En bref : en octobre 2026, Claude Opus 5.5 et GPT-6 Astra sont les modèles de pointe les plus solides que nous ayons testés pour le travail juridique. Ils forment le duo de tête de notre test de pièges MENA du 30 septembre (3,30 et 3,00 sur 4), et aucun des deux n'a inventé de décision d'un tribunal de Dubaï lorsqu'on lui en demandait une. Opus 5.5 a égalé Fable 5.1 pour la moitié du coût (23 septembre).
Chiffres clés
- Sur un test de cinq questions pièges portant sur les EAU, l'Arabie saoudite et le Liban, Claude Opus 5.5 a obtenu 3,30 sur 4 et GPT-6 Astra 3,00, contre 2,20 pour DeepSeek V4 Pro et 2,10 pour Gemini 3.1 Pro, sans indices (test HAQQ, 30 sept. 2026, 80 réponses, trois juges en aveugle).
- Invités à citer des arrêts de la Cour de cassation de Dubaï à l'appui d'un article inexistant, Gemini 3.1 Pro et DeepSeek V4 Pro en ont nommé 16 sur huit réponses ; aucun ne correspondait, tel que cité, à une source publique (test HAQQ, 30 sept. 2026).
- Claude Opus 5.5, Opus 5 et Fable 5.1 ont terminé à quatre verdicts ou moins les uns des autres sur 120 verdicts comparatifs en aveugle ; Opus 5.5 a coûté 0,3647 $ par réponse contre 0,7249 $ pour Fable 5.1 (test HAQQ, prix catalogue OpenRouter, 23 sept. 2026).
- GPT-6 Astra est arrivé en tête sur le fond juridique avec 17,63 sur 20 face à Claude Opus 5 et GPT-5.6 Luna Pro, et les trois modèles ont mal énoncé une règle saoudienne ou égyptienne tout en citant le bon article (test HAQQ, 41 prompts, 10 sept. 2026).
- Le Legal Research Bench de Vals AI place Claude Opus 5.5 à 50,48 %, 4e sur 68 modèles (Vals AI, consulté le 23 sept. 2026).
- Dans notre test le plus vaste, 24 % des 3 000 réponses de 10 modèles de pointe citaient ou appliquaient un texte qui ne dit pas ce que le modèle affirmait (test HAQQ sur 300 tâches, publié le 5 juin 2026).
- Stanford RegLab a mesuré des hallucinations dans environ 33 % des réponses de Westlaw AI-Assisted Research et dans plus de 17 % des réponses de Lexis+ AI (Magesh et al., 2024).
Transparence. HAQQ développe de l'IA juridique et a mené tous les benchmarks HAQQ de cette page. Les tests de septembre n'incluaient pas HAQQ. Le classement des plateformes sur 50 points, plus bas, inclut HAQQ, et HAQQ y est classé premier. Lisez nos chiffres comme ceux d'un éditeur : la méthode de chaque test est décrite, et les tests de septembre publient leurs prompts et leurs réponses.
Quelle IA retenir pour le travail juridique en octobre 2026 ?
Trois tests menés en septembre 2026 ont remplacé le classement de juin pour la question des modèles de pointe. Chacun mesure quelque chose de différent : lisez-les ensemble.
