https://www.youtube.com/watch?v=bJBEFzlKPoQ
看不见数据的困局：Legora CTO揭秘如何为法律行业构建AI智能体
一、通俗易懂的整体解释
这篇采访的主角是法律科技公司Legora的首席技术官Jacob Lauritzen。简单来说，这家公司正在为律师打造一个超级智能的AI助手。想象一下，以前律师需要花大量时间翻阅堆积如山的文件、查找过往案例、起草合同，这些繁琐又耗时的工作现在可以交给这个AI助手来完成。
采访的核心观点是：
- AI不是要取代律师，而是要让他们更强大。 就像程序员有了高级编程工具一样，律师可以利用AI从重复性劳动中解放出来，专注于更有价值、更需要判断力和策略性的工作，比如与客户沟通、评估风险。
- 关键在于产品和数据安全。 Legora的成功不仅仅是因为用了强大的AI模型，更在于他们围绕律师的实际工作流程，构建了像“表格审查”这样好用的功能。同时，因为处理的是极其敏感的法律文件，他们把数据安全和隐私保护放在首位，甚至因此选择了微软Azure云服务。
- 行业正在被重塑。 传统的按小时收费模式可能会改变，律师事务所的组织结构也可能面临调整。未来的律师可能不再是一个庞大的金字塔结构，而是由少数精英配合强大的AI工具组成的高效团队。
总之，这篇文章描绘了一幅AI深度融入专业法律服务，从而提升效率、降低成本、改变行业格局的未来图景。
二、详细分段与要点
第一部分：开场与公司文化 （0% - 8%）
- 嘉宾介绍与名字趣谈
- 介绍了嘉宾是Legora的CTO Jacob Lauritzen。
- Jacob解释了其丹麦姓氏的含义，“sen”是“son of”的意思，所以Lauritzen就是“Lauritz的儿子”。
- 独特的欧洲谦逊文化
- Jacob认为Legora的文化根源是欧洲式的谦逊。因为他们从一开始就是“弱者”（underdog），没人相信斯德哥尔摩地下室的一个小初创公司能击败美国那些巨头。
- 这种“为生存而战”的经历塑造了他们低调务实的作风。
- 随着进入美国市场，他们也在学习如何更大胆地展示自己的实力，但这并非他们的天性。
第二部分：产品演变与技术核心 （8% - 25%）
- 产品的起点与演进
- 最初的产品非常简单，就是一个嵌入了瑞典法律的ChatGPT加上一个搜索工具。
- 核心功能是“法律研究”，帮助律师快速找到相似案例和法律先例。
- 后来，产品从一个简单的问答助手演变成了一个功能强大的“智能体”（Agent）。它可以起草文件、编辑Word文档、整理文件、运行复杂的分析。
- 两大核心产品支柱
- “表格审查”（Tabular Review）： 这是一个行业首创的功能，用于批量提取和审查大量的协议（例如在尽职调查中）。它能极大地提高效率。
- “工作流编排”： 除了完成具体工作，Legora还帮助律师组织和协调工作。这包括“列表”（Lists，类似项目管理系统）、“接收”（Intake，一种与客户协作的方式）和“门户”（Portal，律师之间、律师与客户、律师与智能体之间的协作方式）。
- 模型的选用策略
- Legora会根据不同的任务使用多种模型（如Anthropic的Claude、OpenAI的GPT等）。
- 他们会在智能体中提供一个“模型选择器”，让用户自行选择，但也会在后台为特定工具（如表格审查）优化模型。
- 他们认为，大多数法律工作并不需要最顶级、最昂贵的模型（如当时传闻中的“Mythos”级别）。提供更多选择主要是为了满足部分用户的控制欲，但代价是消耗更多的积分。
第三部分：模型评估与团队构成 （25% - 40%）
- 建立专业的评估团队
