법률 워크플로우에 배포된 AI 시스템은 집계된 지표상 약 52%의 비율로 환각 (Hallucination)을 일으키지만, 이러한 평균치는 오류가 어디에 집중되는지, 그리고 어떤 방향으로 발생하는지를 은폐하여 컴플라이언스 담당자들에게 신뢰할 수 있는 배포를 위한 실행 가능한 신호를 제공하지 못합니다. 우리는 세 가지 구성 요소로 이루어진 감사 프레임워크인 LegalHalluLens를 제시합니다: CUAD (Hendrycks et al., 2021)를 기반으로 네 가지 법률적 동기 기반 주장 범주(수치적(numeric), 시간적(temporal), 의무/권리(obligation/entitlement), 사실적(factual))에 걸친 유형별 환각 프로필; 누락(omission) 대 발명(invention) 편향을 단일 배포 비교 가능 스칼라로 줄이는 위험 방향 지수 (Risk Direction Index, RDI); 그리고 크기와 방향 모두에 교정된 유형별 토론 파이프라인입니다. 510개의 계약서와 249,252개의 조항 수준 인스턴스를 통해, 우리는 집계 보고가 숨기는 의무/수치적 주장과 시간적 주장 사이의 모델 내 격차가 약 38-40%p에 달함을 측정하였으며, 52%의 동일한 비율을 가진 두 시스템이 서로 반대되는 RDI를 가질 수 있음을 보여줍니다. 토론 파이프라인은 조작된 탐지를 45% 감소시키며, 범주별 이득은 진단을 추적하여 훨씬 더 작은 백본(4B 활성 파라미터)으로 상용 API와 일치하는 성능을 보여줍니다. 유형별 프로필과 RDI는 집계된 지표가 숨기는 실패 모드(failure modes)를 드러냅니다; 나아가 우리는 이러한 진단이 멀티 에이전트 토론 파이프라인을 위한 교정 입력으로 기능함을 보여주며, 여기서 측정된 실패 모드를 겨냥한 회의론자(Skeptic)의 도전과 비대칭 게이트(asymmetric gates)는 일반적인 튜닝을 거친 토론보다 우수한 성능을 발휘합니다. 이 프레임워크는 실제 환경에 배포되는 법률 AI를 위한 방향 인식 조달, 책임성 및 에이전트 설계를 지원합니다.