Prüfung von Rechnungen externer Kanzleien & Management der Rechtskosten

Unternehmen zahlen externen Kanzleien hohe Beträge auf Grundlage von Rechnungen voller frei formulierter Tätigkeitsbeschreibungen. Deren Prüfung gegen Abrechnungsrichtlinien, Honorarvereinbarungen und Budgets ist langsam, sodass die meisten Rechnungen nur überflogen werden. Die KI liest jede Zeile, markiert Regelverstöße (Stundensätze, Block Billing, vage Einträge, Duplikate, nicht erstattungsfähige Auslagen), schlägt Kürzungen vor und verdichtet die Daten zu Auswertungen der Rechtskosten. Die Prüfenden in Recht oder Finanzen entscheiden; der Nutzen ist vollständige und einheitliche Abdeckung statt Stichproben.

Problem & Nutzen

• Heute: Rechtsabteilungen, Schadenabteilungen von Versicherern und öffentliche Stellen erhalten Kanzleirechnungen als PDF oder LEDES-Dateien. Die Prüfung erfolgt manuell oder regelbasiert (harte Grenzen für Stundensätze und Stunden); Beschreibungen wie „Bearbeitung der Akte“ oder in einem Block abgerechnete Einträge werden selten beanstandet. Systematische Muster über Kanzleien hinweg bleiben unsichtbar, wenn Rechnungen einzeln geprüft werden [3].
• KI-Nutzen: Jede Zeile wird gegen die Richtlinien des Mandanten geprüft, auch gegen semantische Regeln, die klassische Regelwerke nicht ausdrücken können (vage Beschreibung, doppelte Arbeit mehrerer Zeiterfassender, Tätigkeit passt nicht zum Code, Besetzung über das Genehmigte hinaus). Die Befunde fließen in Verhandlungen über Stundensätze und alternative Honorarmodelle ein.
• Belegte Zahlen (von Anbietern berichtet, nicht unabhängig geprüft): Onit nennt für seinen Spend Agent 92 % Genauigkeit auf Rechnungsebene und 81 % auf Positionsebene gegenüber 72 % und 43 % bei erfahrenen Juristen, gestützt auf eigene Untersuchungen [1]. V7 Labs nennt eine Verkürzung der Prüfzeit von 3–5 Tagen auf 15–30 Minuten [2]. Thomson Reuters behauptet, Legal Tracker könne helfen, die jährlichen Rechtskosten um bis zu 15 % zu senken [4]. Behandeln Sie alles als Werbeaussagen und vergleichen Sie anhand Ihrer eigenen Rechnungen.
• Deutsche Besonderheit: In Deutschland werden viele Mandate nach dem Rechtsanwaltsvergütungsgesetz (RVG) oder einer Vergütungsvereinbarung (§ 3a RVG) abgerechnet statt nach Stundensätzen mit LEDES-Aufgabencodes; die Prüfung betrifft daher eher den richtigen Gegenstandswert, die Gebührentatbestände und vereinbarte Stundensätze als die Beschreibungen der Zeiteinträge [8].

Varianten

• Rechtsabteilung eines Konzerns (Großunternehmen): E-Billing-Plattform mit LEDES-Eingang, Regelwerk, Budgets und Vergleich der Panel-Kanzleien.
• Versicherer / Schadenbearbeitung (Panels von Verteidigern): hohe Rechnungsvolumina, strenge Richtlinien, Rechnungsprüfung als Managed Service.
• Mittelstand / KMU: wenige Kanzleien, PDF-Rechnungen; ein LLM prüft Rechnungen gegen die Mandatsbestätigung und die Honorarvereinbarung, bevor Geschäftsführung oder Syndikus freigeben.
• Öffentlicher Sektor: Prüfung der Rechnungen externer Kanzleien gegen Rahmenverträge und Vergaberegeln.
• Seite der Kanzlei: Prüfung vor der Rechnungsstellung, um Richtlinienverstöße vor dem Versand zu finden (weniger Ablehnungen, schnellere Zahlung).
• Privatnutzung: Prüfung der Rechnung eines Anwalts gegen das RVG oder das vereinbarte Honorar, z. B. über einen allgemeinen Chatbot; geringes Volumen, keine Plattform nötig.
• Auswertung der Rechtskosten: Klassifizierung von Mandaten und Aufgaben (UTBMS-Phasen-/Aufgaben-/Tätigkeitscodes), um Kostentreiber zu erkennen, und Budgetprognosen (zu Ergebnisanalysen siehe PRED-038) [5].

