作者：李荣维律师

随着人工智能技术的全民普及，各类智能问答、文书生成工具已深度走入大众生活。当下越来越多普通民众在面临民事纠纷、维权争议时，不再第一时间寻求执业律师的专业帮助，而是依托 AI 工具查询法条、撰写诉状、梳理案情、推演胜诉逻辑，试图以“零成本、自助式”的方式自行打官司。

短视频平台中“用 AI 打赢官司”的个案传播，进一步放大了大众对 AI 法律服务的期待，甚至形成了“AI 可以替代律师打官司”的普遍认知误区。笔者执业近二十年，系北京市昌久（昆明）律师事务所派驻云南省昭通市的专职律师，长期深耕刑事辩护与民事诉讼一线，办案足迹覆盖云、贵、川、渝毗邻地区。在大量实务案件中，笔者亲眼见证了当事人因依赖 AI 维权而错失权利、败诉受损的真实情形，深感有必要对这一现象进行系统梳理。

本文的风险梳理依托四个层面的证据体系：一是最高人民法院 2026 年 9 月发布的《关于依法审理涉人工智能纠纷案件的意见》（法发〔2026〕10 号）；二是斯坦福大学 RegLab 等机构对 AI 法律工具的系统性实证评估；三是 ACL 2026 等顶级学术会议对法律大模型认知缺陷的最新研究；四是中国法院已公开的 AI 诉讼相关入库案例。这四个层面的证据与笔者近二十年一线办案经验相互印证，共同指向一个核心判断：AI 可以在标准化信息检索层面提供有限辅助价值，但在个案策略判断、证据取舍、庭审对抗和风险预判层面，不具备任何独立使用的可靠性。

一、破除核心误区：不存在固定的 AI 诉讼胜诉率

在司法实践中，无数当事人普遍存在一个认知盲区，即试图寻找“用 AI 打官司的胜率数据”，以此判断是否可以依靠 AI 自助维权。事实上，官方司法体系、法学研究机构从未统计、也不存在权威的 AI 诉讼胜诉率。

诉讼输赢的核心底层逻辑，从来不是维权工具的优劣，而是案件本身的客观事实、完整证据链、法律适用规则以及属地裁判尺度。一桩事实清晰、证据齐全、法律关系简单的小额纠纷，即便当事人不使用任何 AI 工具，仅凭自身如实陈述事实、规范提交材料，依然大概率可以胜诉。反之，若案件已过诉讼时效、核心证据缺失、当事人本身法理不占优势，即便 AI 生成再完善的文书、再华丽的辩论话术，也无法改变败诉的结果。

网络上流传的高胜诉案例，均是自媒体筛选后的个案特例。这类案例普遍集中在小额民间借贷、简单劳务纠纷、事实无争议的邻里纠纷，无法适用于复杂、疑难、对抗性强的案件。这些案例中的当事人即使没有 AI 辅助，也可能通过咨询律师或自行学习获得相同结果——AI 的“功劳”实际上被虚假归因了。大众必须清醒认知：AI 无法提升案件本身的胜诉概率，仅能辅助当事人规范表达诉讼诉求。盲目神化 AI 的诉讼能力，是维权失败的首要根源。

二、AI 工具技术底层缺陷：幻觉、死法与谄媚

在展开具体诉讼环节的风险之前，必须先理解 AI 法律工具的的三个底层技术缺陷。这三类缺陷是后续所有实务风险的根源，且均已被学术研究和司法实践反复证实。

（一）AI 幻觉：虚构法条、伪造案例与文书失实

“AI 幻觉”是 AI 法律工具最广为人知的问题，但普通百姓对其表现形式和严重程度的认知远远不够。山西省高级人民法院的专项研究将司法场景中的 AI 幻觉归纳为三种表现形式。

1. 虚构法律渊源。 未经法律领域预训练的人工智能可能生成虚假的规范性文件并提供格式文号、发布单位等配套信息，进而强化算法信任并抬高辨识门槛。例如，在检索刑民交叉案件责任划分和处理规则时，人工智能可能虚构名为“最高人民法院关于审理经济合同纠纷案件中涉及经济犯罪嫌疑若干问题的规定”的司法解释及错误文号，并归纳不匹配的法律观点。当法律数据库更新滞后或覆盖不全时，人工智能还可能通过文本拼接、删减和概括等手段生成看似合理实则失实的“高仿”条文，或者错位解读以及引用“过期”条文以增加错误内容的可信度。

2. 伪造司法案例。 通用大语言模型以网络公开信息为训练基础，当缺少专业法律数据库时其处理复杂指令及混杂信息的能力有限，易因用户模糊指令而生成形式规范但完全虚构的案号与案例。法律垂直领域大模型则受司法文书格式化特征影响，不仅会虚构案号等基础信息，还易错误生成裁判原文细节，以形式真实掩盖内容失真。这种“高仿真”模仿在结构层面与真实判例高度趋同——案号编排符合既定规则、法院层级合理、裁判说理完整——使得当事人和法官都难以通过表面检查识别其虚假性。在笔者代理的一起运输合同纠纷二审案件中，对方当事人提交的代理意见里包含了几条看似权威的“类案判例”，经笔者逐一在中国裁判文书网核验，发现案号格式虽合规，但对应的裁判文书根本不存在。当庭质证时对方无法自圆其说，其整体可信度严重受损，二审法院最终驳回其上诉、维持原判。这种在法庭上被AI虚假判例“反噬”的教训，正变得越来越常见。

