“AI+司法”的深圳实践观察与未来之路

在相当长一段时间内，审判工作高度依赖法官个人经验。

一宗案件如何把握重点、如何归纳争议焦点、如何选择裁判路径，很大程度上取决于个体的知识积累与办案习惯。这种模式在案件规模可控的阶段运行良好，但在当前环境下，逐渐显现出边界。

一方面，是案件数量持续增长，事务性工作不断堆积。阅卷、整理证据、查找法条、比对类案、撰写文书，这些基础性工作占据了大量时间。

另一方面，是对裁判质量的要求同步提高。裁判尺度需要更加统一，说理需要更加充分，程序运行需要更加规范透明。

当“效率压力”和“质量压力”同时上升时，传统依赖经验的办案方式开始出现结构性张力。

伴随着人工智能特别是大模型技术的快速发展，人们开始重新思考：那些长期依赖人工经验完成的审判辅助工作，是否可以借助AI实现重构与提效，进而为缓解法院“案多人少”矛盾提供新的可能。

与全国很多地方法院一样，深圳一直面临着“案多人少”的巨大压力。

审判工作高度依赖法官个人经验。一宗案件如何把握重点、如何归纳争议焦点、如何选择裁判路径，很大程度上取决于个体的知识积累与办案习惯。而案件数量持续增长，事务性工作不断堆积让阅卷、整理证据、查找法条、比对类案、撰写文书，这些基础性工作占据了法官大量时间。另一方面，“努力让人民群众在每一个司法案件中感受到公平正义”的核心价值追求，又要求法院必须不断提升审判质量：裁判尺度需要更加统一，说理需要更加充分，程序运行需要更加规范透明。

当AI浪潮来临，深圳法院的实践首先从审判流程的重构开始。

在“AI+审判”系统研发过程中，由一线法官深度参与，将案件从立案到结案的全过程拆解为85个节点，并围绕实际办案场景进行结构化重构。

这一过程的关键不在于简单的流程细化，而在于将过去大量依赖法官个人经验完成的审判活动，转化为可以被描述、提示与复用的标准化工作流程。原本分散于不同办案环节的信息，也被进一步整合进入统一流程之中；原本依赖法官个人经验完成的部分事务性工作，开始通过系统辅助方式进行处理。

在这一基础上，再引入司法垂直领域大模型能力，将各个节点中原本依赖法官个人经验完成的工作，变为AI辅助法官完成，从而形成了“AI+审判”的整体运行体系。

具体而言：

• 在阅卷阶段，系统对案件事实与证据材料进行拆解，自动归纳审查要点与争议焦点，帮助法官快速形成案件整体结构认知。

• 在审理过程中，系统围绕审判节点提供规则提示与类案参考，使审理过程在结构上更加清晰、稳定，减少路径偏差。

• 在裁判阶段，系统生成裁判文书初稿，并在既定规则框架下提供修订建议，法官在结构基础上完成最终裁量与判断。

需要强调的是，这一系统的核心作用始终是“辅助”，其设计逻辑并不指向裁判权替代，而是通过流程结构化与信息重组，降低审判中的信息处理成本与经验依赖程度。

换句话说，AI在这里的角色并不是“决策者”，而是一个嵌入审判流程的系统性工具。

从运行结果看，“AI+审判”在持续运行近两年后，其辅助效果逐步稳定，并呈现出较为清晰的结构性变化。

2025年，深圳法院法官人均结案744件，同比增加249件，高出全省平均水平261件，居全省第一。

更值得关注的是，案件的审判质量与效率同步得到提升。

《深圳特区报》报道，在深圳中院审理的一起合同纠纷案件中，系统自动匹配推送了23个类似案例，将庭审准备时间从以往的3天缩短至1天，同时确保了裁判标准的统一性。

2025年，深圳法院案件上诉率同比下降35.1%，一审发改率同比下降33.3%，达到近十年最优水平。

（数据来源：深圳特区报、羊城晚报）

从深圳的经验看，“AI+审判”提升了单案处理效率，也提升了审判质量。但它并不改变“案多人少”的结构性矛盾。法官需要的不只是审判阶段的AI辅助，更要有一套“源头预防—前端分流—内部提效”的多层次协同治理体系。从全国各地法院的实践中，我们可以看到这些不同的尝试：

