Herr Bauer, was versteht man überhaupt unter Contract Analytics?
Bei Contract Analytics geht es um mehr als die bloße Digitalisierung von Dokumenten, die bisher nur in Papierform vorlagen. Die Künstliche Intelligenz bietet mittlerweile eine ganze Reihe ausgereifter Techniken, mit deren Hilfe Verträge nicht nur digital verwaltet, sondern auch inhaltlich analysiert werden können. Das reicht von der Erkennung und Extraktion interessanter Datenpunkte wie Vertragsparteien, Gerichtsstand oder Laufzeit eines Vertrags bis hin zur Identifizierung bestimmter Klauseln und deren Vergleich – beispielsweise mit unternehmensinternen Vorgaben.
Dafür gibt es zahlreiche Anwendungsmöglichkeiten. Denken sie etwa an den Bilanzierungsstandard IFRS16. Dessen Einführung machte es notwendig, aus der Vielzahl von Leasingverträgen, die die meisten Unternehmen haben, eine ganze Reihe konkreter Datenpunkte auszulesen und in strukturierter Form verfügbar zu machen. Manuell wäre das ein riesiger Aufwand gewesen, der durch entsprechende KI-Systeme signifikant reduziert werden konnte.
Aber auch die tägliche Praxis bietet eine Vielzahl an Möglichkeiten, bestimmte Sachverhalte aus Texten auszulesen und in Tabellenform darzustellen. Mit einem passenden Dashboard als Frontend ist es sehr einfach, sich alle Verträge mit einer bestimmten Eigenschaft – etwa Restlaufzeit weniger als 5 Monate – anzeigen zu lassen, um dann entsprechend handeln zu können. Eine solche Vorgehensweise spielt übrigens bei größeren Akquisitionen eine zunehmend wichtige Rolle. Denn sie erlaubt Unternehmen, sich sehr schnell einen strukturierten Überblick über eine große Anzahl von Verträgen der neuen Akquisition zu verschaffen.
Ebenso sind komplexere Analysen mittlerweile mit den Techniken der intelligenten Sprachverarbeitung (NLP – Natural Language Processing) möglich. So können zum Beispiel Textabschnitte klassifiziert und bestimmten Klauseltypen zugeordnet werden. Dadurch können Unternehmen innerhalb eines größeren Vertragswerks beispielsweise zuverlässig die Termination Clause finden oder prüfen, ob alle notwendigen Klauseln tatsächlich vorhanden sind. Darüber hinaus können Vertragstexte miteinander verglichen werden, um so Inkonsistenzen und Widersprüche aufdecken zu können. Diese Techniken entwickeln sich aktuell mit sehr hoher Geschwindigkeit weiter. Es ist abzusehen, dass bald auch sehr komplexe und tiefgehende Analysen von Vertragstexten möglich sein werden.
Welche Herausforderungen müssen Unternehmen bei der Implementierung solcher KI-basierten Contract-Analytics-Tools beachten?
Das Ganze steht und fällt natürlich mit der Qualität der Daten – und das ist hier in einem sehr wörtlichen Sinn gemeint. Liegt ein schlechter Scan der meist im Papierarchiv ruhenden Dokumente oder eine unzureichende OCR – die Extraktion des eigentlichen Textes aus dem gescannten Dokument – vor, bekommen auch die ausgereiftesten Analysetechniken Probleme, weil sie schlichtweg nicht mehr in der Lage sind, die einzelnen Wörter und Sätze zu erkennen.
Die zweite Herausforderung besteht in der Auswahl eines geeigneten Ansatzes. In den meisten Fällen muss ein Contract Analytics-System für den speziellen Bedarf eines Unternehmens angepasst beziehungsweise trainiert werden. Es existieren zwar auch Standardlösungen, sobald aber branchen- oder unternehmensspezifische Aspekte abgebildet werden sollen, ist eine explizite Trainingsphase unerlässlich. Um ein solches System zu trainieren, benötigt es eine Menge an Trainingsdaten, die jeweils mit einem sogenannten Label versehen sind. Ein solches Label dient dem lernenden System als Hinweis, welche Ausgabe bei einem ähnlichen Datensatz in der Zukunft gemacht werden soll. In einfachen Fällen, wenn es etwa darum geht, ein komplettes Dokument einem Vertragstyp zuzuordnen, bezeichnet das Label eines Dokuments aus der Trainingsmenge die jeweilige Vertragsklasse – also Leasingvertrag, Kaufvertrag usw. Etwas aufwändiger wird es, wenn einzelnen Datenpunkte wie Vertragsdateien und Laufzeit extrahiert werden sollen. In dem Fall muss für jedes Beispieldokument manuell angegeben werden, welche konkreten Werte sämtlicher Datenpunkte relevant sind.
