41 Dokumente in Minuten: Legoras Test mit GPT-6 Astra

In einem gemeinsamen Test mit OpenAI hat die Legal-Tech-Firma Legora GPT-6 Astra auf einen Prüf-Workflow für Finanzberichte angesetzt: 41 Dokumente in Minuten, alle vier absichtlich eingebauten Fehler gefunden, knapp 40 Prozent mehr Leistung.

Was in dem Test passiert ist

Der Aufbau folgt einem in der Prüfungspraxis üblichen Muster: In einen Stapel Unterlagen werden bewusst Fehler eingesetzt, danach wird gemessen, wie viele davon eine Prüfung aufdeckt. Laut der von OpenAI veröffentlichten Kurzfassung fand Astra in diesem Durchlauf jeden der vier gesetzten Fehler.

Der zweite genannte Wert – knapp 40 Prozent – bezieht sich auf die Leistung im Workflow, nicht auf einen Benchmark. Wie OpenAI und Legora diesen Wert gebildet haben, welche Vergleichsbasis dahintersteht und wie umfangreich die 41 Dokumente waren, geht aus der Kurzfassung nicht hervor.

Wie belastbar sind diese Zahlen?

Sie stammen vollständig vom Anbieter. Die Fallstudienseite bei OpenAI war zum Zeitpunkt der Recherche nicht abrufbar und antwortete mit HTTP 403, sodass wir die Angaben nicht am Originaltext prüfen konnten. Eine unabhängige Bestätigung durch Legora oder eine dritte Stelle liegt uns nicht vor.

Für Prüfteams heißt das: Die Zahlen taugen als Hinweis darauf, was der Anbieter für vorzeigbar hält – nicht als Nachweis einer Fehlerquote im eigenen Haus.

Astra ist inzwischen breit verfügbar

Am 04.09.2026 hat GitHub das Modell allgemein in Copilot freigeschaltet, für die Tarife Pro+, Max, Business und Enterprise. Es läuft in Visual Studio Code, Visual Studio, der Copilot CLI, dem Coding Agent, auf github.com, in GitHub Mobile sowie in JetBrains-IDEs, Xcode und Eclipse.

Abgerechnet wird nutzungsbasiert zum Listenpreis des Anbieters, und die Freischaltung läuft schrittweise. Für Business- und Enterprise-Kunden ist das Modell per Modellrichtlinie standardmäßig aktiv und muss bei Bedarf abgeschaltet werden.

Stark an einigen Stellen, zurück an anderen

heise online nennt für die API 10 US-Dollar je Million Eingabe-Token und 50 US-Dollar je Million Ausgabe-Token; ein optionaler Fast Mode arbeitet mit 2,5-facher Geschwindigkeit zum doppelten Preis.

Bei den Benchmarks ist das Bild gemischt: FrontierMath Tier 4 mit 97,6 Prozent gegenüber 87,8 Prozent, SRE-Bench mit 88,0 Prozent im ersten Anlauf und 99,2 Prozent nach vier Versuchen, ExploitBench erstmals mit 100 Prozent. Bei Humanity's Last Exam bleibt Astra mit 57,2 Prozent hinter Fable 5.1 mit 65 Prozent.

Sicherheitsseitig ist Astra laut heise das erste OpenAI-Modell, das im Preparedness Framework im Bereich Cybersicherheit als kritisch eingestuft wurde; in Tests fand es zwei Zero-Day-Lücken. OpenAI-Präsident Greg Brockman ordnet das Modell dem Bericht zufolge so ein, dass ein späterer Rückblick auf die Entstehung von AGI ungefähr bei diesem Zeitpunkt und diesem Modell landen werde.

Einordnung für Kanzleien und Finanzabteilungen

Der Legora-Fall beschreibt keine Automatisierung der Prüfung, sondern eine Vorsortierung: Das Modell arbeitet einen Stapel durch und markiert Auffälliges, die Verantwortung für das Ergebnis bleibt beim Menschen. Genau dort entscheidet sich, ob der Zeitgewinn im Alltag ankommt.

Belastbar wird die Frage erst durch eigene Messungen mit eigenen Unterlagen. Wer den Test nachbauen will, braucht bekannte Fehler im Stapel, einen menschlichen Kontrollpfad und eine Vergleichsbasis aus der bisherigen Arbeitsweise.