夜雨聆风这篇文章的推演路径是这样的：
先从Levie的杰文斯悖论出发，分析它在中国法律市场的适用条件（第一到四节）。
然后把中国律师拆成三层，逐层判断每一层是'煤炭'还是'马'（第五节）。
接着提炼出三层分析的统一变量（第六节）。
最后画出行业的未来形态，回头再次审视Levie推文观点（第七、八节）。
全文约一万八千字，建议留出30-40分钟完整阅读。
最近Box的CEO亚伦·莱维（Aaron Levie）在X发了两条推文，非常火。
他的推文表面上是在讲两件事，但其实说的是同一个底层逻辑。
第一条是关于数据中心需求的。
主要是说亚马逊过去三年的资本支出超过了其历史总和。
Levie认为，当前大部分AI使用集中在chat类工具上，token消耗相对有限。
但coding agents的token消耗量大几个数量级，而目前只有少数人在用。
当类似的消费模式扩展到整个知识工作领域时，agent处理token的需求可能是现在的数百倍。
第二条更有意思。
他说AI时代律师数量会更多而非更少。
原因有三个：AI会让人更频繁地提出法律问题；AI会催生大量新的法律术语和案件；AI本身在各个行业引发的IP、隐私和合规挑战呈爆发式增长。
他还给出了历史先例。
提到在PC和互联网发明后，美国律师人数从1975年的40万增长到2025年的137.5万。
他认为，当我们使某些职业更高效和自动化时，往往对这些职业的需求会上升，而不是下降。
这两条推文好多律师都在转发。
大意都是赞成第二条推文的观点，认为AI会促进法律服务需求的爆发，利好律师行业的发展。
我看完想了很久。
直觉告诉我哪里不太对。
我有个疑问：AI到底是在扩大律师行业的蛋糕，还是在把蛋糕切给别人？
因为即便 AI 真的能推动和促进法律服务需求的爆发和增长，这里至少要区分三层不同的增长。
第一层，是法律问题被提出和处理的总量增长；
第二层，是其中真正转化为付费法律服务的需求增长；
第三层，是付费需求中最终流向外部律师，而不是被企业法务、法律科技平台或自助工具吸收的那部分增长。
Levie的判断，更接近第一层；而我真正关心的，是第三层。
因为对于律师行业而言，真正决定职业红利的，不是‘法律问题总量有没有增加’，而是最后有多少需求真正落到了律师手里。
这篇文章是我的观点记录。
我无法保证这些观点和结论是正确的，只是如实记录推导过程。
一、杰文斯悖论：一个160年前的理论为什么突然变成热词
Levie两条推文的底层逻辑，都指向一个名字：杰文斯悖论（Jevons Paradox）。
1865年，英国经济学家威廉·斯坦利·杰文斯William Stanley Jevons观察到一个反直觉的现象：蒸汽机效率越高，煤炭消耗不降反升。
因为蒸汽机的效率越高，用更少的煤就能产生相同的动力。由于动力变得便宜且高效，蒸汽机被迅速的普及到更多的领域。因为新的用途和用户大幅增加，导致总体的煤炭需求量不降反增。
用一句话概括：当一种资源的使用效率大幅提升时，该资源的总消费量往往不降反升，因为效率提升解锁了此前不经济的需求。
这个悖论在技术史上反复出现过。
古腾堡发明现代印刷术后，人们以为以后只会需要更少的抄写员，结果因为印刷术普及，导致书籍刊物更容易传播，识字率增加后，写作和编辑的职业需求爆发式增长。
VisiCalc和Lotus，这两个软件让电子表格取代了手工计算。
结果因为电子表格让单次财务计算成本下降，使得企业对于财务预测和合规审计的需求，随之变得极其廉价且精细，会计和分析师的岗位反而增加了，会计师和财务分析师的数量持续增长。
当ATM机被大规模部署时，经济学家詹姆斯·贝森James Bessen的经典研究表明：因为ATM降低了单个网点的运营成本，银行反而开设了更多网点，客户服务需求增加，不仅仅是取钱，还有理财咨询，反而导致柜员总数在相当长时间内是上升的。
Levie把这个逻辑套到AI上：AI让知识工作的单位成本暴跌，结果不是知识工作更少了，是会产生更多的知识工作。
乍一听很有说服力。
但我的职业本能告诉我：一个理论如果听起来太漂亮和完美，通常是因为省略了约束条件。
二、理解杰文斯悖论，至少要看两个关键约束变量
如果把杰文斯悖论直接搬到法律行业，至少有两个关键变量不能省略：需求弹性，以及AI与人类劳动之间究竟是互补关系还是替代关系。
关键变量一：需求弹性是否足够大。
先说结论：效率提升，只有在需求高度弹性的情况下才会引发总量暴增。
但如果需求本身是刚性的，比如人一天只需要三顿饭，那效率提升就只能降成本，或者升级质量，亦或者价值溢出到其他领域，但不会扩总量。
所以，法律服务的需求弹性到底有多大？
这个问题放在美国和中国，答案可能完全不同。
美国是一个高度诉讼化的社会。
有contingency fee制度降低起诉门槛，有陪审团制度制造高额赔偿的可能性。
因此法律服务不仅是“刚需”，更是一种“进攻性武器”。
降低成本会显著增加诉讼频率和文书厚度，因此更符合杰文斯效应。
而中国的诉讼文化要弱的多，大量纠纷并没有走到诉讼阶段，通常选择"忍了""私了""找关系调解"解决。
所以，如果说中国法律服务市场存在大量被压抑的法律服务需求，这个推论应该是真的。
但被压抑的需求，不等于无限弹性的需求。
即便律师费降到几百元，如果走法律程序的“时间成本”和“关系损耗”依然高昂，需求就不会爆发。
这意味着AI在中国法律市场的杰文斯效应可能只存在于特定B端领域（如复杂商事、合规管理），而非全行业。
关键变量二：AI与人类劳动究竟更偏互补，还是更偏替代。
MIT斯隆管理学院研究团队，在AI与劳动力市场领域的研究方向及部分成果表明，通过分析任务自动化与岗位结构变化，可能揭示了一个关键区分：在AI自动化部分任务后，人类在剩余任务中的角色可能因价值提升而更受重视。
但当AI自动化了一个岗位的大部分任务时，企业层面该岗位就业反而下降。
原因可能是，杰文斯悖论在煤炭上成立，是因为蒸汽机需要人来操作。
在ATM上成立，是因为银行网点仍需要人处理复杂业务。
但关键问题是：AI和法律工作之间，到底是"蒸汽机和煤矿工人"的关系（互补），还是"内燃机和马"的关系（替代）？
安妮·洛瑞Annie Lowrey在《大西洋月刊》The Atlantic的分析中，提醒了一个容易被忽视的事实：煤炭最终还是被石油替代了。
