De prijzen van juridische AI schieten omhoog. Wat kun je zelf, en wat niet?
Duiding van de actualiteit
Het nieuws over AI gaat snel, maar wat het voor jouw praktijk betekent blijft vaak onbesproken. Wij volgen de ontwikkelingen op de voet en vertalen ze naar de praktijk van het kantoor. Vandaag een verhaal over geld, want de rekening van juridische AI loopt hard op, en de vraag is hoeveel je daarvan eigenlijk zelf in de hand hebt.
In het kort. Legora verhoogt de prijzen van zijn juridische AI fors, en de verwachting is dat Harvey volgt. Kantoren rekenden op vaste, lage abonnementen, maar de beste modellen zijn duur en die rekening wordt doorgegeven. Het goede nieuws is dat je een groot deel van het dagelijkse werk ook met een goed model en je eigen context kunt doen, voor een fractie van de prijs. Maar niet alles. Dit is de eerlijke grens.
Wat is er gebeurd?
Legora, het platform dat onder meer Dentons en Linklaters gebruiken, past zijn prijsmodel aan. Kantoren die instapten op vriendelijke pilot-tarieven zien hun kosten nu twee tot drie keer omhooggaan, en experts verwachten dat andere aanbieders volgen. De oorzaak is simpel. De krachtige modellen onder de motorkap zijn duur in gebruik, en de aanbieders geven die kosten door.
Het gaat niet om kleine bedragen. Voor een kantoor van twintig advocaten loopt een platform als Harvey al snel richting de twee à drie ton per jaar, met een verplichte minimale afname van twintig of meer gebruikers. Nederlandse kantoren als Houthoff, CMS en A&O Shearman werken met Harvey, andere met Legora. De prijs die ooit een experiment was, is een serieuze begrotingspost geworden.
De systemen zelf, in gewone taal
Het helpt om te weten wat je voor dat geld krijgt. Grofweg zijn er twee soorten. De eerste is de werkfabriek, zoals Legora en Spellbook, die de AI rechtstreeks in Word en je dossiersysteem zet. Die leest een stapel contracten, zet de belangrijke punten naast elkaar in een overzicht, en schrijft meteen je wijzigingen in de tekst. De tweede is het onderzoekssysteem, zoals CoCounsel, dat antwoorden op juridische vragen vastknoopt aan een bestaande, gecontroleerde databank met wetgeving en uitspraken. Daarnaast zijn er specialisten voor het doorlichten van duizenden contracten in één keer bij een overname.
Dat is echt werk en het is knap gebouwd. De vraag is alleen welk deel ervan leunt op de pure denkkracht van het model, en welk deel op iets dat je zelf niet zo makkelijk nabouwt.
Wat je met een goed model en je eigen context al kunt
Hier zit de verrassing. Onafhankelijke vergelijkingen van dit jaar laten zien dat een topmodel als Claude op pure contractanalyse vaak beter scoort dan de dure gespecialiseerde tools. De ruwe intelligentie zit niet in het platform, die zit in het model. En datzelfde model staat ook voor jou open.
Voor het overgrote deel van het dagelijkse werk kom je daarmee een heel eind. Een lange overeenkomst samenvatten, de risico’s eruit halen, een tijdlijn maken van een dossier, een eerste concept schrijven op basis van je eigen eerdere stukken, of je hele eigen kennis en dossiers doorzoekbaar maken op betekenis in plaats van op trefwoord. Dat draait op je eigen abonnement, en de kosten daarvan zijn een fractie van een platformlicentie. Waar een platform richting de ton of meer gaat, praat je bij een eigen opzet over enkele duizenden tot enkele tienduizenden euro’s per jaar.
