Astra for Lawは日本で使える？｜法務特化の3つの変更点

Astra for Lawは、GPT-6 Astraに法律検索と法務向けの指示を組み合わせた新しい構成です。2026年9月21日時点で、初期提供の対象は米国の選定された法律事務所。日本の一般利用者向けに使えるという発表は、確認した公式資料にはありません。

押さえる点は次の3つです。

• OpenAIは9月17日に発表。汎用Astraへ質問する場合と、検索手段・分析の指示・利用条件が異なります。
• ChatGPTとCodexでの限定提供が先行し、APIは今後提供予定です。APIのモデル名が書かれていても、一般公開済みという意味ではありません。
• 法律調査の評価では改善が報告されていますが、米国法の特定の問題を使った提供元の評価です。日本法の判断を任せられる根拠にはできません。公式発表、提供条件

法務向けAIの導入を検討する事業担当者や、専門業務へAIを組み込む開発者に向け、今回の変更と確認すべき条件を整理します。読み終えたら、利用対象・検証課題・見積もりの前提を分けて、問い合わせ用のメモを作れます。

この記事は公式資料に基づく発表解説です。製品を試用した結果ではありません。汎用モデルの仕事への使い方は、GPT-6 Astraの実践プロンプトで扱っています。

法務向けに変わるのは、検索・指示・管理の3か所

法律検索の入口を別に持つ

Astra for Lawには、米国の判例、法令、規制、裁判所規則、行政判断を探すLegal Search Indexが組み込まれます。通常のWeb検索へ法律の質問を投げるだけの構成とは異なります。公式ヘルプは、この索引へ新しい情報を日々追加すると説明しています。公式ヘルプ

図書館にたとえると、同じ調査担当者に、一般向けの検索窓に加えて法律資料の専用目録を渡す形です。担当者の能力だけでなく、どの資料へたどり着けるかも答えを左右します。

OpenAIが示す2億3,000万超という規模はURL数で、判例の件数ではありません。また、連携するFree Law ProjectのCourtListenerが説明している収録対象も米国の判例です。資料の数が大きいことと、世界の法律を同じように調べられることは分けて読む必要があります。発表、CourtListenerの収録範囲

資料を見つけた後の分析にも専用指示がある

法律資料は、関連する文章を見つければ作業が終わるわけではありません。依頼者の事情へどう当てはめるか、結論に反する材料がないか、契約上の例外が誰の負担を変えるかを検討します。

公式ヘルプは、こうした法律分析と文章作成のための専用指示を組み合わせると説明しています。読者が比較したいのは回答の長さよりも、根拠と結論のつながりです。もっともらしい説明が増えても、引用先を開いて確認できなければ評価は保留にするのが妥当です。公式ヘルプ

業務データを扱う管理条件もセットになる

法務向け製品ページには、対象となる法律事務所へのTrusted Access、APIのZero Data Retention、ChatGPT Enterpriseでの既定の人手レビュー除外が示されています。利用できる人とデータの扱いまで含む提供形態です。法務向け製品ページ

この3つを分けると、手元の汎用Astraで指示文を工夫した場合との違いが見えます。同じ指示文を書いても、専用検索へのアクセスや契約上の管理条件まで同じになるとは確認できていません。

モデル名だけを比較すると、検索先と利用条件の違いを見落とします。導入候補を並べるときは、回答を作る構成と契約上の条件を一緒に確認します。

日本での利用とAPI接続は、まだ確定させない

初期提供の対象と、将来の展開予定は別です。 発表では選定された法律事務所へのChatGPT・Codexでの提供を案内し、公式ヘルプは対象地域を米国と明記しています。対象者は適格な弁護士と、その監督下で働く人です。発表、公式ヘルプ

モデル選択画面の名称はGPT-6 Astra Law、予定されているAPI識別子はgpt-6-astra-lawです。ただし、名称の公表と実アカウントへの有効化は違います。未提供のAPIを前提に接続コードや公開日を決めるのは早計です。公式発表

日本の開発チームが米国の顧客案件へ組み込む場合も、開発者の所在地だけで利用可否を判断できません。対象の顧客組織、利用者、契約、提供経路をOpenAIへ確認する必要があります。この記事では、日本語入力の精度、日本法の調査精度、日本からの個別アカウント接続を検証していません。

