Vertragsanalyse & Klauselextraktion

Unternehmen halten Tausende Verträge in Netzlaufwerken, E-Mails und CLM-Werkzeugen, doch die entscheidenden Fakten (Verlängerungstermine, Kündigungsfristen, Haftungsobergrenzen, Change-of-Control- oder Datenschutzklauseln) stecken im Fließtext. KI macht aus jedem Vertrag einen strukturierten Datensatz mit Belegen auf Klauselebene, prüft ihn gegen interne Standards und macht das gesamte Portfolio durchsuchbar. Die KI findet und markiert; Juristinnen, Juristen und Vertragsverantwortliche entscheiden. Die Prüfung eines einzelnen neuen Vertrags in der Verhandlung (Redlining, Entwurf) behandelt DOC-010; dieser Anwendungsfall betrifft das Lesen, Extrahieren und Vergleichen.

Problem & Nutzen

• Heute: Vertragsdaten werden von Hand in Tabellen oder CLM-Felder eingetragen oder gar nicht erfasst. Verpasste Kündigungsfenster führen zu ungewollten automatischen Verlängerungen; Audits, M&A und Rechtsänderungen (z. B. neue Pflichten zur Datenverarbeitung oder in der Lieferkette) lösen aufwendige manuelle Aktenprüfungen aus.
• KI-Nutzen: vorlagenfreie Extraktion von Metadaten und Klauseln aus jedem Layout und jeder Sprache, Belegverweise auf die Quellstelle, Fragen über das gesamte Portfolio („Welche Lieferantenverträge erlauben einseitige Preisänderungen?“) und Abweichungserkennung gegenüber einem Playbook.
• Evidenzbasis: Der CUAD-Benchmark (510 Handelsverträge, über 13.000 Expertenlabels, 41 Klauselkategorien) zeigt, dass es sich um eine klar definierte Extraktionsaufgabe handelt; seine Autoren stellten bei frühen Transformer-Modellen „substantial room for improvement“ fest [1][2]. Anbieter veröffentlichen Effizienzversprechen (z. B. nennt Luminance eine Reduktion repetitiver Vertragsprüfung um 75 %), doch diese Angaben stammen von den Anbietern selbst, und die Messmethode wird nicht genannt [4] – testen Sie in einem Pilot mit Ihren eigenen Verträgen.

Varianten

• KMU: Triage von NDAs und Lieferantenverträgen; Erinnerungen an Verlängerungen und Kündigungsfristen aus einem Ordner mit PDFs.
• Recht / Einkauf im Konzern: portfolioweite Extraktion in ein CLM, Playbook-Konformität, Pflichtenmanagement, regulatorische Anpassungskampagnen (Neufassung von Verträgen nach Rechtsänderungen).
• Vertrieb / Finanzen: Abstraktion von Erlösverträgen (Zahlungsbedingungen, Preisgleitklauseln, Kündigungsrechte) für Umsatzrealisierung und Verlängerungsprognosen.
• Immobilien: Abstraktion von Mietverträgen (Miete, Indexierung, Optionen, Kündigungstermine).
• Öffentlicher Sektor: Rahmenvereinbarungen und Zuwendungsverträge; Ausschreibungsunterlagen sind DOC-015.
• Variante Versicherung & Makler – Policenprüfung und Wortlautvergleich: Eine Versicherungspolice ist ein Vertrag. Aus Angeboten, Deckungsnoten, ausgestellten Policen und Allgemeinen Versicherungsbedingungen (AVB) werden Deckung, Versicherungssummen, Selbstbehalte, Ausschlüsse, Wartezeiten und Obliegenheiten extrahiert. Anschließend werden Angebot und ausgestellte Police verglichen (entspricht die Police dem Angebot?), alter und neuer Wortlaut bei der Verlängerung gegenübergestellt oder konkurrierende Angebote nebeneinandergelegt (Bedingungsvergleich). Makler und Versicherer nutzen dies zur Unterstützung der Beratungs- und Dokumentationspflichten nach § 6 VVG und der Wünsche-und-Bedürfnisse-Analyse nach IDD [8]. Der Vergleich ist Beleg für eine menschliche Beraterin oder einen Berater, keine automatisierte Empfehlung.
• Private Nutzung: Prüfung eines Miet-, Fitnessstudio-, Telekommunikations- oder Versicherungsvertrags auf Kündigungsfristen und Verlängerungsfallen; nicht als Rechtsberatung verwenden.

