Prozesskostenrisiko einschätzen: KI analysiert Urteilswahrscheinlichkeiten

Das echte Ausmaß des Problems

Jede Empfehlung zur Prozessführung ist eine Risikoentscheidung. Das Problem: Ohne systematische Datengrundlage ist diese Entscheidung schwächer, als sie sein müsste.

In der Praxis geben Anwälte in Wirtschaftsmandaten durchschnittlich 3–6 Stunden für die Einschätzung eines Prozessrisikos bei hohem Streitwert auf, bevor sie eine Empfehlung formulieren (Schätzwert aus Praxisberichten und Kanzleibefragungen). Der Hauptaufwand liegt dabei nicht in der rechtlichen Analyse des Sachverhalts — die ist oft in 1–2 Stunden erledigt — sondern in der Einschätzung der Entscheidungstendenz des zuständigen Gerichts, der konkreten Kammer und bei bekannten Richtern deren Rechtsprechungshistorie.

Diese Einschätzung läuft heute weitgehend informell ab:

• Kollegengespräch: “Hat irgendjemand schon vor dem 3. Senat des OLG Hamburg in einem ähnlichen Verfahren gewonnen?”
• Bauchgefühl aus Berufserfahrung mit dem Gericht
• Manuelle Recherche in juris nach ähnlichen Fällen — ohne Systematik

Das Ergebnis: Prozessempfehlungen variieren erheblich je nach Erfahrungsstand des beratenden Anwalts. Eine Kanzlei mit zehn Jahren LG-Frankfurt-Praxis trifft diese Entscheidung besser als eine, die zum ersten Mal vor diesem Gericht prozessiert. Das ist strukturell falsch — und lösbar.

Die US-Perspektive als Maßstab: In den USA ist Predictive Analytics in der Litigation-Beratung bereits Marktstandard. Werkzeuge wie Lex Machina (LexisNexis) oder Pre/Dicta analysieren über 45 Millionen Gerichtsentscheidungen aus 94 Bundesbezirksgerichten. Sie liefern Richter-spezifische Entscheidungsmuster, Vergleichsraten nach Gerichtstyp und Erfolgswahrscheinlichkeiten für spezifische Klagemuster. Pre/Dicta gibt an, Entscheidungseinstellungen zu 85 Prozent korrekt vorherzusagen.

Deutschland hinkt hinterher — holt aber auf. Deutsche Gerichtsdaten sind weniger systematisch zugänglich als US-amerikanische. Es gibt keine zentrale, vollständige Urteilsdatenbank mit ECLI-übergreifender Suchfähigkeit. juris und beck-online enthalten viele, aber nicht alle Entscheidungen — unveröffentlichte instanzgerichtliche Urteile fehlen oft. Predictive Analytics nach US-Vorbild mit hoher statistischer Zuverlässigkeit ist für deutsche Gerichte noch nicht verfügbar. Das ändert sich langsam: Das OLG Stuttgart hat mit “OLGA” ein erstes KI-gestütztes Klassifikationssystem für Dieselklagen pilotiert — ein Zeichen, dass die Judikatur selbst den Nutzen von Mustererkennung anerkennt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Litigation-Risikoanalyse ist kein alltäglicher Zeitfresser wie Rechtsprechungsrecherche für Schriftsätze. Sie passiert punktuell bei Hochrisiko-Mandaten. Die KI-gestützte Variante spart gegenüber manueller Recherche 2–4 Stunden pro Mandat — aber das ist kein täglicher Hebel. Der Wert liegt nicht in der Zeitersparnis, sondern in der Qualitätsverbesserung der Empfehlung.

Kosteneinsparung — sehr hoch (5/5) Die höchste Kennzahl im Vergleich zu allen anderen Anwendungsfällen in dieser Kategorie. Warum: Eine falsche Klagen/Vergleich-Entscheidung bei 500.000 Euro Streitwert kostet schnell 80.000–150.000 Euro in direkten Prozesskosten — plus Mandatsvertrauensverlust und Reputationsschaden in der Mandantenbeziehung. Wenn die KI-Analyse die Empfehlung auch nur in 1 von 10 Fällen entscheidend verbessert, ist der ROI enorm. Die Kosteneinsparung ist hier primär Risikovermeidung, nicht Effizienzgewinn.

