Wat een AI-gedreven eiser als Morgan & Morgan betekent voor uw verdediging en bewijsstrategie

U moet kunnen aantonen welke AI-systemen u in uw eigen werkstromen gebruikt, welke logs en controles daarvoor bestaan, en hoe u de output ervan verifieert. Uw governance moet meebewegen met de AI-inzet die tegenpartijen kunnen inzetten.

Op 14 september 2026 rapporteerde Reuters dat Morgan & Morgan, het grootste letselschadekantoor van de Verenigde Staten, een minderheidsbelang verkent dat meer dan 1 miljard dollar zou kunnen opleveren. De financiering is expliciet gekoppeld aan het opschalen van legal tech en AI binnen de organisatie. Voor organisaties die tegenover zulke eiserskantoren kunnen komen te staan, is dit geen puur financieel bericht maar een governancemoment: extern kapitaal wordt aangetrokken door de mogelijkheid om technologie op schaal in te zetten.

De relevantie ligt in de technologische slagkracht waarmee zaken worden geselecteerd, opgebouwd en onderbouwd. Dat verandert niet de aard van het recht, maar wel hoe tegenpartijen hun bewijsstrategie kunnen organiseren. Naar onze inschatting moet u ervan uitgaan dat eiserskantoren hun AI-inzet als georganiseerd proces kunnen presenteren, terwijl uw eigen inzet ongedocumenteerd blijft — tenzij u nu handelt.

Welke AI-systemen gebruikt het eiserskantoor al?

Dat het kantoor AI structureel behandelt, blijkt uit meerdere signalen. Het kantoor liet deep-learning- en NLP-systemen bouwen voor documentintelligentie, met geautomatiseerde classificatie en samenvatting van grote hoeveelheden juridische documenten. Voorspellende modellen voor zaaksuitkomsten zijn in gebruik. AI-ondersteunde zaakselectie wordt ingezet om kansrijke zaken te identificeren. Op 17 juli 2026 werd een voormalig senior engineer van een grote cloudprovider aangesteld als eerste Chief AI Officer, verantwoordelijk voor de AI-strategie in de hele organisatie. Deze combinatie van eigen platform, documentintelligentie en executive-verantwoordelijkheid maakt van het kantoor een hybride tussen advocatenpraktijk en datagedreven claimsorganisatie.

Welke risico's ontstaan door asymmetrische AI-inzet?

De praktische consequentie is dat verdediging, verzekeraars en publieke organisaties hun eigen AI-inzet op hetzelfde niveau moeten kunnen verantwoorden als de tegenpartij. Veel van die inzet leunt op modellen van grote aanbieders en op cloud-diensten, wat de vraag naar aantoonbare controle extra scherp maakt. Wie niet kan aantonen hoe AI-output tot stand is gekomen, loopt een asymmetrisch risico: het eiserskantoor kan zijn inzet als georganiseerd proces presenteren, terwijl uw eigen inzet ongedocumenteerd blijft.

De volgende foutmogelijkheden en risico's moeten u bezighouden:

• Ongedocumenteerde AI-selectie — zaken worden geselecteerd op basis van AI-output waarvan de criteria niet inzichtelijk zijn.
• Onverifieerde documentclassificatie — grote hoeveelheden stukken worden automatisch ingedeeld zonder controle op juistheid per document.
• Voorspellingsfouten in zaaksucces — modellen voorspellen zaakuitkomsten op basis van patronen die niet voor uw casus gelden.
• Geheime AI-parameters — u weet niet welke gewichten, thresholds of trainingsdata de tegenpartij gebruikt.
• Oncontroleerbare samenvatting — AI vat lange dossiers samen zonder dat u per claim kunt nagaan of de samenvatting klopt.
• Privacylekkage in verwerking — gevoelige gegevens worden door AI-systemen verwerkt zonder dat u ziet hoe ze worden behandeld.

Welke controles moet u zelf kunnen aantonen?

Controleerbaarheid begint bij het zichtbaar maken van wat uw eigen AI doet. U moet minimaal kunnen aantonen:

1. Welk AI-model u per werkstroom gebruikt — documenteer voor elke taak welk model, welke provider en welke versie u inzet.
2. Welke trainingsdata en parameters het model heeft — leg vast wat u over de herkomst en instellingen weet, en wat u niet weet.
3. Hoe u AI-output per claim verifieert — beschrijf het proces waarmee u controleren kunt of de output klopt voor uw specifieke zaak.
4. Wie eindverantwoordelijkheid draagt — wijs aan welke persoon of rol de AI-output goedkeurt voordat deze in uw strategie wordt gebruikt.
5. Hoe u fouten en correcties registreert — leg vast waar AI-output fout bleek en hoe u dat hebt opgelost.
6. Welke logs u van AI-verwerking bijhoudt — zorg dat u kunt aantonen welke input, welke output en welke tijdstip voor elke taak.

Welke hulpmiddelen kunnen u ondersteunen?

Een verificatielaag kan ondersteunen door een taak door meerdere onafhankelijke AI-modellen te laten lopen en verificatiestappen, correcties, meningsverschillen en bronnen zichtbaar te maken voor inspectie. Dat is nadrukkelijk geen garantie op juistheid en biedt geen bescherming tegen fouten in de output; het maakt controle mogelijk en houdt het eindoordeel bij u. Voor vertrouwelijke stukken kunnen gevoelige waarden vóór AI-verwerking door synthetische, sessiegebonden equivalenten worden vervangen, waarna de originele waarden lokaal worden hersteld; mislukt de privacycontrole, dan wordt het document niet doorgestuurd.

De kern van dit verhaal ligt bij de kapitaalronde en de AI-houding van het eiserskantoor, niet bij een product. Maar de les voor uw organisatie is praktisch: zorg dat uw interne AI-governance en verificatie op peil blijven met de AI-gedreven procesvoering aan de overkant, zodat u niet met een geloofwaardigheidsachterstand aan tafel zit. Tooling kan u helpen controle in te richten en zichtbaar te maken; het eindoordeel over wat u accepteert en wat niet, blijft uw eigen professionele verantwoordelijkheid.