How Legora Built a $100M ARR Legal AI Business — CTO Jacob Lauritzen

Lora 用 AI agent 和“表格审查”功能帮律师批量处理上万份合同，20 人团队服务美欧顶级律所。

AI没消灭初级律师，反而抬高身价

Jacob Lauritzen 是法律 AI 公司 Legora 的 CTO。团队如今约有 100 名工程师，他亲自面对的不是“模型够不够强”这一道单选题，而是模型路由、评测体系、产品底层原语、客户部署该怎样取舍。Legora 从一个嵌入瑞典法律搜索的聊天工具起步，正在把 AI 塞进合同、文件、协作和律所工作流里。这期最有意思的地方在于：模型变强只是起点，真正难的是让律师敢把工作交给系统，也愿意改变原来靠邮件、Word v5 和计时收费维持的运行方式。

这期回答了 7 个问题：

1. 为什么法律 AI 没有如预期那样先淘汰初级律师？
2. 模型每次升级都能白送能力，法律 AI 公司还靠什么建立壁垒？
3. 怎样把一万份合同的尽调，从人海战术变成例外审查？
4. 客户数据完全不能看，AI 产品团队该如何做评测和迭代？
5. 面对每家律所都不同的定制需求，如何避免沦为外包公司？
6. AI 若能把律师经验沉淀为资产，为什么合伙人制反而会成为阻力？
7. 按小时收费的律所，为什么会主动拥抱让自己少收费的工具？

被问到 AI 是否会让律师助理和初级律师消失时，主持人的说法很直接：律师助理没了，初级律师也没了。Jacob 的回答却是，他们看到的并不是这条路径。他拿工程行业作类比：一个优秀工程师今天能完成的工作，比两年前多得多；这没有让好工程师变得廉价，反而让他们更贵。法律工作也会发生同样的事：能用好工具、能判断结果的人，一次可以完成更多高质量工作。

"I think it's more that like really good lawyers or junior lawyers are worth a lot more."（我认为更可能发生的是：真正优秀的律师或初级律师会变得值钱得多。）

这意味着，律所的人力金字塔不会因为 AI 一夜坍塌，但金字塔底部的工作内容会换。过去，初级律师的核心任务可能是翻文件、摘条款、核对版本、把上级说的话写进文档；未来，他们要先设计问题，再检查 AI 的答案，最后处理例外和风险。前者像流水线执行，后者更像驾驶员：自动驾驶接管了直路，但遇到施工、暴雨和岔路，仍得知道该怎么接手。

边界也很清楚。Jacob 没有否认重复性工作会被压缩，他说行业会变得更“polarizing”，即强弱分化更严重。一个只会执行固定步骤的初级岗位，空间会变小；一个能熟练使用 AI、理解交易背景、知道什么地方不能放过的人，单位时间能交付的成果会放大。AI 没有平均抬高所有人的身价，它先拉开了“会判断”和“只照做”之间的距离。

被问到早期做 agent 时，模型和产品团队各自贡献了什么，Jacob 给了一个很不客气的案例。Legora 的起点，只是“chat GBT with Swedish laws search tool in it”——一个带瑞典法律搜索工具的聊天产品。那时团队遇到过引用问题：模型无法稳定给出可追溯的出处。随后一次新模型发布，引用正确率从约 70% 跳到约 99%，团队没有改产品，也没有补一套复杂工程。

"It went from like 70% to like 99. Like we did nothing."（它大概从 70% 一下到了 99%，而我们什么都没做。）

这句话泼了一盆冷水：如果一家法律 AI 公司的卖点只是“能回答法律问题”“会找法条”“引用更准”，基础模型升级可能直接把这部分能力白送给所有人。今天辛苦调出来的单点功能，下一代模型也许就顺手解决了。Legora 因此把产品从问答推进到起草、编辑 Word、整理文件、复杂分析，以及用 lists、intake、portal 组织律师与客户之间的协作。

这意味着，壁垒不能只长在某一次模型调用上，而要长在工作怎样流动上。律师现在常见的协作方式，是数百封邮件、来回传递的 v5 Word 文件。谁改了哪一版，谁该审批，哪些资料可以给客户看，哪个结论能追溯到哪份文件，这些都不是“模型会写字”自动解决的。文件权限、审计日志、数据保留、任务分配，才是法律行业真正甩不掉的账单。

不过也不能因此假装模型无关紧要。Jacob 说，复杂分析仍需要更高智能；而且模型升级并非永远单向变好。Legora 的评测热力图会看到，一次版本更新可能让部分任务进步，也会让另一些任务退化。产品团队的工作不是等模型发福利，而是持续决定：哪项任务该交给哪个模型，哪个环节必须由系统兜底。

