Legal Discovery leichter gemacht
Schlüsselfakten aus Fallakten in Excel extrahieren

Die Discovery-Tabelle ist universell – und überall manuelle Arbeit

Die Discovery-Tabelle ist keine neue Idee. Das Federal Defender-Büro des US-Justizministeriums hat einen umfassenden Leitfaden zur Nutzung von Excel für die Prozessverfolgung veröffentlicht, der genau beschreibt, was Rechtsanwaltsfachangestellte täglich tun: Bates-Nummernbereiche aus dem Discovery-Index der Regierung kopieren, in eine Tabelle einfügen, Spalten für Verwahrer, Eingangsdatum und Beschreibung hinzufügen. Ein separater Leitfaden von Morton Elder Law aus dem Jahr 2003 beschreibt denselben Arbeitsablauf: Jede Seite mit einem Bates-Stempel versehen, sich mit den Dokumenten und einem Diktiergerät hinsetzen, Notizen zu jedem Dokument diktieren, die später in die Tabelle übertragen werden. Der Prozess hat sich in zwei Jahrzehnten kaum verändert.

Die vorhandenen Leitfäden lösen die einfache Hälfte des Problems – die Erfassung, welche Dokumente Sie haben. Sie erklären, wie man Bates-Bereiche protokolliert, den Eingang von Discovery vermerkt und festhält, welche Partei sie vorgelegt hat. Das ist Metadatenverwaltung und wichtig. Der tiefere Engpass liegt jedoch darin, zu extrahieren, was die Dokumente aussagen. Ein Aussageprotokoll kann drei für den Zeitplan entscheidende Daten enthalten. Eine Antwort auf eine Auskunftsfrage kann ein in Absatz 14 verstecktes Zugeständnis enthalten. Ein Polizeibericht kann einen Zeugennamen aufführen, der in keinem Index steht. Diese Fakten von der Seite in eine strukturierte Fallanalysetabelle zu übertragen, ist immer noch manuelle Arbeit – und genau das kostet Rechtsanwaltsfachangestellte die meiste Zeit.

Auf Reddit tauschen Rechtsanwaltsfachangestellte regelmäßig Tabellenvorlagen und Workflow-Tipps aus. Das bestätigt zwei Dinge: Erstens ist die Discovery-Tabelle ein branchenweit übliches Werkzeug, und zweitens baut und befüllt sie immer noch jeder von Hand. Die Frage ist nicht, ob man eine Tabelle nutzt – sondern ob man jedes Feld selbst eintippen muss.

Was die meisten „Discovery-Organisations“-Anleitungen übersehen

Die Diskrepanz zwischen Suchergebnissen und der tatsächlichen Arbeit von Rechtsanwaltsfachangestellten beruht auf einem Kategorienfehler: Indizieren ist nicht Extrahieren. Ein Bates-Nummerierungssystem sagt Ihnen, dass das Dokument ABC-0042 existiert. Es sagt Ihnen nicht, dass ABC-0042 – ein zweiseitiger Unfallbericht – ein konkretes Verletzungsdatum, den Namen des einschreitenden Beamten und eine Schilderung des Vorfalls enthält. Das sind drei Datenpunkte, die ein Rechtsanwaltsfachangestellter für das Fallfaktenblatt benötigt – und sie stammen aus dem Lesen des Dokuments, nicht aus dem Nachschlagen seines Bates-Bereichs in einem Index.

Deshalb lösen auch die Vertragsextraktionstools, die das Legal-AI-Marketing dominiert, das Problem nicht. Vertragsextraktionstools sind darauf ausgelegt, vordefinierte Felder – Parteinamen, Wirksamkeitsdaten, Verlängerungsbedingungen, anwendbares Recht – aus Vereinbarungen mit weitgehend ähnlichen Strukturen zu ziehen. Discovery-Dokumente haben keine solche Struktur. Ein Polizeibericht ähnelt in keiner Weise einem Aussageprotokoll. Eine Antwort auf eine Auskunftsfrage ähnelt in keiner Weise einer Krankenakte. Die Extraktionsherausforderung besteht nicht darin, Klauseln in einem Vertrag zu finden, sondern darin, Fakten zu finden, die über Dokumente verstreut sind, die kein gemeinsames Format, kein gemeinsames Vokabular und kein gemeinsames Layout aufweisen.

