最強のAIが、法務実務のベンチマークのスコアがわずか「13.3%」ーーそう聞くと「最強のAIをもってしても、弁護士の仕事はまだまだAIには代替できない」と感じる方もいらっしゃるかもしれません。

しかしながら、同じ会社の別のベンチマークでは「93.4%」をマークしますーーそう聞くと「弁護士の仕事もAIに奪われてしまった」と悲観される方もいらっしゃるかもしれません。

一体どういうことなのでしょうか。

本コラムでは、Legal Agent Benchmark（以下LAB）という法務AIに関する最新のベンチマークを深堀しようと思います。このベンチマークの設計や評価について考察してみると、今の法務AIをめぐる議論の本質や核心が見えてくるように思われるからです。

本稿では、2026年5月に公開されたLegal Agent Benchmark（以下LAB）を題材に、それが何を測ろうとしたベンチマークなのか、ISDAやレポ取引という金融法務の具体タスクはどう作られているのか、そして採点の設計に潜む構造的な問題までを読み解きます。

なお本稿では、Harvey社の公式発表や各媒体の報道に基づく「事実」と、編集部の法律的な「分析・考察」とを、意識して書き分けます。前者は出典を明示し、後者は編集部の見解であることを断ります。

Legal Agent Benchmarkとは何か

誰が、いつ、なぜ作ったのか

LABは、法務AI企業のHarvey AIが2026年5月6日に公開したベンチマークです（出典：Harvey公式ブログ）。

狙いは明快です。既存の法務ベンチマーク——LegalBenchやCUADといった有名なもの——は、短い文章からの推論や条項の抽出といった、いわば「短時間で答えが出るタスク」を測ってきました。これに対してLABは、実務の弁護士が数十分から数時間かけて取り組むような、長時間の実務ワークフロー（long-horizon workflows）を測ろうとします。

ここが新しい点です。契約書をゼロから起草する、相手方ドラフトを精査して論点メモを書く、社内ポリシーからの逸脱を洗い出してエスカレーション文書を作る——こうした、成果物の提出をもって完結する仕事を、AIエージェントにまるごと任せたとき、どこまで使えるものが返ってくるか。それを測るのがLABです。

実装はオープンソースで、MITライセンスのもとGitHubのharveyai/harvey-labsで公開されています。誰でも採点コードとタスク定義を読めます。リーダーボードは外部の評価機関とも連携し、複数のフロンティアモデルが横並びで比較されています。

どう作られたのか

ここは関心が集まるところですが、慎重に書きます。

タスクの源泉は、各分野の実務弁護士が実際に扱ったクライアント案件（real client matters）です（出典：Harvey公式）。それを、アソシエイト（若手弁護士）に割り振られる粒度の作業へと分解しています。指示文は短く、平均でおよそ50語。パートナーがアソシエイトに仕事を振るときの、あの簡潔な依頼メールの体裁を再現しています。

ただし、案件に含まれる資料そのものは合成（synthetic）です。実在の機密情報をそのまま使うわけにはいきませんから、論点を意図的に「植え込んだ」架空の資料を作り込んでいます。リアルな案件の骨格に、採点したい論点を仕込む——そういう設計です。

採点基準（ルーブリック）は専門家が執筆しています。公式の謝辞には、Harvey社内のApplied Legal Researchチーム等の名が挙がっています。一方で、外部の法律事務所名・関与した弁護士の人数や肩書・社内外の比率は公開されていません。したがって「どこそこの法律事務所が監修した」とは書けません。

言える範囲は、「実務弁護士の実案件を起点に、専門家がルーブリックを執筆した」「今後は弁護士がタスクとルーブリックを継続的にレビューする枠組みを想定している」というところまでです。構築にかけた期間や人時も、公開されていません。

規模は二段で記します。ローンチ時点（2026年5月6日の公式発表）の公称値は、1,200超のタスク・24の法分野・75,000超の専門家作成ルーブリック基準。その後リポジトリは拡張され、現在のGitHubバッジは1,660タスクを示します。版を重ねて育っているベンチマークだと理解するのが正確です。

これまでのベンチマークと何が違うのか

冒頭で触れた「93.4%」のベンチマークが、ここで登場します。

Harveyが2024年8月29日に公開したBigLaw Benchです（出典：Harvey公式ブログ）。LABの一世代前にあたる、同社の旧ベンチマークと位置づけられます。