Schnelle Umsetzung — sehr niedrig (1/5) Die schlechteste Kennzahl in dieser Kategorie — bewusst. Deutsche Gerichtsdaten sind schlechter strukturiert als US-Daten. Spezialisierte Litigation-Analytics-Tools (Lex Machina, Pre/Dicta) sind primär US-fokussiert. Für Deutschland brauchst du eine Kombination aus juris-Datenbankzugang, strukturierter Extraktionsmethodik und LLM-Auswertung — das ist kein Plug-and-Play. Rechne mit 4–8 Wochen bis zur ersten belastbaren Analyse.

ROI-Sicherheit — hoch (4/5) Für Fälle ab 200.000 Euro Streitwert ist der ROI der Analyse klar positiv — eine fundierte Empfehlung, die auch nur ein schlecht ausgehendes Verfahren verhindert, amortisiert die gesamte Systeminvestition. Für kleinere Fälle ist der ROI fraglich: Der Analyseaufwand übersteigt dann den Nutzen. Die Einschränkung: Wahrscheinlichkeitsaussagen bleiben unvollständig, solange deutsche Gerichtsdaten lückenhaft sind.

Skalierbarkeit — mittel (3/5) Skaliert gut für Kanzleien mit hohem Prozessvolumen in bestimmten Rechtsgebieten — die Muster werden mit jeder Analyse belastbarer. Für Kanzleien mit heterogenem Mandatsportfolio (viele verschiedene Rechtsgebiete, viele verschiedene Gerichte) lohnt sich die Systeminvestition weniger. Ein Spezialist für Arbeitnehmerstreitigkeiten vor dem ArbG Berlin profitiert stärker als eine Allgemeinkanzlei.

Richtwerte — stark abhängig von Streitwert, Rechtsgebiet und Datenverfügbarkeit für das zuständige Gericht.

Was das System konkret macht

KI-gestützte Litigation-Risikoanalyse läuft in drei Schritten:

1. Fallkonstellation strukturieren Die KI zerlegt den konkreten Fall in seine relevanten Dimensionen: Rechtsgebiet, Anspruchsgrundlagen, Sachverhaltsmerkmale (Vertragstyp, Schuldnertyp, Schadensart), Gericht, Instanz, Streitwertrahmen. Das ist die Grundlage für den Vergleich mit historischen Entscheidungen.

2. Ähnliche Entscheidungen finden und auswerten Semantische Suche in juris, beck-online oder verknüpften ECLI-Daten nach Fällen mit ähnlicher Konstellation. Nicht einfache Schlüsselwortsuche (“Produkthaftung OLG Frankfurt”), sondern inhaltliche Ähnlichkeit: Was haben Gerichte entschieden, wenn Schuldner X, Sachverhaltsmerkmal Y und Anspruchsgrundlage Z zusammenkamen? Die KI extrahiert Tenor, Begründungsstruktur und Abgrenzungskriterien.

3. Muster erkennen und kommunizieren Aus den gefundenen Entscheidungen erstellt die KI ein strukturiertes Bild: Wie häufig hat die Klägerseite in vergleichbaren Konstellationen gewonnen? Welche Argumente waren entscheidend? Gibt es Gerichte oder Kammern mit abweichender Tendenz? Was sind die häufigsten Abweisungsgründe?

