Skip to content
    HAQQ
    Accedi
    Contatta le vendite
    Prova HAQQ
    Prova HAQQ
    1. Home
    2. Blog
    3. La migliore AI per il lavoro legale nel 2026: aggiornamento di ottobre + 3.000 risposte
    IA & Tech Legale

    La migliore AI per il lavoro legale nel 2026: aggiornamento di ottobre + 3.000 risposte

    Ottobre 2026: Claude Opus 5.5 e GPT-6 Astra guidano i nostri ultimi test legali. In più 3.000 risposte di 10 modelli, il 24% delle quali cita norme che non le sostengono.

    Stephane BoghossianStephane Boghossian|
    5 giugno 2026
    16 min di lettura
    La migliore AI per il lavoro legale nel 2026: aggiornamento di ottobre + 3.000 risposte

    In breve: a ottobre 2026, Claude Opus 5.5 e GPT-6 Astra sono i modelli di frontiera più solidi che abbiamo testato sul lavoro legale. Sono stati la coppia di testa nel nostro test a trabocchetto MENA del 30 settembre (3,30 e 3,00 su 4), e nessuno dei due ha inventato una sentenza di un tribunale di Dubai quando gli è stata chiesta. Opus 5.5 ha eguagliato Fable 5.1 a metà del costo (23 settembre).

    Dati chiave

    • In un test a trabocchetto di cinque domande su Emirati Arabi Uniti, Arabia Saudita e Libano, Claude Opus 5.5 ha ottenuto 3,30 su 4 e GPT-6 Astra 3,00, contro 2,20 di DeepSeek V4 Pro e 2,10 di Gemini 3.1 Pro, senza suggerimenti (test HAQQ, 30 set. 2026, 80 risposte, tre giudici alla cieca).
    • Alla richiesta di sentenze della Corte di cassazione di Dubai a sostegno di un articolo inesistente, Gemini 3.1 Pro e DeepSeek V4 Pro ne hanno indicate 16 in otto risposte; nessuna corrispondeva, così come citata, a una fonte pubblica (test HAQQ, 30 set. 2026).
    • Claude Opus 5.5, Opus 5 e Fable 5.1 si sono piazzati a non più di quattro verdetti l'uno dall'altro su 120 verdetti a coppie alla cieca; Opus 5.5 è costato 0,3647 $ per risposta contro 0,7249 $ di Fable 5.1 (test HAQQ, prezzi di listino OpenRouter, 23 set. 2026).
    • GPT-6 Astra è stato primo per sostanza giuridica con 17,63 su 20 rispetto a Claude Opus 5 e GPT-5.6 Luna Pro, e tutti e tre hanno sbagliato una norma saudita o egiziana pur citando l'articolo corretto (test HAQQ, 41 prompt, 10 set. 2026).
    • Il Legal Research Bench di Vals AI ha collocato Claude Opus 5.5 al 50,48%, 4° su 68 modelli (Vals AI, consultato il 23 set. 2026).
    • Nel nostro test più ampio, il 24% di 3.000 risposte di 10 modelli di frontiera citava o applicava norme che non dicono ciò che il modello sosteneva (test HAQQ su 300 attività, pubblicato il 5 giu. 2026).
    • Lo Stanford RegLab ha misurato allucinazioni in circa il 33% delle risposte di Westlaw AI-Assisted Research e in oltre il 17% delle risposte di Lexis+ AI (Magesh et al., 2024).

    Dichiarazione. HAQQ sviluppa IA legale e ha condotto tutti i benchmark HAQQ presenti in questa pagina. I test di settembre non includevano HAQQ. La classifica delle piattaforme a 50 punti più in basso include invece HAQQ, che vi si classifica primo. Leggete i nostri numeri come numeri di un fornitore: il metodo di ogni test è descritto, e per i test di settembre sono pubblicati prompt e risposte.

    Qual è l'IA più adatta al lavoro legale a ottobre 2026?

    Tre test condotti a settembre 2026 hanno sostituito la classifica di giugno per quanto riguarda i modelli di frontiera. Ognuno misura qualcosa di diverso, quindi vanno letti insieme.

