Beste KI für juristische Arbeit 2026? Wir bewerteten 3,000 Antworten

Warum wir Legal-AI offen benchmarken

Fünf Milliarden Menschen haben keinen Zugang zu Rechtsberatung. Das ist das Problem, das HAQQ lösen soll. Doch unter jeder Legal-AI-Demo liegt eine tragende Frage: Können Sie der Ausgabe vor einem Mandanten wirklich vertrauen? „Eine KI hat eine Rechtsfrage beantwortet" und „eine KI, für deren Antwort ich meinen Namen hergebe" sind zwei verschiedene Aussagen, und der Abstand zwischen beiden ist das gesamte Produkt.

Kernfakten

• 24 % von 3.000 bewerteten Frontier-Modell-Antworten beriefen sich auf Recht, das nicht das aussagte, was das Modell behauptete, oder wandten es falsch an.
• Claude Opus 4.8 gewann 130 von 300 juristischen Aufgaben (insgesamt 30,02/35); GPT-5.5 war mit 8,41/10 am genauesten, bei einer Halluzinationsrate von 3 % bei Zitaten.
• Die Kosten pro juristischer Aufgabe streuen über die Frontier-Modelle hinweg um das 90-Fache: von 0,0009 Dollar (DeepSeek V3.2) bis 0,082 Dollar (GPT-5.5).

Also messen wir es. Dies ist der dritte Beitrag unserer Benchmark-Reihe: 100 Rechtsfragen von Verbrauchern war der Common-Law-/Verbraucher-Blickwinkel. HAQQ-LAB war der erste öffentliche Benchmark zur Civil-Law-/MENA-Zuständigkeitstreue. Dieser Bericht ist bislang der umfangreichste — kommerzielle und grenzüberschreitende juristische Arbeit, die Mandate, von denen eine echte Kanzlei lebt.

Wenn Sie nur einen Abschnitt lesen, lesen Sie Die Zitationslücke. Das ist der Befund, der ändern sollte, wie jede Kanzlei Legal-AI einkauft.

Wie wir den Benchmark durchgeführt haben

Wir haben 300 originäre, konkrete juristische Aufgaben verfasst — keine Trivia, sondern echte Mandate mit benannten Parteien, Dollarbeträgen, Daten und maßgeblichem Recht. Entwerfen Sie diese Klausel. Redlinen Sie diese Bestimmung. Strukturieren Sie diese Transaktion. Analysieren Sie diesen Kollisionsrechtsfall. Sie decken 51 Praxisbereiche und über 20 Rechtsordnungen ab (US-Bundesrecht + Delaware / Kalifornien / New York / Texas, Vereinigtes Königreich, EU, VAE, DIFC, Saudi-Arabien, Libanon, Ägypten, Katar, Singapur, Australien, Kanada, Indien, Brasilien, Nigeria, OHADA, Japan, Deutschland, Frankreich, Schweiz, dazu die Haager Übereinkommen und Offshore-Standorte — Kaimaninseln, BVI, Bermuda).

Schwierigkeitsgrad stark gewichtet: 114 Aufgaben auf Stufe 5 von 5, 108 auf Stufe 4, 22 auf Stufe 3. Das sind multijurisdiktionale Probleme, die gezielt darauf ausgelegt sind, Modelle scheitern zu lassen. Jede Aufgabe ging mit identischem System-Prompt bei Temperatur 0 an alle 10 Modelle, gedeckelt auf 6.000 Output-Token.

Jede Antwort wurde anhand von fünf Dimensionen bewertet:

• Qualität (1–10) — Tiefe, Vollständigkeit, Umsetzbarkeit.
• Genauigkeit (1–10) — juristische Korrektheit; −5 für halluzinierte Rechtsprechung, −3 für falsche Zuständigkeit.
• Geschwindigkeit (1–5) — gemessene Antwortlatenz, nicht bewertet.
• Stil (1–5) — professionelle Struktur.
• Kreativität (1–5) — nicht offensichtliche Risiken, erkannte grenzüberschreitende Zuständigkeitsfragen.

