Het programmatisch genereren van teksten is iets dat sterk in de belangstelling staat. De bekendste tool op dit gebied is GPT-2: een neuraal netwerk dat teksten kan genereren, zó goed dat maar weinig mensen het verschil zien. Wat als je dit zou loslaten op contracten?
Goed, robots kunnen dus contracten lezen. Kort gezegd: ze herkennen tekstpatronen, al dan niet grammaticale constructies en vergelijken dat met kennis en/of regels om te bepalen of die patronen acceptabel zijn. Zo niet, dan kan het systeem dat aangeven en kan een menselijke jurist een alternatief voorstellen. Zo doen beide partijen waar ze goed in zijn: het saaie werk is voor de robot (bevat dit patroon iets geks) en de mens neemt het creatieve deel op zich (hoe maak ik hier iets wederzijds acceptabels van).
Nog een stapje verder lijkt lastig voorstelbaar: als een robot eigenlijk nauwelijks de grammatica snapt, hoe kan hij dan de strekking begrijpen én daar een alternatief van maken?
Ik blijf het zeggen: wat computers doen, moet je niet beschouwen als een vorm van denken. Want computers denken niet. Net zo min als onderzeeboten zwemmen (Dijkstra). Waar het om gaat is het resultaat, dat computers een andere route kiezen is een gegeven. Wil je dus iets met AI-tools, dan zul je moeten bedenken welke resultaten je wil, en dan beredeneren hoe een computer die zou kunnen bereiken.
Het programmatisch genereren van teksten is iets dat sterk in de belangstelling staat. De bekendste tool op dit gebied is GPT-2: een neuraal netwerk dat teksten kan genereren, zó goed dat maar weinig mensen het verschil zien. Dit netwerk is gebouwd op een heleboel bestaande teksten, zodat het systeem weet welke passages typisch kunnen volgen op eerdere zinnen.
Natural Language Processing
Het systeem is generiek, maar er is geen reden waarom je dat niet op contracten los zou kunnen laten. Zo zou je dus snel een heleboel contracten kunnen schrijven. Maar wat je in de praktijk vaak zou willen, is vooral een aanpassing op een contract en niet perse een geheel nieuwe tekst. Dat vereist meer inhoudelijke kennis van zaken, maar is iets waar natural language processing (NLP) een rol bij kan spelen.
Je zou bijvoorbeeld beide tekstvoorstellen van twee partijen kunnen vergelijken op zoek naar verschillende constructies. Als de een ‘harde’ termen (guarantees, shall deliver) gebruikt en de ander ‘softe’ (shall use best efforts) dan kun je in die categorie bewoordingen op zoek naar een woord dat tussen die twee uitersten in zit. Je zou daarvoor zelfs in je databank met eerder goedgekeurde contracten kunnen kijken: welke clausule lijkt veel op wat deze wederpartij wil en kon wél door de beugel? Daarvoor hoef je nog steeds niet inhoudelijk de tekst te snappen zoals een mens dat zou doen, maar heb je toch een uitkomst die een mens ook zou voorstellen.
Vaak zul je zien dat zo’n database vaak de eigen modelclausules bevat. Dan krijg je een ontwikkeling dat het systeem een tegenvoorstel vooral evalueert tegen die modelclausules, en dat wordt dan uiteindelijk een gevecht om welk model het beste past bij wat de wederpartij voorstelt. En dan kom je dus weer bij die korte contracten: de onderhandeling is dan niet meer of er ‘shall guarantee’ of een andere juridische zin zal komen te staan, maar of we Inkoop.Leverdatum.Hard hebben dan wel Inkoop.Leverdatum.Soft. Robots standaardiseren juridisch jargon, hoe mooi zou dat zijn?
Wat dan overblijft is de meer principiële discussie: waarom moet het Hard dan wel Soft zijn, die leverdatum. En die vraag, op die manier geformuleerd, kan dan bij de businessverantwoordelijken worden gelegd. Die hebben kennelijk de behoefte aan harde leverdata, of vinden ze voor sommige contracten misschien een softere datum (in combinatie met lagere prijs) toch beter. Zo voer je intern de discussie over de business rules die in het contract terug moeten komen. Hierover volgende keer meer.