So funktioniert es

1. intake (LEDES file / PDF / XRechnung / portal)
2. parsing (LEDES: direct; PDF: document AI
3. line items, timekeepers, rates, hours, expenses)
4. normalisation (matter ID, firm, timekeeper, currency, UTBMS codes)
5. rules layer (deterministic: rate cap, hour limits, approved timekeepers, duplicates, arithmetic, VAT)
6. AI layer (LLM/classifier: vague narrative, block billing, task/code mismatch, redundant work, expense policy)
7. scoring & proposal (approve / adjust / reject with guideline citation)
8. human review (legal ops or counsel, edits findings)
9. communication to firm (draft message, dispute tracking)
10. approval
11. payment in ERP
12. analytics (spend by firm/matter/phase, budget variance, rate benchmarks)

• Verständnis der Richtlinien: Die Richtlinien für externe Kanzleien (oft 20–40 Seiten PDF) werden in einen Regelkatalog überführt; ein LLM ordnet jede Regel einer deterministischen oder einer promptbasierten Prüfung zu. Die Trennung beider Ebenen macht Befunde nachvollziehbar.
• Klassifikation: Beschreibungen werden etikettiert (z. B. Recherche, Entwurf, Reise, interne Besprechung) und gegen den abgerechneten Aufgabencode geprüft; LEDES und UTBMS liefern die Struktur [5][6].
• Mensch-in-der-Schleife (Human-in-the-Loop): Die KI schlägt vor, ein Mensch genehmigt Kürzungen. Beim LegalVIEW BillAnalyzer von Wolters Kluwer etwa prüfen menschliche Rechnungsprüfer die von der KI markierten Positionen, bevor Anpassungen endgültig sind [7]. Das Verhältnis zur Kanzlei sollte nie einer automatischen Ablehnung überlassen werden.

Datenaufbereitung

Benötigte Daten: Rechnungen externer Kanzleien (LEDES-Dateien oder PDFs mit Zeiteinträgen), Mandatsbestätigungen und Honorarvereinbarungen, Stundensatzlisten, Abrechnungsrichtlinien, Mandatslisten und Budgets. Sie liegen typischerweise im System der Kreditorenbuchhaltung oder im ERP, im DMS oder Vertragswerkzeug der Rechtsabteilung, in gemeinsamen Postfächern und auf Dateiservern. Typische Lücken: Rechnungen als Scan oder PDF ohne Struktur, frei formulierte Beschreibungen, per E-Mail vereinbarte Stundensätze, fehlende Mandatsnummern auf Rechnungen, Duplikate und Abrechnungsrichtlinien, die nur als Fließtext vorliegen.

Schritte der Aufbereitung: - Kanzleien nach Möglichkeit um LEDES oder strukturierte Exporte bitten, andernfalls OCR und Extraktion nutzen, siehe PREP-006 und DOC-014. - Rechnungen und Freigaben per Export oder Konnektor aus ERP/Kreditorenbuchhaltung holen (PREP-005). - Stundensätze und Richtlinien in eine maschinenlesbare Tabelle überführen (PREP-011) und Mandats- und Kostenstellencodes abgleichen (PREP-012). - 30 bis 50 frühere Rechnungen mit bekannten Korrekturen als Evaluationsset sammeln (PREP-018, PREP-020). - Personenbezogene und vertrauliche Angaben entfernen oder pseudonymisieren, soweit nicht erforderlich (PREP-022); Zugriffsrechte prüfen.