BigLaw Benchは、法務成果物の「質」を2つのスコアで測ります。

ひとつはanswer score——成果物の中身、つまり実質の質が十分かを問うものです。「最終的な、専門弁護士レベルの成果物のうち、何％を完成させられたか」を測ります。

もうひとつはsource score——引用・出典が正確かを問うものです。成果物中の主張を、正しい資料に紐づけて根拠づけられているかを見ます。

そして、ここがLABとの最初の分かれ目です。

BigLaw Benchは、与えられた入力からひとつの成果物・回答を出させて採点する、短時間（short-horizon）型のベンチマークです。問いは限定され、答えはひとまとまりで返ってくる。そこに部分点があり、論点の重要度に応じて加点・減点する設計のため、最新モデルは高得点に達します。先ほどの93.4%（Fable 5）も、Claude Opus 4.6の90.2%も、このBigLaw Benchの数字です。

では、LABは何が違うのか。三点で整理します。

第一に、ホライズン（時間軸）です。BigLaw Benchは短時間型——限定された問いに、ひとつの答えを返させて採点します。これに対してLABは、長時間エージェント型です。案件フォルダ一式を自力で渡り歩き、どの資料が重要かを自分で判断し、多段の実務を最後まで遂行して成果物を出す。問いの立て方からして、まるで違います。

第二に、採点です。BigLaw Benchは、answer scoreとsource scoreの2軸に部分点を加えて、「質」を％で評価します。LABは、後述するall-pass方式——全ルーブリック基準に合格して初めて1.0、ひとつでも落とせば0.0で、部分点はありません。「どれだけ良くできたか」を測るBigLaw Benchと、「全部やり切れたか」だけを問うLAB。物差しの目盛りが、根本から異なります。

第三に、その帰結です。同じFable 5が、BigLaw Benchでは93.4%、LABでは13.3%。この落差こそが、両ベンチマークの違いを最も雄弁に語ります。「限定された問いに良い答えを出せる」ことと、「実務一件を、監督弁護士のチェックリストに照らして抜けなくやり切れる」ことの、差そのものです。

言い換えれば、BigLaw Benchが問うのは『答えは良いか』。LABが問うのは『仕事を丸ごと、取りこぼさずやり切れるか』。冒頭の13.3%と93.4%という対比は、能力の劣化ではなく、この問いの違いから生まれていたのです。

採点はどうなっているのか——ここが本丸です

LABの設計で最も特徴的なのが、採点の方式です。

第一に、採点は人手ではなくLLMが行います。各ルーブリック基準を、それぞれ独立した「LLM審査員（LLM-as-judge）」が個別に採点します。デフォルトはClaude Sonnet 4.6を温度0.0で使い、成果物が基準を満たしているかを意味のレベルで照合します。温度0.0＝出力のゆらぎ（ばらつき）を抑え、より決定論的にする設定。同じ入力に対し毎回ほぼ同じ判定を返します。正解ファイル（golden answer）は用意されず、各基準に書かれたmatch_criteriaが判定の拠り所になります。審査員モデルの偏りを抑えるため、初期結果では複数のモデルファミリーで多重採点し、平均を取っています。

LLM-as-judge：採点や評価そのものを、人間ではなく別のAI（大規模言語モデル）に担わせる手法。「AIの答案をAIが採点する」イメージです。

第二に、そして決定的に重要なのが、all-pass方式です。タスク内の全基準に合格して初めて、そのタスクは1.0点。ひとつでも落とせば0.0点。部分点はありません。基準の内部にも部分点はなく、各基準は通るか落ちるかのいずれかです。

設計者の理由づけはこうです。「10の論点のうち8つを拾ったデューデリジェンス・メモは、80%有用なのではない。重大な見落としがあれば、それは実質的に不完全な成果物だ」。納品物に署名する専門職の感覚としては、筋が通っています。

