Nejlepší AI pro právní práci v roce 2026: říjnová aktualizace + 3 000 ohodnocených odpovědí

Klíčová fakta

• V testu s pěti pastmi z práva SAE, Saúdské Arábie a Libanonu získal Claude Opus 5.5 3.30 ze 4 a GPT-6 Astra 3.00, oproti 2.20 u DeepSeek V4 Pro a 2.10 u Gemini 3.1 Pro, a to po odstranění nápověd (měření HAQQ, 30. září 2026, 80 odpovědí, tři slepí hodnotitelé).
• Na žádost o rozsudky dubajského kasačního soudu podporující neexistující článek uvedly Gemini 3.1 Pro a DeepSeek V4 Pro v osmi odpovědích celkem 16 rozsudků; žádný neodpovídal veřejnému zdroji tak, jak byl citován (měření HAQQ, 30. září 2026).
• Claude Opus 5.5, Opus 5 a Fable 5.1 skončily ve 120 slepých párových hodnoceních do čtyř verdiktů od sebe; Opus 5.5 stál 0.3647 USD za odpověď oproti 0.7249 USD u Fable 5.1 (měření HAQQ, ceníkové ceny OpenRouter, 23. září 2026).
• GPT-6 Astra vedl v právní věcnosti s 17.63 z 20 před Claude Opus 5 a GPT-5.6 Luna Pro a všechny tři modely uvedly správný článek, ale jedno saúdské či egyptské pravidlo chybně (měření HAQQ, 41 zadání, 10. září 2026).
• Legal Research Bench společnosti Vals AI umístil Claude Opus 5.5 s 50.48 % na 4. místě z 68 modelů (Vals AI, ke dni 23. září 2026).
• V našem největším měření 24 % z 3 000 odpovědí od 10 špičkových modelů citovalo nebo uplatnilo právo, které neříká to, co model tvrdil (měření HAQQ s 300 úlohami, zveřejněno 5. června 2026).
• Stanford RegLab naměřil halucinace přibližně u 33 % odpovědí Westlaw AI-Assisted Research a u více než 17 % odpovědí Lexis+ AI (Magesh et al., 2024).

Která AI je k říjnu 2026 nejlepší pro právní práci?

Tři zářijová měření v roce 2026 nahradila červnový žebříček pro otázku špičkových modelů. Každé testuje něco jiného, proto je čtěte společně.

Aktualizace z října 2026: který výsledek je aktuální

• Aktuální pro špičkové modely: zářijový test s pastmi z 30. září (jak testovat Legal AI). Je to nejnovější měření a pokrývá čtyři současné vlajkové modely od čtyř laboratoří. Každý model odhalil každou past. Rozdíl nastal u autorit: Opus 5.5 a Astra odmítly uvést rozsudky, které nešlo ověřit, zatímco Gemini 3.1 Pro a DeepSeek V4 Pro vytvořily 16 citací rozhodnutí, z toho dvě se skutečnými spisovými značkami, ale s nesprávným datem a závěrem, a ostatních 14 jsme nenašli. Opus 5.5 a Astra jsou na prvních dvou místech a rozdíl mezi nimi leží v rámci kolísání mezi jednotlivými běhy.
• Aktuální pro výběr mezi modely Anthropic: měření z 23. září (právní benchmark Claude Opus 5.5). Opus 5.5, Opus 5 a Fable 5.1 vytvořily kruh (každý jednoho porazil a jednomu podlehl), takže při deseti zadáních je kvalita nerozlišila. Rozlišila je cena: Opus 5.5 odpovídal zhruba za polovinu ceny Fable 5.1 a byl z těch tří nejrychlejší.
• Aktuální pro GPT-6 Astra proti levnějším modelům: měření z 10. září (GPT-6 Astra v právní práci). Astra vedl ve věcnosti o méně než bod a stál 11krát více za odpověď než GPT-5.6 Luna Pro. Každý ze tří modelů zkreslil jedno saúdské či egyptské pravidlo, přestože citoval správný článek.
• Nahrazeno: červnové měření s 300 úlohami níže. Je to stále náš největší soubor dat a zdroj údaje o 24 % chyb v citacích, ale každý model v něm má už novější verzi. Použijte jej pro vzorce (chyby v citacích na každé úrovni, žádný model nevyhrává každou oblast práva, 90násobný rozptyl nákladů), ne pro výběr modelu dnes.