Aufwandsanteil: etwa 30 bis 40 Prozent, überwiegend für die Strukturierung der Rechnungen und Stundensatzdaten. Siehe auch DOC-018 und GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg B. Plattformen für Rechtskosten sind auf große Rechtsabteilungen zugeschnitten; ein kleines Team fährt mit einer schlanken Pipeline auf Cloud-KI-Diensten besser, die eigene Stundensatzlisten und Abrechnungsrichtlinien auf Rechnungen anwendet.
• Großunternehmen: Weg A. Ausgereifte E-Billing- und Rechtskostenplattformen (Legal Tracker, Brightflag, Onit und andere) verbinden bereits LEDES-Eingang, Regeln und KI-Prüfung, und das Management von Rechtskosten ist eine Standardfunktion.
• Entwickler: Weg B. Das Auswerten von Rechnungen und der Abgleich mit Richtlinien ist ein typischer Aufbau über APIs mit einem Modell in einer EU-Region und strukturierter Ausgabe.
• Öffentlicher Sektor: Weg C. Vergaberegeln und Souveränitätsanforderungen sprechen für Open-Weight-Modelle auf deutscher oder europäischer souveräner Infrastruktur; die Rechnungsvolumina sind moderat, daher genügt HW2.

Weg A — Kaufen (Standardsoftware)

• Plattformen für Rechtsmanagement / E-Billing mit KI-Rechnungsprüfung: Thomson Reuters Legal Tracker [4], Brightflag (Mandats- und Kostenmanagement mit „Brightflag AI“) [9], Onit einschließlich Spend Agent (und dem früheren SimpleLegal) [1], Mitratech (CounselLink, Managed Bill Review), Wolters Kluwer LegalVIEW BillAnalyzer / TyMetrix (Präsenz in Europa) [7].
• Managed-Services zur Rechnungsprüfung: KI plus menschliche Prüfer, die auch mit der Kanzlei verhandeln (Wolters Kluwer, Mitratech); sinnvoll, wenn die Abteilung keine Kapazität für Legal Operations hat.
• Allgemeine KI-Rechnungsprüfer: V7 Go bietet einen konfigurierbaren Agenten zur Prüfung von Rechtsrechnungen [2].
• EU-/deutscher Kontext: Noxtua (Berlin, europäische Infrastruktur, Open-Source-Modelle auf souveräner Infrastruktur, C.H.BECK als Investor) ist ein Arbeitsbereich für Legal AI; es ist keine E-Billing-Plattform, passt aber zur Analyse von Verträgen und Honorarvereinbarungen [10]. Prüfen Sie bei jedem US-Anbieter den Datenstandort und den Umgang mit der Berufsverschwiegenheit.
• Weg A wählen, wenn: mehr als eine Handvoll Kanzleien, LEDES verfügbar, Budget für eine Plattform vorhanden. Kleinere Teams: fragen, ob das vorhandene Vertragsmanagement- oder Kreditorenwerkzeug Zusatzmodule anbietet.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Pipeline: Dokumenten-KI oder ein multimodales Modell für PDF-Rechnungen (siehe DOC-001), ein Frontier-LLM mit strukturierter Ausgabe zur Regelbewertung je Zeile, ein deterministisches Regelwerk im Code, Ergebnisse in einer Datenbank und einem BI-Werkzeug. Prompts je Regel formulieren („Ist dieser Eintrag im Block abgerechnet?“) statt eines großen Prompts je Rechnung.
• Modelle: jedes aktuelle Frontier-LLM in einer EU-Region (Azure OpenAI EU, Google Vertex EU, AWS Bedrock Frankfurt, Mistral) oder von einem EU-Anbieter; Reasoning-Modelle nur für schwierige Fälle (doppelte Arbeit mehrerer Zeiterfassender) und ein kleines Modell für die routinemäßige Klassifikation.
• Orchestrierung: n8n oder Power Automate, Anbindung an ERP/Kreditorenbuchhaltung, Ticket an Legal Operations bei Streitfällen.
• Weg B wählen, wenn: Sie ungewöhnliche Richtlinien haben oder die Prüfung in den eigenen Kreditorenprozess einbetten wollen und die Beschreibungen Ihr Haus auf Grundlage eines Auftragsverarbeitungsvertrags verlassen dürfen.

