律所主任最常问的一句话是："到底该买哪个 AI？"
但这个问题问早了。市面上被统称为"律所 AI"的东西，其实是三类完全不同的产品：通用大模型、法律垂类工具、本地私有化系统。它们解决的不是同一件事，价格差几倍到几十倍，混在一起比功能表，比出来的结论一定是错的。
这一篇不推荐具体产品，只做一件事：把三类的边界划清楚，让你知道自己在选什么。
一、三类产品的本质区别
| 类别 | 代表形态 | 数据在哪 | 强在哪 | 边界在哪 |
|---|---|---|---|---|
| 通用大模型 | 豆包、DeepSeek、Kimi、文心等对话产品 | 厂商云端 | 语言组织、通用推理、起草初稿，几乎零成本 | 不掌握你的卷宗，法条引用不可靠，涉密资料不能传 |
| 法律垂类工具 | 法律数据库厂商推出的检索与审查产品 | 厂商云端 | 法规与判例库权威、带引用溯源、更新及时 | 多数以"公开法律信息"为边界，当事人卷宗处理仍受限 |
| 本地私有化系统 | 自建服务器或一体机部署 | 律所自己的机器 | 卷宗不出所、可断网、能接所内模板与历史案例 | 需要自己投入硬件与运维，知识库要养 |
一个常见的误判是拿第一类的价格去要求第三类的能力，或者拿第三类的合规标准去否定第一类的价值。正确的问法是：这件事涉不涉及当事人信息？涉，只能第三类；不涉，前两类更划算。
二、通用大模型：被低估，也被误用
说它被低估，是因为多数律师只用它来"润色文字"。实际上它在几件事上已经够用：
- 梳理法律关系：把一段混乱的当事人陈述整理成"主体—行为—争议点"的结构。
- 生成问题清单：第一次会见当事人前，让它列出该问的 20 个问题，比临时想周全。
- 解释陌生领域术语：碰到建设工程、海事、知识产权交叉的案件，先快速建立概念框架。
- 改写与压缩：把 3000 字的代理词压到 1500 字，或者把口语化表述改成书面语。
说它被误用，是因为两件事绝对不能交给它：
第一，法条引用。通用模型在不确定时会"编"，编出来的条号看着完全合理，实际不存在或者已被修订。凡是准备提交法院的文书，每一条引用都必须回原始法规核对。这一条没有例外。
第二，涉密资料。把当事人卷宗粘进对话框，等于把当事人信息交给了第三方。哪怕产品承诺"不用于训练"，律所也无法证明这一点。这条线一旦踩了，事后无法补救。
所以通用大模型的正确位置是：处理不含当事人身份信息的思考与表达工作。它是笔，不是档案柜。
三、法律垂类工具：买的是数据库，不是模型
这类产品的价值常常被理解错。它们的核心竞争力不在 AI 模型多聪明，而在背后那套法规与判例数据库——这是几十年积累的东西，不是一个模型能替代的。
国内比较有代表性的几类：
- 综合法律数据库：以法规库、司法案例库为主，附带智能检索、类案推送。北大法宝、法信属于这一类，特点是库权威、更新跟得上、引用可溯源。
- 专业出版机构延伸产品：威科先行这一类，强在财税、金融、合规等专业领域的深度，以及双语内容。
- 律所管理软件延伸的 AI 模块：Alpha 这一类，从案件管理、法官画像切入，再补 AI 能力，优势是和所内案件流程绑得紧。
- 文书与合同专项工具：无讼等，聚焦特定环节，比如文书生成、合同审查。
注意我只说定位，不评价好坏——因为选哪个取决于你的业务结构。做刑辩的和做资本市场的，需要的库完全不同。
这类产品的共同边界是：它们的服务对象是"公开的法律信息"，不是"你的当事人卷宗"。你可以用它查类案、查条文、看裁判倾向，但把一份真实的当事人卷宗整包上传去做分析，仍然要回到合规问题上。有些厂商会提供专有实例来缓解这一点，但数据终究在对方机房，需要合同里把权限、留存、审计一条条写清楚。
四、本地私有化系统：唯一的代价是"要养"
第三类的逻辑最简单：机器在你机房，数据不出门。它适合的是卷宗处理这一类必须碰当事人信息的活。
它换来的是三件事：
- 合规上说得清。可以断网运行，可以指定谁能看哪个目录，出问题能自己查日志。
- 知识库是自己的。所的文书模板、办案习惯、历史案例能沉淀进去，越用越顺手。这部分是买不来的。
- 成本结构不同。一次投入，不按人头涨。人多的所，长期算下来比按席位月付便宜。
它要付的代价也很清楚：硬件要买，模型要调，知识库要喂，出了问题得有人管。这不是"装上就能用"的产品，更像"搭一套内部系统"。所以它适合有稳定业务量、愿意投入一点运维精力的所，不适合指望开箱即用的三人小所。
关于硬件怎么选、模型怎么分级、知识库怎么建，律所 AI 私有化部署怎么做那篇有完整拆解。7B、14B、32B 在卷宗汇总和文书起草上的实际差距，另见律所场景模型大小怎么选。
