Skip to content
    HAQQ
    Entrar
    Fale com vendas
    Experimente a HAQQ
    Experimente a HAQQ
    1. Início
    2. Blog
    3. A melhor IA para trabalho jurídico em 2026: atualização de outubro + 3.000 respostas
    IA & Tech Jurídica

    A melhor IA para trabalho jurídico em 2026: atualização de outubro + 3.000 respostas

    Outubro de 2026: Claude Opus 5.5 e GPT-6 Astra lideram nossos testes jurídicos mais recentes. Mais 3.000 respostas de 10 modelos; 24% citam leis que não as sustentam.

    Stephane BoghossianStephane Boghossian|
    5 de junho de 2026
    16 min de leitura
    A melhor IA para trabalho jurídico em 2026: atualização de outubro + 3.000 respostas

    Em resumo: em outubro de 2026, o Claude Opus 5.5 e o GPT-6 Astra são os modelos de fronteira mais sólidos que testámos para trabalho jurídico. Foram a dupla de topo no nosso teste de armadilhas MENA de 30 de setembro (3,30 e 3,00 em 4), e nenhum deles inventou uma sentença de um tribunal de Dubai quando lhe foi pedida. O Opus 5.5 igualou o Fable 5.1 a metade do custo (23 de setembro).

    Dados principais

    • Num teste de armadilhas com cinco perguntas sobre Emirados Árabes Unidos, Arábia Saudita e Líbano, o Claude Opus 5.5 obteve 3,30 em 4 e o GPT-6 Astra 3,00, contra 2,20 do DeepSeek V4 Pro e 2,10 do Gemini 3.1 Pro, sem pistas (teste HAQQ, 30 set. 2026, 80 respostas, três juízes às cegas).
    • Quando lhes foram pedidas sentenças do Tribunal de Cassação de Dubai que sustentassem um artigo inexistente, o Gemini 3.1 Pro e o DeepSeek V4 Pro indicaram 16 em oito respostas; nenhuma correspondia, tal como citada, a uma fonte pública (teste HAQQ, 30 set. 2026).
    • O Claude Opus 5.5, o Opus 5 e o Fable 5.1 terminaram a não mais de quatro veredictos uns dos outros em 120 veredictos comparativos às cegas; o Opus 5.5 custou US$ 0,3647 por resposta contra US$ 0,7249 do Fable 5.1 (teste HAQQ, preços de tabela da OpenRouter, 23 set. 2026).
    • O GPT-6 Astra liderou em substância jurídica com 17,63 em 20 face ao Claude Opus 5 e ao GPT-5.6 Luna Pro, e os três erraram uma regra saudita ou egípcia apesar de citarem o artigo correto (teste HAQQ, 41 prompts, 10 set. 2026).
    • O Legal Research Bench da Vals AI colocou o Claude Opus 5.5 em 50,48%, 4.º entre 68 modelos (Vals AI, consultado em 23 set. 2026).
    • No nosso maior teste, 24% de 3.000 respostas de 10 modelos de fronteira citavam ou aplicavam direito que não diz o que o modelo afirmava (teste HAQQ com 300 tarefas, publicado em 5 jun. 2026).
    • O Stanford RegLab mediu alucinações em cerca de 33% das respostas do Westlaw AI-Assisted Research e em mais de 17% das respostas do Lexis+ AI (Magesh et al., 2024).

    Declaração de interesses. A HAQQ desenvolve IA jurídica e realizou todos os benchmarks HAQQ desta página. Os testes de setembro não incluíram o HAQQ. A classificação de plataformas de 50 pontos mais abaixo inclui o HAQQ, que fica em primeiro lugar. Leia os nossos números como números de um fornecedor: o método de cada teste está descrito, e os testes de setembro publicam os seus prompts e respostas.

    Qual é a IA mais adequada para trabalho jurídico em outubro de 2026?

    Três testes realizados em setembro de 2026 substituíram a classificação de junho no que respeita aos modelos de fronteira. Cada um mede algo diferente, por isso devem ser lidos em conjunto.