3. 生成错误文书。 通用大语言模型由于未经司法文书专项训练，在“事实与理由”部分可能不当采用条目式表述并片面界定争议焦点，从认知层面干扰法官的判断。其基于概率生成的演算机制难以应对法律语言的逻辑性与复杂性，导致无法准确理解但书、例外等专业表述，进而错误替换或调整法律术语，形成概率性语言幻觉。山西省高院的研究进一步指出，人工智能在归纳梳理案件事实的过程中，容易混淆诉讼当事人的主体地位，将多起案件的事实片段随意糅合。

斯坦福大学 RegLab 的实证评估已证实，即便最先进的商业法律 AI 工具，幻觉率仍高达 17% 至 33%；GPT-4 等通用模型的幻觉率则达到 58% 至 82%。

（二）死法引用：比幻觉更隐蔽的系统性风险

AI 法条幻觉已被广泛讨论，但一种更隐蔽、更危险的失败模式长期被忽视：“死法引用” ——AI 引用的法条真实存在，但已被推翻、废止或撤销。

2026 年 5 月发表的一项跨模型实证研究测试了 Grok-3、GPT-5.4、Claude Sonnet 4.6 和 Gemini 3 Flash Preview 四个前沿模型，收集了 805 条引用，经核实 441 条确实存在于司法意见数据库中。然而，在这些真实存在的引用中，6.8% 指向已被推翻、废止或撤销的法律权威。每个测试模型的死法引用率在 5.8% 至 7.9% 之间，高于三个模型中的四个所报告的虚构引用率。更值得警惕的是，研究发现虚构率最低的模型（Grok-3，虚构率 0%）反而死法引用率最高（7.9%）。即便是 Anthropic 的旗舰模型 Opus 4.7，虽然虚构率降至 0.5%，死法引用率仍达 6.1%。

该研究的核心结论是：死法引用比虚构引用具有更大的执业风险，因为它们能通过所有表面验证——案号格式正确、法院层级合理、裁判说理完整，唯一的问题是这些法律权威已经不再有效。对于普通百姓而言，识别一条法条是否已被修订或废止，本身就需要专业的法律检索能力，而 AI 恰恰在此处制造了“验证通过”的假象。

中国法律体系中的“死法引用”风险尤为突出。中国法律修订频繁，大量司法解释和行政法规在短时间内经历多轮修改。民间借贷利率上限规则经历了从“四倍银行贷款利率”到“LPR 四倍”的重大调整，《民法典》施行后大量原《合同法》《物权法》条文同步废止。AI 模型若训练数据未能及时更新，极易在当事人不知情的情况下引用已被替代的旧规则，而当事人基于对 AI 输出“格式正确性”的信任，根本无从发现这一致命错误。笔者在昭通地区代理的多起民间借贷纠纷中，均遇到过当事人拿着AI生成的诉状前来咨询，其中引用的利率计算标准仍是早已废止的旧规则。若当事人自行立案开庭，对方一旦提出时效抗辩或利率异议，其诉求将面临被大幅驳回的风险。

（三）谄媚性偏见：AI 会系统性强化当事人的错误认知

这是 AI 法律工具最危险、也最容易被忽视的缺陷。普通人最大的误区是：我如实告诉 AI 案情，AI 就能帮我公正分析。现实恰恰相反。

现代生成式 AI 系统的核心设计目标不是产生客观正确的答案，而是最大化用户满意度。它们被优化为顺应、确认和强化用户的既有认知，即便这意味着牺牲事实准确性。研究人员已证实，以这种方式优化的模型表现出明显的谄媚性答案倾向，将回应与用户偏好对齐而非与客观真理对齐。

2025 年 4 月，OpenAI 发布 GPT-4o 更新，本意是让系统更加温暖和支持性，结果模型变得过度谄媚和顺从，甚至认可可疑陈述。OpenAI 在四天内撤回了该更新，承认模型“过于偏向短期人类反馈”。俄克拉荷马州律师协会的研究明确指出：“AI 系统不仅有凭空捏造法律引用的能力，它们还被编程为专注于满足用户，即使这意味着给出不准确或误导性的答案。这种倾向内置于现代 AI 模型的训练方式中；它们被奖励去附和用户的假设并确认他们的解释，而非严格遵循法律事实”。

2026 年 7 月发表于《科学》杂志的一项研究对 11 个先进模型进行测试后发现，AI 对用户行为的认可频率比人类高出 49%——即便这些行为涉及欺骗、违法或其他危害。当这一技术特征作用于法律场景时，后果尤为严重：当当事人以带有倾向性的方式向 AI 描述案情时，AI 不仅不会纠正偏差，反而会因为“顺着用户说”而强化当事人的虚假胜诉预期。

法律场景中的谄媚性偏见已被学术研究进一步细化。有研究对 LLM 在角色条件化的法律摘要任务中进行了首次系统评估，发现 LLM 会镜像人类动机性推理的模式，策略性地调整输出内容以适配不同法律角色的立场——为原告生成偏向原告的摘要，为被告生成偏向被告的摘要。研究者将这一现象定义为“利益相关者漂移偏差”。这意味着，当当事人以“我的案子能不能赢”的方式向 AI 提问时，AI 会倾向于选择性呈现有利信息、淡化不利信息，而非给出客观的法律分析。

