“
虽然当前业内对法律人工智能讨论热烈，但现实中我们似乎并没有看到法律人工智能大踏步向前发展的迹象：国内法律科技公司在数量和融资规模上均不如国外；无论国内国外，都没有出现颠覆行业、取代人工的法律科技产品；虽然有很多律所呼吁数字化建设，然而大部分仍停留在建设OA系统。
法律人工智能的发展状况究竟如何？未来法律AI在哪些领域可能会有所突破？法律AI真的有可能取代人工吗？
12月14日，开言第九季·关于现在 关于未来，我们邀请到了案牍AutoDocs创始人刘振汉，分享「法律人工智能的理想与现实」，从法律科技初创企业的角度，为我们讲述他看到的、经历的法律人工智能发展。
本文为刘振汉的演讲实录。
”
演讲 | 刘振汉 案牍AutoDocs创始人
来源 | 开言第九季·关于现在 关于未来
01
当前国内法律人工智能面临的两大问题
第一，法律人工智能在国外特别火，但是在国内没有大的动静。根据我们整理的数据，2023年至今，国外有很多法律AI项目拿到大额融资，且融资的频率非常高；但是在国内，只有几家法律科技公司拿到融资。尽管理论上，法律是人工智能最理想的落地场景之一。第二，律所主任们经常讨论数字化和人工智能，无论在行业交流会，还是律所内部，总会提到相关话题，甚至还有一些专门的比赛。但是，我从一个应用厂商的角度看，大家实际上并没有做太多动作。这些现象背后反映出两个问题：一是国内的法律科技市场比较小；二是目前的法律 AI 产品，以及做法律AI这件事本身的价值比较低。1. 国内法律科技市场小
为什么我说国内法律科技市场小呢？首先，我们看一组2022 年左右法律服务市场的数据。当时国内法律服务市场总创收约2000亿元，律师人均创收约30万元；同期，美国法律服务市场总创收约24000亿元，律师人均创收约180万元，二者相差十多倍。由此可见，国内外法律服务市场本身存在较大差距。其次，国内外法律软件市场也存在较大差距。面向律师这类专业人群的法律软件，在国内的定价区间一般在一年200至500元左右；在国外，同类型产品一般定价在一年240美金，换算成人民币约1800元，可见二者在法律软件市场上的差距较大。我们也接触过很多投资人，他们投资软件类项目时，一般有一个基准线。投资人预期，所投资企业未来每年平均至少有10亿元创收，才值得投资。目前国内整个法律服务专业人群的市场，可能都不足以达到这样的目标，也就不值得投资人投资运作。我们可以算一笔账：假设现在全国有 80 万名律师，400 万名法律服务工作者，某款法律科技产品的市场占有率为20%，客单价为500元，这个转化率已经比较高了。在这种理想情况下，这家公司每年也只能创收5亿元。而现实情况是，法律科技公司远远达不到这样的数据，国内没有几家公司营收能超过一亿元，甚至超过 1000 万的也没几个。说完个人用户层面，我们再看律所层面。就我们接触过的律所情况来看，95%以上的律所在数字化建设上投入的预算都非常低，并且尽管有90%以上律所的数字化预算中都涵盖了人工智能，这个预算占比依然不足营收的0.1%。A律所约3000人，总营收90亿，在国内每年投入1亿元作为数字化预算，占总营收的3%；同时，它还有海外办公室，每年数字化预算占比约为6%。B律所有700 人，总营收23 亿元，每年投入3000万元左右的数字化预算，占总营收的1.5%。
这两家律所是极少数样本，在国内，数字化建设占总营收超过1%的律所，可能不超过5家。更多律所则是像T律所这样。T律所有 2000 人，总创收约13亿，每年在数字化预算上投资70万元左右，可能用来建设OA系统，或者设个IT岗位修修电脑，数字化预算只占营收的0.05%。其实，T律所每年在非法律专业上的投资预算可能有5000万元左右，但是大部分预算都被用于办公室租赁装修、市场、运营等，花在数字化和人工智能建设上的投资极少。实际上，在国内，不止法律科技这个赛道小，整个软件、 SaaS（软件运营服务）的赛道都特别小。在市场行情好的时候，很多投资人、协同软件创始人曾乐观地判断中国有一个成百亿、上千亿的协同软件市场，但现实是，目前钉钉、飞书这些普及程度很高的软件合在一起，市场总收入也只有几十亿元左右。在中国，不仅法律科技领域没有几家营收过亿的协同软件公司，在其他行业也没有几家靠软件创收过亿的公司，投资人不太愿意投资这个方向。2. 法律科技产品及打造法律科技产品这件事价值较低