    ModeloFornecedorTesteData do testeResultado
    Claude Opus 5.5AnthropicCinco perguntas-armadilha MENA30 set. 20263,30 / 4, 0 sentenças inventadas indicadas
    GPT-6 AstraOpenAICinco perguntas-armadilha MENA30 set. 20263,00 / 4, 0 sentenças inventadas indicadas
    DeepSeek V4 ProDeepSeekCinco perguntas-armadilha MENA30 set. 20262,20 / 4, 8 sentenças não verificáveis indicadas
    Gemini 3.1 ProGoogleCinco perguntas-armadilha MENA30 set. 20262,10 / 4, 8 sentenças não verificáveis indicadas
    Claude Opus 5AnthropicDez prompts de redação e aconselhamento, comparativos23 set. 202639 de 80 veredictos, US$ 0,4362 por resposta
    Claude Fable 5.1AnthropicDez prompts de redação e aconselhamento, comparativos23 set. 202636 de 80 veredictos, US$ 0,7249 por resposta
    Claude Opus 5.5AnthropicDez prompts de redação e aconselhamento, comparativos23 set. 202635 de 80 veredictos, US$ 0,3647 por resposta
    GPT-6 AstraOpenAI41 prompts, 20 áreas de prática10 set. 202617,63 / 20 substância, US$ 0,2622 por resposta
    GPT-5.6 Luna ProOpenAI41 prompts, 20 áreas de prática10 set. 202630,93 / 35 composto (com velocidade), US$ 0,0231 por resposta
    Claude Opus 5Anthropic41 prompts, 20 áreas de prática10 set. 202628,13 / 35 composto, US$ 0,4566 por resposta
    Claude Opus 4.8Anthropic300 tarefas comerciais (substituído)Jun. 202630,02 / 35, venceu 130 de 300 tarefas

    Atualização de outubro de 2026: que resultado está em vigor

    • Em vigor para modelos de fronteira: o teste de armadilhas de 30 de setembro (como testar IA jurídica). É o teste mais recente e abrange quatro modelos topo de gama atuais de quatro laboratórios. Todos os modelos detetaram todas as armadilhas. A diferença surgiu nas fontes: o Opus 5.5 e o Astra recusaram-se a indicar sentenças que não podiam ser verificadas, enquanto o Gemini 3.1 Pro e o DeepSeek V4 Pro produziram 16 citações de jurisprudência, duas delas com números de processo reais mas data e decisão erradas, e as outras 14 não localizadas. O Opus 5.5 e o Astra são a dupla de topo, e a diferença entre eles está dentro da variação de um teste para outro.
    • Em vigor para escolher entre modelos da Anthropic: o teste de 23 de setembro (benchmark jurídico do Claude Opus 5.5). O Opus 5.5, o Opus 5 e o Fable 5.1 formaram um ciclo (cada um venceu um e perdeu com outro), pelo que, com dez prompts, a qualidade não os distinguiu. O preço distinguiu: o Opus 5.5 respondeu a cerca de metade do custo do Fable 5.1 e foi o mais rápido dos três.
    • Em vigor para o GPT-6 Astra face a modelos mais baratos: o teste de 10 de setembro (GPT-6 Astra no trabalho jurídico). O Astra liderou em substância por menos de um ponto e custou 11 vezes mais por resposta do que o GPT-5.6 Luna Pro. Cada um dos três modelos enunciou incorretamente uma regra saudita ou egípcia apesar de citar o artigo correto.
    • Substituído: o teste de junho com 300 tarefas, abaixo. Continua a ser o nosso maior conjunto de dados e a fonte do valor de 24% de falhas de citação, mas cada modelo nele incluído tem uma versão mais recente. Use-o para identificar padrões (erros de citação em todos os níveis, nenhum modelo a vencer todas as áreas de prática, uma diferença de custo de 90 vezes), não para escolher um modelo hoje.

    Aquilo em que os testes de setembro concordam: a diferença de qualidade entre os atuais modelos de fronteira em tarefas jurídicas é pequena, e as diferenças úteis estão na forma como um modelo falha (inventando fontes, interpretando mal uma regra local) e no que custa por resposta. Teste a lista restrita nos seus próprios processos antes de escolher.

    Qual é a IA mais precisa para pesquisa jurídica?

    No critério que mais importa na pesquisa, ou seja, se a fonte existe e diz o que o modelo afirma, o Claude Opus 5.5 e o GPT-6 Astra tiveram o desempenho mais sólido no nosso último teste: zero sentenças inventadas nas oito respostas dos dois. No Legal Research Bench independente da Vals AI, o Opus 5.5 obteve 50,48%, 4.º entre 68 modelos quando o consultámos em 23 de setembro de 2026. Nenhum modelo que testámos é suficientemente preciso para ser citado sem verificação. Em setembro, os três modelos do teste do Astra deram o número de artigo correto associado à regra errada numa questão saudita ou egípcia, o que um verificador de citações deixaria passar.

