Skip to content
    HAQQ
    Einloggen
    Vertrieb kontaktieren
    HAQQ testen
    HAQQ testen
    1. Startseite
    2. Blog
    3. Beste KI für juristische Arbeit 2026: Oktober-Update + 3.000 bewertete Antworten
    KI & Rechtstechnologie

    Beste KI für juristische Arbeit 2026: Oktober-Update + 3.000 bewertete Antworten

    Oktober 2026: Claude Opus 5.5 und GPT-6 Astra führen unsere neuesten Rechtstests an. Dazu 3.000 bewertete Antworten von 10 Modellen, 24 % davon mit falschen Belegen.

    Stephane BoghossianStephane Boghossian|
    5. Juni 2026
    14 Min. Lesezeit
    Beste KI für juristische Arbeit 2026: Oktober-Update + 3.000 bewertete Antworten

    Kurz gesagt: Stand Oktober 2026 sind Claude Opus 5.5 und GPT-6 Astra die stärksten Frontier-Modelle, die wir für juristische Arbeit getestet haben. Sie bildeten das Spitzenduo in unserem MENA-Fallentest vom 30. September (3,30 und 3,00 von 4), und keines von beiden erfand ein Urteil eines Dubaier Gerichts, als danach gefragt wurde. Opus 5.5 lag zum halben Preis gleichauf mit Fable 5.1 (23. September).

    Die wichtigsten Fakten

    • In einem Fallentest mit fünf Fragen zu den VAE, Saudi-Arabien und dem Libanon erreichte Claude Opus 5.5 3,30 von 4 und GPT-6 Astra 3,00, gegenüber 2,20 für DeepSeek V4 Pro und 2,10 für Gemini 3.1 Pro, jeweils ohne Hinweise (HAQQ-Test, 30. Sept. 2026, 80 Antworten, drei verblindete Bewerter).
    • Auf die Frage nach Urteilen des Kassationsgerichts Dubai zu einem nicht existierenden Artikel nannten Gemini 3.1 Pro und DeepSeek V4 Pro in acht Antworten 16 Entscheidungen; keine stimmte in der zitierten Form mit einer öffentlichen Quelle überein (HAQQ-Test, 30. Sept. 2026).
    • Claude Opus 5.5, Opus 5 und Fable 5.1 lagen bei 120 verblindeten Paarvergleichen höchstens vier Urteile auseinander; Opus 5.5 kostete 0,3647 $ pro Antwort gegenüber 0,7249 $ für Fable 5.1 (HAQQ-Test, OpenRouter-Listenpreise, 23. Sept. 2026).
    • GPT-6 Astra lag bei der juristischen Substanz mit 17,63 von 20 vor Claude Opus 5 und GPT-5.6 Luna Pro, und alle drei gaben eine saudische oder ägyptische Regel falsch wieder, obwohl sie den richtigen Artikel zitierten (HAQQ-Test, 41 Prompts, 10. Sept. 2026).
    • Die Legal Research Bench von Vals AI führte Claude Opus 5.5 mit 50,48 % auf Platz 4 von 68 Modellen (Vals AI, abgerufen am 23. Sept. 2026).
    • In unserem größten Test zitierten oder verwendeten 24 % von 3.000 Antworten aus 10 Frontier-Modellen Recht, das nicht das aussagt, was das Modell behauptete (HAQQ-Test mit 300 Aufgaben, veröffentlicht am 5. Juni 2026).
    • Stanford RegLab ermittelte Halluzinationen in etwa 33 % der Antworten von Westlaw AI-Assisted Research und in mehr als 17 % der Antworten von Lexis+ AI (Magesh et al., 2024).

    Offenlegung. HAQQ entwickelt juristische KI und hat jeden HAQQ-Benchmark auf dieser Seite durchgeführt. Die September-Tests umfassten HAQQ nicht. Die weiter unten stehende Plattform-Rangliste mit 50 Punkten umfasst HAQQ, und HAQQ steht dort auf Platz eins. Lesen Sie unsere Zahlen als die Zahlen eines Anbieters: Die Methode jedes Tests ist beschrieben, und für die September-Tests sind Prompts und Antworten veröffentlicht.

    Welche KI eignet sich im Oktober 2026 für juristische Arbeit?

    Drei Tests im September 2026 haben die Juni-Rangliste für die Frage nach den Frontier-Modellen abgelöst. Jeder prüft etwas anderes, lesen Sie sie daher zusammen.

    ModellAnbieterTestTestdatumErgebnis
    Claude Opus 5.5AnthropicFünf MENA-Fallenfragen30. Sept. 20263,30 / 4, 0 erfundene Urteile genannt
    GPT-6 AstraOpenAIFünf MENA-Fallenfragen30. Sept. 20263,00 / 4, 0 erfundene Urteile genannt
    DeepSeek V4 ProDeepSeekFünf MENA-Fallenfragen30. Sept. 20262,20 / 4, 8 nicht verifizierbare Urteile genannt
    Gemini 3.1 ProGoogleFünf MENA-Fallenfragen30. Sept. 20262,10 / 4, 8 nicht verifizierbare Urteile genannt
    Claude Opus 5AnthropicZehn Entwurfs- und Beratungsprompts, Paarvergleich23. Sept. 202639 von 80 Urteilen, 0,4362 $ pro Antwort
    Claude Fable 5.1AnthropicZehn Entwurfs- und Beratungsprompts, Paarvergleich23. Sept. 202636 von 80 Urteilen, 0,7249 $ pro Antwort
    Claude Opus 5.5AnthropicZehn Entwurfs- und Beratungsprompts, Paarvergleich23. Sept. 202635 von 80 Urteilen, 0,3647 $ pro Antwort
    GPT-6 AstraOpenAI41 Prompts, 20 Rechtsgebiete10. Sept. 202617,63 / 20 Substanz, 0,2622 $ pro Antwort
    GPT-5.6 Luna ProOpenAI41 Prompts, 20 Rechtsgebiete10. Sept. 202630,93 / 35 Gesamtwert (inkl. Geschwindigkeit), 0,0231 $ pro Antwort
    Claude Opus 5Anthropic41 Prompts, 20 Rechtsgebiete10. Sept. 202628,13 / 35 Gesamtwert, 0,4566 $ pro Antwort
    Claude Opus 4.8Anthropic300 wirtschaftsrechtliche Aufgaben (abgelöst)Juni 202630,02 / 35, 130 von 300 Aufgaben gewonnen

