> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/legal-ai-document-review.md).

# 2027年法律AI文档审阅：为什么多数团队从错误的地方开始

本文整理自 Duaer 文档站，探讨法律团队落地AI文档审阅时，为何多数项目失败在场景选择而非模型本身，并给出从小而可核验的流程起步的做法。

## 为什么文档审阅比看上去更难

很多法律团队在尝试AI文档审阅时都会撞上同一堵墙。他们购入或开通一个工具，把它指向日程上最大、最杂乱的案件，得到的输出却没有人能完全信任。审阅人员花在核查AI结果上的时间，往往不比自己读文件少。工具被归咎，项目悄然搁置，下一次预算申请也更难通过。真正的问题很少出在模型上，而在于场景选择：用哪一组文档、回答什么问题、第一次部署承担多大风险。

法律文档审阅听起来像是文本问题，从某种意义上确实如此。但这项工作混合了多种任务：按类型对文档分类、提取特定条款或日期、标记律师-客户特权、判断与某项主张的相关性、概括一组文档的内容。每种任务对错误的容忍度不同。漏标特权可能导致敏感沟通内容外泄，而漏掉供应商合同的终止日期通常是可以事后补救的商业问题。

## 常见错误：从最大的案件开始

这种想法可以理解。大型诉讼案件文档最多、成本最高，也最有理由实现自动化。但它恰恰是最不适合学习的地方。大案件往往伴随着截止期限、对方律师、法院命令的程序，以及不能接受任何遗漏的合伙人。一旦出错，团队没有时间去判断问题出在提示词、文档质量、审阅流程还是工具本身。

更好的起点是一个范围有界、风险较低的工作流，团队可以把每一项输出都与人工基线进行比对。例如，审阅一批标准供应商协议中的续约日期和适用法律，或将收到的保密协议分为已批准与需关注两类。这些工作重复性高、答案可核查，出错的代价只是几个小时，而不是一个案件。

## 按价值与难度给候选流程排序，并选定有清晰边界的首个试点

在选定试点之前，应列出候选工作流，并在两个维度上打分。价值维度看每月耗费多少工时、该流程多频繁地阻塞其他工作，以及延迟的成本是多少。难度维度看文档的多样性、答案需要多少法律判断、数据的敏感程度，以及输出是否容易核验。

最佳的首个试点通常具备这样的特征：重复性和可核验性高，价值中等，判断要求低。合同元数据提取就非常符合这一画像。涉及敏感沟通的特权认定通常不符合，因为它需要案件背景，且判断错误的后果严重。针对特定主张的相关性审阅处于中间地带，最好在团队已通过较简单任务建立信心之后再推进。

关于在投入预算前如何比较用例的更深入方法，可参阅[如何为企业AI用例排定优先级](https://doc.duaer.com/zh/guides/enterprise-ai-use-case-prioritization/)。同样的逻辑直接适用于法律审阅队列。

一个好的试点需要具备四个特性。它有一个明确定义的文档集，规模小到人工可以全部复核。它只有一个问题或一个提取目标。它有一位指定的审核人员对结果签字。它还有停止规则，例如事先约定的准确率阈值，或每批次允许的最大升级数量。

在首次运行前把边界写下来。明确哪些文档类型在范围内，必须提取哪些字段，什么算正确答案，以及系统不确定的内容如何处理。对于不确定的条目，应转入人工队列，而不是强行给出看似自信的答案。跳过这一步的团队，往往要等到试点已经产生了无人能够辩护的结果，才发现范围已经失控。

如果你的团队希望端到端地运行这类有界工作流，包括文档接收、提取、审阅队列以及决策的审计记录，可以在[Duaer](https://www.duaer.com/zh/)上搭建，并用你自己的一批合同样本进行测试。这是一种务实的方式，可以在任何人投入大规模部署之前，先看看该工作流是否适配你的文档语料。