Die Dokumenttypen, die Discovery-Extraktion besonders schwierig machen

Die meisten Anwendungsfälle zur Dokumentextraktion betreffen einen einzigen Dokumenttyp: Rechnungen, Quittungen, Kontoauszüge. Das Format variiert je nach Anbieter, aber die Dokument-Kategorie ist einheitlich. Discovery ist anders. Eine einzelne Fallakte kann sechs oder sieben grundlegend verschiedene Dokumenttypen enthalten, die jeweils unterschiedliche extrahierte Felder erfordern:

• Abschrift von Zeugenaussagen – Frage-Antwort-Format, 50 bis 300 Seiten. Eine Rechtsanwaltsfachangestellte benötigt den Namen des Aussagenden, das Datum der Aussage und spezifische Tatsachenzugeständnisse (Ereignisse im Zeitablauf, eingeräumte Gespräche, anerkannte Dokumente). Die relevanten Fakten sind über hunderte von Wortwechseln verstreut, nicht in einem zusammenfassenden Abschnitt gebündelt.
• Beantwortung von Auskunftsfragen – Formularbasierte Dokumente, bei denen Fragen vorgedruckt und Antworten in freie Felder getippt oder handschriftlich eingetragen sind. Die Antwort eines Beklagten auf Auskunftsfrage Nr. 7 könnte das entscheidende Zugeständnis enthalten, von dem der Fall abhängt. Die Rechtsanwaltsfachangestellte muss die Nummer der Auskunftsfrage, den Fragetext und die Antwort in eine Vergleichstabelle übernehmen.
• Krankenakten – Dichte klinische Dokumente mit SOAP-Notizstrukturen, Diagnosecodes, Behandlungsdaten und Namen der Behandler, verteilt über mehrere Seiten und Abschnitte. In einem Personenschadensfall könnten die relevanten Felder sein: Datum der Erstuntersuchung, Hauptdiagnose, empfohlene Behandlung und Prognose – Datenpunkte, die je nach Dokumentationssystem des Gesundheitsdienstleisters auf unterschiedlichen Seiten und in unterschiedlichen Abschnitten erscheinen.
• Polizei- und Unfallberichte – Erzähllastige Dokumente, bei denen Schlüsselfakten (Datum, Ort, Beteiligte, Beobachtungen der Beamten) in Absatzform eingebettet sind und nicht in beschrifteten Feldern. Die Berichtsnummer steht möglicherweise oben; die Zeugenaussage in der Mitte; die Schlussfolgerung des Beamten unten.
• Korrespondenz und Aufforderungsschreiben – Unstrukturierte Geschäftsbriefe und E-Mails mit Vergleichsangeboten, Haftungsansprüchen, Schadensberechnungen und Fristsetzungen. Dies sind die am wenigsten standardisierten Dokumente in jeder Fallakte.

Kein extraktionswerkzeug auf Vorlagenbasis kann diese Formate bewältigen. Ein Tool, das auf das Layout der Krankenakten eines Krankenhauses zugeschnitten ist, scheitert an den Akten eines anderen Anbieters. Ein Tool, das auf Polizeiberichtformate aus Arizona trainiert wurde, liefert bei einem Bericht aus Kalifornien Unsinn. Der einzig praktikable Ansatz für eine kleine Kanzlei war die manuelle Extraktion – bis KI-Modelle mit semantischem Verständnis die Gleichung veränderten.

