Från rättsfallsregister till artificiella forskningsassistenter – Skattenytt och den rättsvetenskapliga forskningens framtid i språkmodellernas tidsålder

2.1 Rättsdogmatik som mer än informationshantering

Rättsdogmatiken beskrivs ibland som en metod för att fastställa gällande rätt.6 Beskrivningen är riktig men komprimerad. Att fastställa gällande rätt förutsätter att ett problem avgränsas, att relevanta rättskällor identifieras, att deras auktoritet och räckvidd bedöms och att argumenten ordnas till en rättsligt försvarbar helhet. Metoden är således både rekonstruerande och argumentativ.

I svensk rättskällelära är lagen utgångspunkt men inte alltid slutpunkt. Förarbeten belyser ett lagrums tillkomsthistoria och ändamål, prejudikat konkretiserar rekvisit och visar vilka argument som accepterats i rättstillämpningen, och doktrinen systematiserar materialet och prövar hållbarheten i olika tolkningar. Peczenik knöt den juridiska arbetsmetoden till rättssäkerhet, argumentation och värdeavvägning och framhöll för skatterättens del att rättskälleprinciperna är föränderliga.7 Den praktiska metoden kan visserligen framställas som en serie arbetsmoment, vilket gjorts av bland andra Lehrberg och Sandgren.8 Av detta följer emellertid inte att metoden är mekanisk. Redan avgränsningen av vad som är ett rättsligt problem kräver omdöme. Ett avgörande måste läsas med blick för vilka omständigheter som bar utgången, vilka uttalanden som var nödvändiga för domslutet och hur generellt domen bör förstås. Hjerners arbeten om rättsfallstolkning, Jareborgs diskussion om rättsdogmatik som vetenskap och Påhlssons principer för skatterättslig rättsfallsanalys illustrerar alla att materialet inte presenterar sin egen innebörd för läsaren.9

Två påståenden måste därför hållas isär. Det första är att mycket rättsdogmatiskt arbete består av informationsbearbetning. Det andra är att rättsdogmatik inte är något annat än informationsbearbetning. Det första är svårt att bestrida, det andra är felaktigt. Den följande analysen vilar på den distinktionen.

2.2 Skatterättens särskilda villkor

Skatterätten är ett lämpligt område för att pröva distinktionen. Nationella lagregler samspelar med förarbeten och förvaltningsrättsliga principer, och prejudikat från Högsta förvaltningsdomstolen ska förhålla sig till unionsrätten och till EU-domstolens avgöranden. Inom den internationella beskattningen tillkommer skatteavtal och material från bland annat OECD, vars rättsliga betydelse måste bedömas utifrån källans karaktär. Skatteverkets ställningstaganden kan vara praktiskt betydelsefulla utan att ha samma rättskällevärde som lag eller prejudikat.

Skatterättslig argumentation äger dessutom rum under särskilda konstitutionella villkor. Legalitetsprincipen har i Hultqvists analys fyra beståndsdelar: föreskriftskravet, analogiförbudet, retroaktivitetsförbudet och bestämdhetskravet.10 Föreskriftskravet innebär att skatt endast får tas ut med stöd av föreskrift i lag, vilket begränsar utrymmet för fria ändamålsresonemang och analogier på ett sätt som saknar direkt motsvarighet inom stora delar av civilrätten. Samtidigt innehåller skattelagstiftningen generella rekvisit, motverkansregler och hänvisningar till ekonomiska och associationsrättsliga förhållanden. Tolkningen måste därför förena textuell precision med systematiska överväganden. Tjernberg har visat att en läsning av lagtext i dess systematiska sammanhang inte behöver strida mot föreskriftskravet men ställer höga krav på domskälens tydlighet, och Påhlsson har analyserat spänningen mellan legalitet och likabehandling när principer och regler möts i rättstillämpningen.11 Till detta kommer frågan hur prejudikat och annan rättspraxis bör användas, där prejudikatens räckvidd och underrätternas ställning kräver egna metodöverväganden.12

