Wie testen Sie ein KI-Werkzeug vor dem Kauf? Nehmen Sie fünf bis zehn Aufgaben aus Ihrem Alltag, schreiben Sie vorab auf, woran Sie ein richtiges Ergebnis erkennen, und lassen Sie jede mehrfach laufen. Ein Lauf zählt nur, wenn kein Muss-Punkt und kein Ausschluss verletzt ist. Geben Sie nur erfundene Daten ein. Die Testmappe (Excel, XLSX) führt Sie durch den Test.
Auf dieser Seite: Unser Versuch · Warum Läufe streuen · Die Testmappe · Fall · Prüfaufwand · Mehrere Berufsträger · Testdaten und Berufsrecht · Benchmarks · Wo das nicht passt · Was Sie jetzt tun · Download
KI-Werkzeug testen: Punkte gegen „alles oder nichts“ im Versuch
Wir haben vier Aufgaben aus dem Kanzleialltag mit erfundenen Muster-Akten durchgespielt, jede mit absichtlich eingebauten Fehlern und Fallen. Je Aufgabe liefen drei Modelle einer Anbieterfamilie zweimal, zusammen 24 Läufe. Die Aufgaben beschreiben die Prompts der Woche Schriftsatz zusammenfassen, Posteingang vorsortieren und Sachstandsbrief; ein Prompt ist die Anweisung an das Werkzeug. Die eingebauten Fehler und Fallen standen vorher fest.
| Aufgabe | Prüfpunkte, eingebaute Fallen | Läufe ohne verletzten Prüfpunkt |
|---|---|---|
| Klageerwiderung zusammenfassen | 16; zwei Widersprüche, Rechenfehler bei der Vertragsstrafe, Verjährung im Nebensatz, fehlende Anlage | 4 von 6 |
| Posteingang vorsortieren (acht E-Mails) | 9; Phishing, Frist nur im Nachsatz, Kündigung ohne das Wort „Frist“, eingeschleuste Anweisung | 1 von 6 |
| Sachstandsbrief aus 13 Stichpunkten | 11; interne Wertung, mehrdeutige Abkürzung, aufgehobener Termin | 0 von 6 |
| Eigenen Klageentwurf prüfen | 12 Fehler und ein Köder | 2 von 6 |
| zusammen | 7 von 24 |
Ein „Lauf“ ist eine Eingabe mit einer Antwort in einer neuen Sitzung ohne Vorgeschichte, die Sie bewerten. Beim Brief zählt ein Lauf zum Beispiel nicht, wenn aus „angekündigt“ „verlangt“ wird, ein Satz ohne Stichpunkt hinzukommt oder ein offener Platzhalter den Brief unversandfähig macht. Das Kriterium bestimmt das Ergebnis: Wer offene Platzhalter als gewollte Vorsicht wertet, kommt beim Brief auf 2 statt 0 von 6.
- Punkte täuschen. Beim Klageentwurf fanden alle sechs Läufe alle zwölf Fehler. Bestanden haben nur zwei, weil vier den Inhalt einer Anlage unterstellten („so auch im Lieferschein“), den das Werkzeug nie gesehen hatte, oder eine offene Rechtsfrage als „sicher“ meldeten. Beim Schriftsatz erreichten die beiden Läufe des kleinsten Modells 15 und 14 von 16 Punkten und bestanden doch nicht: Sie fanden die Stelle mit der Vertragsstrafe, zogen aber nicht den Schluss, dass der Betrag überhöht ist.
- Erkennen klappt, Gewichten und Formulieren nicht. Im Posteingang erkannten alle sechs Läufe alle Fallen, aber vier setzten die Frist, die am nächsten Tag ablief, nicht an die erste Stelle. Im Brief wurde in zwei Läufen aus „angekündigt“ „verlangt“, in vier stand ein Satz ohne Stichpunkt. Bauen Sie Prüfpunkte deshalb auch für Verben, Reihenfolgen und Zusätze.
- Kein Modell gewinnt überall. Das kleinste Modell bestand beim Klageentwurf beide Läufe, beim Schriftsatz keinen; bei zwei Läufen je Zelle sind das Einzelbeobachtungen, keine Fehlerraten.
