Technische Samenvatting: Nauwkeurige Juridische Redenering op Schaal via Geamortiseerde Intelligentie

Probleemstelling

Juridische teksten, met name in hoog-risicodomeinen zoals burgerlijke procedure, verzekeringen, belastingen en financiële regulering, bevatten vaak Computational Legal Clauses (Rekenkundige Juridische Bepalingen). Deze bepalingen vereisen de synthese van wiskundige redenering (bijvoorbeeld belastingformules), logische voorwaarde-evaluatie (bijvoorbeeld in aanmerking komende drempels) en contextuele taalinterpretatie.

Hoewel geavanceerde Large Reasoning Models (LRM's) indrukwekkende semantische vlotheid tonen, staan ze voor twee onoverkomelijke barrières in productieklaar rechtsspreken:

1. Betrouwbaarheid: Probabilistische modellen lijden aan "redeneerfouten", waaronder stille rekenfouten (hallucineren van coëfficiënten) en "redeneerafgronden" waarbij de prestaties catastrofaal verslechteren naarmate de logische complexiteit (bijvoorbeeld geneste booleaanse logica of brede beslissingsbomen) toeneemt. Ze missen de structurele strengheid die vereist is voor wettelijke redenering.
2. Economie: Het vertrouwen op Chain-of-Thought (CoT) inferentie voor elke terugkerende transactie (bijvoorbeeld het verwerken van duizenden facturen) dwingt een lineaire kostenschaal af, waardoor autonoom rechtsspreken commercieel onhaalbaar wordt voor workflows met een hoog volume.

Traditionele logische programmering (bijvoorbeeld Prolog) biedt strengheid maar lijdt aan een knelpunt bij handmatige kennisacquisitie. Omgekeerd ontberen puur generatieve benaderingen de deterministische garanties die vereist zijn voor juridische naleving.

Methodologie: Geamortiseerde Intelligentie

De auteurs stellen Geamortiseerde Intelligentie voor, een neuro-symbolische architectuur die het paradigma verschuift van een runtime-interpreter naar een logische compiler. Het systeem ontkoppelt redenering van uitvoering via een proces in twee fasen:

1. Compilatiefase (Eenmalige Kosten)

Een Large Language Model (LLM) wordt eenmaal gebruikt om ongestructureerde juridische tekst te vertalen naar Deterministische Autonome Contracttaal (DACL).

• DACL-Representatie: Een getypeerde, gerichte acyclische graaf (DAG) tussenrepresentatie geoptimaliseerd voor commerciële logica.
• Bepalingsprimitieven: Het systeem maakt gebruik van een sterk getypeerd schema met vier recursieve primitieven:
  • Procedure: Sequentiële workflows met vroegtijdige beëindiging.
  • Logische Bepaling: Eerste-orde propositionallogica die prioriteit-gebaseerde in aanmerking koming afdwingt.
  • Reikwijdte Bepaling: Het afbeelden van continue variabelen naar discrete brackets met strikte grensvalidatie om "off-by-one"-fouten te elimineren.
  • Prijsformule: Rekenkundige expressies die worden uitgevoerd in een afgesloten omgeving met configureerbare precisie.
• Temporele Versiebeheer: Bepalingen dragen geldigheidsdatums, waardoor de engine de juiste versie kan selecteren voor een specifieke gebeurtenisdatum zonder volledige contractregeneratie.

2. Uitvoeringsfase (Runtime)

Aansluitende rechtsspraak vertrouwt op een lichtgewicht Neuro-Symbolische Agent die de vooraf gecompileerde DACL-graaf uitvoert.

• Semantische Routing: Een lichtgewicht LLM (bijvoorbeeld gpt-5-mini) koppelt de gebruikersvraag en runtime-feiten aan een specifiek subset van bepalingenidentificatoren ($K$).
• Symbolische Delegering: De agent roept een deterministische engine ($\Phi_{DACL}$) aan om de logica uit te voeren. Deze stap is niet-probabilistisch en garandeert referentiële transparantie (identieke invoer levert altijd identieke uitvoer op).
• Synthese: De agent synthetiseert een antwoord in natuurlijke taal dat gebaseerd is op de structurele audittrace ($\tau$) die door de engine is gegenereerd.

