Prozessausgangsprognose & Legal Analytics

Anwälte, Rechtsabteilungen, Versicherer und Prozessfinanzierer müssen mit sehr wenigen harten Daten entscheiden, ob sie klagen, sich verteidigen, vergleichen oder einen Fall finanzieren. Legal Analytics macht aus Gerichtsakten und eigener Mandatshistorie Statistiken (Erfolgsquoten, Dauern, Zuspruchshöhen) und zunehmend auch kalibrierte Ausgangsprognosen für einen konkreten Fall. Das sind Entscheidungshilfen mit großer Unsicherheit, keine Orakel. In der EU sind die Haupteinschränkungen knappe strukturierte Daten, nationale Verbote oder Grenzen für das Profiling einzelner Richter und die Hochrisiko-Regeln der KI-Verordnung, wenn ein Gericht selbst ein solches System einsetzt.

Problem & Nutzen

• Heute: Fallbewertungen beruhen auf der Erfahrung der Partner, einer Handvoll Präzedenzfälle und Bauchgefühl. Prozessfinanzierer und Rechtsschutzversicherer bepreisen Risiko mit Tabellenkalkulationen und Expertenrunden; Rechtsabteilungen von Unternehmen budgetieren Streitigkeiten mit groben Faustregeln.
• KI-Nutzen: (1) beschreibende Analytik über Gerichtsdaten (Stattgabequoten bei Anträgen, Zeit bis zum Urteil, Schadenersatzspannen); (2) Ähnlichkeitssuche über Präzedenzfälle mit LLMs; (3) überwachte Modelle, die eine Wahrscheinlichkeit für eine definierte Ausgangsklasse angeben; (4) Reservierungs- und Finanzierungsentscheidungen auf Portfolioebene (siehe PRED-037).
• Evidenzniveau: Akademische Studien zeigen, dass Ausgänge besser als mit naiven Basislinien vorhergesagt werden können, aber nur bescheiden. Ein Random Forest auf der US Supreme Court Database sagte etwa 70 % der Fallausgänge und etwa 72 % der Einzelstimmen der Richter über 1816–2015 voraus, gegenüber Basislinien von etwa 67 % und 66 % [2]. Auf dem Benchmark des Schweizer Bundesgerichts (~85.000 Entscheidungen, drei Sprachen) erreichten hierarchische BERT-Modelle etwa 68–70 % Makro-F1 [3][4]. Genauigkeitsangaben von Anbietern (z. B. „85 % bei der Vorhersage von Anträgen“ [5]) sind selbst berichtet und nicht unabhängig geprüft; behandeln Sie sie als Marketing, bis sie auf Ihren eigenen Daten validiert sind.

Varianten

• Fallbewertung in Kanzlei / Rechtsabteilung: frühe Fallbewertung, Vergleichsspannen, Budget- und Dauerprognose.
• Prozessfinanzierung & Rechtsschutzversicherung: Scoring zur Fallauswahl und Portfoliobepreisung; Verbindung zu PRED-010 und PRED-037.
• Massenverfahren (Verbraucher, Diesel, Fluggastentschädigung, Datenschutzansprüche): hohes Volumen, strukturiert, das Segment, in dem statistische Modelle am besten funktionieren; siehe auch DOC-020 zur Gerichtsseite.
• Analytik zu gegnerischen Anwälten und Gerichtsstandorten (überwiegend USA): Verfahrensbasierte Statistiken zu Anwälten, Gerichten und Anträgen (z. B. Lex Machina, Pre/Dicta).
• Analytik für britische / Commonwealth-Ansprüche: z. B. Solomonic für Ansprüche vor dem englischen High Court [6].
• Ausgangsanalytik bei Schiedsverfahren und Patenten (IP): Nische, kleine Datensätze, überwiegend beschreibend.
• Private Nutzung: Verbraucher-Tools „Werde ich gewinnen?“ (Miete, Fluggastverspätung, Bußgelder) auf Basis weniger strukturierter Merkmale; beschränken Sie sich auf Fälle mit geringem Streitwert und transparente Schätzungen.
• Hier nicht abgedeckt: Rückfälligkeits- und Täterrisiko-Scoring (PRED-045), Schadenhöhe bei Versicherern (PRED-037), eDiscovery (DOC-021).