    É essa a lacuna que uma ferramenta de pesquisa tem de colmatar acima do modelo: obter a fonte primária, verificar a citação face a ela e dizer quando não a encontra. Foi assim que construímos a pesquisa jurídica do HAQQ.

    Um modelo maior ou mais recente alucina menos?

    Os modelos mais recentes alucinam com menos frequência, mas continuam a fazê-lo. Entre junho e setembro o padrão mudou: em junho, cada um dos 10 modelos inventou ou aplicou mal uma citação em algum ponto das 300 tarefas, e 24% de todas as respostas tinham um problema de citação. Em setembro, os modelos topo de gama mais recentes da Anthropic e da OpenAI recusaram-se a inventar jurisprudência quando esta lhes foi pedida. O Gemini 3.1 Pro e o DeepSeek V4 Pro continuaram a produzir números de processo a pedido, um par diferente de cada vez que perguntámos. O tamanho do modelo, por si só, não previu o comportamento; os dois que recusaram eram também os dois mais caros por resposta nesse teste.

    Teste anterior: estratégia de contencioso em Nova Iorque (jan. 2026)

    Em janeiro de 2026 demos a sete sistemas um único prompt: "Prepara uma estratégia de contencioso ao abrigo do direito de Nova Iorque para uma fatura não paga de US$ 250.000." Pontuámos cada resposta em 10 segundo seis critérios. As respostas sólidas usaram o CPLR 3213 (summary judgment in lieu of complaint), alegaram incumprimento contratual e account stated e planearam a cobrança após a sentença (restraining notices, penhoras bancárias, turnover orders). As respostas mais fracas ficaram pela propositura da ação. Foi um único prompt pontuado pela HAQQ, com o HAQQ entre os participantes, e todos os modelos generalistas nele incluídos já foram substituídos, por isso deve ser lido como um registo de como as respostas diferiam, não como uma classificação.

    ModeloExatidão jurídicaProfundidade processualEstratégiaFontesEstruturaPronto para o 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

    Como realizámos o benchmark de junho com 300 tarefas?

    Escrevemos 300 tarefas jurídicas originais com partes, montantes, datas e legislação aplicável identificados: redija esta cláusula, reveja esta disposição, estruture esta operação, analise este conflito de leis. Abrangem 51 áreas de prática e mais de 20 jurisdições, incluindo o direito federal dos EUA e Delaware, Califórnia, Nova Iorque e Texas, o Reino Unido, a UE, os Emirados Árabes Unidos e o DIFC, a Arábia Saudita, o Líbano, o Egito, o Qatar, Singapura, a Austrália, o Canadá, a Índia, o Brasil, a Nigéria, a OHADA, o Japão, a Alemanha, a França e a Suíça, além das Convenções da Haia e das Ilhas Caimão, Ilhas Virgens Britânicas e Bermudas.

    A dificuldade foi fortemente ponderada: 114 tarefas no nível 5 de 5, 108 no nível 4, 22 no nível 3. Cada tarefa foi submetida aos 10 modelos com um prompt de sistema idêntico a temperatura 0, com um limite de 6.000 tokens de saída. Cada resposta foi pontuada em cinco dimensões:

    • Qualidade (1 a 10): profundidade, completude, aplicabilidade prática.
    • Exatidão (1 a 10): correção jurídica, menos 5 por jurisprudência inventada e menos 3 por jurisdição errada.
    • Velocidade (1 a 5): latência medida.
    • Estilo (1 a 5): estrutura profissional.
    • Criatividade (1 a 5): riscos não óbvios e questões transfronteiriças identificados.

    O Claude Sonnet 4.6 pontuou a qualidade, a exatidão, o estilo e a criatividade segundo uma grelha fixa; a velocidade resultou da latência real. A secção de ressalvas aborda o viés do juiz.

    O que mostrou a classificação de junho de 2026?