    Update Oktober 2026: Welches Ergebnis aktuell ist

    • Aktuell für Frontier-Modelle: der Fallentest vom 30. September (wie man eine juristische KI testet). Es ist der jüngste Test, und er umfasst vier aktuelle Flaggschiffmodelle von vier Laboren. Jedes Modell erkannte jede Falle. Der Unterschied zeigte sich bei den Fundstellen: Opus 5.5 und Astra lehnten es ab, nicht verifizierbare Urteile zu nennen, während Gemini 3.1 Pro und DeepSeek V4 Pro 16 Urteilszitate produzierten, davon zwei echte Aktenzeichen mit falschem Datum und falschem Tenor, die übrigen 14 nicht auffindbar. Opus 5.5 und Astra bilden das Spitzenduo, und der Abstand zwischen ihnen liegt im Rahmen der Schwankung von Test zu Test.
    • Aktuell für die Wahl zwischen Anthropic-Modellen: der Test vom 23. September (Claude Opus 5.5 im juristischen Benchmark). Opus 5.5, Opus 5 und Fable 5.1 bildeten einen Kreis (jedes schlug eines und unterlag einem), sodass die Qualität sie bei zehn Prompts nicht trennte. Der Preis schon: Opus 5.5 antwortete zu etwa der Hälfte der Kosten von Fable 5.1 und war das schnellste der drei.
    • Aktuell für GPT-6 Astra im Vergleich zu günstigeren Modellen: der Test vom 10. September (GPT-6 Astra bei juristischer Arbeit). Astra lag bei der Substanz um weniger als einen Punkt vorn und kostete pro Antwort 11-mal so viel wie GPT-5.6 Luna Pro. Jedes der drei Modelle gab eine saudische oder ägyptische Regel falsch wieder, obwohl es den richtigen Artikel zitierte.
    • Abgelöst: der Juni-Test mit 300 Aufgaben weiter unten. Er ist weiterhin unser größter Datensatz und die Quelle der 24-%-Zahl zur Zitierlücke, doch jedes Modell darin hat inzwischen eine neuere Version. Nutzen Sie ihn für Muster (Zitierfehler auf jeder Leistungsstufe, kein Modell gewinnt alle Rechtsgebiete, eine 90-fache Kostenspanne), nicht für die Modellwahl heute.

    Worin die September-Tests übereinstimmen: Der Qualitätsabstand zwischen aktuellen Frontier-Modellen bei juristischen Aufgaben ist gering, und die nützlichen Unterschiede liegen darin, wie ein Modell scheitert (Fundstellen erfinden, eine lokale Regel falsch lesen) und was es pro Antwort kostet. Testen Sie Ihre engere Auswahl an Ihren eigenen Mandaten, bevor Sie sich entscheiden.

    Welche KI ist bei der juristischen Recherche am genauesten?

    Beim wichtigsten Maßstab der Recherche, nämlich ob die Fundstelle existiert und das sagt, was das Modell behauptet, schnitten Claude Opus 5.5 und GPT-6 Astra in unserem jüngsten Test am besten ab: kein erfundenes Urteil in ihren insgesamt acht Antworten. Auf der unabhängigen Legal Research Bench von Vals AI erreichte Opus 5.5 50,48 %, Platz 4 von 68 Modellen, als wir sie am 23. September 2026 abriefen. Kein von uns getestetes Modell ist genau genug, um ohne Prüfung zitiert zu werden. Im September nannten alle drei Modelle des Astra-Tests bei einer saudischen oder ägyptischen Frage die richtige Artikelnummer zur falschen Regel, was ein Zitierprüfer passieren lassen würde.

    Diese Lücke muss ein Recherchewerkzeug oberhalb des Modells schließen: die Primärquelle abrufen, das Zitat daran prüfen und sagen, wenn es keine findet. So haben wir die HAQQ-Rechtsrecherche gebaut.

    Halluziniert ein größeres oder neueres Modell weniger?

    Neuere Modelle halluzinieren seltener, aber sie tun es noch. Zwischen Juni und September hat sich das Muster verändert: Im Juni hat jedes der 10 Modelle irgendwo in den 300 Aufgaben ein Zitat erfunden oder falsch angewendet, und 24 % aller Antworten hatten ein Zitierproblem. Im September lehnten es die neuesten Flaggschiffe von Anthropic und OpenAI ab, Rechtsprechung zu erfinden, wenn danach gefragt wurde. Gemini 3.1 Pro und DeepSeek V4 Pro lieferten weiterhin Aktenzeichen auf Anfrage, bei jeder Frage ein anderes Paar. Die Modellgröße allein sagte das Verhalten nicht voraus; die beiden, die ablehnten, waren in diesem Test auch die beiden teuersten pro Antwort.

