Astra for Law leads in legal intelligence
Quick Summary
OpenAI는 GPT‑6.2 Astra 기반의 법률 특화 구성인 Astra for Law가 법률 실무 평가 LAB AA에서 1위, Vals AI의 법률 조사 평가에서 상위권에 올랐으며, 모든 ChatGPT Enterprise 고객이 이용을 신청할 수 있다고 발표했다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약
OpenAI는 GPT‑6.2 Astra 기반의 법률 특화 구성인 Astra for Law가 법률 실무 평가 LAB-AA에서 1위, Vals AI의 법률 조사 평가에서 상위권에 올랐으며, 모든 ChatGPT Enterprise 고객이 이용을 신청할 수 있다고 발표했다.
📌 핵심 요약
- OpenAI는 2026년 11월 17일 Astra for Law 업데이트를 발표했다. 모든 ChatGPT Enterprise 고객은 관리자 콘솔의 Trusted Access Program에서 이용을 신청할 수 있으며, 자체 도구에 연동하기 위한 API 접근도 신청할 수 있다.
- Artificial Analysis의 LAB-AA는 24개 법 분야의 120개 과제를 평가했다. 모든 요건을 충족한 과제 비율은 Astra for Law 20.8%, GPT‑6.2 Astra 15.0%, Muse Wonder Full 13.1%였다. 과제당 평균 출력은 Astra for Law가 약 64,000토큰으로 Muse Wonder Full의 139,000토큰보다 54% 적었다.
- LAB-AA에서 출처가 뒷받침하지 않아 독자를 오도할 수 있는 중대한 오류는 Astra for Law가 과제당 평균 0.03건으로 GPT‑6와 공동 최저였다. GPT‑6.2 Astra는 0.06건, OpenAI 이외 모델 중 이 수치가 가장 낮은 Claude Opus 5.5는 0.59건이었다.
- Vals AI의 Legal Research Bench에서 Astra for Law의 만점률은 9월 약 46%에서 11월 16일 53.8%로 올랐다. 미국 연방법과 주법에 관한 208개 질문 중 112개에서 모든 요건과 출처 검증을 통과했고, 부분점수를 포함하면 전체 배점의 90.9%를 얻었다.
- OpenAI에 따르면 법률 검색 색인은 9월 이후 34% 커져 3억 1,000만 개가 넘는 URL을 담았고, 공개된 미국 판례 중 선례로서 효력이 있는 판례의 99.9% 이상을 포괄한다. LAB-AA와 별개인 Harvey 자체 LAB의 만점률은 GPT‑6 Astra 4.6%, GPT‑6.2 Astra 14.6%, Astra for Law 16.2%였다.
🧩 주요 포인트
- LAB-AA에서는 Astra for Law가 가장 높은 만점률과 낮은 중대한 오류 빈도를 함께 기록했다. 다만 만점률 20.8%는 실질적 오류를 피하는 것과 과제의 모든 요구를 충족하는 것이 서로 다른 성과임을 보여준다.
- Legal Research Bench의 만점률 53.8%와 부분점수를 포함한 득점률 90.9% 사이에는 차이가 있다. 개별 논점을 얼마나 다뤘는지와 답변 전체가 출처 검증까지 통과했는지를 구분해 읽어야 한다.
- Harvey 자체 LAB에서는 기반 모델을 GPT‑6.2 Astra로 바꾸면서 만점률이 4.6%에서 14.6%로 올랐고, 법률 검색 색인과 실무 지침을 결합한 Astra for Law에서 16.2%로 더 높아졌다.
🧠 상세 정리
1. 9월 일부 로펌에 도입한 법률 특화 구성
OpenAI는 2026년 11월 17일 Astra for Law의 새 구성을 공개하면서, 9월에 Cooley, Ropes & Gray, Sullivan & Cromwell 등 일부 로펌을 대상으로 시작한 프로그램의 신청 범위를 넓혔다. Astra for Law는 GPT‑6.2 Astra에 법률 검색 색인과 실무 지침을 결합한 구성이다. 이 지침은 법률 질문을 조사하고, 관련 판례와 법령이 쟁점에 대해 갖는 무게를 따져 답변을 작성하는 데 쓰인다. OpenAI는 변호사가 상거래를 뒷받침하는 계약을 협상하고 법정에서 권리를 보호하며 법률 작성에도 관여한다는 점을 들어 법을 우선 연구 분야로 삼은 배경을 설명했다. 전담 연구팀은 초기 도입 이후 실무자 의견을 반영해 조사와 논증 방식을 다듬고 검색할 수 있는 법률 자료의 범위를 넓혔다고 밝혔다.
