OpenAI Astra for Law je právní AI systém, ne nový model

Podle SiliconANGLE se Astra for Law vybraným firmám zobrazuje v rámci programu Trusted Access v ChatGPT a Codex, kde je ve výběru modelů uvedena jako GPT-6 Astra Law. Verze API s názvem gpt-6-astra-law je plánovaná, ale podle zprávy OpenAI k jejímu vydání zatím neuvedla datum ani cenu.

Právní index je široký. SiliconANGLE uvádí, že zahrnuje americkou judikaturu, zákony, regulace, soudní pravidla a správní rozhodnutí napříč více než 230 miliony URL, přičemž zdroje se přidávají denně. Judikaturu dodává databáze CourtListener od neziskové organizace Free Law Project.

Součástí spuštění je také partnerský ekosystém. Spolu s modelem bylo údajně spuštěno 26 pluginů vytvořených partnery, které propojují ChatGPT s právními nástroji včetně Relativity, Clio, iManage a DeepJudge. Thomson Reuters přináší kontext právních věcí z HighQ do ChatGPT a ukazuje náhled konektoru pro CoCounsel Legal. Dalších devět pluginů pochází od právníků a právních inženýrů mimo okruh dodavatelů a obsahuje 47 vlastních dovedností.

ChatGPT for Word se podle zprávy ve stejný den také dostal do všeobecné dostupnosti. Ten detail se dá snadno přehlédnout, ale je důležitý: právní práce se stále odehrává v dokumentech. Když se rešerše, drafting, redlining i kontext věci potkají přímo v nástrojích, které právníci už používají, přestává být adopce jen otázkou kvality modelu a stává se otázkou pracovního postupu.

Benchmark, který si OpenAI zvolila, podle popisu SiliconANGLE odměňuje nalezení správné právní autority a správné pasáže v ní. Astra for Law prošla celkovou kontrolou správnosti u 54 % z 200 otázek převzatých ze soukromé validační sady Vals AI Legal Research Bench. GPT-6 Astra pouze s webovým vyhledáváním dosáhla na stejných otázkách 38,7 %, přičemž oba systémy běžely s nejvyšším úsilím v oblasti uvažování.

U otázek k judikatuře našla Astra for Law o 24 % více referenčních případů. Na samostatné auditované sadě získala až o 54 % více cílových pasáží ze správných rozhodnutí.

Tato čísla podporují úzký výklad: kvalita vyhledávání a právně specifické zabalení zlepšily výkon v testovaných úlohách. Nedokazují, že je systém připraven nahradit právní rešeršní úsudek, že funguje stejně dobře mimo benchmark nebo že každá odpověď bude bezpečně použitelná bez kontroly.

To není kritika. Je to normální způsob čtení benchmarků právní AI. Právní rešerše neodpouští, protože být skoro správně může pořád znamenat být špatně. Systém může najít relevantní případ, ale minout rozhodující autoritu. Může identifikovat správné rozhodnutí, ale citovat špatnou pasáž. Může uvést pravidlo, které bylo později zúženo. Benchmarky, které testují jak vyhledání autority, tak vyhledání pasáže, jsou skutečné úloze blíž než obecné testy webového vyhledávání, ale produkční použití pořád závisí na kontrole, ověřování citací a standardech konkrétní kanceláře.

Pro tvůrce plyne známé ponaučení ze systémů RAG: model je jen jedna část systému. O tom, zda lze konečné odpovědi věřit, často rozhoduje vrstva vyhledávání, kvalita korpusu, řazení, citace a evaluační sada. Týmy, které budují vlastní právní, policy nebo compliance asistenty, by měly začít doménově specifickou zlatou sadou dřív, než začnou debatovat o tom, který model je nejlepší. Náš průvodce chunkováním a citacemi v RAG popisuje stejný produkční vzorec mimo právní doménu.

Spuštění není jen o vyhledávání. SiliconANGLE uvádí, že pro oprávněné firmy nabídka zahrnuje nulové uchovávání dat v API a použití ChatGPT Enterprise je ve výchozím nastavení vyloučeno z lidské kontroly. Latham & Watkins spolupracuje s OpenAI na návrhu governance pro oprávnění k informacím, etické bariéry a instrukce klientů.

Tyto detaily nejsou kosmetické. Advokátní kanceláře jsou mimořádně citlivé na to, kdo může vidět kterou věc, jaké klientské instrukce se použijí a zda mají být dva týmy izolované od sebe. Právní AI systém, který ignoruje etické bariéry, není jen nepohodlný. Může vytvářet profesní rizika a problémy s důvěrností.