技术进步往往先是杰文斯效应（繁荣），后是临界点式的彻底替代（出局）。
煤炭的案例提醒我们，任何因效率提升带来的“存量红利”都有时间窗口。
悖论不是万能盾牌，它只在"新技术增强旧资源的效用"时成立。
一旦新技术直接替代了旧资源的功能，悖论就失效了。
所以我对Levie命题的理解是：AI 主要增强人类判断、组织和交付能力的环节，效率提升更可能激活需求、放大总量；而在 AI 已经深度压缩标准化执行的环节，新增需求未必继续流向原有的人力。
真正关键的，不是给律师整体贴上‘煤炭’或‘马’的标签，而是把工作拆到足够细的颗粒度：哪些环节更偏互补，哪些环节更偏替代，哪些环节正处在二者之间，并且会随着技术和制度变化而移动。
先给一个判断。
高度标准化、低责任、低对抗性的环节，比如信息检索、格式化文书初稿、初级合规检查，会先被AI深度压缩，部分场景下甚至会出现近似替代。
而那些高度依赖判断、博弈、情境理解和责任承担的环节，比如庭审策略、复杂交易架构、跨法域风险评估，更可能表现为互补增强：AI把门槛压低了，客户反而有能力负担更复杂的法律博弈。
三、从算力到律师费：杰文斯悖论正在实时上演
在深入分析律师行业之前，我想先讲一个正在发生的事情，因为它可能是法律服务行业未来走向的一面镜子。
Levie曾在商业内幕Business Insider的采访中预测，到2026年AI的token成本将趋近于零。
从token的标价看，他说的没错。
Epoch AI的研究显示，在按固定性能门槛测算的口径下，LLM推理价格近年来下降极快；若只看2024年1月之后的数据，相关价格趋势的中位下降速度约为200×/年。
但如果你是AI的重度用户，你现在的体感却很可能是：token变贵了。
为什么？
主要是三层因素在叠加。
第一层是thinking token的乘数效应。
现在的推理模型（o系列、extended thinking）会在后台生成大量"思考token"，这些token不出现在可见输出里，但藏在上下文中，按output价格甚至更高的价格计费。
在复杂查询上，thinking token可以让成本膨胀10到30倍。
你以为你问了一个问题花了几分钱，实际上模型在后台"想"了很久，账单是你预期的十倍。
第二层是agent工作流的token爆炸。
以前是你手动问一个问题、得到一个答案。
现在一个coding agent自主跑一个任务，背后可能调用几十次模型，每次都带上长context。multi-agent工作流在生产环境中，正在导致token和算力消费呈抛物线增长。
token单价降了，但"每完成一件事"消耗的token总量涨了100倍。
第三层最反直觉：底层硬件在涨价。
算力的核心是硬件。
但底层硬件价格并没有如很多人想象的那样同步下行。
SemiAnalysis2026年4月发布的分析显示，H100一年期租赁合同价格已从2025年10月的1.70美元/小时/GPU，上升到 2026年3月的2.35美元，涨幅接近40%。
与此同时，另一家算力市场数据机构Silicon Data的公开口径也显示，B200 租赁指数在2026年3月出现了显著上冲。
所以至少在2026年初，高端 GPU 的市场现实不是‘价格塌缩’，而是‘供给持续吃紧’。
有意思的是，SemiAnalysis在描述当时的市场紧张程度时，甚至用了近乎‘摩纳哥大奖赛期间转租公寓’式的类比。
这个比喻未必精确，但足以说明2026年初GPU租赁市场的供需错位有多夸张。
三层因素叠加的结果，就是单位token价格在降，但单位任务的token消耗以更快的速度增长，而底层算力的供给增速跟不上需求增速。
放到现实中，我们看到各大厂商默默提高了Coding Plan的套餐价格并采取限售政策，我们抢不到套餐，好不容易抢到了还经常被限流。
所以，token的单价降了，但需求量上来了。
我们不能再按token单价来计算支出，要算整体支出了。
这就是杰文斯悖论在算力层面的实时上演。
成本下降和需求爆发不是矛盾的，正是因为成本下降，需求才爆发。
现在我们把这个逻辑链条平移到法律服务领域。
在律师的成本结构中，人力是最大的成本，没有之一。
一个律所的成本里，律师薪酬加社保加培训加管理成本通常占60-70%以上，租金、办公费用、IT这些加起来可能才30%。
而AI替代和降低的，恰恰就是这个最大成本项中的大头：人力。
所以传导链条不是"token变便宜→省了几块钱AI费用→律师费微降"。
更可能发生的传导链条是：token变便宜→AI使用率上升→AI大量替代律师的人力劳动→人力成本显著下降→法律服务单价可能会显著下降→大量原本"觉得不值得请律师"的需求被激活→法律服务需求总市场扩大。
为什么不说是简单的‘token变便宜→律师费下降’。
是因为法律服务领域真正可能发生的传导链条，并不是一条简单的直线。
而是更接近现实的过程：AI先压缩标准化法律工作的边际成本，并减少部分人力投入需求；在竞争充分、服务标准化程度较高的细分市场，这种成本下降可能传导为价格下降，也可能先表现为交付速度提升、服务范围扩大，或者利润率上升。
而只有在两个条件同时成立时，律师市场总量才会真正扩张：
第一，成本下降能够转化为客户可感知的价格或可得性改善；
第二，被激活的新增需求最终流向外部律师，而不是被企业法务、法律科技平台或自助式工具吸收。
所以，AI对法律行业的影响，更像是一张带筛网的传导链，而不是‘成本下降—市场必然扩大’的单向公式。
从这个意义上说，Levie的方向判断未必错，但它仍然省略了几个真正决定结果的中间变量。
这和算力领域正在发生的事情是一样的。
算力的杰文斯悖论不是法律服务的"参考案例"，而是法律服务的"预演"。
方向一致，传导机制也一致。
Levie的预测在方向上大概率是对的。
但这里有一个隐藏的致命问题：并不是所有律师都能享受到这波红利。
能享受红利的，是用AI大幅降低了自己人力成本、效率提升后可以服务更多客户、在被激活的新增需求中占到位置的律师。他们的收入大概率是不降反升。
被挤出市场的，是那些工作本身就属于"被AI替代的那部分人力成本"的律师。
所以市场总量是变大了，但变大的那部分需求被"律师加AI"的新组合吃掉了，纯人力律师在新增市场中并没有价格竞争力。
