What is an AI orchestration layer in legal software?

The term has two meanings. In most legal software it means workflow routing: sending a matter to the right person for approval. The narrower technical meaning is the layer that decides what happens before an AI model is called: the intent, jurisdiction, facts and scope of the request. When a vendor says orchestration, ask which one they mean, because only the second changes the quality of the answer.

Is HAQQ a ChatGPT wrapper?

A general-purpose model performs the final generation in HAQQ. Before that model is called, HAQQ's engine, Justinian, resolves what the request is: the intent, the jurisdiction, the language of the governing law, the facts as structured data and the scope. In a wrapper, the question goes to the model with a prompt template around it and little or no work beforehand.

How do I tell whether a legal AI product is a wrapper?

Run four tests in a demo. Ask something outside law: a wrapped general model will usually answer a medical or financial question. Ask the same legal question in two languages in your own words: if the substance changes, language is handled after the reasoning. Upload a crooked, badly lit scan. Then push toward an unsettled area of law, where a professional system should say the ground is uncertain.

Why does doing work before the model call improve the answer?

A model's context window is finite, and research shows reliability falls as input grows: Liu et al. (TACL 2024) found accuracy drops when relevant information sits in the middle of a long context, and Chroma's July 2025 Context Rot study found all 18 models tested degraded with longer inputs. Loading only what a question needs, and passing facts as structured data, leaves more attention for the legal question.

Does better architecture stop legal AI from hallucinating?

No. Any system built on a language model can produce a wrong answer. A preregistered Stanford study found leading legal research tools hallucinated on 17% to 33% of test queries, and HAQQ's June 2026 run found 24% of 3,000 frontier-model answers cited law that did not support the claim. Good architecture makes errors rarer and easier to catch through retrieved sources, openable citations and explicit uncertainty flags.

Why does document scanning quality matter for legal AI?

Much legal work arrives as a photographed stamped page, a faxed scan or a PDF re-scanned crooked. If a clause number or date is misread at intake, nothing downstream recovers it: the system reasons carefully about the wrong number and presents the result with confidence. That is why a bad scan is one of the most useful tests to run in any legal AI demo.

Co se stane, než Legal AI odpoví na vaši otázku

Stručně: mnoho produktů s legal AI posílá vaši otázku obecnému modelu uvnitř šablony promptu a rozhraní vám neprozradí, o jaký druh produktu jde. Odpověď ovlivňuje práce, kterou systém odvede před voláním modelu (záměr, jurisdikce, fakta jako data, rozsah). Čtyři ukázkové testy zhruba za deset minut ukážou, co kupujete.

Klíčová fakta

Jazykové modely využívají dlouhé vstupy nerovnoměrně: přesnost je nejvyšší, když se relevantní informace nachází na začátku nebo na konci kontextu, a klesá, když leží uprostřed (Liu et al., Lost in the Middle, TACL vol. 12, 2024).
Všech 18 modelů ve studii Context Rot společnosti Chroma, včetně GPT-4.1, Claude 4 a Gemini 2.5, bylo s rostoucí délkou vstupu méně spolehlivých, a to i u záměrně jednoduchých úloh (technická zpráva Chroma, 14. července 2025).
Lexis+ AI, Westlaw AI-Assisted Research a Ask Practical Law AI halucinovaly každý u 17 % až 33 % testovacích dotazů v předem registrované studii Stanfordu (Magesh et al., Journal of Empirical Legal Studies, 2025).
V našem běhu z června 2026 24 % z 3 000 ohodnocených odpovědí od 10 špičkových modelů citovalo nebo uplatnilo právo, které neříkalo to, co model tvrdil (benchmark HAQQ, 5. června 2026).
Databáze Damiena Charlotina uváděla k 19. říjnu 2026 celkem 2 202 rozhodnutí soudů a tribunálů, která se týkala citací nebo obsahu vymyšlených umělou inteligencí.

Upozornění: HAQQ prodává legal AI postavenou na vlastním enginu (Justinian) a výše uvedený červnový benchmark provedl. Čtyři testy na konci fungují na nás stejně jako na kohokoli jiného.

Každý právník, který legal AI posuzuje, se dříve nebo později zeptá na totéž, obvykle zhruba osm minut po začátku ukázky: v čem se to liší od používání ChatGPT?

