법무 AI 코파일럿, 2026년의 성숙 곡선
- 년까지의 법무 AI는 '초안 보조' 수준을 벗어나지 못했으나, 2025년 하반기부터 2026년 1분기에 걸쳐 대형 로펌 및 기업 법무 부서에서의 실제 운용이 급속도로 확대되었습니다. 그 배경에는 비공개 문서 학습 분야의 기술적 혁신이 있습니다. Harvey AI, Hebbia, Robin AI라는 3강 체제에 더해, 일본 시장에서는 LegalOn Technologies와 LegalForce가 독자적인 입지를 굳히고 있으며, 2026년의 법무 기술 시장은 '어떤 것을 선택하느냐'가 아닌 '어떻게 나눠서 활용하느냐'의 단계에 접어들었습니다.
주목해야 할 점은 단순한 계약서 검토 정확도 경쟁이 아니라, 검토 정확도·환각 억제·영일 차분 번역·초안 생성·전자 증거 개시(E-Discovery)라는 5가지 축을 어떻게 균형 있게 통합하느냐로 경쟁의 중심이 이동했다는 것입니다. 본고에서는 이 5가지 축을 기준으로 2026년 시점의 각 서비스를 평가하고, 도입 판단을 위한 실무 기준을 제시합니다.
Harvey AI: BigLaw 표준화의 가속
Harvey AI는 Allen & Overy, PwC Legal, CMS 등 상위 10개 로펌에서 실제 도입이 진행되고 있으며, 2026년 1분기 기준 유료 사용자 수는 약 4만 2,000석으로 추정됩니다. 특히 주목할 점은 2025년 10월에 출시된 'Harvey Workflows'로, M&A 실사에서 1,200건 이상의 계약서를 일괄 처리하고 위험 신호(red flag)를 OCR 포함 4시간 이내에 추출한 실적이 공개되었습니다.
계약 검토 정확도는 비밀유지계약(NDA)·기밀 유지·기본 서비스 계약(MSA)의 3가지 유형에서 94~97%의 일치율(인간 시니어 어소시에이트와의 비교)을 공표하고 있습니다. 환각 억제와 관련해서는 'Citation Guardrail' 기능이 2025년 말에 개편되어, 생성된 조항 해석에 대해 계약서 내 해당 행 번호·페이지 번호를 강제로 인용하는 방식으로 바뀌었습니다. 인용이 불가능한 경우에는 응답 자체를 거부하는 방식으로, 이를 통해 기본적인 환각 발생률은 공표 기준 0.3% 미만까지 감소하였습니다.
다만 한국어 및 일본어 대응은 솔직히 아직 미흡합니다. 영일 차분 번역은 베타 기능으로 제공되고 있으나 법률 용어의 번역 불일치가 남아 있어, 일본법 고유 개념의 처리에는 주의가 필요합니다.
Hebbia: 멀티 문서 횡단 설계 철학
Hebbia는 'Matrix'라 불리는 스프레드시트형 인터페이스가 특징으로, 여러 계약서를 세로 축에, 추출 항목을 가로 축에 배치하여 전체를 일괄 쿼리하는 구조입니다. M&A 안건에서 500건 이상의 계약서로부터 '지배권 변경 조항'이나 '경업 금지 의무'를 일괄 추출하는 사례에서 압도적인 생산성을 발휘합니다.
기술적 핵심은 멀티홉 검색으로, 단순한 벡터 검색이 아닌 쿼리를 여러 하위 쿼리로 분해하여 병렬 검색하는 Hebbia 고유의 검색 알고리즘을 채용하고 있습니다. 법무 문서처럼 장문이고 상호 참조가 많은 데이터에서 정확도 차이가 두드러집니다. 특히 'X사와의 계약 중 Y 조항이 Z주법을 준거로 하는 경우의 예외'처럼 3단계 조건 검색을 단일 쿼리로 해결할 수 있습니다.
기업 도입 사례에서는 Goldman Sachs, Charles Schwab, Centerview Partners 등 금융·투자은행 분야에서의 채용이 선행하였으나, 2025년 하반기부터 로펌 도입도 증가하고 있습니다. 비공개 문서 학습은 'Private Model Tuning'으로 제공되며, 고객사 고유의 과거 계약서로부터 추출 규칙을 학습합니다.
Robin AI: 계약 검토 SaaS의 정석
Robin AI는 '계약서의 DocuSign'이라 불릴 만큼, 계약 생애 주기 전체의 워크플로를 아우르는 것이 특징입니다. Microsoft Word 애드인 형태로, Track Changes와 연동된 수정 제안을 편집기 상에서 직접 반환하는 사용자 경험이 호평을 받으며 사내 법무 부서에서의 채용이 두텁습니다.