    • Claude Opus 4.8 ficou em primeiro em 130 de 300 tarefas (quase o dobro de qualquer outro modelo), entre os três primeiros em 265, com as pontuações mais altas de qualidade (8,9) e criatividade. Foi lento (60,8 s) e esteve entre os mais caros (US$ 0,069 por tarefa).
    • Grok 4.3 ficou em segundo (28,98) com 8,8 segundos a US$ 0,003 por tarefa, o resultado mais forte em velocidade e custo, e venceu o maior número de tarefas de ambiente/ESG, propriedade intelectual e casos-limite.
    • GPT-5.5 registou a exatidão mais alta (8,41) e a taxa mais baixa de citações inventadas (3%), mas ficou em quinto no total e venceu uma única tarefa. Foi o mais lento (134 s) e o mais caro (US$ 0,082).
    • o3 venceu 66 tarefas e ainda assim ficou em oitavo, com uma taxa de alucinação de 32% e exatidão de 5,89.
    • Mistral Large aplicou mal ou inventou citações em 64% das respostas; Llama 4 Maverick ficou em último (20,01).

    Com que frequência os modelos de IA citam direito que não sustenta a resposta?

    Em junho, 24% das 3.000 respostas citavam ou aplicavam direito que não diz o que o modelo afirmava: casos inventados, leis mal aplicadas, a doutrina certa associada à jurisdição errada. O juiz assinalou erros específicos e verificáveis. Um exemplo por modelo:

    • Claude Opus 4.8: Computer Associates / Gemstar citados como precedentes de gun-jumping; caracterizações incorretas.
    • GPT-5.5: A citação Hitz parece inventada; 616 B.R. 374 não verificável.
    • Gemini 3.1 Pro: Citação Halpin v. Riverstone não verificável; provável caso do Delaware alucinado.
    • Grok 4.3: CBS v. Ziff-Davis citado incorretamente; o caso trata da confiança nas garantias, não da divulgação.
    • Claude Sonnet 4.6: Citação Schrier não verificável; caso Biotronik real mas mal aplicado.
    • o3: As citações MSA Technology v Antec e GB Gas parecem inventadas ou deturpadas.
    • Qwen3.7 Max: Specht v. Netscape mal aplicado; não é um caso UCC sobre bens/serviços.
    • DeepSeek V3.2: Citação Crosstown Music não verificável / mal aplicada.
    • Mistral Large: As citações N.Y. Gen. Oblig. Law §5-328 e UCC §2-515 são duvidosas / mal aplicadas.
    • Llama 4 Maverick: Caso Cavendish mal aplicado; sem relação com cláusulas de preço.

    Todos os modelos, incluindo os líderes, cometeram pelo menos um erro deste tipo, e a pontuação de exatidão mais alta foi 8,41 em 10 (GPT-5.5). As ferramentas de pesquisa pelas quais os advogados já pagam mostram o mesmo problema: o estudo de 2024 do Stanford RegLab mediu alucinações em cerca de um terço das respostas do Westlaw AI-Assisted Research e em mais de uma em cada seis no Lexis+ AI.

    Há um modelo que vença em todas as áreas de prática?

    Não. Nas 51 áreas de prática de junho, o Claude Opus 4.8 liderou 30, o Grok 4.3 liderou 13, o o3 liderou 6, e o Gemini 3.1 Pro e o Claude Sonnet 4.6 lideraram uma cada.

    • Opus 4.8 liderou o núcleo doutrinal: M&A (30,6), conformidade regulatória (30,5), valores mobiliários, criminalidade económica, fiscal, bancário, privacidade de dados, laboral e comércio internacional.
    • Grok 4.3 liderou propriedade intelectual e tecnologia (30,2), ambiente e ESG (30,8), defesa do consumidor, e conformidade e due diligence (31,4).
    • o3 liderou operações jurídicas (31,1), valores mobiliários e finanças (30,9), contratos públicos e contratação pública (31,1) e imobiliário transfronteiriço.
    • Gemini 3.1 Pro registou a pontuação mais alta em privacidade e proteção de dados (31,4).

    O teste de setembro do Astra encontrou o mesmo padrão em menor escala: o Astra à frente na maioria das áreas de prática, o Claude Opus 5 à frente em insolvência e ESG. Um produto jurídico que encaminha cada processo para o modelo com maior probabilidade de acertar, e depois verifica a resposta, tira mais partido do conjunto de modelos do que um que aposta num único modelo.