So funktioniert es

1. Fallaufnahme (Sachverhalt, Streitwert, Gericht, Stand, Dokumente)
2. Dokumentenparsing + Extraktion von Sachverhalt/Rechtsfragen (OCR, LLM, Schema)
3. Merkmalsbildung (strukturierte Merkmale + Text-Embeddings; Präzedenzfall-Retrieval)
4. Modelle: beschreibende Statistik | Suche ähnlicher Fälle | Ausgangsklassifikator / Überlebenszeitmodell für die Dauer
5. Kalibrierung + Unsicherheit (Wahrscheinlichkeitsintervalle, konforme / Kalibrierungskurven)
6. Erklärung (Schlüsselfaktoren, nächste Präzedenzfälle mit Zitaten)
7. Prüfung durch Anwalt
8. Entscheidung (vergleichen / klagen / finanzieren / reservieren)
9. Ausgang für Neutraining protokolliert

• Strukturierte Modelle: Gradient Boosting oder logistische Regression auf Metadaten (Gericht, Rechtsgebiet, Wert, Stand); Überlebenszeitmodelle für die Zeit bis zum Urteil. In den meisten Fällen schlagen diese reine Textmodelle bei kleinen Datenmengen und sind leichter zu prüfen.
• Textmodelle: Encoder-Klassifikatoren (BERT-Klasse) für Benchmarks zur Urteilsprognose [3][4]; LLMs hauptsächlich zur Faktenextraktion, Erkennung von Rechtsfragen und Zusammenfassung von Präzedenzfällen, nicht für die endgültige Wahrscheinlichkeit.
• Retrieval: hybride Suche (BM25 + Embeddings + Reranker) über Entscheidungen, sodass jede Prognose mit ihren Vergleichsfällen gezeigt wird.
• Mensch-in-der-Schleife (Human-in-the-Loop): Ein qualifizierter Anwalt verantwortet die Bewertung; die Modellausgabe ist ein Input, festgehalten mit ihrer Unsicherheit. Keine automatischen Entscheidungen über Personen.

Datenaufbereitung

Benötigt werden eigene Mandatsdaten (Ausgänge, Vergleiche, Kosten, Dauern), Falldokumente (Schriftsätze, Anspruchsschreiben, Urteile) sowie externe Gerichtsentscheidungen und Verfahrensdaten. Intern liegen sie im DMS oder Mandatsmanagementsystem, auf Dateifreigaben, in E-Mails und bei älteren Fällen auf Papier. Externe Rechtsprechung stammt aus offenen Portalen oder kommerziellen Datenbanken.

Typische Lücken: Ausgänge nur als Freitext erfasst, gescannte Schriftsätze, uneinheitliche Kodierung von Rechtsgebiet und Gericht, fehlende Streitwerte, doppelte oder aufgespaltene Mandate und starke Selektionsverzerrung, weil die meisten Fälle verglichen werden. Zugriffsrechte sind wichtig: Mandatsakten sind vertraulich und oft durch die Verschwiegenheitspflicht geschützt.

Schritte der Aufbereitung: (1) Mandate erfassen und ein minimales Ausgangsschema definieren (PREP-019, PREP-002); (2) Papierakten scannen und per OCR erfassen (PREP-006, DOC-014, DOC-018); (3) Metadaten (Gericht, Gebiet, Wert, Stand) mit einem LLM extrahieren und eine Stichprobe prüfen (PREP-010); (4) Ausgangs-Labels aus abgeschlossenen Mandaten gewinnen (PREP-020); (5) Parteien vor der Analytik pseudonymisieren (PREP-022); (6) mit erfahrenen Anwälten eine Evaluationsmenge aufbauen (PREP-018); (7) Ordnerberechtigungen bereinigen (PREP-023). Werkzeuge: Paperless-ngx oder ein DMS mit OCR, Python, eine Vektordatenbank für die Präzedenzfallsuche.