Was das System nicht macht:

• Es liefert keine juristischen Garantien — Wahrscheinlichkeiten sind Vergangenheitsdaten, keine Zukunftsaussagen
• Es ersetzt nicht die Einzelfallanalyse des Anwalts — die Besonderheiten des konkreten Falls können alle Statistiken außer Kraft setzen
• Für nicht-publizierte instanzgerichtliche Urteile (von denen es viele gibt) gibt es keine Datenbasis

Rechtliche Besonderheiten

EU AI Act — Hochrisikoeinstufung Der EU AI Act klassifiziert KI-Systeme, die Richter bei der Entscheidungsfindung unterstützen, als “hochriskant”. Das gilt für den Einsatz durch die Justiz selbst — nicht für Anwaltstools, die Mandanten beraten. Als Anwalt, der KI zur Prozessrisikoeinschätzung nutzt, bewegst du dich außerhalb dieser Hochrisikoeinstufung: Du triffst die Entscheidung, die KI ist dein Recherchetool.

Berufsrecht (BRAO) § 3 BRAO verlangt, dass die anwaltliche Beratung auf eigener Urteilsbildung beruht. KI-gestützte Risikoanalyse ist damit vereinbar — solange du die KI-Ausgabe als Analysegrundlage verwendest, nicht als fertige Empfehlung weiterreichst. Der Anwalt bleibt verantwortlich für die Einschätzung.

Wichtiger Hinweis zu Wahrscheinlichkeitsaussagen Wenn du Wahrscheinlichkeiten gegenüber Mandanten kommunizierst (“60–70 % Erfolgswahrscheinlichkeit”), ist das eine haftungsrelevante Aussage. Kommuniziere immer die Einschränkungen der Datenbasis mit — insbesondere dass deutsche Urteilsdatenbanken unvollständig sind und vergangene Entscheidungen zukünftige nicht determinieren.

Konkrete Werkzeuge — was wann passt

juris KI-Suite — Ausgangspunkt für jede DE-Litigation-Analyse. Semantische Suche nach ähnlichen Entscheidungen ist die Basis. juris deckt den relevantesten deutschen Urteilsbestand ab. Für systematische Musteranalyse brauchst du strukturierten Export und LLM-Nachbearbeitung. Kosten: abhängig vom juris-Tarif, typisch 150–400 €/Monat.

Harvey AI — Für Großkanzleien mit internationalem Mandatsschwerpunkt. Harvey kann größere Mengen an Urteilsdokumenten analysieren und Muster in Argumentationssträngen identifizieren. Besonders stark für englischsprachige Common-Law-Jurisdiktionen (UK, US), wo die Datenbasis vollständiger ist. Kosten: Enterprise-Pricing auf Anfrage.

Luminance — Hat ein “Investigate”-Modul, das speziell für Litigation-Support entwickelt wurde: Analyse von Schriftsätzen und Gerichtsentscheidungen auf Argumentationsmuster, Identifikation von Präzedenzfallketten. Stark für Kanzleien, die Vertragsanalyse und Prozessunterstützung kombinieren wollen. Kosten: Enterprise-Pricing auf Anfrage.

Casetext / CoCounsel (Thomson Reuters) — Für US-amerikanische oder internationale Mandate mit Common-Law-Bezug. CoCounsel kann Entscheidungshistorien von Richtern und Gerichten auswerten — für US-Bundesgerichte mit erheblicher Datendichte. Für deutsches Recht kaum relevant. Kosten: über Thomson-Reuters-Bundles.

Claude oder ChatGPT mit strukturiertem Export — Pragmatischer Einstieg ohne Enterprise-Investition: Lade 20–30 relevante Urteile im Volltext (aus juris oder openjur) als Kontext hoch und nutze ein LLM für strukturierte Musteranalyse. Begrenzte Dokumentenmenge, aber für Ersteinschätzungen bei begrenztem Budget ausreichend. Kosten: 20 €/Monat.

Lex Machina (LexisNexis) / Pre/Dicta — US-amerikanische Litigation-Analytics-Plattformen mit 70–85 % Vorhersagegenauigkeit für US-Gerichte. Für US-Mandate oder zur Einschätzung internationaler Verfahren erwähnenswert. Für deutsche Mandate: Nicht relevant, aber ein Ausblick darauf, was DE-spezifische Tools in 3–5 Jahren liefern könnten.