Aktuell werden Verfahren, die auf dem sogenannten Deep Learning (DL) beruhen, sehr stark promotet. Diese besitzen zwar in der Tat sehr große Vorteile in Bezug auf Präzision und Vollständigkeit der Analysen, allerdings gibt es diese nicht umsonst. DL-Ansätze benötigen in der Regel sehr große Datenmengen, um ein zuverlässiges Modell zu generieren und bieten nur eine sehr eingeschränkte Transparenz und Wartbarkeit. Das heißt, wenn auch nur relativ kleine Aspekte geändert werden sollen, muss meist das komplette Modell neu trainiert werden. Insbesondere die sehr große Anzahl erforderlicher Trainingsdaten macht daher DL nicht automatisch zum Ansatz der Wahl für jede Anwendung.
Als Alternativen bieten sich Verfahren aus dem „klassischen“ maschinellen Lernen an, die oftmals mit linguistischen Ansätzen kombiniert werden. Diese sind insbesondere dann von Vorteil, wenn Expertenwissen explizit mitberücksichtigt werden kann. Dieses Fachwissen hilft, die Daten vorab zu strukturieren und somit vor allem die Anzahl der erforderlichen Trainingsbeispiele signifikant zu reduzieren.
Sie sagen das Papierarchiv im Keller vieler Unternehmen kann einen echten Schatz beherbergen?
In der Tat werden wir in naher Zukunft eine Vielzahl erfolgreicher Anwendungen sehen, in denen dieser verborgene Schatz mithilfe von KI-Methoden gehoben wird. Dabei denke ich nicht nur an Contract Analytics, auch nahezu alle anderen Arten von Dokumenten können wertvolles Wissen enthalten, das bisher ausschließlich in den Köpfen der verschiedenen Fachexperten zu finden ist. Aktuelle NLP-Techniken sind in der Lage, nicht nur einzelne Datenpunkte aus Dokumenten zu extrahieren, sondern diese miteinander zu verknüpfen und in Relation zu setzen. Auf diese Weise kann ein sogenannter Knowledge Graph generiert werden, der dieses verborgene Wissen explizit macht und beispielswiese für das Wissensmanagement eines Unternehmens verwendet werden kann. Innerhalb eines solchen Graphen finden sich Antworten auf organisatorische Fragen aber auch zu Erfahrungswissen, Best Practices usw. Ganz nebenbei kann ein solcher Knowledge Graph auch genau die Art von Expertenwissen abbilden, mit dessen Hilfe wie oben erwähnt, maschinelles Lernen einfacher gemacht werden kann.
Welche weiteren Möglichkeiten birgt das Zusammenspiel von KI und Mensch im Bereich des Vertragsmanagements?
Auch die besten Analyse-Ansätze kommen derzeit noch nicht ohne den Menschen aus. Die Kunst besteht darin, das KI-System so weit zu entwickeln, dass es in der Lage ist, zu erkennen, wenn seine Antwort unzuverlässig ist und einer menschlichen Kontrolle bedarf. Allgemein wird die Kooperation zwischen Mensch und Maschine im Moment als der eigentlich erfolgversprechende Weg betrachtet. Es ist relativ einfach, ein System zu entwickeln, das die ganze Routinearbeit erledigt und ein Entscheidungsproblem so weit vorstrukturiert, dass der Mensch die eigentliche Entscheidung dann quasi mit nur einem Blick treffen kann. Diesen letzten Schritt ebenfalls zu automatisieren, bedeutet in der Regel einen überproportionalen Aufwand, der nur in wenigen Fällen gerechtfertigt ist. Ähnliches sieht man auch in der Produktion, wo der Trend mittlerweile zu gemischten Teams aus menschlichen Arbeitern und Robotern geht, um eine maximale Flexibilität bei gleichzeitiger Kontrolle zu gewährleisten.
Bezogen auf das Vertragsmanagement werden wir sehr bald Ansätze sehen, in denen das System Formulierungsvorschläge selbstständig generiert, die dann allerdings durch den Menschen freigegeben werden müssen. Auf diese Weise wird es sehr einfach sein, Verträge mit garantierten Eigenschaften etwa hinsichtlich Compliance nahezu automatisiert zu erstellen.
Die Fragen stellte Stephanie Gust