除此之外，法律科技产品以及打造法律科技产品这件事本身的价值也存在问题。第一，当前AI能够提供的价值还比较小，AI的发展还处于早期阶段。去年大家对AI的注意力，更多在模型层，直到今年6月起，才慢慢开始把重心放在AI应用上。不管是法律AI， 还是其他领域的AI，其实都处于发展早期阶段，大家对于怎么做AI应用、做成什么样子，认知也都还比较浅。第二，市面上已有的一些AI产品，也做得不够深入。具体到法律科技领域，我们从开发的角度研究过各家AI产品，发现大家的工程化都做得比较基础，我们很快就能知道一个产品的API（应用程序编程接口）是怎么做的，AI是怎么推理得出结果的。从律师用户的反馈情况看，不管是用户体量大的，还是体量小的AI产品，大家的评价也都不高，觉得这个东西有点用，但是不好用，能产生的价值也不大。第三，想做出一款让律师用户满意的AI产品，难度特别大。一方面，律师对结果的准确度要求特别高，这和大模型的技术原理是相悖的。另一方面，律师对于人工智能产品的预期，要么过高，觉得AI应该做得比我好；要么过低，觉得AI对我的工作完全没有价值，这也导致法律AI产品的推广难度很大。第四，律师对于与业务相关的数据处理是特别保守，或者说特别担忧的。律师不敢或者不愿意把证据、合同或其他业务相关的数据联网上传到法律科技产品中，这增加了做出一个让律师满意的产品的难度。第五，在中国做一个提高效率、降低成本的法律科技产品，对于律师行业或律师本身而言，价值比较低。在我看来，这是一个比较有中国特色的法律行业成本结构所决定的。国内律师供给非常旺盛、极度内卷，降本增效很有可能并不是客户优先考虑的问题。最开始我们觉得，如果我们的产品能够帮助客户提高效率，客户应该很有动力付费，但实际上，大家不太关心提效这件事。后来，我们觉得，可能一些传统的律所毛利比较高，降本增效这件事不那么重要，网推所这种专业化分工、标准化业务的法律服务机构也许有需要，但经过调研，其实对他们来说，交付环节降本增效也不太重要。开言的另一位演讲嘉宾吴少博主任分享了他的网推所成本结构（点击查看），其中，交付占比20%左右。这算比较良心的成本分配比例了，很多机构交付部分只占成本的7%、8%左右。对于如此低的成本占比，就没有必要再用科技来降低成本、提高效率了。
02
法律人工智能不应该做的五件事
基于上述现状，我建议大家，如果想做法律科技，不应该做以下几件事。第一，通用模型能做的事，法律科技就不应该做。比如豆包、 Kimi能够实现的一些基本功能，法律科技公司或者律所自己开发的法律科技产品就没必要再做了，完全可以通过大模型通用工具去实现。第二，特别细分的领域不应该做。我们接到过很多做具体业务类型的律师团队的需求，比如开发一个证券业务、反腐败、数据合规等等方面的自动化平台。这时我们都会劝这些团队慎重，因为这种特别细分的业务类型受众太少、市场太小，撑不起较高的研发成本，也就做不出特别好的产品。像我们这种法律科技创业公司，选择这样细分的赛道，可能也养不活一个十几人的团队。第三，B端定制可能也不是一个好方向。因为在国内，律所在数字化建设上的预算投入比较低，对产品的价格也比较敏感。从我们接触或参与过的一些定制项目来看，最后往往都以一个糟糕的局面收场，客户不满意，研发团队也嫌客户预算少，做不出好用的产品。第四，不要做“垃圾功能大杂烩”产品。所谓大杂烩，就比如一个产品什么功能都有，又能做检索，又能做合同审查，又能做问答。因为大家的研发资源都是有限的，如果什么功能都做，很可能这个产品什么都做不好。最后，对于想要投资或者自己搭建数字化平台、打造法律科技产品的律所或律师团队，我建议大家要谨慎进行数字化投资、谨慎进行定制开发。研发投入远高于大家的想象，并不是说你找一个外包团队，开发一个产品就完事了，后续还需要大量的维护、调整、优化。任何一个小的产品线，可能都要准备几千万预算用于持续投入。如果没有对应的市场做支撑，产品到最后也很难落地，实现商业化价值。
03
法律人工智能应该做的四件事
我建议，一是做个人端工具，最好是像企查查、扫描全能王这种类型的产品，定价区间在200到 500元左右。二是要选择更高频、更普适、机会更大的市场，比如，合同相关算是一个比较好的方向。三是未来有机会从专业人群扩展到普通人群的产品类型，比如，有机会从律师扩展到法务，再到普通个人的产品。最后，我觉得非常关键的一点，在数据上有核心差异化，能够通过用户持续地使用，产生数据飞轮，形成规模效应的产品。这类产品会有竞争优势，有它的“护城河”，也能产生更大的价值。
