Welche Basismodelle liefern bei juristischen Aufgaben verlässliche Ergebnisse — und unter welchen Bedingungen dürfen Kanzleien sie einsetzen? Leistung und Mandatsdatenschutz werden bewusst getrennt bewertet.
Zuverlässigster Entwurf
Claude Opus 4.8
67.6% vollständig richtig
Vergleichsfeld
13 Modelle
Juli 2026
Testumfang
63 Aufgaben
davon 34 Vertragsentwürfe
Praxis-Benchmark
Zuverlässigkeit misst den Anteil vollständig bestandener Aufgaben. Nutzbarkeit bewertet Klarheit, Länge und Struktur von 1 bis 3. Die Werte werden nicht zu einem künstlichen Gesamtscore vermischt.
| # | Modell | Zuverlässigkeit | Nutzbarkeit | Kosten / Aufgabe |
|---|---|---|---|---|
| 01 | Claude Opus 4.8 Anthropic | 67.6% | 2.67 / 3 | ≈ $0.29 |
| 02 | Claude Fable 5Aktuell Anthropic | 61.8% | 2.66 / 3 | ≈ $0.64 |
| 03 | Claude Opus 5Aktuell Anthropic | 61.8% | 2.47 / 3 | ≈ $0.74 |
| 04 | Grok 4.5 xAI | 58.8% | 2.61 / 3 | ≈ $0.19 |
| 05 | Kimi K3 Moonshot | 58.8% | 2.64 / 3 | ≈ $0.14 |
| 06 | Gemini 3.5 FlashAktuell Google | 55.9% | 2.60 / 3 | ≈ $0.08 |
| 07 | Claude Sonnet 4.6 Anthropic | 50.0% | 2.63 / 3 | $0.13 |
| 08 | Gemini 3.1 Pro Google | 50.0% | 2.69 / 3 | $0.07 |
| 09 | GPT 5.6 SolAktuell OpenAI | 44.1% | 2.75 / 3 | ≈ $0.19 |
| 10 | Qwen3.7 Max Alibaba | 44.1% | 2.67 / 3 | ≈ $0.03 |
| 11 | GPT-5.5 OpenAI | 41.2% | 2.77 / 3 | $0.15 |
| 12 | DeepSeek V4 Pro DeepSeek | 26.5% | 2.68 / 3 | ≈ $0.03 |
| 13 | GPT-5.4-mini OpenAI | 26.5% | 2.55 / 3 | ≈ $0.01 |
Ergänzende Qualitätssignale
Legal-Richtigkeit bleibt der Kern. Die folgenden externen Messungen liefern einen zweiten Blick auf Dokumentarbeit, Faktentreue und mehrstufige Ausführung — werden aber bewusst nicht in den Legal-Rang eingerechnet.
Arena.ai
Was es ergänzt
Die Document Arena vergleicht Modelle bei PDF- und Langdokument-Aufgaben anhand realer Nutzerpräferenzen. Der Factuality-Modus ergänzt Präferenzurteile um die überprüfte Richtigkeit einzelner Web-Claims.
Nicht übertragbar
Kein juristischer Lösungsschlüssel, keine deutsche Rechtsordnung und keine Prüfung von Fundstellenqualität. Rank Spreads zeigen, wie unsicher ein Rang statistisch noch ist.
METR
Was es ergänzt
Die 50%-Time-Horizon beschreibt die menschliche Expertenzeit einer Aufgabe, bei der ein Agent voraussichtlich in der Hälfte der Fälle erfolgreich ist. Das ist ein nützlicher Hinweis auf planungsintensive Workflows.
Nicht übertragbar
Gemessen werden überwiegend Software-, ML- und Cybersecurity-Aufgaben — nicht Recht. Der Wert ist weder reale Laufzeit noch Garantie für selbstständige Kanzleiarbeit; Messungen über 16 Stunden gelten derzeit als unzuverlässig.
LexLab-Lesart: Legal-Benchmark für fachliche Verlässlichkeit, Arena für erlebte Antwort- und Dokumentqualität, METR für agentische Aufgabenreichweite. Ein starkes Signal kann ein schwaches in einer anderen Dimension nicht ausgleichen.
Release Watch
Neue Modelle erhalten erst dann einen Rang, wenn ein dokumentierter Legal-Test vorliegt. So wird Marketing nicht mit Messung verwechselt.
Evaluation ausstehend
Anthropic · veröffentlicht 30. Juni 2026
Aktuelles Sonnet-Modell; im verwendeten Legal-Benchmark noch nicht separat ausgewiesen.
Evaluation ausstehend
Google · veröffentlicht 21. Juli 2026
Aktuelles produktionsreifes Flash-Modell; Legal-Evaluation steht noch aus.
Mandatsdaten-Check
ChatGPT, Claude und Gemini sind Anwendungen; GPT, Claude Fable oder Gemini 3.6 sind Modelle. Für Verschwiegenheit und Datenschutz zählt das konkrete Produkt, der Tarif, die Konfiguration und der Vertrag — nicht der Benchmarkplatz.
OpenAI
Consumer-Zugang
Nur anonymisiert verwenden
Organisationszugang
Business, Enterprise oder API sind prüffähig
Geschäftsdaten werden standardmäßig nicht zum Modelltraining verwendet; Aufbewahrung und Datenresidenz hängen von Produkt und Vertrag ab.
AnbieterangabenAnthropic
Consumer-Zugang
Nur anonymisiert verwenden
Organisationszugang
Claude for Work oder API sind prüffähig
Ein- und Ausgaben kommerzieller Produkte werden standardmäßig nicht für das Modelltraining genutzt; Enterprise bietet zusätzliche Retention Controls.
AnbieterangabenConsumer-Zugang
Nur anonymisiert verwenden
Organisationszugang
Workspace Core Service oder Vertex AI sind prüffähig
Workspace- und Vertex-Angebote bieten Schutz vor Modelltraining ohne Freigabe; der konkrete Workspace-Status muss administrativ geprüft werden.
AnbieterangabenKein Tarif ist automatisch kanzleifreigegeben.
Vor Mandatsdaten sind mindestens Verschwiegenheit, Auftragsverarbeitung, Speicherfristen, Datenstandort, Unterauftragsverarbeiter, Zugriffsrechte und Kanzleirichtlinie konkret zu prüfen. Im Zweifel ausschließlich anonymisierte oder synthetische Inhalte verwenden.
Methodik & Grenzen
Praxisnaher Ausschnitt
63 Single-Turn-Aufgaben aus Vertragsentwurf und Informationsextraktion; Schwerpunkt auf Commercial, IP, Employment, M&A und Competition.
Kein deutscher Rechtsbenchmark
Die Aufgaben sind englischsprachig und US-/UK-lastig. Aussagen zu deutschem Recht, deutscher Zitierpraxis oder Fachterminologie wären daraus nicht belastbar.
Momentaufnahme
Modelle und Produkte verändern sich. Die Quelle testet einen Lauf je Aufgabe; Konsistenz und Drift werden derzeit nicht gemessen.
Automatische Aktualisierung mit Sicherheitsnetz
LexLab synchronisiert die veröffentlichte Rangliste alle 24 Stunden. Neue getestete Modelle erscheinen automatisch; bei Quellenausfall bleibt der letzte geprüfte Datensatz sichtbar.
Spezialisierte Legal-AI-Produkte vergleichen
Basismodelle sind nur eine Schicht des Kanzlei-Stacks.