蛋糕变大了，但原本属于他们的那块消失了。
杰文斯悖论保证了行业总量增长。
但总量增长和个体命运是可以完全脱钩的。
这才是每个律师，在即将到来的AI时代，真正需要想清楚的问题。
四、四个值得认真对待的修正理论
Levie的框架不是没有人质疑。
至少有四个公开的系统性修正理论，都指出了他的理论盲区。
修正一：瓶颈转移论
阿卡什·古普塔Aakash Gupta多次在X和自己的订阅专栏上发表观点，对Levie的“效率论”进行回应，并提出了一个基于**约束理论（Theory of Constraints）**的深刻观察。
他指出，虽然AI解决了“如何做”的问题，但它同时暴露并放大了人类能力的局限性。
他认为，当执行（Execution）的成本通过AI降低到接近于零时，系统的瓶颈就发生了转移（Bottleneck Shift）。
新的约束条件变成了三个：
1.规格制定（Specification）：能否清晰、准确、无歧义地定义我们需要AI做什么。
2.评估（Evaluation）：当AI以极高速度产出大量结果时，人类是否具备足够的高级认知和判断力，去鉴别哪些产出是高质量的，哪些是带有幻觉或错误的。
3.整合（Integration）：如何将AI产出的零散成果，无缝地整合进复杂的业务逻辑、现有法律框架或产品体系中。
波士顿咨询公司BCG的研究显示，74%的企业尚未真正实现AI价值的规模化，主要原因是人和流程的挑战，而非技术局限。
障碍不再是模型精度不够，而是企业不知道如何将其嵌入到销售、客服、生产的每一个具体环节。
与此同时，德勤Deloitte的全球调研则显示，74%的受访企业认为其最成熟的生成式AI项目已达到或超过ROI预期，关键在于监管与风险、治理、数据、信任。
这两组数据并不矛盾：单个项目可以产生回报，但把这种回报稳定复制到组织层面，难点仍主要在流程、治理、协作与落地能力。
所以，AI确实提升了效率和人类的能力，但是人类自身的认知和判断力，反而成为了限制AI能力发挥的瓶颈。
翻译成律师行业的语言：就是AI可以帮你3分钟写完一份起诉状，但"这个案子应不应该起诉""起诉状的核心策略应该是什么""哪些事实要强调哪些要淡化"这些判断和决策，不会因为AI变快就变容易。
AI让律师的工作更快、更轻松了。
但反过来，律师的决策压力更大了。
这也意味着，杰文斯效应的传导速度会受限于律师群体的判断力提升速度。
需求可以被激活，但能不能被高质量地承接，取决于有多少律师具备足够的判断力来驾驭AI。
修正二：分配效应论
不同于古普塔Gupta的温和，克莱·雷恩Clay Wren对杰文斯悖论在知识工作中的应用，提出了最尖锐的政治经济学批评。
他的核心论点是：经济学家在讨论AI时常犯的一个错误，是只看总量，不看分配。
一面是总量叙事：AI大幅降低法律服务成本，全球法律服务市场规模可能翻倍。蛋糕确实变大了。
另一面是分配效应：虽然总量大了，但原本由数十万初级律师、合规官、初审员完成的工作被AI吞噬。
蛋糕变大的同时，很多人手里的那块消失了。
增长带来的收益流向了掌握AI工具的高效律师和平台，而底层和中层的劳动力市场面临结构性瓦解。
所以，虽然杰文斯悖论在总产出上完全可以成立，但同时伴随着灾难性的分配效应。
他直接质问：有人真的相信法律文件审查的需求是无限弹性的吗？比如税务准备？
并在文中特别点名了插画师、翻译、文案、平面设计师，这些都不是边缘案例。
在这些有边界的市场，生产力提升相当程度上，直接地转化为人员缩减。
正在被取代的人，曾经都被告知他们的技能永远有价值，因为他们是有"创意"的。
这个批评的锋利之处在于：总量增长的繁荣叙事，掩盖了个体命运的真实处境。
放到法律服务市场，即使总市场变大了，具体到某些律师类别，面临的可能不是杰文斯效应带来的水涨船高，而是直接替代。
蛋糕变大和你被挤出蛋糕分配，可以在同一时间发生。
修正三：高效废话批评。
有评论者指出了一个更根本的问题：AI催生的需求增长，真的创造了价值吗？
他举了一个极端例子：英国Lower Thames Crossing项目的规划申请被广泛报道为包含约2,383份文件、约35.9万页。
更关键的是，围绕这些规划文档及其审批流程的前期支出已高达数亿英镑。
这个案例更适合被理解为‘制度性文书摩擦’的象征，而不是单纯的工程前置准备。
所以当生产这类文件的成本降100倍，结果很可能是10亿字的文件，而不是更快的施工。
法律行业有同样的风险。
AI可能催生大量"防御性合规文件"，比如企业法务为了规避责任，要求对每一个微小决策都出具法律意见书；或者合规团队因为AI让审查变便宜了，把审查范围从核心合同扩展到所有往来文件，结果律师费总额不降反升，但真正防住风险的还是那几份核心文件。
这些为了合规而合规的文字，不产生真正的价值，只增加系统摩擦。
需求总量确实增长了，但增长的是文字产出而非解决的问题。
彼得·德鲁克说过："没有什么比高效地做根本不该做的事更无用的了。"
修正四：有限替代论。
诺贝尔经济学奖得主达龙·阿西莫格鲁Daron Acemoglu也有一些观点，但不是说杰文斯悖论错了，而是说AI的能力边界被高估了。
他认为AI只能替代一小部分工作，同时承认"这具有巨大的不确定性"。
如果AI实际能力增长比预期慢（这在历史上多次发生，比如自动驾驶L4/L5从"2020年实现"推迟到现在仍未大规模落地），那么"需求爆发"的前提条件就不充分。
放到法律行业，很多人预测AI两年内就能独立处理中等复杂度的诉讼案件，但法律工作中大量依赖非结构化信息（当事人口述、证人态度、法官偏好、地方司法惯例），这些信息AI目前很难自主获取和处理。
但AI在法律领域的实际渗透速度，可能比技术乐观者的预期慢不少。
这四个修正加在一起，给Levie 的理论画了一个精确的边界：方向大致对，但幅度、速度和分布都不是他描述的那么简单。
五、煤炭、马与中间地带：中国律师行业的逐层拆解
理论铺够了。
接下来是实战推演。
我要做的事情，是把‘AI对律师的影响’这个笼统问题拆到足够细的颗粒度，逐个判断每个环节更偏向‘煤炭’，更偏向‘马’，还是处在两者之间。
本文的分析对象是中国律师，不是美国律师。
因为中美法律服务市场的结构差异很大，直接套用美国叙事会失真。