Dodavatelé obvykle odpovídají tréninkovými daty, vlastním korpusem nebo fine-tuningem. Taková tvrzení se těžko ověřují a často míjejí místo, kde rozdíl skutečně vzniká. Naše odpověď je architektonická a spočívá v tom, kde se myšlení odehrává.

Je většina legal AI jen obalem kolem ChatGPT?

Velká část produktů s legal AI funguje takto. Napíšete otázku. Produkt ji zabalí do šablony promptu (pokyny, aby se choval jako užitečný právní asistent, případně několik příkladů) a pošle ji obecnému modelu. Model odpoví a produkt odpověď zformátuje.

To může být užitečné. Znamená to ale také, že kvalita produktu je převážně kvalitou modelu a vaše protistrana si stejný model může koupit v běžném spotřebitelském předplatném.

Pro kupujícího je obtížné, že to z rozhraní nepoznáte. Obal i účelově vytvořený engine nabízejí textové pole, průběžně vypisovanou odpověď a pod ní nějaké citace. Rozdíl je skrytý v předchozích krocích, a proto jsou dodavatelé jen zřídka nuceni se k němu vyjadřovat.

Co by se mělo stát před voláním modelu?

Když otázka dorazí do HAQQ, nejprve projde krokem, který vlastníme a jehož úkolem je zjistit, o jaký požadavek jde, a nastavit vše, co následuje.

Tento krok vyřeší to, co by před zahájením práce zjistil zkušený koncipient, a výsledek zaznamená jako strukturovaná data:

Otázka skrytá pod slovy. To, co někdo napíše v 23 hodin mezi dvěma hovory, přesně a úplně přeformulované. Funguje to nativně v arabštině a francouzštině stejně jako v angličtině, bez dodatečného překladového kroku.
Druh právní práce. Sepisování, rešerše, revize, srovnání nebo procesní otázka. Každé vyžaduje jiný tvar odpovědi a rozhodnout o tom předem je lepší než spoléhat, že to obecný model odvodí sám.
Jurisdikce a zvlášť jazyk, ve kterém je rozhodné právo napsáno. Obojí se často liší a jejich směšování je tichým, běžným zdrojem chyb.
Fakta jako objekty. Strany, data, povinnosti, částky, rozhodné právo a typ dokumentu, vytažené z textu dříve, než ho přečte cokoli nákladného.
Co otázka potřebuje. Jaké specializované schopnosti načíst, jak hluboké uvažování si zaslouží a zda spadá do rozsahu vůbec.

Obecný model se spouští až po tom všem a začíná připraven: relevantní schopnosti jsou načteny, fakta vytažena, jurisdikce určena a rozsah rozhodnut.

Model běží jako poslední, nad prací, která už byla roztříděna.

Proč to přináší lepší odpovědi?

Dva mechanismy, přičemž druhý nás překvapil víc.

Pozornost je rozpočet

Kontextové okno modelu je konečné a vše v něm soupeří o pozornost. Výše uvedený výzkum ukazuje, co se děje s růstem kontextu: vyhledávání se zhoršuje uprostřed dlouhých vstupů (Liu et al.) a spolehlivost klesá s délkou i u snadných úloh (Chroma). Načtení všech schopností systému do každého požadavku spotřebuje tento rozpočet dřív, než dorazí dokument právníka. Načtení jen relevantních nechává místo pro smlouvu, zákon a fakta.

Strukturovaná fakta ušetří modelu práci s parsováním

Tento efekt je větší. Když model dostane odstavec prózy, část úsilí vynaloží na zjištění, co odstavec obsahuje. Když dostane strukturovaná fakta (tyto strany, toto rozhodné právo, tuto povinnost, toto datum), může úsilí věnovat právní otázce.

Právě na tento efekt cílíme: stejný obecný model odvádí lepší právní práci díky tomu, co dostal. Nezveřejnili jsme kontrolované srovnání stejného modelu uvnitř našeho enginu a mimo něj, takže to berte jako naše návrhové zdůvodnění, podložené výše uvedeným výzkumem kontextu.

Co rozhoduje o tom, zda legal AI funguje na skutečných dokumentech?

Dvě součásti, které se v prodejních prezentacích objevují zřídka a obě rozhodují o tom, zda produkt funguje v obyčejné úterý.