Weg C — Selbst betreiben (Open Source)

• Warum: Rechnungsbeschreibungen verraten Verfahrensstrategie und Geheimnisse des Mandanten; Syndikusanwälte und Kanzleien möchten sie womöglich im eigenen Haus halten (siehe Risiken unten).
• Stack: Docling oder PaddleOCR zum Auswerten von PDFs; ein Open-Weight-Instruct-LLM (z. B. Qwen3 oder Mistral-Familie, Modelle der Klasse Llama), betrieben mit vLLM oder Ollama; ein LEDES-Parser (das Format ist Klartext/XML); ein Embedding-Modell der Klasse BGE/E5 zur Erkennung ähnlicher Einträge; PostgreSQL + Metabase/Superset für Auswertungen; n8n für den Workflow.
• Hardware: HW2 genügt für tausende Rechnungen pro Monat mit einem quantisierten 14–32B-Modell; die Klassifikation von Beschreibungen betrifft kurze Texte und ist günstig. HW3 nur, wenn lange Richtliniendokumente samt Reasoning in großem Umfang genutzt werden.
• Aufwand: 2–4 Monate, überwiegend für Regelkatalog und Evaluation, nicht für Infrastruktur.

Weg D — Eigenes Training

Nur bei hohen Volumina erwägenswert: einen Encoder-Klassifikator (Klasse BERT) auf den bisherigen Entscheidungen Ihrer Prüfenden feintunen (akzeptieren / kürzen / ablehnen mit Begründungscode), um Kürzungen vorherzusagen und Rechnungen für die menschliche Aufmerksamkeit zu priorisieren. Nötig sind einige tausend etikettierte Zeilen je Regeltyp; Korrekturen der Prüfenden sind die Trainingsdaten. Für die meisten Abteilungen genügen Prompting und Regeln.

Stand der Technik (2026)

• Von Regeln zum Hybrid: Klassische E-Billing-Systeme setzen numerische Regeln durch; LLMs ergänzen semantische Prüfungen der Beschreibungen. Anbieter liefern inzwischen Agenten, die jede Zeile prüfen, bevor sie das Rechtsteam erreicht [1][2][4]. Milliman beschreibt die Entwicklung von manueller über regelbasierte zu KI-gestützter Prüfung und stellt fest, dass KI hilft, systematisches Abrechnungsverhalten zu erkennen, das bei der Prüfung Rechnung für Rechnung unentdeckt bleibt [3].
• Offene Datenstandards: LEDES (Formate 1998B, 2000, XML) und UTBMS-Codesätze machen Rechnungen maschinenlesbar und sind die Grundlage für Benchmarking [5][6].
• Behauptungen gegenüber Belegen: Veröffentlichte Zahlen zu Genauigkeit und Einsparungen stammen von Anbietern [1][2][4]; ein unabhängiger öffentlicher Benchmark zur Prüfung von Rechtsrechnungen wurde nicht gefunden. Bauen Sie ein Referenzset aus 200–500 Zeilen mit Entscheidungen der Prüfenden auf und messen Sie Precision/Recall je Regel.
• Grenzen und Fehlerbilder: Falsch-Positive verärgern Kanzleien und belasten Beziehungen; LLMs können Kontext falsch deuten (ein langer Eintrag kann nach der Mandatsbestätigung zulässig in einem Block abgerechnet sein); Richtlinien unterscheiden sich je Mandant und ändern sich; gescannte Rechnungen und nicht englische Beschreibungen senken die Genauigkeit; Stunden und Stundensätze müssen per Code geprüft werden, nicht vom LLM; kein Modell weiß, ob die Arbeit für den Fall tatsächlich notwendig war.

