职场上，合同审查是一个很关键的环节。平时这个环节能占用大量的时间和精力，AI大模型兴起之后，通过AI赋能，可以大大提升智能审查的质量。这篇文章，我们看看作者分享的经验。
今天我们来聊聊AI在法律科技领域中的应用
如何通过AI赋能，来提升合同智能审查的输出质量
文章会分为三部分进行介绍:
法律科技(Legal technology)是指运用人工智能、大数据、区块链等技术手段，提升法律工作效率和质量，也使法律服务更加普惠，法律科技领域与法律行业相互促进，共同发展。
在2024年法律科技领域的全球市场规模超过291.8亿美元，预计2025-2037年复合年增长率GAGR超过9.6%，2025年预计市场规模为315.2亿美元。
图片来源：Legal Technology Market Statistics Report 2025-2037 — Research Nester
其中亚太地区增长最快，北美市场规模最大，但整体的市场集中度偏低，没有出现绝对领域的头部玩家。
图片来源：Global Legal Tech Market size & Share Analysis – Growth trends and Forecasts
图片来源：Global Legal Tech Market size & Share Analysis – Growth trends and Forecasts
法律科技的细分领域主要包括：
图片来源：Legal Technology Market Statistics Report 2025-2037 — Research Nester
1) E-Discovery(电子发现)：是指在法律诉讼或调查过程中，对电子形式的信息，如邮件，音视频等信息，进行识别、收集、保存、处理，通过获取和梳理与案件相关的电子证据链，来支撑了法律论证。
2) Legal Research(法律研究)：是指能够快速检索和筛选海量的法律文献、案例资料等信息，帮助法律从业者更精准地找到所需的法律依据. 例如：用户输入一个复杂的法律问题，系统可以迅速在庞大的法律数据库中定位到最相关的案例和法规，并进行初步的分析和总结。
3) Legal analytics(法律分析)：是指在从大量的法律文本、案例、法规等数据中提取有价值的信息，以辅助法律决策、风险评估和案件策略制定. 例如，律师可以让AI分析过往类似案件的判决结果和相关因素，为当前案件提供参考和预测，帮助律师和法律从业者了解法律趋势和潜在风险。
4) Contract Lifecycle Management(合同生命周期管理)：是对合同从创建、谈判、审查、审批、签署、履行到续约或终止的全过程进行系统化管理工具，其核心作用是通过自动化的合同管理流程，提升合同处理的速度，确保合同的合规性和风险控制，从而帮助企业更有效地跟踪和履行合同义务，优化供应商和客户关系，最终提高业务收益和竞争力。
5) Time-Tracking & Billing(记时追踪与计费)：是为律师事务所和法律从业者提供高效的时间记录和费用管理工具，其(它的)核心作用是通过自动化法律服务的计时计费工具，确保账单的准确性和透明度，从而增强财务管理和业务收益。
Contract Lifecycle Management(合同生命周期管理) ，是增长最快的细分领域之一。
图片来源：Contract Lifecycle Management Market — Astute Analytica
2024年市场规模达到36.1亿美元，2025-2033年预测的复合年增长率达13.55%。
合同生命周期管理，是对合同从创建、谈判、合规审查、审批、签署、履约、续约到终止全流程进行系统化和自动化的管理系统，用于提高合同管理的效率，把控合同的风险与合规性，帮助企业高效管理，降低合规风险与法律风险。
图片来源：中国CLM（合同全生命周期管理）市场产业全景研究报告 – TE智库
其中合同的合规风险审查，是CLM中的关键环节，接下来我们聚焦于CLM中的合规审查模块，看看如何通过AI赋能，来识别合同中签在的法律风险和不合规条款，帮助企业规避合同风险。
图片来源：Global Legal Tech Market size & Share Analysis – Growth trends and Forecasts
图片来源：康达律师事务所
以上是两个很直观的案例：
图一统计了自从2018年5月GDPR生效以来，截止至2024年9月，罚款超过了24亿欧元。
GDPR (General Data Protection Regulation) 通用数据保护条例 -> 由欧盟出台的关于数据隐私保护的法规。
图二统计了在2021-2023年国有企业民事纠纷案件数据统计中，合同风险成为企业经营的主要风险，诉讼案件占比高达65%。
所以如何降低合同的法律风险与合规风险，是企业组织经营过程中的强需求
合同审查这个细分领域的主要玩家可以分为两类：
一类是传统的CLM厂商，在已有CLM的模块中，做深合同审查的功能模块，如：
Icertis
主打产品：Lcertis Contract Intelligence (ICI) 合同生命周期管理平台
市值&融资情况：市值超50亿美元，累计融资5.2亿美元，ARR预估2.5亿美元。
Ironclad
主打产品：Ironclad CLM
市值&融资情况：市值约32亿美元，累计融资3.34亿美元，ARR预估1.112亿美元