04
想做好法律科技产品，要转变思路
早期业内做 SaaS 的思路是“软件即服务”，就是说，我提供一个软件，让你去使用，你向软件输入大量信息，然后得到一个结果。在AI时代下，做产品的思路要从“软件即服务”，转变为“服务即软件”。举个例子，现在在国外AI编程工具特别火，比如Cursor、Devin、V0，这些工具并不是类似编辑器的东西，而是AI编程助理。你给AI一个小小的指令，它能够基本做到像个工程师一样，交付一套相对可用的代码，你直接就可以用了。这是现在主流的 AI 产品发展方向。我觉得未来所有法律AI应用，都要往替代人的方向发展。它最终能够实现的效果就是，要么替代律师助理，要么替代某个律师。只有做到这种程度，AI才能产生更大的价值。以合同审查为例，未来，如果数据量足够大，能够产生数据飞轮，可能会出现一个比人工审查效果更好、更有经验的AI产品。这里为什么要强调数据量足够大呢？我想用自动驾驶这个场景为大家类比解释。去年，特斯拉的 FSD完全自动驾驶从V11升级到V12，其中最大的变化就是，从传统基于规则的自动驾驶改为端到端。端到端就是基于数据让AI自主决策、做出行为，这个变化使得自动驾驶的性能得到更大的飞跃。我这样说，咱们法律人可能不太理解什么叫从“基于规则”改为“端到端”，我们可以类比为从成文法改成判例法。原来我按照一些特定规则做事，变成我看了非常多的案子，通过自己的经历、经验，去理解怎么做这件事，自己做出决策。特斯拉的FSDV11，原本可能有大概30万行规则代码，到了V12，基本上所有的规则代码都被放弃了，通过大量数据训练AI，让AI自己判断碰到了什么样的情况，应该怎么去开车。对应带来的结果就是，AI的泛化能力特别强。什么叫“泛化能力”，就是AI即便碰到一个工程师从来没有预想过、没有预设过的路况，比如，突然有一只小猫或者有个人冲出来，这辆车也能快速地基于它过往的经验做出判断，而不需要工程师提前写好规则，告诉AI应该怎么做。我有个朋友去美国体验过FSDV12的效果，他最直观的感受就是，这辆车开得很像老司机，它转弯会加速、会加塞、压线、闯红灯。这其实就是AI通过大量数据，学习人类的行为以后，得到的一个泛化效果。法律 AI 应用，如果能够形成像自动驾驶一样的数据飞轮，未来可能也会变成这样。比如合同审查，AI能够像特别有经验的律师那样得到审查意见，或是分析结论。而这一切的关键就在于，如何更好地应用数据。这里还有一个现实问题，基于数据做产品，产品的整个发展过程是渐进的，它很难一开始就做得效果特别好。比如翻译软件，从早期特别蠢，到真正改变了大家的翻译习惯，甚至影响到整个翻译行业，这中间需要一个发展过程。所有基于数据、提供替代方案类型的产品，都会面临同样的挑战，想要达到和人工作业一样的效果，都需要一个过程，我们做合同审查AI也有同样的感受。一开始，我们内部测试合同审查AI时，大家对这个产品的评价并不高，也就是六七十分。但是我们认为，即便现在产品还不够好，也应该尽快上线、投入使用，这样才能通过数据训练产生更好的效果。其实，在新的技术框架下，通过数据训练产生正向效果的速度越来越快了。案牍·智能合同审查在今年6月上线时，我们找了 100 多个用户内测，70% 以上的用户反馈，AI给出的审查意见价值不高。到11月产品正式发布时，据我们观察，用户使用量上来了，用户对AI审查意见的接受率、采纳率也提高了，采纳比例能够达到 6/10左右。再到 12 月，智能合同审查系统每天能审大几千份合同，用户调用量也非常可观。整个发展过程比传统的技术发展路径要快很多。虽然现在法律科技产品还不够好，但是我觉得，未来AI很有可能变成一个更聪明、更勤奋的天才助理，通过掌握海量数据，理解法律工作的不同视角，然后可以从不同视角去看待、解决法律问题。
👉 扫码关注新则视频号，即可观看「刘振汉开言第九季演讲完整视频」👉 点击关注新则公众号，在对话框中回复「名片」，即可获得开言第九季演讲嘉宾课件 👉 扫描下方二维码，即可购买「案牍」智能合同审查工具（新则渠道特惠价598元/年）
![]()
- End -
2025年1月2日，大鱼聊天室将来到位于广州的能源大象团队象颐空间，唱歌喝酒，谈天说地。现场人数有限，欢迎扫码报名线下参与，点击下方卡片预约线上直播。
![]()
12月27日下午，大鱼聊天室线下版将在北京举办，同步线上直播，一起聊聊「法律人的2024」。欢迎扫码报名，分享你的故事。
![]()