    ModelloFornitoreTestData del testRisultato
    Claude Opus 5.5AnthropicCinque domande a trabocchetto MENA30 set. 20263,30 / 4, 0 sentenze inventate indicate
    GPT-6 AstraOpenAICinque domande a trabocchetto MENA30 set. 20263,00 / 4, 0 sentenze inventate indicate
    DeepSeek V4 ProDeepSeekCinque domande a trabocchetto MENA30 set. 20262,20 / 4, 8 sentenze non verificabili indicate
    Gemini 3.1 ProGoogleCinque domande a trabocchetto MENA30 set. 20262,10 / 4, 8 sentenze non verificabili indicate
    Claude Opus 5AnthropicDieci prompt di redazione e consulenza, a coppie23 set. 202639 verdetti su 80, 0,4362 $ per risposta
    Claude Fable 5.1AnthropicDieci prompt di redazione e consulenza, a coppie23 set. 202636 verdetti su 80, 0,7249 $ per risposta
    Claude Opus 5.5AnthropicDieci prompt di redazione e consulenza, a coppie23 set. 202635 verdetti su 80, 0,3647 $ per risposta
    GPT-6 AstraOpenAI41 prompt, 20 aree di pratica10 set. 202617,63 / 20 sostanza, 0,2622 $ per risposta
    GPT-5.6 Luna ProOpenAI41 prompt, 20 aree di pratica10 set. 202630,93 / 35 composito (con velocità), 0,0231 $ per risposta
    Claude Opus 5Anthropic41 prompt, 20 aree di pratica10 set. 202628,13 / 35 composito, 0,4566 $ per risposta
    Claude Opus 4.8Anthropic300 attività commerciali (superato)Giu. 202630,02 / 35, primo in 130 attività su 300

    Aggiornamento di ottobre 2026: quale risultato è attuale

    • Attuale per i modelli di frontiera: il test a trabocchetto del 30 settembre (come testare l'IA legale). È il test più recente e copre quattro modelli di punta attuali di quattro laboratori. Ogni modello ha colto ogni trabocchetto. La differenza è emersa sulle fonti: Opus 5.5 e Astra si sono rifiutati di indicare sentenze non verificabili, mentre Gemini 3.1 Pro e DeepSeek V4 Pro hanno prodotto 16 citazioni giurisprudenziali, due delle quali con numeri di causa reali ma data e principio di diritto errati, e le altre 14 non rintracciate. Opus 5.5 e Astra sono la coppia di testa, e il distacco tra loro rientra nella variabilità da un'esecuzione all'altra.
    • Attuale per la scelta tra i modelli Anthropic: il test del 23 settembre (benchmark legale di Claude Opus 5.5). Opus 5.5, Opus 5 e Fable 5.1 hanno formato un ciclo (ognuno ha battuto un modello e perso contro un altro), quindi su dieci prompt la qualità non li ha distinti. Il prezzo sì: Opus 5.5 ha risposto a circa metà del costo di Fable 5.1 ed è stato il più veloce dei tre.
    • Attuale per GPT-6 Astra rispetto a modelli più economici: il test del 10 settembre (GPT-6 Astra sul lavoro legale). Astra è stato primo per sostanza con meno di un punto di margine e costava 11 volte di più per risposta rispetto a GPT-5.6 Luna Pro. Ciascuno dei tre modelli ha enunciato in modo errato una norma saudita o egiziana pur citando l'articolo corretto.
    • Superato: il test di giugno su 300 attività riportato più sotto. Resta il nostro insieme di dati più ampio e la fonte del dato del 24% sulle citazioni errate, ma ogni modello che vi compare ha una versione più recente. Usatelo per individuare tendenze (errori di citazione a ogni livello, nessun modello primo in tutte le aree di pratica, un divario di costo di 90 volte), non per scegliere un modello oggi.

    Su che cosa concordano i test di settembre: il divario di qualità tra gli attuali modelli di frontiera sulle attività legali è ridotto, e le differenze utili riguardano il modo in cui un modello sbaglia (inventando fonti, leggendo male una norma locale) e quanto costa per risposta. Testate la rosa di candidati sulle vostre pratiche prima di scegliere.

    Quale IA è più accurata nella ricerca giuridica?

    Sul criterio che conta di più nella ricerca, cioè se la fonte esiste e dice ciò che il modello sostiene, Claude Opus 5.5 e GPT-6 Astra si sono comportati meglio nel nostro ultimo test: zero sentenze inventate nelle otto risposte complessive. Nel Legal Research Bench indipendente di Vals AI, Opus 5.5 ha ottenuto il 50,48%, 4° su 68 modelli quando lo abbiamo consultato il 23 settembre 2026. Nessun modello che abbiamo testato è abbastanza accurato da poter essere citato senza verifica. A settembre, tutti e tre i modelli del test su Astra hanno fornito il numero di articolo corretto associato alla norma sbagliata su una questione saudita o egiziana, un errore che uno strumento di controllo delle citazioni lascerebbe passare.

