Thomson Reuters-CEO: kloof groeit tussen kantoren die AI operationaliseren en die achterblijven

Je moet kunnen aantonen waar AI in je workflows waarde toevoegt, waar het stopt, en waar jij als jurist de eindverantwoordelijkheid draagt. Dat is niet langer optioneel.

Een analyse van 4 september 2026 van de execution gap rond AI in juridische kantoren stelt dat technologie klaar is, maar veel organisaties de effectieve implementatie ervan nog niet op orde hebben. Thomson Reuters-CEO Steve Hasker waarschuwt dat kantoren die AI niet doordacht operationaliseren, risico's lopen op talent, cliënten en financiële prestaties. In onze inschatting ligt de eigenlijke breuklijn niet in de vraag óf juristen AI gebruiken, maar in de vraag of dat gebruik gestuurd, begrensd en verantwoord is. Dat is een governance-vraagstuk.

Wat is de execution gap?

De kloof die Hasker beschrijft, is niet een technisch probleem. Het gaat om het verschil tussen kantoren die AI-gebruik kunnen documenteren, controleren en verantwoorden, en die dat niet kunnen. Veel juridische organisaties experimenteren met generatieve AI, maar zonder formele strategie, zonder prestatiemetrieken en zonder zichtbare grenzen tussen wat AI ondersteunt en wat een jurist beslist. Die grenzen zijn niet decoratief. Ze bepalen wie aanspreekbaar is op een advies, hoe je beroepsgeheim waarborgt, en wat je aan een cliënt of toezichthouder kunt uitleggen.

De praktische verschuiving is inhoudelijk. Juristen bewegen weg van generieke tools naar domeinspecifieke, professionele AI-oplossingen. Dat betekent dat AI niet meer iets is wat je af en toe gebruikt, maar iets wat in je werkprocessen is ingebouwd. Dat vraagt om formele AI-strategie, governance, prestatiemeting en workflows die controleerbaar zijn.

Welke risico's ontstaan als je dit niet aanpakt?

De risico's zijn niet theoretisch. Ze raken talent, cliënten en financiële prestaties direct. Kantoren die AI-gebruik niet kunnen verantwoorden, kunnen niet aantonen dat hun investeringen werken. Dat kost geld. Tegelijk groeit het risico dat AI-fouten onopgemerkt blijven, omdat niemand precies weet welke modellen zijn gebruikt, welke controles golden, en welke output menselijk is beoordeeld.

De volgende foutencategorieën vragen om specifieke aandacht:

• Bronbetrouwbaarheid — AI-modellen kunnen informatie reproduceren of afleiden die niet in je cliëntendossier hoort, of die onjuist is.
• Beroepsgeheim — vertrouwelijke informatie kan in trainingsdata terechtkomen of in logs blijven staan.
• Verantwoordingsplicht — je kunt niet uitleggen welke AI-stappen zijn genomen en waarom.
• Onzichtbare delegatie — juristen vertrouwen AI-output zonder te weten wat eraan voorafging.
• Ongecontroleerde schaal — wat in één workflow werkt, wordt zonder aanpassingen in andere workflows gebruikt.
• Afhankelijkheid van leveranciers — je weet niet hoe je uit een AI-systeem kunt stappen.

Wat moet je aantoonbaar kunnen maken?

De vraag verschuift van 'moeten we AI gebruiken?' naar 'kunnen we aantonen waar AI waarde toevoegt?' Dat vraagt om concrete controles die je per workflow moet kunnen demonstreren:

1. Documenteer welk model elke workflow gebruikt en wat de wettelijke grondslag voor de gegevens is — je moet kunnen zeggen welke AI-systemen waar actief zijn.
2. Leg vast welke controles per stap gelden en wie ze uitvoert — wie controleert de output, en op welke criteria?
3. Maak verificatie en bronnen zichtbaar voor inspectie — cliënten, toezichthouders en je eigen bestuur moeten kunnen zien wat er is gebeurd.
4. Definieer wat AI nooit mag beslissen — welke stappen zijn voorbehouden aan menselijk oordeel?
5. Zorg dat je uit het systeem kunt stappen zonder gegevens achter te laten — wat gebeurt er met logs, trainingsdata en sessiegegevens?
6. Meet of AI-investeringen werken — welke metriek toont dat AI tijd vrijspeelt of kwaliteit verbetert?

Hoe vertaal je dit naar werkbare processen?

De waarschuwing van Hasker vertaalt zich naar iets concreets: niet nieuwe normen, maar een laag waarin per AI-ondersteunde workflow zichtbaar wordt welke modellen zijn gebruikt, welke controles golden en welke output menselijk is beoordeeld. Dat kan bruikbaar zijn als bewijs richting cliënten, toezichthouders en het eigen bestuur.

Verificatie kan ondersteunend zijn. Een verificatielaag kan een taak door geselecteerde onafhankelijke AI-modellen laten lopen en verificatiestappen, correcties, onderlinge onenigheid en bronnen zichtbaar maken voor inspectie. Dat ondersteunt controle, maar garandeert geen juistheid en sluit fouten niet uit. Privacy kan beschermd worden door gevoelige documentwaarden vóór AI-verwerking op EU-infrastructuur te vervangen door synthetische, sessiegebonden equivalenten; een fail-closed workflow zorgt ervoor dat bij een mislukte privacycontrole niets wordt doorgestuurd.

Het professionele eindoordeel blijft altijd bij jou als jurist.

Wat kan tooling doen, wat niet?

Tooling kan workflows zichtbaar maken, verificatiestappen inbouwen en logs bijhouden. Tooling kan je helpen om per AI-stap aan te tonen wat er is gebeurd. Tooling kan ook helpen om gevoelige informatie te beschermen voordat deze een AI-systeem bereikt. Wat tooling niet kan doen, is bepalen wat juridisch verantwoord is. Dat oordeel is van jou. Tooling kan je helpen het uit te voeren en aan te tonen, maar niet om het te nemen.