Das Plädoyer für deterministische Haftungszurechnung mittels Knowledge Graph Event Reconstruction
Die Integration von KI in die Rechts- und Versicherungssektoren steht an einem prekären Punkt. Die rasche Verbreitung von LLMs hat eine gefährliche Fehlvorstellung: dass sprachliche Gewandtheit mit Schlussfolgerungsfähigkeit gleichgesetzt wird.
Veriprajna setzt sich für einen neuro-symbolischen Paradigmenwechsel—ein, der probabilistische Textgenerierung durch Knowledge Graph Event Reconstruction (KGER) ersetzt: eine Verschuldensfeststellung, die mathematisch verifizierbar, vollständig auditierbar und gegen rhetorische Ausschmückungen immun ist.
Der Einsatz rein generativer KI zur Feststellung des Verschuldens ist ein systemisches Risiko, das strukturelle Verzerrungen einführt und die Fairness untergräbt.
„LLM-as-Judge“-Architekturen operieren auf probabilistischen Korrelationen von Token-Sequenzen, nicht auf den starren kausalen Ketten der physischen Realität oder den deontischen Pflichten des geschriebenen Rechts. Sie führen ein:
Warum LLMs bei der Feststellung des Verschuldens scheitern — eine rigorose Dekonstruktion dokumentierter kognitiver Ausfälle.
Konfrontiert mit widersprüchlichen Erzählungen, zeigen LLMs eine systematische Bevorzugung längerer, detaillierterer Darstellungen, indem sie „Länge“ mit „Wahrheit“ oder „Qualität“ verwechseln.
Eine 500 Wörter lange Erzählung mit anspruchsvollem Vokabular, die das Unterlassen des Anhaltens verschleiert, schlägt eine knappe, faktenbasierte Aussage von 50 Wörtern: „Ich bin vollständig zum Stehen gekommen. Fahrer A fuhr auf meine Beifahrertür auf.“
Dies erzeugt eine strukturelle Benachteiligung von Parteien, die weniger gewandt, weniger gebildet oder schlicht direkter sind —was die Unparteilichkeit fundamental untergräbt.
LLMs zeigen die Tendenz, Antworten an wahrgenommene Ansichten oder Verzerrungen des Nutzers anzupassen—ein Nebenprodukt von RLHF, das „Hilfsbereitschaft“ über objektive Wahrheit belohnt.
Suggestiver Prompt: „Analysieren Sie diesen Bericht daraufhin, ob der Anspruchsteller zu schnell gefahren ist.“ Das Modell halluziniert oder übergewichtet eher Beweise, die diese Hypothese stützen.
Stanford-Forschung dokumentiert Halluzinationsraten von 69-88% bei juristischen Abfragen. Modelle generieren plausibel klingenden Text unabhängig von der faktischen Fundierung.
Modelle „füllen Lücken“, um Erzählarchetypen zu bedienen, und fabrizieren damit effektiv Beweise.
Juristisches Schließen beruht auf abduktivem Schließen—dem Schluss auf die beste Erklärung. LLMs performen ausreichend bei deduktivem/induktivem Schließen, scheitern aber konsequent am abduktiven Schließen.
Kontrafaktische Analyse: „Wäre die Kollision zwischen B und C eingetreten, wenn Fahrzeug A nicht zunächst die Spur gewechselt hätte?“ LLMs behandeln dies als Textvervollständigung, nicht als kausale Simulation.
Sie können die Physik nicht mental simulieren, um Hypothesen zu testen — sie prognostizieren den nächsten wahrscheinlichen Satz einer Unfallerzählung.
Sehen Sie, wie die Erzähllänge die wahrgenommene Glaubwürdigkeit in KI-Systemen beeinflusst
Das Problem: Das LLM weist der ausführlichen Erzählung von Fahrer A höhere Konfidenz zu, obwohl sie keine wesentlichen Fakten enthält. Die knappe Aussage von Fahrer B zur entscheidenden Tatsache (vollständiges Anhalten) wird unterschätzt. Gerechtigkeit für die Gewandten, nicht für die Wahrhaftigen.