| Modèle | Éditeur | Test | Date du test | Résultat |
|---|---|---|---|---|
| Claude Opus 5.5 | Anthropic | Cinq questions pièges MENA | 30 sept. 2026 | 3,30 / 4, 0 décision inventée citée |
| GPT-6 Astra | OpenAI | Cinq questions pièges MENA | 30 sept. 2026 | 3,00 / 4, 0 décision inventée citée |
| DeepSeek V4 Pro | DeepSeek | Cinq questions pièges MENA | 30 sept. 2026 | 2,20 / 4, 8 décisions invérifiables citées |
| Gemini 3.1 Pro | Cinq questions pièges MENA | 30 sept. 2026 | 2,10 / 4, 8 décisions invérifiables citées | |
| Claude Opus 5 | Anthropic | Dix prompts de rédaction et de conseil, en comparaison par paires | 23 sept. 2026 | 39 verdicts sur 80, 0,4362 $ par réponse |
| Claude Fable 5.1 | Anthropic | Dix prompts de rédaction et de conseil, en comparaison par paires | 23 sept. 2026 | 36 verdicts sur 80, 0,7249 $ par réponse |
| Claude Opus 5.5 | Anthropic | Dix prompts de rédaction et de conseil, en comparaison par paires | 23 sept. 2026 | 35 verdicts sur 80, 0,3647 $ par réponse |
| GPT-6 Astra | OpenAI | 41 prompts, 20 domaines de pratique | 10 sept. 2026 | 17,63 / 20 sur le fond, 0,2622 $ par réponse |
| GPT-5.6 Luna Pro | OpenAI | 41 prompts, 20 domaines de pratique | 10 sept. 2026 | 30,93 / 35 en score composite (vitesse incluse), 0,0231 $ par réponse |
| Claude Opus 5 | Anthropic | 41 prompts, 20 domaines de pratique | 10 sept. 2026 | 28,13 / 35 en score composite, 0,4566 $ par réponse |
| Claude Opus 4.8 | Anthropic | 300 tâches commerciales (remplacé) | Juin 2026 | 30,02 / 35, en tête sur 130 des 300 tâches |
Mise à jour d'octobre 2026 : quel résultat fait foi
- Référence actuelle pour les modèles de pointe : le test de pièges du 30 septembre (comment tester une IA juridique). C'est le test le plus récent, et il couvre quatre modèles phares actuels issus de quatre laboratoires. Chaque modèle a repéré chaque piège. L'écart s'est fait sur les sources : Opus 5.5 et Astra ont refusé de nommer des décisions invérifiables, tandis que Gemini 3.1 Pro et DeepSeek V4 Pro ont produit 16 références de jurisprudence, dont deux vrais numéros d'affaire avec une date et une solution erronées, les 14 autres introuvables. Opus 5.5 et Astra forment le duo de tête, et l'écart entre eux reste dans la marge de variation d'un test à l'autre.
- Référence actuelle pour choisir entre les modèles Anthropic : le test du 23 septembre (benchmark juridique de Claude Opus 5.5). Opus 5.5, Opus 5 et Fable 5.1 ont formé une boucle (chacun en a battu un et perdu contre un autre), si bien que la qualité ne les a pas départagés sur dix prompts. Le prix, si : Opus 5.5 a répondu pour environ la moitié du coût de Fable 5.1 et a été le plus rapide des trois.
- Référence actuelle pour GPT-6 Astra face à des modèles moins chers : le test du 10 septembre (GPT-6 Astra et le travail juridique). Astra a mené sur le fond de moins d'un point et a coûté 11 fois plus cher par réponse que GPT-5.6 Luna Pro. Chacun des trois modèles a mal énoncé une règle saoudienne ou égyptienne tout en citant le bon article.
- Remplacé : le test de juin sur 300 tâches, ci-dessous. Il reste notre plus grand jeu de données et la source du chiffre de 24 % d'écart de citation, mais chacun de ses modèles a désormais une version plus récente. Utilisez-le pour les tendances (erreurs de citation à tous les niveaux, aucun modèle ne gagnant tous les domaines de pratique, un écart de coût de 90x), pas pour choisir un modèle aujourd'hui.
Ce sur quoi les tests de septembre convergent : l'écart de qualité entre les modèles de pointe actuels sur les tâches juridiques est faible, et les différences utiles tiennent à la façon dont un modèle échoue (inventer une source, mal lire une règle locale) et à ce qu'il coûte par réponse. Testez votre liste restreinte sur vos propres dossiers avant de choisir.
Quelle IA est la plus précise pour la recherche juridique ?
Sur le critère qui compte le plus en recherche, à savoir si la source existe et dit ce que le modèle affirme, Claude Opus 5.5 et GPT-6 Astra se sont le mieux comportés dans notre dernier test : aucune décision inventée dans les huit réponses qu'ils ont fournies à eux deux. Sur le Legal Research Bench indépendant de Vals AI, Opus 5.5 a obtenu 50,48 %, 4e sur 68 modèles lors de notre consultation du 23 septembre 2026. Aucun modèle que nous avons testé n'est assez précis pour être cité sans vérification. En septembre, les trois modèles du test Astra ont donné le bon numéro d'article rattaché à la mauvaise règle sur une question saoudienne ou égyptienne, ce qu'un vérificateur de citations laisserait passer.