Eine Änderung der Anweisung ist eine neue Testrunde. Beim Posteingang haben wir die Anweisung geändert: Das Werkzeug sollte ein vorläufiges Fristende mit Rechtsgrundlage nennen und nur danach sortieren, Unklares oben. Danach stimmte die Reihenfolge der Fristen in sechs von sechs Läufen statt in zwei von sechs. Der Preis: Mit dem Rechnen kam eine neue Fehlerquelle; in einem von sechs Läufen stand eine falsche Norm für die Berechnung (Ergebnis richtig), und ein Lauf setzte die Phishing-Mail als „unklar“ ganz nach oben. Die Zusammenfassungen des Schriftsatzes waren außerdem bis zu 3,7-mal so lang wie das Original (rund 670 Wörter); wer prüft, liest mehr. Die „Gegenprobe“ des Werkzeugs bestätigte in einem Lauf eine Fehleinordnung: Eine Kontrolle durch das Werkzeug selbst ist kein Beweis. Zitate prüfen Sie mit KI-Zitate richtig prüfen; weitere Versuche: Wofür KI in der Kanzlei taugt.
So haben wir getestet
Modelle: Claude Haiku, Claude Sonnet und Claude Opus von Anthropic, jeweils Fassung 5.5 nach Angabe der Modelle selbst. Andere Anbieter und Kanzlei-Fachwerkzeuge haben wir nicht getestet.
Datum: 26. Oktober 2026.
Aufgaben: vier erfundene Fälle – Klageerwiderung zusammenfassen, acht E-Mails vorsortieren, Sachstandsbrief aus 13 Stichpunkten, eigenen Klageentwurf prüfen. Jede Muster-Akte enthält absichtlich eingebaute Fehler und Fallen.
Läufe: je Modell und Aufgabe zwei Läufe, zusammen 24; bei der Posteingangsaufgabe nach einer Änderung der Anweisung weitere sechs. Jeder Lauf begann in einer neuen Sitzung ohne Vorgeschichte, mit wörtlich gleicher Anweisung.
Bewertung: Die eingebauten Fehler und Fallen standen vor dem ersten Lauf fest. Die Zählung „alles oder nichts“ haben wir für diesen Beitrag aus den Protokollen erstellt; einige Prüfpunkte (etwa unterstellte Anlageninhalte, offene Platzhalter) kamen erst bei der Auswertung hinzu. Ein Lauf gilt als bestanden, wenn kein Prüfpunkt verletzt ist (im Versuch galten alle Punkte als Muss); „teilweise“ zählt als nicht erfüllt.
Grenzen: zwei Läufe je Zelle sind Einzelbeobachtungen, keine Fehlerraten. Die Muster-Akten sind kurz (etwa 170 bis 670 Wörter), Anlagen lagen nur als Text vor. Das Modell wurde angewiesen, nicht im Internet zu suchen; gesperrt war es nicht. Die Prüflisten sind nicht anwaltlich geprüft. Die Zeit für die Prüfung der Antworten haben wir nicht gemessen. Die Ergebnisse sagen etwas über die Methode, nicht darüber, welches Werkzeug besser ist.
Warum Läufe streuen: ein gelungener Lauf beweist nichts
Ein Sprachmodell berechnet für jedes nächste Wortstück eine Wahrscheinlichkeit und wählt eines aus. Eine Antwort ist eine Kette solcher Entscheidungen, keine Abfrage einer Datenbank. Selbst mit der Einstellung „immer das wahrscheinlichste Stück“ waren in einem Versuch von Thinking Machines Lab (2025, offenes Modell) bei tausend gleichen Fragen 80 verschiedene Antworten zu zählen; als Ursache nennt der Beitrag, wie die Rechnung je nach Auslastung des Servers zusammengefasst wird (Thinking Machines Lab). Für Dienste von Anbietern übernehmen wir nur den Schluss: Gleiche Eingabe heißt nicht gleiche Ausgabe. Dazu kann der Anbieter Modellstand und Systemvorgaben ändern, ohne dass Sie es sehen; die Mappe hält deshalb Datum, Version laut Anbieter und Tarif fest.
Daraus folgt: mindestens drei Läufe je Aufgabe, besser fünf, und „nicht bestanden“ für jeden Lauf, der einen Muss-Punkt verletzt; wie viele Fehlläufe Sie für eine Aufgabe dulden, legen Sie vorab fest. Drei fehlerfreie Läufe sind kein Beweis. Gelingt eine Aufgabe in 9 von 10 Fällen, bestehen drei Läufe hintereinander in nur 72,9 % der Tests (0,9³), fünf in 59,0 % (0,9⁵); gelingt sie nur in 8 von 10 Fällen, fünf Läufe in 32,8 % (0,8⁵); gelingt sie nur in der Hälfte der Fälle, drei Läufe immerhin in 12,5 % (0,5³). Die Rechnung setzt unabhängige Läufe voraus. Fünf Läufe trennen also gute von schlechten Aufgaben, aber nicht „4 von 5“ von „5 von 5“; drei bestandene Läufe schließen Grobes aus, mehr nicht.
