Sarah Webb, operativ chef och medgrundare av LawVu – intervjuserie

Sarah Webb är operativ chef och medgrundare av LawVu. Hon har en bakgrund inom teknik och ledarskap inom mjukvaruutveckling, med roller på LOVEFiLM och Amazon. Hon började på LawVu som teknikchef 2015 och blev operativ chef 2020, och har därmed erfarenhet av teknik, verksamhetsdrift, säkerhet och styrning. Hennes arbete handlar om att hjälpa juridikteam att koppla samman sina data och arbetsflöden och samtidigt balansera AI-innovation med risker för företag.

LawVu erbjuder ett verksamhetssystem för bolagsjuridiska team som samlar ärendeintag, ärenden, avtal, utgifter och kunskap i en sammanhängande plattform. AI-funktionerna och integrationerna hjälper teamen att arbeta i sina befintliga verktyg och samtidigt upprätthålla behörigheter och tillsyn. I den här intervjun talar Webb om skugg-AI, agentbaserade arbetsflöden, institutionell kunskap och de förutsättningar företag behöver för att införa AI på ett styrt sätt.

Du var med och grundade LawVu efter att ha ägnat en stor del av din karriär åt att bygga upp och leda mjukvaruteam, bland annat på LOVEFiLM och Amazon. Vad fick dig att se bolagsjuridisk verksamhet som ett problem värt att lösa, och hur har din ursprungliga vision för LawVu utvecklats i takt med att AI har förändrat tekniklandskapet?

Jag tillbringade större delen av min tidiga karriär i roller inom teknik och ingenjörsvetenskap, bland annat på LOVEFiLM och Amazon. Övergången till juridisk teknik var inget jag hade planerat; den skedde snarare av en slump. Jag har varit på LawVu i nästan 11 år nu, först som teknikchef, men gick ganska snabbt över till rollen som operativ chef. Bara den förändringen har påverkat hur jag ser på verksamheten mycket.

I början var det första problemet vi försökte lösa bristen på överblick. De flesta kunder gick från Outlook och Excel-kalkylblad, och att bara få allt samlat på ett ställe kändes som en stor vinst. Sedan kom en period då teamen började arbeta på distans, och utan en central plattform blev samarbetet ännu svårare. Det förstärkte något vi redan hade märkt: mycket repetitivt juridiskt arbete värdesattes inte, eller uppmärksammades ens, av resten av verksamheten eftersom det inte fanns någonstans där det syntes. Den perioden fick oss att verkligen utbilda kunderna i hur de skulle strukturera sina data och hantera förändringen internt, i stället för att bara ge dem ett verktyg.

Vi byggde också tidigt ut integrationer med hela Microsofts programsvit, eftersom målet alltid var att möta verksamheten där den redan arbetade till vardags, i stället för att be teamen överge det de kände till. Det som har förändrats sedan dess är omfattningen av vad samma idé nu kräver. Tidigare handlade det om bekvämlighet att sänka tröskeln för att få fram ett användbart dataset. Nu är det skillnaden mellan AI som faktiskt kan utföra juridiskt arbete och AI som bara återspeglar samma fragmentering tillbaka till dig.

Du har hävdat att ”skugg-AI” ofta är ett problem med arbetsflöden snarare än med anställda. Vad innebär det i praktiken, och vad kan organisationer lära sig när anställda kringgår godkända AI-verktyg eller system till förmån för egna lösningar?

Om du inte tillhandahåller rätt verktyg internt kommer människor att leta efter egna alternativ för att effektivisera arbetet. Det är grundproblemet. När någon kringgår ett godkänt system är den spontana reaktionen att se det som ett regelbrott – något som måste begränsas eller förbjudas genom en policy. I praktiken säger det oftast något om själva arbetsflödet: den godkända vägen var långsammare eller mer besvärlig än alternativet, så människor hittade en egen lösning.

Det är precis därför skugg-AI utgör en större belastning än skugg-IT någonsin gjorde. Incidenter med skugg-AI står nu för 20 procent av dataintrången, med en genomsnittlig kostnad på 10,2 miljoner dollar, eftersom människor inte bara börjar använda ett icke godkänt verktyg – de matar det direkt med känsligt material, som avtalsformuleringar, affärsvillkor och interna resonemang.

Det organisationer faktiskt bör lära sig av detta är var bristen finns. Att det saknas ett säkert alternativ med relevant kontext hindrar inte människor från att vända sig till AI; det får dem bara att göra det någonstans där du inte kan se det. Det finns också en djupare risk som går utöver säkerheten. När arbetet är utspritt över personliga AI-verktyg i stället för ett gemensamt, strukturerat system fattar verksamheten beslut utifrån en ofullständig bild, utan att ens inse att en del av underlaget saknas. Om ett AI-verktyg bara kan se 60 procent av relevanta data eftersom resten finns på någons personliga konto, försämras träffsäkerheten och risken för felaktiga beslut ökar. Att förbjuda genvägen löser inget av detta. Det gör däremot att ge människor något bättre än genvägen.