    È questo il divario che uno strumento di ricerca deve colmare al di sopra del modello: recuperare la fonte primaria, verificare la citazione rispetto a essa e dire quando non riesce a trovarla. È così che abbiamo costruito la ricerca giuridica di HAQQ.

    Un modello più grande o più recente ha meno allucinazioni?

    I modelli più recenti hanno allucinazioni meno spesso, ma continuano ad averne. Tra giugno e settembre lo schema è cambiato: a giugno, ognuno dei 10 modelli aveva inventato o applicato male una citazione in qualche punto delle 300 attività, e il 24% di tutte le risposte presentava un problema di citazione. A settembre, i modelli di punta più recenti di Anthropic e OpenAI si sono rifiutati di inventare giurisprudenza quando gli è stata chiesta. Gemini 3.1 Pro e DeepSeek V4 Pro hanno continuato a produrre numeri di causa su richiesta, una coppia diversa ogni volta che li abbiamo interrogati. La sola dimensione del modello non ha previsto il comportamento; i due che si sono rifiutati erano anche i due più costosi per risposta in quel test.

    Test precedente: strategia processuale a New York (gen. 2026)

    A gennaio 2026 abbiamo sottoposto a sette sistemi un unico prompt: "Prepara una strategia processuale secondo il diritto di New York per una fattura non pagata di 250.000 $." Abbiamo valutato ogni risposta su 10 in base a sei criteri. Le risposte solide ricorrevano al CPLR 3213 (summary judgment in lieu of complaint), deducevano inadempimento contrattuale e account stated e pianificavano il recupero successivo alla sentenza (restraining notices, pignoramenti bancari, turnover orders). Le risposte più deboli si fermavano all'avvio della causa. Si trattava di un unico prompt valutato da HAQQ, con HAQQ tra i partecipanti, e ogni modello generalista coinvolto è stato poi sostituito, quindi va letto come una testimonianza di come differivano le risposte, non come una classifica.

    ModelloAccuratezza giuridicaProfondità proceduraleStrategiaFontiStrutturaPronto per il cliente
    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

    Come abbiamo condotto il benchmark di giugno su 300 attività?

    Abbiamo scritto 300 attività legali originali con parti, importi, date e norme applicabili indicati: redigi questa clausola, rivedi questa disposizione, struttura questa operazione, analizza questo conflitto di leggi. Coprono 51 aree di pratica e oltre 20 giurisdizioni, tra cui il diritto federale statunitense e Delaware, California, New York e Texas, Regno Unito, UE, Emirati Arabi Uniti e DIFC, Arabia Saudita, Libano, Egitto, Qatar, Singapore, Australia, Canada, India, Brasile, Nigeria, OHADA, Giappone, Germania, Francia e Svizzera, oltre alle Convenzioni dell'Aia e a Cayman, BVI e Bermuda.

    La difficoltà era fortemente sbilanciata verso l'alto: 114 attività al livello 5 su 5, 108 al livello 4, 22 al livello 3. Ogni attività è stata sottoposta a tutti e 10 i modelli con un prompt di sistema identico a temperatura 0, con un limite di 6.000 token di output. Ogni risposta è stata valutata su cinque dimensioni:

    • Qualità (da 1 a 10): profondità, completezza, operatività.
    • Accuratezza (da 1 a 10): correttezza giuridica, meno 5 per giurisprudenza inventata e meno 3 per giurisdizione errata.
    • Velocità (da 1 a 5): latenza misurata.
    • Stile (da 1 a 5): struttura professionale.
    • Creatività (da 1 a 5): rischi non ovvi e questioni transfrontaliere individuati.

    Claude Sonnet 4.6 ha valutato qualità, accuratezza, stile e creatività sulla base di una griglia fissa; la velocità derivava dalla latenza reale. La sezione sui limiti tratta la parzialità del giudice.

    Che cosa mostrava la classifica di giugno 2026?