接下来我按律师层级分三层推演：资深合伙人、中间层律师（执业3-8年）、初级律师（0-3年）。
每一层的价值创造逻辑不同，AI的冲击路径也完全不同。
5.1 资深合伙人：不是被替代，是生态被重构
先说结论：资深合伙人是整个行业中AI直接替代风险最低的群体，但面临的结构性挑战并不小。
一个资深合伙人的价值来自四个相互咬合的齿轮。
第一个齿轮是信号发射。
客户选择律师的决策过程高度依赖信号：执业年限、过往战绩、律所品牌、个人气场、别人的推荐。客户付高价不是因为你的法律文书写得多好，而是因为选你"不会错"。这个齿轮的本质是降低客户的决策风险。
第二个齿轮是判断力输出。
面对复杂案件，在多个可行策略之间做出选择。这个判断力来自大量案件经验积累后形成的模式识别能力，加上对特定法院、法官、对手的了解。
第三个齿轮是杠杆调用。
资深合伙人不是一个人干活，而是指挥一个团队、调动多种资源来推动案件。一个成熟合伙人真正"做案子"的时间占比远低于他管理、获客和思考的时间。
第四个齿轮是风险承诺。
签字、出庭、在关键时刻做出承诺。这不只是法律判断，更是人格担保。客户花高价买的最终产品，很大程度上就是"这个人愿意为这个判断负责"。
我们来逐个齿轮评估：AI不能替你社交（信号），不能替你在不确定性下赌一个方向（判断），不能替你出庭说"我们坚持这个主张"（承诺），但可以极大地增强你的杠杆（一个合伙人+AI的产出可能等于原来一个小团队）。
每一项核心能力都不会被AI直接替代。
从这个意义上说，资深合伙人确实是"煤炭"。
但对资深合伙人真正的威胁不是来自AI本身，而是来自AI引发的三个结构性变化。
第一个变化是团队杠杆的解体。
传统合伙人商业模式的本质是"买入低价劳动力（年轻律师的时间），用自己的判断力和案源加工后，以高价卖给客户"。
AI正在从两端侵蚀这个模式。
一端是律所对年轻律师的"体力劳动"需求减少（AI做了），另一端是年轻律师借助AI更快地积累能力，在团队里待的时间更短。
AI让你更不需要团队，但同时也让团队更不需要你。
第二个变化是获客渠道的多元化。
资深合伙人的获客优势很大程度上来自"时间积累的关系网络"，这个关系网络需要十几年才能建立。
但AI加内容平台正在创造新的获客渠道：一个年轻律师如果AI用得好、内容做得好，可以在2-3年内建立起过去需要10年的品牌信号。
获客的路径变得多元化了，纯粹靠关系的护城河被稀释。
第三个变化是定价模式被挑战。
资深合伙人的定价逻辑，本质上是基于责任、判断力和信号传递的单位时间溢价。
当AI帮助客户更好地评估案件复杂度和合理律师费范围时，信息不对称缩小，时间价值被压缩，定价基础会不断被侵蚀。
但以上三个变化还只是在"生产力"层面分析。AI对资深合伙人更深层的冲击，是组织层面的。
前面讲过瓶颈转移论：当执行成本趋近于零，瓶颈从'谁做得多'转移到'谁判断得准'。
这个转移不只是个人能力层面的事。
当一个组织的核心稀缺资源从'执行人力'变成'判断力'，整个组织的结构、权力分配和协作方式都必须跟着变。
工具革命只改变'怎么做'，生产力革命改变'谁来做'，而组织革命改变的是'以什么结构做'。
资深合伙人面对的最终挑战不是'我个人怎么用好AI'，而是'我所站的这个组织形态本身还成不成立'。"
这体现在三个方向上。
第一个方向是协作单元的重组。
传统律所的协作单元是"层级制团队"，合伙人在顶端，中层律师在中间，初级律师在底部，信息自上而下流动，工作自上而下分配。
这个结构的底层假设是：顶端的人知道最多，底部的人执行最多，中间的人传递和加工。
在 AI Native 形态的律所或者团队中，Git加统一规则文件（类似软件工程中的CLAUDE.md）这类基础设施出现后，协作单元可能变成"人加AI节点的网络"。
规则通过版本控制系统实时同步到每个节点，合伙人更新了一条判断规则，全团队的AI工作流立刻按新规则执行，不需要开会传达、不需要口头交代、不需要每人各自维护一套标准。
这不光是效率提升，也必然导致组织形态的变化：部分业务单元可能从传统金字塔式分工，向更网络化、规则驱动的协作方式演化。
在这种情形下，合伙人的角色也可能从‘管理链条的顶端’，逐步转向‘规则系统的定义者、校准者和责任把关者’。
第二个方向是权力结构的重新分配。
传统律所里，合伙人的权力来源有三个：案源控制、团队控制、知识垄断。
AI正在削弱后两个。
团队控制被削弱，因为合伙人对人力团队的依赖降低了，一个人加AI的产出可能等于原来半个团队。
知识垄断被削弱，因为AI让信息不对称缩小了，年轻律师通过AI可以更快地获取原本需要资深律师用十年积累的行业信息和裁判规律。
最终剩下的核心权力来源是案源控制和判断力。
但判断力如果能通过规则系统和AI工作流部分外显化、系统化，连这个也在被重新分配。
不是被"偷走"，而是从"只在一个人脑子里"变成"编码在系统中、可以被团队共享"。
合伙人如果不主动定义自己在新组织中的角色（从"掌握知识的人"变成"校准系统的人"），可能会发现自己的不可替代性在不知不觉中被稀释。
第三个方向是行业基本单元的变化。
现在法律服务的基本组织单元是"律所"。
但当AI持续压缩标准化生产成本时，‘一个资深律师加AI加若干协作者’的轻量化组织，确实有可能在部分业务场景中承担过去只有传统律所团队才能完成的功能。
这未必会立刻替代律所，但至少意味着：某些场景下，律所作为固定组织形态的必要性，正在被重新审视。
Anthropic于2026年4月发布Claude Managed Agents。
官方案例显示，Rakuten已在产品、销售、市场营销、财务等部门部署企业级agent，而且每个专家agent都能在一周内完成部署。
这个案例至少说明，企业级agent的门槛正在从‘能不能做’转向‘如何接入真实业务系统并安全运行’。
更值得注意的，不只是模型能力本身，而是围绕agent的harness、权限控制、长会话、工具调用和治理基础设施正在被产品化。
翻译到法律行业：一个合伙人为每种案件类型设计一套经过自己判断力校准的AI工作流，工作流通过Git管理，协作者按需加入。
在这种模式下，有一个趋势值得我们认真对待：部分法律服务场景，可能会更偏向‘核心判断者+AI基础设施+弹性协作网络’的轻组织结构。