Příjem dokumentů. Velká část právní práce přichází jako fotografie orazítkované stránky, sken faxu nebo PDF, které bylo vytištěno a křivě znovu naskenováno. Jejich čtení považujeme za jádrový inženýrský problém. Pokud se číslo ustanovení špatně přečte hned na vstupu, žádné následné uvažování to nenapraví a systém bude pečlivě uvažovat o špatném čísle.

Paměť jako struktura. Engine uchovává vztahy mezi vašimi věcmi v čase a využívá je, když to otázka vyžaduje. Vložit do promptu zpět vašich posledních dvacet zpráv je něco jiného. Strukturovaná paměť umožňuje systému vědět, že protistrana v NDA, které dnes revidujete, je tatáž společnost ze sporu před dvěma měsíci.

Co dobrá architektura neřeší?

Raději to řekneme, než abyste na to přišli sami.

Neodstraňuje chyby. Každý systém postavený na jazykovém modelu může vyprodukovat chybnou odpověď a čísla v klíčových faktech výše platí pro všechny úrovně trhu. Dobrá architektura činí chyby vzácnějšími a snáze zachytitelnými: tvrzení generovaná proti vyhledaným zdrojům, citace, které lze otevřít, a výslovná upozornění tam, kde je právo nejisté. Náš audit halucinací sleduje, co se děje, když nikdo nekontroluje.

Neodstraňuje právníka. Vše zde předpokládá, že výstup zkontroluje a podepíše profesionál. Tento předpoklad formoval architekturu od začátku.

Nezajišťuje univerzální pokrytí. Kvalita se liší podle jurisdikce, podle toho, jak dobře je zdrojové právo digitalizováno, a podle toho, kolik z něj je veřejné. Pokud dodavatel uvádí jediné globální číslo pokrytí, zeptejte se, co počítá. Raději odpovíme na tuto otázku o vaší jurisdikci, než abychom vám dali jedno číslo.

Jak otestovat dodavatele legal AI při ukázce?

Nepotřebujete ničí architektonický diagram. Čtyři testy, zhruba deset minut, a fungují na každého dodavatele v kategorii, včetně nás. Podrobnější kontrolní seznam najdete v článku 45 varovných signálů při hodnocení dodavatele legal AI.

1. Zeptejte se na něco mimo právo

Obecný model v právním promptu obvykle odpoví i na lékařskou nebo finanční otázku, protože pod povrchem je to obecný model. Systém, který před generováním určí záměr, by měl odmítnout a vysvětlit proč.

2. Položte stejnou otázku ve dvou jazycích

Napište stejnou právní otázku jednou anglicky a jednou arabsky nebo francouzsky, pokaždé vlastními slovy. Pokud se podstata odpovědi změní, jazyk se řeší až po uvažování.

3. Dejte mu špatný sken

Vyfotografujte dokument pod úhlem, ve špatném světle, a nahrajte ho. Podle našich zkušeností je to nejvýmluvnější test při ukázce, protože jde o nejběžnější reálný vstup a nejméně předváděný.

4. Zeptejte se, co neví

Nasměrujte ho k nejisté nebo slabě podložené oblasti práva. Systém vyladěný tak, aby vždy odpověděl, odpoví. Systém určený pro profesionální práci vám řekne, že půda je nejistá, a ukáže proč.

Pokud je dodavatel s těmito čtyřmi testy v pohodě, architektura je pravděpodobně skutečná. Pokud se ukázka testům vyhýbá, i to vám něco řekne. Stejné čtyři testy můžete spustit na HAQQ Legal AI Chat.

Klíčové poznatky

Smysluplný rozdíl mezi produkty legal AI je architektonický a z rozhraní neviditelný. Ptejte se, kde se uvažování odehrává.
Strukturovaná práce před voláním modelu zlepšuje kvalitu i náklady: model, který dostane vytažená fakta, věnuje pozornost právu.
Nenápadné součásti rozhodují o výkonu v praxi. Příjem dokumentů předpovídá, zda nástroj funguje v úterý, lépe než skóre v benchmarku.
Čtyři testy při ukázce (téma mimo právo, dva jazyky, špatný sken, nejisté právo) ukážou, jaký systém vám prodávají.

Vyzkoušejte HAQQ AI zdarma

Zažijte sepisování a rešerše s podporou AI