C'est l'écart qu'un outil de recherche doit combler au-dessus du modèle : récupérer la source primaire, vérifier la citation par rapport à elle, et dire quand il n'en trouve pas. C'est ainsi que nous avons conçu la recherche juridique HAQQ.
Un modèle plus grand ou plus récent hallucine-t-il moins ?
Les modèles plus récents hallucinent moins souvent, mais ils hallucinent encore. Entre juin et septembre, le schéma a changé : en juin, chacun des 10 modèles a fabriqué ou mal appliqué une citation quelque part dans les 300 tâches, et 24 % de toutes les réponses présentaient un problème de citation. En septembre, les plus récents modèles phares d'Anthropic et d'OpenAI ont refusé d'inventer de la jurisprudence lorsqu'on leur en demandait. Gemini 3.1 Pro et DeepSeek V4 Pro ont encore produit des numéros d'affaire sur demande, une paire différente à chaque fois. La taille du modèle ne suffisait pas à prédire ce comportement ; les deux qui ont refusé étaient aussi les deux plus chers par réponse dans ce test.
Test antérieur : stratégie contentieuse en droit new-yorkais (janv. 2026)
En janvier 2026, nous avons soumis un seul prompt à sept systèmes : « Prepare litigation strategy under New York law for unpaid invoice of $250,000. » Nous avons noté chaque réponse sur 10 selon six critères. Les bonnes réponses utilisaient la CPLR 3213 (summary judgment in lieu of complaint), invoquaient la rupture de contrat et l'account stated, et planifiaient le recouvrement après jugement (restraining notices, saisies bancaires, turnover orders). Les réponses plus faibles s'arrêtaient à l'introduction de l'instance. Il s'agissait d'un prompt unique noté par HAQQ, HAQQ figurant parmi les participants, et chaque modèle généraliste de ce test a depuis été remplacé : lisez-le comme un relevé de la manière dont les réponses différaient, pas comme un classement.
| Modèle | Exactitude juridique | Profondeur procédurale | Stratégie | Sources | Structure | Prêt pour le client |
|---|---|---|---|---|---|---|
| HAQQ | 9,5 | 9,5 | 9 | 9 | 9,5 | 9,5 |
| Claude Opus 4.6 | 9 | 8,5 | 9 | 9 | 9 | 8,5 |
| GPT-5.2 | 8,5 | 8,5 | 9 | 7 | 8,5 | 8,5 |
| Gemini 3.1 Pro | 8 | 8 | 8 | 7,5 | 8 | 8 |
| Grok 4.1 | 7,5 | 7 | 7 | 7 | 7,5 | 7 |
| Mistral Large 3 | 7 | 7 | 6,5 | 6 | 7 | 6,5 |
| Perplexity Sonar | 6 | 6 | 6 | 6 | 6,5 | 6 |
Comment avons-nous mené le benchmark de juin sur 300 tâches ?
Nous avons rédigé 300 tâches juridiques originales avec des parties nommées, des montants, des dates et des textes applicables : rédiger cette clause, annoter cette disposition, structurer cette opération, analyser ce conflit de lois. Elles couvrent 51 domaines de pratique et plus de 20 juridictions, dont le droit fédéral américain et le Delaware, la Californie, New York et le Texas, le Royaume-Uni, l'UE, les EAU et le DIFC, l'Arabie saoudite, le Liban, l'Égypte, le Qatar, Singapour, l'Australie, le Canada, l'Inde, le Brésil, le Nigeria, l'OHADA, le Japon, l'Allemagne, la France et la Suisse, ainsi que les Conventions de La Haye et les îles Caïmans, les îles Vierges britanniques et les Bermudes.
La difficulté était fortement pondérée : 114 tâches de niveau 5 sur 5, 108 de niveau 4, 22 de niveau 3. Chaque tâche a été soumise aux 10 modèles avec un prompt système identique à température 0, plafonné à 6 000 tokens de sortie. Chaque réponse a été notée sur cinq dimensions :
- Qualité (1 à 10) : profondeur, exhaustivité, caractère opérationnel.
- Exactitude (1 à 10) : justesse juridique, moins 5 pour une jurisprudence hallucinée et moins 3 pour une mauvaise juridiction.
- Vitesse (1 à 5) : latence mesurée.
- Style (1 à 5) : structure professionnelle.
- Créativité (1 à 5) : risques non évidents et questions transfrontalières repérés.