問い合わせでは「日本で使えますか」だけでなく、対象組織と用途を伝えると確認点を絞れます。たとえば、米国の法律事務所が利用主体で、外部開発チームが検証環境を作る場合、誰にアクセスを付与できるか、どの環境へデータを渡せるかを分けて聞きます。これは問い合わせ項目の提案であり、その構成が許可されると確認したものではありません。

「40%改善」は、何を比べた数字なのか

同じ基盤モデルでも、使う道具が異なる比較

OpenAIは、Vals AIのLegal Research Benchの非公開検証セットから米国法律調査200問を使った結果を掲載しています。最大の推論努力を設定した条件で、全体の正しさの評価に合格した割合は、Astra for Lawが54.0%、Web検索だけを使うGPT-6 Astraが38.7%でした。公式発表の評価説明

差は15.3ポイントです。38.7%を基準に増加率を計算すると約39.5%で、発表の「相対40%改善」に対応します。40ポイント増えたという読み方ではありません。

比較対象は、Astra for Lawの一式の構成と、Web検索を使う汎用Astraです。新しい基盤モデルだけの能力差を切り出した実験ではなく、専用検索や指示を含む構成の効果を見る材料です。検索の追加と指示の変更がそれぞれ何割寄与したかまでは、この数字だけから分けられません。

法律相談の成功率や日本法の精度へ置き換えない

この54.0%は、日常の案件が同じ確率で成功するという予測でも、裁判の結果を表す数字でもありません。対象問題・採点方法・推論設定を固定した評価値です。問題の種類が変われば、同じ性能差が出るとは限りません。

本記事では、OpenAIがその結果を報告したことを確認しています。非公開セットでの独立再現はしておらず、提供元の評価として扱います。日本の契約審査へそのまま当てはめる根拠も確認していません。

導入検討では、正解率だけでなく、専門家が回答を確認する時間も記録したいところです。引用が多くても、無関係な資料が混ざると確認の手間が増えます。逆に、結論を控えた回答でも、不足する情報と確認先が明確なら次の作業につながります。回答の見栄えと確認のしやすさを分けるのが、この記事の推奨する評価方法です。

自社資料との接続は、法律検索とは別に設計する

公開の法律資料と、顧客の案件ファイルは同じ情報源ではありません。判例を探せても、事務所内の過去案件や交渉方針へ自動的にアクセスできるわけではありません。

公式ヘルプは、iManageを使った案件ファイルへの保存や、DeepJudgeで過去の取引を比較に持ち込む例を紹介しています。これらはパートナー製プラグインの利用例で、各掲載ページの提供状況とアクセス条件を確認するよう案内しています。公式ヘルプ

想定シナリオとして、過去の交渉方針と新しい契約書を比較する仕事を考えます。AIへ渡したい情報は、契約本文、過去の判断、今回の依頼条件です。どれが欠けると結論が変わるかを先に整理し、生成結果では参照資料と提案を対応させます。この作業例は編集上の提案であり、Astra for Lawで実行した結果ではありません。

開発者が画面を作るなら、回答欄だけでなく、出典へ戻るリンクと確認者の記録欄を用意する案が考えられます。誤りの修正時に元資料まで追えるかを試験項目へ入れるためです。接続する資料、検索範囲、閲覧権限を整理する手順は、社内AIナレッジベースの構築記事も参考になります。

最初の比較では、情報源をむやみに増やさない方が原因を追いやすくなります。公開資料だけの回答と、利用許可のある業務資料を加えた回答を分けて残す方法です。内容が改善したのか、情報が増えただけなのか、確認者が説明できる記録を目指します。

料金表の数字は、対象のEnterprise契約に限って読む

9月21日に確認したEnterpriseのトークン従量制料金表には、GPT-6 Astra Lawが掲載されています。適用先は対象となるトークン従量制Enterprise契約です。クレジット課金の契約や個人プランの月額料金、一般APIの価格と同一視しないでください。公式料金表

以下は同料金表のChatGPT Work・Codex向け、100万トークン当たりの米ドル価格です。トークンはモデルが文章などを処理する単位で、日本語の文字数と一対一には対応しません。