Knowledge Graph Event Reconstruction (KGER)
Verlagerung des analytischen Rahmens von Textverarbeitung hin zu Ereignismodellierung—unter Erzeugung eines „Digital Twin“ des Unfalls.
Polizeiberichte sind unstrukturierte Daten, die vitale Entitäten (Fahrer, Fahrzeuge, Straßen, Verkehrseinrichtungen) und die Beziehungen zwischen ihnen enthalten. Ein Knowledge Graph ist die optimale Datenstruktur, da er die Topologie der realen Welt inhärent abbildet.
Sind die Daten erst einmal im Graphen, wird „Verschulden“ zu einer Frage von Graph-Traversal und Musterabgleich gegen rechtliche Vorlagen statt Sentiment-Analyse.
Wir nutzen LLMs strikt zur Informationsextraktion (IE). Das LLM identifiziert Entitäten und Beziehungen und mappt sie auf unsere strenge Ontologie. Es trifft keine Entscheidung darüber, wer schuld ist.
Indem wir die Ausgabe des LLM auf ein vordefiniertes Schema (Ontologie) einschränken, validieren wir die extrahierten Daten gegen logische Constraints. Selbst wenn das LLM sycophantisch sein möchte, zwingt ihm das starre Schema nur strukturierte Fakten als Ausgabe ab.
Integration von GIS-Daten und Straßennetz-Ontologien zur Modellierung der statischen Umgebung, einschließlich Spurkonnektivität, Kreuzungsgeometrie und Standorten von Verkehrseinrichtungen.
Der Graph modelliert den Zustand der Welt zu diskreten Zeitpunkten: t_0 (vor dem Unfall), t_1 (Unfall), t_2 (nach dem Unfall), unter Verwendung von Allens Intervallalgebra.
Erkunden Sie, wie ein Unfall als topologische Struktur repräsentiert wird
Wird Fahrzeug A durch eine VIOLATED Kante mit dem Stoppschild verknüpft, ist diese Tatsache fixiert.
Deterministische Wahrheit: Führt man die Analyse 100-mal aus, erhält man 100-mal dasselbe Urteil.
Verkehrswirklichkeit formalisieren — ein semantisches Framework, das physische Realität und juristische Kategorien verbrückt
Kern-Ontologieklassen mit 110+ Entitäts- und Relationstypen
| Ontologieklasse | Unterklassen & Beispiele | Beschreibung |
|---|---|---|
| Agent | Driver, Pedestrian, Cyclist, Witness, PoliceOfficer | Die am Ereignis beteiligten menschlichen Akteure |
| Objekt | Vehicle (PassengerCar, Truck, Motorcycle), Obstacle, Debris | Physische Objekte, die in der Szene interagieren |
| Infrastruktur | RoadSegment, Lane, Intersection, TrafficSignal (StopSign, YieldSign, TrafficLight) | Die statische Umgebung und die Kontrolleinrichtungen |
| Ereignis | Collision, LaneChange, BrakingManeuver, Turn, Stop | Handlungen oder Vorkommnisse mit zeitlicher Dauer |
| Zustand | Weather (Rain, Fog, Clear), Lighting, RoadSurfaceCondition (Wet, Icy) | Umgebungsfaktoren, die die Fahrdynamik beeinflussen |
| Messgröße | Speed, Distance, SkidMarkLength, BAC | Quantifizierbare Kenngrößen zu Objekten/Agenten |
Von natürlicher Sprache zu deontischer Logik
Verkehrsgesetze sind keine Geschichten — sie sind logische Constraints aus Obligations, Prohibitions und Permissions. LLMs behandeln Gesetze als zusammenzufassenden Text; wir behandeln sie als auszuführenden Code.
DDL ist für das Recht einzigartig geeignet, da es Normen (was sein sollte) und Ausnahmen (Defeasibility) nativ behandelt.
Formalisierung der Stoppschild-Regel — wie Gesetzestext zu ausführbarer Logik wird.