    Früherer Test: Prozessstrategie nach New Yorker Recht (Jan. 2026)

    Im Januar 2026 gaben wir sieben Systemen einen einzigen Prompt: „Prepare litigation strategy under New York law for unpaid invoice of $250,000.“ Wir bewerteten jede Antwort nach sechs Kriterien mit bis zu 10 Punkten. Starke Antworten nutzten CPLR 3213 (summary judgment in lieu of complaint), stützten sich auf Vertragsverletzung und account stated und planten die Vollstreckung nach dem Urteil (restraining notices, Kontopfändungen, turnover orders). Schwächere Antworten endeten bei der Klageerhebung. Es war ein einzelner, von HAQQ bewerteter Prompt mit HAQQ unter den Teilnehmern, und jedes allgemeine Modell darin wurde inzwischen ersetzt. Lesen Sie ihn daher als Dokumentation, wie sich die Antworten unterschieden, nicht als Rangliste.

    ModellRechtliche GenauigkeitProzessuale TiefeStrategieFundstellenStrukturMandantenreif
    HAQQ9,59,5999,59,5
    Claude Opus 4.698,59998,5
    GPT-5.28,58,5978,58,5
    Gemini 3.1 Pro8887,588
    Grok 4.17,57777,57
    Mistral Large 3776,5676,5
    Perplexity Sonar66666,56

    Wie haben wir den Juni-Benchmark mit 300 Aufgaben durchgeführt?

    Wir haben 300 eigene juristische Aufgaben mit benannten Parteien, Beträgen, Daten und maßgeblichen Gesetzen verfasst: Entwerfen Sie diese Klausel, überarbeiten Sie diese Bestimmung, strukturieren Sie diese Transaktion, analysieren Sie diese Kollisionsfrage. Sie umfassen 51 Rechtsgebiete und mehr als 20 Rechtsordnungen, darunter US-Bundesrecht sowie Delaware, Kalifornien, New York und Texas, das Vereinigte Königreich, die EU, die VAE und das DIFC, Saudi-Arabien, den Libanon, Ägypten, Katar, Singapur, Australien, Kanada, Indien, Brasilien, Nigeria, die OHADA, Japan, Deutschland, Frankreich und die Schweiz, dazu die Haager Übereinkommen sowie die Kaimaninseln, die Britischen Jungferninseln und Bermuda.

    Der Schwierigkeitsgrad war hoch gewichtet: 114 Aufgaben auf Stufe 5 von 5, 108 auf Stufe 4, 22 auf Stufe 3. Jede Aufgabe ging an alle 10 Modelle mit identischem System-Prompt bei Temperatur 0, begrenzt auf 6.000 Ausgabe-Tokens. Jede Antwort wurde in fünf Dimensionen bewertet:

    • Qualität (1 bis 10): Tiefe, Vollständigkeit, Umsetzbarkeit.
    • Genauigkeit (1 bis 10): rechtliche Richtigkeit, minus 5 für halluzinierte Rechtsprechung und minus 3 für die falsche Rechtsordnung.
    • Geschwindigkeit (1 bis 5): gemessene Latenz.
    • Stil (1 bis 5): professionelle Struktur.
    • Kreativität (1 bis 5): erkannte nicht offensichtliche Risiken und grenzüberschreitende Fragen.

    Claude Sonnet 4.6 bewertete Qualität, Genauigkeit, Stil und Kreativität anhand einer festen Bewertungsmatrix; die Geschwindigkeit stammt aus der tatsächlichen Latenz. Der Abschnitt zu den Einschränkungen behandelt die Voreingenommenheit des Bewerters.

    Was zeigte die Rangliste vom Juni 2026?

    • Claude Opus 4.8 belegte bei 130 von 300 Aufgaben den ersten Platz (fast doppelt so oft wie jedes andere Modell), bei 265 einen Platz unter den ersten drei, mit den höchsten Werten für Qualität (8,9) und Kreativität. Es war langsam (60,8 s) und gehörte zu den teuersten (0,069 $ pro Aufgabe).
    • Grok 4.3 wurde Zweiter (28,98) bei 8,8 Sekunden und 0,003 $ pro Aufgabe, das stärkste Ergebnis bei Geschwindigkeit und Kosten, und gewann die meisten Aufgaben in Umwelt/ESG, geistigem Eigentum und Grenzfällen.
    • GPT-5.5 erzielte die höchste Genauigkeit (8,41) und die niedrigste Quote halluzinierter Zitate (3 %), landete insgesamt jedoch auf Platz fünf und gewann nur eine Aufgabe direkt. Es war das langsamste (134 s) und das teuerste (0,082 $).
    • o3 gewann 66 Aufgaben direkt und kam trotzdem nur auf Platz acht, mit einer Halluzinationsquote von 32 % und einer Genauigkeit von 5,89.
    • Mistral Large wandte in 64 % der Antworten Zitate falsch an oder erfand sie; Llama 4 Maverick wurde Letzter (20,01).

    Wie oft zitieren KI-Modelle Recht, das die Antwort nicht stützt?