2. LAB-AA가 평가한 과제 완수율과 출력량
Artificial Analysis의 LAB-AA는 Harvey가 개발한 24개 법 분야의 과제 120개로 모델이 하나의 법률 업무를 처음부터 끝까지 수행할 수 있는지 평가한다. 증언녹취를 위한 질문 개요 작성, 상업용 임대차계약 검토, 인수 과정의 소유권 변경 전략 수립 등이 포함되며, 만점을 받으려면 모든 요구를 충족하고 자료가 뒷받침하지 않는 중대한 주장을 피해야 한다. Astra for Law의 만점률은 20.8%로, 2위인 GPT‑6.2 Astra의 15.0%보다 상대적으로 약 40%, OpenAI 이외 모델 중 최고인 Muse Wonder Full의 13.1%보다 약 59% 높았다. 추론과 답변 작성에 쓴 출력 토큰도 과제당 평균 약 64,000개로 Muse Wonder Full의 139,000개보다 54% 적었다. OpenAI는 사용량에 따라 비용을 내는 팀이라면 과제당 출력량 차이가 예산에도 영향을 줄 수 있다고 설명했다.
3. 중대한 오류와 경미한 오류를 구분한 결과
OpenAI는 가공한 인용 하나도 의뢰인의 신뢰와 법정에서 변호사의 신빙성을 해칠 수 있다며, 법률 업무에서는 출처가 뒷받침하지 않는 주장을 줄이는 일이 중요하다고 설명했다. Artificial Analysis가 같은 120개 과제에서 실질적 쟁점에 관해 독자를 오도할 수 있는 주장을 집계한 결과, Astra for Law의 중대한 오류는 과제당 평균 0.03건으로 GPT‑6와 공동 최저였으며 GPT‑6.2 Astra의 0.06건의 절반 수준이었다. OpenAI 이외 모델 중 이 지표가 가장 좋았던 Claude Opus 5.5는 0.59건으로, Astra for Law의 중대한 오류 빈도는 이보다 약 95% 낮았다. 경미한 오류도 Astra for Law는 과제당 평균 0.06건, Claude Opus 5.5는 0.51건이었다. Astra for Law에서 중대한 오류가 한 건도 관찰되지 않은 범위는 모든 요건을 통과해 만점을 받은 과제였다.
4. 미국 법률 조사에서 만점과 부분점수가 보여준 차이
Vals AI의 Legal Research Bench에서는 현직 변호사들이 미국 연방법과 주법에 관한 질문을 낸다. 각 질문에서 만점을 받으려면 답변이 채점에 필요한 논점을 모두 다루고, 인용한 출처에 대한 검증도 통과해야 한다. 9월 평가에서 Astra for Law가 이 조건을 모두 충족한 비율은 약 46%였고, 11월 16일 평가에서는 208개 질문 가운데 112개에 만점을 받아 53.8%를 기록했다. 두 달이 채 안 되는 기간에 만점률이 약 8%포인트 높아지면서 Astra for Law는 이 평가의 상위 모델군에 들었다. 일부 요건을 충족한 답변의 부분점수까지 합치면 전체 배점 대비 득점률은 90.9%였다. 이는 개별 논점에서 쌓은 점수도 반영하므로, 조사 답변 하나가 모든 검사를 통과할 가능성을 살필 때는 별도로 제시된 만점률이 해당 지표다.
5. 검색 색인의 확대와 기반 모델의 기여
OpenAI는 9월 이후 영국·호주·캐나다 등 여러 관할권의 자료를 포함해 8,000만 개가 넘는 URL을 추가하면서 법률 검색 색인이 34% 커졌다고 밝혔다. 업데이트된 색인에는 3억 1,000만 개가 넘는 URL이 들어 있으며, 공개된 미국 판례 가운데 선례로서 효력이 있는 판례의 99.9% 이상을 포괄한다는 설명이다. 회사는 기반 모델의 발전과 법률 특화 구성의 추가 효과를 보여주기 위해 Artificial Analysis의 LAB-AA와 별개로 Harvey가 자체 실시한 LAB 결과를 제시했다. 이 평가의 동일 조건에서 GPT‑6 Astra는 과제의 4.6%, GPT‑6.2 Astra는 14.6%에서 모든 요건을 충족했다. GPT‑6.2 Astra에 법률 특화 구성을 적용했을 때 만점률은 16.2%로 올라, 기반 모델 대비 약 11%의 상대적 향상을 보였다.