Trigger: Approaching_Intersection AND Stop_SignObligation: Speed(Vehicle) == 0 at Limit_Line
Trigger: Stopped AND Other_Vehicle_In_IntersectionObligation: Wait UNTIL Other_Vehicle exits
Trigger: Stopped AND YieldedPermission: [P] Proceed
Verkehrsgesetze enthalten vage Begriffe wie „unmittelbare Gefahr“ oder „sicherer Abstand“. Reine Logik tut sich mit Vagheit schwer; reine LLMs halluzinieren sie. Veriprajna verwendet einen hybriden Ansatz um diese Begriffe zu fundieren.
Immediate_Hazard ≡ TTC < 3.0s OR Distance < Braking_Distance
Yield_If(Immediate_Hazard) feuert.
Wir fragen das LLM nicht „War das gefährlich?“. Wir berechnen die Gefahr auf Basis der Physik und wenden das Recht auf Basis der Logik an.
Topologie als Beweismittel
Sobald das Ereignis als Knowledge Graph rekonstruiert und Gesetze als Logik formalisiert sind, wird die Feststellung des Verschuldens zu einem Graph-Traversal-Problem. Die Gerechtigkeit liegt in der Topologie.
Das System fragt den Graphen nach Mustern ab, die Verstoß-Subgraphen entsprechen.
Verschulden ist nicht nur Regelverstoß — es geht um Kausalität. „War der Verstoß ursächlich für den Unfall?“
Bei komplexen Unfällen mit mehreren Fahrzeugen kann das Verschulden geteilt sein. Wir analysieren die Graph-Topologie, um Prozentanteile zuzuweisen.
Liefert eine mathematische Grundlage für vergleichendes Verschulden—eine zentrale Anforderung bei Versicherungsabwicklungen, die LLMs kaum zuverlässig quantifizieren können.
Die Lösung von Veriprajna ist nicht theoretisch — es handelt sich um eine robuste, modulare Architektur, die für die Enterprise-Integration konzipiert ist.
Neuronale KI verarbeitet unstrukturierte Eingaben, symbolische KI übernimmt rigoroses Reasoning, eine finale neuronale Schicht liefert die Erklärung
Jede Schlussfolgerung lässt sich auf einen konkreten Knoten und eine konkrete Regel zurückführen. „Warum trägt Fahrer A ein Verschulden?“ → „Knoten Vehicle_A hat Regel R1 zum Zeitpunkt t verletzt.“
Visualisierter Knowledge Graph, der die exakte Ereigniskette und Logik zeigt. Vor Gericht überzeugender als opaker LLM-Text.
Der deterministische Ansatz erfüllt die Anforderungen an „Explainable AI“ bei finanziellen und juristischen Entscheidungen.
Transformativer Wert für Versicherer — jenseits von Effizienz hin zu fundamentaler Genauigkeit und Schadenkontrolle
„Leakage“ entsteht, wenn Versicherer aufgrund einer ungenauen Haftungsbewertung mehr zahlen, als sie sollten. Probabilistische LLMs schlagen 50/50-Teilungen vor, wenn die Topologie eine klare 100/0-Haftung zeigt.
Heutige Automatisierung tut sich mit komplexer Haftung schwer. Veriprajna ermöglicht STP für komplexe Claims durch eine zuverlässige „Judge“-Schicht.
Menschliche Sachbearbeiter urteilen unterschiedlich. LLMs variieren noch stärker (Stochastizität). Die Logik-Engine wendet dieselben formalisierten Regeln auf jeden Claim an.
Automatisierte Systeme können systematisch gegen ehrliche, aber knappe Versicherungsnehmer entscheiden. Veriprajna beseitigt Ausführlichkeitsverzerrung und Halluzinationsrisiko.