Die Testmappe: sechs Blätter, ein Ergebnis
Ob Sie ein KI-Werkzeug oder ein KI-Tool testen, die Mappe fragt nach Ihren Aufgaben, nicht nach dem Produktnamen.
- Anleitung. Die Schritte, die Grenzen und ein Beispiel (Sachstandsbrief aus unserem Versuch).
- Aufgabenblatt. Je Aufgabe: Eingabe wörtlich (danach nicht mehr ändern), Soll-Ergebnis mit Datum, vor dem ersten Lauf geschrieben, mindestens eine eingebaute Falle (Widerspruch, Köder, fehlende Angabe, Anweisung im Text).
- Prüfliste. Je Prüfpunkt eine Ja-Nein-Frage, die Art und die Fehlerklasse. Muss: ohne den Punkt ist das Ergebnis nicht brauchbar (etwa das richtige Datum). Soll: wünschenswert (verständliche Sprache). Ausschluss: darf nie vorkommen (erfundene Fundstelle). Sieben Fehlerklassen, etwa „Sinn verändert“ oder „Inhalt hinzugefügt“.
- Läufe. Je Lauf eine Zeile mit Werkzeug, Version laut Anbieter, Tarif (die Vertragsstufe, etwa kostenlos oder für Geschäftskunden), Datum, Antwortzeit, Prüfzeit mit der Stoppuhr und den verletzten Punkten. Bestanden ist ein Lauf nur, wenn weder ein Muss-Punkt noch ein Ausschluss verletzt ist; daneben steht die Punktquote.
- Auswertung. Je Aufgabe und Werkzeug: „3 von 5 Läufen bestanden“, Punktquote, Fehler nach Klasse.
- Aufwand. Die Rechnungen unten mit Ihren Zahlen.
Die Entscheidungsregel legen Sie vor dem ersten Lauf fest. Zum Beispiel gilt eine Aufgabe für Sie als „geeignet“, wenn fünf von fünf Läufen bestanden sind, und als „geeignet mit Prüfung“, wenn vier von fünf bestehen und die Fehler in einer Klasse liegen, die Ihr Prüfer sicher findet. Das ist eine Regel, die Sie für Ihre Kanzlei setzen, kein Maßstab, den das Gesetz vorgibt. Auch ein Werkzeug, das Ihren Test besteht, nimmt Ihnen die Prüfung im einzelnen Mandat nicht ab: Sie üben Ihren Beruf gewissenhaft aus (§ 43 BRAO), mit oder ohne Werkzeug.
Anders als die Beispiele, die Anbieter in Vorführungen zeigen, misst die Mappe Ihre Aufgaben und Ihre Fallen. Bauen Sie sie mit den Personen, die das Werkzeug später nutzen sollen: Wer selbst Fallen einbaut und Läufe auswertet, sieht, wo solche Werkzeuge danebenliegen. Das kann eine der Maßnahmen sein, mit denen eine Kanzlei nach Art. 4 KI-Verordnung die Entwicklung der KI-Kompetenz ihres Personals unterstützt; eine bestimmte Form schreibt die Verordnung nicht vor (Art. 4 KI-VO). Mehr dazu in KI-Schulung in der Kanzlei.
Fall: Eine Kanzlei will zwei KI-Werkzeuge vor dem Kauf testen
Erfundenes Beispiel. Eine Kanzlei mit vier Berufsträgern für Bau-, Miet- und Familienrecht und einer Büroleiterin will ein KI-Werkzeug für Entwürfe kaufen; zwei Anbieter bieten eine Testphase an. Büroleiterin und eine Anwältin legen fünf Aufgaben fest, drei davon als Beispiel (alle mit erfundenem Material):
- Sachstandsbrief aus 13 Stichpunkten (Bauprozess). Fallen: interne Wertung zu einem Zeugen, Vergleichsidee mit Fragezeichen, mehrdeutige Abkürzung, aufgehobener Termin, „angekündigte“ Forderung.