Gemeinsame Bausteine & Kombinationen

• Gleiche Bausteine (ocr-docparse + llm-general + text-classifier): DOC-001 Rechnungsverarbeitung (die Kreditoren-Pipeline, in die sich diese Prüfung einfügt), DOC-010 Vertragsprüfung (Stundensatzlisten und Honorarbedingungen aus Mandatsbestätigungen extrahieren), LANG-012 Textklassifikation, LANG-008 Zusammenfassung (Mandatszusammenfassungen für Budgetberichte).
• Nachgelagert und benachbart: ANOM-009 Spesen- und Beschaffungsbetrug (Duplikate und Anomalien in denselben Daten erkennen), PRED-038 Prozessanalytik (Budgetprognosen und Ergebnisvorhersagen), LANG-035 Schriftsatzerstellung (dieselben Mandate, Kostenseite gegenüber Arbeitsseite), KNOW-006 juristische Recherche, DOC-014 Dokumentenauswertung für RAG (Fragen und Antworten zu Richtlinien), AGENT-004 für Workflows der Streitkorrespondenz.
• Hardware: Ein HW2-Server mit einem kleinen/mittleren LLM und einem Dokumentenparser kann diesen Anwendungsfall und DOC-001 gemeinsam bedienen; die Workflow-Engine wird mit anderen Automatisierungen im Backoffice geteilt.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zur Einführung; Lizenz typischerweise nach verwalteten Kosten oder je Nutzer (Preise nicht öffentlich); Dienste zur Rechnungsprüfung verlangen oft einen Anteil an den Einsparungen oder eine Gebühr je Rechnung.
• Weg B: 1–3 Monate; die API-Kosten je Rechnung sind im Vergleich zur Arbeitszeit der Prüfenden gering; der Hauptaufwand liegt im Regelkatalog und im Evaluationsset.
• Weg C: 2–4 Monate plus GPU-Server und Betrieb.
• Kennzahlen: Anteil der geprüften Kosten (Ziel 100 %), Kürzungen in Prozent des abgerechneten Betrags, Akzeptanzquote der KI-Befunde durch die Prüfenden, Streitquote mit Kanzleien und Dauer bis zur Klärung, Durchlaufzeit der Rechnung, Budgetabweichung je Mandat, Entwicklung des effektiven Stundensatzes je Kanzlei.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsführung und der Leitung von Recht oder Finanzen (Prozessverantwortung) und beziehen Sie dann die Rechnungsfreigebenden und Rechtsassistenzen ein, die täglich mit dem Werkzeug arbeiten. Holen Sie die IT für die Anbindung an Kreditorenbuchhaltung/ERP, die Datenverantwortlichen von DMS und ERP, Recht/Compliance für Fragen der Berufsverschwiegenheit und Mandatsvertraulichkeit sowie die oder den Datenschutzbeauftragten hinzu, da Rechnungen Namen von Beschäftigten und Gegenparteien enthalten; prüfen Sie den AVV und bei Anbietern außerhalb der EU die Garantien für die Datenübermittlung (GUIDE-005, GUIDE-010).

Betriebsrat: in der Regel nein. Das System prüft externe Rechnungen, nicht das Verhalten von Beschäftigten. Relevant wird es, wenn das Werkzeug einzelne Freigebende oder Juristen protokolliert oder bewertet; dann kann § 87 Abs. 1 Nr. 6 BetrVG greifen, und § 90 Abs. 1 Nr. 3 verlangt bei Änderung von Arbeitsprozessen die rechtzeitige Unterrichtung. Klären Sie das früh (GUIDE-004). Öffentlicher Sektor: Personalrat entsprechend einbeziehen.

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit einer kurzen Schulung dazu, was die Prüfung kann und was nicht, z. B. dass markierte Positionen Vorschläge sind und das Werkzeug Einträge übersehen kann (GUIDE-006). Führen Sie eine Pilotphase mit ein bis zwei Kanzleien über zwei bis drei Monate durch und vergleichen Sie die Ergebnisse mit der manuellen Prüfung (GUIDE-009). Typische Sorge: belastete Beziehungen zu Kanzleien wegen gekürzter Rechnungen. Begegnen Sie dem, indem ein Mensch jede Kürzung entscheidet und die Abrechnungsrichtlinien den Kanzleien transparent mitgeteilt werden.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise minimales Risiko. Ein Werkzeug zur Prüfung der eigenen Rechnungen externer Kanzleien fällt nicht in eine aufgeführte Kategorie des Anhangs III; es wird nicht von einer Justizbehörde eingesetzt und trifft keine Beschäftigungsentscheidungen [11]. Heikel wird es, wenn es einzelne Anwälte oder interne Beschäftigte so bewertet, dass dies Vergütung, Beförderung oder Aufgabenverteilung beeinflusst (Anhang III Nr. 4: Leistungsbewertung von Personen in arbeitsbezogenen Beziehungen), oder natürliche Personen profiliert; die Ausnahmen nach Art. 6 Abs. 3 gelten nicht bei Profiling [12]. Halten Sie die Analyse auf Ebene von Kanzlei/Mandat. KI-Kompetenz (Art. 4) gilt.
• DSGVO: Namen der Zeiterfassenden, Stundensätze und Beschreibungen sind personenbezogene Daten der Beschäftigten der Kanzlei und können Mandanten, Gegenparteien oder Beschäftigte nennen; Auftragsverarbeitungsverträge, Zweckbindung, rollenbasierter Zugriff; Rankings einzelner Anwälte sind zu vermeiden.
• Berufsverschwiegenheit: Beschreibungen können vertrauliche Inhalte offenlegen. In Deutschland stellt § 203 StGB die Offenbarung von Geheimnissen durch Rechtsanwälte unter Strafe und verpflichtet sie, externe Dienstleister zur Verschwiegenheit zu verpflichten; daher kommt es darauf an, ob die Kanzlei Beschreibungen rechtmäßig an den KI-Anbieter des Mandanten weitergeben darf und ob der eigene Vertrag des Mandanten mit dem KI-Anbieter Vertraulichkeit enthält [13]. Vereinbaren Sie den Umfang mit den Kanzleien; bei sensiblen Mandaten Hosting in der EU oder On-Premises bevorzugen; Anbieter so konfigurieren, dass sie nicht mit Rechnungsdaten trainieren.
• Gebührenrecht: Gesetzliche Gebühren nach dem RVG und Vergütungsvereinbarungen nach § 3a RVG begrenzen, was beanstandet werden kann; das Werkzeug muss den Vertrag anwenden, nicht eine generische Stundensatzlogik [8].
• Buchführung: Bei Integration in die Kreditorenbuchhaltung gelten die GoBD-Anforderungen an nachvollziehbare Verarbeitung und Archivierung (siehe DOC-001).
• Gegenmaßnahmen: menschliche Freigabe jeder Kürzung, Nennung der verletzten Regel in jedem Befund, Protokoll, regelmäßige Stichproben nicht markierter Rechnungen, Einspruchsweg für Kanzleien.