Qualität, Genauigkeit, Stil und Kreativität werden von Claude Sonnet 4.6 anhand einer festen Bewertungsmatrix beurteilt. Geschwindigkeit wird aus der tatsächlichen Latenz berechnet. Die mögliche Voreingenommenheit des Bewerters wird in den Vorbehalten ehrlich adressiert — wir verstecken sie nicht.

Die Bestenliste: welche KI ist am besten für juristische Arbeit

Claude Opus 4.8 gewinnt — deutlich

Opus belegte in 130 von 300 Aufgaben den ersten Platz — fast doppelt so oft wie jedes andere Modell — und landete in 265 von 300 unter den Top 3. Es erzielt die höchste Qualität (8,9), Spitzengenauigkeit (8,4), perfekten Stil und die höchste Kreativität. Seine einzige Schwäche ist die Geschwindigkeit: Mit 60,8 Sekunden ist es langsam, und mit 0,069 Dollar pro Aufgabe gehört es zu den teuersten. Wenn Sie die einzelne beste Antwort wollen und darauf warten können, ist das die Wahl.

Grok 4.3: 98 % der Qualität in einem Siebtel der Zeit und einem Zwanzigstel der Kosten

Das interessanteste Ergebnis der Tabelle. Grok 4.3 landet auf Platz zwei (28,98), schafft das aber in 8,8 Sekunden bei 0,003 Dollar pro Aufgabe — gegenüber Opus' 60,8 Sekunden und 0,069 Dollar. Für ein kundenorientiertes Produkt, bei dem Latenz und Stückkostenökonomie zählen, ist Grok technisch gesehen möglicherweise die bessere Wahl. Es gewinnt sogar mehr Aufgaben in den Bereichen Umwelt/ESG, geistiges Eigentum und Grenzfälle als jedes andere Modell.

GPT-5.5: der Genauigkeits-Champion, der selten „gewinnt"

GPT-5.5 erzielt die höchste Genauigkeit im Feld (8,41) und die niedrigste Halluzinationsrate (3 %) — landet aber nur auf Platz fünf insgesamt und gewann nur eine einzige Aufgabe eindeutig. Es liegt selten falsch und ist selten spektakulär. Es ist zudem das langsamste (134 Sekunden) und teuerste (0,082 Dollar). Für juristische Arbeit könnte „selten falsch" die wichtigste Dimension sein — genau deshalb führt ein einzelner Gesamtwert in die Irre.

o3: das polarisierendste Modell im Test

OpenAIs o3 gewann 66 Aufgaben eindeutig — die dritthöchste Zahl aller Modelle — landet aber insgesamt nur auf Platz acht, bei einer Halluzinationsrate von 32 % und der zweitniedrigsten Genauigkeit (5,89). Wenn o3 gut ist, ist es brillant; wenn es falsch liegt, liegt es selbstbewusst und kostspielig falsch. Diese Streuung selbst ist bereits ein Beschaffungsrisiko.

Das Schlusslicht: Mistral und Llama

Mistral Large halluzinierte oder wandte Zitate in 64 % seiner Antworten falsch an (Genauigkeit 4,74). Llama 4 Maverick landete auf dem letzten Platz (20,01) — schnell und günstig, aber mit einer Qualität von 4,8 und den dünnsten Antworten. „Zitiere echtes Recht" ist am unteren Ende des Marktes noch nicht gelöst.

Die Zitationslücke: der wichtigste Befund

Über alle 3.000 Antworten hinweg beriefen sich 24 % auf Recht, das nicht das aussagte, was das Modell behauptete, oder wandten es falsch an. Erfundene Fälle. Falsch angewandte Gesetze. Die richtige Doktrin, aber auf die falsche Rechtsordnung angewandt. Das sind keine vagen Ausrutscher — unser Bewerter hat konkrete, überprüfbare Fehler markiert.