Wie die Spaltennamenextraktion die Formatvielfalt bewältigt

Der Grund, warum KI jetzt die Extraktion von Entdeckungsdokumenten bewältigen kann, wo Vorlagentools versagen, ist, dass moderne Vision-Language-Modelle Dokumente so verarbeiten, wie ein Rechtsanwaltsfachangestellter sie liest – indem sie verstehen, welche Informationen ein Feld darstellt, nicht wo auf der Seite es sich befindet. Dies ist der Kernunterschied zwischen traditioneller OCR-Extraktion und dem, was ImageToTable.ai Spaltennamenextraktion nennt: Anstatt dem Tool zu sagen „sieh dir die Koordinaten X,Y auf der Seite an“, sagst du ihm, nach welchen Datenpunkten du suchst, indem du die Spaltenüberschriften eingibst, die du in deiner Ausgabetabelle haben möchtest. Die KI liest jedes Dokument, versteht seinen Inhalt semantisch und findet die Werte, die deinen Spaltendefinitionen entsprechen – unabhängig davon, wo sie auf der Seite erscheinen oder wie sie im Originaldokument beschriftet sind.

In der Praxis bedeutet das, dass du einen Spaltensatz einmal definieren und für jeden Dokumenttyp in einer Akte verwenden kannst. Für einen Personenschadensfall könnten deine Spalten sein:

Dieser Ansatz verändert die Rolle des Rechtsanwaltsfachangestellten grundlegend. Statt jedes Dokument zu lesen und Fakten manuell in eine Tabelle einzutragen, definiert der Fachangestellte die für den Fall erforderlichen Faktkategorien – und die KI übernimmt das Lesen. Der Fachangestellte prüft und verifiziert dann die extrahierten Ergebnisse, eine kognitiv schnellere Aufgabe als die Extraktion von Grund auf. Ein Stapel von 50 Entdeckungsdokumenten, der manuell 8-10 Stunden dauern würde, kann in weniger als 2 Minuten KI-Verarbeitungszeit bearbeitet werden, sodass der Fachangestellte 60-90 Minuten für die Verifizierung aufwendet, statt einen ganzen Tag für die Dateneingabe.

Der Spaltennamen-Ansatz löst auch ein häufiges Problem bei der Beweisaufnahme: Dokumente, die mitten im Verfahren eintreffen. Wenn zwei Wochen vor der Verhandlung eine neue Produktion eingeht – eine ergänzende Auskunft, eine zuvor nicht offengelegte Zeugenaussage – müssen Sie nicht Ihre gesamte Fallakte erneut lesen. Sie laden die neuen Dokumente mit demselben Spaltensatz hoch, und die extrahierten Fakten werden direkt an Ihre bestehende Tabelle angehängt. Der Arbeitsaufwand für das Hinzufügen von Dokumenten zum Fallfaktenblatt entspricht in etwa dem Hochladen einer Datei, unabhängig davon, zu welchem Zeitpunkt im Fallverlauf sie eintrifft.

Erstellen eines Fallfaktenblatts aus verstreuten Dokumenten

Ein Fallfaktenblatt unterscheidet sich von einem Beweismittelverzeichnis. Ein Beweismittelverzeichnis sagt Ihnen, was Sie haben (Bates ABC-0001 bis ABC-0492, erhalten von der Anwaltschaft des Klägers am 3. Mai). Ein Faktenblatt sagt Ihnen, was die Dokumente beweisen – den Zeitablauf, die Zugeständnisse, die Widersprüche, die Schäden. Die manuelle Erstellung bedeutet, Informationen beim Lesen dokumentenübergreifend abzugleichen: Das Verletzungsdatum im Polizeibericht sollte mit dem Aufnahmedatum in der Krankenakte übereinstimmen, die Zeugenaussage in der Vernehmung sollte mit den Notizen des Beamten im Vorfallsbericht abgeglichen werden, das Vergleichsangebot im Aufforderungsschreiben muss neben den tatsächlichen medizinischen Kosten gesetzt werden.