V čem se zářijová měření shodují: rozdíl v kvalitě mezi současnými špičkovými modely je v právních úlohách malý a užitečné rozdíly spočívají v tom, jak model selhává (vymýšlí si autority, špatně chápe místní pravidlo) a kolik stojí jedna odpověď. Před výběrem vyzkoušejte užší seznam na vlastních věcech.

Která AI je nejpřesnější pro právní rešerše?

Podle nejdůležitějšího kritéria v rešerši, tedy zda autorita existuje a říká to, co model tvrdí, se v našem nejnovějším měření nejlépe chovaly Claude Opus 5.5 a GPT-6 Astra: nula vymyšlených rozsudků v osmi odpovědích dohromady. V nezávislém Legal Research Bench společnosti Vals AI získal Opus 5.5 50.48 %, tedy 4. místo z 68 modelů ke dni našeho přečtení 23. září 2026. Žádný model, který jsme testovali, není natolik přesný, aby se dal citovat bez kontroly. V září všechny tři modely v měření Astra uvedly u saúdské nebo egyptské otázky správné číslo článku připojené ke špatnému pravidlu, což by kontrola citací propustila.

Právě tuto mezeru musí rešeršní nástroj nad modelem uzavřít: vyhledat primární zdroj, ověřit proti němu citaci a říct, když žádný nenajde. Takto jsme postavili právní rešerši HAQQ.

Halucinuje větší nebo novější model méně?

Novější modely halucinují méně často, ale stále to dělají. Mezi červnem a zářím se vzorec změnil: v červnu každý z 10 modelů někde ve 300 úlohách vymyslel nebo nesprávně použil citaci a 24 % všech odpovědí mělo problém s citací. V září nejnovější vlajkové modely Anthropic a OpenAI odmítly vymýšlet judikaturu, když o ni byly požádány. Gemini 3.1 Pro a DeepSeek V4 Pro stále na požádání vytvářely spisové značky, pokaždé jiné dvojice. Velikost modelu sama o sobě chování nepředpověděla; dva modely, které odmítly, byly zároveň dva nejdražší na odpověď v tomto měření.

Dřívější měření: strategie sporu podle práva New Yorku (leden 2026)

V lednu 2026 jsme sedmi systémům zadali jedno zadání: „Připravte strategii sporu podle práva státu New York pro neuhrazenou fakturu na 250 000 USD.“ Každou odpověď jsme hodnotili z 10 bodů v šesti kritériích. Silné odpovědi využily CPLR 3213 (rozsudek v rychlém řízení místo žaloby), uplatnily porušení smlouvy a uznaný zůstatek účtu (account stated) a plánovaly vymáhání po rozsudku (zákazy nakládání s majetkem, zablokování bankovních účtů, příkazy k vydání). Slabší odpovědi skončily u podání žaloby. Šlo o jedno zadání hodnocené HAQQ, přičemž HAQQ byl mezi účastníky, a každý obecný model v něm byl od té doby nahrazen, proto to čtěte jako záznam o tom, jak se odpovědi lišily, ne jako žebříček.

Jak jsme provedli červnový benchmark s 300 úlohami?

Napsali jsme 300 původních právních úloh s pojmenovanými stranami, částkami, daty a rozhodnými předpisy: sepište toto ustanovení, upravte toto ustanovení, strukturujte tuto transakci, analyzujte tento kolizní spor. Pokrývají 51 oblastí práva a více než 20 jurisdikcí, včetně federálního práva USA a práva Delaware, Kalifornie, New Yorku a Texasu, Spojeného království, EU, SAE a DIFC, Saúdské Arábie, Libanonu, Egypta, Kataru, Singapuru, Austrálie, Kanady, Indie, Brazílie, Nigérie, OHADA, Japonska, Německa, Francie a Švýcarska, k tomu Haagské úmluvy a Kajmanské ostrovy, BVI a Bermudy.