    Im Juni zitierten oder verwendeten 24 % aller 3.000 Antworten Recht, das nicht das aussagt, was das Modell behauptete: erfundene Fälle, falsch angewendete Gesetze, die richtige Doktrin in der falschen Rechtsordnung. Der Bewerter markierte konkrete, überprüfbare Fehler. Ein Beispiel pro Modell:

    • Claude Opus 4.8: Computer Associates / Gemstar als Präzedenzfälle für Gun-Jumping zitiert; keine zutreffende Einordnung.
    • GPT-5.5: Hitz-Zitat wirkt erfunden; 616 B.R. 374 nicht verifizierbar.
    • Gemini 3.1 Pro: Zitat Halpin v. Riverstone nicht verifizierbar; vermutlich halluzinierter Delaware-Fall.
    • Grok 4.3: CBS v. Ziff-Davis ungenau zitiert; der Fall betrifft das Vertrauen auf Gewährleistungszusagen, nicht Offenlegungspflichten.
    • Claude Sonnet 4.6: Schrier-Zitat nicht verifizierbar; Biotronik-Fall real, aber falsch angewendet.
    • o3: Zitate MSA Technology v Antec und GB Gas wirken erfunden oder verfälscht.
    • Qwen3.7 Max: Specht v. Netscape falsch angewendet; kein UCC-Fall zu Waren/Dienstleistungen.
    • DeepSeek V3.2: Zitat Crosstown Music nicht verifizierbar / falsch angewendet.
    • Mistral Large: Zitate N.Y. Gen. Oblig. Law §5-328 und UCC §2-515 zweifelhaft / falsch angewendet.
    • Llama 4 Maverick: Cavendish-Fall falsch angewendet; ohne Bezug zu Preisklauseln.

    Jedes Modell, auch die Spitzenreiter, machte mindestens einen solchen Fehler, und der höchste Genauigkeitswert lag bei 8,41 von 10 (GPT-5.5). Die Recherchewerkzeuge, für die Anwälte bereits bezahlen, zeigen dasselbe Problem: Die Studie von Stanford RegLab aus dem Jahr 2024 ermittelte Halluzinationen in etwa einem Drittel der Antworten von Westlaw AI-Assisted Research und in mehr als jeder sechsten Antwort von Lexis+ AI.

    Gewinnt ein Modell alle Rechtsgebiete?

    Nein. Von den 51 Rechtsgebieten im Juni führte Claude Opus 4.8 in 30, Grok 4.3 in 13, o3 in 6, und Gemini 3.1 Pro und Claude Sonnet 4.6 in je einem.

    • Opus 4.8 führte im dogmatischen Kern: M&A (30,6), regulatorische Compliance (30,5), Kapitalmarktrecht, Wirtschaftsstrafrecht, Steuern, Bankrecht, Datenschutz, Arbeitsrecht und internationaler Handel.
    • Grok 4.3 führte bei IP und Technologie (30,2), Umwelt und ESG (30,8), Verbraucherschutz sowie Compliance und Due Diligence (31,4).
    • o3 führte bei Legal Operations (31,1), Wertpapieren und Finanzierung (30,9), öffentlichen Aufträgen und Vergabe (31,1) und grenzüberschreitenden Immobilien.
    • Gemini 3.1 Pro erzielte den Höchstwert bei Privatsphäre und Datenschutz (31,4).

    Der Astra-Test im September fand dasselbe Muster in kleinerem Maßstab: Astra vorn in den meisten Rechtsgebieten, Claude Opus 5 vorn bei Insolvenz und ESG. Ein juristisches Produkt, das jedes Mandat an das Modell weiterleitet, das es am wahrscheinlichsten richtig bearbeitet, und die Antwort anschließend prüft, holt mehr aus dem Feld heraus als eines, das auf ein einziges Modell setzt.

    HAQQ AI kostenlos testen

    Erleben Sie KI-gestützte juristische Recherche und Entwurf

    Was kostet jedes Modell pro juristischer Aufgabe?

    Im Juni reichten die Kosten pro Aufgabe über eine 90-fache Spanne, von 0,0009 $ (DeepSeek V3.2) bis 0,082 $ (GPT-5.5), und die Latenz lag zwischen 7,7 Sekunden (Llama 4 Maverick) und 134 Sekunden (GPT-5.5). Die September-Tests, berechnet zu den OpenRouter-Listenpreisen am Testtag, zeigen das aktuelle Bild:

    • Claude Opus 5.5: 0,3647 $ pro Antwort bei hohem Reasoning-Aufwand, gegenüber 0,7249 $ für Fable 5.1 und 0,4362 $ für Opus 5 (23. Sept. 2026).
    • GPT-6 Astra: 0,2622 $ pro Antwort, 1,7-mal günstiger als Claude Opus 5, weil es etwa 3,5-mal weniger Tokens schreibt, und 11-mal teurer als GPT-5.6 Luna Pro mit 0,0231 $ (10. Sept. 2026).
    • Im Fallentest mit Standardeinstellungen kosteten die 20 Antworten pro Modell 4,04 USD für Opus 5.5, 2,81 für Astra, 0,92 für Gemini 3.1 Pro und 0,88 für DeepSeek V4 Pro (30. Sept. 2026).

    Für ein Produkt mit hohem Volumen kann das Modell mit dem höchsten Qualitätswert die falsche Wahl sein, sobald Kosten und Latenz mitgerechnet werden. Astras erhöhter Reasoning-Aufwand ist ein Beispiel: Im September vervielfachte die Umstellung von niedrig auf hoch die Kosten um das 1,5-Fache und die Latenz um das 1,8-Fache und veränderte die bewertete Qualität um minus 0,17 Punkte.