（一）府院联动：从“事后裁判”向“前端治理”延伸

近年来，部分法院依托审判数据资源，对物业管理、劳动争议、城市更新、金融风险等案件高发领域开展类案分析和风险研判，并通过司法建议、专题通报、联席会议等方式，推动行政主管部门完善监管措施和治理机制。

人民法院的职能正在由传统的“个案裁判者”，逐步向社会治理参与者延伸。法官通过审判实践发现治理漏洞，推动矛盾纠纷在源头预防、前端化解。

府院联动不仅有助于行政主管部门及时优化治理措施、提升治理效能，也能够通过风险预警和前置干预，减少违法犯罪行为及矛盾纠纷的发生，实现司法职能与社会治理的良性互动。

（二）多元解纷：尽可能把纠纷化解在诉前

多元解纷机制的核心，在于尽可能将矛盾纠纷化解在进入正式审判程序之前。

近年来，各地法院持续推进多元解纷机制建设，通过诉调对接、行业调解、特邀调解等机制，引入司法行政机关、行业协会、基层自治组织等多元主体共同参与纠纷化解。最高人民法院推动建立的“总对总”多元化纠纷解决机制，更加有力地推动了各有关部门参与到矛盾纠纷预防化解中来。

多元解纷机制将大量事实清楚、争议较小、具备调解基础的案件，通过社会化、协同化方式进行前端化解，既有利于降低当事人维权成本，也有利于减轻法院审判压力。

（三）繁简分流：在审判内部实现结构化提效

在案件进入法院之后，如何提高审判资源配置效率，也是缓解“案多人少”矛盾的重要途径。繁简分流制度正是这一路径下的有效措施。

最高人民法院明确提出“简案快审、繁案精审”的改革方向，各地法院围绕案件类型、复杂程度、审理难度等因素，不断优化审判资源配置。小额诉讼程序、速裁机制、要素式审判等制度被广泛应用于简单案件办理，通过简化庭审流程、优化文书结构、强化要素归纳等方式，有效缩短案件审理周期。

与此同时，审判团队专业化建设、辅助事务集约化办理以及审判事务与辅助事务相对分离等改革，也进一步推动法官将更多精力集中于核心裁判事务。

综上，各地法院应对“案多人少”问题的改革实践，已逐步形成覆盖源头治理、前端分流与内部提效的系统化治理框架：

• 府院联动，着力于从源头减少纠纷和案件增量；

• 多元解纷，着力于通过社会协同机制推动诉前化解与案件分流；

• 繁简分流及内部流程优化，则着力于提升审判资源配置效率和案件办理效能；

人工智能辅助审判，着力于通过技术手段重构审判辅助体系，降低重复性事务消耗，推动有限审判资源向核心裁判活动集中。

而AI技术的价值并也不仅限于审判环节本身，它可以支撑前述各条改革路径，成为连接源头治理、多元解纷与内部提效的重要基础能力。

在源头治理层面，AI能够基于海量审判数据、行政执法数据及社会治理数据，对物业、劳动、金融消费、道路交通等高频纠纷领域进行趋势识别与风险预警，辅助法院发现某一类型纠纷集中爆发的区域、行业或制度原因，从而为司法建议、行业治理、行政监管提供数据支撑，推动纠纷在进入诉讼前得到治理和化解。

在多元解纷层面，AI可以承担大量标准化、重复性的辅助工作。例如，通过智能问答、要素识别、争议焦点提炼、赔偿金额测算等方式，帮助当事人快速理解争议问题和可能的法律后果，降低沟通成本；同时，也能够辅助调解员进行类案参考、方案生成和风险提示，提高诉前调解与在线调解的效率和成功率。对于部分事实清晰、争议较小的案件，AI甚至可以自动生成初步解决方案，助力矛盾纠纷的高效化解。

在繁简分流层面，AI则进一步强化了案件识别与资源配置能力。通过对案件类型、事实复杂程度、证据规模、争议焦点等因素进行智能分析，系统可以辅助法院更准确地识别简案与复杂案件。这使得繁简分流不仅能优化审判资源配置效率，更让分流工作本身也变得更加高效。

因此，AI并非独立于既有改革路径之外的新机制，而更像是一种贯穿各环节的“能力底座”。而AI的意义并不仅仅在于提升个体法官或辅助人员的办案效率，更深层的价值在于它推动了法院审判过程本身的规范化重构，并能更加有效地分析利用长期积累的审判数据资源。