- Legora有一个专门的评估团队，由工程师和律师混合组成，共同追踪不同模型在不同法律领域和任务上的表现。
- 他们会构建复杂的评估环境，例如模拟一个有1万个文件的数据库，要求AI完成尽职调查报告，然后评判报告的质量、是否包含正确的危险信号等。
- 他们发现，模型更新并不总是带来全面的进步，有时会提升某些能力，却在另一些方面出现倒退。
- “法律工程师”的独特价值
- 他们雇佣了一种特殊人才——“法律工程师”。这些人通常有在大型律所工作3-4年的经验，并且拥有计算机科学学位。
- 这类人才非常难招，但作用巨大。他们既是评估专家，也是产品开发者，还能与客户沟通，是团队的“力量倍增器”。
- 评估工作的早期策略
- 在早期，他们并没有投入大量精力做复杂的评估，因为当时模型进步太快，每次更新都能自动解决很多问题（例如引用不准确的问题从70%的正确率提升到99%）。
- 他们将更多精力放在构建更好的产品框架上，而不是死磕模型本身。
第四部分：行业洞察与未来展望 （40% - 55%）
- 对未来法律职业的预测
- Jacob认为，可以借鉴编程行业的发展趋势。律师将变得更具生产力，能以更低成本提供更高质量的服务。
- 律师会将更多时间投入到他们当初选择成为律师时所期望的工作上：运用判断力、制定战略、与客户合作，而不是在堆积如山的文件中寻找线索。
- 对律所合伙人模式的思考
- 他认为，合伙人模式之所以存在，是因为律所唯一的资本就是人力资本，而合伙制能让核心人才成为所有者，从而留住他们。
- 未来，律所需要建立一种“无形资产”，比如一套能够学习和固化律所工作方式的系统（例如自我改进的知识图谱）。这将成为律所的IP。
- 这可能会改变现有的激励结构，合伙人需要被激励去“编码化”他们的知识，为公司创造资产。
- 初级律师与助理的未来
- 主持人认为，就像编程行业一样，初级律师和助理可能会消失。但Jacob不同意，他认为实际情况并非如此。
- 他类比编程行业，优秀的初级员工因为有了AI工具的加持，能产出更多价值，因此反而变得更值钱了。行业会变得更加“两极分化”，优秀的人会更出色。
第五部分：商业模式变革与客户差异 （55% - 65%）
- 从按时计费到项目定价
- 传统的按小时收费模式正在受到压力。Jacob提到，许多低端工作已经开始采用项目固定费用，甚至免费提供服务，以此来维护客户关系。
- 利润来源转向更高价值的“战略工作”，如并购（M&A）和诉讼。
- “超级AI助理”的新角色
- 讨论了一个新角色的诞生，即“法律工程师”或“超级AI助理”。他们不再是简单的“人工代理”，而是精通使用AI工具集的专业人士。
- 例如，通过“表格审查”，过去需要一个团队通宵达旦完成的工作，现在一个人就能轻松搞定。这些人可以去做更有意义的事情，或者干脆睡个好觉。
- 欧美客户的差异
- 美国客户： 行动迅速，对定制化有极高的热情，希望与Legora一起构建专属的大型系统。
- 欧洲客户： 相对保守，更倾向于使用现成的标准化产品，但也会积极提供产品反馈。
第六部分：数据安全与模型部署的挑战 （65% - 75%）
- 无法查看用户数据的痛苦
- 由于法律数据的极端保密性，Legora完全无法查看用户在使用产品时的任何痕迹和数据。这对产品开发和分析来说是巨大的挑战。
- 他们只能通过在线问卷等方式来近似估算用户的行为和满意度。
- 数据隐私驱动的技术选择
- 为了获得律所的信任，Legora将所有基础设施都部署在微软Azure上，因为律所已经习惯了使用微软的Office 365，并认可其安全性。
- 他们对第三方供应商的数据处理协议管控得非常严格，只有少数几家大厂（如微软、谷歌、OpenAI）符合要求。这也是为什么他们没有使用ElevenLabs（一家语音合成公司）的原因。
