Kapag ibinigay ng client ang anim na taon ng email, messages na kasinlaki ng isang phone o folder ng apat na libong screenshot, hindi na novelty question ang AI-assisted review. Ang ethics question ay hindi kung magagamit ng team mo ang AI para matapos ang material. Ito ay kung paano mo pananatilihing sa iyo ang review: accurate, confidential, supervised at maipapaliwanag kapag may nagtanong kung paano ito ginawa.
Hinahati ng guide na ito ang AI-assisted document review sa mga stage kung saan talagang pumapasok ang AI sa trabaho, pinangalanan kung paano karaniwang nabibigo ang bawat stage, at inilalatag ang verification at documentation workflow na puwedeng gamitin ng litigation team. Isinulat ito para sa mga attorney na nag-sign off sa review at sa mga paralegal at staff na nagpapatakbo nito araw-araw. Ang mga rule na binanggit ay ang ABA Model Rules at Federal Rules; maaaring magkaiba ang bersyon ng state mo at ang local practice.
Bakit nagiging ethics issue ang AI-assisted review?
Ang AI review ay gumagawa ng derived work product, tulad ng extracted text, summaries at relevance o privilege codes, na mukhang authoritative at puwedeng tahimik na pumalit sa source sa isip ng mga tao. Pareho ang mga duty na namamahala sa human review; iba ang failure modes.
Ang mga professional obligation na pinakadirektang nalalapat:
- Competence (Rule 1.1). Unawain kung ano ang magaling at hindi magaling gawin ng tool, at mag-verify nang naaayon. Direktang inilalapat ito ng ABA Formal Opinion 512 sa generative AI.
- Confidentiality (Rule 1.6). Alamin kung saan napupunta ang mga dokumento ng client kapag pinoproseso ng tool, at kung nire-retain o ginagamit para sa training ang inputs.
- Supervision (Rules 5.1 and 5.3). Responsable ang lawyer sa review process, kasama ang ambag ng mga nonlawyer at outside tools.
- Candor (Rule 3.3) at discovery certifications. Sa ilalim ng Federal Rule of Civil Procedure 26(g), ang pag-sign sa discovery response ay nagce-certify ng reasonable inquiry. Hindi plano ang “Hindi ito nakuha ng software.”
Para sa buong larawan ayon sa bawat rule, tingnan ang guide namin sa ABA Formal Opinion 512.
Saan pumapasok ang AI sa review workflow, at paano ito nabibigo?
Karaniwang hinahawakan ng AI ang limang stage ng review. May katangiang failure ang bawat isa, at kailangan ng sariling control ng bawat isa.
| Stage | Karaniwang failure | Control |
|---|---|---|
| Text extraction mula sa scans at screenshots | Maling nabasang salita, nawawalang linya, maling petsa o halaga | Line-by-line na paghahambing sa image para sa anumang ginamit bilang exhibit o sinipi |
| Summaries ng mga dokumento o thread | Mga omission, pinagsamang speakers, imbento na connective details | Naka-link ang summaries sa source pages; basahin ang source para sa anumang pinagkakatiwalaan |
| Relevance classification | Responsive documents na na-code bilang not relevant | I-sample ang excluded set at mag-adjust kung may lumitaw na misses |
| Privilege identification | Privileged items na hindi na-flag | Human review ng bawat flag at sample ng mga item na hindi na-flag |
| Pagbuo ng chronology | Maling petsa, time zone shifts, events na wala sa ayos | Bawat entry ay bumabalik sa source document na binuksan ng reviewer |
Pansinin ang pattern: ang pinakamapanganib na error ay karaniwang omission, hindi invention. Ang summary na nag-iiwan ng isang message na mahalaga ay mukhang maayos pa ring basahin. Kaya ang pag-sample ng in-exclude ng tool ay kasinghalaga ng pag-check sa ginawa nito.
Paano mo vine-verify ang AI review output?
Mag-verify nang naaayon sa kung paano gagamitin ang output: mas magaan na checks para sa internal triage, line-by-line na checks para sa anumang magiging exhibit, quote o representation sa korte. Ganito ang hitsura ng protocol na puwedeng ulitin:
- I-preserve muna. Bago iproseso ng kahit anong tool ang materyal, panatilihing hindi nagalaw ang mga original at itala ang hash value ng bawat file, para maipakita mo mamaya na hindi binago ang source. Ipinaliliwanag ng aming gabay sa hash values sa litigation kung ano ang pinapatunayan at hindi pinapatunayan ng fingerprint na iyon.
- Ilagay ang AI output sa sarili nitong layer. Ang extracted text, summaries at codes ay dapat nasa tabi ng original, malinaw na naka-label bilang machine-generated, at hindi kailanman sinusulat sa loob o sa ibabaw nito.
- Itakda ang acceptance criteria ayon sa gamit. Magdesisyon nang maaga kung anong antas ng checking ang kailangan ng bawat uri ng output bago umasa ang sinuman dito.
- I-review at iwasto. Inihahambing ng isang tao ang output sa source at itinatala ang mga correction nang hiwalay, para makita mo kung ano ang sinabi ng tool at kung ano ang binago ng reviewer.
- I-sample ang excluded set. Kunin ang mga dokumentong minarkahan ng tool na not relevant o not privileged at ipabasa sa isang reviewer.
- I-escalate at mag-sign off. Ang mga judgment call sa relevance at privilege ay napupunta sa responsible attorney, na nag-a-approve ng mga resulta.
