Why the Next Great Law Firm Could Run Like a Software Company

Eve 让美国一家律师事务所每位律师的客户量从 100 提升到 500，靠 AI 自动化把原本 10 小时的案头工作压缩到几分钟。

法律AI不止降本：它让小案首次值得接

Jay 是法律 AI 公司 Eve 的联合创始人兼 CEO，主持人提到他此前做过 VC。如今，他做的不是给律师塞一个“会写文书的聊天机器人”，而是把 Eve 放进原告律师事务所从接听电话、判断是否接案，到准备和解的完整链条。原告律师按结果收费，客户通常没钱按小时付费，律所也常因人工成本太高而放弃小案。Eve 想改写的，正是这笔账。

这期回答了 8 个问题：

1. 为什么损失不足 5,000 美元的案子，连风险代理律师也往往不接？
2. AI 怎样不靠裁员，反而扩大一家律所的收入上限？
3. 为什么通用大模型再聪明，进律所后仍会一时无用？
4. 原告律所最有价值的数据，为什么恰恰无法从公开判例中找到？
5. 既要保护律师—客户保密特权，又要让全行业经验产生复利，怎么做到？
6. 当每位律师能管理 500 个客户，律师还应该把时间花在哪里？
7. 一宗案件的 10,000 次往返，为什么仍是全自动法律代理的难关？
8. 当更多纠纷由 AI 辅助处理，法院会变成什么角色？

被问到 Eve 对原告律所到底是降本工具，还是收入扩张工具时，Jay 的回答很直接。原告律师通常采取风险代理：客户不用先按每小时 500 或 600 美元付费，律师只有胜诉或和解后才能分到费用。这看似降低了客户门槛，却没有消除律所的成本。律师要花时间接电话、追问事实、研究法律依据、判断是否存在可主张的“诉因”。

Jay 说，一宗案子如果不能给律师带来至少 5,000 美元费用，律所通常不会接；即使能收到 5,000 美元，很多案子仍然亏钱。劳动与雇佣案件尤其明显：为了判断一次职场骚扰是否能落到受保护的法律条款上，律师可能先要投入约 10 小时研究，结果 96% 的案子仍会被拒绝。对当事人而言，3,000 或 4,000 美元的损失可能就是一份工资；对律所而言，它却不足以覆盖办案链条。

主持人把常见误解概括为“AI 会裁人、会砍成本”，Jay 的答案是："No, actually like if I use Eve, I make a lot more money for my firm."（不，实际上，如果我使用 Eve，我能为律所赚到更多钱。）这意味着，AI 首先改变的不是工资单，而是服务供给。过去因单位经济模型不成立而被拒绝的案子，开始可能转成可承接案件。边界也很清楚：风险代理的风险没有消失，单案收费达到 5,000 美元也不保证赚钱，AI 只是把原先昂贵的筛选和推进工作压低了。

被问到 Eve 出现前，原告律师事务所到底在用什么软件时，Jay 说出了一个很反直觉的现实：历史上，许多原告律师只需要手机和电子邮箱。一些单人律师甚至不买 Microsoft Word。不是他们不需要处理文档，而是原告业务不像公司法那样，天天有多人围绕同一份合同反复修订、留下批注、协同审批。

原告律所真正的瓶颈，一直是人。一个小所里，前台或案件经理先接电话，律师再抽空回电；生意好一点，就搭一个 intake 团队，即专门负责接案入口的团队。可广告带来更多线索后，这个团队又会堵住。过去的软件预算主要流向辩方、企业法务和大型机构，因为那里预算高、续费稳定；原告侧则是每个月都盯着现金流的小企业。

Jay 的总结很准确："No software really solved their core problem, which is labor constraint."（没有软件真正解决过他们的核心问题：劳动力约束。）这意味着，不能拿原告律所此前买了多少 Office、多少案件管理软件，去估算 AI 市场有多大。它们过去少买软件，不代表需求小，而是没有产品能替代办案人工。一旦软件能完成接案、材料整理、案件推进等工作，市场对标的就不再是订阅费，而是律师、助理和案件经理的工时价值。反面是，原告律所对价格极敏感：产品如果不能从第一天就推动案件结果，续约不会发生。

被要求举出客户使用 Eve 前后的变化时，Jay 给了一个洛杉矶律所的例子：每位律师管理的客户数，从约 100 人提升到 500 人。这个数字的重点不是“律师突然能看五倍文件”，而是原先一件案子会在律师、接案人员、案件经理之间来回转交。每次转交都要重新理解案情、确认下一步、等对方有空，案子就像在不同窗口之间排队。

