En pocas palabras: GLM-Legal es el modelo agentic para trabajo legal que Z.ai presentó el 12 de octubre de 2026. Se basa en GLM-5.3-Flash, logró 19,2% all-pass en Harvey LAB (12,5 puntos más que su base, según la empresa) y por ahora se accede solo mediante solicitud de consulta.
GLM-Legal Z.ai es un modelo agentic para trabajo legal que Z.ai anunció el 12 de octubre de 2026. Está basado en GLM-5.3-Flash, sacó 19,2% all-pass en Harvey LAB (12,5 puntos más que su base) y por ahora se accede solo mediante una solicitud para la beta.
GLM-Legal es un modelo de lenguaje de Z.ai (conocida como Zhipu AI en China) entrenado y optimizado para tareas legales: revisión de contratos, análisis de evidencia e investigación de compliance. Parte de GLM-5.3-Flash, con entrenamiento adicional en el dominio legal y aprendizaje por refuerzo. Está pensado para que un equipo legal le delegue flujos de trabajo completos y no solo preguntas sueltas. La empresa planea integrarlo a AutoClaw, su agente de escritorio.
En este artículo:
- En 30 segundos
- ¿Qué tareas legales puede hacer GLM-Legal de Z.ai?
- ¿Cómo se entrenó GLM-Legal?
- ¿Qué puntaje obtuvo GLM-Legal en Harvey LAB y LegalBench?
- ¿Cómo se accede a GLM-Legal y cuánto cuesta?
- ¿Qué límites y riesgos tiene usar GLM-Legal en un estudio?
- Qué está confirmado y qué no
- Errores comunes al evaluar GLM-Legal
- Preguntas Frecuentes
- Conclusión
- Fuentes
En 30 segundos
- GLM-Legal salió el 12/10/2026 y se apoya en GLM-5.3-Flash, con mid-training legal y refuerzo en entornos legales simulados.
- En Harvey LAB (24 áreas de práctica) logró 19,2% all-pass, según Z.ai. Nadie lo replicó de forma independiente.
- No hay API pública: se pide acceso por un formulario de consulta. Z.ai no publicó precios.
- Si es open-weight o no, no está confirmado. Artificial Lawyer entiende que no, al menos por ahora.
¿Qué tareas legales puede hacer GLM-Legal de Z.ai?
Según la cobertura de Unite.AI, Z.ai mostró tres tareas de ejemplo dentro de AutoClaw: revisión de un contrato de servicios de software, análisis de evidencia sobre 40 documentos de una disputa y un plan de compliance de privacidad para tres países. Cada ejemplo se publicó junto a la salida del modelo base, para comparar.
- Revisión de contrato. Para un cliente que cambia de proveedor, el modelo propuso bajar el preaviso de terminación por conveniencia de 60 a 30 días, sacar el período de subsanación ante incumplimientos de propiedad intelectual, confidencialidad o seguridad de datos, y sumar hasta 90 días de asistencia de transición. AutoClaw vuelca esos cambios en el Word como control de cambios y comentarios.
- Análisis de evidencia. Cruzó un informe al cliente del 30 de septiembre (proyecto “en tiempo”, 60% completo) con una alerta interna del 8 de septiembre y un registro interno de alrededor de 41% de avance. Lo conectó con una instrucción de la dirección de no informar el riesgo y siguió facturando, y citó las secciones 2 y 5 del contrato marco para sostener una teoría de ocultamiento. Aclaró que faltaba probar el resto de los elementos del reclamo.
- Compliance multijurisdiccional. Para un sitio que lanza en Singapur, Malasia e Indonesia con tracking, email marketing y almacenamiento de nube en el exterior, armó una lista de prioridades previas al lanzamiento con referencias a las leyes de protección de datos de cada país.
Sobre las especificaciones técnicas: AI Weekly reporta una base mixture-of-experts de 320.000 millones de parámetros, con 18.000 millones activos por token y una ventana de contexto de 1 millón de tokens. Ojo: estos datos vienen de fuentes secundarias, porque no pudimos leer el blog oficial de Z.ai durante esta investigación. Tomalos con esa salvedad.
¿Cómo se entrenó GLM-Legal?
Z.ai describe tres etapas: mid-training con corpus legales ampliados, post-training con aprendizaje por refuerzo en decenas de miles de entornos legales realistas, y un ciclo que convierte feedback de producción en señal de entrenamiento. Te puede servir nuestra nota sobre cómo GLM-5.3 permite ahorrar hasta cinco veces frente a Claude y OpenAI.