    Experimente HAQQ AI grátis

    Experimente a redação e pesquisa jurídica com IA

    Quanto custa cada modelo por tarefa jurídica?

    Em junho, o custo por tarefa abrangeu um intervalo de 90 vezes, de US$ 0,0009 (DeepSeek V3.2) a US$ 0,082 (GPT-5.5), e a latência foi de 7,7 segundos (Llama 4 Maverick) a 134 segundos (GPT-5.5). Os testes de setembro, calculados aos preços de tabela da OpenRouter na data do teste, dão o quadro atual:

    • Claude Opus 5.5: US$ 0,3647 por resposta com esforço de raciocínio elevado, contra US$ 0,7249 do Fable 5.1 e US$ 0,4362 do Opus 5 (23 set. 2026).
    • GPT-6 Astra: US$ 0,2622 por resposta, 1,7 vezes mais barato do que o Claude Opus 5 porque escreve cerca de 3,5 vezes menos tokens, e 11 vezes mais caro do que o GPT-5.6 Luna Pro, a US$ 0,0231 (10 set. 2026).
    • No teste de armadilhas com as definições predefinidas, as 20 respostas por modelo custaram 4,04 USD para o Opus 5.5, 2,81 para o Astra, 0,92 para o Gemini 3.1 Pro e 0,88 para o DeepSeek V4 Pro (30 set. 2026).

    Para um produto de grande volume, o modelo com a pontuação de qualidade mais alta pode ser a escolha errada quando se contabilizam o custo e a latência. O esforço de raciocínio aumentado do Astra é um exemplo: em setembro, passar de baixo para alto multiplicou o custo por 1,5 e a latência por 1,8 e alterou a qualidade avaliada em menos 0,17 pontos.

    Como se comparam as plataformas de IA jurídica com os modelos de fronteira?

    Mantemos uma segunda classificação: uma avaliação de 50 tarefas com uma grelha de 50 pontos em 11 categorias de tarefas, que acrescenta aos modelos de fronteira as plataformas jurídicas que os escritórios incluem nas suas listas restritas (Harvey, CoCounsel, Legora, Spellbook, LexisNexis +AI, Clio Duo). É a classificação da nossa página de comparação, e o HAQQ fica em primeiro lugar nela (ver a declaração de interesses acima). Por ordem de pontuação média:

    PosiçãoModelo ou produtoMédia /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 + plugins jurídicos33,9
    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

    Destacam-se duas leituras. As plataformas jurídicas concentram-se a meio da tabela: Harvey Tenet (37,9), CoCounsel (36,6), Legora (35,9) e LexisNexis +AI (32,0) ficam todas abaixo dos modelos de fronteira mais fortes na qualidade da resposta isolada, pelo que aquilo por que um escritório paga numa plataforma é sobretudo o fluxo de trabalho, as integrações e a segurança. E a dispersão é ampla, de 46,8 a 18,7, pelo que a escolha da ferramenta altera o resultado de que o advogado parte. Uma pontuação por tarefa não consegue captar a implementação em todo o escritório, as certificações ou os fluxos de trabalho à escala de grandes volumes de documentos, que são pontos fortes reais das plataformas maiores.

    A classificação de plataformas ainda não foi repetida com o Opus 5.5, o Fable 5.1 ou o GPT-6 Astra; para esses modelos, a fonte atual são os testes de setembro acima.

    Que fornecedor lidera em todos os testes?

    Agrupando os modelos por fornecedor e juntando o teste de junho a todos os testes anteriores do mesmo benchmark comercial (índice de 0 a 100, ponderado pelo número de avaliações):

    Os principais fornecedores estão próximos uns dos outros. O que constrói à volta do modelo (recuperação de fontes, verificação de citações, regras de jurisdição) influencia mais o resultado do que a escolha entre eles.

    Posso confiar nestes benchmarks?

