从“个人助手”到“组织能力”:生成式 AI 在法务部的关键落点 | 全球法务 观察 · Vol.15这两年法务圈谈生成式 AI，已经很少再争论“能不能碰”。更麻烦的问题换成了：工具放在哪儿、接进哪一步、出了错怎么追责。Thomson Reuters 的系列调查也反映出类似变化，从业者对生成式 AI 的态度正从观望转向日常使用，不少人预计它会在数年内进入常规工作流，而不再是偶尔打开用一下。眼下最常见的用法，还是打开一个网页：粘合同、要摘要、改几句表述。单人干活确实会快一些。但法务事项通常不靠单人快，而靠一整条链路，谁发起、谁审、谁批、材料落在哪、事后查得清不清楚。AI 如果只活在聊天记录里，组织几乎拿不到稳定产出。只有接进 OA、合同管理系统（CLM）、文档库（DMS）和法务工单之后，它才有机会变成可重复使用的能力。下面要说的其实是一件很具体的事：单独提问提高的是个人手感，嵌进流程，才谈得上吞吐、一致性和责任边界。公开案例里走得比较远的团队，也大多在做后一件。为什么要接进业务系统？1.活多了，编制跟不上合同、监管问询、跨境事项叠在一起时，法务很难靠加人把队列清空。AI 如果只帮个人写得快一点，却不缩短节点上的等待和返工，业务侧的体感变化有限。产业研究给出的信号也偏谨慎：在可预期的采用节奏下，受访法律专业人士认为 AI 有望释放可观工时；但有清晰 AI 安排的组织，满意度明显高于没有安排的。说到底，差在执行，不差在“有没有听说过工具”。2. 来回倒文件很贵下载、上传、再贴回邮件或审批流，看着是小动作，实际在消耗权限、版本和审计线索。多数法律工作者不会为了一个新工具重学全套工作习惯，产品路线只能反过来迁就既有系统。Harvey 与 Microsoft 365（Word、SharePoint、Copilot）的集成，目的就是让人少离开正在写的文档；与 iManage、NetDocuments 这类法律文档库打通，则是让分析尽量在 matter 文件所在的安全边界内完成。少一次导出，就少一次失控。3. 进不了正式通道，就难治理法务对工具的底线要求其实很简单：谁能看、看了什么、依据哪份材料、最后谁签字。个人账号里的影子使用（shadow AI）恰恰绕开了这些。Thomson Reuters 也提醒过，未经组织批准的使用会形成难以监测的风险，有战略的组织和没有战略的组织，体感差得很远。接进 OA 之后，身份可以继承系统权限，操作能留痕，结果能回写，异常还能退回上一节点。这些听着像 IT 细则，对客户保密和事后追责却是硬条件。4. 只有节点上的数字，才好跟管理层说话GC 和业务负责人关心的，通常是周期、返工、外部律师账单和业务等待天数。流程里的调用次数、平均处理时长，可以做表；聊天窗口里的“感觉快了不少”，很难做表。把 AI 放进审批和工单，等于把法务自己的工作量也变得可解释，这对争取预算和解释编制同样重要。它和法务流程为什么对得上?法务每天处理的大量材料是非结构化文本：合同、邮件、纪要、函件、尽调文件包。生成式模型擅长的，正是在这些文本里抽取、比对、归纳和起草。更有用的是，审查标准可以写成 playbook，输出格式可以固定，关键步骤可以强制停下来让人确认。这样多步任务就能拆开来做：先对照清单，再抽条款，再和标准立场比对，再起草红线说明，律师确认后写回系统。这和业务流程管理（BPM）讨论的方向接近。有研究指出，AI 时代的流程管理正出现从单纯交易处理转向更多对话式协作、从规则自动化转向更高自主度等变化；实务侧也常强调：流程负责留日志、做校验、保留审计轨迹，模型负责生成与初判。法务尤其需要这种“人在环路”的设计。卡点是把责任结构摆到明面上。公开案例里能看见什么?下面这些材料都来自公开渠道。其中的效率数字，很多出自厂商客户故事或律所新闻稿，只能当作可追溯的叙述，不能当成经过独立审计的统计。即便如此，方向相当一致：省的是节点时间，腾出来的是需要人拍板的注意力。1.企业法务：先改一个瓶颈Bridgewater 的法务团队在内部合同审阅和监管压力上升后引入 Harvey，用于对手方与供应商合同审阅等。公开说法是：大规模协议审阅节省了大量时间，供应商合同审阅从大约两天压到大约两小时。数字可以保留怀疑，但结构值得看：工具被放在“审阅请求、风险整理、反馈业务”这条链上，而不是放在个人收藏夹。Deutsche Telekom 的路径更偏大型受监管企业：先做隐私与信息安全评估，再在德国法律、合规与数据保护部门铺开，覆盖文档分析、合同比较、起草、翻译等日常事项。公开故事里，GC 一侧的表态很直白：律师今天已经很难靠“我不用 AI”来完成工作。采用正从试点项目，变成岗位上的默认技能。金融服务场景里，Talanx 的叙述更贴近监管驱动。公开材料称，把 playbook 嵌进 Word 工作流后，DORA 相关 ICT 合同审阅从约两小时降到约十五分钟，2025 年节省了四百多个外部顾问小时；NDA 首审时间也明显缩短。HubSpot 的 Legal Operations 则提供了另一种做法：用跨职能试用组测真实任务，用测出来的收益推动推广。两边都说明一件事：先钉死一个高频流程，比空喊全员智能化管用。2. 律所：方法写进流程，有的还能卖给客户Allen & Overy（后为 A&O Shearman）较早宣布与 Harvey 做企业级合作，覆盖多法域大量律师，早期重点放在合同分析、尽调、监管与多语言内容生成。