Utifrån LawVus arbete med hundratals juridikteam på större företag, vilka är de vanligaste misstagen du ser organisationer göra när de inför AI-styrning, särskilt när anställda får tillgång till allt kraftfullare AI-verktyg för allmänna ändamål?

Det vanligaste misstaget är att förväxla en skriftlig policy med en faktisk kontroll. Många organisationer har numera ett dokument som beskriver hur AI bör och inte bör användas. Väldigt få har byggt upp något operativt bakom policyn – något som faktiskt styr vad ett verktyg får åtkomst till, loggar vad det har gjort och gör det möjligt att i efterhand rekonstruera förloppet om det skulle behövas.

Det andra misstaget är att inte ta hänsyn till hur mycket risk varje nytt verktyg tillför. Varje enskild lösning som ett team inför, oavsett om den gäller avtal, utgifter eller ärendeintag, kräver en egen integration, har ett eget autentiseringsprotokoll och lagrar en egen kopia av känsliga uppgifter. Var för sig verkar de hanterbara. Tillsammans förvandlar de den juridiska teknikmiljön till ett splittrat risknätverk, och mer än en tredjedel av alla dataintrång kan spåras till just den typen av åtkomst för tredje part. De flesta team inser inte hur mycket risk det sammantaget innebär förrän de själva granskas efter att något har gått fel.

Det tredje misstaget är att behandla AI-verktyg för allmänna ändamål annorlunda än all annan programvara som hanterar känsliga uppgifter. Alla kunder vi har arbetat med sedan starten, även myndighetskunder, har genomgått en fullständig säkerhetsbedömning tillsammans med oss, eftersom ett system som vårt innehåller en del av den känsligaste informationen ett företag har: företagshemligheter, data om fusioner och förvärv samt personligt identifierbar information (PII). Anställda lämnar varje dag ut samma typ av information till offentliga AI-verktyg utan att de granskas i närheten lika noggrant, eftersom det inte känns som att anlita en ny leverantör, utan som att använda ett verktyg. Klyftan mellan det som granskas och det som faktiskt innebär en risk är där de flesta styrningsprogram faller samman.

LawVu har börjat integrera AI-agenter och agentbaserade arbetsflöden i den juridiska verksamheten. Hur avgör ni vilka juridiska processer som lämpar sig för autonom AI-hantering och vilka som alltid bör kräva mänsklig granskning eller godkännande?

Vi tittar mer på konsekvenserna och möjligheten att återställa ett förlopp än på hur komplicerad processen verkar på papperet. Om ett misstag är billigt att upptäcka och enkelt att åtgärda är processen oftast en bra kandidat för autonom hantering. Därför lämpar sig arbetsuppgifter med stora volymer och tydliga ramar, som ärendeintag och första bedömning, ofta väl.

Allt som rör ett åtagande gentemot en extern part, juridisk risk eller ett beslut som är svårt att ändra kräver att en människa är med i beslutsloopen, oavsett hur träffsäker agenten verkar i tester. Det är samma princip som ligger bakom vårt bredare sätt att se på risktolerans på LawVu. Vi tar reda på vilken risk ett team kan acceptera, sätter in rätt kontroller och utökar först därefter användningen. Det avgörande testet är inte träffsäkerheten, utan om vi kan säga vad agenten kom åt, varför den vidtog åtgärden, om den hade befogenhet att göra det och om vi kan bevisa det i efterhand. Om vi inte kan svara på de frågorna är processen ännu inte redo att köras självständigt.

De här besluten fattas inte en gång för alla. En process som är säker att automatisera i dag kan bli osäker när användningen ökar eller arbetsflödet börjar hantera känsligare material än från början. Därför måste gränsen omprövas, inte bara dras en gång.

LawVus MCP-server gör det möjligt för organisationer att ansluta verktyg som ChatGPT, Claude och Microsoft Copilot direkt till sin juridiska verksamhetsmiljö. Hur kan företag ge externa AI-system användbar åtkomst till företagsdata och samtidigt upprätthålla behörigheter, granskningsbarhet, integritet och kontroll?

Det ligger nära till hands att tro att uppkoppling och säkerhet står i motsats till varandra, men så behöver det inte vara. Plattformen måste förbli den auktoritativa källan för behörigheter, inte AI-verktyget ovanpå den. Oavsett om någon inleder en konversation i ChatGPT, Claude eller Copilot ska personens behörighet att se och göra saker inte förändras beroende på vilket gränssnitt hen råkar öppna den dagen.

