Astra for Law：把法律研究的「找法源」變成可追溯的 AI 工作流

OpenAI 在 2026 年 9 月 17 日公布 Astra for Law。它不是把一般聊天模型換一個法律皮膚，而是把 GPT-6 Astra 配上法律搜尋索引、法律分析與寫作指示，以及給律師事務所使用的隱私和治理控制，讓法律科技公司與律所能在自己的流程上建構 AI 工具。這個定位很重要：Astra for Law 目前不是「AI 律師」，而是給專業人士使用、仍需要人工判斷與覆核的研究和工作流基礎。

它實際上做什麼？

Astra for Law 的核心是三個部分。第一是模型本身，官方稱它把 GPT-6 Astra 配置成法律用途的 foundation。第二是法律搜尋索引，用來搜尋美國判例、法規、行政規則、法院規則與行政決定；官方說索引涵蓋超過 2.3 億個 URL，並且每天新增來源。第三是法律分析與寫作的 instructions，讓模型不只是找到一篇看似相近的文章，而是嘗試辨識法院的 holding、其他附帶觀察、對己方不利的案例，以及事實如何對應到法律問題。

這種設計對法律研究的價值，不在於讓模型「替律師下結論」，而在於縮短從問題到可檢查資料的路徑。比如一個交易團隊要做契約審查，第一步通常不是請模型寫一份漂亮摘要，而是先確認某個歷史事實、條款或判例到底有沒有足夠權威的依據。若系統能把答案連回相關法院意見、條文和段落，律師就比較容易把時間用在判斷與策略，而不是反覆找資料。

官方目前公布的測試結果

OpenAI 表示，他們用 Vals AI Legal Research Bench 的 200 題美國法律研究問題做私有驗證。在最高 reasoning effort 下，Astra for Law 的整體正確性通過率是 54.0%，GPT-6 Astra 單靠網路搜尋則是 38.7%。官方把這個結果描述為相對提升 40%。在以判例為主的題目上，Astra for Law 找到的參考案例多 24%；在一組經稽核的目標段落上，它從正確法院意見取回的相關段落最多多 54%。

這些數字可以用來理解產品方向，但不能直接翻譯成「54% 的法律意見都能直接交付」。第一，這是 OpenAI 公布的驗證集，不是所有法域、所有律所工作或真實客戶案件的完整評估。第二，法律研究的正確性不只取決於找到多少資料，還包括法域、時間點、程序狀態、引用版本、事實相似程度和律師的問題設定。第三，法律資料庫的授權範圍也可能不同，官方明確說它的法律搜尋索引會補充律所依賴的 Thomson Reuters 等授權內容，而不是宣稱取代它們。

因此，這些測試比較適合當成「配置後的研究能力是否比一般網路搜尋更好」的訊號，而不是保證。採用前仍應要求模型提供原始來源、引用段落與不確定性，並以人工抽查建立自己的錯誤清單。

目前能怎麼用？

Astra for Law 初期會透過 Trusted Access 提供給選定律所，並在 ChatGPT 與 Codex 中使用；API 版本預計稍後推出，模型選擇器名稱是 GPT-6 Astra Law，API 名稱是 gpt-6-astra-law。這代表一般使用者現在不能把它當成一個已全面開放的 ChatGPT 模型直接切換。對法律科技公司來說，官方表示 API 客戶 Harvey 和 Legora 可以在自己的產品與工作流上建構。

使用方式可以分成三種。第一是研究：給出問題、法域、時間範圍與需要的來源層級，要求模型把結論拆成「事實、權威依據、推論、仍待查證之處」。第二是交易或訴訟工作流：把允許使用的案件材料、契約條款或資料室內容接進來，讓模型找出風險、相互影響的條款、可能削弱主張的判例，再由律師決定是否採用。第三是自訂工具：律所可以把自己的先例、談判 playbook、審查規則與內部權限接到 ChatGPT Enterprise 或合作產品中。

OpenAI 公布的合作案例也反映出這個方向。Sullivan & Cromwell 建立協議分析工具，把談判 playbook 與選定先例帶進新交易的審查；Ropes & Gray 建立交易盡職調查系統；Cooley 則建立 GO Public，支援 IPO 文件準備與風險整理。這些案例的共同點是「把機構專業放進流程」，不是只問一個通用模型一句話。

隱私、權限和治理

法律資料通常包含客戶機密，所以產品的可用性不能只看模型回答得像不像。OpenAI 表示，符合資格的律所方案包含 API 的 Zero Data Retention，且 ChatGPT Enterprise 預設不納入人工審查。公司也提到正與 Latham & Watkins 研究資訊權限、ethical walls、客戶指示與律所監督。

此外，官方宣布 26 個生態系 plugin，連接 Relativity、Clio、iManage、Intapp、DeepJudge 等法律工作工具，也提供由律師與法律工程師建立的社群 plugin 與 47 個可調整的 custom skills。這對企業導入很實際，因為真正的成本往往不在「能不能回答」，而在權限是否正確、來源是否可追溯、誰能看到哪一份案件資料，以及每次修改是否留下紀錄。

但 Zero Data Retention 不等於零風險。律所仍要確認資料傳輸、第三方 plugin、內部權限、保存政策、輸出紀錄和人工覆核責任。尤其是跨國案件，法域與資料保護要求可能不同；有些資料即使不拿去訓練，也不代表可以任意送進所有外部服務。部署前應先用去識別化資料做權限測試，再逐步開放到低風險工作。

適合誰，不適合誰？

它比較適合已經有明確研究流程、來源管理和人工審查制度的律所、法律科技公司、企業法務與研究團隊。這類團隊可以衡量研究時間、引用正確率、漏掉關鍵反例的比例，以及律師修改輸出的成本。

它不適合被當成沒有律師監督的自動法律意見產生器，也不適合直接把未整理的整包客戶資料丟進去期待模型自己理解權限。對個人使用者而言，若只是想知道一般法律概念，公開資料與一般工具可能已足夠；Astra for Law 的價值主要出現在需要權威來源、團隊協作與可控工作流的場景。

最務實的第一步

不要先從「讓模型代寫整份法律意見」開始。可以選一個低風險、可人工抽查的流程，例如把一組已公開的美國判例問題交給系統，要求每個答案列出法域、來源連結、關鍵段落、相反案例與尚未確定的地方，再由資深律師盲測一般網路搜尋和 Astra for Law 的差異。接著把常見錯誤分類：找錯法域、引用過期、混淆 dicta 與 holding、忽略不利判例，或只是把事實對不上。

這樣的導入方式比較能回答真正的問題：它是否在你的資料、你的權限設計、你的審查標準下，穩定地省下研究時間。Astra for Law 的亮點是把模型、法律搜尋與組織專業組合成一個可建構的底座；它的限制也同樣清楚——目前是選定客戶的 Trusted Access，API 尚未全面推出，官方測試不等於所有案件的保證，而法律責任仍然留在使用它的人與組織身上。

來源：

• OpenAI，〈Introducing Astra for Law〉：https://openai.com/index/astra-for-law/
• Vals AI，Legal Research Bench：https://vals.ai/
• Free Law Project，CourtListener：https://free.law/