So funktioniert es

1. Eingang (CLM, DMS, E-Mail, Netzlaufwerk, Scan)
2. Dokumentenverarbeitung (OCR, Layout, Überschriften, nummerierte Klauseln, Tabellen, Anlagen)
3. Klassifikation (Vertragsart, Sprache, Versions- / Nachtragskette)
4. Segmentierung in Klauseln mit Gliederungsbaum
5. Extraktion (Metadaten + Klauselfinder, schemagebundenes JSON, mit Seite + Zitat als Beleg)
6. Vergleich (Playbook / Vorlage / zweites Dokument; semantischer Diff auf Klauselebene)
7. Validierung (Daten und Beträge konsistent, Zitat tatsächlich in der Quelle, Konfidenz)
8. menschliche Prüfung (Recht / Vertragsverantwortliche bestätigen markierte und unsichere Fälle)
9. Aktualisierung von CLM / ERP / Kalender, Portfolio-Index für Suche und Fragen und Antworten (RAG)

• Die Dokumentenverarbeitung ist das Fundament: gescannte Unterschriftsseiten, Nachträge, die frühere Klauseln überschreiben, Querverweise („wie in Anlage 2 definiert“) und Tabellen sind die üblichen Schwachstellen; behalten Sie den Klauselbaum bei, damit Verweise aufgelöst werden können.
• Extraktion: Ein Langkontext-LLM oder Reasoning-Modell liest den ganzen Vertrag (oder abgerufene Abschnitte) und liefert ein Schema mit einem wörtlichen Belegzitat je Feld. Die wörtlichen Zitate werden programmgesteuert gegen den verarbeiteten Text geprüft, um Halluzinationen zu erkennen.
• Playbook-Prüfung: Jede Regel („Haftungsobergrenze ≥ 12 Monatsentgelte“, „anwendbares Recht: Deutschland“) wird gegen die extrahierte Klausel ausgewertet und liefert konform / Abweichung / nicht gefunden, dazu einen Vorschlag für eine Rückfallklausel für DOC-010.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die prüfende Person sieht die Quellstelle neben jedem extrahierten Wert; die rechtliche Bewertung und jede Entscheidung zu Unterzeichnung, Kündigung oder Neuverhandlung bleiben bei Menschen.

Datenaufbereitung

Verträge liegen typischerweise in Netzlaufwerken, E-Mail-Anhängen, im DMS, in einem CLM-Werkzeug oder in Papierordnern der Rechts- oder Einkaufsabteilung. Typische Lücken: gescannte PDFs ohne Text, mehrere Versionen desselben Vertrags, getrennt vom Hauptvertrag abgelegte Nachträge, uneinheitliche Dateinamen, keine Übersicht, welche Verträge überhaupt existieren, und eingeschränkte Zugriffsrechte (Personal- oder Kundenverträge).

Aufbereitungsschritte: (1) die Quellen inventarisieren und einen Umfang festlegen, z. B. alle aktiven Lieferanten- und Kundenverträge (PREP-001, PREP-005); (2) alte Scans per OCR erfassen (PREP-006, Werkzeuge wie OCRmyPDF oder Paperless-ngx); (3) Hauptvertrag, Anlagen und Nachträge je Vertrag in einem Ordner bündeln und die finale unterzeichnete Version kennzeichnen (PREP-009, PREP-010); (4) die zu extrahierenden Metadatenfelder und das Playbook der Standardpositionen definieren (PREP-019, PREP-016); (5) einen kleinen Testsatz aus 20 bis 30 Verträgen mit geprüften Antworten aufbauen (PREP-018); (6) prüfen, wer welche Verträge sehen darf (PREP-023). Verwandt: DOC-014, DOC-018.