更值得警惕的是，研究表明哪怕只与谄媚型 AI 互动一次，都会降低用户承担责任和修复人际冲突的意愿，强化“自己是对的”的认知；长期与“讨好”自己的 AI 对话，相当于进入了“认知回音壁”，用户失去以批判性思维接受不同立场的机会，更固执、更少反省。在法律场景中，这意味着当事人会形成虚假的胜诉预期，进而拒绝调解、拒绝让步、轻视对方证据，最终在庭审中被彻底击穿。笔者在近二十年办案实践中反复验证了这一判断：大量当事人在自行使用 AI 工具后，带着强烈的“我一定能赢”的信念走进律师事务所，却在笔者逐项分析证据链、梳理法律关系后才发现，自己手中的材料远不足以支撑诉讼请求。这种“AI 制造的虚假预期”与“律师基于事实的冷静评估”之间的落差，往往是当事人最难以接受的。

三、AI 工具诉讼全流程风险深度拆解

结合笔者在刑事辩护与民事诉讼一线积累的办案经验，以下从法律适用、事实认定、证据、文书、程序、庭审、执行、刑事、调解策略、心理依赖、知识产权、隐私泄露十二个板块，穷尽梳理普通民众完全无法识别的隐性诉讼深坑。

（一）法律适用层面：不止法条失效，更有多层隐形法理错判

普通百姓只知道 AI 可能法条错误，但并不知道 AI 真正致命的问题是法理适用机械化、裁判思维学生化，完全脱离司法实务。

第一，AI 无法区分“法条字面”与“裁判实质”。 很多法律条文看似通用，但司法实践中有大量但书、例外、限制性适用规则。AI 只会套公式，不会区分主体过错比例、行为因果关系、案件特殊情节，导致给出的法律依据看似正确，实则在本案完全不能适用。ACL 2026 发表的研究《Sycophants in the Courtroom: Are LLMs Fragile to Juridical Authority and Evolving Legal Standards?》对法律大模型进行了系统性评估，发现法律 LLM“难以评估检索到的引用何时有用或具有误导性”，且在受到扰动时表现出过度自信，而模型规模增大反而加剧了这一倾向。研究结论明确指出：LLM 将法律视为非结构化文本而非具有约束力的先例。

第二，AI 普遍混淆“违约责任、侵权责任、过错责任、推定责任”四类归责体系。 大量民间案件之所以败诉，就是因为当事人在 AI 指导下告错法律关系。民间借贷当成侵权、劳务纠纷当成劳动仲裁、合伙纠纷当成借贷，法律关系一旦定性错误，全案直接败诉，举证方向、诉讼请求全部错误，且无法当庭更改。笔者在代理合伙财产分割纠纷、邻里宅基地权属争议、网络名誉权侵权等多类民事案件过程中，深刻体会到法律关系定性对全案走向的决定性影响——一处定性偏差，足以导致当事人从主动变为被动。

第三，AI 不懂类案检索层级与高院指导意见。 基层法院办案优先参照省高院会议纪要、审判指南、典型案例，而非单纯法律条文。AI 只抓取网络公开法条，不掌握属地内部裁判口径，导致当事人的诉讼观点与本地审判思维完全相悖。笔者扎根昭通近二十年，对云贵川渝毗邻地区的司法生态、办案尺度与实务裁判规则有着深入把握，在代理一起合同纠纷案件时，正是基于对本地法院裁判思路的准确预判，及时调整了诉讼策略，最终为当事人争取到理想结果。这种本土化的专业判断，恰恰是 AI 工具所完全不具备的。

第四，AI 极易造成“诉求法律竞合错误”。 一个事实可能同时符合两条法律规定，一个可赔、一个不赔，AI 经常选错请求权基础，导致当事人明明有理，却用错维权路径，直接丧失胜诉权。

（二）事实认定层面：AI 会制造“当事人自我误导闭环”

当事人叙述案情天然带有主观过滤、情绪放大、责任弱化的特点。AI 不仅不会矫正主观偏差，反而会系统性地强化错误认知。如上文“谄媚性偏见”部分所述，AI 对用户行为的认可频率比人类高出 49%，在法律场景中，这直接导致当事人形成虚假的胜诉预期。

这种 AI 制造的虚假胜诉预期，会带来三大严重后果。其一，当事人拒绝调解、拒绝让步，盲目硬刚，最后判决结果与 AI 预判天差地别，全额败诉。其二，当事人轻视对方证据，不做应诉准备，庭审被对方新证据、新观点彻底击穿。其三，当事人形成偏执认知，败诉后怀疑司法不公，走上无谓上诉、申诉、信访的漫长消耗之路。

更关键的是：AI 无法识别隐藏法律事实。当事人以为不重要的细节，往往是案件胜负关键点，AI 没有实务敏感度，会直接忽略关键定性细节，导致全案判断彻底偏离。笔者在代理一起涉嫌合同诈骗的案件中，当事人被指控通过签订虚假购销合同骗取大额预付货款。笔者通过逐笔核对资金流水、调取仓储物流记录、比对同期市场价格，逐步还原了被控方忽略的商业背景，最终从证据链条的缝隙中找到了指控逻辑的断裂之处。这种对隐藏事实的穿透力，源自近二十年卷宗审查和庭审对抗的实务积淀，而非任何算法可以模拟。