Obtížnost byla nastavena vysoko: 114 úloh na úrovni 5 z 5, 108 na úrovni 4 a 22 na úrovni 3. Každá úloha šla všem 10 modelům se stejným systémovým zadáním při teplotě 0, s limitem 6 000 výstupních tokenů. Každá odpověď byla hodnocena v pěti dimenzích:

• Kvalita (1 až 10): hloubka, úplnost, použitelnost v praxi.
• Přesnost (1 až 10): právní správnost, minus 5 za vymyšlenou judikaturu a minus 3 za nesprávnou jurisdikci.
• Rychlost (1 až 5): změřená latence.
• Styl (1 až 5): profesionální struktura.
• Kreativita (1 až 5): odhalená nezřejmá rizika a otázky přesahující jurisdikce.

Claude Sonnet 4.6 hodnotil kvalitu, přesnost, styl a kreativitu podle pevného hodnoticího schématu; rychlost vycházela ze skutečné latence. Zaujatost hodnotitele řeší část o omezeních.

Co ukázal červnový žebříček 2026?

• Claude Opus 4.8 skončil první ve 130 ze 300 úloh (téměř dvojnásobek kteréhokoli jiného modelu), v první trojce v 265, s nejvyšší kvalitou (8.9) a kreativitou. Byl pomalý (60.8 s) a patřil k nejdražším (0.069 USD za úlohu).
• Grok 4.3 skončil druhý (28.98) za 8.8 sekundy a za 0.003 USD za úlohu, což je nejsilnější výsledek v rychlosti a ceně, a vyhrál nejvíce úloh z oblasti životního prostředí/ESG, duševního vlastnictví a okrajových případů.
• GPT-5.5 dosáhl nejvyšší přesnosti (8.41) a nejnižšího podílu halucinovaných citací (3 %), přesto skončil celkově pátý a jednu úlohu vyhrál jednoznačně. Byl nejpomalejší (134 s) a nejdražší (0.082 USD).
• o3 vyhrál 66 úloh jednoznačně a přesto skončil osmý, s 32% podílem halucinací a přesností 5.89.
• Mistral Large nesprávně použil nebo vymyslel citace v 64 % odpovědí; Llama 4 Maverick skončil poslední (20.01).

Jak často AI modely citují právo, které odpověď nepodporuje?

V červnu 24 % ze všech 3 000 odpovědí citovalo nebo uplatnilo právo, které neříká to, co model tvrdil: vymyšlené případy, nesprávně použité předpisy, správná doktrína přiřazená ke špatné jurisdikci. Hodnotitel označil konkrétní, ověřitelné chyby. Jeden příklad na model:

• Claude Opus 4.8: Computer Associates / Gemstar citovány jako precedenty k předčasnému provedení transakce (gun-jumping); nejde o přesné charakteristiky.
• GPT-5.5: Citace Hitz se jeví jako vymyšlená; 616 B.R. 374 neověřitelné.
• Gemini 3.1 Pro: Citace Halpin v. Riverstone neověřitelná; pravděpodobně halucinovaný případ z Delaware.
• Grok 4.3: CBS v. Ziff-Davis citováno nepřesně; případ se týká spoléhání na záruku, ne zpřístupnění informací.
• Claude Sonnet 4.6: Citace Schrier neověřitelná; případ Biotronik je skutečný, ale nesprávně použitý.
• o3: Citace MSA Technology v Antec a GB Gas se jeví jako vymyšlené nebo zkreslené.
• Qwen3.7 Max: Specht v. Netscape nesprávně použito; nejde o případ UCC týkající se zboží/služeb.
• DeepSeek V3.2: Citace Crosstown Music neověřitelná / nesprávně použitá.
• Mistral Large: Citace N.Y. Gen. Oblig. Law §5-328 a UCC §2-515 jsou pochybné / nesprávně použité.
• Llama 4 Maverick: Případ Cavendish nesprávně použit; nesouvisí s doložkami o ceně.

Každý model, včetně těch nejlepších, udělal alespoň jednu takovou chybu a nejvyšší skóre přesnosti bylo 8.41 z 10 (GPT-5.5). Stejný problém ukazují i rešeršní nástroje, které si advokáti už platí: studie Stanford RegLab z roku 2024 naměřila halucinace přibližně u třetiny odpovědí Westlaw AI-Assisted Research a u více než jedné šestiny odpovědí Lexis+ AI.

Vyhrává jeden model každou oblast práva?

