Astra for Law של OpenAI היא מערכת AI משפטית, לא מודל חדש

לפי SiliconANGLE, Astra for Law מופיעה בפני משרדים נבחרים דרך תוכנית Trusted Access ב-ChatGPT וב-Codex, שם היא רשומה בבורר המודלים כ-GPT-6 Astra Law. גרסת API בשם gpt-6-astra-law מתוכננת, אך לפי הדיווח OpenAI עדיין לא צירפה תאריך או תמחור להשקת ה-API הזו.

האינדקס המשפטי רחב. SiliconANGLE מדווחת שהוא מגיע לפסיקה אמריקאית, חוקים, תקנות, כללי בית משפט והחלטות מנהליות ביותר מ-230 מיליון URLs, עם מקורות שמתווספים מדי יום. מסד הנתונים CourtListener של העמותה Free Law Project מספק את הפסיקה.

ההשקה כוללת גם אקוסיסטם של שותפים. לפי הדיווח, 26 plugins שנבנו על ידי שותפים הושקו לצד המודל, ומחברים את ChatGPT לכלים משפטיים ובהם Relativity, Clio, iManage ו-DeepJudge. Thomson Reuters מביאה את הקשרי התיקים של HighQ אל ChatGPT ומציגה תצוגה מקדימה של connector עבור CoCounsel Legal. עוד תשעה plugins הגיעו מעורכי דין ומהנדסים משפטיים מחוץ לקבוצת הספקים, עם 47 מיומנויות מותאמות אישית.

ChatGPT for Word הגיע גם הוא לזמינות כללית באותו יום, לפי הדיווח. קל לפספס את הפרט הזה, אבל הוא חשוב: עבודה משפטית עדיין מתרחשת במסמכים. אם מחקר, ניסוח, סימון שינויים והקשרי תיק נפגשים כולם בתוך הכלים שעורכי הדין כבר משתמשים בהם, אימוץ מפסיק להיות רק שאלה של איכות המודל והופך לשאלה של זרימת עבודה.

הבנצ׳מרק שבחרה OpenAI, כפי שמתארת SiliconANGLE, מתגמל מציאת סמכות משפטית נכונה ואת הקטע הנכון בתוכה. Astra for Law עברה את בדיקת הנכונות הכוללת ב-54% מתוך 200 שאלות שנלקחו מקבוצת האימות הפרטית של Legal Research Bench של Vals AI. GPT-6 Astra עם חיפוש אינטרנט בלבד הגיע ל-38.7% על אותן שאלות, כששתי המערכות הופעלו ברמת מאמץ ההסקה הגבוהה ביותר שלהן.

בשאלות פסיקה, Astra for Law מצאה 24% יותר מקרי ייחוס. בקבוצה מבוקרת נפרדת, היא אחזרה עד 54% יותר מקטעי היעד מתוך פסקי הדין הנכונים.

המספרים האלה תומכים בקריאה צרה: איכות האחזור והאריזה המשפטית-ייעודית שיפרו את הביצועים במשימות שנבדקו. הם לא מוכיחים שהמערכת מוכנה להחליף שיקול דעת במחקר משפטי, שהיא עובדת באותה מידה מחוץ לבנצ׳מרק, או שכל תשובה תהיה בטוחה לשימוש בלי בדיקה.

זו לא ביקורת. זו הדרך הרגילה לקרוא בנצ׳מרקים של AI משפטי. מחקר משפטי לא סולח, כי להיות כמעט צודק עדיין עלול להיות שגוי. מערכת עשויה למצוא מקרה רלוונטי אבל לפספס את הסמכות המחייבת. היא עשויה לזהות את פסק הדין הנכון אבל לצטט את הקטע הלא נכון. היא עשויה לנסח כלל שצומצם מאוחר יותר. בנצ׳מרקים שבודקים גם אחזור סמכות וגם אחזור קטעים קרובים יותר למשימה האמיתית ממבחני חיפוש אינטרנט גנריים, אבל שימוש בפרודקשן עדיין תלוי בבדיקה, אימות ציטוטים וסטנדרטים ספציפיים של המשרד.