Pag-sample sa discard pile
Pumili ng sample size na maipapaliwanag mo, kunin ito nang random sa halip na mamili ng mga convenient na dokumento, at itala kung ano ang nahanap ng reviewer. Mag-sample din sa loob ng mga makabuluhang grupo: ang tool na mahusay sa email ay maaaring mahirapan sa scanned handwriting o group chats, kaya maaaring itago ng iisang pinaghalong sample ang isang mahinang kategorya. Kung lumabas sa sample ang responsive o privileged na materyal na napalampas ng tool, senyales iyon na palawakin ang human review o ayusin kung paano ginagamit ang tool, at itala ang pagbabago sa review record mo. Para sa higit pa tungkol sa pagbuo ng mga review stage, tingnan ang aming ebidensya review workflow para sa mga paralegal.
Paano mo pinoprotektahan ang confidentiality habang AI review?
Ituring ang bawat AI tool bilang lugar na pinupuntahan ng mga dokumento ng kliyente, at kumpirmahin ang terms bago ang unang upload. Napagpasyahan ng ABA Formal Opinion 512 na ang self-learning tool ay nangangailangan ng informed consent ng kliyente bago ilagay ang impormasyong may kaugnayan sa representation.
- Kumpirmahin kung pinapanatili ng tool ang inputs, ginagamit ang mga ito para sa training, o ipinapadala ang mga ito sa ibang processor.
- Panatilihing hiwalay ang review data ayon sa matter, at limitado ang access sa assigned team.
- Huwag kailanman i-paste ang client productions sa consumer chatbot account na labas sa controls ng firm.
- Alisin ang materyal na hindi nangangailangan ng AI processing, gaya ng mga privileged file na na-review na.
- Itala ang consent ng kliyente kung saan kinakailangan, at itago ang terms ng tool kasama ng matter file.
Ano ang dapat mong i-disclose, at kanino?
May tatlong audience ang mga disclosure obligation, at ang bawat isa ay nakadepende sa context sa halip na sa isang pangkalahatang tuntunin.
Ang kliyente. Sa ilalim ng Rule 1.4 at Opinion 512, sabihin sa kliyente kapag nagtanong sila, kapag kinakailangan ang consent, kapag ang AI output ang magtutulak ng mahalagang desisyon, o kapag naaapektuhan ng paggamit ng AI ang fee.
Opposing counsel. Ang review methodology, kasama ang technology-assisted review, ay madalas na tinatalakay sa Rule 26(f) conference o sa isang ESI protocol. Kung tinutugunan ito ng protocol mo, sundin ito. Kung ang privilege review ay bahagyang umaasa sa automation, isaalang-alang kung may saysay ang clawback agreement o isang order sa ilalim ng Federal Rule of Evidence 502(d) o ang katumbas nito sa state; saklaw ng aming privilege log guide ang panig ng logging.
Ang korte. Ang ilang hukom at korte ay nangangailangan ng disclosure o certification ng paggamit ng AI sa mga filing. Suriin ang mga standing order bago i-file ang anumang AI-assisted.
Paano mo idodokumento ang defensible na AI-assisted review?
Sumulat ng maikli at contemporaneous na review memo para sa bawat matter. Kung may magtanong mamaya sa review, maipapaliwanag mo kung ano ang nangyari nang hindi ito binubuo muli mula sa memorya.
Template: AI-assisted review memo
Matter: [pangalan / numero]. Mga source na na-review: [mga custodian, device, date range, bilang ng file]. Preservation: nanatiling hindi binago ang mga original; naitala ang mga hash value noong [petsa]. Mga tool at setting: [tool, version o petsang ginamit, mga kaugnay na setting]. Ano ang ginawa ng AI: [text extraction / summaries / first-pass relevance coding]. Ano ang hindi ginawa ng AI: [final relevance at privilege calls, mga production decision]. Verification: [mga check na ginawa ayon sa uri ng output]. Sampling: [paraan, laki, mga resulta, follow-up]. Mga reviewer: [mga pangalan, mga role]. Attorney sign-off: [pangalan, petsa].
Ano ang pinakamadalas na nagkakamali?
Karamihan sa mga problema sa AI review ay problema sa workflow, hindi problema sa technology. Ang limang ito ay nauulit:
- Ang summary ang nagiging ebidensya. May nag-quote ng summary sa isang declaration sa halip na ang dokumento.
- Napagpapalit ang mga speaker. Nawawala sa screenshot extraction kung aling panig ng usapan ang kinalalagyan ng isang bubble.
- Gumagalaw ang oras. Iba-iba ang paghawak ng exports at extraction tools sa time zones, at napupunta ang mga event sa maling araw.
- Nakakalusot ang privilege. Na-produce ang isang unflagged na email sa counsel dahil walang nag-sample sa unflagged set.
- Tinatakpan ng corrections ang mga original. “Inaayos” ng isang reviewer ang text at wala nang makapagsabi kung ano ang sinabi ng source.
Maaaring isama ng mga tool ang ilan sa mga control na ito. Pinapanatili ng Evidence Helper ang bawat original na hindi nagalaw na may SHA-256 hash pagdating, nag-aalok ng AI-assisted text extraction na nire-review ng isang tao, nag-iimbak ng mga correction nang hiwalay at gumagawa ng mga exhibit PDF nang deterministic na walang AI (mga detalye sa paano gumagana ang ebidensya review). Anuman ang gamitin mo, pareho ang tuntunin: ang AI ang nagda-draft, ang mga tao ang nagbe-verify, at ipinapakita ng record kung sino ang gumawa ng ano. Kung ang isang review decision ay nakasalalay sa kung paano tinatrato ng jurisdiction mo ang isang partikular na isyu, ang responsible attorney ang gumagawa ng call na iyon.