这并不等于律所一定会被替代，但它确实传导出某种趋势：传统律所的组织优势、分工方式和边界，可能会在不同业务场景中被重新划分。
所以，资深合伙人面对的问题，不只是‘我在律所里的角色怎么变’，还包括‘哪些业务仍然需要传统组织，哪些业务会转向更轻的结构’。
资深合伙人部分的总结：齿轮级别的煤炭，系统级别的重新洗牌，组织级别的地基松动。
每一项核心能力都不会被直接替代，但四个齿轮之间的咬合关系，正在被 AI重构，整个系统所依存的基础也在动摇。
AI 对律师行业的改变，从工具到生产力到组织，三层冲击是递进的、叠加的。
而大部分人只看到了第一层。
5.2 中间层律师（执业3-8年）：四面夹击下的生存战
这是整个行业中处境最复杂的群体。他们面对的不是简单的"被替代"，而是三面夹击。
先看他们现在做什么。
一个中等复杂度商事案件的律师工作至少可以拆成六个环节：案件接待和初步判断、法律检索和策略框架、证据整理和事实重构、文书生产、庭审执行、结果交付和客户关系维护。
我们逐环节来做AI替代评估。
以下判断基于我处理商事诉讼案件的实务体感，不同业务领域可能有差异，但大致比例应该接近。
1.案件接待和初步判断：AI已经能快速评估法律关系、检索类案、给出初步胜率和收费建议，这些占了接待工作的大部分。
但最后'接不接'的决策涉及对客户人品的判断、对自己档期的权衡、对收费风险的直觉，这些AI做不了。
AI能覆盖大约七八成的工作量，剩下的两三成恰恰是决定性的。
2.法律检索和策略框架：这是AI最强的领域。
一个律师花半天做的检索，AI十分钟完成且覆盖面更广。
类案查找、法规梳理、裁判观点归纳，AI已经做到了八九成的替代。
剩下的一成是'选择检索方向'和'判断检索结果的可靠性'，这需要的是对案件全局的理解。
3.证据整理和事实重构：证据的OCR、分类、编目、时间线生成，这些AI做得很好。
但把碎片化的材料编织成有说服力的事实故事，需要对案件全局的理解和对法官认知框架的揣摩。
体力活AI能覆盖六七成，但事实重构这个核心环节仍然依赖人。
4.文书生产：法律文书有固定格式和写作惯例，AI在这个领域已经很成熟。
一个中等复杂度案件的起诉状，AI生成初稿加律师修改定稿，总时间大约是纯手写的五分之一。
八成以上的文书工作量可以被AI承担。
5.庭审执行：这是人的绝对领地。
实时博弈、读法官情绪、应对对方的突袭、根据庭审走向即时调整论证重点，AI目前几乎无法介入。
但AI可以在庭前准备阶段做大量模拟（预判对方论点、模拟法官发问），把庭审准备质量拉高一个等级。
6.客户关系维护：标准化的进展通报AI可以做，但核心的情绪安抚、预期管理、信任维系，是纯人际能力。
六个环节加总，一个粗略的判断是：中间层律师当前工作量中，超过一半可以被AI显著加速或部分替代。
但剩下的那部分，恰恰是区分律师好坏的部分。
但这个数字本身不是问题的关键。
关键是这个替代如何传导为经济压力。
传导链条是这样的：AI提升效率→单案时间缩短→同一个律师产能翻倍→如果案件总量不变，一半的律师多余→即使不裁员或转行，收费也被压低（供需关系决定）→中间层律师的收入下降。
只有当案件量的增长速度超过效率提升和收费压缩的速度时，总收入才能维持。
前面分析过，需求端的杰文斯效应在法律服务领域是成立的，而且因为AI直接压缩了律师最大的成本项（人力），传导力度不小。
但需求能被激活不等于需求能被消化。
从需求到律师个体的收入之间，至少有三层过滤。
第一层过滤是争议解决系统的消化能力。
被激活的需求中，走诉讼和仲裁路径的部分受制于法院和仲裁机构的承载上限。
以2024年全国法院收案4601.8万件、法官人均办案354件为例，‘案多人少’的约束仍然非常明显。
仲裁系统虽然比法院灵活，但同样是有限资源。
即便有调解体系的加入进行调节，但诉讼类需求的增长会撞上这个天花板。
第二层过滤是非律师竞争者的截流。
被激活的需求中，不走诉讼路径的非诉部分（合同审查、合规咨询、法律风险排查）理论上增长空间更大。
但这些需求并不全部流向律师。
法律咨询公司、合规科技平台、AI法律工具可以直接服务终端客户，收费比律师低一个数量级，不受执业地域限制，更容易规模化
与此同时，企业法务部门加AI的组合正在内部消化大量原本外包给律所的标准化法律工作。
合同审查、合规检查这些业务，甲方法务自己就能做了，不再需要外聘。
非诉市场在扩大，但律师在这个市场中的份额可能同时在缩小。
第三层过滤是从业者人数的增长。
我国律师人数已从2015年末的约29.7万增长到2025年的83万，十年间增至约2.8倍。
相比之下，法律服务需求是否以同等速度扩张、以及新增需求最终是否流向外部律师，而非被法务部门或技术平台吸收，仍然需要分开判断。
但可以肯定的是，AI进一步降低入行门槛后，跨界转入者会增多，这个趋势还会加速。
所以，即使行业总蛋糕变大了，切蛋糕的人增长得更快，人均份额反而可能缩小。
三层过滤叠加之后的真实图景是：法律服务的总需求确实在被AI激活和放大，但从总需求到律师个体的收入之间，经过了争议解决系统的容量瓶颈、非律师竞争者和企业法务的截流、以及从业者增长的稀释。
总量叙事下的繁荣，到了个体层面可能完全是另一个故事。
然后是四面夹击。
1.从上面被挤压：AI赋能后的合伙人可以"下沉"处理中等复杂度案件而不损失太多效率。
原来合伙人嫌这些案子不值得亲自做，现在AI帮他分担了大部分生产工作，他可以用20%的精力处理一个原本需要中层律师100%精力的案子。
客户永远更愿意花差不多的钱请一个更资深的人。
2.从下面被追赶：初级律师加AI的组合在标准化环节上的产出质量正在快速接近中层律师。
经验差距在标准化领域被工具拉平。
一个执业一年但AI用得熟练的律师，在法律检索、文书起草、证据整理上的效率可能已经和一个执业五年但不用AI的律师持平。
3.从外面被截流：这一面的压力比很多律师意识到的要大。
法律科技平台和法律咨询公司正在直接服务终端客户，跳过律师环节，收费比律师低一个数量级。
与此同时，企业法务部门加AI的组合正在内部消化大量原本外包给律所的工作。
以前一个中型企业的合同审查、合规检查要外聘律师，现在法务自己用AI就能做，而且做得更快，因为法务比外部律师更了解自己企业的业务。
中间层律师的非诉业务腹地正在被两面蚕食：外部被平台截流，内部被法务消化。