- 开源模型与多模型策略
- 对于开源模型，他们的策略是将其作为“帕累托前沿”的一部分，为客户优化成本、延迟和治理需求。
- 他们会针对特定任务使用不同的模型，例如发现早期的Gemini模型在转录和说话人识别上表现出色。
- 即使是最好的语音转文字模型，在处理法律领域的专业术语（如“cloud code”）时也常常出错，需要后处理来修正。
第七部分：核心产品详解与工程哲学 （75% - 90%）
- “表格审查”的用户体验
- 以尽职调查为例，用户可以上传1万份劳动合同。每一行是一份合同，每一列是一个问题（如“终止期是多少天？”）。
- AI会自动填充整个表格。用户还可以让智能体自动执行此操作，分析结果并高亮显示危险信号，甚至可以起草一份备忘录。
- 表格形式因其直观、易于概览和协作的特点而被选中。它支持单元格级注释和引用回源文件。
- “接收”功能：不止是个Slack机器人
- 它的作用是创建一个“工单”系统。客户或同事可以通过Slack发送请求，该请求会被转化为一个任务添加到Legora的“列表”中。
- 律师可以在Legora内部管理这些任务，指派智能体去处理，完成后直接回复。这简化了沟通流程。
- 核心原语的力量：“列表”
- “列表”是Legora的核心原语，类似于Notion数据库，非常灵活。
- 它可以配置触发器、自动化流程，实现“智能体群”的协同工作。例如，列表可以触发智能体运行，智能体也可以创建和读取列表。
- 这种灵活性不仅服务于终端用户，更重要的是，它允许内部的“法律工程师”快速构建定制化的新产品（如基金仪表盘），无需编写大量代码。
- 前向部署工程师的角色
- 对于大型客户，Legora会派出“前向部署工程师”（通常是YC创始人级别的资深工程师）和“法律工程师”一同入驻。
- 法律工程师负责配置产品（像高级用户一样，不写代码）。
- 前向部署工程师则负责编写生产级代码，进行复杂的集成，或扩展现有API。
- 这种模式类似于Palantir，但仍在早期探索阶段。
第八部分：模型微调、工程挑战与竞争策略 （90% - 100%）
- 模型微调的策略
- 直到近期，Legora都没有微调过自己的模型，因为前沿模型足够好。
- 现在，他们开始针对特定、边界清晰的任务（如法律研究中的检索）微调开源权重模型，以追求更低的成本和延迟。
- 但他们不会试图训练自己的主力模型（如另一个Claude），因为他们认为无法在与Anthropic这样的公司的竞争中获胜。
- 搜索与“驾驭”的重要性
- 他们认为，在很多情况下，改进搜索架构和“驾驭”（Harness）系统比训练模型本身更能立竿见影。
- 一个好的“驾驭”系统包含了法律工作流的方方面面：如何编辑文件、进行分析、进行法律研究，以及所有相关的治理和安全措施。
- 关于模型能力的看法
- 起草能力： 认为Anthropic的模型过于冗长，而Google的Astra模型则更加简洁。
- 幻觉问题： 他们建立了多层引用系统，确保AI的输出都有据可查，用户可以一直追溯到原始PDF文件。
- 长文档推理： 这是当前模型的一大痛点。对于超长的合同，他们不会一次性输入，而是将其分解，并通过编排来逐步修改。
- 竞争格局与未来
- Jacob认为，像Claude这样的通用AI助手可能会抢走一些小型客户的业务，但对于价值4亿美元的并购交易，客户一定会选择Legora这样深耕行业的专业平台。
- 他不担心被基础模型提供商切断合作，因为对方的目标是广阔的“知识工作”市场，而法律只是其中一小块，他们不会也无法做到像Legora这样深入。
- 最后，他提到了招聘计划，正在纽约、斯德哥尔摩和伦敦大力扩张团队，以满足市场需求。
Top comments (0)