这家律所让 Eve 从第一通电话开始接入：AI 接听来电、自动判断线索是否符合接案条件，减少律师与案件经理之间的 relay，也就是接力式转交。到了和解前，Eve 还会为调解准备要点、策略，以及该关注什么样的和解结果。Jay 的原话是："went from managing about a hundred clients per attorney to 500."（每位律师管理的客户数，从大约 100 人增加到了 500 人。）

这意味着，AI 的主要杠杆未必来自“把一封信写快十分钟”，而在于把原本串行推进、不断停顿的流程，变成持续向前的系统。律师会更像处理例外、做最终判断的人，而不是案件物流的人工中转站。但这个五倍产能不是买个工具就自动出现。Jay 特别强调，这家律所做了大量实施工作，真正把 Eve 用到了从 intake 到和解的全流程；只在某个环节试用，通常不会得到同样结果。

被问到 Eve 为什么比“原始通用智能”更有价值时，Jay 打了个比方：就算把爱因斯坦直接放进律所，他也不会立刻高效。原因不是智力不够，而是律所最有用的信息往往不在公开网页上。原告案件中，不到 1% 的和解会变成可检索的判例意见；大多数案子在诉前请求、正式起诉前，甚至更早的谈判阶段就结束了。

这意味着，一个刚入职的助理即便会搜索，也找不到某家保险公司面对某种软组织伤害时，什么样的 demand letter，也就是索赔请求函，更可能有效。更别说同一类案件在不同本地司法辖区、不同法院环境、面对不同对方律师时，策略都会变化。公开判例能告诉你法律条文和部分裁判理由，却不一定告诉你保险公司实际报过什么价、对方惯用什么拖延策略。

Jay 说："The problem is if you drop Albert Einstein into a law firm today, he will not be productive for quite some time."（问题在于，即使今天把阿尔伯特·爱因斯坦放进一家律所，他相当长一段时间也无法高效产出。）这意味着，通用模型越强，垂直产品的任务越明确：把不可公开检索的经验、当地语境和案件下一步动作组织进工作流。难点也在这里。最有价值的信息恰恰难抓取、难标准化，靠一次搜索或一个判例库补不齐。

被问到小型律所愿不愿共享数据、Eve 如何处理数据隔离时，Jay 先划了一条不能碰的线：客户自己的案件数据受律师—客户保密特权保护，不能拿去训练模型。原告律师面对的是当事人的伤情、雇佣经历、财务处境和谈判材料；把这些案卷集中起来训练，技术上或许诱人，法律和信任上却站不住脚。

他的原话没有留余地："We don't train on that data ever."（我们绝不会用那些数据训练模型。）那 Eve 怎么积累经验？Jay 的答案是，不要把“个案事实”与“行业知识”混成一件事。律师本来就会参加 CLE，也就是继续法律教育课程，并在行业交流中分享某家保险公司反复使用什么抗辩、某种谈判手法如何回应。软件能把这类原本靠会议和口耳相传传播的知识放大。

Eve 的 Auditor 产品是一个具体例子：它能在一夜之间检查每宗案件的每一页，寻找一个理想律师本应发现的遗漏信息。Jay 说，绝大多数案件都存在遗漏。这意味着，法律 AI 的数据优势未必是“谁囤了更多案卷”，而可能是能否在保密边界之外沉淀策略、成功率和质量检查能力。边界仍然严格：个案事实必须私密，可共享的只能是行业中已存在的策略性知识，以及经过规则约束的结果信号。

被问到如果 AI 完成了大量办案工作，人类律师还做什么时，Jay 的判断并不温和：未来一宗案件可能有 99%，甚至 99.9% 的工作由 AI 完成。但他仍认为，最后决定结果的那部分人类触点会留下，而且会更重要。因为今天很多律师不是不愿意上庭，而是上庭准备会吞掉整家律所的资源。

他观察到，许多 Eve 客户已经选择把更多时间放回庭审工作。过去，一个案件进入庭审准备，律师团队要做材料梳理、证人准备、陪审团相关工作，其他案件也可能被拖慢。因此律所天然倾向于促成和解，不一定是因为和解总是最优，而是庭审会让组织失去运转能力。Jay 说："Previously, going to trial took down your entire firm."（以前，一旦上庭，整家律所都会被拖垮。）

这意味着，自动化会改变律师的时间分配。常规文书、催办、记录调取和流程衔接不再吞噬团队后，律师的稀缺价值会从“让案件别卡住”，转向理解当事人、判断是否继续争取、在庭审中真正倡导。它不是“律师退出”，而是律师从后台流水线回到高风险决策点。Jay 的边界也明确：他不相信人会完全离开流程，因为人类介入仍可能让案件结果变得更好。