환각 억제 방식은 '플레이북 강제'로, 기업별로 승인된 조항 라이브러리를 등록시키고 이에서 벗어난 제안은 Robin AI가 자동으로 플래그 처리합니다. 즉 '자유 작성 금지, 라이브러리 인용만 허용'이라는 설계로, 실무적으로 매우 합리적입니다. 사전에 플레이북을 정비하는 초기 투자가 필요하지만, 운용에 들어간 후의 검토 시간은 평균 80% 단축된다는 사례가 다수 보고되고 있습니다.
LegalOn Technologies: 일본법 특화의 깊이
일본 시장에서 압도적인 입지를 구축한 곳이 LegalOn Technologies(구 LegalForce 본체)로, 2025년의 'LegalOn Cloud' 리브랜딩 이후 계약서 검토·계약서 관리·전자 계약을 통합 플랫폼화하였습니다. 2026년 1분기 기준 국내 도입 기업 수는 5,000개사를 넘고, 닛케이 225 구성 종목의 약 40%가 도입 완료 상태입니다.
기술적 차별화는 '일본법 플레이북'의 깊이에 있으며, 민법, 회사법, 하도급법, 근로기준법, 개인정보 보호법 등 영어권 서비스가 완전히 커버하지 못하는 일본법 고유의 쟁점을 전문 변호사 감수 하에 라이브러리화하고 있습니다. 예를 들어 '하도급법 위반 위험'의 자동 검출은 영어권 서비스에서는 미지원이지만, LegalOn에서는 표준 기능으로 제공됩니다.
- 년 10월부터 제공된 'LegalOn AI Chat'은 Claude 4.5 Sonnet을 기반으로 한 일본법 RAG로, 자사의 플레이북·심사 사례·사내 규정을 횡단 검색합니다. 환각 억제는 RAG + 인용 강제 + 사내 확인 플로 연동의 3단계 구성입니다. 법률 기술 특유의 '오류가 허용되지 않는' 요건을 충족하기 위해, 인공지능이 확신도가 낮은 답변 자체를 반환하지 않도록 설계되어 있습니다.
LegalForce(법적으로는 LegalOn 산하)와 영일 차분 번역
LegalForce 브랜드는 LegalOn 산하에서 'AI 계약서 검토'라는 핵심 기능으로 남아 있으며, 영일 계약서 차분 번역은 2025년 말에 개편되었습니다. 영문 계약서 초안을 일본어 버전과 나란히 단락 단위로 대응 번역하고, 차이점을 자동으로 강조 표시하며, 법적 의미의 차이에 대한 해설까지 출력합니다.
주목할 기능은 '번역 불일치 감지'로, 예를 들어 영문에서 'reasonable efforts'와 'best efforts'가 구분되어 사용되는 경우, 일본어 번역에서 둘 다 '합리적인 노력'으로 처리되면 차이가 사라지기 때문에, 자동으로 '최선의 노력'으로 구분하여 번역할 것을 제안합니다. 이 기능은 일본의 M&A 계약서, 국제 거래 계약서 실무에서 높은 평가를 받고 있습니다.
비공개 문서 학습의 본질
각 서비스가 차별화 요소로 강조하는 '비공개 문서 학습'은, 요컨대 '베이스 모델을 기업 고유 데이터로 추가 학습하지 않고, RAG + 플레이북 + Few-shot으로 개인화하는' 방식이 주류가 되었습니다. 2024년 시점에서는 Fine-tuning에 의한 개인화가 논의되었으나, 2026년 시점에서 법무 분야에서는 Fine-tuning이 사실상 기피되는 경향이 있습니다. 이유는 (1) 학습 데이터의 기밀 유지, (2) 모델 갱신 시의 추적 비용, (3) 환각 증가 위험의 3가지입니다.
Harvey는 'Matter Vault', Hebbia는 'Private Matrices', Robin AI는 'Playbook Library', LegalOn은 '사내 지식 데이터베이스'라는 명칭으로 동등한 기능을 제공합니다. 모두 벡터 데이터베이스 + 메타데이터 필터 + 재순위 지정(reranking)의 조합으로, 기술적으로는 동등하지만 플레이북 정비의 수고와 모델 측 인용 제약의 강도에서 차이가 납니다.
도입 판단의 실무 기준
글로벌 BigLaw 안건이라면 Harvey AI, 멀티 문서 횡단 실사(Due Diligence)라면 Hebbia, 사내 법무 부서의 일상 계약서 검토라면 Robin AI 또는 LegalOn, 일본법 준거의 국문 계약서 중심이라면 LegalOn, 국제 거래에서 영일 차분이 중요하다면 LegalForce(LegalOn). 이 5가지 축으로 판단하면 크게 빗나가지 않습니다.
특히 일본 기업의 법무 디지털 전환에서는, 국문 계약서용 LegalOn과 영문 계약서용 Harvey 또는 Robin AI를 조합하는 '2제품 체제'가 2026년의 모범 사례가 되어가고 있습니다. 예산은 연간 800만~3,000만 엔 정도가 중견 기업의 범위입니다.