    Wie schneiden juristische KI-Plattformen im Vergleich zu Frontier-Modellen ab?

    Wir führen eine zweite Rangliste: eine Bewertung mit 50 Aufgaben anhand einer 50-Punkte-Matrix in 11 Aufgabenkategorien, die die juristischen Plattformen auf den Auswahllisten von Kanzleien (Harvey, CoCounsel, Legora, Spellbook, LexisNexis +AI, Clio Duo) neben Frontier-Modelle stellt. Es ist die Rangliste auf unserer Vergleichsseite, und HAQQ steht dort auf Platz eins (siehe die Offenlegung oben). Sortiert nach Durchschnittswert:

    RangModell oder ProduktDurchschnitt /50
    1HAQQ (Justinian)46,8
    2Claude Fable 542,7
    3Claude Opus 4.840,8
    4Mike OS39,1
    5Harvey Tenet37,9
    6DeepSeek V4 Pro36,8
    7Thomson Reuters CoCounsel36,6
    8Legora35,9
    9GPT-5.6 Sol Pro35,3
    10Claude + juristische Plugins33,9
    11Gemini 3.1 Pro32,9
    11Spellbook32,9
    13LexisNexis +AI32,0
    14Grok 4.530,7
    15Perplexity Sonar27,2
    16Clio Duo25,6
    17Llama 4 Maverick23,8
    18Mistral 322,4
    19Qwen3.7 Plus18,7

    Zwei Befunde fallen auf. Die juristischen Plattformen sammeln sich im Mittelfeld: Harvey Tenet (37,9), CoCounsel (36,6), Legora (35,9) und LexisNexis +AI (32,0) liegen bei der reinen Antwortqualität alle unter den stärksten Frontier-Modellen. Was eine Kanzlei einer Plattform bezahlt, sind also vor allem Workflow, Integrationen und Sicherheit. Und die Spanne ist groß, von 46,8 bis 18,7, sodass die Wahl des Werkzeugs bestimmt, mit welchem Ergebnis ein Anwalt startet. Ein Wert pro Aufgabe erfasst weder den kanzleiweiten Einsatz noch Zertifizierungen oder Workflows über große Dokumentenmengen, die echte Stärken der größeren Plattformen sind.

    Die Plattform-Rangliste wurde noch nicht mit Opus 5.5, Fable 5.1 oder GPT-6 Astra wiederholt; für diese Modelle sind die September-Tests oben die aktuelle Quelle.

    Welcher Anbieter führt über alle Tests hinweg?

    Fasst man die Modelle nach Anbieter zusammen und führt den Juni-Test mit allen früheren Durchläufen desselben wirtschaftsrechtlichen Benchmarks zusammen (Index von 0 bis 100, gewichtet nach Anzahl der Bewertungen):

    Die führenden Anbieter liegen eng beieinander. Was Sie um das Modell herum bauen (Retrieval, Zitierprüfung, Regeln der jeweiligen Rechtsordnung), beeinflusst das Ergebnis stärker als die Frage, welchen von ihnen Sie wählen.

    Kann ich diesen Benchmarks vertrauen?

    • Ausgabegrenzen. Unser erster Juni-Durchlauf begrenzte Antworten auf 1.200 Tokens, was Reasoning-Modelle ausbremste und ausführliche Modelle abschnitt. Wir haben ihn verworfen und mit 6.000 wiederholt. Die meisten Modelle gewannen 1,5 bis 2,5 Punkte; Mistral und Llama verschlechterten sich, weil längere Antworten mehr fehlerhafte Zitate offenlegten. Im September schnitt eine Grenze von 32.000 Tokens zwei Opus-Antworten zu einem Prompt ab; wir wiederholten mit 64.000 und brechen inzwischen jeden Test mit einer abgeschnittenen Antwort ab.
    • Bewerter. Im Juni gab es einen einzigen Bewerter, Claude Sonnet 4.6, daher ist die Frage nach Selbstbevorzugung berechtigt; dass Grok 4.3 Zweiter wurde und GPT-5.5 die höchste Genauigkeit erzielte, spricht gegen eine starke Hausvoreingenommenheit, ein zweiter Bewerter wäre aber besser. Die September-Tests nutzten zwei Bewerter außerhalb von Anthropic (23. Sept.) und drei Bewerter aus drei Modellfamilien, deren Median zählte (30. Sept.). Am 23. September wählten die beiden Bewerter aus denselben Antworten unterschiedliche Gewinner.
    • Stichprobengröße. Die September-Tests umfassten 10, 41 und 5 Prompts. Das reicht, um einen großen Unterschied zu sehen, ist aber zu wenig, um eng beieinanderliegende Modelle zu ordnen. Achten Sie auf Effektgrößen, nicht auf Nachkommastellen.
    • Einzelne Durchläufe. Der Juni-Test war ein einzelner Durchlauf bei Temperatur 0. Im September verschoben sich wiederholte Antworten im Schnitt um 0,3 Punkte und in 11 von 40 Paaren um einen ganzen Punkt oder mehr.
    • Menschliche Prüfung. Kein praktizierender Anwalt hat die September-Antworten bewertet, und arabische Entwürfe wurden nur von Modellen beurteilt.

    Wie sollte eine Kanzlei heute ein Modell auswählen?