6. 평가자와 변호사가 본 논증의 변화
Harvey의 법률 연구 책임자 Julio Pereyra는 두 서면을 비교하는 평가에서 평가자들이 GPT‑6 Astra가 작성한 서면보다 Astra for Law 6.2의 서면을 택한 비율이 거의 90%였다고 밝혔다. 그는 새 구성의 서면이 쟁점을 더 폭넓게 다루고 논증이 충실해졌으며, 그 과정에서 기존 모델의 정확성도 유지됐다고 평가했다. 초기 버전을 사용한 Sullivan & Cromwell의 파트너 John Savva는 소송과 거래 업무 모두에서 조사 깊이와 법적 근거의 무게를 가려내는 능력이 인상적이었다고 말했다. OpenAI가 소개한 실무 사례에서는 경쟁법 변호사가 법령에 대한 자신의 해석을 검토하면서 입법 연혁과 판결, 다른 언어로 된 법문을 바탕으로 반대 논거를 살폈다. 정책 담당 변호사는 감독 법안에서 독립 검토자가 시정을 권고할 때 개발자에게 이행 의무가 생기는지 판단하기 위해, 의무를 쉽게 풀어 쓴 설명과 해당 조문의 정확한 문구를 나란히 검토했다.
7. 법무팀의 활용 사례와 기업 고객의 신청 방법
OpenAI의 제품 담당 변호사는 생소한 업종 진출을 검토할 때 Astra for Law로 예정된 사업에 적용될 규정을 먼저 파악해, 외부 법률고문과의 첫 통화에서 판단이 필요한 쟁점을 바로 논의했다. 법무 프로그램 관리자는 규제 절차와 사내 정책을 토대로 접수된 사안에서 추가 정보를 요청하거나 사건을 종결하거나 변호사에게 넘기는 시점을 업무 흐름에 반영했다. 또 다른 사례에서는 경쟁법 변호사가 ChatGPT의 사이트 제작 도구와 Astra for Law를 함께 사용해, 동료들이 자주 보는 조문에서 용어 정의와 해설 자료, 같은 조문에 대한 팀의 과거 자문 내용을 찾아볼 수 있게 했다. 발표일부터 모든 ChatGPT Enterprise 고객은 관리자 콘솔의 Trusted Access Program을 통해 이용을 신청할 수 있다. 이미 접근 권한을 받은 팀은 ChatGPT에서 gpt-6.2-astra-law를 선택할 수 있고, 자체 도구에 연결하려는 고객은 별도 양식으로 API 접근을 신청할 수 있다.
🧾 핵심 주장 / 시사점
- LAB-AA에서 중대한 오류는 과제당 평균 0.03건이었지만 만점률은 20.8%였다. 법률 서면을 평가할 때 출처가 주장을 뒷받침하는지와 의뢰받은 일을 빠짐없이 수행했는지는 각각 확인할 필요가 있다.
- Harvey 자체 LAB에서 관찰된 만점률 상승 폭은 기반 모델을 바꾼 단계에서 10.0%포인트, 법률 특화 구성을 더한 단계에서 1.6%포인트였다. 이 비교만으로는 검색 색인과 실무 지침 각각의 기여도를 분리하기 어렵다.
- OpenAI가 소개한 사례에서 변호사는 조문과 풀이를 대조하거나 반대 논거를 검토한 뒤 해석을 정했다. 모델의 조사 결과가 실제 판단으로 이어지는 과정을 보여주는 사례다.
✅ 액션 아이템
- Astra for Law의 법률 실무 성능을 검토할 때 LAB-AA 만점률 20.8%와 과제당 중대한 오류 0.03건을 함께 확인한다.
- 법률 조사 답변의 완성도를 판단할 때 Legal Research Bench의 만점률 53.8%와 부분점수를 포함한 득점률 90.9%를 구분한다.
- Astra for Law 도입을 검토하는 ChatGPT Enterprise 고객은 관리자 콘솔의 Trusted Access Program과 자체 도구 연동용 API 접근 신청 경로를 확인한다.
❓ 열린 질문
- LAB-AA에서 Astra for Law가 만점을 받지 못한 과제에서는 어떤 요건이 주로 충족되지 않았는가?
- Legal Research Bench에서 부분점수를 받은 답변은 필수 논점 충족과 출처 검증 중 어느 항목에서 주로 점수를 잃었는가?
- Harvey 자체 LAB에서 만점률이 14.6%에서 16.2%로 오른 데 법률 검색 색인과 실무 지침은 각각 얼마나 기여했는가?