Z.ai presenta GLM-Legal, un modello agentico per i flussi di lavoro legali

Z.ai ha presentato GLM-Legal, un modello agentico per il settore legale basato sul modello di base GLM-5.3-Flash, in un annuncio del 12 ottobre 2026, riportando un tasso di superamento totale del 19,2% sul benchmark Harvey LAB, che valuta flussi di lavoro reali degli studi legali.

L’azienda considera il lavoro legale una prova di stress ideale per addestrare modelli a operare in contesti professionali ad alto rischio. Secondo Z.ai, la pratica legale richiede una catena ininterrotta che colleghi i fatti, la dottrina normativa, il ragionamento analitico e un prodotto finale pronto per il cliente: di fronte a un incarico professionale, un agente deve estrarre i punti essenziali dai documenti di partenza, formulare argomentazioni difendibili e presentare i risultati rispettando alla lettera le specifiche dell’incarico. L’azienda scrive che il vero banco di prova per i modelli specializzati consiste nel soddisfare contemporaneamente tutti questi vincoli.

Risultati dei benchmark

Z.ai afferma di aver valutato GLM-Legal su tre fronti: esecuzione di compiti complessi, ragionamento giuridico specialistico e flussi di lavoro legali reali.

Secondo l’azienda, sul benchmark Harvey LAB, che valuta i flussi di lavoro reali degli studi legali in 24 aree di pratica, GLM-Legal ha raggiunto un tasso di superamento totale del 19,2%, migliorando di 12,5 punti percentuali rispetto al modello di base. Z.ai afferma che, secondo i rigorosi criteri di valutazione del superamento totale adottati da Harvey, il risultato conferma la capacità di eseguire in modo affidabile i compiti dall’inizio alla fine, senza cali nelle fasi intermedie.

Su LegalBench, afferma l’azienda, il modello analizza contratti specialistici, documenti relativi a fusioni e acquisizioni e pareri giudiziari con la stessa precisione dei migliori modelli di frontiera a codice chiuso, pur operando con un numero di parametri significativamente inferiore. Z.ai riferisce inoltre che il modello è alla pari con i principali sistemi di frontiera su PLawBench, che valuta la consulenza legale, l’analisi dei casi e la redazione di documenti in ambito giuridico cinese secondo criteri dettagliati.

Metodologia di addestramento

GLM-Legal si basa su quello che Z.ai descrive come il modello leggero GLM-5.3-Flash, e amplia le competenze specifiche del settore attraverso una fase intermedia di addestramento specializzata, affiancata da un post-addestramento ad alta efficienza.

Nella fase intermedia di addestramento, Z.ai ha ampliato il volume di corpora giuridici di alta qualità, affinché il modello apprenda concetti giuridici, norme di legge e quadri interpretativi in un contesto settoriale denso. Secondo l’azienda, questa fase rafforza i collegamenti deduttivi tra fatti, norme e conclusioni, fornendo le basi conoscitive necessarie per eseguire compiti complessi nelle fasi successive.

Il post-addestramento traduce queste conoscenze settoriali in capacità di esecuzione dei compiti attraverso l’apprendimento per rinforzo in decine di migliaia di ambienti giuridici realistici, nei quali il modello impara a pianificare le analisi, portare avanti i flussi di lavoro e produrre risultati rispettando vincoli concreti. Z.ai descrive l’ambiente di orchestrazione come il framework che coordina l’esecuzione in questo sistema: gestisce il contesto del compito, collega gli insiemi di strumenti e instrada il feedback sull’esecuzione. Secondo l’azienda, l’architettura dell’ambiente e l’addestramento del modello procedono di pari passo, e l’apprendimento si svolge in entrambe le direzioni: i casi limite emersi durante l’addestramento del modello individuano i colli di bottiglia architetturali dell’ambiente, mentre i perfezionamenti di quest’ultimo espongono il modello a vincoli di esecuzione realistici, dall’acquisizione del prompt all’approvazione finale.

Una terza fase trasforma il feedback raccolto durante l’utilizzo in produzione in un segnale di addestramento. Z.ai afferma che i professionisti del settore legale valutano i risultati sulla base di criteri concreti: se sono state affrontate tutte le questioni critiche e i casi limite, se le argomentazioni sono adeguatamente supportate e le citazioni giuridicamente corrette, se il risultato rispetta rigorosamente le istruzioni relative al caso e se i team che lo utilizzeranno nelle fasi successive possono impiegarlo subito, senza doverlo rielaborare manualmente. Questi requisiti trasformano la qualità, altrimenti soggettiva, in segnali concreti della funzione di perdita utilizzabili in ambito ingegneristico, che l’azienda reintegra negli ambienti di esecuzione dei compiti, nei criteri di valutazione e nella progettazione dell’ambiente per i cicli di addestramento successivi, verificando i miglioramenti rispetto ai benchmark di produzione.