    • Nehmen Sie Claude Opus 5.5 und GPT-6 Astra für Recherche und Beratung in die engere Auswahl, wo erfundene Fundstellen das Hauptrisiko sind; beide lehnten es in unserem jüngsten Test ab, Urteile zu erfinden.
    • Kalkulieren Sie die engere Auswahl anhand Ihres eigenen Volumens. Opus 5.5 kostet pro Antwort etwa die Hälfte von Fable 5.1 bei einer Qualität, die wir nicht unterscheiden konnten; GPT-5.6 Luna Pro ist für allgemeine Fragen und Antworten deutlich günstiger als Astra, wo ein Qualitätspunkt nicht das 11-Fache wert ist.
    • Testen Sie mit Ihren eigenen Rechtsordnungen. Jedes Modell im Astra-Test las eine saudische oder ägyptische Regel falsch, obwohl es den richtigen Artikel zitierte.
    • Fragen Sie nach einer Fundstelle, die nicht existieren kann, fragen Sie zweimal, und prüfen Sie jedes Zitat von Hand. Die vollständige Methode finden Sie unter wie man eine juristische KI testet.
    • Prüfen Sie jedes Quartal erneut. Der Spitzenreiter vom Juni hat auf dieser Seite bereits drei Nachfolger.

    Quellen

    • HAQQ, Claude Opus 5.5 im juristischen Benchmark (23. Sept. 2026)
    • HAQQ, GPT-6 Astra bei juristischer Arbeit (Test vom 10. Sept. 2026)
    • HAQQ, Wie man eine juristische KI testet: fünf Fallenfragen (Test vom 30. Sept. 2026)
    • Vals AI, Legal Research Bench
    • Anthropic, Vorstellung von Claude Opus 5.5
    • Magesh et al., Studie von Stanford RegLab zu KI-Werkzeugen für die Rechtsrecherche (2024)

    Weiterführende Lektüre

    • das Audit zu Halluzinationen in Gerichtsschriftsätzen
    • neun KI-Systeme zu einem libanesischen Familien-Waqf
    • wenn ein LLM-Bewerter Erfindungen belohnt
    • Umfang und Methode unseres MENA-Benchmarks für juristische KI
    • warum LLMs Dinge erfinden, erklärt für Juristen

    Verfasst von

    Stephane Boghossian
    Stephane Boghossian

    Wachstumsleiter

    Stephane leitet das Wachstum bei HAQQ und schreibt die Rubrik KI und Legal Tech: Modell-Benchmarks, Tool-Vergleiche und die Technik, mit der juristische KI in der Praxis besteht.

    Alle Artikel dieses AutorsLinkedIn

    Verwandte Ressourcen

    Claude Opus 5.5 legal benchmark: 120 blind verdictsGPT-6 Astra on legal work: 41 prompts, 20 practice areasHow to test a legal AI: five trap questionsHarvey vs Legora vs CoCounsel: One 50-Point RubricAI legal hallucination audit

    Verwandte Artikel

    Bestes LLM für juristisches Schreiben 2026: Opus 5.5, Fable 5.1, GPT-6 Astra, Gemini
    Benchmark

    Bestes LLM für juristisches Schreiben 2026

    Bestes LLM für juristisches Schreiben 2026: Opus 5.5, Fable 5.1, GPT-6 Astra, Gemini

    Claude Opus 5.5 für juristische Arbeit: Wir haben unseren eigenen Benchmark gefahren und konnten keinen Sieger küren
    Benchmark

    Claude Opus 5.5 für juristische Arbeit

    Claude Opus 5.5 für juristische Arbeit: Wir haben unseren eigenen Benchmark gefahren und konnten keinen Sieger küren

    Wir haben GPT-6 Astra an 41 echten juristischen Fragen getestet
    Benchmark

    Wir haben GPT-6 Astra an 41 echten juristischen Fragen getestet

    Wir haben GPT-6 Astra an 41 echten juristischen Fragen getestet

    Häufig gestellte Fragen

    Welche KI ist 2026 die beste für juristische Arbeit?

    Mit Stand Oktober 2026 sind Claude Opus 5.5 und GPT-6 Astra die stärksten Frontier-Modelle in unseren Tests. In einem Fallen-Test mit fünf Fragen zum Recht der VAE, Saudi-Arabiens und des Libanon vom 30. September 2026 erzielten sie 3,30 und 3,00 von 4 Punkten, vor DeepSeek V4 Pro (2,20) und Gemini 3.1 Pro (2,10), und keines der beiden erfand ein Gerichtsurteil, als danach gefragt wurde. Der Abstand zwischen beiden liegt im Rauschen zwischen Testläufen, daher sollten der Preis und Ihre eigenen Mandate entscheiden.

    Welche KI ist bei juristischer Recherche am genauesten?

    In unserem Testlauf vom 30. September 2026 lehnten es Claude Opus 5.5 und GPT-6 Astra ab, Urteile des Kassationsgerichts Dubai zu einem Artikel zu nennen, den es nicht gibt, während Gemini 3.1 Pro und DeepSeek V4 Pro 16 Urteile nannten, die in der zitierten Form mit keiner öffentlichen Quelle übereinstimmten. Der unabhängige Legal Research Bench von Vals AI setzte Opus 5.5 mit 50,48 % auf Platz 4 von 68 Modellen (abgelesen am 23. September 2026). Kein Modell ist genau genug, um ohne Prüfung der Quelle zitiert zu werden.

    Halluziniert ein größeres oder neueres KI-Modell bei Rechtsfragen weniger?

