du arbetade nästan ett årtionde på Deloitte och blev så småningom chef för artificiell intelligens, samtidigt som du undervisade i teknikkurser vid Vrije Universiteit Amsterdam och Tilburg University. Moonlit började som ett internt projekt på Deloitte innan det blev ett självständigt företag 2024. Vad inspirerade dig att utveckla plattformen, och vad övertygade dig om att juridisk forskning behövde ett helt nytt angreppssätt?

Moonlit startade på Deloitte eftersom problemet fanns rakt framför oss. Varje betydande juridisk fråga eller skattefråga i Europa berör förr eller senare flera länder, men källorna man behöver är utspridda på dussintals nationella portaler, alla med egna format, språk och hänvisningssystem. Specialister ägnar större delen av sin forskningstid åt att samla in material och kontrollera att inget saknas. Samtidigt är verktygen som tagits fram för att hjälpa dem ineffektiva vid gränsöverskridande arbete. De tar betalt per användare och land och kräver separata inloggningar bara för att jämföra hur olika jurisdiktioner hanterar samma fråga.

När språkmodellerna kom blev två saker genast tydliga: modellerna kunde resonera kring juridiska texter mycket bättre än någon hade väntat sig, men de hade inget tillförlitligt underlag att resonera utifrån. När man hämtar text direkt från offentliga domstolsportaler får man röriga och inkonsekventa data, medan kommersiella juridikförlag begränsar automatiserad åtkomst genom licensvillkor. Juridisk teknik saknade en gemensam grund: officiella källor från flera jurisdiktioner, standardiserade till samma rena datastruktur, korsrefererade och uppdaterade dagligen.

Det är den grund vi bestämde oss för att bygga, och därför blev Moonlit ett företag 2024 i stället för att bara vara ett verktyg för ett enda företag. En sådan grund blir mer värdefull för varje person och system som hämtar information ur den och bidrar till den. Övertygelsen bakom arbetet har inte förändrats: lagen är offentlig, och den kunskap som bygger på den bör vara överkomlig för alla som måste följa den.

Moonlit grundades utifrån övertygelsen att tillgång till juridisk kunskap är avgörande för rättvisa. Lagstiftning och domstolsavgöranden är ofta offentligt tillgängliga, men expertkommentarer som förklarar deras innebörd är ofta fortfarande låsta bakom dyra betalväggar. Hur vill Moonlit demokratisera tillgången till detta tolkningslager, och varför är det särskilt viktigt för utvecklingen av tillförlitlig juridisk AI?

I Nederländerna går omkring 40 cent av varje euro du tjänar till staten, och en del av pengarna finansierar offentliga universitet och rättssystemet. Många av kommentarerna som förklarar lagen skrivs av akademiker med offentlig lön. Kommersiella förlag som Wolters Kluwer och Thomson Reuters paketerar analyserna och säljer dem tillbaka till domstolarna, departementen, universiteten och juristerna som behöver dem. En prenumeration på kommentarer kostar hundratals euro per användare och månad. Med dessa prenumerationer betalar allmänheten i praktiken två gånger för den lag den måste följa. Ett rättvist rättssystem bör inte kosta mer per månad än ditt Netflix-abonnemang.

Vi byggde Kommentarer för att erbjuda ett öppet alternativ: ett artikel-för-artikel-bibliotek med juridiska analyser som är tillgängligt för alla med ett kostnadsfritt Moonlit-konto. Varje kommentar skapas med våra AI-modeller utifrån primärkällor och granskas av juridiska specialister före publicering. Varje hänvisning verifieras och länkar direkt till den officiella handlingen från myndigheten eller domstolen. Om en läsare upptäcker en saknad nyans eller en ny utveckling kan hen föreslå en ändring direkt i formuläret på sidan, så att redaktionen kan granska den. Redaktörerna kan sedan granska förslaget och publicera texten på nytt. Såvitt vi vet erbjuder inget annat förlag den kombinationen. Vid lanseringen handlar de tillgängliga kommentarerna om indirekta skatter (moms), och kommentarer om dataskydd är under arbete.

