一件事的边界:这是一次经营层的表态,不是一次产品发布
可确认的事实不多,但都关键:这场对话的主角是 Sam Nickless,身份是 Gilbert + Tobin 的合伙人兼首席执行官;对话的主题被概括为用 AI 重新思考法律业务。把这两点放在一起看,信息量其实不小。
第一,发言位置在经营层。讨论 AI 的通常是 IT 负责人、知识管理团队,或某位愿意尝鲜的律师,而这次是最高管理者出面谈业务本身。这暗示议题已经从要不要用工具,推进到业务怎么组织、人怎么配置、价值怎么交付。
第二,议题落点是法律业务这门生意,而不是某个具体产品的能力清单。这意味着重点不在模型能写多好,而在律所的交付方式、计费方式与人员结构会不会因此改变。
需要说明的是,对话层面给出的是判断和方向,不是产品参数、部署方案或效果数据。下文凡涉及机制与落地路径的部分,属于基于行业共性的一般性推断,应与上述事实区分开。
关键能力与原理:法律工作为什么是高适配区
法律业务的原料和产物几乎都是文本:合同、法规、判例、尽调材料、备忘录、客户邮件。生成式模型的核心能力恰好落在这条线上——阅读长文本、提炼要点、按指定结构生成内容、在多份材料之间做比对。适配度高,不是因为模型懂法,而是因为这门生意的中间产品本来就是语言。
由此可以推出一个更重要的判断:AI 首先改变的不是律师的判断本身,而是判断之前的准备工作与判断之后的表达工作。翻材料、找条款、做比对、写第一稿,这些占据了大量工时,却恰恰是最容易被文本模型承接的部分。真正需要经验、策略和责任承担的判断,短期内仍要由人完成。
再往前一步,是业务逻辑层面的连锁反应。当起草、检索、归纳的单位成本下降,按时间计费的传统单元就会承压,交付流程也需要重新切分:哪些环节交给机器、哪些环节人必须介入、客户为哪一段付费。这正是这类议题被放到经营层讨论的根本原因,也是单纯采购一个工具无法回答的问题。
和上一代的差异:从优化流程到改写流程
把这一代与上一代法律科技放在一起比较,差异集中在四点。
其一是处理对象的性质。上一代的关键词检索、模板库、规则引擎和工作流自动化,处理的是结构化、可枚举的任务,边界清晰,出错方式基本可预期,多半表现为漏检。这一代面对的是非结构化文本,输出带有概率性,同样的输入可能得到不同表述,出错方式也更隐蔽——看上去通顺,但引证可能是错的。
其二是交互方式。上一代需要配置、需要 IT 参与;这一代是自然语言接口,一线律师可以直接上手,采购与治理的重心也随之从 IT 部门转向业务团队与风控合规。
其三是价值位置。上一代优化的是既有流程的效率,流程本身不动;这一代有机会改掉流程本身,甚至改变哪个层级的人来做这件事。
其四是风险形态。上一代的风险主要是覆盖不全,这一代的风险是看起来对但实际错,对复核机制的要求反而更高。
一句话概括:上一代让既有流程跑得快一点,这一代逼着人重新设计流程。
适用场景与上手建议
从行业共性看,律所的落点通常集中在几类任务上:合同与文件的第一轮审阅筛查、尽职调查中的资料整理与要点提取、法律检索结果的归纳、文书与备忘录的初稿、内部知识库的问答,以及客户侧的自助咨询。这些场景的共同特征是文本密集、重复度高、结果可以由专业人士快速校验。
上手建议可以归纳为六条,属于方法层面的推断,而非任何一方的公开结论。
第一,从一个高频、低风险、结果可验证的任务切入,不要一上来就铺全域。
第二,先写评测标准,再选工具。明确什么样的输出算合格,否则试点结束后无法判断是否真的有效。
第三,人必须在环。把模型输出定位为草稿和线索,署名与责任始终在律师身上。
第四,先划数据边界。哪些客户资料可以进入、哪些绝对不能,必须在使用前定死,而不是出事后再补。
第五,做变更管理。把使用方式写进作业手册和培训,避免只有少数人摸索出个人技巧。
第六,记录时间的去向。效率提升如果不被计量和再分配,很容易被新增的打磨与复核工作稀释掉。
局限与边界:哪些是确定的,哪些还只是判断
第一,事实性错误无法根除。生成式模型可能给出不存在的案例或不准确的条文,而法律工作对可追溯性的要求极高,任何结论都必须回到原始文本核对。这一条不因模型进步而消失,只能靠流程控制。
第二,保密与客户信任是硬约束。律所处理的是客户的敏感信息,数据边界不清时,能力再强也不能用。
第三,责任不可转移。工具出错,签字的人负责,这一点不会因为引入 AI 而改变。
第四,组织层面的边界。如果只把 AI 当作加速器,而不动计费方式、人员结构与培养路径,收益很可能停在个人效率层面,无法转化为业务模式的改变。
第五,信息本身的边界。这场对话提供的是经营层的视角与方向,不包含产品规格、实施细节或效果数据。因此不宜据此推断任何具体工具的性能,也不宜把方向性的判断当成已验证的结论。可以确定的是,问题已经被提到了业务重构这一层级;至于重构能走多远,取决于后续的组织动作,而不是模型本身。