עבור בונים, הלקח מוכר ממערכות RAG: המודל הוא רק חלק מהמערכת. שכבת האחזור, איכות הקורפוס, הדירוג, הציטוטים וסט ההערכה הם שקובעים לעיתים קרובות אם אפשר לסמוך על התשובה הסופית. צוותים שבונים עוזרים משפטיים, רגולטוריים או עוזרי ציות משלהם צריכים להתחיל מסט זהב תחומי לפני שהם מתווכחים איזה מודל הכי טוב. המדריך שלנו ל-חלוקת RAG למקטעים וציטוטים מכסה את אותו דפוס פרודקשן מחוץ לתחום המשפטי.

ההשקה לא עוסקת רק בחיפוש. SiliconANGLE מדווחת כי עבור משרדים זכאים, ההצעה כוללת אפס שמירת נתונים ב-API, ושימוש ב-ChatGPT Enterprise מוחרג כברירת מחדל מבדיקה אנושית. Latham & Watkins עובדת עם OpenAI על תכנון ממשל להרשאות מידע, חומות אתיות והוראות לקוח.

הפרטים האלה אינם קוסמטיים. משרדי עורכי דין רגישים באופן חריג לשאלה מי יכול לראות איזה תיק, אילו הוראות לקוח חלות, והאם שתי קבוצות צריכות להיות מבודדות זו מזו. מערכת AI משפטית שמתעלמת מחומות אתיות אינה רק לא נוחה. היא יכולה ליצור סיכוני אחריות מקצועית ובעיות סודיות.

כאן כלים כלליים של AI נכשלים לעיתים קרובות בתוך ארגונים. הם יכולים לסכם, לנסח ולחפש מספיק טוב בהדגמה, אבל הם לא מבינים באופן טבעי הרשאות של משרד, גבולות של תיק, כללי אישור או מדיניות שמירה. צריך לתכנן את הבקרות האלה לתוך המעטפת שסביב המודל.

Joel Hron, סמנכ״ל הטכנולוגיות של Thomson Reuters, ניסח את הנקודה בבירור בדוח של SiliconANGLE: ״ככל ש-AI הופכת פתוחה ואינטרופרבילית יותר, הערך אינו נמצא בחיבוריות בלבד. אנשי מקצוע משפטיים צריכים יותר מגישה למידע. הם צריכים מודיעין מהימן, הקשר ארגוני והקשר תיק רלוונטיים, יכולות משפטיות ייעודיות, ואת הממשל הנדרש לעבודה עתירת סיכון.״

המשפט הזה תקף מעבר למשפט. לצוותי בריאות, פיננסים, ביטוח, רכש והמגזר הציבורי יש את אותה צורת בעיה בסיסית: הקשר פרטי, החלטות מפוקחות, גישה לכלים, יכולת ביקורת ואחריות אנושית. ייתכן שהשוק המשפטי פשוט מאלץ את הדרישות האלה לצאת לאור מוקדם יותר.

אם אתם מתכננים זרימות עבודה של AI בסביבה עתירת סיכון, התייחסו לממשל כאל פיצ׳ר, לא כאל מחשבה מאוחרת. קריאות לכלים שמשנות רשומות, שולחות הודעות, מגישות מסמכים או חושפות נתוני לקוח צריכות לעבור במסלולי בדיקה מפורשים. מערכות human-in-the-loop כמו אישורי פעולות AI אינן רק מעקות בטיחות; הן הדרך שבה ארגונים משאירים את ה-AI שימושית בלי לתת לה סמכות בלתי מוגבלת.

העובדה ש-Astra for Law היא תצורת GPT-6 Astra היא החלק השימושי ביותר בהכרזה עבור בוני AI. היא מצביעה על הכיוון שאליו נראה ש-AI ארגוני מתקדם: לא מודל מונוליתי אחד לכל תעשייה, אלא מודלי frontier רב-שימושיים שנארזים עם קורפוסים תחומיים, הוראות, כלים, הרשאות והערכה.

הארכיטקטורה הזו מעשית יותר מאימון מודל חדש לכל מקצוע. עבודה משפטית צריכה פסיקה והקשרי תיק. תמיכת לקוחות צריכה כרטיסים, מדיניות ופעולות CRM. סוכני הנדסה צריכים repos, מערכות לניהול issues וכלי deployment. צוותי פיננסים צריכים ספרי חשבונות, אישורים ונתיבי ביקורת. מודל הבסיס מספק שפה, הסקה ויכולת שימוש בכלים; המערכת שסביבו מספקת את התחום.

זו גם הסיבה שניתוב מודלים ותזמור חשובים. שלבים שונים בזרימת עבודה עשויים לדרוש יכולות שונות: הסקה עמוקה לניתוח משפטי, אחזור מהיר לחיפוש ציטוטים, פלט מובנה לטבלת סעיפי טיוטה, או מודל מוגבל ובטוח יותר לעיצוב. פלטפורמה שיכולה לבחור בין מודלי AI מרובים קלה יותר להתאמה ממערך של מודל יחיד, במיוחד כשעלות, השהיה ואמינות משתנות לפי משימה.

אותו דפוס חל גם על כלים. מודל שיכול לענות על שאלות הוא שימושי. מודל שיכול לאחזר ממאגר ידע מורשה, לקרוא למערכת מסמכים, לפתוח הקשר תיק ולהפיק סימון שינויים הוא זרימת עבודה. בונים יכולים לקרב את המבנה הזה באמצעות מחברי API, מאגרי ידע ומעטפות סוכנים, אבל הם צריכים לבדוק כל חיבור כחלק מהמוצר, לא כתוספת הדגמה.

SiliconANGLE מדווחת שגם מהנדסי OpenAI שהשתלבו במשרדים ספציפיים בנו כלים ייעודיים למשרד על גבי ChatGPT Enterprise. ל-Sullivan & Cromwell יש מנתח הסכמים שמושך playbooks למשא ומתן ותקדימים נבחרים לתוך בדיקה של עסקה חדשה, ואז הופך את מה שמצא להצעות לסימון שינויים. Ropes & Gray התמקדו בבדיקת נאותות של עסקאות. GO Public של Cooley מטפל בהכנה להנפקה ראשונית, כולל ניסוח המסמך להגשה.

הדוגמאות האלה קונקרטיות יותר מ-„AI לעורכי דין”. הן מראות איפה כנראה נמצא הערך בטווח הקרוב: עבודה חוזרת, עתירת מסמכים ומודעת תקדימים, שבה למשרד כבר יש תהליך וגוף של דוגמאות פנימיות.

אפשר לתחום מנתח הסכמים. הוא יכול להשוות טיוטה מול playbooks. הוא יכול לצטט תקדימים. הוא יכול להציע סימוני שינויים שעורך דין יקבל, ידחה או יתקן. זרימות בדיקת נאותות אפשר לפרק לרשימות בדיקה, סקירת מסמכים, חילוץ סוגיות וסיכומים. להכנת IPO יש תוצרים מוכרים ועוצמת מסמכים גבוהה.

זה לא הופך את העבודה לקלה. זה הופך אותה לניתנת להגדרה. מערכות AI מתפקדות טוב יותר כשלזרימת העבודה יש גבולות, חומרי מקור, קריטריוני קבלה ושלבי בדיקה. סוכנים עמומים של „עשו עבודה משפטית” הרבה יותר קשים לאמון ממערכות צרות שמנסחות מול playbook ידוע.

עבור צוותים מחוץ לתחום המשפטי, זו התבנית הטובה יותר. אל תתחילו מהעוזר הרחב ביותר האפשרי. התחילו מזרימת עבודה אחת שיש לה קלטים ידועים, פלטים ידועים ובודק שיכול לומר אם העבודה טובה. אם המשימה משתרעת על פני כמה תפקידים או כלים, מערכת מרובת סוכנים מתוכננת עשויה לעזור, אבל רק אחרי שזרימת העבודה עצמה מובנת.

עבור משרדי עורכי דין עם גישה ל-Astra for Law, השאלה הראשונה אינה אם הבנצ׳מרק מרשים. השאלה הראשונה היא איפה אפשר לבדוק את המערכת בבטחה מול עבודה קיימת. מועמדים טובים הם מזכרי מחקר, איסוף ראשוני של סמכויות, השוואת תקדימים, סיכומי בדיקת נאותות ובדיקת טיוטות מול playbooks פנימיים. מועמדים גרועים הם ייעוץ סופי ללא פיקוח, החלטות הגשה ללא בדיקה, או כל זרימת עבודה שבה אי אפשר לבדוק את מקור הסמכות.

צוותים צריכים לבנות הערכה סביב התיקים שלהם. בנצ׳מרק ציבורי או פרטי יכול להראות יכולת כללית, אבל משרד צריך לדעת אם המערכת מתפקדת בתחומי העיסוק שלו, מול הסמכויות המועדפות עליו, מוסכמות המסמכים שלו וסבילות הסיכון שלו. עקבו לא רק אחרי נכונות התשובה, אלא גם אחרי איכות ציטוטים, סמכויות שהוחמצו, ביטחון שווא, זמן שנחסך, עריכות בודקים ושיעור הסלמה.

עבור ספקי AI משפטי, ההכרזה מעלה את הרף. עטיפה דקה סביב מודל צ׳אט תהיה קשה יותר להגנה אם ספקיות פלטפורמה מציעות אינדקסים משפטיים, בקרות ארגוניות, plugins וגישה ל-API. ספקים יצטרכו לנצח בעומק זרימת עבודה קנייני, הקשרי תיק, אינטגרציות, UX, ממשל ואמון לקוחות.

עבור כל השאר שבונים עם AI, Astra for Law היא מקרה בוחן באריזה. החפיר אינו רק prompt. הוא השילוב של מודל, אחזור, הרשאות, כלים, הערכה והמקום שבו העבודה כבר מתרחשת.

לפי SiliconANGLE, OpenAI תיארה את ההשקה כתחילתה של השקעה ארוכת טווח בתחום המשפט. הפרשנות הבטוחה ביותר היא גם השימושית ביותר: AI תחומי הופך לפחות לשאלה של שאילת שאלות קשות יותר לצ׳אטבוט כללי, ויותר לבניית מערכות שיודעות איפה לחפש, במה מותר להן לגעת, מתי לבקש אישור ואיך להשאיר לבודק עבודה שניתנת לאימות.

לעוד חדשות AI ומדריכים מעשיים, הירשמו ל-ניוזלטר של LIA.

• Astra for Law מתוארת כתצורת GPT-6 Astra למחקר ולכתיבה משפטיים, לא כמודל יסוד נפרד.
• שיפורי הבנצ׳מרק שדווחו מצביעים על הערך של אחזור ייעודי למשפט, איכות קורפוס והערכה ממוקדת ציטוטים.
• ממשל הוא מרכזי למוצר, כי AI משפטי חייב לכבד הרשאות תיק, חומות אתיות, מדיניות שמירה ומסלולי בדיקה.
• ההשקה מרמזת על דפוס ארגוני רחב יותר: מודלי frontier שנארזים עם נתונים תחומיים, כלים, הרשאות והערכות.
• מקרי השימוש הברורים ביותר הם זרימות עבודה תחומות ועתירות מסמכים, כמו מזכרי מחקר, השוואת תקדימים, סיכומי בדיקת נאותות ובדיקת טיוטות.

Astra for Law מדווחת כתצורת מחקר וכתיבה משפטית של מודל GPT-6 Astra של OpenAI. היא מוסיפה למודל הבסיס אינדקס חיפוש משפטי, הנחיות לניתוח משפטי ואינטגרציות סביבו.

לא. המאמר מתאר אותה כתצורה של GPT-6 Astra ולא כמודל יסוד נפרד, ולכן האחזור, הכלים והממשל שמסביב חשובים כל כך.

לפי הדיווח, Astra for Law עברה את בדיקת הנכונות הכוללת ב-54% מתוך 200 שאלות Legal Research Bench, לעומת 38.7% ל-GPT-6 Astra שהשתמש בחיפוש אינטרנט בלבד.

מערכות AI משפטיות עשויות לגעת בתיקים חסויים, הוראות לקוח ומסמכים עם הרשאות. בלי בקרות כמו חומות אתיות, מדיניות שמירה ושלבי בדיקה, הן יכולות ליצור סיכוני אחריות מקצועית ובעיות סודיות.

הדפוס השימושי הוא לארוז מודל חזק עם נתונים תחומיים, כלים, הרשאות, הערכות ובדיקה אנושית, ואז להחיל אותו על זרימות עבודה תחומות עם קלטים ופלטים ברורים.