2025 年双方又推出面向复杂任务的多步代理，覆盖反垄断申报分析、网络安全、基金设立、贷款审阅等。二次文献里常出现“每周节省数小时、合同审阅时间下降约三成”这类口径，宜回官方材料核对；哈佛商学院也把它做成了案例，说明这条部署路径已被管理学纳入观察。Paul Weiss 与 Harvey 共建 Workflow Builder，重点是把所内做法做成可配置流程，并保留 response blocks、checkpoints 等人审节点。Macfarlanes 在内部采用率上去之后，2025 年 1 月推出面向客户的 Amplify：底层用 Harvey，由所内 lawtech 按客户需求定制，用来做文档分析和合同数据的 interrogation。到这一步，AI 就不只是内部提效工具。所内方法论被封装后，可以按订阅或项目交付给客户。收费逻辑会跟着变：一部分工作从卖小时，转向卖可复用的处理方式。3. 平台层：入口在谁手里DLA Piper 使用 Microsoft 365 Copilot，代表的是另一条路：通用办公套件里的 AI 直接进入全球律所日常文档生产，安全边界仍挂在既有 M365 体系上。ServiceNow 的 Legal Service Delivery 把法务收单、分流、SLA 和自助服务做成了企业运营模块；官方叙述里，Snowflake 等客户缩短了供应商合同在法务环节的停留时间，ServiceNow 自己也通过自助与知识库分流了一部分请求，并压低了部分外部律师支出。Ironclad 把 Jurist 放进 CLM 审批步骤，审完还能写回流程，减少业务和法务之间来回倒文件。GSK Stockmann 与 Harvey 共创尽调流程，则说明中型精品所也可以把“从定范围到出报告”做成可重复的资产。把这些放在一起看，垂直法律 AI、办公套件 AI、CLM/BPM 和 DMS 正在往同一处靠：审批入口、matter 工作区和合同生命周期。模型名气会换，入口很难轻易换。落地时怎么选、怎么接？把上面的做法收成一句可执行的话，大概是：先定流程，再定模型。优先动那些量大、文本重、规则相对清楚、手里已有审查标准的事项，比如 NDA、标准采购、供应商首审、尽调问题清单、监管问答初稿。争议大、对外责任边界不清、又没有抽检机制的事项，不适合一上来就端到端自动放行。集成深度可以粗分为几档：单独开网页并用；装在 Word 或邮件里用；写进 CLM/BPM 的某个步骤；做成多步代理但保留人审；再往上，像 Amplify 那样面向客户交付。多数团队在第二、三档就能拿到第一批站得住的收益，第四、五档适合有方法沉淀和工程支持的组织。节奏上也不必复杂。一个月内画清现状和指标：周期、返工、重大漏检、外部费用。两个月内做小范围对照试点，改 playbook。三个月内接进正式系统，补上抽检、日志和权限。然后再复制到相邻流程。比起空喊“全集团一个大智能体”，这种笨办法反而不容易烂尾。指标建议双看。只看速度，质量问题会后移到诉讼、监管和客户投诉里才爆发。可以并行跟踪：周期和吞吐、首过率和漏检、流程内真实调用次数（别只统计聊天次数）、未经批准工具的使用情况、外部律师支出和单位合同成本。数字难看不可怕，看不见才可怕。几种常见的走偏买了工具却不改流程，最后多半是个人玩具。只有少数高手会用、组织没有统一标准，能力扩不出去，出事也查不清。取消人工确认、幻想端到端自动签字，和法务的责任结构硬撞。汇报只报提速不报漏检，后面的学费往往更贵。把厂商宣传页上的百分比直接写成“行业事实”，也会削弱观察本身的可信度，所以本文把出处和口径限制写在了脚注里。还有一种偏更隐蔽：每个人都有自己的提示词和私人结论，部门却没有统一立场和统一证据链。工具越强，这种碎片化有时越严重。法务要的是可复用的处理口径，不是一百个聪明但不互通的答案。结语现在落地AI的关键，在于谁能把智能接进日常制度。单独提问提高的是个人效率，接进工作流才改变队列长度、一致性和事后是否说得清。A&O 系的规模化部署与多步代理、Macfarlanes 的客户侧产品、Bridgewater 与 Deutsche Telekom 在节点上的提效、ServiceNow 与 Ironclad 对入口的争夺，指向同一个变化：AI 正在成为法务运营系统里的常规组件。对中国企业法务和律所来说，问题可以问得很具体。AI 接在哪一个审批节点？结果写回哪一套系统？出了错，能不能证明谁看过、依据是什么？这三个问题答不上来，多半还停在试用和年终总结阶段，谈不上组织能力。最后仍要守住一条旧规矩：责任要落得下去，判断仍须由人作出。模型可以起草、比对、提醒，放行、对外表态和风险取舍还是职业判断。谁能在提高吞吐的同时把这条线守住，谁才更有机会同时拿到效率、信任和议价空间。本文仅代表个人观察，生成式 AI 在法务领域的落地仍在快速演进，欢迎对此感兴趣的朋友一起交流。-END-往期阅读Harvey 是如何构建自己的产品的？从 Harness 到 Loop 再到 Eval：AI 工程范式的三级跳你可以外包思考，但无法外包理解——AI 正在改变法律人的从业范式Skill，可能是法律人把 AI 用深的最好入口 Harvey 开源 LAB：1200多个任务，覆盖24个法律业务领域，法律 AI 的评测开始接近真实工作了
夜雨聆风