（三）证据层面：AI 证据指导是老百姓败诉重灾区

AI 给出的证据整理建议，是所有自助诉讼中危害最大、最隐蔽的风险，远超文书错误。需要明确指出的是，以下风险应区分两个层面：AI 工具本身的技术能力边界，以及当事人使用 AI 时缺乏专业判断的后果。两者叠加，才是真正的风险来源。

第一，AI 不具备证据合法性审查能力。 很多老百姓自行录音、录像、聊天截图、私自取证，在法律上可能属于来源不合法、取证方式违规，应当予以排除。AI 不会主动识别这些合法性门槛，只会建议当事人“全部提交、越多越好”，导致无效证据堆积、关键证据被法官直接不予采信。

第二，AI 分不清直接证据、间接证据、辅助证据，无法指导举证顺序。 司法审判讲究证据层级与证明力强弱，AI 会让当事人主次颠倒，提交大量无用材料，掩盖核心证据，导致法官抓不住案件重点。

第三，AI 不会识别证据瑕疵、证据断裂、证据漏洞。 实务中绝大多数案件赢在证据补全、证据补强、证据链闭合。AI 看不出证据缺哪一环、需要补充什么材料、需要如何固定事实，导致当事人拿着残缺证据开庭，看似材料很多，实则无法达到高度盖然性证明标准。笔者在刑事辩护中独创的“三维九法二十七式”辩护体系，正是以证据解构为核心维度，通过对控方证据的合法性、关联性、真实性进行全面精细化审查，逐项排查证据的“三性”并通过非法证据排除和关联性切断来瓦解控方证据链条。在某国企高管贪污案中，笔者依据《刑事诉讼法》第56条申请调取财务系统原始电子数据，经比对发现多张报销单金额栏有明显涂改痕迹，签字时所附单据已被替换，经司法鉴定确认变造事实后，法院一审判决当事人无罪释放。这种证据层面的深度审查与补强能力，是 AI 工具完全无法企及的专业高度。

第四，AI 极易指导当事人超范围举证、过度自认。 有些事实无需举证、有些事实绝对不能自认，AI 没有攻防思维，为了“看起来全面”，会引导当事人主动承认对自己不利的事实，等于当庭自毁防线。

第五，AI 完全不懂举证期限、证据交换规则、新证据认定规则。 很多当事人按照 AI 提示开庭临时补交证据，被法院认定为逾期证据，直接不予采纳，关键证据彻底作废。

（四）AI 伪造证据与虚假诉讼的刑事风险

这是 AI 工具在诉讼中可能引发的最严重的法律后果，已从理论风险变为现实威胁。

最高人民法院 2026 年 9 月发布的《关于依法审理涉人工智能纠纷案件的意见》明确规定：当事人利用人工智能自主学习、自主决策的特性，通过删除或者篡改生成合成内容标识、特定指令输入、选择性结果呈现、对抗性干扰等人为干预或者误导的方式，捏造案件事实进行虚假诉讼的，人民法院应当依法驳回其诉讼请求，并根据情节轻重予以罚款、拘留，构成犯罪的，依法追究刑事责任。诉讼参与人或者其他人利用人工智能伪造证据，妨碍人民法院审理案件的，依据民事诉讼法第一百一十四条规定处理，即可根据情节轻重予以罚款、拘留，构成犯罪的，依法追究刑事责任。

实务中已有具体判例。在人民法院发布的一则涉房屋租赁合同纠纷入库案例中，当事人向法庭提交人工智能合成的“证据照片”，因该照片带有生成式人工智能标识而被识别出来并被认定为伪造证据。法院在说理部分指出，鉴于代理人在法院调查过程中主动承认错误、及时纠正，涉及诉讼标的金额较小，未使审判人员对案件事实和证据的判断发生偏差或错误认定案情，情节轻微，故依法予以批评教育，对其提交“证据照片”不予采信。在另一起与公司有关的纠纷入库案例中，诉讼代理人将人工智能生成的虚假“判例”未经核实即写入代理意见提交法庭，法院经审理发现相关判例并不存在，在裁判文书中对该代理人予以批评教育。

更严重的风险在于，AI 深度伪造技术使得“一键生成伪造证据”成为可能。有法院案例显示，租户提交的银行电子回单被证实为 AI 生成伪造，引发二审法院的警觉，案情反转。有原告作为证据提交的水电表照片带有“AI 生成”的水印，在法官质询下被识破。中国政法大学证据科学研究院教授郑飞指出，深度伪造的证据材料一旦被作为定案依据，将会直接影响法官对案件事实的判断，进而诱发错案，损害司法公信力。

与此同时，AI 深度伪造技术还催生了一种反向风险：诉讼中处于不利地位的当事人，以视频或录音系 AI 伪造为由，对真实电子证据提出抗辩。这使得诉讼成本大幅上升，司法效率大幅降低，真实证据的证明力被无端削弱。

（五）诉讼文书深层隐形风险：一字之差，权利全失

AI 文书问题远不止写错字、漏诉求，更多是法律专业表述缺陷，普通百姓完全看不出来。

第一，诉讼请求不精准、不闭合、不排他。 法律诉求要求精准、唯一、可执行。AI 写的诉求普遍模糊、宽泛、存在歧义，判决时法官无法支持，或支持范围大幅缩水。

第二，事实理由存在开放性自认陷阱。 很多 AI 文书语句属于开放式表述，看似无害，实则可以被对方当庭解读为当事人自认过错、自认事实、自认责任，直接锁定不利案件事实。