Die Spaltennamenextraktion führt keine rechtliche Analyse durch, aber sie eliminiert den vorbereitenden Zusammenstellungsschritt. Wenn jedes Dokument in der Fallakte in dieselbe strukturierte Ausgabe fließt – gleiche Spalten, gleiche Reihenfolge, gleiches Format – wird das Querverweisen, das Rechtsanwaltsfachangestellte im Kopf (oder durch Hin- und Herscrollen zwischen Tabellenzeilen) erledigen, visuell und unmittelbar. Sie können nach Vorfallsdatum sortieren, um eine Zeitleiste zu erstellen. Sie können nach Dokumentenquelle filtern, um Krankenakten für eine Schadensberechnung zu isolieren. Sie können die Spalte „Wesentliches Zugeständnis“ durchsuchen, um Widersprüche zwischen Aussagen und Klagebeantwortungen zu finden.

Für einen Einzelanwalt oder einen Rechtsanwaltsfachangestellten in einer kleinen Kanzlei, der zuvor separate Tabellen für verschiedene Dokumentkategorien führte – eine für die medizinische Chronologie, eine für Zusammenfassungen von Aussagen, eine für die Korrespondenzverfolgung – beseitigt die Zusammenführung aller Daten in einen einzigen extrahierbaren Datensatz die Fragmentierung, die die Fallvorbereitung wie Informationsarchäologie wirken lässt. Derselbe Spaltennamenansatz, der für Verträge funktioniert – definieren, welche Daten wichtig sind, und die KI sie finden lassen – lässt sich direkt auf Entdeckungsdokumente anwenden, jedoch über eine breitere und unberechenbarere Formatpalette hinweg.

Wann Sie dennoch eine vollständige eDiscovery-Plattform benötigen

Es lohnt sich, genau zu bestimmen, wo KI-Extraktion passt und wo nicht. Vollständige eDiscovery-Plattformen wie Relativity, CaseMap und Venio One existieren aus gutem Grund – sie bewältigen Probleme, für deren Lösung die Spaltennamenextraktion nicht konzipiert ist.

Sie benötigen eine vollständige eDiscovery-Plattform, wenn:

• Sie verarbeiten Terabytes elektronisch gespeicherter Informationen (ESI) – Millionen von E-Mails, Slack-Nachrichten, Datenbankexporten und forensischen Images. Die Pipeline für Aufnahme, Deduplizierung und Frühfallbewertung, die Unternehmensplattformen bieten, ist mit einfachen Extraktionstools nicht reproduzierbar.
• Sie benötigen eine Produktion im nativen Format mit erhaltener Metadaten – wenn die Gegenseite Dokumente im nativen Format mit intakten Erstellungsdaten, Autoreninformationen und nachverfolgten Änderungen verlangt, brauchen Sie eine Plattform, die die elektronische Produktion durchgängig abwickelt.
• Sie verwalten einen Multi-Reviewer-Workflow mit Privilegienprotokollen, Schwärzungsstempeln und Prüfpfaden. Unternehmensplattformen sind für die kollaborative Prüfung mit rollenbasierten Zugriffskontrollen und detaillierter Protokollierung ausgelegt.

Sie brauchen keine vollständige eDiscovery-Plattform, wenn:

• Ihr Fall Dutzende bis einige hundert Dokumente umfasst, nicht Millionen. Ein typischer Personenschadens- oder Vertragsstreit einer kleinen Kanzlei kann 200 bis 500 Seiten an Entdeckungsmaterial umfassen – als PDFs durchaus handhabbar, aber mühsam manuell zu extrahieren.
• Ihr Hauptbedarf darin besteht, strukturierte Fakten aus bereits gesammelten und organisierten Dokumenten zu extrahieren. Sie wissen, was Sie haben. Sie müssen wissen, was darin steht.
• Sie Fallzeitpläne, Schadenstabellen oder Zeugenvergleichsmatrizen in Excel erstellen – Arbeitsabläufe, die von einer schnellen Extraktion und manuellen Überprüfung profitieren, statt vom Overhead einer vollständigen Prüfplattform.

Der Unterschied liegt im Umfang und Zweck. Wenn Discovery in Ihrem Fall eine logistische Operation ist – die Verwaltung von Millionen von Dateien in einem Litigation-Support-Team – benötigen Sie die Plattform. Wenn Discovery in Ihrem Fall ein Problem der Informationsgewinnung ist – das Extrahieren wichtiger Fakten aus einer überschaubaren Anzahl von Dokumenten in ein strukturiertes Format für die Analyse – ist die KI-Extraktion die leichtere, schnellere und weitaus kostengünstigere Lösung.