Eine Stichprobe, eine 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 Gewährleistungsvertrauen, nicht Offenlegungspflichten.
• Claude Sonnet 4.6: Schrier-Zitat nicht verifizierbar; Biotronik-Fall real, aber falsch angewandt.
• o3: Zitate MSA Technology v Antec und GB Gas wirken erfunden oder falsch dargestellt.
• Qwen3.7 Max: Specht v. Netscape falsch angewandt; kein UCC-Fall zu Waren/Dienstleistungen.
• DeepSeek V3.2: Zitat Crosstown Music nicht verifizierbar bzw. falsch angewandt.
• Mistral Large: Zitate N.Y. Gen. Oblig. Law §5-328 und UCC §2-515 zweifelhaft bzw. falsch angewandt.
• Llama 4 Maverick: Cavendish-Fall falsch angewandt; ohne Bezug zu Preisklauseln.

Jedes einzelne Modell, auch die Spitzenreiter, hat irgendwo im Test ein Zitat erfunden oder falsch angewandt. Das ist kein Problem des unteren Tabellenendes. Das genaueste Modell im gesamten Feld erreichte trotzdem nur 8,41 von 10 Punkten. Der Boden ist alarmierend; die Decke ist nicht sicher.

Zum Vergleich: Auch die etablierten Tools leiden an derselben Krankheit. Unabhängige Tests haben bei Westlaws AI-Assisted Research eine Fehlerquote von rund einem Drittel und bei Lexis+ AI von über einem Sechstel festgestellt. Ein größeres Modell hat das nicht behoben — und wird es unseren Belegen zufolge auch nicht.

Kein einzelnes Modell gewinnt in jedem Praxisbereich

Schlüsselt man die 300 Aufgaben nach Praxisbereich auf, wechselt der Spitzenreiter ständig. Über 51 Praxisbereiche hinweg: Claude Opus 4.8 gewinnt 30, Grok 4.3 gewinnt 13, o3 gewinnt 6, und Gemini 3.1 Pro sowie Sonnet 4.6 gewinnen je einen. Highlights:

• Opus dominiert den dogmatischen Kern: M&A (30,6), Regulatory Compliance (30,5), Wertpapierrecht, Straf-/Wirtschaftsstrafrecht, Steuerrecht, Bankrecht, Datenschutz, Arbeitsrecht, internationaler Handel.
• Grok beherrscht kommerzielle Kreativität: IP-/Technologierecht (30,2), Umwelt/ESG (30,8), Verbraucherschutz, Compliance/Due Diligence (31,4), Grenzfälle.
• o3 sticht bei transaktionalem Betrieb hervor: Legal Operations (31,1), Wertpapiere & Finanzen (30,9), staatliche Verträge und Beschaffung (31,1), grenzüberschreitendes Immobilienrecht.
• Gemini 3.1 Pro erzielt den höchsten Einzelwert im Bereich Datenschutz (31,4).

Die Konsequenz ist eindeutig: Ein Legal-Produkt, das alles auf ein einziges Modell setzt, lässt in ganzen Praxisbereichen Genauigkeit liegen. Die richtige Architektur leitet jede Aufgabe an die Engine weiter, die sie am wahrscheinlichsten richtig löst — und verifiziert die Antwort, bevor sie ausgeliefert wird.

Der Latenz- und Kostenaufschlag

Qualität ist nicht kostenlos, und sie ist nicht einheitlich. Die Spanne ist enorm: GPT-5.5 (134 Sekunden) und Claude Sonnet 4.6 (102 Sekunden) sind rund 17-mal langsamer als Grok 4.3 (8,8 Sekunden) und Llama 4 Maverick (7,7 Sekunden). Die Kosten pro Aufgabe streuen um das 90-Fache, von DeepSeek V3.2 mit 0,0009 Dollar bis GPT-5.5 mit 0,082 Dollar. Grok 4.3 liefert Platz zwei bei 0,003 Dollar.

Für ein Legal-Produkt mit hohem Volumen kann das „beste" Modell auf einer rein qualitätsbasierten Bestenliste die falsche unternehmerische Entscheidung sein. Das Ziel „Opus-Qualität bei Grok-Geschwindigkeit und -Kosten" ist ein Routing- und Verifizierungsproblem, keine Entscheidung für ein einzelnes Modell.