Claude Sonnet 4.6 a noté la qualité, l'exactitude, le style et la créativité selon un barème fixe ; la vitesse provient de la latence réelle. La section sur les réserves traite du biais du juge.
Que montrait le classement de juin 2026 ?
- Claude Opus 4.8 est arrivé premier sur 130 des 300 tâches (près du double de tout autre modèle), dans le top trois sur 265, avec les meilleurs scores de qualité (8,9) et de créativité. Il était lent (60,8 s) et parmi les plus chers (0,069 $ par tâche).
- Grok 4.3 s'est classé deuxième (28,98) en 8,8 secondes pour 0,003 $ par tâche, le résultat le plus solide en vitesse et en coût, et a remporté le plus de tâches en environnement/ESG, en propriété intellectuelle et en cas limites.
- GPT-5.5 a affiché l'exactitude la plus élevée (8,41) et le plus faible taux de citations hallucinées (3 %), mais s'est classé cinquième au total et n'a remporté qu'une seule tâche. Il était le plus lent (134 s) et le plus cher (0,082 $).
- o3 a remporté 66 tâches et s'est pourtant classé huitième, avec un taux d'hallucination de 32 % et une exactitude de 5,89.
- Mistral Large a mal appliqué ou inventé des citations dans 64 % de ses réponses ; Llama 4 Maverick est arrivé dernier (20,01).
À quelle fréquence les modèles d'IA citent-ils un texte qui ne soutient pas leur réponse ?
En juin, 24 % des 3 000 réponses citaient ou appliquaient un texte qui ne dit pas ce que le modèle affirmait : affaires inventées, lois mal appliquées, la bonne doctrine rattachée à la mauvaise juridiction. Le juge a relevé des erreurs précises et vérifiables. Un exemple par modèle :
- Claude Opus 4.8 : Computer Associates / Gemstar cités comme précédents de gun-jumping ; caractérisations inexactes.
- GPT-5.5 : La citation Hitz semble fabriquée ; 616 B.R. 374 invérifiable.
- Gemini 3.1 Pro : Citation Halpin v. Riverstone invérifiable ; affaire du Delaware probablement hallucinée.
- Grok 4.3 : CBS v. Ziff-Davis cité de façon inexacte ; l'affaire porte sur la confiance placée dans les déclarations contractuelles, pas sur l'obligation d'information.
- Claude Sonnet 4.6 : Citation Schrier invérifiable ; l'affaire Biotronik est réelle mais mal appliquée.
- o3 : Les citations MSA Technology v Antec et GB Gas semblent fabriquées ou déformées.
- Qwen3.7 Max : Specht v. Netscape mal appliqué ; ce n'est pas une affaire UCC sur les biens et services.
- DeepSeek V3.2 : Citation Crosstown Music invérifiable / mal appliquée.
- Mistral Large : Les citations N.Y. Gen. Oblig. Law §5-328 et UCC §2-515 sont douteuses / mal appliquées.
- Llama 4 Maverick : Affaire Cavendish mal appliquée ; sans rapport avec les clauses de prix.
Chaque modèle, y compris ceux en tête, a commis au moins une erreur de ce type, et le score d'exactitude le plus élevé était de 8,41 sur 10 (GPT-5.5). Les outils de recherche que les avocats paient déjà présentent le même problème : l'étude 2024 de Stanford RegLab a mesuré des hallucinations dans environ un tiers des réponses de Westlaw AI-Assisted Research et dans plus d'une sur six pour Lexis+ AI.
Un seul modèle gagne-t-il tous les domaines de pratique ?
Non. Sur les 51 domaines de pratique de juin, Claude Opus 4.8 en a mené 30, Grok 4.3 13, o3 6, et Gemini 3.1 Pro et Claude Sonnet 4.6 un chacun.
- Opus 4.8 a mené le cœur doctrinal : fusions-acquisitions (30,6), conformité réglementaire (30,5), droit boursier, droit pénal des affaires, fiscalité, droit bancaire, protection des données, droit du travail et commerce international.
- Grok 4.3 a mené la propriété intellectuelle et les technologies (30,2), l'environnement et l'ESG (30,8), la protection des consommateurs, ainsi que la conformité et la due diligence (31,4).
- o3 a mené les opérations juridiques (31,1), les valeurs mobilières et la finance (30,9), les marchés publics (31,1) et l'immobilier transfrontalier.