Dessa förhållanden är inte akademiska finesser. De utgör den finstruktur i rättskälleläran som ett maskinellt system måste kunna representera för att dess bearbetning ska vara rättsligt användbar. En modell som behandlar ett ställningstagande från Skatteverket som likvärdigt med ett avgörande från Högsta förvaltningsdomstolen, eller som föreslår en analogi där analogiförbudet sätter gränsen, gör inte ett litet fel. Den bryter mot områdets konstitutiva regler. Kraven på ett maskinellt system är därför strängare i skatterätten än inom rättsområden där ändamålsresonemang och analogier har större spelrum.13

2.3 Forskningens produktionsfunktion

Forskningens produktionsprocess har, enligt min uppfattning, i praktiken bestått av fem sammanhängande moment. Materialet måste först återfinnas, och det gäller inte bara det prejudikat vars referatnummer redan är känt, utan avgöranden där en relevant princip uttrycks med andra ord, äldre förarbeten som belyser en regels systematiska bakgrund och doktrin inom angränsande områden. Materialet måste därefter selekteras, eftersom en fulltextsökning kan ge hundratals träffar av vilka endast ett fåtal är rättsligt bärande; att en text innehåller samma ord som forskningsfrågan gör den inte relevant, och omvänt kan en viktig analogi vara uttryckt med andra termer. Källorna måste sedan kategoriseras efter exempelvis rekvisit, rättsföljd, argumentationsmönster eller lagversion. Argumenten måste analyseras, vilket kräver en bedömning av vilka skäl som bar slutsatsen. Slutligen ska en syntes formuleras som visar var rättsläget är stabilt och var osäkerheten finns, och som skiljer utsagor om gällande rätt från kritik och reformförslag.

Det är först i de senare momenten som forskarens självständiga bidrag vanligen framträder. Ändå har de tidigare momenten tagit huvuddelen av tiden. Det har funnits en rättsvetenskaplig produktionsfunktion där forskaren själv varit sökmotor, indexerare, databearbetare, redaktör och författare. Denna arbetsdelning har varit så självklar att den ofta förväxlats med själva vetenskapligheten.

3.1 Från rättsinformatik till generativa modeller

AI och juridik är inte ett nytt forskningsfält. Tidigare system har byggt på expertregler, statistisk klassificering, informationsåtervinning och prediktiva modeller, och den äldre rättsinformatiska litteraturen har både visat hur beräkningsmodeller kan knytas till juridiska texter och manat till en avmystifierad syn på teknikens faktiska förmåga.14 I svensk doktrin efterlystes redan 2020 en systematisk kartläggning av AI:s förhållande till rättsordning och rättstillämpning.15

Ett välkänt exempel är Katz, Bommarito och Blackmans modell för att förutsäga utgångar och enskilda domares röster i USA:s högsta domstol, prövad på mer än 28.000 mål och 240.000 domarröster med en träffsäkerhet på drygt 70 procent, och senare visade Katz m.fl. att en tidig version av GPT-4 kunde prestera på godkänd nivå på det amerikanska Uniform Bar Examination.16 Inget av resultaten innebär att systemen bedriver rättsvetenskap. De visar att rättsligt material innehåller strukturer som kan bearbetas maskinellt. LegalBench ger en bredare bild genom att dela upp juridisk förmåga i 162 uppgifter inom sex former av rättsligt resonemang, bland annat regeltillämpning, tolkning och identifiering av rättsliga frågor.17 Just den uppdelningen är central: en språkmodell behöver inte behärska alla komponenter lika väl för att förändra det sammanlagda arbetsflödet.

Utvecklingen har nu lämnat laboratoriet. Thomson Reuters förvärvade 2023 Casetext för 650 miljoner dollar, och på den svenska marknaden marknadsförs numera källförankrade AI-tjänster med uttrycklig hänvisning till svensk rättskällelära.18 Leverantörsbeskrivningar är inte kvalitetsbevis, men de visar att den svenska rättskällemiljön inte kommer att stå utanför utvecklingen.