Právě tady obecné AI nástroje ve firmách často selhávají. V demu umějí dost dobře shrnovat, psát návrhy a vyhledávat, ale samy od sebe nerozumí firemním oprávněním, hranicím právních věcí, schvalovacím pravidlům ani zásadám uchovávání dat. Tyto kontroly musí být navrženy do obalu kolem modelu.

Joel Hron, technologický ředitel ve Thomson Reuters, to ve zprávě SiliconANGLE řekl jasně: „Jak se AI stává otevřenější a interoperabilnější, hodnota není jen v samotné konektivitě. Právní profesionálové potřebují víc než přístup k informacím. Potřebují důvěryhodnou inteligenci, relevantní podnikový kontext a kontext právní věci, účelově vytvořené právní schopnosti a governance vyžadovanou pro práci s vysokými sázkami.“

Tato věta platí i mimo právo. Zdravotnictví, finance, pojišťovnictví, nákupní týmy i veřejný sektor mají stejný základní tvar problému: soukromý kontext, regulovaná rozhodnutí, přístup k nástrojům, auditovatelnost a lidskou odpovědnost. Právní trh možná jen donutí tyto požadavky vystoupit na povrch dříve.

Pokud navrhujete AI pracovní postupy v prostředí s vysokými sázkami, berte governance jako funkci, ne jako dodatečnou myšlenku. Volání nástrojů, která mění záznamy, posílají zprávy, podávají dokumenty nebo vystavují klientská data, by měla procházet explicitními revizními cestami. Systémy human-in-the-loop, jako jsou schvalování akcí AI, nejsou jen bezpečnostní mantinely; jsou způsobem, jak organizace udržují AI užitečnou, aniž by jí daly nekontrolovanou pravomoc.

To, že Astra for Law je konfigurace GPT-6 Astra, je pro tvůrce AI nejužitečnější část oznámení. Ukazuje, kam zřejmě směřuje podniková AI: ne k jednomu monolitickému modelu pro každé odvětví, ale k opakovaně použitelným frontier modelům zabaleným s doménovými korpusy, instrukcemi, nástroji, oprávněními a evaluací.

Tato architektura je praktičtější než trénovat nový model pro každou profesi. Právní práce potřebuje judikaturu a kontext právních věcí. Zákaznická podpora potřebuje tickety, pravidla a akce v CRM. Inženýrští agenti potřebují repozitáře, issue trackery a nástroje pro deployment. Finanční týmy potřebují účetní knihy, schvalování a auditní stopy. Základní model dodává jazyk, uvažování a schopnost používat nástroje; okolní systém dodává doménu.

Právě proto záleží také na routování modelů a orchestraci. Různé kroky v pracovním postupu mohou potřebovat různé schopnosti: hluboké uvažování pro právní analýzu, rychlé vyhledávání citací, strukturovaný výstup pro tabulku navržených doložek nebo bezpečnější omezený model pro formátování. Platforma, která umí vybírat mezi více AI modely, se přizpůsobuje snadněji než stack s jedním modelem, zejména když se náklady, latence a spolehlivost liší podle úlohy.

Stejný vzorec platí pro nástroje. Model, který umí odpovídat na otázky, je užitečný. Model, který umí vyhledávat v znalostní bázi s oprávněními, volat dokumentový systém, otevřít kontext právní věci a vytvořit redline, je pracovní postup. Tvůrci mohou tuto strukturu napodobit pomocí API konektorů, znalostních bází a agentních obalů, ale každé propojení musí testovat jako součást produktu, ne jako demo doplněk.

SiliconANGLE uvádí, že inženýři OpenAI nasazení v jednotlivých kancelářích také budovali nástroje specifické pro dané firmy nad ChatGPT Enterprise. Sullivan & Cromwell má analyzátor smluv, který do kontroly nové transakce vtahuje vyjednávací playbooky a vybrané precedenty a potom to, co najde, převádí na navržené redliny. Ropes & Gray se zaměřila na deal diligence. Cooley GO Public řeší přípravu vstupu na burzu, včetně návrhu podání.

Tyto příklady jsou konkrétnější než „AI pro právníky“. Ukazují, kde pravděpodobně leží krátkodobá hodnota: v opakovatelných, dokumentově náročných činnostech citlivých na precedenty, kde kancelář už má proces a soubor interních příkladů.

Analyzátor smluv lze vymezit. Může porovnat návrh s playbooky. Může citovat precedenty. Může navrhnout redliny, které právník přijme, odmítne nebo upraví. Diligence workflow lze rozložit na kontrolní seznamy, kontrolu dokumentů, extrakci problémů a shrnutí. Příprava IPO má známé artefakty a vysokou intenzitu práce s dokumenty.

To z té práce nedělá snadnou práci. Dělá ji definovatelnou. AI systémy fungují lépe, když má pracovní postup hranice, zdrojový materiál, akceptační kritéria a revizní kroky. Vágním agentům typu „dělej právní práci“ se důvěřuje mnohem hůř než úzkým systémům, které tvoří návrhy podle známého playbooku.