Detta tolkningslager är lika viktigt för juridisk AI. Modeller kan ta in offentliga lagtexter och domstolsavgöranden, men de kan inte läsa den juridiska kommentarlitteratur som förklarar hur en regel fungerar i praktiken eller var undantagen finns. Utan det sammanhanget extrapolerar modellerna och genererar opålitliga svar. Vi utformade Kommentarer så att varje påstående uttryckligen knyts till den bestämmelse som tolkas och det avgörande som det bygger på. En jurist kan kontrollera källan med ett enda klick, och ett AI-arbetsflöde kan resonera utifrån tillförlitliga data via Moonlit Data API och MCP-anslutningen.

AI-genererade juridiska hallucinationer har blivit en allt större fråga, i takt med att jurister och domstolar stöter på påhittade hänvisningar till rättsfall och felaktiga tolkningar av lagen. Varför har även sofistikerade stora språkmodeller svårt att vara juridiskt korrekta, och hur kan strukturerad, verifierad juridisk kontext bidra till att hantera dessa begränsningar?

Språkmodeller har svårt med juridik av skäl som har föga med intelligens att göra. Juridiska resonemang bygger helt och hållet på verifierbara rättskällor. En slutsats är bara så hållbar som den bestämmelse eller det avgörande den grundar sig på, men en modell behandlar målnummer och lagrumshänvisningar som sannolikhetsbaserade textmönster snarare än tillförlitliga databasposter. Den genererar hänvisningar som verkar trovärdiga eftersom den förutsäger hur en hänvisning borde se ut, inte för att den har verifierat ett faktiskt dokument. Det får mycket påtagliga konsekvenser: när detta skrivs har över 2 100 dokumenterade domstolsavgöranden rörande AI-hallucinationer förekommit, varav fler än 800 direkt involverade juridiska yrkesutövare.

Lagen förändras också hela tiden. En modells kunskap sträcker sig bara fram till dess brytdatum för träningsdata, medan skatterättsliga avgöranden och överrättsavgöranden uppdateras varje vecka. När kommentarerna som förklarar vad reglerna innebär ligger bakom förlagens betalväggar har modellen tillgång till själva lagtexten, men inte den praktiska kontexten. Därför hittar den på trovärdiga förklaringar för att överbrygga kunskapsluckan.

Strukturerad, verifierad kontext förändrar själva grunduppgiften. Hos Moonlit hämtar modellen lagen i stället för att försöka återkalla den ur minnet, och arbetar direkt med officiella handlingar. En sökning ger dokument från officiella källor, vart och ett med sin hänvisning och länk. Referensgrafen visar vad ett avgörande hänvisar till och vilka senare dokument som hänvisar till det. En hänvisning leder antingen till ett autentiskt dokument i vårt arkiv eller så visas den inte alls. Det eliminerar påhittade hänvisningar. Men välordnade data räcker inte i sig för att förhindra feltolkningar, och därför låter Commentaries fortfarande en namngiven juridisk expert granska utkastet innan det når läsaren.

Moonlit samlar lagstiftning, domstolsavgöranden och myndighetsinformation från dussintals jurisdiktioner och kopplar samman juridiska dokument i en omfattande referensgraf. Kan ni beskriva hur den underliggande AI- och dataarkitekturen fungerar, särskilt hur plattformen identifierar samband mellan rättskällor, hanterar olika språk och rättssystem och gör informationen tillgänglig för AI-modeller?

Tänk på det som en enda sammanhängande kedja, från den officiella publiceringen ända fram till en verifierad hänvisning.

I varje jurisdiktion ansluter vi direkt till de officiella portalerna, däribland lagförfattningssamlingar, domstolsdatabaser, tillsynsmyndigheter och EUR-Lex för EU-rätten. Varje portal har sina egna egenheter och format, och de kan ändras utan förvarning. Därför ägnar vi en betydande del av vårt tekniska arbete åt övervakning och automatisk återställning för varje portal. Varje dokument vi hämtar behåller sin källhänvisning och en permanent länk till den officiella myndighetshandlingen. Den länken utgör grunden för allt annat.

Allt samlas i en gemensam modell för olika jurisdiktioner, som omfattar lagstiftning, rättspraxis, parlamentsdokument, myndighetsbeslut och vägledningar. Lagstiftningen delas upp i enskilda artiklar, så att en viss bestämmelse kan hämtas och citeras korrekt. En nederländsk dom och ett tyskt avgörande behåller de specifika fält som respektive lands system kräver, samtidigt som vi standardiserar hur dokumenten identifieras, klassificeras och länkas över nationsgränserna.