    • Claude Opus 4.8 è stato primo in 130 attività su 300 (quasi il doppio di qualsiasi altro modello), tra i primi tre in 265, con i punteggi più alti per qualità (8,9) e creatività. Era lento (60,8 s) e tra i più costosi (0,069 $ per attività).
    • Grok 4.3 si è classificato secondo (28,98) in 8,8 secondi a 0,003 $ per attività, il risultato più forte per velocità e costo, e ha vinto il maggior numero di attività su ambiente/ESG, proprietà intellettuale e casi limite.
    • GPT-5.5 ha registrato l'accuratezza più alta (8,41) e il tasso più basso di citazioni inventate (3%), eppure si è classificato quinto nel totale ed è stato primo in una sola attività. Era il più lento (134 s) e il più costoso (0,082 $).
    • o3 è stato primo in 66 attività e si è comunque classificato ottavo, con un tasso di allucinazione del 32% e un'accuratezza di 5,89.
    • Mistral Large ha applicato male o inventato citazioni nel 64% delle risposte; Llama 4 Maverick è arrivato ultimo (20,01).

    Quanto spesso i modelli di IA citano norme che non supportano la risposta?

    A giugno, il 24% delle 3.000 risposte citava o applicava norme che non dicono ciò che il modello sosteneva: casi inventati, leggi applicate male, la dottrina giusta attribuita alla giurisdizione sbagliata. Il giudice ha segnalato errori specifici e verificabili. Un esempio per modello:

    • Claude Opus 4.8: Computer Associates / Gemstar citati come precedenti in materia di gun-jumping; caratterizzazioni non accurate.
    • GPT-5.5: La citazione Hitz sembra inventata; 616 B.R. 374 non verificabile.
    • Gemini 3.1 Pro: Citazione Halpin v. Riverstone non verificabile; probabile caso del Delaware frutto di allucinazione.
    • Grok 4.3: CBS v. Ziff-Davis citato in modo inaccurato; il caso riguarda l'affidamento sulle garanzie, non la disclosure.
    • Claude Sonnet 4.6: Citazione Schrier non verificabile; caso Biotronik reale ma applicato male.
    • o3: Le citazioni MSA Technology v Antec e GB Gas sembrano inventate o travisate.
    • Qwen3.7 Max: Specht v. Netscape applicato male; non è un caso UCC su beni/servizi.
    • DeepSeek V3.2: Citazione Crosstown Music non verificabile / applicata male.
    • Mistral Large: Le citazioni N.Y. Gen. Oblig. Law §5-328 e UCC §2-515 sono dubbie / applicate male.
    • Llama 4 Maverick: Caso Cavendish applicato male; non pertinente alle clausole sul prezzo.

    Ogni modello, compresi quelli in testa, ha commesso almeno un errore di questo tipo, e il punteggio di accuratezza più alto è stato 8,41 su 10 (GPT-5.5). Gli strumenti di ricerca che gli avvocati già pagano mostrano lo stesso problema: lo studio dello Stanford RegLab del 2024 ha misurato allucinazioni in circa un terzo delle risposte di Westlaw AI-Assisted Research e in più di una su sei per Lexis+ AI.

    Un solo modello vince in tutte le aree di pratica?

    No. Sulle 51 aree di pratica di giugno, Claude Opus 4.8 era in testa in 30, Grok 4.3 in 13, o3 in 6, e Gemini 3.1 Pro e Claude Sonnet 4.6 in una ciascuno.

    • Opus 4.8 era in testa nel nucleo dottrinale: M&A (30,6), compliance regolamentare (30,5), mercati finanziari, reati dei colletti bianchi, diritto tributario, bancario, privacy, diritto del lavoro e commercio internazionale.
    • Grok 4.3 era in testa in proprietà intellettuale e tecnologia (30,2), ambiente ed ESG (30,8), tutela dei consumatori, e compliance e due diligence (31,4).
    • o3 era in testa in legal operations (31,1), mercati finanziari e finanza (30,9), contratti pubblici e appalti (31,1) e immobiliare transfrontaliero.
    • Gemini 3.1 Pro ha ottenuto il punteggio più alto in privacy e protezione dei dati (31,4).

    Il test di settembre su Astra ha riscontrato lo stesso schema su scala ridotta: Astra in testa nella maggior parte delle aree di pratica, Claude Opus 5 in testa in insolvenza ed ESG. Un prodotto legale che indirizza ogni pratica al modello con maggiori probabilità di risolverla correttamente, e poi verifica la risposta, ricava di più dall'insieme dei modelli rispetto a uno che punta su un solo modello.