想定シナリオとして、Astra Lawへキャッシュのない入力を10万トークン渡し、出力が1万トークンだった場合、基礎のトークン料金は入力1.25ドルと出力0.625ドル、合計1.875ドルです。これは表からの計算例であり、実際の案件の消費量や請求額を測ったものではありません。

料金表には機能利用などによる追加課金の説明もあります。上の計算には、検索などの追加費用や個別契約条件を含めていません。見積もるときは「1回の回答」の単価だけでなく、再質問と修正を含めた1件の確認作業にどれだけ使ったかを集計します。

また、キャッシュ済み入力の単価が低くても、送った資料の全量に適用されるとは限りません。計算例でキャッシュを前提にせず、実際の利用記録で分ける方が見積もりを追えます。適用料金表、使用モデル、入力・出力、追加機能を同じ記録へ残すのが出発点です。

保存ゼロ・学習不使用・人手レビュー除外を混ぜない

公式の法務向けページは、APIのZero Data Retention（ZDR）と、ChatGPT Enterpriseでの既定の人手レビュー除外を別々に説明しています。前者はデータ保持に関する条件、後者は人がレビューする扱いに関する条件で、同じ意味ではありません。法務向け製品ページ

さらに、OpenAIのEnterprise privacyには、企業データをモデルの学習に既定では使わない方針があります。明示的に共有へ参加した場合の例外も記載されています。学習に使わないことから、保存も一切されないと推定することはできません。Enterprise privacy

導入前の確認メモでは、この3項目を別の欄にします。APIとChatGPTのどちらの利用条件なのか、接続先プラグインにも同じ説明が適用されるのかを個別に確かめます。プラグインの保存先や組織の監査ログまで自動的にZDRになるとは、今回の資料から確認できません。

この区別は、法務に限らず機密資料を扱うAIの評価で使えます。「データを学習に使わないプランだから」とだけ書かれた稟議では、何を確認できていて、何が残っているかが伝わりません。製品名、利用経路、対象データ、保存・学習・閲覧の条件まで残せば、契約確認の担当者へ引き継ぎやすくなります。

まずは回答を採用する前の確認票を作る

今できる準備は、未提供の機能を前提にシステムを組むことより、対象条件と検証課題をそろえることです。次の確認票は本記事からの提案で、製品の公式チェックリストではありません。

回答の引用先を開き、その文章が主張を支えるか確認します。リンクが存在するだけでは、結論の裏付けにはなりません。根拠が見つからない箇所は確認待ちとして残し、AIへ言い換えを頼んだだけで解決済みにしない運用を勧めます。

検索結果を出せることと、案件に使える結論が出たことは別に判定します。引用先を確認できない回答を、そのまま採用へ流さないための確認手順です。

試験用の資料には、利用許可のある公開資料や架空の事例を使い、実際の顧客情報を入れる前に条件を確かめます。たとえば、出典を特定できる問いと、情報不足で答えを確定できない問いを用意し、後者で不足を説明できるかも見ます。断定を控えるべき場面を検証に含めるためです。

今回の発表から読める変化は、汎用Astraに専門領域の検索と指示、利用条件を組み合わせて提供する点です。日本向けの導入判断に必要な情報はまだ残っています。まず対象組織と用途を明確にし、提供条件を問い合わせ、試せる段階になったら根拠の確認にかかった手間まで記録してください。

参考・出典

• Introducing Astra for Law — OpenAI（参照日: 2026-09-21）https://openai.com/index/astra-for-law/
• Astra for Law — OpenAI Help Center（参照日: 2026-09-21）https://help.openai.com/en/articles/20001528-astra-for-law
• AI for Law Firms: Legal Research and Workflows — OpenAI（参照日: 2026-09-21）https://openai.com/solutions/industries/law/
• Case Law — Free Law Project / CourtListener（参照日: 2026-09-21）https://wiki.free.law/c/courtlistener/help/data-coverage/case-law
• ChatGPT Rate Card（Enterprise token-based pricing）— OpenAI Help Center（参照日: 2026-09-21）https://help.openai.com/en/articles/20001415-chatgpt-rate-card-enterprise-token-based-pricing
• Enterprise privacy at OpenAI — OpenAI（参照日: 2026-09-21）https://openai.com/enterprise-privacy/