Zusammenfassung:

• Deutsche Mandatsfälle (Ersteinschätzung) → juris KI + Claude mit Urteilsexport
• Internationale/US-Mandate → Casetext / Harvey AI / Lex Machina
• Großkanzlei mit systematischem Litigation-Portfolio → Harvey AI oder Luminance
• Schneller Einstieg ohne Budget → openjur + Claude-Analyse

Datenschutz und Datenhaltung

Bei der Litigation-Risikoanalyse gehen typischerweise zwei Datenkategorien in Tools ein:

Historische Urteile (unkritisch): Öffentliche Gerichtsentscheidungen — keine Mandantendaten, keine DSGVO-Problematik. juris und beck-online verarbeiten diese ausschließlich in deutschen Rechenzentren.

Fallbeschreibungen des Mandanten (kritisch): Wenn du den konkreten Sachverhalt als Kontext eingibst (“Mein Mandant hat X, der Zulieferer Y…”), gehen potenziell sensible Geschäftsinformationen in das Tool ein. In diesem Fall gilt:

• Anonymisierung: Namen von Parteien, Beträge und identifizierende Details entfernen, bevor du den Sachverhalt einreichst
• AVV: Für Tools wie Harvey AI oder Luminance muss ein Auftragsverarbeitungsvertrag vorliegen
• EU-Datenhaltung: Harvey AI bietet EU-Azure-Hosting; Luminance hostet in UK (Angemessenheitsbeschluss liegt vor)
• Für generische LLMs (Claude, ChatGPT) ohne AVV gilt: Keine Mandantendaten mit Personenbezug oder Geschäftsgeheimnissen einspeisen

Berufsrechtliche Verpflichtung: § 43a BRAO (Verschwiegenheit) gilt für den Inhalt der Anfragen. Die Anonymisierungspflicht ist keine optionale Datenschutzmaßnahme — sie ist berufsrechtlich geboten.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• juris-Datenbankzugang: falls nicht vorhanden, 150–400 €/Monat
• Methodikentwicklung (Wie strukturieren wir Fallkonstellationen? Welche LLM-Prompts nutzen wir?): 10–20 Stunden interner Aufwand
• Bei Enterprise-Tools (Harvey, Luminance): Implementierungsprojekt 4–8 Wochen, Kosten auf Anfrage

Laufende Kosten (monatlich)

• juris KI: im Abo enthalten oder geringer Aufpreis
• Claude/ChatGPT für Analyse: 20 €/Person/Monat
• Harvey AI / Luminance: Enterprise-Pricing, für Kanzleien mit ausreichendem Prozessvolumen zu rechtfertigen

ROI-Rechnung — ein realistisches Szenario Ein Verfahren mit 500.000 Euro Streitwert, das verloren wird: Prozesskostenrisiko für die klagende Seite typisch 60.000–120.000 Euro (Anwaltskosten + Gerichtskosten + gegnerische Kosten nach § 91 ZPO). Ein schlechteres Vergleichsergebnis wegen schlechter Beratungsgrundlage: weitere 50.000–100.000 Euro. Wenn eine KI-gestützte Analyse die Empfehlung in einem von zehn Fällen pro Jahr entscheidend verbessert, spart das 50.000+ Euro — gegenüber Toolkosten von 500 €/Monat.

Für wen rechnet sich das nicht: Für Fälle unter 50.000 Euro Streitwert übersteigt der Analyseaufwand in der Regel den Nutzen. Die Methode ist für strategisch wichtige Hochrisiko-Mandate konzipiert, nicht als Standardvorgehen für jeden Fall.

Typische Einstiegsfehler

1. Wahrscheinlichkeitsaussagen ohne Datenbasis-Einschränkung kommunizieren. “Die KI sagt 70 % Erfolgswahrscheinlichkeit” klingt präzise, ist es aber nicht — wenn die Datenbasis 12 ähnliche Urteile aus drei verschiedenen Gerichten in fünf Jahren enthält. Wahrscheinlichkeiten aus kleinen Stichproben sind statistisch nicht belastbar. Kommuniziere immer, wie viele vergleichbare Fälle die Analyse zugrundeliegt und welche Lücken die deutsche Urteilsdatenbank hat.