Grober Aufwandsanteil: 50 bis 60 Prozent. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU (Kanzleien, kleine Rechtsteams): Weg A, weil kommerzielle Legal-Analytics- und Rechtsprechungsplattformen Gerichtsstatistik und Präzedenzfallsuche bereits abdecken und der Aufbau eines eigenen Korpus für eine kleine Kanzlei unverhältnismäßig ist.
• Enterprise: Weg B, weil Versicherer, Finanzierer und große Rechtsabteilungen wertvolle eigene Mandatsdaten besitzen und kalibrierte Modelle auf Portfolioebene brauchen, die ins Mandatsmanagement integriert sind.
• Entwickler: Weg C, weil offene Rechtsprechung, Embedding-Modelle und LLMs mit offenen Gewichten lokal kombiniert werden können, was zu vertraulichen Falldaten passt und Kontrolle über Kalibrierung und Zitatprüfung gibt.

Weg A — Kaufen (Standardsoftware)

• US-zentrierte Analytik: Lex Machina (LexisNexis; Verfahrensanalytik), Pre/Dicta (Prognosen zu Anträgen und nach Richtern, behauptet 85 % Genauigkeit bei der Vorhersage von Anträgen, selbst berichtet [5]), Analytikmodule von Westlaw/Practical Law und Bloomberg Law.
• Großbritannien: Solomonic (Ausgänge von High-Court-Ansprüchen, Richterverhalten, Sachverständigenbeweis) [6].
• EU / deutschsprachiger Kontext (EU): Doctrine (Frankreich; Rechercheassistent mit Rechtsprechungsdatenbank für FR, IT, DE, ES, LU, europäisches Hosting, ISO 27001; eher Recherche- und Akten-Werkzeuge als Ausgangswahrscheinlichkeiten) [7]. Deutsche Anbieter wie Beck (beck-online), Juris, Wolters Kluwer und Legal-Tech-Start-ups (Libra, Noxtua, Assistenten vom Typ Harvey) bieten Recherche- und Entwurfsassistenten; eine dedizierte numerische Ausgangsprognose für deutsche Gerichte fehlt weitgehend, weil Gerichtsentscheidungen nur teilweise veröffentlicht werden und Verfahrensdaten nicht offen sind. Prüfen Sie jede Anbieteraussage für die konkrete Rechtsordnung.
• Wählen Sie A, wenn: Sie in US-/UK-Verfahren tätig sind, schnell beschreibende Analytik brauchen und akzeptieren, dass Vorhersagen nur Anhaltspunkte sind. Fragen Sie Anbieter nach Rückvergleichen, Kalibrierungsdaten und Datenabdeckung je Gericht.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Pipeline: Dokumentenparsing (Azure Document Intelligence, Mistral OCR – EU), Extraktion und Zusammenfassung von Präzedenzfällen mit einem LLM über Endpunkte in EU-Regionen (Mistral, Azure OpenAI EU, Claude oder Gemini über EU-Regionen), strukturierte Ausgaben in eine Merkmalstabelle, dann ein klassisches Modell (scikit-learn, LightGBM), trainiert auf Ihren eigenen Mandaten.
• Daten: offene Rechtsprechung (z. B. Open Legal Data für Deutschland, EUR-Lex/CURIA, HUDOC, nationale Portale; Lizenz und Anonymisierung prüfen) plus interne Mandatsdaten.
• Wählen Sie B, wenn: Sie 500+ vergleichbare abgeschlossene Mandate haben (z. B. Massenverfahren, ein Rechtsschutzversicherer, ein Finanzierer) und die Integration in Ihr Mandatsmanagementsystem brauchen.

Weg C — Selbst betreiben (Open Source)

• Modelle: LLMs mit offenen Gewichten für Extraktion und Retrieval (Qwen-, Llama-, Mistral-Familien, bereitgestellt über vLLM), mehrsprachige juristische Encoder (z. B. Legal-BERT-Varianten, XLM-R-basierte Modelle) für die Klassifikation, bge-m3 oder ähnliches für Embeddings; OpenSearch oder Qdrant für hybrides Retrieval; LightGBM / lifelines für tabellarische und Überlebenszeitmodelle.
• Benchmarks zur Evaluation: Swiss-Judgment-Prediction [3][4], LegalBench für allgemeines juristisches Schlussfolgern von LLMs [8].
• Hardware: HW2 (eine GPU mit 24–32 GB) genügt für Extraktion, Embedding und Feintuning kleiner Encoder; HW3 für größere LLMs, wenn die Verschwiegenheit (Anwaltsgeheimnis, § 203 StGB) eine externe Verarbeitung verbietet.
• Wählen Sie C, wenn: Mandantenvertraulichkeit oder eine On-Premises-Vorgabe Cloud-APIs ausschließt (Kanzleien, Behörden).