    Prova HAQQ AI gratis

    Sperimenta la redazione e ricerca legale con IA

    Quanto costa ciascun modello per attività legale?

    A giugno, il costo per attività copriva un intervallo di 90 volte, da 0,0009 $ (DeepSeek V3.2) a 0,082 $ (GPT-5.5), e la latenza andava da 7,7 secondi (Llama 4 Maverick) a 134 secondi (GPT-5.5). I test di settembre, valorizzati ai prezzi di listino OpenRouter alla data del test, danno il quadro attuale:

    • Claude Opus 5.5: 0,3647 $ per risposta con sforzo di ragionamento elevato, contro 0,7249 $ di Fable 5.1 e 0,4362 $ di Opus 5 (23 set. 2026).
    • GPT-6 Astra: 0,2622 $ per risposta, 1,7 volte meno di Claude Opus 5 perché scrive circa 3,5 volte meno token, e 11 volte più di GPT-5.6 Luna Pro a 0,0231 $ (10 set. 2026).
    • Nel test a trabocchetto con impostazioni predefinite, le 20 risposte per modello sono costate 4,04 USD per Opus 5.5, 2,81 per Astra, 0,92 per Gemini 3.1 Pro e 0,88 per DeepSeek V4 Pro (30 set. 2026).

    Per un prodotto ad alto volume, il modello con il punteggio di qualità più alto può essere la scelta sbagliata una volta considerati costo e latenza. Lo sforzo di ragionamento aumentato di Astra ne è un esempio: a settembre, passare da basso ad alto ha moltiplicato il costo per 1,5 e la latenza per 1,8 e ha spostato la qualità giudicata di meno 0,17 punti.

    Come si confrontano le piattaforme di IA legale con i modelli di frontiera?

    Manteniamo una seconda classifica: una valutazione su 50 attività con una griglia a 50 punti in 11 categorie di attività, che affianca ai modelli di frontiera le piattaforme legali che gli studi inseriscono nelle loro rose di candidati (Harvey, CoCounsel, Legora, Spellbook, LexisNexis +AI, Clio Duo). È la classifica della nostra pagina di confronto, e HAQQ vi si classifica primo (vedete la dichiarazione sopra). In ordine di punteggio medio:

    Pos.Modello o prodottoMedia /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 + plugin legali33,9
    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

    Spiccano due letture. Le piattaforme legali si concentrano a metà classifica: Harvey Tenet (37,9), CoCounsel (36,6), Legora (35,9) e LexisNexis +AI (32,0) si collocano tutte sotto i modelli di frontiera più forti per qualità della singola risposta, quindi ciò per cui uno studio paga una piattaforma è soprattutto il flusso di lavoro, le integrazioni e la sicurezza. E il divario è ampio, da 46,8 a 18,7, quindi la scelta dello strumento cambia il risultato da cui parte l'avvocato. Un punteggio per attività non può cogliere l'implementazione a livello di studio, le certificazioni o i flussi di lavoro su grandi volumi di documenti, che sono punti di forza reali delle piattaforme più grandi.

    La classifica delle piattaforme non è ancora stata ripetuta con Opus 5.5, Fable 5.1 o GPT-6 Astra; per questi modelli la fonte attuale sono i test di settembre descritti sopra.

    Quale fornitore è in testa considerando tutti i test?

    Raggruppando i modelli per fornitore e unendo il test di giugno a tutti i test precedenti dello stesso benchmark commerciale (indice da 0 a 100, ponderato per numero di valutazioni):

    I fornitori in testa sono vicini tra loro. Ciò che costruite intorno al modello (recupero delle fonti, verifica delle citazioni, regole sulla giurisdizione) incide sul risultato più di quale di essi scegliate.

    Posso fidarmi di questi benchmark?