4.从同层被稀释：中国律师人数十年间从约29万增长到约83万，增速远超法律服务市场规模的增速。
AI进一步降低入行门槛后，跨界转入者增多，这个趋势还会加速。
更多的人涌入同一条赛道，即使赛道本身在变宽，每个人分到的车道也在变窄。
四面夹击的结果是：中间层律师的生态位在收窄。
他们原有的竞争优势，"比初级律师有经验，比合伙人便宜"，正在被AI从上下两端侵蚀；他们的业务腹地正在被外部平台和内部法务从外面蚕食；他们的赛道正在被不断涌入的新从业者从里面稀释。
对中间层律师的处境做个总结：不是煤炭也不是马，是一场越来越拥挤的马术比赛。
同一个赛道上，骑术好的（学习能力强、AI运用熟练、能向判断力层级突破的）会被AI放大，骑术差的会被甩下马。
而赛道上的骑手还在不断增加。
分化会非常剧烈。
5.3 初级律师（0-3年）：传统路径断裂，新路径尚未成型
初级律师是AI冲击的"第一着陆点"。
不是因为他们最不重要，而是因为他们的工作内容中标准化比例最高。
他们当前的典型工作：法律检索和资料整理、证据整理和编目、法律文书初稿、流程跟进和事务性工作、客户沟通的辅助角色、学习和自我提升。
我们来逐一环节评估AI的替代程度。
1.法律检索和资料整理是AI最强领域，绝大部分可以被替代。
2.证据整理和编目中，体力活（OCR、分类、编页码）AI做得很好，但筛选关键证据仍需要人。
3.文书初稿AI已经很成熟，初级律师在这个环节贡献的不是判断而是打字，AI直接接管了。
4.流程跟进和事务性工作（立案、缴费、排期跟踪）大部分可以自动化，但法院系统信息化程度参差不齐，很多流程还需要线下跑腿。
5.客户沟通的辅助角色中，标准化信息传达AI能做，但面对面的存在感和情绪感知无法替代。
加总来看，初级律师当前工作量中，可以被AI显著加速或直接替代的比例比中间层律师更高。
这不意外，因为初级律师的工作本来就集中在标准化执行上，而标准化执行恰好是AI最擅长的。
但初级律师面对的真正困境不是"被替代"，而是传统的入行和成长路径可能同时断裂。
传统律师培养的核心机制是学徒制。
初级律师用低薪和体力劳动换取学习机会。
AI正在打破这个交换等式的两端。
一端是律所对初级律师的体力劳动需求减少。
另一端更微妙：即使初级律师进入了律所，他获得的训练质量也在下降。
为什么？
因为判断力的训练不是来自'完成任务'，而是来自'犯错→发现错误→理解为什么错→校正'。
手工时代，你自己写的诉状被法官指出逻辑漏洞，下次你就知道要避免。
有人会说，AI辅助模式下也有类似的训练循环：AI生成初稿，律师审核，发现AI的错误，理解为什么错，校正。
犯错的主体从律师变成了AI，但训练信号不是一样的吗？
理论上是这样。
但这条路径成立有一个苛刻的前提：初级律师必须有足够的能力发现AI的错误。
而这恰恰是他们在初级阶段最缺的东西。
一个从零开始构建论证链条的人，在写到第三步的时候会感觉到'这里好像有点不对'，因为他亲手经历了从前提到结论的每一步推导。
一个审核AI初稿的人，看到的是一个已经完整的、逻辑自洽的论证，那个微妙的漏洞藏在论证的第三步和第四步之间，但因为他没有亲自走过这段路，他很可能读过去就觉得'看着没问题'。
不是不可能通过审核AI来学习，而是大多数初级律师在当前阶段不具备这样做的能力。
表面上你"处理"了案件，但你没有获得训练信号。
这造成一个效率的悖论：干得更快了，但学得更慢了。
一个年轻律师用AI处理了100个案件，他获得的判断力训练可能只相当于传统模式下处理30个案件。
长期看，如果一代律师的判断力训练不够扎实，10年后谁来做那些需要深度判断的案件？
这不只是初级律师的个人问题，这是整个行业的结构性风险。
但或许我们不用担心，因为只要从业人员数量足够，自然会有脱颖而出的人才。
这，也是系统自我调节的一部分。
初级律师中还有一类值得单独说：跨界转入者，从其他行业转入律师行业的人。
用煤炭和马的框架来看，他们的处境和纯法律背景的初级律师恰好相反。
纯法律背景的初级律师，最强的部分（法律检索、文书起草、法规熟悉度）恰恰是'马'，正在被AI替代；最弱的部分（行业认知、商业判断、客户关系）恰恰是'煤炭'，但他们还没来得及积累。
跨界转入者反过来：他们的'马'（法律技术功底弱）被AI直接补上了，而他们本来就有的'煤炭'（行业经验、商业理解、客户关系）是AI无法提供的。
一个在医疗行业做了5年管理后转入律师行业的人，AI帮他补齐了法律技术短板，他在医疗纠纷领域可能比一个纯法律背景的5年律师更有竞争力，因为他理解医疗行业的运作逻辑、知道管理层的决策心理、甚至有直接的行业人脉。
AI降低了法律技术门槛，抬高了行业认知门槛。
换句话说，AI把'什么是马什么是煤炭'的判定标准改写了：法律技术从煤炭变成了马，行业认知从加分项变成了核心竞争力。
这是行业人才结构的一个深层变化。
初级律师的总结：标准化执行层面偏"马"（被替代只是时间问题），但"AI原住民"型初级律师（AI用得好、学习能力强、有跨界背景）反而可能比前辈更快地建立起竞争力。
两极分化会非常明显。
六、判断力：最关键的统一变量之一
三层律师分析做完，一个最关键的变量浮出水面：判断力。
但它并不是唯一变量。
对于律师这个职业，真正稳定的高价值，往往来自几个变量的组合：判断力决定方向，信号降低客户决策风险，风险承诺支撑高价委托，组织杠杆决定可复制性。
只不过在AI时代，判断力正在成为最稀缺、也最能穿透层级差异的那个变量。
初级律师需要尽快形成判断力；
中间层律师需要用判断力把自己与‘AI加初级律师’区分开；
资深合伙人则需要把自己的判断力从个人经验，转化为团队和系统能够调用的资源。
前面分析瓶颈转移论时讲过，当AI把执行成本压到接近于零，系统的瓶颈就转移到了规格制定、评估和整合。
这三个新瓶颈都高度依赖判断力，但又不只是判断力：它们同时涉及任务定义能力、结果校验能力、流程整合能力和组织协同能力。
换句话说，判断力是其中最关键的内核，但不是全部。
这不是一个抽象的概念。
我来具体解释'判断力'在法律实务中到底指什么。
一个执业十几年、经手几百个复杂商事案件的律师，他脑子里装的不是法条（法条AI比你熟），不是案例（案例库AI比你全），不是文书模板（AI早就会了）。