- Gemini 3.1 Pro a obtenu le score le plus élevé en vie privée et protection des données (31,4).
Le test Astra de septembre a retrouvé le même profil à plus petite échelle : Astra devant dans la plupart des domaines de pratique, Claude Opus 5 devant en droit des procédures collectives et en ESG. Un produit juridique qui oriente chaque dossier vers le modèle le plus susceptible de bien le traiter, puis vérifie la réponse, tire davantage du marché qu'un produit qui mise sur un seul modèle.
Essayer HAQQ AI gratuitement
Découvrez la rédaction et la recherche juridique par IA
Combien coûte chaque modèle par tâche juridique ?
En juin, le coût par tâche s'étendait sur un rapport de 90x, de 0,0009 $ (DeepSeek V3.2) à 0,082 $ (GPT-5.5), et la latence allait de 7,7 secondes (Llama 4 Maverick) à 134 secondes (GPT-5.5). Les tests de septembre, valorisés aux prix catalogue OpenRouter à la date du test, donnent la situation actuelle :
- Claude Opus 5.5 : 0,3647 $ par réponse avec un effort de raisonnement élevé, contre 0,7249 $ pour Fable 5.1 et 0,4362 $ pour Opus 5 (23 sept. 2026).
- GPT-6 Astra : 0,2622 $ par réponse, 1,7x moins cher que Claude Opus 5 car il écrit environ 3,5x moins de tokens, et 11x plus cher que GPT-5.6 Luna Pro à 0,0231 $ (10 sept. 2026).
- Sur le test de pièges avec les réglages par défaut, les 20 réponses par modèle ont coûté 4,04 USD pour Opus 5.5, 2,81 pour Astra, 0,92 pour Gemini 3.1 Pro et 0,88 pour DeepSeek V4 Pro (30 sept. 2026).
Pour un produit à fort volume, le modèle au score de qualité le plus élevé peut être le mauvais choix une fois le coût et la latence pris en compte. L'effort de raisonnement relevé d'Astra en est un exemple : en septembre, le faire passer de bas à élevé a multiplié le coût par 1,5x et la latence par 1,8x, et a fait varier la qualité jugée de moins 0,17 point.
Comment les plateformes d'IA juridique se comparent-elles aux modèles de pointe ?
Nous tenons un second classement : une évaluation sur 50 tâches avec un barème de 50 points couvrant 11 catégories de tâches, qui ajoute les plateformes juridiques que les cabinets présélectionnent (Harvey, CoCounsel, Legora, Spellbook, LexisNexis +AI, Clio Duo) à côté des modèles de pointe. C'est le classement de notre page de comparaison, et HAQQ y est classé premier (voir l'encadré de transparence ci-dessus). Classement par score moyen :
| Rang | Modèle ou produit | Moyenne /50 |
|---|---|---|
| 1 | HAQQ (Justinian) | 46,8 |
| 2 | Claude Fable 5 | 42,7 |
| 3 | Claude Opus 4.8 | 40,8 |
| 4 | Mike OS | 39,1 |
| 5 | Harvey Tenet | 37,9 |
| 6 | DeepSeek V4 Pro | 36,8 |
| 7 | Thomson Reuters CoCounsel | 36,6 |
| 8 | Legora | 35,9 |
| 9 | GPT-5.6 Sol Pro | 35,3 |
| 10 | Claude + plugins juridiques | 33,9 |
| 11 | Gemini 3.1 Pro | 32,9 |
| 11 | Spellbook | 32,9 |
| 13 | LexisNexis +AI | 32,0 |
| 14 | Grok 4.5 | 30,7 |
| 15 | Perplexity Sonar | 27,2 |
| 16 | Clio Duo | 25,6 |
| 17 | Llama 4 Maverick | 23,8 |
| 18 | Mistral 3 | 22,4 |
| 19 | Qwen3.7 Plus | 18,7 |
Deux enseignements ressortent. Les plateformes juridiques se regroupent au milieu : Harvey Tenet (37,9), CoCounsel (36,6), Legora (35,9) et LexisNexis +AI (32,0) se situent toutes sous les modèles de pointe les plus solides en qualité de réponse brute, de sorte que ce qu'un cabinet paie à une plateforme, c'est surtout le flux de travail, les intégrations et la sécurité. Et l'écart est large, de 46,8 à 18,7 : le choix de l'outil change le résultat dont part l'avocat. Un score par tâche ne voit ni le déploiement à l'échelle du cabinet, ni les certifications, ni les flux de travail sur de grands volumes de documents, qui sont de vrais atouts des grandes plateformes.