Grober Anteil: 30 bis 40 Prozent des Gesamtaufwands im ersten Projekt, überwiegend für Sammeln, Entdoppeln und Scannen. Die Einrichtung des Modells selbst geht vergleichsweise schnell.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil ausgereifte Contract-Intelligence-Werkzeuge mit EU- oder Schweizer Hosting zu moderaten Preisen verfügbar sind und die Vertragsanalyse ein Standardprozess ist.
• Großunternehmen: Weg B, weil die Extraktion in das bestehende CLM, ERP und die Playbooks einfließen soll und das Volumen eine Preisgestaltung pro Nutzerplatz teuer macht.
• Entwickler: Weg C, weil quelloffene Dokumentenverarbeitung plus ein Open-Weight-Modell volle Kontrolle und eine wiederverwendbare Pipeline bietet.
• Öffentlicher Sektor: Weg C in einer souveränen EU- oder deutschen Cloud, weil Vergaberecht und die Vertraulichkeit von Verträgen ein selbst kontrolliertes Hosting begünstigen.

Weg A — Kaufen (Standardsoftware)

Empfohlen für die meisten KMU. - Contract-Intelligence- / KI-Rechtsplattformen: Luminance (Großbritannien, in Cambridge gegründet; ISO 27001, SOC 2 Type II) [4]; Legartis (Schweiz; Datenhaltung in der Schweiz/Europa, DSGVO, ISO 27001, Playbook-basierte Prüfung und Portfolio-Einblicke, europäische Sprachen) [5]; Kira (Litera), Harvey, weitere Vertragsprüfungswerkzeuge; Noxtua und Libra (deutsche Legal-KI-Angebote mit Schwerpunkt Datensouveränität). - CLM-Suiten mit KI-Extraktion: Icertis, Ironclad, DocuSign IAM / Lexion, Workday (Evisort), ContractPodAi, Sirion, Agiloft; im DACH-Raum außerdem KMU-Werkzeuge im Stil von Contractbook sowie die Vertragsmodule von SAP Ariba und Coupa. Prüfen Sie den Datenstandort in der EU, die Unterauftragsverarbeiter und ob Kundendaten zum Training von Modellen verwendet werden. - Variante Versicherung: Werkzeuge zur Policenprüfung und zum Vergleich von Insurtech-Anbietern und Maklerpools; gegen den genauen AVB-Wortlaut Ihres Marktes verifizieren. - Wählen Sie A, wenn: Standardvertragsarten vorliegen, eine Rechtsabteilung eine fertige Oberfläche wünscht und keine strenge On-Premises-Anforderung besteht. Testen Sie mit 50–100 eigenen Verträgen, auch mit schlechten Scans.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Dokumentenverarbeitung: Azure AI Document Intelligence (das vorgefertigte Vertragsmodell extrahiert Parteien, Gerichtsstände, Vertrags-ID, Titel; nur Englisch; Layoutmodell für andere Sprachen) [3]; Mistral OCR / Document AI (EU-Anbieter, Annotationen mit strukturierter Ausgabe) [6]; Google Document AI, AWS Textract (Region Frankfurt).
• Extraktion & Schlussfolgerung: Spitzen-LLMs mit strukturierten Ausgaben und langem Kontext (Claude, Gemini, GPT, Mistral Large) über EU-Regionen (z. B. Azure OpenAI EU Data Zone, Vertex AI EU, Bedrock Frankfurt, Mistral La Plateforme). Prompt = Klauseldefinition + Schema + „zitiere den genauen Satz“.
• Suchschicht: Embeddings plus Hybridsuche (OpenSearch, pgvector, Qdrant) und ein Reranker für Fragen und Antworten über das Portfolio; Workflow mit n8n / Power Automate; Ergebnisse in CLM, SharePoint oder DATEV übertragen.
• Wählen Sie B, wenn: Sie eigene Felder, Klauselbibliotheken nach deutschem Recht oder die Integration in interne Systeme benötigen und Daten in eine vertraglich abgesicherte EU-Cloud-Region senden dürfen.