- Notiz zu Unterhaltszahlungen in einen Aktenvermerk umformen (Familienrecht). Falle: In der Notiz steht einmal 450 €, einmal 540 €. Prüfpunkt: Abweichung gemeldet, keiner der Beträge gewählt.
- Entwurf eines Schreibens an die Hausverwaltung auf Angaben prüfen (Mietrecht). Falle: Wohnfläche 64 m² im Betreff, 46 m² im Text. Prüfpunkt: beide Stellen genannt, keine Aussage zur Rechtslage.
Das Soll-Ergebnis des Briefs entsteht als Prüfliste mit elf Punkten, datiert, bevor ein Werkzeug geöffnet wird. Dann laufen je Werkzeug fünf Läufe in neuen Sitzungen; eine zweite Anwältin hakt mit Stoppuhr nach der Liste ab.
Wie die Auswertung aussehen kann, zeigen unsere sechs Läufe zum Sachstandsbrief, die wir als Beispiel in die Mappe eingetragen haben: Kein Lauf verletzte ein Datum, kein Lauf erfand einen Wochentag, aber keiner bestand. Zwei Läufe gaben „angekündigt“ als „verlangt“ wieder, vier fügten einen Satz ohne Stichpunkt ein, vier ließen eine gängige Abkürzung als offenen Platzhalter im Brief. Für die Kanzlei hieße das: Die Aufgabe wäre mit diesem Werkzeug und dieser Anweisung ohne Prüfung jedes einzelnen Briefs nicht „geeignet“. Ändert sie die Anweisung, etwa um den Zusatz-Satz zu verbieten, beginnt die Testrunde dieser Aufgabe von vorn.
Prüfaufwand gegengerechnet
Gemessen haben wir nur die Antwortzeit (25 bis 127 Sekunden je Lauf, vom Start bis zum fertigen Ergebnis). Die Prüfzeit des Menschen haben wir nicht gemessen. Messen Sie sie in Ihrer Mappe; bis dahin sind die folgenden Rechnungen Annahmen (6 Minuten Prüfung je Lauf, 30 Minuten Aufbau je Aufgabe, Anwaltsstunde 167 €, Bürostunde 27 €).
| Mini-Test | Grobtest | Entscheidungstest | |
|---|---|---|---|
| Aufgaben, Läufe je Aufgabe und Werkzeug, Werkzeuge | 2, 3, 1 | 5, 3, 2 | 5, 5, 2 |
| Läufe | 6 | 30 | 50 |
| Stunden (Prüfung plus Aufbau) | 1,6 | 5,5 | 7,5 |
| Kosten, wenn die Anwältin alles macht | 267,20 € | 918,50 € | 1.252,50 € |
| Kosten, wenn die Bürokraft alles macht | 43,20 € | 148,50 € | 202,50 € |
| Kosten geteilt (Anwältin baut auf, Bürokraft prüft nach Liste) | 183,20 € | 498,50 € | 552,50 € |
Der Alltag danach. Ein Sachstandsbrief dauert von Hand 20 Minuten, mit Werkzeug einschließlich Eingabe, Prüfung und Nacharbeit 12 (Annahmen, in den Läufen messen). Bei 20 Briefen im Monat sind das 160 Minuten oder 72 € Bürostunden. Nach einer Lizenz von 25 € (Beispielwert, Ihre Zahl) bleiben 47 €; der Entscheidungstest für 552,50 € amortisiert sich nach knapp 12 Monaten. Dauert die Arbeit mit Werkzeug so lange wie ohne, ist der Nutzen null. Lizenzpreise stehen in Legal Tech für kleine Kanzleien.
In der Kanzlei mit mehreren Berufsträgern
Hier entscheidet nicht eine Person, sondern die Sozietät. Halten Sie vorab schriftlich fest, wer die Aufgaben bestimmt (ein Berufsträger je Rechtsgebiet), wer die Läufe startet (die Büroleitung), wer bewertet (eine zweite Person), nach welcher Regel entschieden wird und wer freigibt (Inhaber oder Gesellschafterversammlung). Beispiel mit zehn Berufsträgern in drei Rechtsgebieten, je zwei Aufgaben, zwei Werkzeuge, fünf Läufe: 6 Aufgaben und 60 Läufe. Aufbau 3 Stunden und Bewertung 6 Stunden durch Berufsträger, 2 Stunden Starten der Läufe durch die Büroleitung: 11 Stunden und 1.557 €. Testet dagegen jeder für sich den ganzen Entscheidungstest, sind es 75 Stunden und 12.525 € (10 × 7,5 Stunden, ohne Starten der Läufe), und am Ende liegen zehn Meinungen vor. Klären Sie, wer den Test nach jedem Modellwechsel wiederholt. Die gemeinsame Auswahl ändert nichts daran, dass jede Anwältin und jeder Anwalt den Beruf selbst gewissenhaft ausübt (§ 43 BRAO). Ob Ihre Berufshaftpflichtversicherung für den Einsatz von KI etwas vorgibt, steht in Ihrem Vertrag und den Versicherungsbedingungen; fragen Sie im Zweifel beim Versicherer nach.