Det ska också noteras att Anthropics nya Claude-modell (Fable 5) och OpenAIs nya ChatGPT-modell (5.6) påvisar redan betydande bättre prestanda i djupresonemang, lösa komplexa uppgifter och att dra slutsatser.19 Det kan därför inte uteslutas att den senaste generationens stora språkmodeller innebär ytterligare en förskjutning av fronten. Ännu är det dock något för tidigt att spekulera i hur pass förbättrade dessa modeller är i förhållande till tidigare tillgängliga.

3.2 Den empiriska bilden

Forskningen ger en mer nyanserad bild än både teknikoptimismen och de kategoriska avfärdandena. I en randomiserad studie lät Choi, Monahan och Schwarcz juridikstudenter utföra realistiska juridiska uppgifter med eller utan tillgång till GPT-4. Kvalitetsförbättringarna var små och ojämna, medan tidsvinsterna var stora och konsekventa, och deltagare med svagare utgångsläge tycktes i vissa uppgifter vinna mest i kvalitet.20 I ett experiment med 206 juridikstuderande minskade AI-genererade markeringar i juridiska dokument tidsåtgången med 30 procent utan uppmätt kvalitetsförlust, medan AI-genererade sammanfattningar inte gav någon motsvarande förbättring.21 Formen för den maskinella hjälpen är således lika viktig som tillgången till AI i sig.

Nyare experiment med källförankrad generering, retrieval-augmented generation (RAG), och särskilda resonemangsmodeller har rapporterat större vinster. Schwarcz med flera redovisar i en randomiserad studie att sådana system förbättrade arbetsresultatet och ökade produktiviteten i fem av sex juridiska uppgifter.22 Resultatet bör behandlas med försiktighet så länge arbetet inte publicerats slutligt. Det är likväl svårt att upprätthålla föreställningen att generativ AI endast producerar ytligt välformulerad text. De allmänna modellfamiljerna har därtill utvecklats från dialogsystem till verktygsanvändande och delvis agentbaserade plattformar som kan arbeta med stora dokumentmängder och genomföra uppgifter i flera steg.23

För rättsdogmatisk forskning är därmed följande redan realistiskt, förutsatt att forskaren kontrollerar processen: att bygga en första förteckning över relevanta rättskällor, att identifiera hänvisningar mellan avgöranden, att extrahera omständigheter, rättsfrågor, domskäl och utgång ur en stor mängd avgöranden och att föreslå kategorier över återkommande argument. En modell kan också markera möjliga spänningar mellan avgöranden, varvid markeringen inte är bevis för en motsägelse utan en hypotes om var forskaren bör läsa närmare. Att modellen slutligen kan skapa utkast är den minst intressanta funktionen. Den stora vinsten ligger i bearbetningen av materialet före skrivandet.

3.3 Ett skatterättsvetenskapligt arbetsflöde

Anta att en forskare vill analysera hur en unionsrättslig princip använts i svensk mervärdesskattepraxis, inklusive ett större antal underinstansavgöranden. I ett traditionellt projekt går en stor del av arbetet åt till att avgöra vilka av flera hundra dokument som över huvud taget är relevanta.

Ett AI-baserat arbetsflöde börjar i stället med att forskaren formulerar en käll- och metodspecifikation där rättsfrågan, jurisdiktionen, tidsperioden, tillåtna källtyper och den rättsliga hierarkin anges.24 Systemet får inte skriva en slutsats utifrån sin allmänna träningsdata utan ska arbeta mot identifierbara originalkällor. En sökagent skapar ett källmanifest med dokumentidentitet, datum, instans, lagversion och hänvisningar, en extraktionsagent för in de relevanta uppgifterna i en strukturerad datamodell och en tredje agent grupperar materialet efter preliminära argumentationsmönster. Forskarens uppgift blir att pröva kategorierna: bygger de på rättsligt relevanta skillnader eller endast på språkliga likheter? När en syntes formulerats kan en motgranskande agent instrueras att försöka vederlägga den genom att söka efter avgöranden som inte passar in, tidsmässiga brott i praxis eller situationer där samma begrepp används i en annan rättslig funktion. Först därefter produceras ett utkast där varje central utsaga länkas till sitt källställe.