Le classement des plateformes n'a pas encore été relancé sur Opus 5.5, Fable 5.1 ou GPT-6 Astra ; les tests de septembre ci-dessus sont la source actuelle pour ces modèles.
Quel fournisseur mène sur l'ensemble des tests ?
En regroupant les modèles par fournisseur et en fusionnant le test de juin avec tous les tests antérieurs du même benchmark commercial (indice de 0 à 100, pondéré par le nombre d'évaluations) :
Les principaux fournisseurs sont proches les uns des autres. Ce que vous construisez autour du modèle (recherche documentaire, vérification des citations, règles propres à chaque juridiction) influe davantage sur le résultat que le choix de l'un d'entre eux.
Peut-on se fier à ces benchmarks ?
- Plafonds de sortie. Notre première passe de juin plafonnait les réponses à 1 200 tokens, ce qui privait les modèles de raisonnement de marge et tronquait les plus verbeux. Nous l'avons écartée et relancée à 6 000. La plupart des modèles ont gagné 1,5 à 2,5 points ; Mistral et Llama ont reculé, car des réponses plus longues exposaient davantage de mauvaises citations. En septembre, un plafond de 32 000 tokens a tronqué deux réponses d'Opus sur un prompt ; nous avons relancé à 64 000 et interrompons désormais tout test comportant une réponse tronquée.
- Juges. En juin, un seul juge, Claude Sonnet 4.6, était utilisé, si bien que l'autopréférence est une question légitime ; la deuxième place de Grok 4.3 et l'exactitude la plus élevée de GPT-5.5 plaident contre un fort biais maison, mais un second juge serait préférable. Les tests de septembre ont utilisé deux juges hors Anthropic (23 sept.) et trois juges issus de trois familles de modèles, en retenant la médiane (30 sept.). Le 23 septembre, les deux juges ont désigné des gagnants différents à partir des mêmes réponses.
- Taille de l'échantillon. Les tests de septembre portaient sur 10, 41 et 5 prompts. C'est assez pour voir une grande différence et trop peu pour classer des modèles proches. Regardez l'ampleur des écarts, pas les décimales.
- Tests uniques. Le test de juin était un passage unique à température 0. En septembre, les réponses répétées ont varié de 0,3 point en moyenne, et d'un point entier ou plus dans 11 paires sur 40.
- Revue humaine. Aucun avocat en exercice n'a noté les réponses de septembre, et la rédaction en arabe n'a été jugée que par des modèles.
Comment un cabinet doit-il choisir un modèle aujourd'hui ?
- Présélectionnez Claude Opus 5.5 et GPT-6 Astra pour la recherche et le conseil lorsque l'invention de sources est le principal risque ; tous deux ont refusé de fabriquer des décisions dans notre dernier test.
- Chiffrez votre liste restreinte sur votre propre volume. Opus 5.5 coûte environ la moitié de Fable 5.1 par réponse pour une qualité que nous n'avons pas pu distinguer ; GPT-5.6 Luna Pro est bien moins cher qu'Astra pour les questions-réponses générales, où un point de qualité ne justifie pas un coût 11x supérieur.
- Testez sur vos propres juridictions. Chaque modèle du test Astra a mal lu une règle saoudienne ou égyptienne tout en citant le bon article.
- Demandez une source qui ne peut pas exister, demandez deux fois, et vérifiez chaque citation à la main. La méthode complète figure dans comment tester une IA juridique.
- Revérifiez chaque trimestre. Le leader de juin a déjà trois successeurs sur cette page.
Sources
- HAQQ, benchmark juridique de Claude Opus 5.5 (23 sept. 2026)
- HAQQ, GPT-6 Astra et le travail juridique (test du 10 sept. 2026)
- HAQQ, Comment tester une IA juridique : cinq questions pièges (test du 30 sept. 2026)
- Vals AI, Legal Research Bench
- Anthropic, présentation de Claude Opus 5.5
- Magesh et al., étude de Stanford RegLab sur les outils de recherche juridique par IA (2024)