被问到 Tabular View 为什么成为核心产品时，Jacob 描述的是尽调里最耗人的一幕：一家公司有 10,000 份雇佣合同，律师需要搞清每份合同的解约通知期、有没有知识产权转让条款、解雇时要付多少钱。传统做法通常是把一队律师助理拉进来，逐份阅读、手工摘录，再汇总成表格。Legora 的做法是把合同放进同一个表格：每一行是一份合同，每一列是一个固定问题。

用户可以让系统批量填出通知期、IP 条款和成本，也可以让 agent 标出异常薪酬、奇怪奖金结构等红旗。Legora 一次可处理约 100 万个单元格，但它不会让用户一上来就对海量文件按下执行键。

"Our type of view actually will run the first 10 rows."（我们的表格视图实际上会先跑前 10 行。）

先跑 10 行，是一个比“支持百万单元格”更关键的设计。用户先确认问题问得对不对、输出格式是否可用，再全量运行。否则，AI 若把“解雇成本”理解错了，你会以极快速度得到一万份错误答案。系统还让每个结论回链到来源文件，律师可以标记哪些已审阅、哪些有异常，并在单元格上评论协作。

这意味着，尽调的瓶颈从“人能不能读完一万份合同”，移到三个更需要专业判断的动作：该问哪些问题；批量答案是否可信；红旗究竟意味着什么。律师不再是通读者，更像例外审查者——把注意力投到 CEO 薪酬异常、奖金结构古怪、关键条款缺失这些真正会影响交易的地方。

它的边界也不能忽略。表格适合对大量文件反复提出同一组问题，却不能自动代替跨文档、跨条款的复杂判断。比如某一条款单独看正常，但与另一份协议中的定义冲突，这仍需要更长的推理链和律师判断。表格不是把法律判断压平成 Excel，而是先把能批量处理的部分清出来。

被问到 Legora 怎样知道产品是否真的解决法律工作时，Jacob 讲了一个消费级 AI 团队很难想象的限制：他们基本不能看用户的执行轨迹，也不能看数据。因为律所上传的材料往往不属于律所自己，而属于律所客户。并购文件、诉讼材料、雇佣合同，任何一类都可能高度保密。即使把名字删掉，也未必就足够安全，所以 Legora 倾向于采用最保守的数据处理方式。

"We can't look at any traces basically. We can't look at any data cuz it's all super confidential."（我们基本上无法查看任何执行轨迹，也无法看任何数据，因为它们都极其机密。）

因此，Legora 不能照搬互联网产品的常规套路：看日志，找漏斗，观察用户在哪一步退出，再快速做 A/B 测试。它现在的评测团队约有 3 名工程师和 3 名律师。他们会搭建近似真实的任务环境，例如设置一个有 10,000 份文件的数据室，要求系统找出红旗，并起草一份符合标准的尽调报告。团队还会把任务拆开：先测有没有找到风险，再测报告是否写对、是否简洁、措辞和分析是否合理。

这意味着，评测在法律 AI 里不是上线前的一道质检，而是产品本身的一部分。工程师负责把任务环境、模型路由和指标做成系统；律师负责界定什么才算一个合格的尽调结果。两类人若分开，前者容易只测模型分数，后者容易只凭经验说“感觉不对”。

代价是，这种方法只能逼近真实工作，不能完全替代真实轨迹。Legora 目前只能把已知故障模式归成约 10 到 20 类，再按任务类型和业务领域分类，获得间接信号。客户若愿意提供匿名化材料、提示词和反馈，团队才能复现问题并修复；但这条反馈链天然比消费产品更窄、更慢。

被问到大型律所提出各种定制要求时，Jacob 面对的是企业软件最容易滑向外包的一条路。美国客户尤其愿意提出复杂需求：他们有自建 CRM、文档系统和内部审批流，希望 Salesforce 里发生一个动作，就把任务交给某个人，再送进 Legora，处理后回写原系统。若每家客户都单独做一套，团队再大也会被客户项目牵着跑。

Legora 的解法，是先搭“原语”——可以反复组合的底层对象。这里的 lists 类似 Notion database：可配置、可扩展、能加入触发器和自动化。在此之上，agent 可以创建 lists，lists 也可以创建 agents，agents 还能读取 lists。

"Agents can create lists and lists can create agents and agents can read lists."（Agent 可以创建列表，列表可以创建 agent，agent 也可以读取列表。）

这组关系听起来有点绕，但实际含义很具体：同一套底层结构，可以被拼成基金管理看板，也可以被拼成法律任务入口，还能承载诉讼场景。Legora 收购英国公司 Wexler 后，把诉讼中的事实提取、命名实体、日期比对、证词矛盾识别，也建在同一组原语上。客户看见的是不同产品；团队维护的则是少数共享部件。

这也重新划分了两类人的工作。法律工程师可以像高级用户一样，现场配置流程和体验；forward-deployed engineer 则在需要时把代码写入生产环境，完成复杂集成。前者让客户尽快用起来，后者处理真正需要工程介入的部分。