Docusign
主打产品：DocuSign eSignature(电子签)，DocuSign CLM(合同生命周期管理)，DocuSign IAM(智能协议管理)
市值&融资情况：市值约101.6亿美元，累计融资5.13亿美元，ARR预估10.6亿美元。
另一类是AI驱动的智能合同厂商，如：
合同审查这个活是一个既不允许出错又容易出错的“苦差事”：
所以合同审查最终输出审查结果的准确度至关重要，直接决定了产品是否可以用。
合同智能审查常规的处理流程是：
用户上传需要审查的合同文件 -> 然后系统来进行合同的风险识别与评估 -> 最后生成风险评估结果与修改建议。
其中合同的风险识别与评估是合同审查的关键环节，可以将其拆分为两个流程节点：
这两个流程节点决定了审查的准确性，合同信息要素抽取的准不准？抽取后对合同信息要素分析的准不准？是否能够识别到其中的风险点？能否给风险进行评级，能否基于识别到的风险给出修改建议等等，以上这些问题环环相扣，都影响着合同审查的输出结果。
目前对于合同智能审查的主流解决方案：
模型 + RAG + 法律场景下的工程化解决方案
在模型方面，像主流的大模型厂商OpenAI，Anthronpic，Meta，字节，阿里，DeepSeek等通用模型能力在都不断提升，同时像PowerLawGLM，LaWGPT，JurisLMs等垂直法律大模型也在不断迭代发展，随着时间的推移，模型对信息要素提取与处理的能力肯定会不断地增强。
但模型只是决定了合同智能审查输出质量的下限。
因为大语言模型它本质上是基于概率预测进行内容的生成，所以“幻觉”问题一直是一个无法避免的问题。
图片来源：Hallucination-Free?Assessing the Reliability of Leading AI Legal Research Tools – Stanford
这是斯坦福研究团队对比了不同AI法律工具在输出质量上对于“幻觉”与“输出不完整性”的数据数表现情况。
而合同审查又是一个严肃且不容出错的业务场景，所以只靠大语言模型本身来做合同审查这项一下复杂的推理任务，是远远不够的，所以就进入到下一个阶段：模型+RAG。
RAG检索增强生成(Retrieval-Augmented Generation)
现在只要涉及到垂直领域的智能体应用，RAG几乎是一个标配模块，用于增强大语言模型的信息输入，从而提升大语言模型的输出质量。
图片来源：Hallucination-Free?Assessing the Reliability of Leading AI Legal Research Tools – Stanford
通过RAG的方式，能够检索到权威的法律法规与企业自建的风险案例库，识别到合同中存在的风险隐患后，再生成针对性的风险提示与修改建议，确保审查的输出结果有理有据。
大模型+RAG，已经在一定程度上提高了合同审查的输出质量，但是仅做到这一步还不够，因为合同审查是一个复杂的法律推理任务，不仅涉及多领域的法律融合，需要识别出条款间的相互影响，而且还需识别潜在的法律和商业风险，权衡交易主体的利益。
所以在大模型+RAG的基础上，还需要再增加一些“工程化”的解决策略。
1) 策略一：人工预设审查规则
审查清单和审查规则是合同审查的基础，只有知道要审什么，怎么审，才能够审对。
不同行业，不同合同类型，审查的内容都不同，要确保审查结果的准确性，需要企业的法务团队将日常审查工作的Know-How进行结构化的知识梳理，输出不同合同类型的审查清单与审查规则，再结合提示词工程的技巧，让模型更好理解。
常见的方式有两种：
第一种是将审查规则与合同类型绑定：软件服务商将审查清单与审查规则与合同类型进行绑定，简化用户审查合同的操作门槛，只需选择对应的合同类型，即可完成合同审查，再通过对话式交互与在线编辑的方式，来修改合同细节。
图片来源：Robin AI
图片来源：Robin AI
第二种是在第一种的基础之上，新增信息输入的维度，比如在用户上传完审查合同后，新增“审查立场”，“审查目的”和 “审查清单”列表，并且支持用户自定义添加和修改审查目的与审查清单，通过提供更丰富的审查背景信息，来提升合同审查的输出质量。
图片来源：无忧吾律
图片来源：AlphaGPT
2) 工作流来拆解复杂任务
一个复杂的法律推理问题，其实都是由环环相扣的小问题组成。
刚刚有介绍过合同审查最基本的两个环节，合同信息要素抽取与合同信息要素审查，由此就可以推出两个基本的工作流节点 (信息抽取与信息审查)。
当然我们要应用在实际业务中，还需要做更细致的工作流拆解。
比方说以审查“违约责任”这个审查点为例，需要先判断合同中是否存在“违约责任”的条款，然后明确“违约行为”的定义，接着再审查违约责任的形式(如：违约金数额计算方式，损害赔偿的范围，解除合同的条件等等)，接着再审查免责条款的合法性以及不可抗力条款的关联性，最终若发现问题，再提出修改意见，确保违约责任条款完善，合法，有效。
以上这些问题都能通过工作流的方式进行拆分。
将复杂任务拆分为具体明确的简单任务，通过提高每一个节点推理的准确性，从而提升整体工作流链路的透明度和准确性。
作者：在野在也，公众号：在野在也
本文由 @在野在也 原创发布于人人都是产品经理。未经作者许可，禁止转载。
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。