Juridiska texter hänvisar ständigt till varandra. En dom hänvisar till de artiklar den tillämpar och de avgöranden den följer, medan en lag hänvisar till andra författningar. Vår motor känner igen dessa hänvisningar, som kan se mycket olika ut mellan olika jurisdiktioner, kopplar dem till autentiska dokument i vårt Data Layer och lagrar länkarna i båda riktningarna. Juridiska ingenjörer verifierar mönstren för hur hänvisningarna identifieras. Resultatet är en referensgraf med hundratals miljoner länkar, vilket innebär att du för varje dokument kan se vad det hänvisar till och vilka dokument som hänvisar till det.

Språket hanteras däremot genom att källdokumenten lämnas orörda. Vi översätter inte originaltexterna. Ett belgiskt avgörande förblir på franska eller nederländska, och sökningar görs direkt på originalspråket. Vi kombinerar sökning efter nyckelord med semantisk sökning, rangordnar om resultaten och begränsar varje sökning till relevant jurisdiktion. Luna, vår forskningsassistent, svarar på det språk du väljer och söker samtidigt i varje underliggande källa på dess originalspråk.

Moonlit-plattformen, vårt Data API och MCP-servern hämtar alla information från samma Data Layer. API:et ger programmatisk åtkomst till våra söklägen, referensgrafen och hämtning av fulltext, medan MCP-servern gör nio skrivskyddade verktyg tillgängliga för alla externa AI-assistenter. När vi förbättrar de underliggande dataförbättringarna når de alla gränssnitt samtidigt.

Moonlit har lanserat AI-genererade juridiska kommentarer som granskas av namngivna juridiska experter och kombinerar automatiserad textframställning med mänsklig verifiering. Hur fungerar processen i praktiken, och vilka skyddsåtgärder säkerställer att AI-genererade tolkningar är korrekta, transparenta och spårbara till auktoritativa rättskällor?

En kommentar börjar med själva lagen. Vår motor skapar ett utkast utifrån primärkällor i Data Layer, däribland lagstiftning, rättspraxis, direktiv och det parlamentariska förarbetet bakom en bestämmelse. Den kan bara hänvisa till dokument som vi har tillgång till, så varje påstående länkas till den bestämmelse som kommenteras och den källa som stöder det. En av kommentarerna vid lanseringen länkar till exempel till 165 verifierade källor.

Innan en kommentar publiceras granskar en juridisk expert inom området utkastet mot primärkällorna. Våra redaktörer är akademiker och praktiserande jurister som får betalt för sitt arbete. Gruppen vid lanseringen kommer från universitet, domstolar, myndigheter, konsultföretag och advokatbyråer. De rättar utkastet, stryker sådant som inte hör hemma där och lägger till det som saknas. Deras namn står direkt på sidan.

Verifieringsmärken visar vilka avsnitt en redaktör har granskat, så det är alltid tydligt vilka delar en mänsklig expert står bakom.

Varje kommentar anger också ett referensdatum som visar exakt vilket rättsläge den beskriver. Data Layer uppdateras dagligen och flaggar relevanta nya domar för redaktören, som sedan reviderar texten och uppdaterar referensdatumet.

Den grundläggande säkerhetsåtgärden är länken. Om du inte kan klicka dig vidare till domen som stöder en slutsats förväntas du helt enkelt lita på den. Vi har byggt Commentaries så att ingen ska behöva göra det.

Genom integreringar med Model Context Protocol (MCP) kan Moonlit föra in juridisk information direkt i AI-assistenter som ChatGPT, Claude och Microsoft Copilot. Vad möjliggör den här arkitekturen som konventionella system för generering med förstärkt informationshämtning kan ha svårt att åstadkomma, och hur ser ni till att assistenterna använder den hämtade juridiska informationen på ett ansvarsfullt sätt?

Konventionell RAG tar en ögonblicksbild av vissa dokument, delar upp dem i mindre textstycken, bäddar in dem och ger modellen de stycken som får högst likhetspoäng. Inom juridiken brister det på tre punkter. Ögonblicksbilden blir inaktuell. Likhetsbedömningen är inte tillräckligt tillförlitlig för att hitta en exakt artikel eller ett visst målnummer. Och ett textstycke säger ingenting om vilka källor dokumentet hänvisar till eller hur senare domar har påverkat det.