Weg D — Eigenes Training

Lohnt sich für Finanzierer, Versicherer und große Rechtsabteilungen mit eigener Mandatshistorie: Ausgangs-, Dauer- und Vergleichswertmodelle auf abgeschlossenen Mandaten trainieren, dazu feingetunte juristische Encoder auf nationaler Rechtsprechung. Es braucht Labels zu Ausgängen (nicht nur „gewonnen/verloren“, sondern auch Teilerfolg, Vergleichsbeträge, Kosten), eine konsistente Kodierung der Rechtsfragen und eine zeitbasierte Hold-out-Validierung (auf früheren Jahren trainieren, auf späteren testen), um Leakage zu vermeiden. Kleine Stichproben (<~300 vergleichbare Fälle) tragen meist nur beschreibende Statistik.

Stand der Technik (2026)

• Forschung: Die Prognose von Gerichtsurteilen (EGMR-, Schweizer, chinesische, US-Datensätze) ist eine etablierte NLP-Aufgabe; berichtete Genauigkeiten sind bescheiden und hängen stark von der Datensatzkonstruktion ab. Eine bekannte Falle ist, dass Urteilstexte die Begründung des Ausgangs selbst enthalten, sodass naive Textmodelle aus durchgesickerter Formulierung statt aus ex ante verfügbaren Fakten „vorhersagen“ [3][4].
• LLMs: Universelle Reasoning-LLMs schneiden bei vielen LegalBench-artigen Aufgaben gut ab [8], sind aber keine kalibrierten Prognostiker von Fallausgängen; nutzen Sie sie für Extraktion, Erkennung von Rechtsfragen und Präzedenzanalyse und kalibrieren Sie numerische Wahrscheinlichkeiten getrennt.
• Kommerzieller Trend: Analytikanbieter ergänzen LLM-Assistenten auf Verfahrens- und Rechtsprechungsdaten; das Unterscheidungsmerkmal sind Datenabdeckung und -sauberkeit, nicht das Modell. Doctrine und ähnliche EU-Plattformen konzentrieren sich auf Recherche und Aktenanalyse [7].
• Grenzen und Fehlerbilder: Selektionsverzerrung (nur einige Fälle erreichen ein Urteil, die meisten enden im Vergleich), kleine Stichproben, Drift durch Gesetzesänderungen, fehlende fallentscheidende Fakten (Beweisqualität, Glaubwürdigkeit von Zeugen), überzuversichtliche Wahrscheinlichkeiten, Zirkularität (veröffentlichte Prognosen ändern das Verhalten der Parteien) und halluzinierte Zitate in LLM-Ausgaben.
• Ich konnte nicht unabhängig verifizieren: Genauigkeitsangaben auf Produktebene; keine wird hier ohne Rückvergleichsbelege akzeptiert.

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Bausteine: Dokumentenparsing und LLM-Extraktion (DOC-010 Vertragsprüfung, DOC-011 Due Diligence, DOC-021 eDiscovery), hybride Suche/RAG über juristische Texte, tabellarischer ML-Stack gemeinsam mit PRED-009, PRED-010 und PRED-037; ein HW2/HW3-GPU-Server bedient sie alle.
• Natürliche Kombinationen: PRED-037 (Schadenhöhe, Prozesswahrscheinlichkeit und Reservierung) nutzt Ausgangs- und Dauerprognosen; PRED-010 Underwriting für die Rechtsschutzversicherung; ANOM-003 Betrugsprüfung bei Schäden; PRED-021 Priorisierung im Forderungsmanagement (Streitwahrscheinlichkeit); DOC-020 ist das Gegenstück auf der Gerichtsseite (Hochrisiko, siehe unten).
• Nicht zusammenführen mit: PRED-045 (Täterrisiko) – anderes Rechtsregime und andere Betroffene.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; Preis als Abo je Arbeitsplatz/Modul (US-Anbieter sind meist teuer; holen Sie Angebote ein).
• Weg B: 3–6 Monate einschließlich Datenerhebung und Labeling; Hauptkosten sind Dateningenieurwesen und die Zeit der Anwälte für die Kodierung der Ausgänge.
• Weg C: 4–9 Monate plus GPU-Server und ML-Betrieb.
• Weg D: 6–12+ Monate; erfordert eine stabile Mandatsdaten-Pipeline.
• Kennzahlen: Kalibrierung (Brier-Score, Reliabilitätskurve), Genauigkeit gegenüber einer Basisraten-Basislinie auf einer zeitlich aufgeteilten Testmenge, Fehler der Dauer-/Kostenprognose, Anteil der Fälle, in denen die Prognose die Entscheidung geändert hat, realisierter vs. vorhergesagter Vergleichswert, Verlustquote des Finanziererportfolios.