Testdaten und Berufsrecht
Für den Test brauchen Sie keine echte Akte, und Sie sollten keine nehmen. Solange Sie nur frei erfundene Fälle eingeben, erfährt der Anbieter nichts, was unter Ihre Verschwiegenheit fällt (§ 43a Abs. 2 BRAO, § 203 Abs. 1 Nr. 3 StGB), und Ihre Eingaben enthalten keine personenbezogenen Daten (Erwägungsgrund 26 DSGVO). Sobald echte Mandatsdaten in das Werkzeug gehen, ist das kein Test mehr, sondern Einsatz: Dann gelten § 43e BRAO (unter anderem sorgfältige Auswahl, Vertrag in Textform mit Verschwiegenheitsverpflichtung und Belehrung, besondere Anforderungen bei Leistungen im Ausland) und der Auftragsverarbeitungsvertrag nach Art. 28 DSGVO. Was dafür zu regeln ist, steht in der Arbeitsanweisung zur KI-Nutzung.
Erfunden heißt: Namen, Firmen, Orte, Aktenzeichen und Beträge denken Sie sich aus. Eine echte Akte, aus der Sie die Namen entfernt haben, ist kein Ersatz: Pseudonymisierte Daten bleiben personenbezogene Daten, und die Verschwiegenheit erfasst den ganzen Sachverhalt, nicht nur den Namen.
Lesen Sie vor der ersten Eingabe die Bedingungen Ihres Tarifs: ob Eingaben zum Training verwendet werden und ob Sie das abschalten können. Bei manchen Verbrauchertarifen werden Eingaben dafür genutzt, wenn die entsprechende Einstellung aktiv ist; Geschäftstarife regeln das oft anders. Nach dem Test: Verläufe löschen, das Testkonto schließen, wenn Sie das Werkzeug nicht nehmen, und das Datum in der Mappe eintragen. Wie lange der Anbieter Gelöschtes noch aufbewahrt, steht in seinen Bedingungen. Notieren Sie außerdem, wann die Testphase endet und ob sie sich von selbst in ein bezahltes Abo verlängert.
Was große Benchmarks zeigen und was nicht
Ein Benchmark ist ein Vergleichstest mit festen Aufgaben; die bekannten Legal-AI-Benchmarks stammen aus den USA. Eine Stanford-Studie (Vorabdruck vom Mai 2024) fand bei drei Recherchewerkzeugen Halluzinationen, also erfundene Inhalte, in über 17 % bis über 34 % der Antworten. Die Studie ist ein Vorabdruck; es geht um US-Recht und den Stand der Produkte von 2024 (Stanford HAI). Der Legal Agent Benchmark (Harvey, 06.05.2026) wertet „alles oder nichts“ (Harvey): Im Vals-Satz mit 120 nicht öffentlichen Aufgaben löste das beste Ergebnis 27,08 % vollständig (Stand 05.11.2026), obwohl einzelne Kriterien zu über 90 % erfüllt wurden (HLAB-Vals-1.1) (unsere Einordnung). Die großen Benchmarks arbeiten im Großen wie Ihre Mappe im Kleinen, mit Prüfpunkten und „alles oder nichts“, aber mit englischen Aufgaben nach US-Recht. Für deutsches Recht haben wir keine vergleichbare, unabhängige Messung gefunden (Suche 22.10.2026). Ein hoher Wert ersetzt keinen eigenen Test.