Ne. Z 51 oblastí práva v červnu vedl Claude Opus 4.8 v 30, Grok 4.3 ve 13, o3 v 6 a Gemini 3.1 Pro a Claude Sonnet 4.6 po jedné.

• Opus 4.8 vedl v jádru doktrinálních oblastí: fúze a akvizice (30.6), regulatorní compliance (30.5), cenné papíry, hospodářská kriminalita, daně, bankovnictví, ochrana osobních údajů, pracovní právo a mezinárodní obchod.
• Grok 4.3 vedl v duševním vlastnictví a technologiích (30.2), životním prostředí a ESG (30.8), ochraně spotřebitele a v compliance a due diligence (31.4).
• o3 vedl v právních operacích (31.1), cenných papírech a financích (30.9), vládních zakázkách a zadávání (31.1) a přeshraničních nemovitostech.
• Gemini 3.1 Pro dosáhl nejvyššího skóre v ochraně soukromí a osobních údajů (31.4).

Zářijové měření Astra ukázalo stejný obrázek v menším měřítku: Astra vpředu ve většině oblastí práva, Claude Opus 5 vpředu v insolvenci a ESG. Právní produkt, který každou věc směruje k modelu s největší šancí na správnou odpověď a pak odpověď zkontroluje, získá z nabídky víc než ten, který sází na jediný model.

Kolik stojí každý model za jednu právní úlohu?

V červnu se cena za úlohu pohybovala v 90násobném rozsahu, od 0.0009 USD (DeepSeek V3.2) do 0.082 USD (GPT-5.5), a latence od 7.7 sekundy (Llama 4 Maverick) do 134 sekund (GPT-5.5). Zářijová měření, oceněná podle ceníkových cen OpenRouter v den měření, dávají aktuální obraz:

• Claude Opus 5.5: 0.3647 USD za odpověď při vysoké úrovni uvažování, oproti 0.7249 USD u Fable 5.1 a 0.4362 USD u Opus 5 (23. září 2026).
• GPT-6 Astra: 0.2622 USD za odpověď, 1.7krát levnější než Claude Opus 5, protože píše asi 3.5krát méně tokenů, a 11krát dražší než GPT-5.6 Luna Pro s 0.0231 USD (10. září 2026).
• V testu s pastmi při výchozím nastavení stálo 20 odpovědí na model 4.04 USD u Opus 5.5, 2.81 u Astra, 0.92 u Gemini 3.1 Pro a 0.88 u DeepSeek V4 Pro (30. září 2026).

U produktu s vysokým objemem může být model s nejvyšším skóre kvality špatnou volbou, jakmile se započítá cena a latence. Zvýšená úroveň uvažování u Astra je toho příkladem: v září její přepnutí z nízké na vysokou zvýšilo cenu 1.5krát, latenci 1.8krát a posunulo posouzenou kvalitu o minus 0.17 bodu.

Jak si stojí platformy Legal AI proti špičkovým modelům?

Vedeme druhý žebříček: 50úlohové hodnocení podle 50bodového schématu v 11 kategoriích úloh, které vedle špičkových modelů přidává právní platformy, jež si kanceláře dávají na užší seznam (Harvey, CoCounsel, Legora, Spellbook, LexisNexis +AI, Clio Duo). Je to žebříček na naší stránce srovnání a HAQQ je na něm první (viz zveřejnění zájmů výše). Seřazeno podle průměrného skóre:

Vynikají dvě zjištění. Právní platformy se shlukují uprostřed: Harvey Tenet (37.9), CoCounsel (36.6), Legora (35.9) a LexisNexis +AI (32.0) jsou všechny pod nejsilnějšími špičkovými modely v kvalitě samostatné odpovědi, takže kancelář platformě platí hlavně za pracovní postupy, integrace a bezpečnost. A rozptyl je velký, od 46.8 do 18.7, takže volba nástroje mění výstup, od kterého advokát začíná. Skóre za jednotlivou úlohu nevidí nasazení v celé kanceláři, soulad s normami ani pracovní postupy v měřítku dokumentů, což jsou skutečné silné stránky větších platforem.

Žebříček platforem zatím nebyl znovu proveden s Opus 5.5, Fable 5.1 ani GPT-6 Astra; pro tyto modely jsou aktuálním zdrojem výše uvedená zářijová měření.