第三に、指示の与え方です。LABは方向性だけを示し、手順書（playbook）を与えません（directional instructions, no playbooks）。エージェントには、bash・read・write・edit・glob・grepという汎用の6ツールだけが渡され、規範的な手引きは与えられません。bash・read・write・edit・glob・grep＝ファイルの読み書き・編集・検索とコマンド実行という、エージェントの最も基本的で汎用的な"手足"。専門の法務ツールは与えられず、これだけで案件を進めます（逆に言えば、これさえあれば大抵のことはできます）。資料フォルダを自力で探索し、アプローチを自分で設計し、成果物を組み立てる。「与えられた手順書に従えるか」ではなく、「指示から自力で完成品を作れるか」を測る型です。

現時点のスコア

公開されているLABのall-passスコア（正答率）は、次のとおりです。

LABスコア一覧

トップはFable 5の13.3%。Claude Opus 4.8が10.4%、Opus 4.7が7.1%、Sonnet 4.6が5.4%、Opus 4.6が4.2%、GPT-5.5が2.1%、Gemini 3.5 Flashが0.8%と続きます（出典：Harvey公式ブログ）。

数字の小ささに驚くかもしれません。

しかしながら、ここで冒頭の対比が効いてきます。同じFable 5は、Harveyの旧ベンチマーク「BigLaw Bench」では93.4%を記録しています。能力が一夜にして十分の一になったわけではありません。「全問正解でなければ0点」という採点の苛烈さが、桁をひとつ動かしているのです。

含意は、Harvey自身が率直に述べています。フロンティアモデルの知能をもってしても、いまだ「完全な法務成果物」を出すには至っていない。13.3%とは、そういう数字です。

ISDA関連タスクの中身

抽象論はここまでにして、中身を見ていきます。

題材は、デリバティブ取引・レポ取引まわりの4種類のタスクです。

ISDAマスター契約、CSA（信用補完文書）、ISDAコンファメーション、そしてレポ・証券貸借取引。金融法務のなかでも、ネッティングや担保、規制資本が絡む、人間の弁護士にとっては難度の高い領域です。

ISDA：国際スワップ・デリバティブズ協会。デリバティブ取引の世界標準となる契約書式（ISDAマスター契約）や定義集（Definitions）を策定している団体です。／レポ取引：債券を売却すると同時に将来買い戻す約束をする、実質的な短期資金調達取引です。

タスクの組み立て方

どのタスクも、構造は共通です。title（表題）、instructions（指示）、criteria（採点基準のリスト）、そしてdocuments（案件フォルダの資料）。指示文は1〜2文と短く、「事務所に届いた実際の依頼メール」を再現しています。

そして契約のライフサイクル段階ごとに、タスクが枝分かれします。初稿の起草（first-draft）／相手方ドラフトの精査（counterparty-paper-review）／ポリシー逸脱のエスカレーション（playbook-escalation）／レッドライン（redline）／条件交渉（term-negotiation）。これを商品ごと——ISDAマスター、CSA、コンファメーション、レポ——にかけ合わせた網の目になっています。

採点基準（criterion）の構造は、注目に値します。すべてのtask.jsonで、criterionは例外なく3つのキーだけを持っていました。id（基準番号）、title（表題）、match_criteria（合否の判定文）。severity（重大度）もweight（重み）もpriority（優先度）も、構造化されたフィールドとしては一切存在しません。この事実は、後の分析で効いてきます。

ISDAマスター契約パック

相手方ドラフトの精査タスク（基準82件）を見ます。

「特定の弁護士として、クライアント（Party B）のために、相手方（Party A）のドラフト契約とアネックスを、クライアントの交渉プレイブックに照らしてレビューして。標準フォーム、依頼メール、相手方送付メール、ドキュメンテーション・チェックリスト、批准書（Adherence Letter）、タームシートを相互参照し、全逸脱についてレッドラインと、リスク格付けまで付したイシュー・メモを作って。」。

資料フォルダには、ISDA2002年版マスター契約フォーム、相手方ドラフト2通、交渉プレイブック、タームシート、IBORフォールバック批准書（Adherence Letter）、依頼メール（.eml）などが、実際の案件さながらに混在しています。