2. US-Tools direkt auf deutsche Mandate anwenden. Lex Machina, Pre/Dicta und ähnliche Tools sind für US-amerikanische Gerichtssysteme mit vollständiger Datenbasis gebaut. Sie sind für US-Mandate nützlich. Für deutsches Recht gilt: Die Datenlage ist fragmentierter, die Gerichtssysteme arbeiten anders, und Richtertendenzen sind schwerer systematisch erfassbar. Europäische Gerichte veröffentlichen zudem einen kleineren Teil ihrer Entscheidungen als US-Bundesgerichte.

3. Die Analyse als Ersatz für eigene Urteilsbildung verwenden. KI-Litigation-Analyse liefert Muster aus der Vergangenheit. Sie erfasst nicht: den spezifischen Sachverhalt deines Falls, neue Rechtsentwicklungen, die noch nicht ausreichend in der Datenbasis abgebildet sind, oder die Besonderheiten der aktuellen Richterbesetzung. Der erfahrene Anwalt bleibt die unersetzliche Analyseinstanz — die KI ist Zulieferer, nicht Entscheider.

4. Einmalige Analyse statt regelmäßiger Aktualisierung. Gerichtliche Entscheidungstendenzen ändern sich. Eine Analyse, die auf Daten von 2020–2022 basiert, kann für aktuelle Verfahren irreführend sein, wenn Gerichte ihre Linie in einem Rechtsgebiet verändert haben. Plant regelmäßige Updates für Rechtsgebiete, in denen ihr häufig prozessiert.

5. Methodik nicht dokumentieren. Wenn du gegenüber dem Mandanten eine Wahrscheinlichkeitseinschätzung machst und dabei KI-Analyse nutzt, dokumentiere die Methodik: Welche Datenquellen, welche Suchbegriffe, wie viele Urteile analysiert. Das ist nicht nur gute Praxis — es schützt auch bei späteren Haftungsfragen.

Was mit der Einführung wirklich passiert — und was nicht

In der Praxis begegnet man zwei Widerstandsmuster:

“Wir machen das schon immer so — Bauchgefühl und Kollegengespräch.” Das stimmt. Und für viele Fälle funktioniert das auch. Die KI-gestützte Analyse ist kein Vorwurf an bisherige Praxis — sie ist eine Ergänzung für die Fälle, bei denen das Bauchgefühl nicht ausreicht: neue Rechtsgebiete, neue Gerichte, neue Richter, unbekannte Gegenpartei-Strategie.

“Das klingt nach US-amerikanischem Gerichtsbarkeits-Denken — das funktioniert in Deutschland nicht.” Das ist zum Teil richtig: Die vollständige statistische Vorhersagbarkeit von US-Tools ist in Deutschland nicht replizierbar. Aber das ist ein gradueller, kein kategorischer Unterschied. Die Frage ist nicht “Kann ich deutsche Gerichte mit 85 % Genauigkeit vorhersagen?” — die Frage ist “Bin ich mit systematischer Auswertung von 30 vergleichbaren Urteilen besser beraten als ohne?” Die Antwort ist fast immer: ja.

Was konkret hilft:

• Pilotprojekt mit einem abgeschlossenen Hochrisikofall: Führe die KI-Analyse retrospektiv durch für einen Fall, dessen Ausgang du kennst. Wie gut hat die Analyse das Ergebnis antizipiert? Das schafft internes Vertrauen in die Methodik.
• Kommunikation als “strukturierte Entscheidungsgrundlage”, nicht als “KI-Prognose” — die Wortwahl macht einen erheblichen Unterschied in der Akzeptanz bei Mandanten und Partnern.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Gerichte entscheiden nach Recht und Gesetz, nicht nach Mustern.” Formal korrekt. Praktisch treffen Richter in ähnlichen Sachverhalten — unter vergleichbaren Beweissituationen, bei ähnlicher Parteienkonstellation — systematisch ähnliche Entscheidungen. Das ist keine Willkür, sondern Konsistenz. Wer das ignoriert, lässt belastbare Information ungenutzt.