POLINE-projektets arbete med att extrahera, gruppera och länka rättsliga principer i mervärdesskattepraxis kan ses som en tidig och specialiserad version av en sådan forskningsinfrastruktur.25 Skillnaden mellan ett sådant system och ett allmänt chattgränssnitt är fundamental. Det förra konstrueras för en bestämd källmiljö, med definierade datamodeller och granskningspunkter. Det senare producerar sannolika språksekvenser utifrån en generell instruktion. Arbetsflödet gör inte forskaren överflödig. Det förskjuter forskarens arbete mot de avgöranden som är principiellt svåra, de kategoriseringar som är osäkra och de påståenden där modellerna kommer till olika resultat.

3.4 Begränsningarna är metodiska, inte dekorativa

Kvalitetssäkringen kan inte behandlas som ett avslutande korrektursteg. Begränsningarna måste påverka hela forskningsdesignen. I en studie av allmänna språkmodellers svar på verifierbara frågor om amerikansk rätt fann Dahl med flera hallucinationsnivåer på minst 58 procent i de prövade uppgifterna, och modellerna hade svårt att bedöma när de själva hade fel.26 Källförankrade kommersiella system eliminerar inte problemet. Magesh med flera fann i en studie att ledande amerikanska AI-baserade rättsforskningstjänster hallucinerade i mellan 17 och 33 procent av de prövade svaren. RAG minskade felen i förhållande till generella modeller men avlägsnade dem inte.27

Resultaten avser bestämda modellversioner och amerikanskt rättsfallsmaterial, vilket ger anledning till en invändning som tesen måste kunna bära. Den amerikanska forskningen avser en rättsordning där prejudikatmängden i sig är flaskhalsen. I svensk skatterätt är antalet vägledande avgöranden litet, och den svåra uppgiften är inte att hitta dem utan att bestämma deras räckvidd. Ju mer av forskningens tyngd som ligger i den senare uppgiften, desto mindre blir automatiseringens vinst. Invändningen är befogad men inte avgörande. Den avgörande volymen utgörs nämligen inte av prejudikaten utan av underinstanspraxis, förarbeten och unionsrättsligt material, där mängden är betydande och överblickbarheten låg. Invändningen gäller därtill med full kraft endast om forskningsfrågan redan är formulerad, och det är just förmågan att undersöka tidigare oöverskådligt material som gör att nya frågor kan ställas.

För svensk skatterättsvetenskap tillkommer särskilda problem. Svenskspråkigt rättsligt material utgör en liten del av de stora modellernas träningsunderlag, och underinstansavgöranden är ojämnt digitaliserade, vilket ger anledning att räkna med sämre, inte bättre, tillförlitlighet än i de amerikanska studierna till dess motsatsen visats. En modell kan identifiera rätt dokument men tillämpa fel lagversion, återge ett uttalande korrekt men missförstå dess processuella funktion, behandla ett särskilt yttrande som domstolens ståndpunkt eller finna en språklig parallell mellan två rättsområden utan att beakta att legalitetsprincipen begränsar analogin. Härtill kommer att forskningssystem som byggs och används inom unionen verkar under AI-förordningens regelverk.28

Härtill kommer en verifikationsparadox. Ju snabbare systemet producerar analyser, desto större material kan forskaren frestas att behandla, men varje ytterligare utsaga skapar ett nytt kontrollbehov. Om den mänskliga granskningen inte skalas upp omvandlas produktivitetsvinsten till en större mängd obestyrkta påståenden. Huvudregeln bör därför vara att AI får utöka forskningens sök- och bearbetningskapacitet, men inte sänka tröskeln för vilka påståenden som anses verifierade. Varje central rättslig utsaga måste kunna föras tillbaka till en autentisk källa, läst i sitt sammanhang. Modellen får föreslå. Forskaren måste stå för påståendet.