Det fungerar bara om miljön i den mottagande änden redan har rätt kontroller på plats innan något ansluts, och det är just det förarbete de flesta företag hoppar över. Alla behandlar MCP som en automatisk säkerhetsvinst eftersom mindre data flyttas runt, och det stämmer – men bara om det mottagande systemet kan redogöra för vad som användes, varför och av vilken agent på vems uppdrag, och bevisa det i efterhand.

Det finns också ett affärsmässigt argument. Om det centrala AI-verktyget kan känna igen när en förfrågan har en juridisk aspekt och automatiskt skicka den vidare till LawVu, slipper medarbetaren ta reda på vilket system hen ska använda från början. Det innebär också att medarbetaren inte vänder sig till ett personligt AI-verktyg som helt saknar tillgång till en tillförlitlig och säker datamängd. Att ge människor en enda, välstyrd startpunkt bidrar i slutänden mer till användningen än vad det någonsin skulle göra att låsa ned allt.

AI-modeller för allmänna ändamål kan vara kraftfulla, men de saknar ofta organisationens samlade erfarenhet, tidigare beslut och specifika riskprofil. Vilken information och infrastruktur behöver omge en AI-modell innan den kan bli verkligt användbar i företagsarbete med höga insatser?

Jag tänker på generell AI som en briljant främling – någon som har läst oerhört mycket, skriver vackert och kan föra ett samtal om nästan vad som helst. Men hen har aldrig träffat din klient. Hen har aldrig deltagit i dina förhandlingar. Hen vet inte hur din organisation väger risker. Hen har aldrig sett samtalen som ledde fram till de undantag som teamet kom överens om för sex månader sedan.

Det är därför många juridikteam börjar med att koppla AI till en handbok, och det ska sägas att det är oerhört värdefullt. Om en AI-modell får tillgång till era föredragna avtalsklausuler, reservpositioner, godkännandetrösklar och förhandlingsvägledning märks effektivitetsvinsterna nästan omedelbart. Utmaningen är att de viktigaste juridiska besluten ofta fattas när standardpositionen inte längre fungerar: en strategisk kund behöver ett undantag, en möjlighet till snabb tillväxt motiverar en större risk eller en förhandling når en punkt där kommersiella prioriteringar väger tyngre än den föredragna klausulen.

Det är då det juridiska omdömet börjar bli synligt. En del av den mest värdefulla kunskapen finns i undantagen, inte i handboken. Varför gjorde vi ett undantag för den här kunden? Vad hände senast vi förhandlade om den här ståndpunkten med samma motpart? Har verksamheten accepterat den här risken i något annat sammanhang? Har frågan eskalerats tidigare, och vad beslutades till slut?

Svar finns sällan i ett enda dokument. De är utspridda i avtal, godkännanden, e-postmeddelanden, ärendeakter, mötesanteckningar och den samlade erfarenheten hos dem som var med när det begav sig. Dokumentet registrerar bara utfallet, medan organisationen bär med sig resonemanget på annat håll.

En briljant främling kan lära sig reglerna anmärkningsvärt snabbt, men att förstå varför man först gjorde avsteg från dem är en helt annan utmaning. Det som vanligtvis skiljer användbar AI från omvälvande AI är hur mycket av sina egna erfarenheter organisationen har bevarat, så att AI kan lära sig av dem.

Många företag har samlat på sig fristående avtalssystem, verktyg för ärendehantering, kalkylblad, e-postarkiv och andra källor till företagskunskap. Hur viktigt är det att ha en enhetlig datagrund innan man inför AI-agenter, och vad behöver en organisation göra för att göra sina data verkligt redo för AI?

Juridikområdet är ett perfekt exempel på varför det här är viktigt: avtal får ändringsförslag i Word, godkännanden kommer via e-post, beslut fattas på Slack och sedan lägger man AI ovanpå dokumentarkivet i stället för att faktiskt koppla samman arbetet. Att lägga AI ovanpå ett fragmenterat system ger bara snabbare tillgång till kaos.

De företag som under flera år byggde upp en verklig datainfrastruktur och fick ordning på sina system innan AI kom är de som redan ser resultat av AI. Det är egentligen själva kärnan. Man kan inte skala upp agenter ovanpå fristående avtalssystem, verktyg för ärendehantering, kalkylblad och e-postarkiv och samtidigt förvänta sig tillförlitliga resultat. Grunden måste komma först: sammankopplade system, tydliga åtkomstkontroller och en fastställd risktolerans – innan man ens kan börja tänka på att skala upp AI.