“Für unsere Fälle gibt es nicht genug Vergleichsentscheidungen.” Für sehr spezifische Nischenrechtsgebiete kann das stimmen. Aber das ist dann das Ergebnis der Analyse — “Die Datenlage für dieses Rechtsgebiet ist zu dünn für belastbare Aussagen” ist auch eine nützliche Information. Sie verhindert übertriebene Sicherheit auf Basis schwacher Datenbasis.

“Das ist zu teuer für Standardmandate.” Richtig — und das ist kein Einwand, sondern eine korrekte Einschätzung. Litigation-Risikoanalyse mit KI ist für Hochrisiko-Mandate über 200.000 Euro Streitwert konzipiert. Nicht für jede Mahnsache oder jeden Mietrechtsstreit.

Woran du merkst, dass das zu dir passt

• Deine Kanzlei führt regelmäßig Verfahren mit Streitwerten über 200.000 Euro
• Du berätst Mandanten bei Klagen/Vergleich-Entscheidungen und brauchst eine systematischere Argumentationsbasis
• Du prozessierst häufig vor denselben Gerichten und willst deren Entscheidungstendenzen besser verstehen
• Du hast internationale Mandate mit US- oder UK-Rechtsbezug — dort ist die Datenlage für KI-Analyse bereits ausgezeichnet

Wer noch warten sollte:

• Kanzleien mit ausschließlich kleinen Streitwerten unter 100.000 Euro — der Analyseaufwand übersteigt den Nutzen
• Kanzleien in sehr spezialisierten Nischenrechtsgebieten mit weniger als 50 publizierten Urteilen pro Jahr — Datenbasis zu dünn
• Kanzleien, die noch keine etablierte Rechtsprechungsrecherche mit juris oder beck-online betreiben — die Grundlage fehlt, bevor KI hinzukommt

Das kannst du heute noch tun

Nimm einen abgeschlossenen Fall aus den letzten zwei Jahren — einen, bei dem du dir damals unsicher warst, ob Klage oder Vergleich die richtige Empfehlung war. Führe die folgende Analyse retrospektiv durch: Was hätten 20–30 vergleichbare Urteile aus juris dir gesagt? Und wie nah kommt das an das tatsächliche Ergebnis?

Quellen & Methodik

• Hengeler Mueller, “The Evolving Role of AI in German Dispute Resolution” 2024 — Analyse der aktuellen Möglichkeiten und Grenzen von KI-gestützter Litigation-Analyse im deutschen Rechtssystem. [hengeler-news.com]
• American Bar Association, “Using AI for Predictive Analytics in Litigation” 2024 — Überblick über US-Erfahrungen mit Litigation-Analytics-Tools und Übertragbarkeit auf andere Rechtssysteme. [americanbar.org]
• Taylor Wessing, “AI in Focus: Using AI to Predict Case Outcomes” 2024 — Analyse zur Genauigkeit und Limitationen von KI-Vorhersagen für Verfahrensausgänge aus europäischer Kanzleiperspektive. [taylorwessing.com]
• CMS Law, “In Dispute: Artificial Intelligence in Litigation 2024” — Internationale Bestandsaufnahme zu KI in Litigation aus europäischer Sicht. [cms.law]
• Legal AI Radar, Befragungsergebnisse 2024 — Nutzungsanalyse von KI-Tools unter deutschen Juristen, inkl. Litigation-Analytics. [legal-ai-radar.de]
• Pre/Dicta, “AI-Powered Legal Case Outcome Prediction Methods” 2024 — Technische Beschreibung der Vorhersagemethodik und Genauigkeitsangaben. [pre-dicta.com] — Als US-Anbieter für DE-Mandate nicht direkt übertragbar, aber als Referenzpunkt für den Stand der Technik nützlich.