Menschen & Veränderung

Beziehen Sie zuerst die Geschäftsleitung (Budget, Risikobereitschaft beim Verlass auf Prognosen) und die Leitung der Rechts- oder Schadenabteilung ein; nehmen Sie praktizierende Anwälte von Anfang an als Endnutzer hinzu, weil sie die Labels liefern und die Plausibilität beurteilen. IT und die Verantwortlichen für DMS und Mandatsdaten werden für den Zugriff gebraucht; Legal/Compliance klärt Verschwiegenheitspflicht und Mandanteneinwilligung. Die bzw. der Datenschutzbeauftragte wird einbezogen, weil Partei- und Falldaten personenbezogen und oft sensibel sind; eine DSFA ist wahrscheinlich, wenn Personen systematisch bewertet werden, und jeder Anbieter braucht einen AVV (GUIDE-005).

Betriebsrat: in der Regel nein, weil das Werkzeug Fälle analysiert, nicht Beschäftigte. Relevant wird er, wenn Nutzungsprotokolle oder Statistiken je Anwalt entstehen (§ 87 Abs. 1 Nr. 6 BetrVG) oder wenn sich Arbeitsverfahren wesentlich ändern (§ 90 Abs. 1 Nr. 3); informieren Sie den Betriebsrat daher kurz (GUIDE-004).

Maßnahmen zur Förderung der KI-Kompetenz (Art. 4 KI-Verordnung): Vermitteln Sie Anwälten, was eine kalibrierte Wahrscheinlichkeit ist, wie Selektionsverzerrung Ergebnisse verzerrt und dass jede zitierte Entscheidung zu prüfen ist (GUIDE-006). Starten Sie einen Pilot mit einer Praxisgruppe auf bereits abgeschlossenen Mandaten und vergleichen Sie Vorhersagen mit den tatsächlichen Ausgängen, bevor Sie sie live nutzen (GUIDE-009). Typische Sorgen: Angst vor dem Ersatz juristischer Urteilskraft und vor halluzinierten Zitaten. Begegnen Sie ihnen, indem Sie die Ausgaben als einen Input für Vergleichs- und Budgetentscheidungen positionieren, Quellenprüfungen verpflichtend machen und die Entscheidung sowie die Mandantenberatung beim Anwalt belassen.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt vom Nutzer ab. KI, die von oder im Auftrag einer Justizbehörde zur Recherche und Auslegung von Tatsachen und Recht oder zur Anwendung des Rechts auf Tatsachen eingesetzt wird, ist Hochrisiko (Anhang III Nummer 8 Buchstabe a) [1]. Werkzeuge von Kanzleien, Versicherern, Finanzierern oder Unternehmen für die eigene Fallbewertung sind in der Regel nicht in Anhang III aufgeführt und überwiegend Systeme mit minimalem Risiko, werden aber zu Hochrisiko, wenn sie Entscheidungen über den Zugang zu wesentlichen Diensten speisen (z. B. ist die Versicherungspreisbildung nur bei Leben/Kranken Hochrisiko, Kreditscoring bei natürlichen Personen) oder in arbeitsrechtlichen Streitigkeiten zur Bewertung von Arbeitnehmern eingesetzt werden. Prüfen Sie Anhang III und die Ausnahmen nach Art. 6 Abs. 3 im Einzelfall; die KI-Kompetenz (Art. 4) gilt für alle Betreiber. Art. 5 wird durch die reine Falleanalytik nicht ausgelöst, aber Profiling von Einzelpersonen zur Vorhersage von Straftaten ist eine verbotene Praxis (siehe PRED-045/PRED-039).
• Richteranalytik: Frankreich verbietet (unter Strafandrohung) die Weiterverwendung von Identitätsdaten von Richtern und Gerichtsschreibern, um deren berufliche Praxis zu bewerten, zu analysieren, zu vergleichen oder vorherzusagen (Art. 33 des Loi n° 2019-222). Andere EU-Staaten haben kein ausdrückliches Verbot, doch gelten DSGVO und Bedenken zur richterlichen Unabhängigkeit; vermeiden Sie Profiling auf Richterebene in der EU und aggregieren Sie auf Gerichts- oder Kammerebene.
• DSGVO: Entscheidungen und Schriftsätze enthalten personenbezogene Daten (auch besondere Kategorien und Strafdaten, Art. 9/10); anonymisieren Sie (DOC-018), legen Sie Rechtsgrundlage und Zweck fest, führen Sie eine DSFA durch; automatisierte Einzelentscheidungen (Art. 22) dürfen nicht allein auf der Modellausgabe gegen eine betroffene Person beruhen, z. B. die Ablehnung des Anspruchs eines Verbrauchers.
• Verschwiegenheit: § 43a BRAO / § 203 StGB (Deutschland) und Entsprechungen begrenzen, welche Mandantendaten an externe KI-Anbieter gehen dürfen; bevorzugen Sie Weg C oder vertragliche Absicherungen mit Verarbeitung in der EU.
• Einsatz auf der Gerichtsseite: Die CEPEJ-Ethik-Charta und Anhang III Nummer 8 der Verordnung gelten; Richter bleiben Entscheider. Vorhersagende „Justiz“ für die Strafzumessung liegt außerhalb des Umfangs (PRED-045).
• Gegenmaßnahmen: Zeitaufteilung bei der Validierung, Kalibrierung, Vergleichsfälle und Unsicherheit zeigen, keine deterministische Formulierung („wird gewinnen“), Freigabe durch Anwälte, Ein- und Ausgaben protokollieren, regelmäßiger Rückvergleich.

