律所管委会
想在全所推行 AI,但不确定从哪个业务切入、数据怎么管住。
不交报告,交付能用的系统
“前置部署工程师”(Forward Deployed Engineer)最早由 Palantir 采用:把工程师派进客户现场写代码、接系统,一直待到系统真正跑起来。如今 OpenAI、Anthropic 都设立了专门的部署团队。
法律行业也是一样。海外头部法律 AI 公司的做法是:每个部署项目都配一位执业过的律师,和律所团队一起在真实案件上搭建工具。律所的 AI 落地,需要一个既懂案子、又会搭系统的人。
从一个团队开始,也可以全所推开
规模不同,切入点不同:大所先解决管得住,小团队先解决用得顺。
第一步都一样:先看清楚您每天最费时间的那件事。
想在全所推行 AI,但不确定从哪个业务切入、数据怎么管住。
诉讼或非诉团队,想把证据整理、合同审查、文书起草这些高频工作提速。
合同量大、人手紧,需要可控、可留痕、可审计的 AI 工作流。
没有 IT 部门,也想要一套顺手、安全、自己能维护的 AI 工具箱。
六步,一个流程一个流程地落地
不一次铺开全所,先挑两三个高频、可衡量的流程做透;用本所已办结的案件来检验,过线才上线。
点击下方步骤,查看每一步做什么、交付什么。
进所访谈合伙人、律师、助理和 IT,梳理业务线、案卷与文档系统、利冲与保密要求,看清楚时间都花在哪里。
挑两三个高频、可衡量的流程先做,例如证据目录整理、合同初审、类案检索。把每个流程写成说明书:输入是什么、输出长什么样、哪里必须由律师复核。
按数据敏感度,选择本地部署、私有云或合规的云端模型;接入现有的案卷、OA、网盘等系统;搭建本所知识库,按案件与团队隔离权限。
把选定的流程做成 Skills 和智能体,用本所的范本、口径和格式调好输出;需要时配上新诉讼可视化,把案件画成图。
用本所已办结的案件做“标准答案”,逐项比对 AI 的输出:漏了什么、错了什么、哪些可以直接用。过线才上线,上线后继续盯。
先带一个团队在真实案件上用起来,再一个团队一个团队推开;定期复盘,跟着模型更新调整工具。
周数为典型节奏,按律所规模与流程复杂度调整。
留在律所里的,是一套能自己运转的东西
工具、知识库、规范和会用的人,四样都要在。
项目结束后,团队能自己维护、自己扩展。
模型与知识库部署在本所服务器或私有云,数据不离所。
判例、范本、过往案卷结构化入库,按案件与团队隔离权限。
证据整理、合同审查、文书起草、新诉讼可视化,按本所口径定制。
用本所真实案件做标准答案,持续衡量 AI 输出质量。
AI 使用与保密制度、律师复核节点、留痕要求。
全员培训加真实案件带教,让律师自己会用、会调。
执业律师,也是法律 AI 的开发者
懂案子的人不会搭系统,会搭系统的人不懂案子——驻场部署要解决的,正是这道缝。
我每天办案,也每天用自己写的工具办案。
律师的保密义务,是部署的前提
方案设计遵循《数据安全法》《个人信息保护法》与律师执业保密义务。
AI 只提高效率,不替律师做判断。
敏感案卷优先本地或私有化部署,不上传到不受控的外部服务。
按案件、团队设置访问权限,与利冲和信息隔离制度衔接。
每个流程都设人工复核节点,对外文书由律师最终签发。
调用、修改与审批都有记录,可追溯、可审计。
开始之前,您可能想知道
看数据敏感度和使用规模:可以本地部署,也可以用私有云或合规的云端模型。诊断之后再给方案,不预设采购。
选题之后,通常几周内就会有第一个流程在真实案件上试用;具体取决于流程复杂度和系统对接情况。
常见的案卷管理、OA、网盘一般都可以对接,诊断阶段会逐一确认接口和权限。
根据律所规模、流程数量和部署方式,经综合评估后报价。