他脑子里装的是一套经过几百次实战校准的条件判断树。
比如看一个股权纠纷案件材料，30秒内他的大脑会自动并行处理：这个股东协议的瑕疵程度、这个法院对瑕疵协议的态度、对方律师是谁及其出牌习惯、这个标的额下客户的真实诉求是赢还是和、要不要先保全、保全会不会打草惊蛇......这不是线性推理，而是带权重的并行模式匹配。
他甚至说不清楚自己是怎么得出结论的，只知道"感觉应该这么打"。
这就是匈牙利哲学家迈克尔·波兰尼Michael Polanyi所说的，“我们知道的比我们能说出来的多”（we know more than we can tell）。
隐性知识的本质是不可编码的经验。
它不存在于任何文档里，只存在于神经网络（生物意义上的）中。
每一次开庭、每一次谈判失败、每一次客户深夜的焦虑电话，都是对这个网络的一次训练。
用技术语言做一个类比：通用AI大模型相当于一个读了所有公开案例、背了所有法条、甚至研究过大量实务文章和案件分析的'超级法学生'。
它的知识面和信息量远超任何人类律师，但它从未在真实的对抗中做过一个要承担后果的决策。
它缺的不是信息，而是在不确定性下做判断并为判断负责的校准经验。
它的知识面远超任何人类律师，但在具体案件的判断上可能不如一个经验丰富的律师。
因为它缺少实战校准数据。
如果借用技术语言做一个类比，可以把强模型理解成更强的base model，而资深律师的经验更像是一层高质量的外部校准。
这个类比不能机械理解，因为律师经验不是模型参数，隐性知识也不是可以直接写进权重里的fine-tuning数据。
但它至少说明一件事：模型越强，越能放大高质量经验在规格制定、结果校验和策略选择中的价值。
所以，更准确的说法不是‘AI越强，所有有经验的律师都会更值钱’。
而是：在那些仍然需要人类承担责任、做情境判断和输出策略的环节，AI越强，有经验律师的放大效应越明显。
反过来，一个没有实战经验的年轻律师用最强的AI，产出的校准质量也不如有经验的律师用中等AI。
因为他缺少fine-tuning data，而这个微调数据只能通过真实对抗积累，无法从书本或案例库获取。
这更接近一个行业级判断：AI时代法律行业最稀缺的资源，正在从通用法律知识和标准化劳动，转向经过实战校准的判断力，以及与之绑定的信号、责任承诺和组织杠杆。
换句话说，行业正在从主要售卖‘法律劳动时间’，转向更大程度地售卖‘判断、责任、信任与协同能力’。
判断力是其中最硬的内核。
时间在贬值，因为AI让单位时间产出暴增。
判断力在升值，因为不确定性下做决策的能力越稀缺越值钱。
回到前面的杰文斯效应和分配效应：AI激活的法律需求总量在扩大，但这个扩大的市场里，不需要判断力的部分会被AI、法律科技平台和企业法务内部消化，真正流向律师并且能被高价变现的，是那些需要人类判断力的部分。
判断力不只是个人能力的分水岭，也是整个行业红利分配的分水岭。
七、行业的未来形态：从金字塔到沙漏
把三层分析拼在一起，可以画出行业演化的方向。
传统律所是金字塔型：少数合伙人在顶端，大量中层律师在中间，更大量的初级律师和律助在底部。
每一层的存在都有明确的功能：底层做执行、中层做操盘、顶层做判断和获客。
AI冲击之后，金字塔正在变成沙漏。
顶部的人数可能不变或略微扩张，但角色在质变。
AI增强了他们的杠杆，让他们能服务更多客户。
但他们面对的不只是个人效率的提升，而是整个组织形态的重构：团队杠杆在解体，获客渠道在被民主化，定价模式在被挑战，协作单元从金字塔变成星型网络。
他们从"团队的管理者"变成"系统的校准者"。
这里的‘校准’，不只是法律判断本身，也包括规则设计、责任把关、客户信任和组织协同的再配置。
顶部不是安全区，而是延迟冲击区。
中间层大幅收窄。
四面夹击之下（上面合伙人下沉、下面初级加AI追赶、外面被平台和法务截流、同层被新进入者稀释），他们原有的生态位在快速收窄。
存活者的能力画像和今天完全不同，不是一个"做了8年的老律师"，而是"精通AI协作的法律判断者"。
底部发生质变。
传统意义上的"执行型"初级律师需求锐减，取而代之的是类似"AI操作员"的角色。
但底部同时面临一个行业级风险：AI辅助模式下判断力的训练信号在减弱，干得更快但学得更慢。
如果一代律师的判断力训练不够扎实，整个行业的判断力供给会出现断层。
就像编程行业担忧和遇到的问题一样。
与此同时，跨界转入者会增加，他们的"马"（法律技术功底）被AI补上了，"煤炭"（行业认知和客户关系）是他们本来就有的，AI改写了入行的能力门槛。
如果只看法律问题被提出和处理的总量，杰文斯效应在需求侧大概率是成立的。
但从‘问题总量扩大’到‘外部律师市场扩大’，中间并不是直通车。
新增需求先要转化为付费需求，再要穿过企业法务、法律科技平台和自助工具的截流，最后才可能真正形成律师群体可分配的市场增量。
所以，法律服务的总量是在扩大，但律师能拿到多少，取决于转化链，而不取决于法律服务总量叙事本身。
总量在扩大，但扩大的红利沿着一条清晰的分界线分配：判断力。
需要判断力的工作（复杂诉讼策略、对抗性博弈、高风险决策、跨领域整合），会因为AI提升了杠杆而变得更有价值。
不需要判断力的工作（标准化检索、模板化文书、流程性合规审查），会被AI、法律科技平台和企业法务内部消化，价格压到极低甚至免费。
沙漏的形状不是终局，而是过渡态。
长期看，中间层不会完全消失，但存活者的画像会彻底改变。
这个增长幅度创造了机会，但不足以拯救所有中间层律师。
底部也不会消失，但角色定义会从'执行者'变成'AI协作者'。
真正的终局取决于一个尚未揭晓的变量：AI能不能学会在真实对抗中做判断。
如果不能，判断力就是人类律师的永久护城河。
如果能，整个行业需要寻找新的不可替代性。
但那是另一个层级的问题了。
八、回到起点：Levie到底对了多少
走完整个推演，回头再看Levie的两条推文。
关于算力需求暴增：基本完全正确。
从chat到agent的token消耗跃迁是真实的，四大科技巨头的资本支出数据是硬证据。
而且他预测的杰文斯效应正在算力层面实时上演：token单价降了，但用量爆炸，总支出不降反升。
这恰恰验证了他的理论框架，而不是反驳。
关于律师数量会不会增加，必须拆开来看。