Weg C — Selbst betreiben (Open Source)

• Dokumentenverarbeitung: Docling (MIT-Lizenz, PDF/DOCX/Scans, Tabellen, läuft lokal oder ohne Netzanbindung, MCP-Server, Integrationen für LangChain/LlamaIndex) [7]; Alternativen PaddleOCR, MinerU, Marker.
• Modelle: Open-Weight-LLMs der Klasse 30–120B (z. B. Qwen3, Mistral, gpt-oss, Llama-Familien), bereitgestellt über vLLM mit eingeschränkter JSON-Dekodierung; mehrsprachige Embeddings wie BGE-M3 und ein offener Reranker; Qdrant / pgvector / OpenSearch.
• Hardware: HW3 (eine GPU mit 48–141 GB) betreibt ein Modell der Klasse ~70–120B für vertrauliche Verträge; HW2 genügt für ein quantisiertes ~30B-Modell mit Retrieval über Klauselabschnitte, ist aber bei langen, querverwiesenen Vereinbarungen schwächer. Betriebsaufwand: eine ML-/DevOps-Fachkraft in Teilzeit.
• Wählen Sie C, wenn: M&A-, Vorstands-, Arbeits- oder Verteidigungslieferantenverträge das Haus nicht verlassen dürfen oder das Volumen die API-Kosten dominant macht.

Weg D — Eigenes Training

Selten der erste Schritt. Das Feintuning eines Klauselklassifikators (Encoder der BERT-Klasse) oder eines kleinen LLM lohnt sich bei sehr hohen Volumina, seltenen Sprachen oder hoch spezialisierten Vertragsarten (z. B. Rückversicherungsverträge, Energie-PPAs). Öffentliche Daten: CUAD (CC BY 4.0) und LegalBench-Aufgaben [1][9] für Evaluation und Warmstart; den eigentlichen Wert liefern mehrere hundert eigene annotierte Verträge, die als Nebenprodukt durch Korrekturen der Prüfenden entstehen.

Stand der Technik (2026)

• LLM-first-Extraktion hat Regel-/ML-Vorlagen abgelöst: Langkontext-Modelle lesen einen ganzen Vertrag und liefern JSON auf Klauselebene mit Beleg; das klassische Training von Klauselfindern (hunderte Beispiele je Klausel) ist inzwischen optional. Reasoning-Modelle kommen für den Bewertungsschritt zum Einsatz (weicht diese Freistellung vom Playbook ab?).
• Benchmarks: CUAD (41 Klauseltypen) und LegalBench (162 Aufgaben von 40 Beitragenden, viele vertragsbasiert wie CUAD, ContractNLI, MAUD) bleiben die öffentlichen Referenzen [1][9]; sie sind englisch und US-zentriert, daher muss die Genauigkeit bei deutschem oder französischem Recht an einem eigenen Referenzsatz gemessen werden.
• Playbook-gesteuerte Agenten: Anbieter vermarkten inzwischen „Legal Agents“, die mehrstufige Aufgaben nach Kunden-Playbooks ausführen und Fälle außerhalb des Standards an die entscheidende Person eskalieren [5].
• Grenzen und Fehlerbilder: übersehene Klauseln in Anlagen oder Allgemeinen Geschäftsbedingungen; Nachtragsketten (welche Version gilt?); Fehler bei Querverweisen; Verneinungen und Ausnahmen („außer wenn …“); erfundene Zitate; Datumsarithmetik (Kündigungsfristen, Werktage); schlechte Scans und handschriftliche Änderungen. „Klausel nicht gefunden“ ist die gefährlichste Ausgabe – der Recall muss ausdrücklich getestet werden. Die rechtsspezifische Wirksamkeit (z. B. ob eine Klausel nach dem AGB-Recht der §§ 305 ff. BGB unwirksam ist [10]) ist eine rechtliche Bewertung, keine Extraktionsaufgabe, und sollte nicht automatisch geschlussfolgert werden.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (ocr-docparse + llm + embeddings + vector-db): DOC-014 (PDF-Verarbeitung für RAG), DOC-011 (Due Diligence nutzt diese Extraktion im Umfang eines Datenraums), DOC-015 (Ausschreibungsanforderungen), DOC-016 (Compliance-Prüfung gegen Regeln), DOC-008 (Klassifikation in der Posteingangsstelle leitet Verträge ein), DOC-018 (Anonymisierung vor Weitergabe oder Modellnutzung).
• Direkter Nachbar: DOC-010 verwendet die Abweichungsbefunde und schlägt Rückfallformulierungen und Redlines vor; Workflow-Agenten im Stil von AGENT-004 übernehmen Erinnerungen und Freigaben.
• Hardware: Ein HW3-Inferenzserver kann DOC-009/010/011/014/015 gemeinsam bedienen; Dokumentenverarbeitung, Embedding und Vektorindex sind wiederverwendbare Bausteine.
• Datenpipeline: Eine einzige Vertragsablage mit Klauselbaum, extrahierten Metadaten und Belegzitaten speist Suche, Verlängerungswarnungen, Ausgabenanalyse und Risiko-Dashboards.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen für einen Pilot; SaaS-Lizenzen typischerweise pro Nutzer oder nach Vertragsvolumen.
• Weg B: 1–3 Monate für eine Produktivpipeline mit CLM-Integration und Referenzsatz; Kostentreiber sind verarbeitete Seiten, Modellwahl und Prüfzeit.
• Weg C: 2–4 Monate plus GPU-Server und Betrieb; durch Vertraulichkeit gerechtfertigt.
• Weg D: zusätzlich 2–3 Monate und Annotationsaufwand.
• Kennzahlen: Precision und Recall auf Feldebene je Klauseltyp (zuerst der Recall), Anteil der Verträge mit vollständigen Metadaten, Korrekturquote der Prüfenden, Prüfzeit je Vertrag, Vorfälle mit verpassten Fristen, Prozentsatz des durchsuchbaren Portfolios, Zeit bis zur Beantwortung einer Audit- oder M&A-Anfrage.