    • Limiti di output. Il nostro primo passaggio di giugno limitava le risposte a 1.200 token, il che penalizzava i modelli di ragionamento e troncava quelli prolissi. Lo abbiamo scartato e ripetuto con un limite di 6.000. La maggior parte dei modelli ha guadagnato da 1,5 a 2,5 punti; Mistral e Llama sono peggiorati, perché le risposte più lunghe hanno messo in luce più citazioni errate. A settembre un limite di 32.000 token ha troncato due risposte di Opus su un prompt; abbiamo ripetuto il test con 64.000 e ora interrompiamo ogni test con una risposta troncata.
    • Giudici. A giugno è stato usato un solo giudice, Claude Sonnet 4.6, quindi la preferenza per sé stesso è una domanda legittima; il secondo posto di Grok 4.3 e l'accuratezza più alta di GPT-5.5 depongono contro una forte parzialità di parte, ma un secondo giudice sarebbe preferibile. I test di settembre hanno usato due giudici non Anthropic (23 set.) e tre giudici di tre famiglie di modelli, considerando la mediana (30 set.). Il 23 settembre i due giudici hanno scelto vincitori diversi a partire dalle stesse risposte.
    • Dimensione del campione. I test di settembre hanno usato 10, 41 e 5 prompt. Bastano per vedere una differenza ampia, ma sono troppo pochi per classificare modelli vicini tra loro. Guardate l'entità degli scarti, non i decimali.
    • Esecuzioni singole. Il test di giugno è stato un'unica esecuzione a temperatura 0. A settembre, le risposte ripetute si sono spostate in media di 0,3 punti e di un punto intero o più in 11 coppie su 40.
    • Revisione umana. Nessun avvocato in attività ha valutato le risposte di settembre, e la redazione in arabo è stata giudicata solo da modelli.

    Come dovrebbe scegliere un modello uno studio oggi?

    • Inserite nella rosa Claude Opus 5.5 e GPT-6 Astra per ricerca e consulenza, dove il rischio principale sono le fonti inventate; entrambi si sono rifiutati di inventare sentenze nel nostro ultimo test.
    • Valutate il costo della rosa sui vostri volumi. Opus 5.5 costa circa la metà di Fable 5.1 per risposta, con una qualità che non siamo riusciti a distinguere; GPT-5.6 Luna Pro è molto più economico di Astra per domande e risposte generali, dove un punto di qualità non vale 11 volte il prezzo.
    • Testate sulle vostre giurisdizioni. Ogni modello del test su Astra ha letto male una norma saudita o egiziana pur citando l'articolo corretto.
    • Chiedete fonti che non possono esistere, chiedetele due volte e verificate a mano ogni citazione. Il metodo completo è in come testare l'IA legale.
    • Ripetete la verifica ogni trimestre. Il modello in testa a giugno ha già tre successori in questa pagina.

    Fonti

    • HAQQ, benchmark legale di Claude Opus 5.5 (23 set. 2026)
    • HAQQ, GPT-6 Astra sul lavoro legale (test del 10 set. 2026)
    • HAQQ, Come testare un'IA legale: cinque domande a trabocchetto (test del 30 set. 2026)
    • Vals AI, Legal Research Bench
    • Anthropic, presentazione di Claude Opus 5.5
    • Magesh et al., studio dello Stanford RegLab sugli strumenti di ricerca giuridica basati sull'IA (2024)

    Letture correlate

    • l'audit sulle allucinazioni negli atti giudiziari
    • nove sistemi di IA alla prova su una questione di waqf libanese
    • quando un LLM giudice premia le invenzioni
    • ambito e metodo del nostro benchmark di IA legale MENA
    • perché gli LLM inventano, spiegato agli avvocati

    Scritto da

    Stephane Boghossian
    Stephane Boghossian

    Responsabile della Crescita

    Stephane guida la crescita di HAQQ e scrive la sezione IA e Legal Tech: benchmark dei modelli, confronti tra strumenti e l'ingegneria che rende l'IA legale affidabile nella pratica.

    Tutti gli articoli di questo autoreLinkedIn

    Risorse correlate

    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

    Articoli correlati

    Il miglior LLM per la scrittura legale nel 2026: Opus 5.5, Fable 5.1, GPT-6 Astra, Gemini
    Benchmark

    Il miglior LLM per la scrittura legale nel 2026

    Il miglior LLM per la scrittura legale nel 2026: Opus 5.5, Fable 5.1, GPT-6 Astra, Gemini

    Claude Opus 5.5 per il lavoro legale: abbiamo fatto il nostro benchmark e non siamo riusciti a scegliere un vincitore
    Benchmark

    Claude Opus 5.5 per il lavoro legale

    Claude Opus 5.5 per il lavoro legale: abbiamo fatto il nostro benchmark e non siamo riusciti a scegliere un vincitore

    Abbiamo testato GPT-6 Astra su 41 domande legali reali
    Benchmark

    Abbiamo testato GPT-6 Astra su 41 domande legali reali

    Abbiamo testato GPT-6 Astra su 41 domande legali reali

    Domande frequenti

    Qual è la migliore IA per il lavoro legale nel 2026?