4.1 Från informationsknapphet till omdömesknapphet

Det intellektuellt mest utmanande scenariot är inte att AI blir felfri. Det är att den blir tillräckligt bra för att göra kvalificerad rättsdogmatisk förbearbetning billig och allmänt tillgänglig.

Rättsvetenskapens produktionsvillkor har hittills präglats av informationsknapphet, och en forskare som behärskat ett område länge har byggt upp en fördel genom minne, källkännedom och personliga arkiv. När språkmodeller och specialiserade databaser kan återvinna och ordna material på begäran minskar värdet av den rena åtkomsten. Detta innebär inte att sakkunskapen förlorar betydelse. Tvärtom kan den bli mer avgörande, eftersom den behövs för att värdera ett snabbt växande antal maskinellt framtagna förslag. Men dess funktion förändras. Den erfarne forskarens främsta bidrag blir mindre att bära materialet i minnet och mer att se vilken distinktion som spelar roll, vad som saknas och varför en till synes rimlig slutsats ändå är rättsligt ohållbar.

Forskningens knappaste resurs förskjuts därmed från informationshantering till rättsligt omdöme, varmed avses förmågan att formulera fruktbara frågor, avgöra vilka skillnader som är rättsligt relevanta, väga skäl mot varandra och bedöma hur säker en slutsats är. I skatterätten är omdömet normativt förankrat: det förutsätter förtrogenhet med rättskällelärans hierarkier och med de konstitutionella gränser som behandlats i avsnitt 2.2. Problemformuleringen får då en annan ställning. När det kostade månader att undersöka en fråga var forskarens insats nära förbunden med materialbearbetningen. Kan samma preliminära genomgång göras på en dag blir valet av fråga mer synligt: har forskaren undersökt något som faktiskt var okänt, eller endast omformulerat etablerad doktrin?

4.2 Forskarens och doktorandens roller

Framtidens rättsvetare kan komma att likna en forskningsledare mer än en ensam textproducent. Rollen består då i att utforma arbetsflödet, definiera källregler, fördela uppgifter mellan agenter, konstruera tester och avgöra vilka resultat som förtjänar mänsklig närläsning. Detta kan framstå som en förlust, eftersom bilden av forskaren som själv läser varje sida är nära förbunden med rättsvetenskapens yrkesidentitet. Men personligt manuellt utförande har aldrig varit ett självändamål, och ingen hävdar att en forskare bör avstå från databassökning för att en fysisk registergenomgång ger mer autentisk kunskap. Frågan är i stället vilka arbetsmoment som har ett oupplösligt samband med förståelsen.

Här finns en reell risk. Den långsamma läsningen är inte bara transportsträcka; under den till synes ineffektiva genomgången kan forskaren upptäcka oväntade samband och problem som inte fanns i den ursprungliga frågan. Om AI endast visar de passager som systemet bedömer som relevanta kan forskaren låsas in i sin första problemformulering. Automatiseringen bör därför inte avskaffa närläsningen utan göra den strategisk: vissa centrala källor måste läsas i sin helhet, stickprov måste göras i bortsorterat material och forskningsdesignen måste lämna utrymme för det oväntade. Det sagda innebär att forskaren måste besitta en betydande faktakunskap rörande den forskningsfråga som behandlas. Utan denna kunskap kan det starkt ifrågasättas om AI-användningen kommer att leda till betydande tidsvinster.

För doktorandutbildningen blir frågan särskilt känslig, eftersom utbildningen inte bara ska resultera i en avhandling utan utveckla en självständig forskare. Om AI utför sökningen, kategoriseringen och huvuddelen av skrivandet kan en formellt imponerande text dölja att doktoranden inte själv kan bedöma materialet. Lösningen kan ändå inte vara ett generellt förbud, som både vore svårkontrollerat och skulle beröva doktoranderna kunskap om den forskningsmiljö de kommer att verka i. I stället måste examinationsformerna förändras. Doktoranden bör kunna redovisa hur källurvalet skapades, vilka fel systemet gjorde, hur kategorierna validerades och varför vissa modellförslag avvisades.