Häufig gestellte Fragen

Kann die KI-Extraktion handschriftliche Antworten auf Auskunftsersuchen verarbeiten?

Ja, in angemessenem Rahmen. Das Vision-Language-Modell von ImageToTable.ai kann handschriftlichen Text auf Formularen lesen, einschließlich handschriftlich ausgefüllter Antworten auf Auskunftsersuchen. Die Genauigkeit hängt von der Leserlichkeit der Handschrift ab – klare Druckschrift führt zu einer hohen Extraktionsgenauigkeit; stark verschnörkelte oder zusammengedrängte Handschrift kann Fehler verursachen. Bei kritischen Eingeständnissen in handschriftlichen Antworten wird immer eine manuelle Überprüfung des extrahierten Werts anhand des Originaldokuments empfohlen.

Funktioniert dies mit gescannten PDFs oder nur mit digitalen Dokumenten?

Beides. Die KI verarbeitet das Dokument so, wie es visuell erscheint – unabhängig davon, ob es als digitales PDF, als Flachbettscan oder als Handyfoto eines physischen Dokuments vorliegt. Gescannte Dokumente mit klaren, geraden Seiten und lesbarem Text funktionieren gut. Stark schiefe, niedrig aufgelöste oder wassergeschädigte Scans verringern die Genauigkeit, wie es auch für einen menschlichen Leser der Fall wäre.

Wie viele Dokumente kann ich in einem Durchgang verarbeiten?

Sie können mehrere Dateien gleichzeitig hochladen und als Stapel verarbeiten. Alle extrahierten Daten werden in einer einzigen Excel-Ausgabe zusammengeführt, wobei jedes Dokument eine Zeile beiträgt (oder mehrere Zeilen, wenn das Dokument mehrere Datensätze enthält – z. B. Krankenakten, die mehrere Besuche abdecken). Es gibt keine feste Obergrenze pro Stapel, allerdings dauert die Verarbeitung sehr großer Stapel (Hunderte von Dateien) entsprechend länger.

Ist dies für vertrauliche und anwaltlich geschützte Dokumente sicher?

Dateien werden über verschlüsselte Verbindungen verarbeitet und nach Abschluss der Verarbeitung nicht gespeichert. Wie bei jedem cloudbasierten Tool sollten Anwaltskanzleien jedoch ihre spezifischen ethischen Verpflichtungen und Anforderungen an die Vertraulichkeit von Mandantendaten prüfen. Für Dokumente mit strengen Anforderungen an die Datenresidenz oder abgeschottete Sicherheitsumgebungen ist ein cloudbasiertes Extraktionstool möglicherweise nicht geeignet.

Kann ich Daten aus Bates-gestempelten Dokumenten extrahieren, ohne dass der Stempel stört?

Ja. Die KI unterscheidet zwischen dem Bates-Stempel (einer seitenweisen Kennzeichnung, meist am unteren Rand oder rechten Seitenrand) und dem eigentlichen Inhalt des Dokuments. Sie wird eine Bates-Nummer wie „ABC-0042“ nicht mit einer Aktenzeichen- oder Anspruchsnummer verwechseln, die im Dokumenttext erscheint. Wenn Sie die Bates-Nummern als Referenzspalte in Ihrer Ausgabe benötigen, können Sie „Bates-Nummer“ als eine Ihrer Extraktionsspalten hinzufügen.

Was ist mit geschwärzten Dokumenten?

Die KI liest, was auf der Seite sichtbar ist. Geschwärzter Text in einem redigierten Dokument ist für die KI ebenso wenig lesbar wie für einen menschlichen Prüfer. Wenn ein Dokument teilweise geschwärzt wurde, extrahiert die KI nur die sichtbaren Teile. Felder, die vollständig in geschwärzten Bereichen liegen, werden als leer oder unvollständig zurückgegeben.