Menschen & Veränderung

Binden Sie die Geschäftsleitung für Umfang und Budget ein, die Leitung von Recht oder Einkauf als Prozessverantwortliche und die täglichen Nutzerinnen und Nutzer (Recht, Einkauf, Vertriebsinnendienst) ab dem ersten Workshop, denn sie legen das Playbook fest. Die IT kümmert sich um den Zugriff auf Ablagen und Konten; die Datenverantwortlichen der Vertragsordner müssen die Quellen freigeben. Die oder der Datenschutzbeauftragte kommt früh dazu: Verträge enthalten Namen und Unterschriften natürlicher Personen, daher sind die Rechtsgrundlage zu prüfen, mit jedem Anbieter ein AVV (Art. 28 DSGVO) abzuschließen und eine DSFA durchzuführen, wenn Arbeits- oder Verbraucherverträge einbezogen werden.

Betriebsrat: abhängig vom Fall. Reine Dokumentenanalyse überwacht keine Beschäftigten, aber Werkzeuge, die einzelne Nutzer-Prompts oder die Prüfgeschwindigkeit protokollieren, können unter § 87 Abs. 1 Nr. 6 BetrVG fallen (objektive Eignung genügt nach BAG); § 90 Abs. 1 Nr. 3 verlangt eine rechtzeitige Unterrichtung, wenn Arbeitsverfahren mit KI geplant werden. Wo ein Betriebsrat besteht, informieren Sie ihn vor dem Pilot.