    • Limites de saída. A nossa primeira passagem de junho limitava as respostas a 1.200 tokens, o que penalizava os modelos de raciocínio e cortava os mais extensos. Descartámo-la e repetimos com 6.000. A maioria dos modelos ganhou de 1,5 a 2,5 pontos; Mistral e Llama pioraram, porque respostas mais longas expuseram mais citações erradas. Em setembro, um limite de 32.000 tokens truncou duas respostas do Opus num prompt; repetimos com 64.000 e agora interrompemos qualquer teste que tenha uma resposta truncada.
    • Juízes. Junho usou um único juiz, o Claude Sonnet 4.6, pelo que a autopreferência é uma questão legítima; o segundo lugar do Grok 4.3 e a exatidão mais alta do GPT-5.5 contrariam um forte viés a favor da casa, mas um segundo juiz seria preferível. Os testes de setembro usaram dois juízes que não são da Anthropic (23 set.) e três juízes de três famílias de modelos, com a mediana (30 set.). Em 23 de setembro, os dois juízes escolheram vencedores diferentes a partir das mesmas respostas.
    • Dimensão da amostra. Os testes de setembro usaram 10, 41 e 5 prompts. É suficiente para ver uma diferença grande e demasiado pouco para ordenar modelos próximos. Leia a dimensão dos efeitos, não as casas decimais.
    • Execuções únicas. Junho foi uma execução única a temperatura 0. Em setembro, as respostas repetidas variaram em média 0,3 pontos e um ponto inteiro ou mais em 11 de 40 pares.
    • Revisão humana. Nenhum advogado no ativo avaliou as respostas de setembro, e a redação em árabe foi avaliada apenas por modelos.

    Como deve um escritório escolher um modelo hoje?

    • Inclua na lista restrita o Claude Opus 5.5 e o GPT-6 Astra para pesquisa e aconselhamento, quando o principal risco são fontes inventadas; ambos se recusaram a inventar sentenças no nosso último teste.
    • Calcule o custo da lista restrita com o seu próprio volume. O Opus 5.5 custa cerca de metade do Fable 5.1 por resposta, com uma qualidade que não conseguimos distinguir; o GPT-5.6 Luna Pro é muito mais barato do que o Astra para perguntas e respostas gerais, em que um ponto de qualidade não vale 11 vezes o preço.
    • Teste nas suas próprias jurisdições. Todos os modelos do teste do Astra interpretaram mal uma regra saudita ou egípcia apesar de citarem o artigo correto.
    • Peça fontes que não podem existir, peça duas vezes e verifique manualmente cada citação. O método completo está em como testar IA jurídica.
    • Volte a verificar a cada trimestre. O líder de junho já tem três sucessores nesta página.

    Fontes

    • HAQQ, benchmark jurídico do Claude Opus 5.5 (23 set. 2026)
    • HAQQ, GPT-6 Astra no trabalho jurídico (teste de 10 set. 2026)
    • HAQQ, Como testar uma IA jurídica: cinco perguntas-armadilha (teste de 30 set. 2026)
    • Vals AI, Legal Research Bench
    • Anthropic, apresentação do Claude Opus 5.5
    • Magesh et al., estudo do Stanford RegLab sobre ferramentas de pesquisa jurídica com IA (2024)

    Leituras relacionadas

    • a auditoria de alucinações em peças processuais
    • nove sistemas de IA perante uma questão de waqf libanês
    • quando um LLM juiz recompensa invenções
    • o âmbito e o método do nosso benchmark de IA jurídica MENA
    • porque é que os LLM inventam, explicado para advogados

    Escrito por

    Stephane Boghossian
    Stephane Boghossian

    Diretor de Crescimento

    Stephane lidera o crescimento na HAQQ e escreve a secção de IA e Legal Tech: benchmarks de modelos, comparações de ferramentas e a engenharia que faz a IA jurídica funcionar na prática.

    Todos os artigos deste autorLinkedIn

    Recursos relacionados

    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

    Artigos relacionados

    O melhor LLM para redação jurídica em 2026: Opus 5.5, Fable 5.1, GPT-6 Astra, Gemini
    Benchmark

    O melhor LLM para redação jurídica em 2026

    O melhor LLM para redação jurídica em 2026: Opus 5.5, Fable 5.1, GPT-6 Astra, Gemini

    Claude Opus 5.5 para o trabalho jurídico: fizemos o nosso próprio benchmark e não conseguimos escolher um vencedor
    Benchmark

    Claude Opus 5.5 para o trabalho jurídico

    Claude Opus 5.5 para o trabalho jurídico: fizemos o nosso próprio benchmark e não conseguimos escolher um vencedor

    Testamos o GPT-6 Astra em 41 perguntas jurídicas reais
    Benchmark

    Testamos o GPT-6 Astra em 41 perguntas jurídicas reais

    Testamos o GPT-6 Astra em 41 perguntas jurídicas reais

    Perguntas frequentes

    Qual é a melhor IA para trabalho jurídico em 2026?