Který poskytovatel vede napříč všemi měřeními?

Sloučení modelů na poskytovatele a spojení červnového měření s každým dřívějším měřením téhož obchodního benchmarku (index 0 až 100, vážený počtem hodnocení):

Přední poskytovatelé jsou si blízko. To, co postavíte kolem modelu (vyhledávání zdrojů, kontroly citací, pravidla jurisdikcí), ovlivní výsledek víc než to, kterého z nich zvolíte.

Lze těmto benchmarkům důvěřovat?

• Limity výstupu. Náš první červnový průchod omezil odpovědi na 1 200 tokenů, což poškodilo modely s uvažováním a ořezalo upovídané modely. Zahodili jsme ho a zopakovali s limitem 6 000. Většina modelů si polepšila o 1.5 až 2.5 bodu; Mistral a Llama dopadly hůř, protože delší odpovědi odhalily více špatných citací. V září limit 32 000 tokenů zkrátil dvě odpovědi Opus u jednoho zadání; zopakovali jsme s limitem 64 000 a nyní každé měření se zkrácenou odpovědí přerušíme.
• Hodnotitelé. V červnu hodnotil jeden hodnotitel, Claude Sonnet 4.6, takže vlastní preference je oprávněná otázka; druhé místo Grok 4.3 a nejvyšší přesnost GPT-5.5 svědčí proti silné domácí zaujatosti, ale druhý hodnotitel by byl lepší. Zářijová měření použila dva hodnotitele mimo Anthropic (23. září) a tři hodnotitele ze tří rodin modelů s mediánem (30. září). Dne 23. září vybrali dva hodnotitelé ze stejných odpovědí různé vítěze.
• Velikost vzorku. Zářijová měření použila 10, 41 a 5 zadání. To stačí k odhalení velkého rozdílu a je to příliš málo k seřazení modelů, které jsou si blízko. Čtěte velikosti rozdílů, ne desetinná místa.
• Jednotlivé běhy. Červen byl jediný běh při teplotě 0. V září se opakované odpovědi lišily v průměru o 0.3 bodu a o celý bod či více v 11 ze 40 párů.
• Lidská kontrola. Zářijové odpovědi nehodnotil žádný praktikující advokát a sepisování v arabštině posuzovaly pouze modely.

Jak by si dnes měla kancelář vybrat model?

• Zařaďte na užší seznam Claude Opus 5.5 a GPT-6 Astra pro rešerše a poradenství, kde je hlavním rizikem vymyšlená autorita; oba v našem nejnovějším testu odmítly vymýšlet rozsudky.
• Ohodnoťte užší seznam podle vlastního objemu. Opus 5.5 stojí za odpověď zhruba polovinu Fable 5.1 za kvalitu, kterou jsme nedokázali rozlišit; GPT-5.6 Luna Pro je mnohem levnější než Astra pro obecné otázky a odpovědi, kde bod kvality nestojí za 11násobek.
• Testujte na vlastních jurisdikcích. Každý model v měření Astra špatně pochopil jedno saúdské či egyptské pravidlo, přestože citoval správný článek.
• Požádejte o autoritu, která nemůže existovat, ptejte se dvakrát a každou citaci zkontrolujte ručně. Celá metoda je v článku jak testovat Legal AI.
• Kontrolujte znovu každé čtvrtletí. Vítěz z června má na této stránce už tři nástupce.

Zdroje

• HAQQ, právní benchmark Claude Opus 5.5 (23. září 2026)
• HAQQ, GPT-6 Astra v právní práci (měření z 10. září 2026)
• HAQQ, Jak otestovat Legal AI: pět otázek s pastmi (měření z 30. září 2026)
• Vals AI, Legal Research Bench
• Anthropic, Introducing Claude Opus 5.5
• Magesh et al., studie Stanford RegLab o nástrojích AI pro právní rešerše (2024)

Související čtení

• audit halucinací v podáních k soudu
• devět systémů AI na libanonské věci o waqfu
• když LLM hodnotitel odměňuje fabulaci
• rozsah a metoda našeho benchmarku Legal AI pro region MENA
• proč si LLM vymýšlejí, vysvětleno pro advokáty