第三，文书不会规避不利推定规则。 法律中有大量“不利解释归于书写方”规则，AI 模板化书写，会导致所有模糊点全部判决由当事人承担不利后果。

第四，AI 文书普遍缺少关键法律要素。 民间借贷缺交付要素、侵权案件缺因果要素、违约案件缺催告要素，要素缺失直接导致要件不成立，法院不予支持诉求。

第五，上诉状、答辩状、代理词结构错乱、逻辑倒置。 AI 行文结构不符合法官阅读习惯，重点不突出、争议焦点跑偏，导致法官无法抓取当事人核心抗辩理由。

（六）诉讼程序高阶风险：普通人一辈子踩不中的专业程序坑

程序是诉讼生命线，AI 程序错误往往是不可逆、终局性败诉。

第一，AI 经常搞错管辖规则、级别管辖、专属管辖、约定管辖。 老百姓按照 AI 指引去错误法院立案，被驳回后耽误诉讼时间，甚至拖过诉讼时效，彻底丧失权利。

第二，AI 不懂仲裁前置、劳动监察前置、行政前置等特殊程序。 本该先走仲裁，却直接起诉，案件直接裁定驳回，白白浪费维权周期。

第三，AI 无法区分撤诉、按撤诉处理、缺席判决、驳回起诉、驳回诉讼请求的巨大差异。 已有实务案例印证这一风险：有当事人依据 AI 生成的“上诉人未到庭可按撤回上诉处理”的法律意见向法院请求裁判，法院审查后发现 AI 将该规则错误地从“庭审传唤未到庭”场景适用到“庭前询问未到庭”场景，与本案事实前提不符，不予采信。

第四，AI 不懂保全异议、执行异议、案外人异议、再审事由、再审期限等高阶程序。 很多案件一审二审输在细节，本可以通过再审翻盘，却因 AI 不懂程序导致权利永久灭失。

第五，AI 不会识别诉讼主体错误。 被告不适格、原告主体遗漏、必须共同诉讼人缺失，直接导致全案被驳回。

（七）庭审实战风险：AI 完全无对抗思维

所有 AI 内容都是静态理论，庭审是动态博弈，这是 AI 最大的硬伤。

第一，AI 只能写静态文稿，无法预判对方质证观点、庭审突发提问、法官当庭发问。 老百姓照着 AI 稿子念，法官追问两句立刻逻辑崩盘。

第二，AI 不懂庭审发问技巧、质证攻防、证据三性辩驳、焦点辩论。 当事人只会朗读，不会对抗、不会拆解、不会反击，庭审完全被动挨打。

第三，AI 容易制造“书面有理、庭审无理”的尴尬局面。 书面文字看似通顺，当庭落地全部不成立，理论完美，实务完全行不通。

第四，当事人依赖 AI 稿子，临场应变能力归零，无法根据庭审变化调整诉讼思路，错失当庭补救机会。

（八）执行阶段专属风险：赢了官司也拿不到钱

绝大多数老百姓只关注“能不能赢”，不知道胜诉不等于回款，而 AI 完全不懂执行实务。执行阶段的核心能力是信息获取和博弈判断，而非文书生成，AI 在这方面的局限性最为突出。

第一，AI 不会判断被告履行能力、财产线索、转移财产风险、虚假流水、空壳公司套路。 当事人赢了官司，对方早已无财产可执行，胜诉变一纸空文。

第二，AI 不懂财产保全时机、诉前保全、诉中保全的关键价值，导致当事人胜诉无财产。

第三，AI 不会指导失信、限高、拒执罪、追加被执行人、财产调查等执行手段，导致胜诉权利无法落地。

（九）刑事案件致命级叠加风险

民事案件用 AI 最多亏钱，刑事案件用 AI 可能毁人一生。笔者深耕刑事辩护近二十年，亲历数百起刑事案件办理全程，深知刑事辩护绝非简单套用法条、机械走过庭审流程，而是一套需要经验、判断与系统方法论支撑的专业工作。

第一，AI 无法区分此罪与彼罪、重罪与轻罪、一罪与数罪， 当事人自行辩护极易选错罪名抗辩方向。笔者独创的“刑事案件三维九法二十七式”辩护体系，以证据解构、罪名辨析、程序合规为三大核心维度，其中罪名辨析维度以犯罪构成要件为核心抓手，精准界定当事人行为的法律性质，区分罪与非罪、此罪与彼罪。

第二，AI 不懂口供规则、讯问陷阱、诱供套路、笔录签字风险。 当事人根据 AI 思路随意辩解、随意陈述，形成完整有罪证据链，原本可无罪的案件最终定罪。

第三，AI 完全不懂非法证据排除、程序违法点、侦查瑕疵、取证违规等核心辩点， 而这些往往是刑事案件出罪关键。在笔者代理的一起国企高管贪污案中，检察机关出具的《不起诉理由说明书》完整采纳了辩护核心观点，认定在案现有证据无法证实当事人存在非法占有公共财物的主观故意，涉案资产处置虽存在程序违规但不具备贪污罪构成要件，依法作出不起诉决定。