Belangrijkste Bijdragen

1. DACL-Architectuur: Een op graaf gebaseerde neuro-symbolische tussenrepresentatie die prioriteit geeft aan juridische primitieven en expliciete variabele-afhankelijkheids-tracking boven algemeen theorema-bewijzen.
2. Validatie van Geamortiseerde Intelligentie: Aangetoond op data uit industriële Enterprise Resource Planning (ERP) en boekhoudsystemen, waarbij blijkt dat het uitbesteden van zware juridische interpretatie aan een eenmalige compilatiestap 99,5% nauwkeurigheid en >95% kostenreductie bereikt in vergelijking met state-of-the-art LRM-baselines bij taken met hoog volume.
3. Taxonomie van Falen en Structurele Auditbaarheid: De studie isoleert foutmodi in geavanceerde modellen en identificeert Variabele Afhankelijkheid (VD)-fouten (onjuiste statetracking) als de primaire faalmodus (71% van de fouten), in plaats van rekenkundige hallucinaties. DACL biedt een deterministisch, traceerbaar uitvoeringspad voor elke beslissing.
4. Productie-implementatie: Het systeem is meer dan 12 maanden in een live omgeving ingezet, waarbij het autonoom facturatie- en crediteurenverloop workflows uitvoert over 150+ commerciële overeenkomsten en ongeveer 1.000 maandelijkse facturatiegebeurtenissen.

Resultaten en Evaluatie

Het systeem is geëvalueerd tegenover drie families van geavanceerde modellen (GPT-5.2, Claude 4.5 Sonnet, Gemini 3 Pro) over vier proprietaire industriële overeenkomsten (Zorg, Energie, Logistiek, Gemeentelijk).

• Nauwkeurigheid en de "Redeneerafgrond": De DACL-Agent behaalde 99,5% algehele nauwkeurigheid. Daarentegen vertoonden geavanceerde modellen een scherpe "complexiteitsafgrond". Hoewel modellen goed presteerden bij eenvoudige rekenkunde (Energy-Sup), stortte hun nauwkeurigheid in bij complexe beslissingsbomen (Logistics-MSA, 76 beslissingsstaten), waarbij deze daalde tot slechts 22% voor GPT-5.2.
• Foutanalyse: Geavanceerde modellen berekenden de wiskunde vaak correct, maar baseerden deze op de verkeerde staat (bijvoorbeeld het toepassen van een Tarief A op een zending van Tarief B). DACL-fouten waren zeldzaam en ontstonden uitsluitend bij de semantische routing-agent, niet bij de deterministische engine.
• Computereconomie:
  • Token-efficiëntie: DACL verlaagde het tokenverbruik met 9,9x in vergelijking met de baseline door alleen actieve logische bepalingen op te halen in plaats van de volledige contractcontext.
  • Latentie: Bij complexe taken gemiddelde DACL 26,8 seconden per gebeurtenis, aanzienlijk sneller dan de ~164 seconden die zware redeneermodellen vereisten, terwijl het superieure nauwkeurigheid behield.

Betekenis en Claims

Het artikel betoogt dat het bereiken van schaalbaar, autonoom juridisch rechtsspreken vereist dat men voorbij probabilistische modellen alleen gaat. Door de LLM te behandelen als een eenmalige semantische compiler in plaats van een runtime-interpreter, elimineert de voorgestelde architectuur de stochastische risico's van "Systeem 2"-redenering.

De auteurs claimen dat deze aanpak biedt:

• Schaalbaarheid: Een weg naar het verwerken van miljoenen zaken per jaar zonder handmatige review, waarmee systemische problemen met toegang tot recht worden aangepakt.
• Stabiliteit en Uniformiteit: Het waarborgen van consistente regeltoepassing en het elimineren van de onvoorspelbaarheid van generatieve inferentie.
• Auditbaarheid: Het bieden van een structurele audittrail die essentieel is voor juridische naleving, en die voldoet aan de eis dat rechtsspraak verklaarbaar en deterministisch moet zijn.

Het werk suggereert dat deze deterministische aanpak kan worden uitgebreid tot commerciële contracten naar andere regulatoire domeinen (bijvoorbeeld belastingcodes, stadsverordeningen), mits de logica kan worden gemapt naar de gedefinieerde primitieven van het systeem. De auteurs erkennen beperkingen, waaronder het huidige gebrek aan ondersteuning voor weerlegbare redenering, opengetextureerde juridische standaarden en niet-Engelse jurisdicties, en merken op dat compilerfouten, hoewel zeldzaam, menselijke review vereisen voordat ze in productie worden ingezet.