夜雨聆风在与同行交流时，我发现一个普遍的问题：工具虽然多，但真正能嵌入日常业务、产生实际效率提升的却很少。
要么是AI给的东西太泛，跟自己的业务对不上，要么是用了之后发现效率没提升多少，反而花了很多时间去学工具、调提示词，甚至有不少律师开始学习用大模型编程了。
但投资不少，效果不明显。有的开始回归“手搓”的老路。
那么，问题出在哪里？这不是工具不够好的问题，也不是律师学不会的问题，而是在引入AI之前，有一项基础的工作被忽略了——那就是对自身业务输入与输出的结构化梳理。
下面笔者结合在合规内控咨询领域的实践，尝试把这个问题及其解决方案说清楚。
一、输入的结构化是AI有效参与的前提
法律服务的起点，是接收并理解客户的需求与信息。
在传统的作业方式下，律师凭借经验就能从客户的非结构化表述中提取关键要素，不需要刻意区分信息的类型和层级。
但当试图引入AI参与工作时，这种隐性、模糊的信息传递方式就会成为障碍。因为AI不具备人类律师的语境理解能力和经验补全能力，它只能基于明确给定的信息来执行指令。
所以，输入的结构化，是AI能够发挥作用的第一道门槛。
这里说的结构化，是指将客户提供的原始信息，按照固定的类别和格式进行整理，使其成为机器可以读取和处理的数据单元。
以合规管理体系建设这个典型的非诉业务为例，输入信息通常可以归入以下几类。
第一类是企业基础信息，包括公司名称、股权结构、主营业务、组织架构、人员规模以及所属行业。这些信息决定了后续合规义务识别和风险评估的基本方向。
第二类是现有制度文件，包括公司章程、各项管理制度、流程文件和岗位职责描述。这些是做制度现状诊断的基础素材。
第三类是外部法律法规与监管要求，涵盖国家法律、行政法规、部门规章、强制性标准以及行业规范。这部分信息体量大、更新快，是律师投入时间最多的环节之一。
第四类是业务数据样本，比如合同范本、审批记录、历史合规事件报告以及内部审计发现。这些数据能反映企业真实的合规风险暴露程度。
第五类是客户的特定要求，如重点关注的合规领域和汇报层级等，直接影响项目范围与交付深度。
当这几类输入信息被清晰定义之后，AI就可以在各个环节发挥作用了。
如在企业基础信息处理环节，AI可以辅助完成行业监管框架的初步识别；在制度文件处理环节，AI可以完成文件分类和关键条款提取；在法律法规处理环节，AI可以实现新规的自动抓取和变化比对。
反过来讲，如果输入信息处于无序和不充分的状态，AI的输出质量就很难保证，（自动化的）产品化也就无从谈起了。
二、输出的标准化决定AI应用的效果上限
与输入相对应，输出是律师团队最终交给客户的成果物。
在传统法律服务中，这些成果物往往高度定制化，每份报告、每套制度都是根据客户特定情况单独撰写的。
但如果要让AI深度参与交付过程，就必须对输出物进行标准化拆解，明确其结构、格式和质量要求。
这里需要说明的是，标准化并不意味着牺牲个性化，而是将输出物中的通用模块与专业判断相分离。
通用模块可以由AI辅助生成，专业判断仍由律师完成，从而实现效率和质量的兼顾。
还是以合规管理体系建设为例，典型的输出物至少包括以下几种。
第一，合规风险评估报告。这类报告通常包括评估范围、评估方法、风险识别清单、风险等级排序和改进建议等部分，每个部分都有相对固定的撰写逻辑和表达方式，标准化潜力较高。
第二，合规管理制度汇编。包括合规管理办法总纲、各专项合规指引、合规审查流程规范等。这些文件之间存在明确的层级关系和引用逻辑，其形式要件可以通过模板来约束。
第三，合规管理手册。这是面向业务人员的操作指引，要求语言通俗、步骤清晰，还需要包含示例和注意事项。内容虽然因企业而异，但框架结构是可以高度复用的。
第四，合规培训课件。针对不同受众的分层培训材料，需要兼顾专业性和可读性。课件的大纲设计、案例选取和呈现方式都有规律可循。
第五，持续改进方案。包括合规审查频次建议、监控指标体系设计以及风险预警阈值设定等，属于项目交付后的延伸服务内容。
明确了这些输出物的类型和结构之后，AI的应用路径就清晰了。
对于合规风险评估报告中的风险识别清单，AI可以基于输入的制度文件和法规库，自动生成初版风险项；对于制度文件汇编，AI可以依据模板完成条款填充和格式统一；对于培训课件，AI可以辅助提炼核心知识点并生成讲稿框架。
律师的核心价值，就体现在对AI产出物的专业复核、逻辑校验和针对性调整上。
三、从输入到输出的过程拆解是产品化的核心环节
在完成输入和输出两端的结构化定义之后，下一步就是将输入转化为输出的中间过程进行逐级拆解。
这是法律服务产品化最关键的环节，也是AI能否真正嵌入业务流程的决定性因素。
下面以制度对标分析这个子任务为例，完整的工作流（workflow）可以拆解为以下几个步骤。
第一步，将现有制度文件按业务条线或管理职能进行分类；第二步，针对每个分类模块，检索并筛选适用的最新外部法规要求；第三步，逐项比对制度条款与外部法规之间的匹配程度，识别一致、冲突、缺失或冗余的地方；第四步，将比对结果标注为具体问题项，并按严重程度排序；第五步，基于分析结论形成整改建议和优先级排序。
在这几个步骤中，第一步的分类和第二步的法规检索，AI可以承担主要工作量；第三步的逐项比对，AI可以完成初筛和标注，但涉及法律解释和价值判断的部分仍需要律师介入；第四步和第五步的问题归纳与建议形成，则高度依赖律师的专业经验和商业判断。
当这个工作流被清晰定义之后，AI在其中的角色和边界就清楚了。律师不再需要花大量时间在信息收集、整理和初步分析上，而是把精力集中于判断、决策和客户沟通这些高价值环节。
这就是AI赋能法律服务产品的底层逻辑——不是用AI替代律师，而是通过精细化的流程设计，把律师从低附加值的工作中解放出来，让他们专注于不可替代的专业判断。
小结一下：AI技术对法律行业的改变，不可能只靠工具的堆砌来实现。真正意义上的AI赋能，来源于对自身业务逻辑的深入理解和系统化表达。
输入与输出的结构化梳理，看起来是基础工作，其实是一切后续工作的逻辑起点。没有这一步，提示词优化会流于表面，智能体搭建也会缺乏根基，产品化的设想也难以落地。
对那些急于探索AI应用的律师来说，建议慢下来，先放下对新工具的急切尝试，回归到业务本身，用最朴素的方式把自己业务的输入、输出和中间转化过程梳理清楚。只有这样，才能在AI浪潮中建立起真正属于自己的方法论体系，把AI从一个概念变成实际的生产力。
作者介绍：陶光辉律师，法学硕士，工商管理博士(DBA), 高级经济师，大连大学法学院客座教授，中国政法大学法学院“律师事务所管理”研究生课程实务授课教师。个人微信号：yimanage，欢迎入群交流。