如果说的是‘法律问题被提出和处理的总量’，Levie 大概率是对的。
AI会让更多人更频繁地提出法律问题，也会制造更多新的合规、隐私、知识产权和责任边界问题。
但如果说的是‘付费法律服务需求’，再进一步说，是‘最终流向外部律师的付费需求’，结论就没有那么简单了。
因为从法律问题总量的增加，到律师真正吃到增量，中间至少隔着三道门：
第一，多少问题会转化为真实付费需求；
第二，这些需求会被多少企业法务、法律科技平台和自助工具截流；
第三，最终落到律师手里的那部分，又会在多大程度上被从业者增长所稀释。
所以，Levie 的总量判断未必错，但它并不能直接推出‘律师群体整体受益’这个结论。
总量叙事下的繁荣，到了个体层面可能完全是另一个故事。
而且短期内替代效应可能比需求激活来得更快，因为律所采用AI的速度远快于普通人改变法律消费习惯的速度。
中期这个速度差可能反转，但对正在执业的律师来说，短期才是生死攸关的。
他说对了最重要的一点：AI不是在消灭需求，是在重新分配需求。
但"重新分配"这三个字里藏着魔鬼。
分配给谁？
在这个重新分配的过程中，有人的蛋糕变大了，有人的蛋糕消失了。
总量叙事让所有人感觉安全，分配现实让具体的人焦虑。
那条"需求颗粒度炸碎后以更大总量重新聚合"的统一命题，方向是对的，但作为判断工具远远不够。
它没有告诉你瓶颈会转移到哪里（判断力），没有告诉你红利会被谁截流（非律师竞争者和企业法务），没有告诉你总量增长和个体命运可以完全脱钩，更没有告诉你组织形态本身可能被重构。
一个漂亮的宏观叙事，到了每个具体从业者面前，需要被翻译成可操作的判断。
如果你是律师，真正该问自己的问题不是"AI会不会取代律师"。
这个问题太粗。
该问的是：我的具体工作中，哪些环节是"煤炭"（AI让我做得更好更快、需求因此扩大），哪些环节是"马"（AI直接替代了这个功能、我在这个环节上的存在不再必要）？
然后把时间和精力从"马"上撤出来，集中到"煤炭"上去。
更具体一点：
你的法律检索能力是马，判断力是煤炭。
你的文书写作速度是马，对案件策略的直觉是煤炭。
你靠信息差赚的钱是马，靠信任和风险承诺赚的钱是煤炭。
逐项审视，逐项调整。
最后给一个带保留的判断，供同行参考。
未来两三年，大概率仍然是AI在律师工作流中加速渗透的关键窗口期。
在这一阶段，AI主要还是以辅助工具、局部工作流和组织试验的形式进入行业，很多结构性变化未必会立刻完成，但差距会开始悄悄拉开。
如果技术、平台和组织改造继续沿当前方向推进，那么2027到2029年前后，行业很可能会进入一个更明显的结构重组阶段。
率先完成AI整合的律师和律所，可能会在部分中等复杂度市场形成效率和价格优势。
法律科技平台与企业法务加AI的组合，也可能在更多非诉场景中截流外部律师需求。
如果在渗透期完全不做准备，到了更明显的重组阶段，调整成本会显著上升。
很可能就来不及了。
这不是危言耸听。
这是把一个160年前关于煤炭的经济学悖论，对照到律师行业之后，沿着现有变量和现实约束，所做的一次高概率推演。
它不是终局预言，但已经足够警醒。
（鉴于作者对律师行业认识还有很多不足之处，如有疏漏，还望不吝指正。）
本文参考资料汇总
1.Aaron Levie 关于“AI 时代律师可能更多而非更少”的原始推文https://x.com/levie/status/2043051227387433144
2.Aaron Levie 关于“AI从chat走向agents、算力需求将显著放大”的相关推文https://x.com/levie
3.BCG：74% 的公司难以实现并规模化AI价值https://www.bcg.com/press/24october2024-ai-adoption-in-2024-74-of-companies-struggle-to-achieve-and-scale-value
4.Deloitte：《State of Generative AI in the Enterprise》https://www.deloitte.com/az/en/issues/generative-ai/state-of-generative-ai-in-enterprise.html
5.人民法院新闻传媒总社：2024 年全国法院受理案件“4600 余万件”https://ipc.court.gov.cn/zh-cn/news/view-3887.html
6.国新办发布会：2025 年“我国有律师 83 万”https://www.scio.gov.cn/live/2025/37158/index.html
7.SemiAnalysis：H100 一年期租赁价格从 1.70 涨到 2.35 美元/小时/GPUhttps://newsletter.semianalysis.com/p/the-great-gpu-shortage-rental-capacity
8.Silicon Data：B200 GPU rental index surged 24% in March 2026https://www.silicondata.com/blog
9.National Highways：Lower Thames Crossing DCO documents 官方入口https://nationalhighways.co.uk/our-roads/lower-thames-crossing/news-and-media/document-library/dco-documents/
10.Epoch AI：LLM inference prices have fallen rapidly but unequally across taskshttps://epoch.ai/data-insights/llm-inference-price-trends
11.Anthropic 官方博客：Claude Managed Agentshttps://claude.com/blog/claude-managed-agents
12.Anthropic 客户案例：Rakuten Q&Ahttps://claude.com/customers/rakuten-qa