En la primera, el modelo absorbe conceptos legales, normas e interpretaciones, y refuerza la conexión entre hechos, reglas y conclusiones. En la segunda aprende a planificar el análisis, avanzar el flujo y generar entregables bajo restricciones concretas, dentro de lo que la empresa llama Harness, el marco de orquestación que maneja el contexto de la tarea, conecta herramientas y devuelve feedback de ejecución. La tercera es la más interesante: abogados evalúan las salidas con criterios puntuales (si se cubrieron todos los temas críticos, si las citas son sólidas, si el entregable respeta el encargo, si otro equipo lo puede usar sin retocarlo) y esos criterios se convierten en la señal con la que se vuelve a entrenar el modelo, según el relato de Unite.AI.
¿Y “agentic” qué quiere decir acá? Que el modelo no responde una consulta y listo: toma una tarea, planifica pasos, usa herramientas y entrega un documento terminado.
¿Qué puntaje obtuvo GLM-Legal en Harvey LAB y LegalBench?
GLM-Legal obtuvo 19,2% all-pass en Harvey LAB, un benchmark de flujos reales de estudios jurídicos en 24 áreas de práctica, según AI Weekly. Es una mejora de 12,5 puntos sobre GLM-5.3-Flash, lo que deja a la base en 6,7%.
| Modelo | Harvey LAB (all-pass) | Fuente |
|---|---|---|
| GLM-Legal | 19,2% | Z.ai, vía AI Weekly y Unite.AI |
| GLM-5.3-Flash (base) | 6,7% (19,2 menos 12,5) | Cálculo propio sobre el dato de Z.ai |
El criterio all-pass es durísimo. Según la descripción que cita AI Weekly, una tarea cuenta para el modelo solo si cada paso sale bien (traducción nuestra): los temas correctos, las disposiciones correctas, un análisis defendible y el formato pedido. Dicho al revés, con 19,2% la gran mayoría de las tareas no se resuelve por completo. Subir de 6,7% a 19,2% es un salto grande en términos relativos, pero nadie le entregaría a un cliente un trabajo que sale bien una de cada cinco veces sin revisarlo. Para más detalles técnicos, mirá el empate técnico con Claude Fable 5.
Sobre LegalBench y PLawBench (que evalúa consultas, análisis de casos y redacción en derecho chino), Z.ai declara paridad con sistemas de frontera cerrados. El problema: según AI Weekly, el post no nombra los sistemas comparados ni publica sus puntajes, y nadie replicó la cifra de Harvey LAB.
¿Cómo se accede a GLM-Legal y cuánto cuesta?
Se accede por solicitud: Z.ai invita a estudios, empresas de legaltech, equipos legales internos y profesionales independientes a sumarse a la beta, con acceso a la API a través de un formulario de consulta. No hay API pública por ahora y Z.ai no publicó precios.
Lo que sí hay es AutoClaw, una aplicación de escritorio que corre en local. Según Unite.AI, funciona en Windows 10 o superior, macOS (Apple Silicon e Intel), iOS y Android, con builds para Linux, trae más de 50 skills y se conecta con WhatsApp, Telegram, Discord y Lark. AI Weekly menciona 24 dólares en créditos gratis al registrarse en AutoClaw, pero eso es un crédito de entrada, no una tarifa del modelo. Artificial Lawyer aclara que el costo no está claro y que los modelos chinos suelen ser bastante más baratos que los occidentales más conocidos. Es una expectativa del medio, no un dato.
Falta resolver otra cosa: ¿es open-weight? Artificial Lawyer entiende que no, al menos por ahora. Hasta que Z.ai lo aclare, no lo des por hecho. Esto se conecta con lo que analizamos en comparación de costos frente a GPT-5.6 Sol.
¿Qué límites y riesgos tiene usar GLM-Legal en un estudio?
Los límites son cuatro: los benchmarks son de la propia empresa y no tienen verificación independiente, faltan los puntajes de LegalBench y PLawBench, quedan preguntas abiertas sobre dónde van los datos, y no hay evidencia publicada de cobertura del derecho argentino.
- Datos y confidencialidad. Artificial Lawyer señala que los abogados van a querer saber adónde van los datos, como con cualquier modelo nuevo. Con una beta por invitación y sin documentación pública, esa respuesta hoy no está disponible.