Anbieterebene (zusammengeführt mit jedem vorherigen Lauf)

Legal-AI-Bestenliste 2026: jedes Modell nach Durchschnittswert eingestuft

Der oben beschriebene 300-Aufgaben-Lauf bewertet 10 Frontier-Modelle anhand einer 35-Punkte-Bewertungsmatrix. Wir pflegen zudem eine zweite, breitere Bestenliste: eine 50-Aufgaben-Evaluierung anhand einer 50-Punkte-Bewertungsmatrix, die neben den Frontier-Modellen auch die branchenspezifischen Legal-Plattformen einbezieht, die die meisten Kanzleien tatsächlich in die engere Wahl ziehen (Harvey, CoCounsel, LexisNexis +AI, Legora, Spellbook, Clio Duo). Diese Tabelle ist vollständig auf unserer Vergleichsseite veröffentlicht. Hier ist sie nach Durchschnittswert über alle 11 Aufgabenkategorien sortiert, sodass Sie eine einzige Zahl pro Modell statt elf lesen können.

Drei Dinge sagt diese Bestenliste, die der 300-Aufgaben-Lauf nicht zeigen kann. Erstens gruppieren sich die branchenspezifischen Legal-Plattformen in der Mitte, nicht an der Spitze: Harvey (38,2), CoCounsel (36,2), Legora (34,5) und LexisNexis +AI (33,2) landen alle unter den besten reinen Frontier-Modellen. Wofür ein Unternehmen einem Legal-AI-Anbieter zahlt, ist der Workflow und die Sicherheitshülle, nicht ein höherer Score auf die Antwort selbst. Zweitens zieht DeepSeek v4 Pro mit Harvey bei exakt 38,2 gleich — ein Open-Weight-Modell, das bei der reinen Ausgabequalität mit dem wertvollsten Legal-AI-Unternehmen der Welt mithält. Drittens ist die Streuung breit: Das Schlusslicht (Qwen 3 Plus, 34 %) erreicht kaum ein Drittel von HAQQs 95 % — „welche Legal-AI" ist also eine echte Entscheidung, kein Münzwurf.

Wie wir die Legal-AI-Bestenliste bewerten

Zwei Benchmarks speisen zwei Bestenlisten, und es macht einen Unterschied, welche Sie gerade lesen.

• Der 300-Aufgaben-Frontier-Lauf (Kern dieses Beitrags): 300 originäre kommerzielle und grenzüberschreitende Aufgaben, 10 Frontier-Modelle, bewertet anhand einer 35-Punkte-Bewertungsmatrix — Qualität, Genauigkeit, Geschwindigkeit, Stil, Kreativität — bei Temperatur 0, gedeckelt auf 6.000 Output-Token. Am besten geeignet für die Frage „auf welchem reinen Modell soll ich aufbauen".
• Der 50-Aufgaben-Plattform-Lauf (die Bestenliste-Tabelle oben, veröffentlicht auf /compare-us): 11 Aufgabenkategorien, bewertet anhand einer 50-Punkte-Bewertungsmatrix, die Scharia, Gesetzeszitierung, Gerichtsstand, Klausel, Risiko, Halluzination, Formatierung, Prägnanz, Partnerreife und Quellenverlinkung abdeckt. Sie bezieht die branchenspezifischen Legal-Plattformen ein, die Kanzleien tatsächlich kaufen. Am besten geeignet für die Frage „welches Produkt oder Modell soll ich in die engere Wahl nehmen".

Beide folgen denselben Hausregeln. Identische Prompts für jedes Modell. Eine feste, schriftliche Bewertungsmatrix statt Bauchgefühl. Veröffentlichte Daten, sodass jeder den Lauf nachstellen und uns überprüfen kann. Und beide bewerten die eigenständige Antwortqualität — der richtige Rahmen für eine Bestenliste, aber der falsche Rahmen für eine Kaufentscheidung, weil er weder Bereitstellung noch Sicherheitslage noch die Verifizierungsschicht sieht, die ein ernstzunehmendes Legal-Produkt um das Modell herum aufbaut.

