Grubel

Grubel baut KI, die sich auf den einzelnen Rechtsfall spezialisiert, statt ein allgemeines Modell auf alle Mandate zu stülpen. Jede Sache hat eigene Fakten, Parteien, Bräuche, Gerichtsstände und Akten. Allgemeine Systeme sind außerhalb dieser Welt trainiert; an kritischer Arbeit fehlt ihnen genau das, was der Fall verlangt.

Angesprochen sind Teams, die KI in komplexe, hochsensible Legal-Arbeit bringen – ob sie Legal-AI-Produkte bauen, als Kanzlei praktizieren oder Legal in einem Unternehmen führen. Sie bringen ein Mandat, einen Workflow oder ein bestehendes System mit. Grubel automatisiert die Spezialisierungsschleife, die bisher Handarbeit ist: laufen lassen, prüfen, nachziehen, wieder laufen lassen.

Die Schleife hat drei Teile. Eine Datenebene findet und kuratiert aufgabenrelevante Daten und Rückmeldesignale. Die Mandatsanpassung spezialisiert Modell, Agent und technische Umgebung gemeinsam am Fall, zur Laufzeit. Eine fortlaufende Bewertung misst, ob die Arbeit am Mandat besser wird. Das System lernt, was in dieser Sache funktioniert.

Daraus folgt ein Nutzen, der über ein weiteres Chatfenster hinausgeht. Souveräne Modelle mit offenen Gewichten sollen durch Fallspezialisierung an Frontier-Systeme heranrücken; Frontier-Modelle sollen an schwierigen Mandaten weiterkommen. Für Routineaufgaben können kleinere Modelle reichen, für dichte Due-Diligence-Räume die leistungsfähigeren. Die Dateien bleiben in der Hoheit des Mandanten. Lokale Installationen auf der eigenen Infrastruktur und in der eigenen Rechtsordnung sind vorgesehen. Aus einem Mandat Gelerntes fließt nicht ins nächste; Vertraulichkeit und Ethical Walls sitzen in der Architektur.

Grubel sitzt in München und baut Forschung und Engineering auch in Tübingen aus. Moritz Hardt und Reinhard Heckel haben das Unternehmen gegründet. Hardt leitet am Max-Planck-Institut für Intelligente Systeme und hat Test-Time-Training mitentwickelt; er war Methodikpartner am Legal Agent Benchmark von Harvey. Heckel ist Professor an der TU München und Geschäftsführer, Mitentwickler von OpenThoughts und DataComp. Vedant Nanda (zuvor Mistral und Aleph Alpha) und Navid Rekabsaz (zuvor Thomson Reuters) gehören zum technischen Gründungsteam.

Grubel zieht drei Schritte in eine Spezialisierungsschleife, die am Mandat selbst trainiert und nachschärft.

Die Datenebene entdeckt und kuratiert, was für die Aufgabe zählt, inklusive Rückmeldesignalen. Die Mandatsanpassung stellt Modell, Agent und Laufzeitumgebung gemeinsam auf den Fall ein – zur Nutzungszeit, nicht als einmaliges Feintuning im Labor. Die fortlaufende Bewertung prüft, ob die juristische Arbeit am Mandat besser wird, und speist das Ergebnis zurück.

Das Ergebnis ist eine mandatsbezogene KI statt eines allgemeinen Assistenten. Offene Gewichte sollen so mit Frontier-Modellen mithalten, Frontier-Modelle an dichten Fällen weiterkommen. Deployments sind lokal auf der Infrastruktur des Nutzers vorgesehen: Akten verlassen die Hoheit nicht, Wissen aus einem Mandat sickert nicht ins nächste.

Generative KI in der Rechtsarbeit scheitert oft daran, dass das Modell die Sache nicht kennt: Schriftsätze, Parteien, Fachsprache, Vorarbeiten, Mandantenregeln. In der Softwareentwicklung liefern Tests vergleichsweise klares Feedback; juristische Qualität lässt sich so nicht automatisch benoten. Dazu kommen unstrukturierte Datenräume.

Grubel setzt genau dort an – bei komplexer Mandatsarbeit, nicht beim Standard-Chat. Kundinnen und Kunden sind Product-Teams für Legal-AI, Kanzleien und Unternehmenslegal. Die Positionierung ist Spezialisierung pro Sache, mit lokaler Kontrolle über die Akten, nicht ein weiteres allgemeines Legal-Modell.