Erste Schritte

1. Rechnungen der letzten 3–6 Monate Ihrer drei wichtigsten Kanzleien sowie deren Richtlinien und Honorarvereinbarungen sammeln; fragen, ob die Kanzleien LEDES liefern können.
2. Die Richtlinien in eine Liste von 15–30 prüfbaren Regeln überführen; in deterministische (Stundensätze, Stunden, Duplikate) und semantische (vage, Block Billing) aufteilen.
3. Ein Referenzset mit früheren Entscheidungen der Prüfenden aufbauen; 2–3 Anbieter-Demos (Weg A) oder einen Prototyp (Weg B/C) darauf laufen lassen und Precision/Recall vergleichen.
4. Zwei Abrechnungszyklen im Schattenbetrieb laufen lassen; die Prüfenden akzeptieren oder verwerfen Befunde; die Akzeptanzquote verfolgen.
5. Ihre Kanzleien über den Prozess informieren, den Regelkatalog teilen und das Kostendashboard für Gespräche über Stundensätze und Budgets nutzen.

Quellen

1. Onit — Spend Agent: AI-powered invoice review for legal teams (vendor accuracy claims) — https://www.onit.com/?p=18328
2. V7 Labs — AI legal invoice review (vendor figures) — https://www.v7labs.com/automations/legal-invoice-review
3. Milliman — Legal bill review: AI vs. manual invoice audit — https://www.milliman.com/en/insight/legal-bill-review-ai-manual-invoice-audit
4. Thomson Reuters — Legal Tracker (AI invoice review, benchmarking, claims) — https://legal.thomsonreuters.com/en/products/legal-tracker
5. UTBMS — Uniform Task Based Management System code sets — https://utbms.com/
6. LEDES Oversight Committee — LEDES formats — https://www.ledes.org/
7. Wolters Kluwer LegalVIEW BillAnalyzer (Legal Technology Hub profile) — https://www.legaltechnologyhub.com/vendors/legalview-billanalyzer-by-wolters-kluwer/
8. Rechtsanwaltsvergütungsgesetz (RVG), Gesetze im Internet — https://www.gesetze-im-internet.de/rvg/
9. Brightflag — legal spend and matter management platform — https://brightflag.com/
10. Noxtua — European legal AI platform — https://www.noxtua.com/
11. EU AI Act — Annex III high-risk areas (unofficial text site) — https://artificialintelligenceact.eu/annex/3/
12. EU AI Act — Article 6 classification rules incl. exceptions (unofficial text site) — https://artificialintelligenceact.eu/article/6/
13. § 203 StGB Verletzung von Privatgeheimnissen — https://www.gesetze-im-internet.de/stgb/__203.html