Erste Schritte

1. Definieren Sie die Entscheidung (vergleichen vs. klagen, finanzieren vs. ablehnen, reservieren) und die Ausgangsklassen, die Sie vorhersagen müssen; prüfen Sie, ob Sie 300–500 vergleichbare abgeschlossene Mandate haben.
2. Beginnen Sie vor jedem Modell mit beschreibender Analytik auf Ihren eigenen Mandaten (Dauern, Kosten, Erfolgsquoten nach Rechtsgebiet und Gericht).
3. Testen Sie ein kommerzielles Analytik-Werkzeug (Weg A) oder einen offenen Rechtsprechungsdatensatz im Rückvergleich auf vergangenen Fällen, deren Ergebnis Sie kennen.
4. Bauen Sie die Extraktionspipeline (Parsing + LLM-Schema) und ein einfaches kalibriertes Modell; vergleichen Sie auf einer zeitbasierten Aufteilung mit der Basisrate.
5. Dokumentieren Sie die Governance: DSFA, Prüfung der Verschwiegenheit, Freigabe durch Anwälte und eine Regel, dass Ausgaben Spannen sind, keine Urteile.

Quellen

1. EU AI Act, Annex III (high-risk systems, point 8 administration of justice) — https://artificialintelligenceact.eu/annex/3/ (accessed 2026-10)
2. Katz, Bommarito, Blackman: A general approach for predicting the behavior of the Supreme Court of the United States, PLOS ONE 2017 — https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0174698
3. Swiss-Judgment-Prediction dataset (rcds), Hugging Face — https://huggingface.co/datasets/rcds/swiss_judgment_prediction
4. Niklaus et al.: Swiss-Judgment-Prediction: A Multilingual Legal Judgment Prediction Benchmark (2021) — https://arxiv.org/abs/2110.00806
5. Pre/Dicta (vendor site; accuracy claim self-reported) — https://www.pre-dicta.com/
6. Solomonic (UK litigation analytics) — https://www.solomonic.co.uk/
7. Doctrine (French/European legal AI platform) — https://www.doctrine.fr/
8. Guha et al.: LegalBench (162 legal reasoning tasks) — https://arxiv.org/abs/2308.11462
9. Legal Technology Hub, litigation analytics overview (generic description of docket-analytics tools) — https://www.legaltechnologyhub.com/topics/litigation-management/litigation-analytics/