    Em outubro de 2026, o Claude Opus 5.5 e o GPT-6 Astra são os modelos de fronteira mais fortes nos nossos testes. Num teste de cinco perguntas com armadilhas sobre direito dos EAU, saudita e libanês, realizado a 30 de setembro de 2026, obtiveram 3.30 e 3.00 em 4, à frente do DeepSeek V4 Pro (2.20) e do Gemini 3.1 Pro (2.10), e nenhum deles inventou uma decisão judicial quando lhe foi pedida uma. A diferença entre os dois está dentro do ruído entre execuções, por isso devem ser o preço e os seus próprios processos a decidir.

    Que IA é mais exata para pesquisa jurídica?

    No nosso teste de 30 de setembro de 2026, o Claude Opus 5.5 e o GPT-6 Astra recusaram-se a indicar acórdãos do Tribunal de Cassação do Dubai relativos a um artigo que não existe, enquanto o Gemini 3.1 Pro e o DeepSeek V4 Pro indicaram 16 que, tal como citados, não correspondiam a nenhuma fonte pública. O Legal Research Bench independente da Vals AI colocou o Opus 5.5 em 4.º lugar entre 68 modelos, com 50.48% (consultado a 23 de setembro de 2026). Nenhum modelo é suficientemente exato para ser citado sem verificar a fonte.

    Um modelo de IA maior ou mais recente alucina menos em questões jurídicas?

    Os modelos de topo mais recentes alucinam com menos frequência, mas continuam a alucinar. No nosso teste de junho de 2026 com 3000 respostas, 24% citaram ou aplicaram legislação que não sustentava a afirmação, e cada um dos 10 modelos errou em algum ponto. Em setembro de 2026, os modelos mais recentes da Anthropic e da OpenAI recusaram-se a inventar jurisprudência, mas os três modelos do nosso teste do GPT-6 Astra enunciaram mal uma regra saudita ou egípcia apesar de citarem o artigo correto.

    O Claude Opus 5.5 é melhor do que o Claude Fable 5.1 para trabalho jurídico?

    Não conseguimos distingui-los em qualidade. Em 120 veredictos às cegas de dois avaliadores não pertencentes à Anthropic, a 23 de setembro de 2026, o Opus 5.5, o Opus 5 e o Fable 5.1 ficaram a menos de quatro veredictos uns dos outros e formaram um ciclo em vez de uma classificação. O Opus 5.5 custou $0.3647 por resposta contra $0.7249 do Fable 5.1 e foi o mais rápido dos três.

    Quanto custa processar uma questão jurídica num modelo de fronteira?

    Nos nossos testes de setembro de 2026, aos preços de tabela da OpenRouter, o GPT-5.6 Luna Pro custou cerca de $0.02 por resposta, o GPT-6 Astra $0.26, o Claude Opus 5.5 $0.36, o Claude Opus 5 de $0.44 a $0.46 e o Claude Fable 5.1 $0.72. O comprimento da resposta pesa tanto na fatura como o preço por token: o Astra cobra o dobro da tarifa por token do Opus 5 e ainda assim custa 1.7x menos por resposta, porque escreve cerca de 3.5x menos tokens.

    Onde se posicionam plataformas de IA jurídica como a Harvey face aos modelos de fronteira?

    No benchmark de tarefas de 50 pontos da HAQQ, com 11 categorias e 19 participantes, o Harvey Tenet tem uma média de 37.9/50, à frente do CoCounsel (36.6), da Legora (35.9) e do LexisNexis +AI (32.0), e atrás do Claude Fable 5 (42.7) e do Claude Opus 4.8 (40.8). A melhor classificação da Harvey numa única categoria é a posição 2. A HAQQ é a autora desse benchmark e fica em primeiro lugar nele com 46.8/50, por isso trate-o como a tabela classificativa de um fornecedor e verifique o método.

    Qual é o melhor modelo Claude para trabalho jurídico?