Med MCP-servern utför assistenten själv efterforskningarna. Den kan söka efter betydelse eller efter exakta termer och hänvisningar med hjälp av booleska operatorer, följa hänvisningar mellan dokument, läsa fullständiga texter och hämta enskilda lagbestämmelser. Den kan också kontrollera vilka jurisdiktioner och officiella portaler som är tillgängliga. Modellen avgör vad den behöver, läser det som kommer tillbaka och söker igen tills svaret håller. Det är den återkopplingsloopen som gör skillnaden. Luna började använda samma MCP-server i september, och svaren blev både snabbare och bättre. Informationen är också aktuell: assistenten läser Data Layer så som den ser ut i dag.

Ansvarsfull användning börjar med tydliga begränsningar. Våra verktyg har endast läsbehörighet, och resultaten länkas tillbaka till den officiella källan. Vi publicerar också enkla instruktioner för efterforskning som assistenter kan följa. Där förklaras hur man söker på källans originalspråk, kontrollerar avsnittet före citering, verifierar versionen och tydligt anger när de tillgängliga källorna inte räcker till.

Olika assistenter redovisar sina resonemang på olika sätt, och det kan vi inte styra över. Däremot kan vi göra det enkelt att kontrollera källorna. Varje hänvisning leder till ett dokument, och varje dokument leder till den officiella publiceringen.

Juridisk information förändras ständigt när nya domar publiceras, regler ändras och befintliga prejudikat ifrågasätts. Hur identifierar och införlivar Moonlits automatiserade övervakningsinfrastruktur sådana utvecklingar, och hur förhindrar plattformen att AI-system förlitar sig på inaktuell lagstiftning eller rättsliga tolkningar som har ersatts?

Att hindra en AI eller en forskare från att förlita sig på felaktig rätt handlar om sambanden mellan dokumenten. Så snart en ny dom eller lagändring kommer in i systemet länkar referensgrafen den till de tidigare bestämmelser och mål som den hänvisar till. Om en överinstans upphäver eller begränsar ett tidigare avgörande kopplas den utvecklingen direkt till den ursprungliga domen som ett avgörande som hänvisar till den. En modell som följer grafen ser omedelbart hur avgörandet har behandlats i senare rättspraxis, i stället för att betrakta ett inaktuellt prejudikat som gällande rätt. På plattformen kan användarna omvandla samma inkommande informationsflöde till aktiva Monitors för de specifika lagarna, domstolarna eller ämnesområdena som de följer.

När det gäller kommentarer har det traditionellt varit en stor utmaning att hålla innehållet aktuellt. Kommersiella kommentarsserier granskas ofta för uppdateringar bara en eller två gånger om året. Inom snabbt föränderliga områden som indirekt beskattning eller dataskydd skapar den fördröjningen betydande risker för bristande regelefterlevnad. Eftersom vår Data Layer dagligen jämför inkommande publikationer med våra kommentarer flaggas nya domar omedelbart för den redaktör som ansvarar för texten. Redaktören uppdaterar analysen och referensdatumet, så att både praktiker och AI-modeller utgår från det faktiska rättsläget i stället för en tolv månader gammal bild.

Gränsöverskridande juridisk efterforskning innebär komplexitet som sträcker sig längre än till att översätta dokument, särskilt när olika länder tolkar eller genomför liknande regler på olika sätt. Hur skiljer Moonlits AI mellan dessa jurisdiktionella skillnader, och vad händer när auktoritativa juridiska källor verkar motsäga varandra?

Ett EU-direktiv och den nationella lag som genomför det är olika dokument, länkade till varandra där det ena hänvisar till det andra. Ett nationellt avgörande som tillämpar en dom från EU-domstolen länkas till den domen. Det är också därför Commentaries börjar med moms. Reglerna är i stor utsträckning harmoniserade på EU-nivå och tolkas sedan i varje medlemsstat.

Motstridigheter är normala inom juridiken, och vi döljer dem inte. När två auktoritativa källor verkar stå i strid med varandra får läsaren ta del av båda. Därefter gör hierarkin det mesta av jobbet: ett senare avgörande väger tyngre än ett tidigare, EU-domstolen går före en nationell domstol i frågor som rör EU-rätten, och bestämmelsen bedöms utifrån hur den löd på referensdatumet. I Commentaries fattar redaktören det beslutet öppet, och källorna finns intill.

