夜雨聆风（1）坚定支持 AI 落地的一把手，负责传递 All in AI 的氛围和重视程度；
（2）一名同时掌握 AI 技术和法律实务工作的角色，负责落地（内部员工或外部咨询顾问）；
（3）具备对应的预算支持（丰俭由人，贵有贵的玩法，便宜有便宜的玩法）。
有了以上的基础配置，才能真正开始搞 AI，否则多数情况下是雷声大雨点小，表演式地搞一搞，实际工作效率 0 提高，员工依旧偷偷用豆包进行裸奔操作。
接下来，说说目前法律组织比较常见能选的技术路径：
一、本地化部署 + 定制开发
找一家法律 AI 厂商或自己内部 IT 团队负责，做本地化部署加定制开发，把模型、知识库、应用层一整套放在自己服务器上，每年付几十万到几百万的费用，或占用内部 IT 排期开发资源。这条路解决了数据合规问题，但代价是产品迭代速度和实际效果会比较差。厂商每年升级一两次，外面的通用模型每个月都在更新，时间一长差距会肉眼可见。而且定制做得越深，耦合越重，业务流程一变，改起来就要排期半年。
这条路径是多数保守企业、敏感企业的唯一选择，如果你所在的单位属于强监管或者强国有属性，就只能这么搞。根据我观察到的案例，走这条路必须要接受"效果一般""跟不上外部迭代"的预期，因为大多数企业的 IT 资源和法律 AI 人才资源，和市场产品的差距相当之大，巧妇难为无米之炊。
二、魔改 Codex/Claude Code 等 Agentic 框架 + 接入本地化部署模型 + 开发对应的 skill
这条路简单说就是不做产品壳，直接拿 Claude Code 或 Codex 这种顶尖的开源工具，接入公司内部已经本地化部署好的模型，再开发对应的 skill 给法务部用。之所以选这两个工具，是因为它们的 Harness 工程水平在目前所有 Agentic 框架里是顶尖的，省去了自己造轮子的麻烦。
这个方案适用于公司本身 AI 资源不错，已有本地化部署好的模型，就是不知道怎么给法务部用好的情况。好处是便宜且数据合规，能够最大限度整合免费资源和企业资源；坏处是人才资源要求高。一般法律工作者在没有经验的情况下很难完成落地，必须要法律 AI 专家来配合。此外开源模型在多步任务里的稳定性目前还撑不起复杂场景，要调到能用的程度，得有专门的 AI 工程团队长期投入。光是想出这个路径都需要专业理解深度，还须借公司技术中台一起做，也要有法律工程师在中间进行培训、skill 开发、调优等细节工作。
三、直接买海外的 Claude 企业版、Copilot 企业版、GPT 企业版，把精力花在培训、知识库沉淀、workflow 设计上
这条路 ROI 最高，但合规风险有点大。海外大模型在国内没有正式合规通道，企业级 API 调用属于灰色地带，监管短期不会动，中长期不好说。
对于中资企业来说，这条路目前更多是少数有 AI 素养的小团队在内部探索，很难做成全员方案；真正适合走这条路的是外企和外所在国内的分支机构，以及部分水平比较高的律所小团队，基本上都会标配一两个 AI 办公工具，主要的问题一般集中在法务部和律所不会用，只会用问答。只要经过系统的培训，把人员的 AI 素养赶上来，实际落地效果非常丝滑，阻力小。
四、不做规划，让团队成员自己挑工具、自己用、公司报销
这其实是很多单位的真实状态，只是没人明说，管理上省心，但天花板很低，每个人水平不一样，根据日常任务切分工具，不追求一个工具到位解决问题，日常文书用通用 AI，查判例查法规切到国产 SaaS，工具不打通，靠人工切换。
这条道路最大的问题在于知识，知识资产分散在多个系统里，知识沉淀不下来。两年下来同行已经把 AI 用成生产力，自己还停留在"每个人随便玩玩"，且数据上也存在容易裸奔的问题。对于团队内都是 AI 高手的小型组织，还是可以接受的，毕竟高手在民间，爱用啥用啥。不过对于律师群体而言，也不是长久之计，许多企业现在都要求律所明确披露 AI 建设情况了，这一方案披露出来会显得律所管理太松散。
五、订阅国产法律 AI 的 SaaS 产品，按席位收费，开箱即用
一般是中型律所和中型法务部的主流选择，便宜也省事。缺点是这类产品目前主要还是检索增强和模板生成，agentic 能力比较弱，复杂任务做不了。此外是国内的法律 AI 产品在整体效用上还并未到一个高度，产品表现较之海外领先模型是差不少的，但是经过法律数据整合的法律 AI 产品在幻觉控制上是比较突出的。如果单位里面法律任务不是很复杂，人员 AI 素养又一般，开箱即用还是一个不错的选择。
选路径之前，请考虑如下问题
五条技术主流摆在这里，大家会发现哪条都不完美，价格、效果、合规就是一个不可能三角。
看似最性价比的方案，又需要企业本身 IT 资源和法律工程师资源到位这种隐形门槛，所以选路径之前更应该先问自己如下问题：
（1）你单位的数据敏感性到什么级别
涉密单位、金融机构、监管严的行业，海外 API 那条路根本扛不住合规审查，不用考虑；一般商业企业，灰色地带是可以接受的。
（2）IT 部门支不支持你
技术路线需要 IT 有 AI 工程团队，海外工具路线至少需要 IT 不阻拦 API 调用，本地化部署需要 IT 配合厂商集成，法务部光靠自己推不动这些事，IT 部门的态度往往是隐形的决定性因素，很多落地最后都是 IT 不同意落不了。
（3）预算的形态是一次性大额还是按月按年
本地化部署是典型的一次性大额投入，海外工具和 SaaS 更像水电费一样按月付，不同单位的财务流程对这两种支出的容忍度差异很大，国企更容易批前者，互联网公司更容易批后者，有多少钱办多大事。
（4）团队里有没有能搭体系的法律 AI 角色
指能设计 workflow、搭知识库、写 Skill、维护体系的这类人，专才或接近专才。有这种类型的人才，恭喜你，节约不少钱，少走野路子，海外工具路线的天花板最高。没有这种人，在外面找一个顾问，或者自己老老实实从 SaaS 起步，反而是更现实的选择，很多管理层以为团队里"有人懂 AI"就够了，实际上会用 AI 工具和能搭出完整的体系完全是两码事，不是一种工作技能。
（5）你期待 AI 解决什么问题
如果是合同审查、法律检索这种标准化场景，本地化部署或 SaaS 都能覆盖；如果是跨场景、需要灵活拼装的复杂工作，比如尽调、内部合规咨询，只有 agentic 工具那条路能做出真正的差异化，先把要解决的问题想清楚，再选工具，反过来选会很痛苦。
（6）能接受的时间维度是一年还是三年
一年视角下 SaaS 最快出结果，三年视角下海外工具加 workflow 积累的资产最厚，本地化部署在三年维度下大概率会被通用模型的迭代速度甩开，必死无疑，技术路线的不确定性三年内未必能消化掉。这个维度直接决定了你愿不愿意承担早期的低 ROI。
我自己这两年看下来一个最大的感受是，法律组织的 AI 落地难处从来不是技术不够，是路径和单位实际状况的匹配。工具一直在进步，进步的速度只会越来越快，跟不跟得上取决于你看清了自己有什么、缺什么、能等多久。
AI 落地这件事，照抄别人永远不靠谱，想清楚自己的处境再动手，才不会白花钱。