    No benchmark jurídico de 50 pontos da HAQQ (pontuações a 20 de outubro de 2026), o Claude Fable 5 teve uma média de 42.7/50 e o Claude Opus 4.8 40.8, ambos à frente da Harvey (37.9). O Claude com plugins jurídicos obteve 33.9, abaixo do Claude simples. O Claude simples adequa-se a análise, primeiras versões e documentos longos, mas não é um sistema de registo nem um verificador de citações. A HAQQ realizou o benchmark e fica em primeiro lugar nele, por isso volte a testar com os seus próprios processos.

    Onde posso encontrar resultados de benchmarks independentes de ferramentas de IA jurídica?

    Investigadores do Stanford RegLab (Magesh et al., 2024) mediram de forma independente taxas de alucinação de cerca de 17% no Lexis+ AI e de 33% no Westlaw AI-Assisted Research. O benchmark de 50 pontos da HAQQ, com 19 ferramentas e modelos, publica todas as pontuações por categoria em haqq.ai/compare-us, mas não é independente: foi a HAQQ que o realizou, fica em primeiro lugar nele e nenhum terceiro o auditou.

    O que vem a seguir?

    Experimente HAQQ AI grátis

    Experimente a redação e pesquisa jurídica com IA

    Calcule seu ROI

    Veja quanto tempo e dinheiro o HAQQ economiza para seu escritório

    Explore Prompts jurídicos

    Prompts prontos para cada tarefa jurídica

    Voltar ao Blog

    Artigo anterior

    HAQQ lança a sua app móvel e leva a Legal AI às situações jurídicas do dia a dia

    Próximo artigo

    Consulta Jurídica Gratuita com IA: O Que Pode e Não Pode Fazer (2026)

    Nesta página

    16 min de leitura

    1. 01Dados principais
    2. 02Qual é a IA mais adequada para trabalho jurídico em outubro de 2026?
    3. Atualização de outubro de 2026: que resultado está em vigor
    4. 03Qual é a IA mais precisa para pesquisa jurídica?
    5. 04Um modelo maior ou mais recente alucina menos?
    6. 05Teste anterior: estratégia de contencioso em Nova Iorque (jan. 2026)
    7. 06Como realizámos o benchmark de junho com 300 tarefas?
    8. 07O que mostrou a classificação de junho de 2026?
    9. 08Com que frequência os modelos de IA citam direito que não sustenta a resposta?
    10. 09Há um modelo que vença em todas as áreas de prática?
    11. 10Quanto custa cada modelo por tarefa jurídica?
    12. 11Como se comparam as plataformas de IA jurídica com os modelos de fronteira?
    13. 12Que fornecedor lidera em todos os testes?
    14. 13Posso confiar nestes benchmarks?
    15. 14Como deve um escritório escolher um modelo hoje?
    16. 15Fontes
    17. 16Leituras relacionadas

    Partilhe este artigo

    Ponha isto a trabalhar

    Faça ao HAQQ a pergunta que este artigo lhe levantou.

    HAQQ across all devices
    HAQQ Legal AI Platform Logo

    O seu Gémeo IA Jurídico & Sistema de Gestão de Prática para redigir, faturar e vencer.

    Transferir naApp StoreDisponível noGoogle Play

    Documentações

    • Docs abre num novo separador
    • Primeiros passos abre num novo separador
    • Sala de imprensa abre num novo separador
    • Atualizações do produto abre num novo separador
    • Estado abre num novo separador
    • Confiança abre num novo separador
    • Segurança
    • FAQ abre num novo separador
    • Comunidade abre num novo separador
    • Apoio abre num novo separador

    Academy

    • Parceiro abre num novo separador
    • Curso abre num novo separador
    • Prompts abre num novo separador
    • Labs abre num novo separador

    Site

    • eFirm
    • Chat IA Jurídico
    • App Móvel
    • Motor Justinian
    • HAQQ eBar
    • HAQQ eWallet
    • Preços
    • Compare-nos
    • Soluções
    • Blog
    • Conhecer a equipa
    • Junte-se a nós abre num novo separador
    Abrir a app
    • Idiomasenarfresitdeptrohics
    • Contatoinfo@haqq.ai
    • Estadooperacional·fundamentado
    • Termos de Serviço
    • Política de Privacidade
    • Política de Cookies
    • Processamento de Dados
    • Humanos abre num novo separador
    • Advogados abre num novo separador
    • Segurança abre num novo separador
    © 2026 HAQQ Inc. Todos os direitos reservados.Produto desenvolvido internamente pela HAQQ. Site construído com ferramentas web modernas.

    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.