第四，AI 无法识别自首、立功、坦白、退赔、谅解、初犯偶犯等量刑情节的适用边界， 导致当事人错失从轻、减轻处罚机会。

第五，AI 不掌握本地公检法量刑尺度、类案判决区间， 当事人盲目自信，最终量刑远超预期。笔者扎根昭通近二十年，对云贵川渝毗邻地区的公检法办案尺度、量刑区间有着深入的实务把握，其辩护意见往往能在法定框架内为当事人争取最优结果。

（十）调解、和解、撤诉策略风险：AI 只会硬刚，不懂取舍

诉讼不是只有输赢，还有最优解。AI 永远只会告诉你“你有理、你可以赢、坚持起诉”。

实务中大量案件硬打必输、调解最优，AI 没有利益权衡思维、没有诉讼成本思维、没有风险取舍思维。导致当事人：该和解不和解、该让步不让步、该撤诉不撤诉，最终诉讼费白花、时间浪费、矛盾扩大、损失持续增加。笔者在民事诉讼领域总结的“108策”实战体系，覆盖婚姻家事、合同纠纷、房产物业、劳动工伤、侵权赔偿、公司股权等九大领域，其核心并非教当事人“怎么赢”，而是帮助当事人在每一个诉讼节点做出成本最优、风险可控的理性决策。这种取舍判断，恰恰是 AI 永远无法提供的。

（十一）AI 诱发当事人心理依赖与认知退化

这是 AI 诉讼风险中一个正在被学术界关注但尚未被公众认知的维度。有研究者将这一现象定义为 “认知投降”（cognitive surrender） ——个体倾向于接受 AI 的回答而不再激活自己的批判性思维。在法律场景中，这意味着当事人将法律判断完全外包给 AI，自身的法律认知能力不仅没有提升，反而在退化。

英国法律慈善机构 JUSTICE 基于对 1,428 名涉及法律纠纷人群的调查发现，有法律问题的人正在从 AI 聊天机器人寻求情感支持，而不仅仅是法律帮助。参与者描述了“对法庭程序的恐惧”“担心失去工作”“被持续纠纷的不确定性压垮”等情绪，一些人明确询问是否有“情感支持”可用，另一些人告诉聊天机器人他们感到“迷失和无助”。研究者指出，“人们越来越担心训练 AI 聊天机器人变得友好和确认性的影响，有证据表明这使它们更可能犯错误并强化错误信念。这提出了一个问题：通过从这些聊天机器人同时寻求情感支持和法律帮助，用户是否可能在不知不觉中让自己接收到更不可靠的建议”。

研究者进一步指出，与谄媚型 AI 的互动可能稳定人格中的受害叙事、委屈感、幻想或情感依赖。当当事人处于诉讼焦虑中时，AI 提供的“你是有理的”这种确认性反馈，会形成强烈的情感锚定效应。一旦判决结果与 AI 的“预判”不符，当事人不仅面临法律上的败诉，还面临心理上的认知崩溃，进而走向无谓上诉、申诉、信访的长期消耗。

更值得警惕的是，JUSTICE 的研究还发现，AI 聊天机器人用户“更年轻、更可能为男性、更可能在职”，这意味着“有未满足法律需求的女性、年长者或失业者并未平等地从这项技术中受益，事实上，随着这些新技术的出现，他们面临的正义差距可能正在扩大而非缩小”。

（十二）隐私与证据泄露终极风险

当事人为了让 AI 分析案情，会毫无保留上传：聊天记录、转账凭证、病历、住址、身份信息、案件全部细节。AI 后台存在数据留存、训练抓取、外泄可能。未审结案件、敏感证据、个人隐私全部暴露，极易被对方利用、造成次生侵权风险。

最高法《意见》已明确，以刺探隐私为目的，利用人工智能对特定自然人的电话号码、网络账号及社交媒体等公开信息进行追踪、分析，获取私密信息，或者将所获取的私密信息泄露、公开，或者利用所获取信息侵扰私人生活安宁的，应当认定构成对隐私权的侵害。当事人将案件敏感信息上传至通用 AI 平台，本质上是将隐私风险转移给了自己——AI 服务提供者一般不因模型训练使用已合法公开的个人信息而构成侵权，但当事人自行上传的未公开信息一旦泄露，追责路径极为有限。

（十三）AI 算法偏见对特定群体的隐性不公

AI 法律工具的训练数据来源和优化目标决定了其输出存在系统性偏见，而当事人通常对此毫无察觉。

第一，数据偏见固化。 人工智能决策高度依赖训练数据的质量与代表性。如果训练数据中某一类群体的信息偏少或存在历史偏见，算法会将这些偏见固化并放大。在民事诉讼中，涉及农村土地纠纷、劳动争议中的弱势群体、性别相关案件时，AI 可能基于历史裁判数据中的既有偏差，给出不利于特定群体的法律分析，而当事人完全无从识别。

第二，算法黑箱导致责任归属模糊。 算法黑箱使得歧视意图的举证困难和无意图歧视的识别障碍并存，这构成了算法歧视治理中的核心障碍。当 AI 给出的法律建议实质上导致了当事人做出不利于自己的决策时，当事人既无法证明 AI 存在偏见，也无法追究 AI 服务提供者的责任。