採点基準の冒頭はたとえばこうです。

C-001：「クロスデフォルトのしきい値が、プレイブックの2,500万に対しドラフトでは7,500万になっていることをメモが指摘できているか」。

C-002：「その逸脱をHighリスクと格付けしているか」。

C-003：「2,500万またはCHF相当への引き下げを推奨しているか」。

一つの論点が、発見・格付け・推奨提案という三つの基準に分解されているのがわかります。

CSA（信用補完文書）

CSAはISDAマスター契約に基づき行われるデリバティブ取引を有担保化するための契約文書です。

LABには二つの段階のタスクが含まれており、これをを対比することで、LABというベンチマークの設計の幅が見えてきます。

一つめの、「ファーストドラフトの作成タスク（評価項目数：74）」の指示は、「先例テンプレートを使い、商業タームシートと参照ファイルに従って、すべての括弧書きプレースホルダーと任意条項を埋め、完全な初版を作れ」というものです。参考資料として、CSAテンプレート（1995年英国法版）、商業タームシート、適格担保・ヘアカット表（Excel）、マスター契約スケジュール、格付けサマリーなどが入っています。

採点基準は、適格担保の評価掛目を一つずつ問います。USDキャッシュ100%、1年以下の米国債99.5%、1〜5年98.0%……といった具合に、数値の正確さがそのまま基準になります。

もう一つの「相手方ドラフトのレビュータスク（評価項目数：62）」になると、論点は「逸脱の重大度を正しく付けられたか」へ移ります。Independent Amount（独立担保額）が、プレイブックの定める必要額から逸脱している点をCriticalとフラグできたか。18件の逸脱すべてにCritical/High/Medium/Lowの格付けを付けられたか。担保価値のヘアカットがプレイブックと食い違う点を指摘できたか。

ISDAコンファメーション

コンファメーションは個別取引の確認書です。「相手方ドラフトのレビュータスク（評価項目数：53）」では、締結済みのマスター契約・CSA・原契約のローン書類まで遡って、ドラフトの逸脱を洗い出すことが求められます。

ここには、エンフォーサビリティに直結する論点が植え込まれています。

たとえば、「コンファメーションが一方的にスケジュールを修正しており、ネッティングエンフォーサビリティに関する懸念が生じるため、当社の正式な変更承認プロセスなしにはスケジュールを上書きできないため、」点を指摘できるか。

あるいは、「スイス法・チューリッヒ仲裁のコンファメーションが、ニューヨーク法準拠の2002年版マスター契約と内部矛盾を起こし、特にクローズアウト局面で法解釈の衝突リスクを生む」点を論じられるか。準拠法の分裂が清算時にどう牙を剥くか、という実務の急所（しかも、かなり高度なそれ）が問われています。

レポ・証券貸借取引

最も読み応えがあるのが、レポ取引のエスカレーション・メモ作成タスク（基準69件）です。

指示の内容は以下の通りです。

「テンプレートを使い、契約マークアップ上のポリシー逸脱をすべて特定し、ティアで分類し、データシートで増分リスクを定量化せよ。算術合計と分散調整後合計の両方を示し、与信枠の同時抵触に対処して一時的な増枠を申請し、最上位ティアの逸脱についてはジェネラル・カウンセル（GC）の所見セクションを設けてネッティングオピニオンを要約して。」。

参考資料には、GMRA（グローバル・マスター・レポ契約）2011年標準フォーム、標準条件ポリシー、相手方リスク・データシート（Excel）、エスカレーション要請メール、そしてジェネラル・カウンセル（GC＝法務最高責任者）の意見書を要約した「ネッティングオピニオン要約メモ」などが揃っています。

クローズアウト・ネッティング：取引相手が破綻した際に、多数の取引の債権・債務を相殺して一本の純額に圧縮する仕組み。これが法的に有効でないと、リスクが何倍にも膨らみます。／ネッティングオピニオン：そのクローズアウト・ネッティングが当該法域で有効に機能すると、弁護士が法的に保証する意見書です。

採点基準のなかに、本稿の核心と見るものが含まれています。

C-028：「メモに、資料フォルダのネッティングオピニオン要約メモを引いた『GC所見』セクションを設け、クローズアウト・ネッティングが英国法のもとで有効であることを要約しているか」。先ほどの資料リストにあった、GCの意見書を要約したメモを成果物のなかで参照する形です。 C-034：「最上位逸脱のGC承認が、確認的ネッティングオピニオンの受領を条件としていると述べているか」。