    A ottobre 2026, Claude Opus 5.5 e GPT-6 Astra sono i modelli di frontiera più forti nei nostri test. In un test con cinque domande trabocchetto su Emirati Arabi Uniti, Arabia Saudita e Libano, eseguito il 30 settembre 2026, hanno ottenuto 3,30 e 3,00 su 4, davanti a DeepSeek V4 Pro (2,20) e Gemini 3.1 Pro (2,10), e nessuno dei due ha inventato una sentenza quando gli è stata chiesta. Il divario tra i due rientra nel rumore tra un'esecuzione e l'altra, quindi a decidere dovrebbero essere il prezzo e le vostre pratiche.

    Quale IA è la più accurata per la ricerca giuridica?

    Nel nostro test del 30 settembre 2026, Claude Opus 5.5 e GPT-6 Astra si sono rifiutati di indicare sentenze della Corte di Cassazione di Dubai per un articolo che non esiste, mentre Gemini 3.1 Pro e DeepSeek V4 Pro ne hanno indicate 16 che non corrispondevano, così come citate, ad alcuna fonte pubblica. Il Legal Research Bench indipendente di Vals AI ha collocato Opus 5.5 al 4° posto su 68 modelli con il 50,48% (consultato il 23 settembre 2026). Nessun modello è abbastanza accurato da essere citato senza verificare la fonte.

    Un modello di IA più grande o più recente ha meno allucinazioni sulle domande legali?

    I modelli di punta più recenti hanno allucinazioni meno spesso, ma ne hanno ancora. Nel nostro test di giugno 2026 su 3.000 risposte, il 24% citava o applicava norme che non supportavano l'affermazione, e tutti e 10 i modelli hanno sbagliato da qualche parte. A settembre 2026 i modelli più recenti di Anthropic e OpenAI si sono rifiutati di inventare giurisprudenza, ma tutti e tre i modelli del nostro test su GPT-6 Astra hanno riportato in modo errato una norma saudita o egiziana pur citando l'articolo corretto.

    Claude Opus 5.5 è migliore di Claude Fable 5.1 per il lavoro legale?

    Non siamo riusciti a distinguerli per qualità. Su 120 verdetti in cieco di due giudici non Anthropic il 23 settembre 2026, Opus 5.5, Opus 5 e Fable 5.1 si sono piazzati a non più di quattro verdetti l'uno dall'altro e hanno formato un ciclo anziché una classifica. Opus 5.5 è costato $0,3647 per risposta contro $0,7249 di Fable 5.1 ed è stato il più veloce dei tre.

    Quanto costa sottoporre una domanda legale a un modello di frontiera?

    Nei nostri test di settembre 2026 ai prezzi di listino di OpenRouter, GPT-5.6 Luna Pro è costato circa $0,02 per risposta, GPT-6 Astra $0,26, Claude Opus 5.5 $0,36, Claude Opus 5 da $0,44 a $0,46 e Claude Fable 5.1 $0,72. La lunghezza della risposta incide sul conto quanto il prezzo per token: Astra applica una tariffa per token doppia rispetto a Opus 5 e costa comunque 1,7 volte meno per risposta, perché scrive circa 3,5 volte meno token.

    Come si collocano le piattaforme di IA legale come Harvey rispetto ai modelli di frontiera?

    Sul benchmark per attività da 50 punti di HAQQ, con 11 categorie e 19 partecipanti, Harvey Tenet ha una media di 37.9/50, davanti a CoCounsel (36.6), Legora (35.9) e LexisNexis +AI (32.0), e dietro a Claude Fable 5 (42.7) e Claude Opus 4.8 (40.8). Il miglior piazzamento di Harvey in una singola categoria è la posizione 2. HAQQ è l'autore di quel benchmark e vi si classifica primo con 46.8/50, quindi consideratelo la classifica di un fornitore e verificatene il metodo.

    Quale modello Claude è il migliore per il lavoro legale?

    Sul benchmark legale da 50 punti di HAQQ (punteggi al 20 ottobre 2026), Claude Fable 5 ha ottenuto una media di 42.7/50 e Claude Opus 4.8 40.8, entrambi davanti a Harvey (37.9). Claude con plugin legali ha ottenuto 33.9, meno di Claude da solo. Claude da solo è adatto ad analisi, prime bozze e documenti lunghi, ma non è un sistema di registrazione né uno strumento di verifica delle citazioni. HAQQ ha eseguito il benchmark e vi si classifica primo, quindi ripetete il test sulle vostre pratiche.