| Dit doe je prima zelf | Dit blijft het terrein van de platforms |
|---|---|
| Documenten analyseren, samenvatten, risico’s en tijdlijnen | Volledige dekking van álle rechtspraak, plus controle of een uitspraak nog geldt |
| Onderzoek binnen je eigen, goed gevoede en actuele kennisbank | Een diepe, stabiele koppeling met Word en je dossiersysteem |
| Eerste contractconcepten uit je eigen precedent | Afwijkingen opsporen over tienduizenden contracten tegelijk |
En waar de platforms hun prijs waard blijven
Het ligt genuanceerder dan de aanbieders je laten geloven. Neem juridisch onderzoek. Een gespecialiseerd systeem hangt aan een complete databank met alle wetgeving en uitspraken. Maar voed je je eigen kennisbank met de arresten, richtlijnen en uitspraken die voor jouw praktijk tellen, en houd je die met discipline actueel, dan komt een goed model daar verrassend ver mee. Dat is precies wat context-management is. Steeds meer juristen doen dit al met NotebookLM, een tool van Google die alleen redeneert over de stukken die jij erin zet. En zo’n kennisbank kun je tegenwoordig zelfs aan je AI-agents koppelen, zodat ze er bij elke taak uit putten. Wat de databank dan nog toevoegt, is de volledige dekking van álle rechtspraak buiten je eigen verzameling, en een automatische controle of een uitspraak nog geldend recht is. Voor je eigen vakgebied ben je met je eigen kennisbank vaak scherper. Voor brede of onbekende vragen daarbuiten is die complete databank z’n geld waard.
Wat echt lastig zelf te doen blijft, is iets anders. De naadloze koppeling met je software, een AI die echt in Word en je dossiersysteem leeft en daar stabiel en veilig blijft werken, vraagt om een vast technisch team, en dat eet de besparing weer op. En het op grote schaal opsporen van afwijkingen in tienduizenden contracten, het soort werk bij een grote overname, is geen taak voor een algemeen model.
De scheidslijn is eigenlijk heel simpel. Zoek je ruwe denkkracht op tekst, dan doe je dat prima zelf. Zoek je een fabriek die naadloos met je software praat, dan is dat precies waar je voor betaalt.
En de data, zit dat dan veiliger?
Een terechte vraag, en het eerlijke antwoord is genuanceerder dan ja of nee. Zowel de dure platforms als een eigen opzet draaien onder de motorkap op dezelfde topmodellen, onder zakelijke voorwaarden waarbij je gegevens niet worden gebruikt om die modellen te trainen. Op dat punt ontlopen ze elkaar weinig. Het echte verschil zit in de keten. Bij een eigen opzet gaat je materiaal rechtstreeks van jou naar de modelleverancier, onder voorwaarden die direct van jou zijn. Bij een platform zit daar nog een partij tussen, met z’n eigen voorwaarden.
Geen van beide is onveilig, en geen van beide is een kluis. Wat telt is dat je weet waar je gegevens heen gaan en onder welke afspraken, en dat je per zaak afweegt wat je wel en niet door een AI laat lezen. Dat is geen belofte die wij verkopen, dat is gewoon je werk als professional. Voor het dagelijkse werk is dit een beheersbare, bekende opzet. Heb je een dossier dat echt nergens naartoe mag, dan is dat een afweging die je sowieso maakt, met of zonder AI.
De eerlijke afweging
Het is dus geen kwestie van alles of niets. Voor het leeuwendeel van het dagelijkse werk doet een goed model met je eigen context heel veel, tegen een fractie van de kosten. Voor geverifieerd onderzoek en diepe integratie verdienen de platforms hun geld. De kunst is om te weten welk werk in welke categorie valt, zodat je niet een kwart miljoen per jaar betaalt voor iets wat grotendeels in het model zelf zit.
En één ding verandert nooit, welke kant je ook kiest. De mens blijft aan het stuur. Een model kan met grote stelligheid een uitspraak aanhalen die niet bestaat, en dat is advocaten echt overkomen. Niet omdat het zelf doen goedkoper is houd je de controle, maar omdat het in dit vak gewoon moet.
Zelf aan de slag of laat ons helpen
Wil je uitzoeken wat in jouw kantoor wél en niet zelf kan? Onze methode staat open op GitHub, zodat je er meteen mee aan de slag kunt met Claude Code. Wil je het in één keer goed ingericht hebben op je eigen omgeving, met de juiste grenzen bewaakt? Plan dan een kennismaking, dan kijken we samen waar het de moeite waard is.
- De open methode: github.com/mennovdmm/canoniek
- De begeleide route: plan een kennismaking