4.3 Meritvärde och originalitet

När kostnaden för att producera välformulerad text sjunker riskerar akademiska meriteringssystem att belöna fel sak. Antalet artiklar har hittills fungerat som ett grovt mått på genomförda forskningsinsatser.29 Om en forskare med agentbaserade system kan generera många källbelagda artiklar och böcker under kort tid försvagas sambandet mellan textvolym och vetenskapligt bidrag. Meritvärdet måste följaktligen knytas till problemets svårighet, materialets nyhet, metodens transparens och slutsatsens förklaringsvärde. En maskinell kartläggning av tusentals avgöranden kan vara ett betydande bidrag även om den löpande texten delvis genererats av AI, medan en traditionellt författad artikel som återger känt material utan ny problemformulering inte blir mer vetenskaplig av att varje mening skrivits manuellt.

Mot det sagda kan invändas att språkmodeller endast kombinerar sådant som redan finns. Påståendet är sant i teknisk mening men avgör inte saken, eftersom en betydande del av mänsklig kreativitet också består i att kombinera tidigare begrepp och analogier på nya sätt.30 En modell kan generera ett stort antal forskningsfrågor och peka ut ovanliga kombinationer av rättsområden, exempelvis om en skatterättslig motverkansregel bör analyseras med begrepp från associationsrätt, redovisning eller processrätt. En ovanlig kombination är dock inte detsamma som en vetenskaplig idé. Idén måste vara relevant, hållbar och fruktbar. Kuhns distinktion mellan normalvetenskap och vetenskapliga omvälvningar är här belysande, om än inte direkt överförbar: AI kan bli effektiv på att lösa väldefinierade problem inom ett etablerat paradigm, men därav följer inte att systemet kan avgöra när problemstrukturen bör överges. AI:s mest värdefulla kreativa roll är därför att generera kandidater och motargument, inte att utnämna en slutsats till kunskap.

4.4 Tyst kunskap och ansvar

Två gränser återstår. Polanyis teori om tyst kunskap aktualiserar en gräns för formaliseringen: juridiskt omdöme består delvis av inlärda praktiker och värderingar som är svåra att uttrycka som regler.31 Att en modell imiterar omdömets resultat innebär inte att den kan förklara eller ta ansvar för dess normativa förutsättningar. Floridi har föreslagit att modern AI bättre förstås som handlingsförmåga utan intelligens i mänsklig mening, alltså system som åstadkommer komplexa resultat utan medvetande, avsikt eller förståelse.32 Distinktionen är avgörande för ansvarsfrågan. AI kan bidra till en slutsats. Den kan inte stå till svars för den.

Samtidigt blir utformningen av forskningssystemen själv en vetenskaplig verksamhet. Hur ska källhierarkin representeras? Hur ska osäkerhet uttryckas? Hur ska systemet skilja ett prejudicerande uttalande från ett referat av parternas argument? Sådana frågor utgör kärnan i en framväxande legal engineering, och de kan inte besvaras utan rättslig sakkunskap.

5.1 Ett arbetssätt, inte en metod

Uttrycket vibe coding används för ett arbetssätt där programmeraren beskriver mål i naturligt språk, låter en AI generera koden och därefter testar och korrigerar resultatet iterativt. En tidig empirisk studie visar att arbetssättet inte avskaffar programmeringskunskap, utan förskjuter kompetensen mot kontexthantering, snabb utvärdering och beslut om när man ska övergå från AI-generering till manuell bearbetning.33

Som benämning på juridisk forskning är vibe research ännu inte ett etablerat vetenskapligt begrepp, och jag använder det heuristiskt. Det beskriver en situation där forskaren arbetar på en högre abstraktionsnivå och formulerar syfte, avgränsningar och kvalitetskriterier, medan ett system av agenter utför sökning, extraktion, klassificering och första utkast. Ett sådant arbetssätt kan bli oseriöst, om forskaren nöjer sig med att resultatet ser rätt ut. Men det kan också göras metodiskt krävande. Källor kan låsas till officiella databaser, varje utsaga kan förses med proveniens, osäkerheter kan märkas och separata agenter kan fungera som förespråkare, kritiker och källgranskare. Skillnaden mellan improvisation och vetenskap ligger inte i om naturligt språk används för att styra systemet, utan i forskningsdesignens kvalitet.