    Dove posso trovare risultati di benchmark indipendenti sugli strumenti di IA legale?

    I ricercatori dello Stanford RegLab (Magesh et al., 2024) hanno misurato in modo indipendente tassi di allucinazione di circa il 17% per Lexis+ AI e del 33% per Westlaw AI-Assisted Research. Il benchmark da 50 punti di HAQQ su 19 strumenti e modelli pubblica ogni punteggio per categoria su haqq.ai/compare-us, ma non è indipendente: lo ha eseguito HAQQ, che vi si classifica primo, e nessuna terza parte lo ha sottoposto ad audit.

    Cosa c'è dopo?

    Prova HAQQ AI gratis

    Sperimenta la redazione e ricerca legale con IA

    Calcola il tuo ROI

    Scopri quanto tempo e denaro HAQQ risparmia al tuo studio

    Esplora 600+ prompt legali

    Prompt pronti per ogni compito legale

    Torna al Blog

    Articolo precedente

    HAQQ lancia la sua app mobile e porta la Legal AI nelle situazioni legali di tutti i giorni

    Articolo successivo

    Consulenza Legale AI Gratuita: Cosa Può e Non Può Fare (2026)

    In questa pagina

    16 min di lettura

    1. 01Dati chiave
    2. 02Qual è l'IA più adatta al lavoro legale a ottobre 2026?
    3. Aggiornamento di ottobre 2026: quale risultato è attuale
    4. 03Quale IA è più accurata nella ricerca giuridica?
    5. 04Un modello più grande o più recente ha meno allucinazioni?
    6. 05Test precedente: strategia processuale a New York (gen. 2026)
    7. 06Come abbiamo condotto il benchmark di giugno su 300 attività?
    8. 07Che cosa mostrava la classifica di giugno 2026?
    9. 08Quanto spesso i modelli di IA citano norme che non supportano la risposta?
    10. 09Un solo modello vince in tutte le aree di pratica?
    11. 10Quanto costa ciascun modello per attività legale?
    12. 11Come si confrontano le piattaforme di IA legale con i modelli di frontiera?
    13. 12Quale fornitore è in testa considerando tutti i test?
    14. 13Posso fidarmi di questi benchmark?
    15. 14Come dovrebbe scegliere un modello uno studio oggi?
    16. 15Fonti
    17. 16Letture correlate

    Condividi questo articolo

    Mettilo in pratica

    Fai a HAQQ la domanda che questo articolo ti ha lasciato.

    HAQQ across all devices
    HAQQ Legal AI Platform Logo

    Il tuo Gemello AI Legale e Sistema di Gestione Studio per redigere, fatturare e vincere.

    Scaricalo suApp StoreDisponibile suGoogle Play

    Documentazioni

    • Docs si apre in una nuova scheda
    • Per iniziare si apre in una nuova scheda
    • Sala stampa si apre in una nuova scheda
    • Aggiornamenti del prodotto si apre in una nuova scheda
    • Stato si apre in una nuova scheda
    • Affidabilità si apre in una nuova scheda
    • Sicurezza
    • FAQ si apre in una nuova scheda
    • Comunità si apre in una nuova scheda
    • Assistenza si apre in una nuova scheda

    Academy

    • Partner si apre in una nuova scheda
    • Corso si apre in una nuova scheda
    • Prompt si apre in una nuova scheda
    • Labs si apre in una nuova scheda

    Sito web

    • eFirm
    • Chat IA Legale
    • App Mobile
    • Motore Justinian
    • HAQQ eBar
    • HAQQ eWallet
    • Prezzi
    • Confrontaci
    • Soluzioni
    • Blog
    • Conosci il team
    • Unisciti a noi si apre in una nuova scheda
    Apri l'app
    • Lingueenarfresitdeptrohics
    • Contattoinfo@haqq.ai
    • Statooperativo·fondato
    • Termini di Servizio
    • Informativa sulla privacy
    • Informativa sui cookie
    • Trattamento Dati
    • Persone si apre in una nuova scheda
    • Avvocati si apre in una nuova scheda
    • Sicurezza si apre in una nuova scheda
    © 2026 HAQQ Inc. Tutti i diritti riservati.Prodotto sviluppato internamente da HAQQ. Sito web costruito con strumenti web moderni.

    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.