AI för Due Diligence — Topplista 2026

Due diligence är transaktionsadvokatens mest tidskrävande arbete — och det som skalas minst effektivt med manuell kraft. Ett medelstort förvärv kan innebära granskning av 10 000 till 50 000 dokument under fyra till sex veckor, där paralegals och juniora advokater sitter i virtuella datarum och prickar av checklistor. Det är precis den typen av repetitivt, mönsterberoende arbete som tränade AI-modeller hanterar snabbt — och ofta noggrannare än utmattade juniorer på sin tionde timme.

Frågan är inte längre om AI kan hjälpa till med DD, utan vilket verktyg som passar vilket flöde. AI inom juridik har mognat tillräckligt för att de ledande plattformarna ska ha tydligt differentierade styrkor — och tydliga svagheter. Den här guiden går igenom Luminance, Kira Systems, eBrevia och Harvey: vad de faktiskt gör, vad de kostar att implementera i praktiken, och hur du väljer rätt verktyg för din transaktion.

Vad AI faktiskt gör i ett DD-flöde

Innan vi går in på verktygen är det värt att vara konkret om vad AI-assisterad due diligence innebär i praktiken. Det handlar inte om att en modell läser ett avtal och ger dig ett juridiskt utlåtande. Det handlar om att systemet tränas på tusentals kontrakt och lär sig identifiera specifika klausuler, avvikelser från standardspråk, och riskindikatorer — och sedan applicerar det på ditt datarum i hög hastighet.

Typiska uppgifter som AI hanterar bra:

• Extraktion av nyckeldata ur stora kontraktsvolymer — parter, datum, löptider, uppsägningsklausuler, change-of-control-bestämmelser
• Flaggning av avvikelser mot en definierad standard eller mot det egna kontraktsuniversumet
• Klassificering och prioritering av dokument — vad behöver jurist-ögon, vad är rutinmässigt
• Sammanställning av DD-rapporter med källhänvisningar till specifika dokument och klausuler

Vad AI fortfarande inte hanterar väl: juridisk bedömning av risk i affärskontexten, förhandlingstaktik, och tolkningsfrågor som kräver doktrin eller praxis. AI hittar change-of-control-klausulen i alla 847 leverantörsavtal — men den säger dig inte om det faktiskt är ett problem givet acquirors bransch och affärsplan.

Luminance — bred DD med starkt eget ML-lager

Luminance är det verktyg som dyker upp flest gånger när stora transaktionsbyråer i Europa beskriver sitt DD-stack. Plattformen bygger på ett eget maskininlärningslager som Luminance kallar LEGALISE, tränat specifikt på juridiska dokument snarare än generell text. Det gör att systemet förstår juridisk struktur — inte bara söker efter nyckelord.

I praktiken innebär det att Luminance kan gruppera klausuler som semantiskt liknar varandra även om formuleringen varierar, och visa avvikelser inom ett kontraktsuniversum utan att du behöver definiera varje sökterm i förväg. Du laddar upp datarummet, systemet lär sig dokumentstrukturen, och du kan börja navigera klausulnivå ganska snart.

Styrkor

• Fungerar relativt väl utan omfattande förkonfigurering — lägre tid till first value än många konkurrenter
• Visuell navigering av klausullandskapet är intuitiv för erfarna transaktionsjurister
• Hanterar flera språk bra, vilket är relevant för gränsöverskridande transaktioner
• Luminance Diligence-modulen genererar DD-rapporter med direkta källhänvisningar

Begränsningar

• Prismodellen är inte transparent utåt — förvänta dig enterprise-avtal och förhandling
• Djupare konfigurering av playbooks kräver onboarding-tid som kan vara svår att motivera på kortare transaktioner
• Integrationsmöjligheter med externa datarum varierar beroende på plattform

Kira Systems — marknadsledare på strukturerad extraktion

Kira Systems är det verktyg som etablerade kategorin och fortfarande används av ett stort antal av världens hundra största advokatbyråer. Kiras kärnstyrka är extraktion: systemet har förbyggda modeller — Kira kallar dem "smart fields" — för hundratals vanliga kontraktsklausuler, och du kan träna egna modeller med relativt lite exempel-data.

Det gör Kira särskilt effektivt när du vet exakt vad du letar efter. Om DD-checklistan innehåller change-of-control, non-compete, limitation of liability, governing law och tjugo andra standardklausuler, kan Kira arbeta sig igenom tusentals dokument och leverera ett strukturerat extraktionsresultat som paralegals sedan kan kvalitetssäkra istället för att göra förstabläsningar.

Styrkor

• Mogna, vältränade modeller på standardklausuler — hög precision på kärnextraktion
• Möjligheten att träna egna smart fields med relativt lite märkt data
• Etablerat ekosystem av advokatbyråer som är bekanta med arbetsflödet
• Kira ingår nu i Litera-gruppen, vilket har stärkt integrationerna mot dokumenthantering

Begränsningar

• Mer konfigureringsstyrt än Luminance — du får ut mer om du vet vad du vill ha ut
• Användargränssnittet upplevs av många som daterat jämfört med nyare konkurrenter
• Kira är starkt på extraktion men svagare på den analytiska lagret ovanpå

eBrevia — kostnadseffektivt alternativ för mellanstora transaktioner

eBrevia positionerar sig lite nedanför Luminance och Kira i marknadsposition, men det är inte nödvändigtvis en nackdel. För investmentbolag, corporate legal-team och mid-market-byråer som genomför frekventa men inte enorma transaktioner kan eBrevia erbjuda en mer tillgänglig prismodell och tillräcklig funktionalitet.