Jacob 曾经希望公司长期只保留 20 名工程师，如今团队已约 100 人，他仍觉得“way too small”。这说明原语不是少招人的魔法，而是防止新增人手变成新增维护债。难题在于让客户感觉产品足够多、足够贴身，同时让公司实际维护的核心能力足够少；一旦每个需求都变成独立分支，定制就会吞掉产品本身。

被问到 AI 提升生产率后，律所合伙人制会不会变化时，Jacob 先解释了合伙制为何存在。专业服务公司的主要资本是人力资本：律师、顾问、会计师的能力都在个人身上，而人不能被公司拥有。于是律所把核心人才变成所有者，用分成和合伙人身份把他们留在组织里。

Legora 想做的，是让律所拥有另一类资本：把“这家律所做事的方式”写进系统。它可以是知识图谱、先例文件、可复用的合同条款，也可以是某类交易中识别风险、组织尽调、起草文件的完整方法。个人律师离开后，过去常常随人带走的经验，理论上可以留下来，成为律所持续产生回报的无形资产。

"We need to figure out an incentive structure."（我们需要想出一种激励机制。）

问题在于，技术上能沉淀，不等于组织愿意沉淀。现有合伙人往往按带来多少客户、创造多少当期业绩获得回报。花时间整理先例、校准工作流、把经验编码进系统，会直接挤占获客和做项目的时间。更现实的一层是：合伙人离开后，通常无法继续从自己曾帮助建立的公司资产中获得分红。站在个人账本上看，把诀窍交给系统未必划算。

这意味着，AI 可能先提高优秀合伙人的个人效率，却未必自动提高律所的组织能力。若没有新的回报安排，系统中沉淀的知识会停留在少数愿意额外投入的人身上，难以形成集体资产。Jacob 对合伙制会不会改变没有给出确定答案；他明确承认，这不是靠多加一个功能就能解决的问题，而是一堵由分配规则砌起来的墙。

被问到一个最直觉的矛盾时，Jacob 说起自己早期的怀疑：律师按小时收费，工具让律师更快完成工作，听上去等于律所少收钱，那么法律科技为什么能成立？如今他改变了看法，不是因为计时收费已经消失，而是竞争压力先迫使收费方式在部分业务里变了。

他在美国市场看到，一些工作已经按项目收费，而非按工时收费。尤其是较低端的小型审查工作，有的采用固定费率，有的甚至被免费完成。律所做这类工作，本来就未必靠它赚钱，更多是在维持客户关系、争取后续业务。AI 把低附加值的工时压缩后，律所不必再投入大量人力去填一张难以向客户解释的工时单。

"The billing model itself I think is also going to change."（我认为计费模式本身也会改变。）

这意味着，AI 不会把所有法律服务一股脑降价。它先冲击的是容易标准化、容易比较、客户不愿为其支付大量工时的部分，例如小型审查和重复性的文件工作。省出来的时间，律所可以投到诉讼、复杂交易、风险判断和客户关系上。Jacob 提到，过去一些律所为了维护关系，会免费帮客户做事；有了工具后，他们仍可以这样做，但不必因此承受太多人工成本。

边界同样明确。Jacob 只确认，美国部分低端业务已经出现项目制和固定费率；高价值诉讼、复杂交易的收费逻辑是否会被同样重写，节目没有给出结论。客户买的并不只是文档产出，还包括律师对风险的承担、谈判中的策略，以及在关键时刻愿意为结论署名的人。AI 会先改变工时最像商品的地方，至于能否改变高风险判断的定价，还要看市场怎样重新分配责任。

Legora 的故事，主线不是“更强模型会不会替代律师”，而是模型能力怎样进入一个可审计、可协作、可复用的法律工作系统。第 2 条“模型升级会白送能力，壁垒只能长在工作流里”，说的是产品公司不能只靠模型分数活着；第 5 条“面对无限定制需求，先造可组合原语而不是无限加人”，说的是工作流不能靠项目制人肉维护。两条其实指向同一件事：把一次次具体任务，变成可以反复调用的组织能力。

第 3 条里的 Tabular View 也是同一个方向。它没有承诺替律师判断一万份合同，而是把重复提取变成表格，把人推到红旗和例外上。第 4 条则补上了一个现实约束：法律数据不能随便看，产品团队无法靠大量真实用户轨迹“自动学习”，所以必须把律师经验做成评测环境，把可追溯性做进每一个结论。

真正慢的部分可能不在模型，而在制度。第 6 条指出，合伙人不一定愿意把个人诀窍变成律所资产；第 7 条指出，计时收费也不会自动让位于更合理的定价。对每个正在使用 AI 工具的人来说，问题因此不只是“它能替我做什么”，而是“我能否把省下来的时间，换成更难标准化、也更需要我承担判断的工作”。如果答案是否定的，AI 只是更快地完成旧流程；如果答案是肯定的，它才会改写一个团队如何协作、如何积累，以及如何给自己的专业能力定价。