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit einer kurzen Schulung zur Prüfung von Zitaten und dazu, was nicht hochgeladen werden darf (Art. 4 KI-Verordnung). Beginnen Sie mit einer Pilotgruppe von 3 bis 5 Vertragsprüfenden und einer festgelegten Vertragsart. Typische Sorgen sind Arbeitsplatzverlust und Haftung; begegnen Sie ihnen mit der klaren Aussage, dass die KI vorbereitet und Menschen entscheiden, und mit dem seitengenauen Quellenverweis für jeden extrahierten Wert. Siehe GUIDE-004, GUIDE-005, GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise minimales Risiko – Vertragsanalyse im Privatsektor ist nicht in Anhang III aufgeführt (am nächsten liegt Nr. 8, Einsatz in Justiz/ADR durch oder für Justizbehörden, der hochriskant wäre) [11]. Die KI-Kompetenzpflicht nach Art. 4 gilt für Nutzer. Chatbot-artige Oberflächen erfordern eine Kennzeichnung nach Art. 50. Fließen Vertragsdaten in Entscheidungen über Beschäftigte (z. B. Arbeitsvertrags- oder Leistungsklauseln, die für Führungsentscheidungen genutzt werden) oder in Kreditentscheidungen ein, ist die Einstufung neu zu prüfen.
• DSGVO: Verträge enthalten personenbezogene Daten (Unterzeichnende, Beschäftigte, Einzelunternehmer, versicherte Personen; in der Versicherung möglicherweise Gesundheitsdaten, Art. 9). Erforderlich sind ein Auftragsverarbeitungsvertrag, EU-Hosting, Löschfristen und Datenminimierung; erwägen Sie die Schwärzung nach DOC-018 vor der Nutzung externer APIs.
• Berufsrecht: In Deutschland ist rechtlich verbindliche Beratung Dritter Rechtsanwälten vorbehalten (RDG); interne Werkzeuge und Werkzeuge für Anwälte sind unproblematisch, an Verbraucher gerichtete „Rechtsberatungs“-Produkte brauchen eine rechtliche Prüfung. Die Verschwiegenheit (§ 203 StGB, § 43e BRAO) gilt bei der Nutzung externer Dienste durch Kanzleien.
• Versicherung: Beratungs- und Dokumentationspflichten (§ 6 VVG, IDD) bleiben bei der menschlichen Beraterin oder dem Berater [8].
• Risiken & Gegenmaßnahmen: halluzinierte Klauseln (Zitatprüfung, Belegverweise), übersehene Klauseln (Recall-Tests, Zweitprüfung), übermäßiges Vertrauen (verpflichtende Prüfung bei Verträgen mit hohem Wert oder hohem Risiko), Prompt Injection im Vertragstext (Dokumentinhalt als Daten behandeln, keine Werkzeugberechtigungen während der Extraktion), Training des Anbieters mit Ihren Daten (vertraglicher Ausschluss).

Erste Schritte

1. Wählen Sie eine Vertragsart (z. B. Lieferantenverträge oder NDAs) und definieren Sie 10–15 Felder und Klauseln, auf die es ankommt, jeweils mit einer Definition.
2. Bauen Sie einen Referenzsatz aus 50–100 von einer Juristin oder einem Juristen annotierten Verträgen auf, einschließlich Scans, Nachträgen und deutsch/englischen Mischformen.
3. Lassen Sie zwei Werkzeuge aus Weg A und einen Prototyp aus Weg B auf dem Referenzsatz laufen; vergleichen Sie Recall, Precision und Belegqualität, nicht den Eindruck aus Demos.
4. Ergänzen Sie eine Prüfansicht mit Quellenhervorhebung, ein Playbook und Warnungen zu Verlängerung / Kündigungsfrist.
5. Rollen Sie die nächste Vertragsart aus; verfolgen Sie Korrekturquote und verpasste Fristen monatlich.

Quellen

1. Atticus Project — CUAD (510 contracts, 13,000+ labels, 41 clause categories, CC BY 4.0) — https://www.atticusprojectai.org/cuad
2. Hendrycks et al. — CUAD: An Expert-Annotated NLP Dataset for Legal Contract Review (NeurIPS 2021) — https://arxiv.org/abs/2103.06268
3. Microsoft — Azure AI Document Intelligence contract model — https://learn.microsoft.com/azure/ai-services/document-intelligence/prebuilt/contract
4. Luminance — product and claims page — https://www.luminance.com/
5. Legartis — legal AI workspace (hosting, features) — https://www.legartis.ai/
6. Mistral AI — Document AI / OCR documentation — https://docs.mistral.ai/capabilities/document_ai/
7. Docling project — https://github.com/docling-project/docling
8. § 6 VVG, Beratung des Versicherungsnehmers — https://www.gesetze-im-internet.de/vvg_2008/__6.html
9. LegalBench (Stanford Hazy Research) — https://hazyresearch.stanford.edu/legalbench/
10. § 305 BGB, Einbeziehung Allgemeiner Geschäftsbedingungen — https://www.gesetze-im-internet.de/bgb/__305.html
11. AI Act Annex III (high-risk systems list) — https://artificialintelligenceact.eu/annex/3/
12. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj