Astra for Law da OpenAI é um sistema de IA jurídica, não um novo modelo

Segundo a SiliconANGLE, o Astra for Law surge para sociedades selecionadas através de um programa Trusted Access no ChatGPT e no Codex, onde aparece no seletor de modelos como GPT-6 Astra Law. Está prevista uma versão de API chamada gpt-6-astra-law, mas o relatório afirma que a OpenAI ainda não associou uma data nem preços a esse lançamento da API.

O índice jurídico é amplo. A SiliconANGLE relata que abrange jurisprudência dos EUA, leis, regulamentos, regras dos tribunais e decisões administrativas em mais de 230 milhões de URL, com fontes adicionadas diariamente. A base de dados CourtListener da organização sem fins lucrativos Free Law Project fornece a jurisprudência.

O lançamento também inclui um ecossistema de parceiros. Vinte e seis plugins criados por parceiros terão sido lançados juntamente com o modelo, ligando o ChatGPT a ferramentas jurídicas incluindo Relativity, Clio, iManage e DeepJudge. A Thomson Reuters está a levar o contexto de processos do HighQ para o ChatGPT e a apresentar uma antevisão de um conector para o CoCounsel Legal. Outros nove plugins vieram de advogados e engenheiros jurídicos fora do conjunto de fornecedores, trazendo 47 competências personalizadas.

O ChatGPT for Word também chegou à disponibilidade geral no mesmo dia, segundo o relatório. Esse detalhe é fácil de ignorar, mas é importante: o trabalho jurídico continua a acontecer em documentos. Se a investigação, a redação, a revisão com alterações e o contexto do assunto se encontram todos dentro das ferramentas que os advogados já usam, a adoção deixa de ser apenas uma questão de qualidade do modelo e passa a ser uma questão de fluxo de trabalho.

O benchmark escolhido pela OpenAI, tal como descrito pela SiliconANGLE, recompensa encontrar a autoridade jurídica certa e a passagem certa dentro dela. O Astra for Law passou na verificação geral de correção em 54% de 200 perguntas retiradas do conjunto privado de validação do Legal Research Bench da Vals AI. O GPT-6 Astra apenas com pesquisa na Web atingiu 38,7% nas mesmas perguntas, com ambos os sistemas executados no seu nível máximo de esforço de raciocínio.

Nas perguntas sobre jurisprudência, o Astra for Law encontrou mais 24% de casos de referência. Num conjunto auditado separado, recuperou até mais 54% das passagens-alvo das decisões corretas.

Estes números sustentam uma leitura restrita: a qualidade da recuperação e o empacotamento específico para o direito melhoraram o desempenho nas tarefas testadas. Não provam que o sistema esteja pronto para substituir o julgamento de investigação jurídica, que funcione igualmente bem fora do benchmark ou que todas as respostas sejam seguras de usar sem revisão.

Isso não é uma crítica. É a forma normal de ler benchmarks de IA jurídica. A investigação jurídica é implacável porque estar quase certo ainda pode estar errado. Um sistema pode encontrar um caso relevante, mas falhar a autoridade vinculativa. Pode identificar a decisão certa, mas citar a passagem errada. Pode enunciar uma regra que foi posteriormente restringida. Benchmarks que testam tanto a recuperação de autoridade como de passagens estão mais próximos da tarefa real do que testes genéricos de pesquisa na Web, mas a utilização em produção continua a depender de revisão, verificação de citações e normas específicas da sociedade.

Para criadores, a lição é familiar dos sistemas RAG: o modelo é apenas uma parte do sistema. A camada de recuperação, a qualidade do corpus, a ordenação, as citações e o conjunto de avaliação decidem muitas vezes se a resposta final é fiável. Equipas que criam os seus próprios assistentes jurídicos, de políticas ou de compliance devem começar com um conjunto dourado específico do domínio antes de discutirem qual é o melhor modelo. O nosso guia sobre chunking e citações em RAG aborda o mesmo padrão de produção fora do domínio jurídico.

O lançamento não se resume à pesquisa. A SiliconANGLE relata que, para sociedades elegíveis, a oferta inclui retenção de dados zero na API, e a utilização do ChatGPT Enterprise fica excluída por defeito da revisão humana. A Latham & Watkins está a trabalhar com a OpenAI no desenho de governação para permissões de informação, barreiras éticas e instruções de clientes.

Estes detalhes não são cosméticos. As sociedades de advogados são invulgarmente sensíveis a quem pode ver que assunto, que instruções de cliente se aplicam e se duas equipas devem estar isoladas uma da outra. Um sistema de IA jurídica que ignore barreiras éticas não é apenas inconveniente. Pode criar problemas de risco profissional e confidencialidade.

É aqui que as ferramentas de IA de uso geral falham frequentemente dentro das empresas. Conseguem resumir, redigir e pesquisar suficientemente bem numa demonstração, mas não compreendem naturalmente permissões da sociedade, fronteiras dos assuntos, regras de aprovação ou políticas de retenção. Esses controlos têm de ser desenhados na estrutura à volta do modelo.

Joel Hron, diretor de tecnologia da Thomson Reuters, colocou a questão de forma clara no relatório da SiliconANGLE: «À medida que a IA se torna mais aberta e interoperável, o valor não está apenas na conectividade. Os profissionais jurídicos precisam de mais do que acesso à informação. Precisam de inteligência de confiança, contexto empresarial e de assunto relevante, capacidades jurídicas criadas para esse fim e a governação necessária para trabalho de alto risco.»

Essa frase aplica-se para lá do direito. Equipas de saúde, finanças, seguros, procurement e setor público têm a mesma forma básica de problema: contexto privado, decisões reguladas, acesso a ferramentas, auditabilidade e responsabilidade humana. O mercado jurídico pode simplesmente obrigar a que esses requisitos venham a público mais cedo.

Se está a desenhar fluxos de trabalho de IA num contexto de alto risco, trate a governação como uma funcionalidade, não como uma reflexão tardia. Chamadas de ferramentas que alterem registos, enviem mensagens, submetam documentos ou exponham dados de clientes devem passar por percursos de revisão explícitos. Sistemas human-in-the-loop como aprovações de ações de IA não são apenas barreiras de segurança; são a forma como as organizações mantêm a IA útil sem lhe dar autoridade sem controlo.

O facto de o Astra for Law ser uma configuração do GPT-6 Astra é a parte mais útil do anúncio para quem cria IA. Aponta para onde a IA empresarial parece estar a caminhar: não um modelo monolítico para todas as indústrias, mas modelos de fronteira reutilizáveis empacotados com corpora de domínio, instruções, ferramentas, permissões e avaliação.

Essa arquitetura é mais prática do que treinar um novo modelo para cada profissão. O trabalho jurídico precisa de jurisprudência e contexto de assunto. O apoio ao cliente precisa de tickets, políticas e ações de CRM. Agentes de engenharia precisam de repositórios, gestores de issues e ferramentas de deployment. Equipas financeiras precisam de livros-razão, aprovações e trilhos de auditoria. O modelo de base fornece linguagem, raciocínio e capacidade de usar ferramentas; o sistema envolvente fornece o domínio.

É também por isso que o encaminhamento e a orquestração de modelos importam. Diferentes passos num fluxo de trabalho podem precisar de capacidades diferentes: raciocínio profundo para análise jurídica, recuperação rápida para procura de citações, saída estruturada para uma tabela de cláusulas em rascunho ou um modelo restrito mais seguro para formatação. Uma plataforma que consegue escolher entre múltiplos modelos de IA é mais fácil de adaptar do que uma stack de modelo único, especialmente quando custo, latência e fiabilidade variam por tarefa.

O mesmo padrão aplica-se às ferramentas. Um modelo que consegue responder a perguntas é útil. Um modelo que consegue recuperar informação de uma base de conhecimento com permissões, chamar um sistema documental, abrir o contexto de um assunto e produzir uma versão com alterações é um fluxo de trabalho. Os criadores podem aproximar-se dessa estrutura com conectores de API, bases de conhecimento e estruturas de agentes, mas têm de testar cada ligação como parte do produto, não como um extra de demonstração.

A SiliconANGLE relata que engenheiros da OpenAI integrados em sociedades individuais também têm criado ferramentas específicas de cada sociedade no ChatGPT Enterprise. A Sullivan & Cromwell tem um analisador de acordos que puxa playbooks de negociação e precedentes selecionados para a revisão de um novo negócio, transformando depois o que encontra em alterações propostas. A Ropes & Gray concentrou-se na due diligence de transações. O GO Public da Cooley trata da preparação de ofertas públicas iniciais, incluindo a redação da documentação a apresentar.

Estes exemplos são mais concretos do que «IA para advogados». Mostram onde provavelmente está o valor de curto prazo: trabalho repetível, intensivo em documentos e atento a precedentes, em que a sociedade já tem um processo e um conjunto de exemplos internos.

Um analisador de acordos pode ser delimitado. Pode comparar um rascunho com playbooks. Pode citar precedentes. Pode propor alterações para um advogado aceitar, rejeitar ou rever. Fluxos de due diligence podem ser decompostos em checklists, revisão de documentos, extração de issues e resumos. A preparação de IPO tem artefactos conhecidos e elevada intensidade documental.

Isso não torna o trabalho fácil. Torna-o definível. Os sistemas de IA têm melhor desempenho quando o fluxo de trabalho tem limites, material de origem, critérios de aceitação e passos de revisão. Agentes vagos para «fazer trabalho jurídico» são muito mais difíceis de confiar do que sistemas restritos que redigem com base num playbook conhecido.

Para equipas fora do direito, este é o melhor modelo. Não comece pelo assistente mais amplo possível. Comece por um fluxo de trabalho com entradas conhecidas, saídas conhecidas e um revisor que consiga dizer se o trabalho está bom. Se a tarefa abranger vários papéis ou ferramentas, um sistema multiagente desenhado para isso pode ajudar, mas só depois de o próprio fluxo de trabalho estar compreendido.

Para sociedades de advogados com acesso ao Astra for Law, a primeira pergunta não é se o benchmark é impressionante. A primeira pergunta é onde o sistema pode ser testado em segurança contra trabalho existente. Bons candidatos são memorandos de investigação, recolha inicial de autoridades, comparação de precedentes, resumos de due diligence e revisão de rascunhos face a playbooks internos. Maus candidatos são aconselhamento final sem supervisão, decisões de submissão sem revisão ou qualquer fluxo de trabalho em que a fonte de autoridade não possa ser verificada.

As equipas devem construir a avaliação em torno dos seus próprios assuntos. Um benchmark público ou privado pode mostrar capacidade geral, mas uma sociedade precisa de saber se o sistema tem desempenho nas suas áreas de prática, autoridades preferidas, convenções documentais e tolerância ao risco. Acompanhe não só a correção da resposta, mas também a qualidade das citações, autoridades omitidas, falsa confiança, tempo poupado, edições do revisor e taxa de escalamento.

Para fornecedores de IA jurídica, o anúncio eleva a fasquia. Um invólucro fino à volta de um modelo de chat será mais difícil de defender se os fornecedores de plataformas oferecerem índices jurídicos, controlos empresariais, plugins e acesso por API. Os fornecedores terão de vencer pela profundidade proprietária do fluxo de trabalho, contexto de assunto, integrações, UX, governação e confiança dos clientes.

Para todos os outros que criam com IA, o Astra for Law é um estudo de caso em empacotamento. O fosso defensivo não é simplesmente um prompt. É a combinação de modelo, recuperação, permissões, ferramentas, avaliação e o local onde o trabalho já acontece.

A OpenAI descreveu o lançamento como o início de um investimento de longo prazo no direito, segundo a SiliconANGLE. A interpretação mais segura é também a mais útil: a IA de domínio está a tornar-se menos sobre fazer perguntas mais difíceis a um chatbot geral e mais sobre criar sistemas que sabem onde procurar, no que podem tocar, quando pedir aprovação e como deixar um revisor com trabalho verificável.

Para mais notícias sobre IA e guias práticos, subscreva a newsletter da LIA.

• O Astra for Law é descrito como uma configuração do GPT-6 Astra para investigação e redação jurídica, não como um modelo de base separado.
• Os ganhos de benchmark reportados apontam para o valor da recuperação específica para o direito, da qualidade do corpus e da avaliação focada em citações.
• A governação é central para o produto porque a IA jurídica tem de respeitar permissões de assuntos, barreiras éticas, políticas de retenção e percursos de revisão.
• O lançamento sugere um padrão empresarial mais amplo: modelos de fronteira empacotados com dados de domínio, ferramentas, permissões e avaliações.
• Os casos de uso mais claros são fluxos de trabalho delimitados e intensivos em documentos, como memorandos de investigação, comparação de precedentes, resumos de due diligence e revisão de rascunhos.

O Astra for Law é reportado como uma configuração de investigação e redação jurídica do modelo GPT-6 Astra da OpenAI. Acrescenta um índice de pesquisa jurídica, instruções de análise jurídica e integrações à volta do modelo de base.

Não. O artigo descreve-o como uma configuração do GPT-6 Astra, e não como um modelo de base separado, razão pela qual a recuperação, as ferramentas e a governação envolventes importam tanto.

Segundo o relatório, o Astra for Law passou na verificação geral de correção em 54% de 200 perguntas do Legal Research Bench, em comparação com 38,7% do GPT-6 Astra usando apenas pesquisa na Web.

Os sistemas de IA jurídica podem tocar em assuntos confidenciais, instruções de clientes e documentos com permissões. Sem controlos como barreiras éticas, políticas de retenção e passos de revisão, podem criar problemas de risco profissional e confidencialidade.

O padrão útil é empacotar um modelo forte com dados específicos do domínio, ferramentas, permissões, avaliações e revisão humana, e depois aplicá-lo a fluxos de trabalho delimitados com entradas e saídas claras.