Wir sind nicht die Einzigen, die mitzählen, und Sie sollten sich nicht auf eine einzige Bestenliste verlassen. Die präregistrierte Studie des Stanford RegLab ergab, dass die etablierten Recherche-Tools häufig halluzinieren — Westlaw AI-Assisted Research bei etwa einer von drei Anfragen und Lexis+ AI bei über einer von sechs. Der unabhängige Prüfer Vals AI betreibt eine öffentliche Legal-Bestenliste, die Stand Juni 2026 ebenfalls Claude Fable 5 an der Spitze seines Legal-Reasoning-Benchmarks führt (88,6 %), wobei Frontier-Modelle dort bei juristischer Recherche rund 80 % erreichen, gegenüber 71 % bei menschlichen Anwälten. Unterschiedliche Bewertungsmatrizen, unterschiedliche Aufgabensets, dieselbe Richtung: Frontier-Modelle sind stark im Reasoning und unzuverlässig bei Zitaten, und die Lücke zwischen ihnen verkleinert sich.

Welche KI ist 2026 die beste für die Rechtsarbeit? Das hängt von Ihrer Gewichtung ab

Es gibt nicht die eine „beste Legal-AI", und jede Bestenliste, die etwas anderes behauptet, will Ihnen etwas verkaufen. Lesen Sie die beiden Tabellen zusammen, und die Antwort splittet sich danach, wofür Sie optimieren:

• Beste Gesamtantwortqualität: Claude Opus 4.8 führte den 300-Aufgaben-Frontier-Lauf an (30,02/35, 130 gewonnene Aufgaben). Auf der Plattform-Bestenliste ist Claude Fable 5 das stärkste Nicht-HAQQ-Modell (44,0/50).
• Am genauesten / wenigste Halluzinationen: GPT-5.5 — höchste Genauigkeit (8,41/10) und niedrigste Halluzinationsrate bei Zitaten (3 %) im 300-Aufgaben-Lauf, obwohl es selten eine Aufgabe eindeutig „gewinnt".
• Beste Preis-Leistung (Geschwindigkeit und Kosten): Grok 4.3 — Platz zwei bei der Qualität in 8,8 Sekunden und rund 0,003 Dollar pro Aufgabe, gegenüber Opus' 60,8 Sekunden und 0,069 Dollar.
• Beste branchenspezifische Legal-Plattform: Harvey führt seine Vergleichsgruppe im 50-Punkte-Lauf an (Durchschnitt 38,2), vor CoCounsel, Legora und LexisNexis +AI — aber jede von ihnen liegt bei der eigenständigen Ausgabe hinter den besten reinen Frontier-Modellen zurück.
• Am besten für MENA, arabischsprachige und Civil-Law-Arbeit: HAQQ (Justinian) führt die Plattform-Bestenliste an (47,5/50), mit nativem Arabisch und über 80 Rechtsordnungen; überprüfen Sie es auf /compare-us gegen das restliche Feld.

Der tiefere Punkt überlebt jede Umsortierung der Ranglisten: Kein einzelnes Modell gewinnt in jedem Praxisbereich, 24 % der Frontier-Antworten zitieren Recht, das sie nicht stützt, und die Position auf der Bestenliste ist der kleinste Teil eines echten Legal-Produkts. Routing, Zitationsverifizierung und Zuständigkeits-Governance sind der Punkt, an dem aus einer Zahl auf einem Chart eine Antwort wird, für die Sie Ihren Namen hergeben können.

Fasst man die Modelle nach ihrer Anbietermarke zusammen und führt diesen Lauf mit jedem vorherigen Lauf desselben kommerziellen Benchmarks zusammen (0–100-Index, gewichtet nach Anzahl der Bewertungen):

Die Spitze ist ein Cluster, keine Krönung. Welchen Anbieter Sie wählen, zählt weniger als das, was Sie darum herum bauen.