Pro týmy mimo právo je to lepší šablona. Nezačínejte nejširším možným asistentem. Začněte jedním pracovním postupem, který má známé vstupy, známé výstupy a kontrolora, který dokáže říct, zda je práce dobrá. Pokud úloha zahrnuje více rolí nebo nástrojů, může pomoci navržený multiagentní systém, ale až poté, co je pochopen samotný pracovní postup.

Pro advokátní kanceláře s přístupem k Astra for Law není první otázkou to, zda je benchmark působivý. První otázkou je, kde lze systém bezpečně otestovat vůči existující práci. Dobrými kandidáty jsou rešeršní memoranda, prvotní sběr autorit, porovnání precedentů, shrnutí diligence a kontrola návrhů vůči interním playbookům. Špatnými kandidáty jsou nekontrolované finální rady, nerevidovaná rozhodnutí o podání nebo jakýkoli pracovní postup, kde nelze ověřit zdroj autority.

Týmy by měly stavět evaluaci kolem vlastních právních věcí. Veřejný nebo soukromý benchmark může ukázat obecnou schopnost, ale kancelář potřebuje vědět, zda systém funguje v jejích oblastech praxe, preferovaných autoritách, dokumentových konvencích a toleranci rizika. Sledujte nejen správnost odpovědí, ale také kvalitu citací, opomenuté autority, falešnou jistotu, ušetřený čas, úpravy kontrolora a míru eskalací.

Pro dodavatele právní AI oznámení zvyšuje laťku. Tenký obal kolem chatovacího modelu se bude hůře obhajovat, pokud poskytovatelé platforem nabídnou právní indexy, podnikové kontroly, pluginy a API přístup. Dodavatelé budou muset vítězit hloubkou proprietárních pracovních postupů, kontextem právních věcí, integracemi, UX, governance a důvěrou zákazníků.

Pro všechny ostatní, kdo staví s AI, je Astra for Law případovou studií v balení produktu. Příkop není jen prompt. Je to kombinace modelu, vyhledávání, oprávnění, nástrojů, evaluace a místa, kde se práce už odehrává.

OpenAI podle SiliconANGLE popsala spuštění jako začátek dlouhodobé investice do práva. Nejbezpečnější výklad je zároveň nejužitečnější: doménová AI je stále méně o kladení těžších otázek obecnému chatbotu a stále více o budování systémů, které vědí, kde hledat, čeho se smějí dotknout, kdy požádat o schválení a jak předat kontrolorovi ověřitelnou práci.

Pro další AI novinky a praktické průvodce se přihlaste k odběru newsletteru LIA.

• Astra for Law je popisována jako konfigurace GPT-6 Astra pro právní rešerše a přípravu dokumentů, ne jako samostatný základní model.
• Uváděné zlepšení v benchmarku ukazuje hodnotu právně specifického vyhledávání, kvality korpusu a evaluace zaměřené na citace.
• Governance je pro produkt ústřední, protože právní AI musí respektovat oprávnění k věcem, etické bariéry, zásady uchovávání dat a revizní cesty.
• Spuštění naznačuje širší podnikový vzorec: frontier modely zabalené s doménovými daty, nástroji, oprávněními a evaluacemi.
• Nejjasnější případy použití jsou ohraničené, dokumentově náročné pracovní postupy, jako jsou rešeršní memoranda, porovnání precedentů, shrnutí diligence a kontrola návrhů.

Astra for Law je podle zpráv konfigurace modelu GPT-6 Astra od OpenAI pro právní rešerše a přípravu dokumentů. K základnímu modelu přidává právní vyhledávací index, instrukce pro právní analýzu a integrace.

Ne. Článek ji popisuje jako konfiguraci GPT-6 Astra, ne jako samostatný základní model, a právě proto tolik záleží na okolním vyhledávání, nástrojích a governance.

Podle zprávy Astra for Law prošla celkovou kontrolou správnosti u 54 % z 200 otázek Legal Research Bench, zatímco GPT-6 Astra používající pouze webové vyhledávání dosáhla 38,7 %.

Právní AI systémy se mohou dotýkat důvěrných věcí, klientských instrukcí a dokumentů chráněných oprávněními. Bez kontrol, jako jsou etické bariéry, zásady uchovávání dat a revizní kroky, mohou vytvářet profesní rizika a problémy s důvěrností.

Užitečný vzorec je zabalit silný model s doménově specifickými daty, nástroji, oprávněními, evaluacemi a lidskou kontrolou a potom ho použít na ohraničené pracovní postupy s jasnými vstupy a výstupy.