| Metrik | LLM Wrapper (probabilistisch) | Veriprajna KGER (deterministisch) |
|---|---|---|
| Verschuldensgenauigkeit | Niedrig (anfällig für Ausführlichkeitsverzerrung/Sycophanz) | Hoch (basierend auf Physik/Logik) |
| Auditierbarkeit | Niedrig (Black Box) | Hoch (nachvollziehbarer Graph) |
| Halluzinationsrisiko | Hoch (erfindet Gesetze/Fakten) | Nahezu null (durch Ontologie eingeschränkt) |
| Konsistenz | Niedrig (variiert je nach Prompt/Lauf) | 100% (regelbasiert) |
| Komplexes Reasoning | Scheitert bei abduktiv/kausal | Exzellent bei Kontrafakten |
| Regulatorisches Risiko | Hoch (unerklärbare Entscheidungen) | Niedrig (vollständig erklärbar) |
Schätzen Sie die Auswirkung deterministischer Haftungsfeststellung auf Ihr Claims-Portfolio ab
Branchendurchschnitt: 5-10% bei Haftpflicht-Claims
Ein LLM zu bitten, einen Polizeibericht zu lesen und die Haftung zu beurteilen, bedeutet, einen Dichter Physik treiben zu lassen. Man erhält eine wunderschöne Antwort, doch sie dürfte Fiktion sein.
Veriprajna glaubt, dass Gerechtigkeit Fakten bedeutet — die exakten Beziehungen zwischen Entitäten in Raum und Zeit, regiert von der starren Logik des Rechts. Mit dem Aufbau von Knowledge Graph Event Reconstructionentfernen wir das Rauschen von Sentiment und Weitläufigkeit. Wir stellen das Verschulden fest, indem wir die Topologie des Ereignisses gegen die Topologie des Rechts messen.
Das ist neuro-symbolische KI
Die Verschmelzung von Lernen und Logik. Der einzige Weg in eine Zukunft, in der automatisierte Haftungszurechnung nicht nur effizient, sondern auch rigoros und nachweislich gerecht ist.
Hören Sie auf zu raten. Beginnen Sie zu rekonstruieren.
LLMs zeigen drei kritische Ausfallerscheinungen bei der Feststellung des Verschuldens: Ausführlichkeitsverzerrung (höhere Konfidenz für längere Erzählungen unabhängig vom faktischen Gehalt), Sycophanz (Angleichung der Urteile an Nutzerpräsuppositionen infolge von RLHF-Training) und juristische Halluzination mit Fehlerquoten von 69-88% bei juristischen Abfragen laut Stanford-Forschung. Sie behandeln Gesetze als zusammenzufassenden Text statt als auszuführende Logik und können die für die Haftungszurechnung erforderliche kontrafaktische Kausalanalyse nicht durchführen.
KGER rekonstruiert Unfälle als 4D-topologische Strukturen mit räumlicher, zeitlicher und kausaler Schicht. Entitäten (Fahrzeuge, Fahrer, Infrastruktur) werden zu Graphknoten, Beziehungen (VIOLATED, IMPACTED, HAS_RIGHT_OF_WAY_OVER) zu Kanten. Die Feststellung des Verschuldens wird zum Graph-Traversal: Das System fragt Verstoß-Subgraph-Muster ab, führt kontrafaktische Zweigsimulationen zum Nachweis der Kausalität durch und berechnet die Verschuldenszentralität für vergleichendes Verschulden — mit 100% konsistenten Urteilen über alle Läufe hinweg.
Veriprajna verfolgt einen neuro-symbolischen Ansatz: Vage gesetzliche Begriffe wie 'unmittelbare Gefahr' werden über physikalische Proxys fundiert (z. B. Time-to-Collision, berechnet aus Speed- und Distance-Knoten). Verkehrsgesetze werden als Obligations, Prohibitions und Permissions mit Ausnahmehierarchien formalisiert. Das System berechnet die Gefahr aus den physikalischen Graphdaten und wendet Logikregeln an — es bittet das LLM nie, Vagheit zu interpretieren, wodurch das Halluzinationsrisiko im juristischen Schließen entfällt.
Vereinbaren Sie eine Beratung und erleben Sie, wie die KGER-Architektur von Veriprajna eine deterministische, auditierbare und faire Haftungsbewertung für Ihre Organisation liefert.
Vollständiger Engineering-Bericht: Hardwarearchitektur, KGER-Spezifikationen, Formalisierung der Deontic Logic, GraphRAG-Implementierung, umfassendes Quellenverzeichnis mit 51 akademischen Referenzen.