5.2 Agentbaserade forskningssystem

Utvecklingen inom andra vetenskaper visar vad som kan bli möjligt. Ett system som presenterats i Nature har genererat forskningsidéer, skrivit kod, genomfört experiment, analyserat data, skrivit manuskript och utfört en automatiserad sakkunniggranskning. Ett manuskript passerade en första granskningsomgång för en maskininlärningsworkshop, men workshoppens antagningsgrad var 70 procent, forskarna hade manuellt valt ut lovande resultat, och vanliga fel omfattade naiva idéer, bristande metodisk stringens och oriktiga hänvisningar.34 Liknande fleragentsystem har använts under mänsklig styrning inom både naturvetenskap och samhällsvetenskap, i det senare fallet med uttryckliga reservationer för bias, datakvalitet och reproducerbarhet.35

Rättsvetenskapen har inte laboratorieexperiment av samma slag, men den har stora textkorpusar, versionsberoende regler och argumentationsstrukturer som i viss utsträckning kan formaliseras. Uttrycket AI-genererad empiri bör dock användas försiktigt. Det får inte betyda att modellen fabricerar observationer eller ersätter rättskällor med syntetiska data, utan att AI hjälper till att extrahera, klassificera och strukturera faktiska dokument.

Som ett scenario, inte som en prognos, kan man tänka sig ett skatteanalytiskt system som kontinuerligt hämtar lagstiftningsändringar, förarbeten och nya avgöranden, upprätthåller en versionshanterad karta över vilka lagrum som gällde vid varje tidpunkt och lämnar en prioriteringssignal om vilka delar av doktrinen ett nytt avgörande kan ha rubbat. Vid lagstiftningsprojekt skulle systemet kunna generera transaktionsscenarier som rättsliga stresstester, varigenom luckor och gränsdragningsproblem upptäcks innan lagen träder i kraft. Detta anknyter till lagstiftningslärans efterlysning av mer systematisk kunskap om lagstiftningsteknik och till kritiken mot beredningen av skattelag.36 Att betydande aktörer rör sig i denna riktning framgår av att OpenAI uppgett en helt automatiserad forskare som riktmärke, men sådana uppgifter avser ambitioner, inte dokumenterade förmågor.37

5.3 Risken för en vetenskaplig monokultur

Automatiseringen kan även ha en konserverande effekt. Språkmodeller är tränade på tidigare texter och belönas för att ge sannolika, välstrukturerade svar, och de kan därför förstärka etablerade problemformuleringar och akademiska stilideal. Messeri och Crockett har varnat för att AI i forskningen kan skapa illusioner av förståelse och vetenskapliga monokulturer, där forskare producerar mer och upplever större kontroll samtidigt som färre typer av frågor och metoder får utrymme.38 En observationsbaserad studie av 41,3 miljoner naturvetenskapliga artiklar fann ett liknande spänningsförhållande: AI-assisterade forskare publicerade och citerades betydligt mer, medan den kollektiva ämnesbredden krympte och forskarnas ömsesidiga engagemang minskade.39

För skatterätten kan en monokultur innebära att modellerna reproducerar den dominerande dispositionen, de mest citerade författarna och de etablerade kategorierna, medan mindre uppmärksammade rättskällor och svårklassificerade problem sorteras bort. En framtida rättsvetenskap behöver därför inte bara snabbare system, utan system som kan söka efter anomalier, minoritetsuppfattningar och material som inte passar in.