Eine Anmerkung zur Integrität des Benchmarks

Unser erster Durchlauf deckelte Antworten auf 1.200 Token. Das verfälschte das Ergebnis, ohne dass es auffiel: Reasoning-Modelle verbrauchten das Budget beim „Nachdenken" und lieferten leere Antworten, während ausführliche Modelle mitten im Satz abgeschnitten wurden und der Bewerter sie dafür bestrafte. Wir haben es bemerkt, den Lauf verworfen und einheitlich mit 6.000 Token neu durchgeführt. Die meisten Modelle gewannen 1,5–2,5 Punkte hinzu — aber Mistral und Llama wurden mit mehr Platz schlechter, weil die zusätzliche Länge mehr schlechte Zitate offenlegte. Output-Deckel sind in vielen öffentlichen Bestenlisten ein unsichtbarer Daumen auf der Waage. Unserer liegt offen, sodass Sie genau sehen können, wo er lag.

Was 3.000 bewertete Antworten tatsächlich beweisen

Die Reasoning-Schicht ist weitgehend gelöst. Frontier-Modelle erkennen Probleme, strukturieren Analysen und entwerfen wie ein fähiger Associate. Was sie noch nicht können, ist vertrauenswürdig zu sein: verifizierbar zitieren, Fragen außerhalb ihrer Zuständigkeit ablehnen, angemessene Haftungsausschlüsse formulieren und zweimal auf dieselbe Weise richtig liegen.

Diese Lücke schließt sich nicht mit einem größeren Modell. Sie schließt sich mit einer Schicht obendrauf:

• Routing — jedes Mandat an die Engine weiterleiten, die es am wahrscheinlichsten richtig löst.
• Zitationsverifizierung — kein nicht verifizierbarer Verweis erreicht den Mandanten.
• Zuständigkeits-Governance — die falsche Zuständigkeit wird von vornherein ausgeschlossen, nicht erst im Nachhinein herausgefiltert.

Vorbehalte — denn ein Benchmark, den man nicht überprüfen kann, ist Marketing

• Einzelner Lauf, Temperatur 0. Vertrauen Sie eher auf Ränge als auf Nachkommastellen; lesen Sie Opus und Grok als gleichberechtigte Spitzenreiter, nicht als Fotofinish.
• Der Bewerter ist ein Claude-Modell (Sonnet 4.6). Eine berechtigte Frage nach Eigenpräferenz — nur dass ein Nicht-Claude-Modell (Grok) an der Spitze gleichzieht und GPT-5.5 die höchste Genauigkeit erzielt, sodass hier eindeutig nicht mit Heimvorteil bewertet wird. Eine Neubewertung durch ein zweites Modell ist der nächste Härtungsschritt.
• Der Anbieter-Index vermischt Bewertungsmatrizen über mehrere Läufe hinweg und ist als Richtwert zu verstehen.
• Jeder Prompt, jede Rohantwort und der Bewertungscode sind veröffentlicht. Klonen Sie es und überprüfen Sie uns.

Die wichtigsten Erkenntnisse

• Claude Opus 4.8 ist das stärkste Einzelmodell für kommerzielle Rechtsarbeit; GPT-5.5 ist am genauesten; Grok 4.3 bietet die beste Preis-Leistung.
• 24 % der juristischen Antworten von Frontier-Modellen zitieren Recht, das sie nicht stützt — nicht nur der Boden, auch die Decke ist nicht sicher.
• Kein Modell gewinnt in jedem Praxisbereich; Routing schlägt das Setzen auf ein einzelnes Modell.
• Kosten und Latenz variieren um das 90- bzw. 17-Fache — der rein qualitätsbasierte „Sieger" kann die falsche unternehmerische Wahl sein.
• Die verteidigungsfähige Schicht ist Routing + Zitationsverifizierung + Zuständigkeits-Governance, nicht das Basismodell.

Weiterführende Lektüre

• Gerichte sanktionieren Anwälte bereits für genau diese Zitationsfehler
• unser erster Single-Prompt-Litigation-Benchmark
• warum LLMs erfinden, erklärt für Anwälte