    Neuere Spitzenmodelle halluzinieren seltener, aber sie tun es noch. In unserem Testlauf vom Juni 2026 mit 3.000 Antworten zitierten oder wendeten 24 % Recht an, das die Aussage nicht stützte, und jedes der 10 Modelle machte irgendwo Fehler. Im September 2026 weigerten sich die neuesten Modelle von Anthropic und OpenAI, Rechtsprechung zu erfinden, aber alle drei Modelle in unserem GPT-6-Astra-Testlauf gaben eine saudi-arabische oder ägyptische Regel falsch wieder, obwohl sie den richtigen Artikel zitierten.

    Ist Claude Opus 5.5 für juristische Arbeit besser als Claude Fable 5.1?

    Bei der Qualität konnten wir sie nicht unterscheiden. Über 120 verblindete Urteile von zwei Bewertern, die nicht von Anthropic stammen, lagen Opus 5.5, Opus 5 und Fable 5.1 am 23. September 2026 innerhalb von vier Urteilen beieinander und bildeten einen Zirkel statt einer Rangfolge. Opus 5.5 kostete 0,3647 $ pro Antwort gegenüber 0,7249 $ für Fable 5.1 und war das schnellste der drei.

    Was kostet es, eine Rechtsfrage durch ein Frontier-Modell laufen zu lassen?

    In unseren Testläufen vom September 2026 zu OpenRouter-Listenpreisen kostete GPT-5.6 Luna Pro etwa 0,02 $ pro Antwort, GPT-6 Astra 0,26 $, Claude Opus 5.5 0,36 $, Claude Opus 5 0,44 bis 0,46 $ und Claude Fable 5.1 0,72 $. Die Antwortlänge bestimmt die Rechnung ebenso wie der Preis pro Token: Astra verlangt pro Token doppelt so viel wie Opus 5 und kostet pro Antwort trotzdem 1,7-mal weniger, weil es etwa 3,5-mal weniger Tokens schreibt.

    Wie schneiden Legal-AI-Plattformen wie Harvey im Vergleich zu Frontier-Modellen ab?

    Im 50-Punkte-Aufgabenbenchmark von HAQQ über 11 Kategorien und 19 Teilnehmer erreicht Harvey Tenet durchschnittlich 37.9/50, vor CoCounsel (36.6), Legora (35.9) und LexisNexis +AI (32.0) und hinter Claude Fable 5 (42.7) und Claude Opus 4.8 (40.8). Harveys beste Platzierung in einer einzelnen Kategorie ist Platz 2. HAQQ hat diesen Benchmark erstellt und belegt darin mit 46.8/50 Platz eins, betrachten Sie ihn also als Rangliste eines Anbieters und prüfen Sie die Methode.

    Welches Claude-Modell ist am besten für juristische Arbeit?

    Im 50-Punkte-Rechtsbenchmark von HAQQ (Werte mit Stand 20. Oktober 2026) erreichte Claude Fable 5 durchschnittlich 42.7/50 und Claude Opus 4.8 40.8, beide vor Harvey (37.9). Claude mit Legal-Plugins erzielte 33.9, weniger als Claude allein. Claude allein eignet sich für Analysen, erste Entwürfe und lange Dokumente, ist aber kein System of Record und kein Zitatprüfer. HAQQ hat den Benchmark durchgeführt und belegt darin Platz eins, testen Sie also mit Ihren eigenen Mandaten erneut.

    Wo finde ich unabhängige Benchmark-Ergebnisse für Legal-AI-Tools?

    Forscher des Stanford RegLab (Magesh et al., 2024) haben unabhängig Halluzinationsraten von etwa 17 % für Lexis+ AI und 33 % für Westlaw AI-Assisted Research gemessen. Der 50-Punkte-Benchmark von HAQQ mit 19 Tools und Modellen veröffentlicht jeden Kategoriewert auf haqq.ai/compare-us, ist aber nicht unabhängig: HAQQ hat ihn durchgeführt, belegt darin Platz eins, und kein Dritter hat ihn geprüft.

    Was kommt als Nächstes?

    HAQQ AI kostenlos testen

    Erleben Sie KI-gestützte juristische Recherche und Entwurf

    ROI berechnen

    Sehen Sie, wie viel Zeit und Geld HAQQ Ihrer Kanzlei spart

    600+ juristische Prompts durchsuchen

    Sofort einsatzbereite Prompts für jede juristische Aufgabe

    Zurück zum Blog

    Vorheriger Artikel

    HAQQ launcht Mobile App und bringt Legal AI in den juristischen Alltag

    Nächster Artikel

    Kostenlose KI-Rechtsberatung: Was sie kann und was nicht (2026)

    Auf dieser Seite

    14 Min. Lesezeit

    1. 01Die wichtigsten Fakten
    2. 02Welche KI eignet sich im Oktober 2026 für juristische Arbeit?
    3. Update Oktober 2026: Welches Ergebnis aktuell ist
    4. 03Welche KI ist bei der juristischen Recherche am genauesten?
    5. 04Halluziniert ein größeres oder neueres Modell weniger?
    6. 05Früherer Test: Prozessstrategie nach New Yorker Recht (Jan. 2026)
    7. 06Wie haben wir den Juni-Benchmark mit 300 Aufgaben durchgeführt?
    8. 07Was zeigte die Rangliste vom Juni 2026?
    9. 08Wie oft zitieren KI-Modelle Recht, das die Antwort nicht stützt?
    10. 09Gewinnt ein Modell alle Rechtsgebiete?
    11. 10Was kostet jedes Modell pro juristischer Aufgabe?
    12. 11Wie schneiden juristische KI-Plattformen im Vergleich zu Frontier-Modellen ab?
    13. 12Welcher Anbieter führt über alle Tests hinweg?
    14. 13Kann ich diesen Benchmarks vertrauen?
    15. 14Wie sollte eine Kanzlei heute ein Modell auswählen?
    16. 15Quellen
    17. 16Weiterführende Lektüre

    Diesen Artikel teilen

    Setzen Sie das ein

    Stellen Sie HAQQ die Frage, die dieser Artikel bei Ihnen aufgeworfen hat.