När företag överväger om de ska bygga egna AI-applikationer, köpa specialiserade AI-plattformar eller koppla generella modeller till befintliga system, hur bör teknikchefer tänka kring beslutet att bygga, köpa eller integrera?

Att bygga eller köpa låter som ett teknikbeslut. Enligt min erfarenhet handlar det egentligen om hur mogen juridikfunktionens verksamhet är. Det handlar om hur seriöst ett juridikteam ser på sig självt som en funktion med egna arbetsflöden, data och verksamhetsmodell. Får man den mognadsfrågan rätt brukar rätt AI-strategi för juridik följa av sig själv.

När det gäller att bygga: för de få team som har resurser att arbeta som ett mjukvaruföretag kan det vara rimligt. Modeller utvecklas, infrastrukturen förändras och arbetet blir aldrig riktigt färdigt. För de flesta team är utmaningen inte att bygga lösningen en gång, utan att underhålla den för alltid.

När det gäller att köpa: de flesta team väljer den vägen, men ”köpa” är inte ett enda alternativ. Det handlar om minst tre olika saker som ofta klumpas ihop. Horisontell AI, som ChatGPT, Copilot och Claude, är kraftfull men förstår inte automatiskt ärendestrukturer, ärendeintag eller godkännandeflöden. AI som kopplas till en enskild punktlösning, till exempel via MCP, är ett betydande steg framåt, men dess perspektiv begränsas fortfarande till det som finns i just det systemet.

Den större möjligheten ligger i AI som förstår hur juridikarbetet hänger ihop inom hela funktionen, inte bara vad som sker i ett enskilt verktyg. När ärendeintag, ärenden, avtal, kostnader och kunskap finns samlade kan AI resonera utifrån helheten i stället för bara en del av den.

Du har haft både CTO- och COO-roller på LawVu, med ansvar för teknik, verksamhet, säkerhet och produktutveckling. Hur har den kombinationen påverkat ditt sätt att väga snabb AI-innovation mot säkerhet, regelefterlevnad, tillförlitlighet och företagsrisker?

Jag började på LawVu som CTO 2015 och tog på mig rollen som COO 2020, så jag har arbetat med både teknik och verksamhet i över ett decennium.

Den kombinationen förändrar synen på AI-innovation i förhållande till säkerhet och regelefterlevnad, eftersom man inte upplever dem som separata frågor. Att ansvara för styrning, riskhantering och regelefterlevnad internt, samtidigt som man bygger en plattform som hjälper kunderna att hantera samma funktioner, innebär att jag inte kan se innovation och säkerhet som steg i följd – det ena kommer inte efter det andra; de måste ske samtidigt, annars sker de inte alls. Ända sedan starten har alla våra kunder genomgått en fullständig säkerhetsgranskning, och varje gång man lägger till ett nytt verktyg i sin verktygsmiljö ökar riskerna kring dessa data. Det gäller oss internt lika mycket som våra kunder, så när man bygger plattformen och samtidigt ansvarar för hur den styrs måste man hantera båda delarna på en gång.

Hur tror du att agentisk AI kommer att förändra företagens juridiska team framöver? Tror du att juridikavdelningar främst kommer att använda AI för att öka produktiviteten, eller kan de så småningom bli övervakare av till stor del autonoma arbetsflöden som spänner över hela företaget?

Generativ AI har förskjutit samtalet från stegvisa effektivitetsvinster till en grundläggande omprövning av hur juridiskt arbete utförs och hur verksamhetsmodellen behöver se ut i en värld som snabbt rör sig mot agentisk förmåga. Jag ser inte agentisk AI som en hype, utan som ett utförandelager som kan hjälpa juridikfunktionen att gå från att hantera arbete till att aktivt utföra det, med rätt kontroller och skyddsmekanismer på plats.

Just nu sker en förändring av organisationernas ”första ingång”: medarbetare i verksamheten börjar allt oftare med verktyg som Microsoft Copilot eller Claude, och frågan blir hur juridikfunktionen säkerställer att dessa interaktioner kopplas till rätt system, rätt data och rätt arbetsflöden.

Jag ser det alltså inte som en fråga om produktivitetslager kontra övervakning, utan som en utveckling. Juridikfunktionen börjar med att använda AI för att arbeta snabbare med enskilda uppgifter, men när den agentiska förmågan mognar ligger den verkliga möjligheten i att juridikfunktionen själv äger utförandelagret och aktivt utför arbetet genom styrda system, i stället för att bara ta fram första utkast snabbare.

Tack för den utmärkta intervjun. Läsare som vill utforska integrerade juridiska verksamhetsprocesser och styrda AI-arbetsflöden kan besöka LawVu.