C-062「当該ネッティングオピニオンが、クロスボーダー倒産の承認シナリオには及ばないことを、残余リスクとして指摘しているか」。

このC-062が、次章からの分析の主役になります。

これは何年目の仕事か——タスクの「質」を評価する

ここからは、編集部の評価です。

まず率直に言って、LABのタスクはよくできています。

題材は、実在のISDAマスター契約・CSA・各種定義集やGMRAなどを素材にしており、概ね実務を踏まえた内容です。

デリバティブ・レポの世界でいえば、新人弁護士の1年目から3年目あたりにアサインされる粒度の仕事に相当します。相手方ドラフトの精査、初稿の起草、逸脱の洗い出しとメモ作成——いずれも、アソシエイトが先輩の監督下で数えきれないほど繰り返す、基礎体力の仕事です。

そして、リアリティがあります。

周辺の背景説明をほとんど与えず、関連資料の束とタスクだけを渡して「やっといて」と振る。これは、忙しいシニア弁護士が若手に作業を丸投げする、あの実務の手触りそのものです。新人は、依頼メールと資料フォルダだけを頼りに、自分で論点を見つけにいかねばなりません。LABがプレイブックを与えず方向性だけ示す設計は、この現実をよく写し取っています。

つまり、測ろうとしているもの自体は、的を射ています。タスクの質は高い。次章では、その良問が「どう採点されているか」に踏み込みます。ここを押さえると、13.3%という数字をそのまま受け取ってよいのか、という留保が見えてきます。

全部が同じ1点になる——だからスコアは実務有用性を過小に映す

採点は「全部同じ1点」——実務は重大性の差を要求するのに

LABのスコアを読むうえで、押さえておくべき採点の仕組みがあります。一言で言います。ネッティングの留保事項を見抜くことと、契約書の表に列が一つ足りないことを、この採点は同じ「1つの失点」として数えている。これは欠陥というより、all-pass方式がもつ構造上の性質です。そしてこの性質ゆえに、出てくるスコアは実務的な有用性を実際よりもかなり低く映し出します。

採点表の中で、何が等価になっているか

第2章で見たレポ取引のエスカレーション・タスク（基準69件）を、もう一度開きます。同じタスクのなかに、性質のまるで異なる二つの基準が並んでいます。

ひとつは、C-062。ネッティングオピニオンの留保事項——「このオピニオンはクロスボーダー倒産の承認には及ばない」——を残余リスクとして指摘できたか。取引の生死を分ける論点です。

もうひとつは、同じタスクのC-061。「逸脱を並べた表に、必要な列が揃っているか」。純然たる書式チェックです。

all-passの下では、この二つは完全に等価です。どちらも1点。前者を見抜いても、後者の表の列を落とせば、合計は0点。逆に書式だけ整えて留保事項を見落としても、点差はつきません。close-out nettingの有効性を見抜く力と、表組みの体裁が整っているかが、スコア上は同じ重みなのです。

同じ構図は、CSAの精査タスク（基準62件）でも起きます。Independent Amountの250万ドル不足をCriticalと指摘すること（適格担保保全の根幹）と、「2025年8月4日の署名予定日に言及すること」（段取りの情報）が、どちらも1票として並んでいます。

重大度を「知っている」のに、点数に「効かせていない」

ここに、スコアの読み方を左右する構造があります。

第2章で見たとおり、LABの採点表には重大度のラベルが頻繁に登場します。Critical/High/Medium/Low、あるいはGreen/Amber/Red。一見すると、重大性を扱っているように見えます。

しかし、よく読むと違います。これらの重大度は、「正しい重大度ラベルを成果物に書けたか」を問う採点項目であって、点数の重み付けではありません。CSAタスクのC-010が「Independent AmountをCriticalとフラグできたか」を問うとき、採点されているのは「Criticalという文字列を正しく書けたか」です。そのCriticalという評価が、スコア計算上、他の基準より重く扱われるわけではありません。

つまりLABは、severity（重大度）という概念をルーブリックの語彙としては持ち込みながら、スコア関数では一切使っていない。重大度を知っているのに、採点の重みにもゲートにもしていない。重大な論点も些末な書式も、点数の上では等しく1票です。この構造を頭に入れておくことが、スコアを正しく受け取る第一歩になります。