Plattformen ägs av DFIN och är integrerad med Venue datarum, vilket ger ett mer sammanhållet arbetsflöde för team som redan arbetar i den miljön. eBrevia hanterar extraktion och rapportgenerering på ett sätt som liknar Kira, men med något enklare onboarding-process och lägre tröskel för tillfälliga användare.

Passar bäst för

• Mid-market M&A där dokumentvolymen är hanterbar men manuell granskning ändå är ineffektiv
• Corporate legal-team som genomför DD utan dedikerat verktyg idag
• Team som redan använder DFIN/Venue i sin transaktionsinfrastruktur

Harvey — generativ AI som juridiskt resonerar, inte bara extraherar

Harvey är inte ett dedikerat DD-verktyg på samma sätt som de tre ovan, men det representerar en distinkt och relevant kategori. Harvey bygger på GPT-4-arkitektur finjusterad på juridisk text, och används av ett växande antal stora transaktionsbyråer — bland dem A&O Shearman och PwC Legal — för uppgifter som kräver mer av ett juridiskt resonemang snarare än ren extraktion.

I ett DD-sammanhang innebär det typiskt att Harvey används som ett lager ovanpå den strukturerade extraktionen. Du har identifierat 200 avtal med change-of-control-klausuler via Kira eller Luminance — Harvey kan sedan hjälpa en junior jurist att snabbt förstå variationerna, formulera frågor till säljarsidan, eller sätta ihop ett utkast till riskanalys-sektion i DD-rapporten.

Harvey är också bättre på att hantera oreglerade frågor och hybrida dokument — typen av material som inte passar i standardextraktion men ändå behöver bearbetas. Tänk inte replacement för Luminance eller Kira utan som ett komplement i analytisk- och draftingfasen.

Vad Harvey tillför i DD-flödet

• Juridiskt resonemang kring flaggade klausuler — inte bara extraktion utan kontext
• Utkastgenerering av DD-rapportsektioner baserat på extraherat material
• Fråge- och svarsgränssnitt mot specifika dokument eller klausuluppsättningar
• Hantering av material som faller utanför standardmodeller — korrespondens, memos, term sheets

Hur verktygen fungerar i kombination

De byråer och DD-team som kommit längst arbetar inte med ett enda verktyg — de har ett stack där olika verktyg hanterar olika delar av flödet. En vanlig konfiguration ser ut ungefär så:

1. Datarum med alla dokument laddas in i Luminance eller Kira för initial klassificering och extraktion
2. Systemet genererar en strukturerad vy av klausuler, avvikelser och prioriteringsnivåer
3. Paralegals och juniora advokater arbetar mot den strukturerade vyn snarare än rådokumenten
4. Harvey används för att bearbeta flaggat material analytiskt — formulera riskfrågor, sätta samman rapportinnehåll
5. Seniora jurister granskar flaggad risk och godkänner rapportutkast

Det är viktigt att notera att detta inte halverar arbetstiden automatiskt. Initialinvestering i konfigurering, träning av modeller och integration med datarum tar tid. Byråer som arbetat strukturerat med Kira i tre till fem år rapporterar 40–60 procent tidsreduktion på extraktionsfasen — men det är resultatet av mognad i verktygsanvändningen, inte dag ett.

Hur du tänker kring DD-verktyg hänger också ihop med hur du arbetar med AI för avtalsgranskning i bredare mening — många av de klausulmodeller och playbooks du bygger i DD-kontexten kan återanvändas i löpande kontraktsarbete.

Så väljer du rätt verktyg för ditt team

Rätt val beror på tre faktorer: transaktionsvolym, dokumentkomplexitet och teamets tekniska mognad.

Volym och frekvens: Om du genomför tio eller fler transaktioner per år med stora datarum är Luminance eller Kira motiverat — kostnaden för enterprise-licens vägs upp av effektivitetsvinster och uppbyggnad av interna modeller. Gör du enstaka transaktioner per år är eBrevia eller en Harvey-licens mer proportionerlig.

Dokumentkomplexitet: Kira är starkast när du har tydliga checklistor och standardiserat kontraktsuniversum. Luminance hanterar mer heterogena datarum bättre. Harvey tillkommer när du behöver resonemang och drafting ovanpå extraktionen.

Teamets mognad: Inget av dessa verktyg implementerar sig självt. Kira kräver mer aktiv konfigurering för att leverera värde; Luminance har lägre tröskel men belönar ändå investering i playbook-setup. Om ditt team inte har dedikerad resurstid för implementering är det bättre att börja med ett smalare verktyg och skala upp.

En praktisk startpunkt är att pilottesta ett verktyg på en pågående eller nyligen avslutad transaktion — ladda ett historiskt datarum och mät hur väl systemet identifierar de klausuler och risker som ditt team faktiskt flaggade. Det ger dig ett konkret underlag för bedömning som ingen produktdemo kan ersätta.

DD-verktyg är i slutändan infrastruktur. De förändrar inte den juridiska bedömningen — de gör det möjligt att fatta välgrundade beslut utan att gå blind på dokumentmängd.