    HAQQ across all devices
    HAQQ Legal AI Platform Logo

    Ihr juristischer KI-Zwilling und Kanzleimanagement-System für Entwurf, Abrechnung und Gewinnen.

    Laden imApp StoreJetzt beiGoogle Play

    Dokumentationen

    • Docs wird in einem neuen Tab geöffnet
    • Erste Schritte wird in einem neuen Tab geöffnet
    • Newsroom wird in einem neuen Tab geöffnet
    • Produkt-Updates wird in einem neuen Tab geöffnet
    • Status wird in einem neuen Tab geöffnet
    • Vertrauen wird in einem neuen Tab geöffnet
    • Sicherheit
    • FAQ wird in einem neuen Tab geöffnet
    • Community wird in einem neuen Tab geöffnet
    • Support wird in einem neuen Tab geöffnet

    Academy

    • Partner wird in einem neuen Tab geöffnet
    • Kurs wird in einem neuen Tab geöffnet
    • Prompts wird in einem neuen Tab geöffnet
    • Labs wird in einem neuen Tab geöffnet

    Website

    • eFirm
    • Juristischer KI-Chat
    • Mobile App
    • Justinian KI-Engine
    • HAQQ eBar
    • HAQQ eWallet
    • Preise
    • Vergleichen Sie uns
    • Lösungen
    • Blog
    • Team kennenlernen
    • Mach mit wird in einem neuen Tab geöffnet
    App öffnen
    • Sprachenenarfresitdeptrohics
    • Kontaktinfo@haqq.ai
    • Statusbetriebsbereit·fundiert
    • Nutzungsbedingungen
    • Datenschutzrichtlinie
    • Cookie-Richtlinie
    • Datenverarbeitung
    • Menschen wird in einem neuen Tab geöffnet
    • Anwälte wird in einem neuen Tab geöffnet
    • Sicherheit wird in einem neuen Tab geöffnet
    © 2026 HAQQ Inc. Alle Rechte vorbehalten.Produkt intern von HAQQ entwickelt. Website mit modernen Web-Tools gebaut.

    Total score · /35

    300 commercial legal tasks, scored on a 35-point rubric at temperature 0

    AnthropicxAIGoogleOpenAIQwenDeepSeekMistralMeta

    Bars colored by provider. Read Opus and Grok as co-leaders, not a photo finish.

    Reliability × Usefulness

    Accuracy /10 vs Quality /10 · top-right is best

    AnthropicxAIGoogleOpenAIQwenDeepSeekMistralMeta

    GPT-5.5 leads on raw accuracy; Opus 4.8 sits on the quality frontier; Llama / Mistral fall away on both.

    The Citation Gap

    % of answers that cited or applied law that doesn't say what the model claimed · lower is better

    ≤ 10%≤ 25%> 25%

    Average across the field: 24%. Even the best model in the test still fabricates or misapplies citations.

    Who wins each practice area

    Avg Total/35 by model · top 16 practice areas by prompt count · per-row leader outlined

    Practice areanOpus 4.8Sonnet 4.6GPT-5.5o3Grok 4.3MistralLlama 4DeepSeekQwen3.7Gemini 3.1
    Contract & Commercial1530.124.427.524.127.818.221.226.125.527.6
    Employment Law1330.326.727.617.929.423.320.427.524.329.5
    International Trade1330.228.526.629.828.423.921.027.227.929.2
    Real Estate1230.428.528.329.930.122.920.027.627.929.2
    Corporate Governance1230.126.027.223.626.021.619.626.027.628.3
    AI / Tech Regulation1230.428.927.629.028.625.019.626.826.728.8
    Banking / Finance1230.428.827.725.029.420.517.826.928.229.2
    Bankruptcy1130.028.524.416.926.513.317.122.022.629.0
    M&A1130.628.928.425.629.923.720.227.028.328.9
    Data Privacy1130.228.826.730.129.722.420.527.428.428.1
    Tax1130.225.925.624.629.217.418.123.526.928.1
    Regulatory Compliance1030.528.427.730.130.125.920.327.028.628.8
    Arbitration1029.122.326.88.827.620.419.923.620.825.5
    Criminal / White Collar1030.428.927.727.629.923.220.927.628.829.9
    Securities1030.428.627.324.229.625.619.227.228.329.5
    Environmental / ESG930.629.028.027.530.826.920.928.329.030.5
    ≥ 3027–3024–2721–24< 21

    Across 51 practice areas: Opus wins 30, Grok 13, o3 6, Sonnet 1, Gemini 1. No single model wins everywhere.

    The Latency Tax · Speed × Quality

    Average response time (s) vs Total /35 · up-and-left is the target

    AnthropicxAIGoogleOpenAIQwenDeepSeekMistralMeta

    Grok 4.3 lands second on quality at 1/7th the latency and 1/20th the cost of the leader.

    Provider index · /100

    Blended legal-quality index across every run of the commercial benchmark, weighted by evaluations

    The top is a cluster, not a coronation. Which provider you pick matters less than what you build around it.