Organisationer som Nederländernas högsta domstol, Deloitte och andra juridiska institutioner och offentliga verksamheter använder Moonlits teknik. Kan du ge ett konkret exempel på hur plattformen har förändrat ett arbetsflöde för juridisk research, och hur mäter ni förbättringar av researchens träffsäkerhet, fullständighet eller effektivitet jämfört med traditionella metoder?

Inom fintech kopplade exempelvis juristteamet på Quantoz Payments Moonlits MCP-server till Claude och kombinerade den med anpassade arbetsflöden för reglering av gränsöverskridande betalningar. Det arbetsflöde som den ersätter är den traditionella standarden i hela Europa. En jurist måste vanligtvis öppna portaler i flera länder, göra sökningar på flera språk, kopiera hänvisningar till ett PM och hoppas att inget viktigt lokalt prejudikat har förbisetts. Nu gör deras lösning sökningar samtidigt i flera jurisdiktioner, följer hänvisningskedjan och visar de ursprungliga dokumenten tillsammans med länkar till deras officiella källor. För ett internt juristteam är effekten tydlig. Den undanröjer risken att missa utländska avgöranden och frigör timmar från mekaniskt insamlingsarbete till faktisk juridisk analys och riskbedömning.

På utvecklingssidan märks en helt annan sorts effektivitetsvinst. Team som bygger juridiska AI-produkter mäter förbättringar i sparade ingenjörsmånader. Eudia, ett företag inom juridisk AI, behövde strukturerade europeiska juridiska data för sin produkt, och deras produktchef påpekade att vårt Data API gav dem en komplett europeisk datakorpus på några dagar. Utan en underliggande datainfrastruktur innebär det att man måste bygga och underhålla anpassade webbskrapor för varje nationell portal på obestämd tid. Andra plattformar, som Saga och Legal Mind, bygger på samma grund och kan nu också leverera verifierade Commentaries direkt till sina egna slutanvändare.

Framöver, i takt med att grundmodeller blir allt mer kapabla och AI-agenter tar sig an mer avancerade juridiska researchuppgifter, hur tror du att relationen mellan AI-modeller för allmänna ändamål och specialiserad juridisk datainfrastruktur kommer att utvecklas? Vad är er långsiktiga vision för Moonlit, särskilt när det gäller att göra tillförlitlig juridisk information tillgänglig även utanför de stora advokatbyråerna och institutionerna?

En starkare modell kan resonera bättre utifrån de källor den får, men den kan inte trolla fram tillförlitliga originalhandlingar ur tomma intet. I takt med att grundmodeller blir mer kapabla ökar faktiskt värdet av ett verifierat datalager. När resonemangsförmågan blir allmänt utbredd flyttas den verkliga flaskhalsen till datakvaliteten, eftersom en agent fortfarande behöver korrekt, strukturerad lagstiftning att arbeta med.

Modeller för allmänna ändamål och autonoma agenter kommer att hantera utformning av texter, sammanställningar och samtal. Specialiserad infrastruktur som Moonlit hanterar det underliggande dataproblemet: den håller lagstiftningen aktuell, strukturerad och verifierbar och tillhandahåller den direkt via de protokoll som agenterna använder. Vi förberedde oss tidigt på den här utvecklingen. Vår egen assistent körs på exakt samma MCP-server som externa agenter ansluter till, och team använder redan sina egna anpassade agenter ovanpå den.

Den arkitekturen är också central för vår långsiktiga vision. Tillförlitlig gränsöverskridande juridisk information har traditionellt varit en lyxvara, överkomlig endast för de största advokatbyråerna och multinationella företagen, som har råd med dyra prenumerationer i flera länder. Genom att göra Commentaries gratis att läsa och öppna vårt datalager för alla utvecklare via moderna API:er och anslutningar vill vi jämna ut spelplanen. En egenföretagande jurist som ger råd till ett företag med verksamhet över gränserna, eller en bolagsjurist på ett företag i ett tidigt skede, bör ha tillgång till exakt samma precision i sin research och samma verifierade hänvisningar som en global rådgivningsbyrå.

Tack för en fantastisk intervju. Läsare som vill utforska verifierade juridiska data och AI-stödd gränsöverskridande juridisk research kan besöka Moonlit.