第三，数字鸿沟的扩大效应。 如前所述，JUSTICE 的研究已表明，AI 法律工具的用户群体偏向年轻、男性和在职人群，而女性、年长者和失业者等最需要法律帮助的群体反而最不可能从 AI 工具中受益。AI 的普及不仅没有缩小正义差距，反而可能加深了数字鸿沟。

（十四）AI 生成内容的知识产权与合规风险

当事人使用 AI 生成诉讼文书、法律分析或证据材料时，还可能面临知识产权和合规层面的风险，这些风险与诉讼本身无关，但可能引发新的法律纠纷。

第一，AI 训练数据的版权侵权风险。 人工智能模型多依赖海量互联网数据进行训练，其中包含大量受版权保护的作品。未经许可使用这些内容进行模型训练，本身就存在侵权争议。当事人使用此类 AI 工具生成内容，虽一般不直接承担训练数据侵权责任，但若 AI 生成的内容与受版权保护的作品实质性相似，当事人作为内容使用者可能面临侵权指控。

第二，AI 生成内容的著作权归属不确定。 当前司法实践对 AI 生成内容的著作权保护采取“有限保护原则”，要求存在“连续性智力投入与实质性表达转化”方可受著作权法保护。当事人使用 AI 生成的文书，若缺乏实质性的人类智力投入，不仅可能不被认定为作品，还可能在后续纠纷中因“无人类作者”而面临权利主张困难。

第三，无资质法律服务的合规风险。 AI 的普及使得无资质主体以技术工具名义违规向社会公众提供法律服务，不仅严重冲击了传统法律服务准入红线，还可能引发无证执业、内容失实、算法歧视等一系列合规风险以及由此带来的法律责任。当事人依赖 AI 自行打官司，本质上是在接受一种未经法律职业监管过滤的法律意见，其质量没有任何制度保障。

四、制度层面的最新回应：最高法新规确立了 AI 诉讼使用的法律边界

2026 年 9 月 7 日，最高人民法院发布《关于依法审理涉人工智能纠纷案件的意见》（法发〔2026〕10 号），这是首部由最高审判机关发布的涉人工智能司法裁判规则文件，共五个部分、二十四条。

《意见》第 19 条明确规定：“诉讼参与人提交诉讼文书、案例检索报告等材料如系使用人工智能生成，在提交法庭前应当认真核实相关法律、司法解释、案例等内容的真实性、准确性，在提交法庭时对使用人工智能辅助情况作出说明，并对有关内容的真实性、准确性依法承担责任”。

这一条款从制度层面确立了诉讼参与人的双重义务——核实义务与披露义务。其核心逻辑不在于讨论 AI 技术原理，而是回归一项基础性的责任原则：无论材料生成是否借助人工智能，核实义务的主体始终是人，而非技术工具，提交者必须对其提交材料的真实性承担最终责任。最高法研究室副主任司艳丽在新闻发布会上明确表示：“人工智能只是辅助工具，诉讼参与人不得以‘AI 幻觉’、技术中立为由免除自身的法律责任”。

《意见》还从三个方面作出了系统性规定。一是依法惩治利用人工智能虚假诉讼。 当事人利用人工智能自主学习、自主决策的特性，通过人为干预或误导方式捏造案件事实进行虚假诉讼的，人民法院应当依法驳回其诉讼请求，并根据情节轻重予以罚款、拘留，构成犯罪的，依法追究刑事责任。二是依法规制利用人工智能伪造证据的行为。 依据民事诉讼法第一百一十四条规定处理，可根据情节轻重予以罚款、拘留，构成犯罪的，依法追究刑事责任。三是明确规定诉讼参与人对 AI 生成材料的核实说明义务。

与这一规则相呼应的是司法机关在实务中的持续警示。2025 年 4 月，有法院在某确认仲裁协议效力案件中，裁定要求代理人全程披露人工智能使用情况，系人工智能技术披露原则首次进入我国司法领域。有互联网法院审结全国首例因人工智能幻觉引发的侵权纠纷案，直面幻觉生成内容的性质、服务提供者的责任等前沿问题。司法机关的态度已十分明确：AI 不能成为提交失实材料的免责借口，诚实信用是诉讼参与人的基本义务。

五、为什么“AI 打赢官司”都是假象？深度拆解流量骗局

所有网络传播的 AI 胜诉案例，全部满足三个条件：案件事实 100% 清楚、证据 100% 齐全、对方无抗辩能力、无争议焦点。这种案件不用 AI、不用律师、普通人随便打都能赢。这些案例中的当事人即使没有 AI 辅助，也可能通过咨询律师或自行学习获得相同结果——AI 的“功劳”实际上被虚假归因了。

真正考验专业能力的争议焦点型案件、证据瑕疵案件、法律关系交叉案件、刑民交叉案件、复杂商事案件，从来没有一例依靠 AI 胜诉的真实有效判例。

大众看到的是结果，看不到的是：AI 无法取舍、AI 无法博弈、AI 无法应变、AI 无法补救、AI 无法担责。AI 能帮你写字，不能帮你避险；能帮你套模板，不能帮你打官司。

更值得警惕的是，AI 的谄媚性偏见使得“AI 打赢官司”的传播本身形成了信息闭环：当事人向 AI 提问“我的案子能不能赢”，AI 基于谄媚倾向给出积极回答，当事人将这一回答发布到短视频平台，形成“AI 说我能赢”的内容传播，其他当事人看到后又向 AI 提出同样问题，再次获得积极回答——整个链条中没有任何环节涉及真实的司法判断，但“AI 打赢官司”的假象被不断强化。