- Jurisdicción. Los ejemplos publicados hablan de Singapur, Malasia e Indonesia, y PLawBench mide derecho chino. Las fuentes no dicen nada sobre derecho argentino ni latinoamericano, y no vamos a suponer que funciona.
- Revisión humana. Con 19,2% en un criterio estricto, el output es un borrador. Hasta el ejemplo de evidencia de Z.ai cierra con una advertencia: faltaba probar el resto de los elementos antes de concluir.
Una propuesta editorial (no viene de la fuente ni la probamos nosotros): si tu equipo logra entrar a la beta, armá un set de unos diez casos propios y anonimizados, con respuesta conocida, y hacé que alguien que no sepa cuál es la salida del modelo y cuál la humana los corrija a ciegas. Contá cuántos entregables salen sin retoques. Ese número vale más para tu estudio que cualquier ranking.
Qué está confirmado y qué no
| Dato | Estado |
|---|---|
| Anuncio el 12/10/2026, base GLM-5.3-Flash | Anunciado por Z.ai y reportado por varias fuentes |
| 19,2% all-pass en Harvey LAB | Cifra de Z.ai, sin réplica independiente |
| Paridad en LegalBench y PLawBench | Declarada, sin puntajes publicados |
| 320.000 M de parámetros, 18.000 M activos, 1 M de contexto | Reportado por AI Weekly; blog oficial no leído por nosotros |
| Beta por formulario, sin API pública | Reportado por Unite.AI y AI Weekly |
| Precio | No publicado |
| Open-weight | No confirmado; Artificial Lawyer entiende que no, al menos por ahora |
| Cobertura de derecho argentino | Sin información en las fuentes |
Errores comunes al evaluar GLM-Legal
- Leer 19,2% como “acierta casi una de cinco”. Es el porcentaje de tareas con todos los criterios cumplidos. Un resultado parcial sirve como borrador, pero no cuenta como aprobado.
- Dar por buena la paridad con modelos de frontera. Sin nombres de modelos ni puntajes publicados no hay nada que comparar. Pedí los números antes de repetir la frase.
- Asumir que pesos abiertos significa correrlo en tu infraestructura. Por ahora el acceso es por consulta, y la propia condición de open-weight no está confirmada.
- Cargar documentos de clientes en la beta sin revisar términos. Aclarar el destino de los datos va primero, aunque el demo se vea bien.
Preguntas Frecuentes
¿Qué es GLM-Legal y quién lo creó?
GLM-Legal es un modelo agentic para trabajo legal creado por Z.ai (Zhipu AI) y anunciado el 12 de octubre de 2026. Está basado en GLM-5.3-Flash, con mid-training legal y aprendizaje por refuerzo.
¿Cómo se puede acceder a GLM-Legal?
Se accede completando un formulario de consulta para la beta, abierta a estudios, legaltech, equipos internos y profesionales independientes. Z.ai planea integrarlo a AutoClaw, su agente de escritorio, y no hay API pública por ahora.
¿Cuánto cuesta GLM-Legal?
Z.ai no publicó precios. AI Weekly menciona 24 dólares en créditos gratuitos al registrarse en AutoClaw, que es un crédito de bienvenida y no una tarifa.
¿Qué puntaje sacó GLM-Legal en Harvey LAB?
Sacó 19,2% all-pass en Harvey LAB, según Z.ai, 12,5 puntos por encima de GLM-5.3-Flash. Ningún tercero replicó la cifra.
¿GLM-Legal es un modelo open-weight?
No está confirmado. Artificial Lawyer entiende que no está pensado, al menos por ahora, como modelo de pesos abiertos. Z.ai todavía no lo aclaró.
Conclusión
Una empresa que fabrica modelos de lenguaje lanzó su propio modelo legal, listo para usar tal cual y no como un complemento para que otros armen productos arriba. Eso es nuevo, y los ejemplos con control de cambios en Word muestran hacia dónde va. Pero 19,2% en un criterio estricto, sin réplica externa, sin precio y con la confidencialidad sin resolver, alcanza para mirar el producto de cerca y no para comprarlo.
Si trabajás en un estudio o en un área legal interna, anotate en la beta si querés, armá tu set de casos propios y pedí por escrito qué pasa con los datos. Y esperá a que alguien ajeno a Z.ai publique números antes de repetir la palabra “paridad”.