なぜスコアは実務有用性を過小に映すのか

帰結を考えます。

all-pass率は、フロンティアモデルでも数%に張り付きます（Opus 4.7で7.1%）。重大な論点をことごとく拾えた実用的なモデルでも、些末な書式をひとつ落とせば、そのタスクは0点です。直感的・実務的な有用性からすれば「十分に使える」答案が、all-passの物差しの上では容赦なく0点に振り分けられる。だからこそ、出てくる数字は実務有用性を実際よりかなり低く映します。

そして、もうひとつ。この水準では、「重大な論点（ネッティングの有効性）を拾えたモデル」と「些末な論点（署名予定日）を拾えたモデル」を、フラットな採点は区別できません。両者とも、他のどこか1基準を落とせば等しく0点だからです。最も知りたい差——重大論点を取りこぼさない能力——が、スコアの上では解像されないのです。

13.3%という数字は、それ自体は嘘をつきません。しかし、何を1点と数えているかを確かめないまま「最強のAIでも法務は13%しか使えない」と読むのは、明らかに誤りです。この数字は、実務有用性を相当に割り引いた、留保つきで受け取るべきスコアなのです。

なぜネッティングの留保は「絶対の失点」なのか——留保が要る理由

前章で見た非対称性を、もう一段深く掘ります。金融法務の前提知識が要るところなので、丁寧に説明します。なぜ編集部が、ネッティングオピニオンの留保を「経験に依存しない、絶対の失点」と呼ぶのか。これは、なぜ13.3%というスコアを留保つきで受け取るべきなのかを支える話でもあります。

クローズアウト・ネッティングの「留保なき（クリーンな）」リーガルオピニオンは、デリバティブ取引の与信・資本管理の土台です。留保事項を踏むこと——たとえばC-062の「クロスボーダー倒産の承認には及ばない」——は、ネッティングの有効性をその土台の外に出す行為です。効くレイヤーが、二枚あります。

ひとつは、倒産時のエンフォーサビリティです。ネッティングが効かなければ、清算時に債権・債務がグロスに膨らみ、相手方倒産時の現実のエクスポージャーが跳ね上がります。差し引きで数億のはずだった与信が、ネットされず数十億で立ち上がる——そういう事態です。

もうひとつは、規制資本です。ネッティングが資本計算上認められるのは、監督上「十分に根拠づけられた法的基盤（well-founded legal basis）」——すなわちクリーンなオピニオン——がある時だけです。留保に踏み込めば、ネッティングの資本算入が外れ、リスクアセット（RWA）に跳ねます。これは契約解釈の綾ではなく、監督上の問題です。

この二層があるために、留保事項に気づいた弁護士に裁量はありません。気づいた瞬間、GCの承認とネッティング委員会へのエスカレーションが、事実上の義務になります。経験年数にも個人の判断にも依存しない。だからこそ「絶対にやってはいけない」失点なのです。

ここに、実務の非対称性があります。実務では、「絶対あかん」論点——ネッティングのエンフォーサビリティ、証拠金規制やステイ規制への抵触、取引の銘柄・数量・金額の誤り——は、見落とせばそれだけで成果物が無価値になります。一方、定性的なリスク配分の条項などは、市場慣行から大きく外れない限り、指摘するもしないも許容される幅があります。前者の見落としは即アウト、後者は裁量の範囲。この非対称こそが、金融法務の現実です。

ところがLABのフラットなall-passは、この非対称を平らに均してしまいます。設計思想——「監督弁護士が実際にチェックする項目だけを入れ、nice-to-haveのパディングを排する」——それ自体は妥当です。ただ、入れた項目をすべて一律の1点に均す採点構造ゆえに、こういうことが起きます。重大論点を完璧に拾える実用的なモデルでも、些末な書式をひとつ落とせば0点。実務の感覚では「使える」答案が、スコア上は無価値に振り分けられる。これこそが、13.3%というスコアが実務有用性を過小評価し、留保つきで読まれるべき理由なのです。