Tre attività legali in AutoClaw

Z.ai afferma che presto gli utenti potranno utilizzare le funzionalità di GLM-Legal in AutoClaw, la sua piattaforma agentica nativa per desktop, e ha pubblicato tre esempi di attività per illustrare l’integrazione. Ogni esempio è affiancato, a fini di confronto, dai risultati del modello di base GLM-5.3-Flash.

In un esempio di revisione contrattuale, al modello è stato chiesto di esaminare un contratto per la fornitura di servizi software per un cliente che stava cambiando fornitore, concentrandosi sulla risoluzione e sul passaggio di consegne. Il risultato di esempio proponeva di ridurre da 60 a 30 giorni il preavviso richiesto al cliente per recedere senza giusta causa, eliminare il termine per porre rimedio alle violazioni degli obblighi di proprietà intellettuale, riservatezza o sicurezza dei dati, così da consentire al cliente di recedere immediatamente, richiedere la restituzione di tutti i risultati del lavoro e delle attività in corso, indipendentemente dal fatto che fossero stati pagati, e aggiungere fino a 90 giorni di assistenza alla transizione, comprendente il trasferimento del codice sorgente, della documentazione, dei dati e delle conoscenze. AutoClaw inserisce quindi le modifiche nel documento Word sotto forma di revisioni e commenti.

In un esempio di analisi delle prove relativo a una controversia su un progetto software e basato su 40 documenti, l’output campione ha confrontato un rapporto del cliente del 30 settembre, in cui si dichiarava che il progetto procedeva secondo i piani ed era completo al 60%, con un avvertimento interno dell’8 settembre, secondo cui non era possibile affermare onestamente che la scadenza sarebbe stata rispettata, e con un rilevamento interno che indicava un completamento di circa il 41%. Ha collegato questi documenti a un’istruzione dell’amministratore delegato di occultare il rischio e continuare a emettere fatture, citando a sostegno di una tesi di occultamento le sezioni 2 e 5 dell’accordo quadro di servizi, che stabiliscono che il pagamento non comporta la rinuncia ai diritti e che le garanzie restano valide anche dopo il pagamento. Ha inoltre osservato che gli elementi rimanenti della pretesa avrebbero dovuto essere verificati prima di giungere a una conclusione definitiva.

In un esempio di ricerca sulla conformità normativa, al modello è stato chiesto di pianificare la conformità in materia di privacy per un sito web in procinto di essere lanciato a Singapore, in Malaysia e in Indonesia, con strumenti di tracciamento, email marketing e archiviazione cloud all’estero. L’output campione ha prodotto un elenco di priorità da attuare prima del lancio: pubblicare informative sulla privacy in inglese e in indonesiano; richiedere il consenso preventivo per le attività di analisi e pubblicità non essenziali, conservando le relative registrazioni; inserire le richieste di annullamento dell’iscrizione in una lista di esclusione; mappare i fornitori di servizi cloud, di pagamento, di email, di analisi e di distribuzione dei contenuti, associandoli alle rispettive destinazioni dei dati; e verificare i contratti e le garanzie per i trasferimenti richiesti in ciascun mercato, con riferimenti alle leggi sulla protezione dei dati personali di Singapore e Malaysia e alla legge indonesiana sulla protezione dei dati personali.

Accesso alla versione beta

Z.ai invita gli studi legali, le aziende di tecnologia legale, i team legali interni e i professionisti indipendenti a partecipare alla versione beta di GLM-Legal. L’accesso tramite API viene gestito attraverso una richiesta di consulenza.

AutoClaw è un’applicazione desktop installata localmente. Secondo la pagina del prodotto di AutoClaw, è compatibile con Windows 10 e versioni successive, macOS su computer con processori Apple Silicon e Intel, iOS e Android; sono inoltre disponibili versioni per Linux. L’app include più di 50 funzionalità integrate, consente di passare dai modelli GLM a quelli DeepSeek e si collega a WhatsApp, Telegram, Discord, Lark e altre piattaforme di messaggistica, permettendo agli utenti di assegnare attività e ricevere risultati direttamente nelle conversazioni.