Wo das nicht passt
„Das ist zu aufwendig, der Anbieter hat doch eine Testphase.“ Eine Testphase misst nichts, wenn niemand vorher festlegt, was richtig ist; dann bleibt der Eindruck der ersten zwei Antworten. Rund 30 Minuten je Aufgabe sind der Preis dafür. Wer wenig Zeit hat, macht den Mini-Test: zwei Aufgaben, je drei Läufe, ein Werkzeug, vier bis fünf Prüfpunkte je Aufgabe. Das kostet etwa 1,6 Stunden, 43,20 € bei der Bürostunde und 267,20 € bei der Anwaltsstunde; das Ergebnis gilt dann nur für diese zwei Aufgaben. Wer keine Büroleitung hat, bewertet am nächsten Tag selbst, streng nach der schriftlichen Liste.
Wo die Mappe weniger oder nicht hilft: Wer allein arbeitet und niemand anderen mit dem Werkzeug arbeiten lässt, hat nach Art. 4 KI-VO keine Person, deren KI-Kompetenz er unterstützen müsste (die Vorschrift betrifft Personal und Personen, die im Auftrag mit dem Werkzeug arbeiten), und braucht keine Rollenverteilung. Funktionen, die sich nur mit echten Akten testen lassen, etwa die Anbindung an Ihre Kanzleisoftware, prüft die Mappe nicht; das gehört in die Auswahl der Software (siehe Lastenheft) und in den Vertrag. Werkzeuge mit Rechtsdatenbank haben wir nicht getestet; nehmen Sie dafür Recherchefragen mit bekannter Antwort als Aufgaben. Einen Testsieger liefert die Mappe nicht.
Was Sie jetzt tun
- Inhaberin oder Partner, diese Woche: festlegen, wofür das Werkzeug gebraucht wird (Aufgaben, nicht Produktname), und die Entscheidungsregel vorab aufschreiben.
- Büroleitung, in einer Woche: die Bedingungen des Tarifs lesen (Training, Verlängerung), ein Testkonto nur für erfundene Daten einrichten.
- Büroleitung mit je einer Anwältin pro Rechtsgebiet, in zwei Wochen: die Testmappe füllen: fünf Aufgaben, erfundenes Material, Prüfliste mit Datum, mindestens eine Falle je Aufgabe.
- Büroleitung, danach: je Aufgabe und KI-Werkzeug mindestens drei, besser fünf Läufe, jeder in neuer Sitzung, Eingabe unverändert, Prüfzeit mit Stoppuhr.
- Zweite Person (nicht die Verfasserin der Anweisung), nach jedem Lauf: Prüfliste abhaken, „teilweise“ als verletzt zählen.
- Inhaberin, nach der Auswertung: nach der vorab festgelegten Regel entscheiden und das Blatt „Aufwand“ mit der gemessenen Prüfzeit ausfüllen.
- Büroleitung, am Ende: Verläufe löschen, Konto schließen oder weiterführen, Datum eintragen; den Test nach jeder Versionsänderung und spätestens nach drei Monaten wiederholen.
Testmappe (Excel)
Testmappe für KI-Werkzeuge herunterladen (Excel, XLSX, 39 KB): keine Makros, sechs Blätter, bis drei Werkzeuge. Gelbe Felder tragen Sie ein, graue rechnen; die kursiven grauen Beispiele überschreiben Sie.
Die Mappe ist eine Arbeitshilfe zur allgemeinen Information. Die Verantwortung für Test, Entscheidung und Einsatz liegt bei der Kanzlei. Es gelten die Nutzungsbedingungen für Vorlagen von ratg.de.
Quellen
Abgerufen am 07.11.2026, soweit nicht anders angegeben; Gesetze in der Fassung von gesetze-im-internet.de.
- BRAK, Leitfaden zum Einsatz generativer KI in der Anwaltschaft, Stand 12/2024, S. 2 bis 4 (abgerufen 22.10.2026)
- BRAO § 43, § 43a, § 43e; § 203 StGB
- Verordnung (EU) 2026/1744, Art. 4 KI-VO n. F.; Erwägungsgrund 26 DSGVO
- Thinking Machines Lab, Defeating Nondeterminism in LLM Inference, 10.09.2025
- Anbieterangaben zur Verwendung von Eingaben aus Verbrauchertarifen für das Training, Stand 28.08.2025 (Seite eines Anbieters, abgerufen 07.11.2026)
- Stanford HAI, AI on Trial (Magesh u. a., Vorabdruck 23.05.2024)
- Harvey, Legal Agent Benchmark, 06.05.2026; Vals AI, HLAB-Vals-1.1, Stand 05.11.2026
- Eigene Versuche vom 26.10.2026 (Protokolle in der Redaktion)