物差しを「書く側」へ——士業の将来と、人間の弁護士

最後に、視野を広げます。このベンチマークが照らし出しているのは、士業の未来そのものです。

弁護士業務は、なぜLLMの得意分野になったのか

弁護士の仕事の中核は、「法令」と「個社ごとのリーガル・リスク選好の枠組み」を基準に、「分析」「文書作成」「文書レビュー」という作業を行うことです。膨大な法令・文献・判例から、目の前の案件に関連するものを集めてまとめる。

これらは、まさにLLMをベースとするAIエージェントが最も得意とする類の作業です。かつては、弁護士業務がAIに代替されるとは必ずしも考えられていませんでした。しかしながら、LLMが進化し、業務を言語化して細かく分解してみると、その中核が「AIの得意技」だったことが見えてきたのです。

しかも、高度人材の確保難や外部弁護士費用の抑制という、AI化のメリットがわかりやすい分野でもあります。リーガルAIテックが、数あるAI応用領域のなかでもレッドオーシャン化しつつあるのは、この必然の帰結です。

LABが測っているのは「従来型業務のAI化」にすぎない

ここで立ち止まる必要があります。LABが測っているのは、あくまで「従来型の弁護士業務を、どれだけの精度でAI化できるか」です。契約書を作る、レビューする、メモを書く——単発の「作業」の精度です。

しかし、従来型業務のAI化が進めば、人間の弁護士が行う業務の質そのものが変わります。たとえば、AIフレンドリーなプレイブックの設計を助言する仕事。あるいは、人間がリーガルリスクの判断を下すためのコンサルテーション・アドバイザリーの仕事。重心は、そちらへ移っていきます。

そして、これからのリーガルAIエージェントは、人間の弁護士の監視のもとで、より大きなループを回すようになるでしょう。AIがリサーチし、新規プロジェクトや商品を分析し、改善を提案し、それを受けて顧客がストラクチャー・契約書・態勢を改修する。計画が固まれば、AIがDD計画の策定と実施、契約書の作成、メモランダムや意見書の作成、進捗管理へと進み、できたものをテストしながら完成まで導く。サブエージェントのチームをオーケストレーションしながら、こうしたフローを完遂する——そういう世界です。

現状のLABは、こうした「高度な」リーガルエージェント業務の設計や評価をするものではありません。将来、法律事務所がプロジェクト固有のリーガルAIエージェントを構築してあげること自体がサービスになりうる——ですが、LABには少なくともそこまでの指向性はありません。

だから、物差しを「書く側」へ

評価の話に戻ります。では、どう測り直すか。編集部の提案です（Harvey公式の見解ではありません）。

ひとつは、重大度で採点をゲートすること。絶対に外せない論点（Critical基準）は、落とせば即0点のゲートとする。裁量的な項目は、拾えれば加点、落としても致命傷にしない。「重大な見落としを許さない」というall-passの精神を保ったまま、重さの非対称を点数に映せます。

もうひとつは、より本質的な転換です。Playbookにどれだけ忠実に従えるかをAIに競わせる時代は、静かに終わりつつあります。これからの法律事務所が問われるのは、AIに食わせるPlaybookを「書ける」かどうか。重大な論点を絶対に取りこぼさない手順を、機械が読める形で自前で設計し、その遵守をもって品質を保証する。物差しを与えられる側から、書く側へ。優位はそちらに移ります。

士業はAIに取って代わられるのか

最後の問いです。

生半可な専門知識では、もはや付加価値を生み出しにくくなります。求められるのは、顧客のAI活用の高度化（ADX）やプロジェクトごとのAIエージェント構築まで支援できる、法律とAIのハイブリッドな知識でしょう。

エントリーレベルの仕事が消えれば、若手育成は別の設計を要します。若手を大量にDDへ投入し、アワリーレートで稼ぐ労働集約的なビジネスモデルは、転換を迫られます。

しかしながら、それは悲観だけの話ではありません。AIを通じて、法律が「専門家」のものから「市民」のものへと、真に民主化していく。これは社会にとって、望ましい方向のはずです。弁護士という独占資格、弁護士法による参入障壁の意味も、問い直されていくでしょう。そして残るのは——より人間的な意味でのアドバイザーとしての価値です。

13.3%という数字は、嘘をつきません。ですが、それが何を1点と数えているかを確かめたとき、見えてくるのは採点の限界だけではありません。その向こうに、士業という仕事そのものの、静かな地殻変動が見えてきます。

参考文献