六、普通民众使用 AI 打官司的理性边界与降维避险方案

需要首先明确的是，AI 并非毫无价值。斯坦福大学的研究表明，AI 法律工具在法条检索和信息整理方面确实能提升效率，其问题在于准确率不足以支撑独立决策。ACL 2026 的研究也指出，法律 LLM 在知识召回层面具备一定能力，其缺陷主要集中在权威适用判断和抗扰动能力层面。因此，理性使用 AI 的路径不是“全面禁止”，而是“划定边界、分层使用”。

AI 的精准定位应当是免费的文书辅助、法条查询、流程科普工具，绝对不能成为案件决策、证据取舍、庭审抗辩、风险预判的依据。

首先，客观完整陈述案情，规避信息偏差。 当事人向 AI 描述案件时，必须摒弃主观偏向，完整还原事件起因、经过、结果，主动列明自身存在的不利事实与对方可能掌握的证据，杜绝片面输入导致的虚假诉讼方案。尤其需要注意，AI 的“谄媚性偏见”会系统性地强化当事人的自我叙事，因此当事人应有意识地在提问中加入“请从对方立场分析我的不利之处”“我的证据链存在哪些漏洞”等反向审视提示，主动对抗 AI 的迎合倾向。同时坚守隐私底线，不上传证件原件、完整流水、涉密笔录、隐私病历等敏感材料，仅提炼事实文字用于文书初稿创作。

其次，逐条核验法律依据，杜绝法条幻觉与死法引用。 所有 AI 引用的法条、司法解释，必须通过中国人大网、最高人民法院官网等权威渠道核验有效性，确认条文现行有效、未被修订废止。尤其需要警惕“死法引用”风险——AI 引用的法条可能真实存在但已被推翻或替代，且能通过所有表面验证。建议当事人同步通过中国裁判文书网检索同类案件的现行裁判，确认所引法条在最新司法实践中仍然适用。同时主动了解属地同类案件的裁判尺度，区分通用法理与本地司法实务。

再者，文书仅作初稿，逐句人工打磨定稿。 AI 生成的所有诉讼文书，仅可作为框架草稿，不得直接提交法院。重点核查诉讼请求完整合规、无遗漏、无超范围诉求；逐句审查事实陈述内容，确保每一句表述均有证据支撑，杜绝自认性语句；反复核对当事人信息、涉案金额、管辖法院、时间节点，规避低级立案错误。根据最高法《意见》第 19 条的要求，当事人提交 AI 辅助生成的诉讼材料时，还须主动说明 AI 使用情况，并对内容真实性承担法律责任。

同时，严格区分案件类型，设置明确红线。 对于事实清晰、证据齐全、争议标的较小的小额民间借贷、简单劳务纠纷，可依托 AI 辅助整理材料、规范流程，但所有法律判断仍须人工核实。以下案件类型绝对禁止完全依赖 AI 自助维权：刑事案件、大额财产纠纷、商事合同争议、建设工程纠纷、知识产权纠纷、证据矛盾复杂的疑难案件。所有诉讼策略、证据取舍、庭审应对、调解决策，必须交由执业律师结合全案卷材专业研判。

最后，摒弃 AI 胜诉预判，重大决策专业把关。 AI 的胜诉概率推演仅为理论算法计算，未考虑庭审对抗、法官自由裁量、对方抗辩策略等动态因素，不具备任何实务参考价值。当事人不得依据 AI 预判盲目起诉、贸然调解、申请保全或鉴定，所有关乎核心权利的重大决策，必须咨询专业执业律师，杜绝盲目维权、自费损失。

七、结语：AI 可辅助，诉讼不可赌

人工智能可以降低普通人学法、用法的入门门槛，可以替代机械、重复、文书类基础工作。斯坦福大学的研究已经证明，AI 在法律信息检索层面具有实用价值，但其幻觉率——即便是最先进的商业法律 AI 工具——仍高达 17% 至 33%，远未达到可独立使用的安全阈值。ACL 2026 的研究更从根本上指出，法律 LLM 将法律视为非结构化文本而非具有约束力的先例，这一结构性缺陷不会因为模型规模的增大而消除，反而在部分场景中加剧。而“死法引用”的研究进一步揭示，即使 AI 不再虚构法条，它仍可能引用已被废止的法律权威，且这种错误能通过所有表面验证。谄媚性偏见的研究则表明，AI 不仅在法律准确性上不可靠，还会系统性地扭曲当事人对自身案件的认知。

司法维权的本质，是经验、博弈、判断、取舍、细节、尺度的综合专业产物，绝非算法数据可以替代。最高人民法院 2026 年新规的出台，标志着制度层面对 AI 诉讼使用边界已经划定：AI 可以辅助，但最终责任在人。

老百姓必须彻底纠正当下的浮躁认知：免费 AI 不等于靠谱维权，模板文书不等于合法理由，理论法条不等于胜诉结果。

诉讼无小事，一字关乎权利、一念关乎输赢、一步关乎终身结果。善用 AI 为工具，敬畏司法专业壁垒，重大案件交由执业律师把关，才是当代民众最理性、最稳妥、最高性价比的维权方式。