## 将机密材料留在你的边界之内

法律数据是企业持有的最敏感的数据之一。在任何试点接触特权或客户资料之前，应确认文档在哪里处理和存储，谁能访问提示词和输出，以及供应商端的保留或训练政策是否适用。对许多组织而言，这一答案直接决定部署是否允许进行。关于[如何将敏感数据保留在自有环境中](https://doc.duaer.com/zh/guides/data-residency-enterprise-ai/)的实用指南，涵盖了采购和法务在第一次上传前应当提出的问题。

不要依赖口头保证。应要求以书面形式说明数据流转和保留方式，并确认试点范围不包括任何你的政策不允许离开自有环境的内容。

## 以人工基线衡量准确性

最常见的评估错误是孤立地衡量AI。有意义的测试应让经验丰富的员工审阅同一批文档，并将AI输出与该基线逐字段比对。应针对每个提取目标分别跟踪精确率和召回率，因为一个工具在日期上准确，可能在适用法律或当事人名称上表现较弱。还应记录哪些错误是次要的，哪些错误会改变法律决定。

也要衡量工作流本身，而不仅仅是输出。统计在设置、提示词迭代、标记项复核和返工上花费的时间。一个提升了提取准确率、却使审阅人员耗时翻倍的试点，还不足以获得扩展的资格。关于在法律和知识密集型场景中如何思考模型错误，[企业AI防范幻觉指南](https://doc.duaer.com/zh/guides/llm-hallucination-enterprise-guide/)介绍了如何分层设置检查，以便在无依据的表述到达审阅人员的决策之前将其拦截。

## 试点结束后需要决定什么

试点结束时，团队应能以证据回答三个问题。该工作流在约定字段上是否达到了准确率阈值？在加入核验步骤之后，它是否仍然节省了审阅人员的时间？法务、安全部门和业务负责人是否都接受该数据路径？如果其中任何一个答案为否，正确的做法是收窄范围或修正流程，而不是扩大工具的使用范围。

只有当第一个工作流通过全部三项检验之后，团队才应考虑第二个用例，例如对正在处理的案件进行相关性分流。每一次扩展都应重复同样的边界、基线和指标纪律。

## 本周就可以做的事

选择一种你的法务团队已在人工审阅的重复性文档类型，例如供应商合同或标准保密协议。调取50份近期样本。请一位经验丰富的审阅人员标注团队最关心的三个字段。然后撰写一页纸的试点范围说明，写明文档、字段、准确率阈值、升级规则和数据路径。在运行任何内容之前，先与法务运营和信息安全部门共享。这一页纸，比任何供应商演示都更能告诉你AI文档审阅对你的团队是否已经就绪。

如果你准备好在自己的文档上测试一个有界工作流，可以前往[https://www.duaer.com/zh/](https://www.duaer.com/zh/)注册试用，并针对你刚刚建立的基线运行一小批样本。从你能够辩护的范围开始，让结果决定下一步。

法律AI文档审阅在第一个工作流小而可核验、并被限定在清晰的数据边界之内时才能奏效；而当第一个项目选的是日程上最大的案件时，它往往会失败。

## 常见问题

### 企业法务团队应该用哪类文档做AI审阅的第一个试点？

通常选择重复性高、答案可核查、判断要求较低的文档，例如标准供应商合同的续约日期和适用法律，或标准保密协议的分类。这类试点出错代价小，便于与人工结果逐项比对。涉及特权认定等高风险判断的任务，更适合在团队积累经验之后再引入。

### 如何判断AI文档审阅的准确率是否达标？

应让经验丰富的员工审阅同一批文档作为人工基线，再将AI输出与基线逐字段比对。需要针对每个提取字段分别统计精确率和召回率，并提前约定准确率阈值和升级规则。同时还要统计设置、复核和返工的时间，确认工具确实节省了审阅人员的工作量。

### 合同等法律资料交给AI处理时，数据应如何保护？

在试点接触机密或客户资料之前，应确认文档在何处处理和存储、谁能访问提示词与输出，以及供应商的保留和训练政策。最好要求供应商以书面形式说明数据流转和保留方式，并确保试点范围不包含政策不允许离开自有环境的内容。