被问到小型律所会不会借 Eve 长成大型机构时，Jay 用一笔 25,000 美元和解款拆开了行业账本。律师大约分到三分之一，按 8,000 美元计算；其中约一半要花在人工上，约 30% 投入营销，剩下才是利润。利润这么薄，律所几乎没有空间持续投入系统建设。过去想把下一位客户服务得更好，最直接的办法就是雇更好的律师。

AI 改变的是可复用能力的积累方式。Jay 预计，律所会从“劳动法”“人身伤害”这类大类，进一步专攻带有特定事实模式的案型，例如某类软组织伤害案件。一个所一旦把这种案型的筛选、材料、谈判策略和结果判断做得足够好，就能更有效地向全国获客，而不是只在本地广告牌上碰运气。Jay 的概括是："I think the transformation that's going to happen is a lot of these law firms are going to look more like software companies."（我认为将会发生的转变是：许多律所会越来越像软件公司。）

这意味着，未来律所的核心资产不只是律师人数，而是可复用的案型数据库、流程和结果能力。专业化与规模化会同时发生：小所可能凭一个案型跨地域扩张；接近 Morgan & Morgan 规模的大所，则可能收购其他律所，再用 Eve 降低整合痛苦。只是现有利润结构仍薄，任何“软件公司化”都必须先在案件结果上兑现。

被直接问到 Eve 是否已经完成“从接电话到拿到保险赔款”的全自动案件时，Jay 的回答是："Not yet, but we're close."（还没有，但我们已经很接近了。）他说，部分客户已经有早期上线迹象，但端到端自主化尚未完成。原因不在于系统能否写一份像样的文书，而在于一宗案子可能包含约 10,000 次来回交互。

以人身伤害案为例，客户一进来，律所就要向保险公司和医疗机构外呼，索取既有医疗记录。传统流程中，仅这一步大约就要两周。Eve 正用语音 AI 处理外呼；Jay 甚至提到，已经开始看到 AI agent 和对方的 AI agent 打交道。但调到记录只是第一步，后面还有材料形成、和对方沟通、等待回复、补充事实、判断例外、推进谈判。案件周期可能长达六个月或一年。

这意味着，长周期法律代理的挑战不是生成内容，而是能否跨越外部机构、等待周期和意外情况，持续可靠地让案件向前。每种案型都要像一门科学一样学习和构建，Jay 说 Eve 目前的主要限制因素是工程师数量。人仍需要在某些节点提升结果或完成特定动作；“全自动结案”不是一个已完成的功能，而是一条由大量跨机构接口组成的长路。

被问到五年后 AI 成为法律行业标配，整个法律系统会如何变化时，Jay 的判断是：更多法律需求被释放后，法院不可能承接所有新增纠纷。事实上，现有体系已经不是所有事情都直接进法院。部分退伍军人事务案件由不同委员会处理；劳动与雇佣案件常先经过 EEOC，即美国平等就业机会委员会；雇主也早已借助调解和仲裁处理部分争议。

Jay 的预期是，未来会出现更多 ADR，也就是替代性争议解决机制，并出现 AI 辅助的中立调解者。系统可以更快整理双方事实、检索历史模式、给出判断依据，但不是直接替代判断本身。他说："Most likely, I think it's inevitable that you're going to have to create systems where not everything goes to court system."（很可能、也几乎不可避免的是，你必须建立一种体系：不是所有事情都进入法院系统。）

这意味着，AI 降低代理成本后，法律系统不会只是“更多人起诉、法院更堵”，而可能转向分层处理。常规、事实结构较清晰的争议，可能先由机器辅助的中立机制加速解决；真正需要权威裁判、复杂证据审查或公共规则确认的案件，再进入法院。边界在于偏见问题：AI 能提供历史事实与模式，但历史数据本身可能带偏，仍需要人或中立机构识别、解释并排除偏见。

“AI的首要价值不是裁员，而是让被放弃的小案有利可图”，和“真正的效率跃迁不是写得更快，而是让案件不再卡在交接上”，指向的是同一件事：法律服务的稀缺资源，过去是律师工时；未来更可能是能否把案件能力编码、复用并持续推进。

但这不是把律师换成聊天机器人。“大模型不是法律产品”说明，公开网上找得到的知识远远不够；“法律数据飞轮的前提不是汇集案卷，而是分开保密与学习”又划出了边界：客户事实不能成为随意训练的燃料。真正能积累的，是策略、流程、质量检查和对结果的理解。

对普通人而言，这个变化最实际的地方，不是某家律所的估值会多高，而是那些原本“不够大、不值得接”的问题，是否终于有人愿意处理。对律师而言，问题也从“AI 会不会替我写文书”，变成“当流程不再堵住我，我把有限的判断、沟通和倡导能力放在哪些案件上”。