五、按规模对号入座
| 所的类型 | 核心痛点 | 建议组合 | 不建议做的 |
|---|---|---|---|
| 1–3 人小所 / 个人所 | 案子杂、没人手写文书 | 通用大模型（处理非涉密思考）+ 一个法律数据库账号 | 上本地部署。投入产出不划算，也养不动 |
| 4–15 人中型所 | 卷宗整理耗时、文书质量参差 | 法律数据库（查条文判例）+ 通用大模型（起草）+ 视业务量考虑一台本地机器做卷宗汇总 | 全员上云端 AI 做卷宗分析 |
| 15 人以上 / 专业所 | 知识沉淀、办案标准化、对外一致性 | 本地私有化系统为主 + 法律数据库为辅 + 通用大模型做补充 | 只买数据库不做内部知识库，人一离职经验就没了 |
| 企业法务部 | 合同审查量大、内部合规要求 | 本地部署（数据在内部）+ 垂类合同审查工具 | 让业务部门自己用公开 AI 审合同 |
六、选型时必问的五个问题
不管销售演示得多流畅，这五个问题必须问，而且要对方给出书面回答。
1. 我的数据会不会进入模型训练？
注意区分三种回答："不会用于训练"、"不会用于训练但会保留日志"、"数据在专有实例内隔离"。第三种才是可验证的。前两种本质是承诺，需要合同条款兜底，并且问清留存期限和删除机制。
2. 引用能不能溯源到原文？
让它在演示时回答一个具体问题，然后要求点开每一条引用的出处，看是不是真的能定位到某一部法规的第几条、或者某份判决的第几页。只能给出"类似内容"而点不到原文的，审慎看待。这一条直接决定你敢不敢用它起草要提交法院的文书。
3. 用的是哪一年版本的法规库？
问一个近两年修订过的法规，看它给的是新版还是旧版。答错的直接淘汰——用旧法条生成的文书，风险比不会用 AI 更大。
4. 能不能只给我一个业务方向试？
要求先用一个案由、一个团队试一个月，而不是全所上线。愿意这样做的厂商，通常产品是真的能落地的；只肯整所打包卖的，多半自己也不确定效果。
5. 出了问题谁负责、怎么处理？
要问清：输出错误导致返工怎么算、数据出问题多久响应、有没有本地服务团队。跨省的 SaaS 厂商在这件事上通常只能给工单，本地服务商能上门——这是本地厂商为数不多的真实优势，值得用。
七、上线之后最容易翻车的三件事
第一，把 AI 输出当结论用。这是最危险的。必须在所内明确：AI 生成内容一律视为初稿素材，交付当事人或提交法院前由承办律师逐字核对。不写进制度，迟早出事。
第二，知识库塞进去就不管了。法规会修订、模板会过时、口径会变。知识库不是一次性工程，得有个人负责每季度更新一次。没人管的知识库，半年后就成了错误来源。
第三，只买工具不改流程。如果 AI 只是"另一个要打开的网页"，律师忙起来就不会用。真正见效的做法是把它嵌进现有流程：卷宗扫描进来就自动出摘要，写文书时右侧就有素材。这一步不做，买什么都不会有效果。
八、常见疑问
免费的通用大模型和付费的垂类工具，差距到底有多大？
差距不在"写作水平"，在"事实可靠性"。写一段结构完整的分析，两者差别不大；但问到"这个情形适用哪一条、有没有类案、赔偿标准是多少"，通用模型的错误率明显更高，因为它手上没有权威且更新的数据库。凡是涉及具体条文和具体数额的问题，用垂类工具或回原始数据库核对。
能不能用通用大模型加自己的资料，替代垂类工具？
部分能替代。如果只是想让 AI 基于所内的模板和常用法规作答，本地部署 + 知识库可以做到。但替代不了一套实时更新的完整法规与判例库——那需要持续的采购与维护，不是导入一批文件就完事。实务里两者并存最常见。
所里已经有案件管理系统了，还要再上一套 AI 吗？
看现有系统能不能被调起来。如果案件系统的数据能通过接口读出来，AI 可以作为一层加在上面，律师不用换系统；如果数据导不出来，先解决数据接口，再谈 AI。顺序反了，最后会变成两套系统各记一份，谁都不准。
AI 写的文书能直接提交法院吗？
不能。原因不是质量问题，是责任问题：文书由律师署名，责任由律师承担。AI 不能作为责任主体。而且 AI 存在编造条文与案例的可能，一旦提交了不存在的判例，后果由律师承受。正确做法是把它当起草助手，事实、法条、结论三部分全部人工复核。
九、一句话总结
不涉密的思考和写作，用通用大模型；查条文判例，用法律数据库；碰当事人卷宗的活，只有本地部署能碰。三类各管一段，别指望一个产品全包。
时代科技在肇庆本地做私有化 AI 部署，从需求调研、硬件配置到知识库建设、业务系统对接一起交付，联系电话 0758-2311963。硬件方案见肇庆 AI 算力服务器套装。
