LexisNexis 正在从一个法律研究数据库转变为一家人工智能驱动的解决方案提供商，其核心产品 Protégé 旨在帮助律师起草法律文件。该公司首席执行官 Sean Fitzpatrick 认为，虽然人工智能有望提高效率，但也带来了严峻挑战，尤其是在准确性方面。他强调，与通用模型不同，其工具基于权威法律数据，以避免“幻觉”问题。同时，他也承认 AI 会冲击律师的学徒制，但坚持在司法系统中必须保留人类的监督，因为法律事务的利害关系重大，不能完全自动化。
从数据库到 AI 合作伙伴
LexisNexis 的定位已经发生了根本性转变。过去，它是一个供律师查找案例法的研究数据库，但现在它将自己定义为一家 AI 驱动的信息、分析和起草解决方案提供商。这种演变是技术进步的自然结果，因为大型语言模型特别适合处理法律领域的核心任务。
- 语言密集型： 法律工作主要基于语言，而 AI 模型在处理语言问题上表现出色。
- 任务匹配： 律师的日常工作，如起草文件、进行研究和总结信息，都是当前 AI 模型擅长的领域。
- 效率提升： AI 能够快速生成大量内容，例如为一次取证准备数百个问题，律师可以从中筛选和提炼，从而提高效率并可能获得更好的结果。
我们倾向于采用最新技术，将其介绍给我们的客户，并与他们讨论如何最好地在法律环境中应用该技术。然后，我们将他们的想法转化为解决这些机会的产品。
准确性挑战与“法庭级”解决方案
通用 AI 工具在法律领域的应用充满了风险，最突出的问题是“幻觉”——即 AI 编造出不存在的案例法。这已经导致一些律师受到制裁，甚至有法院判决因此被撤销。Fitzpatrick 认为，早晚会有律师因草率使用 AI 而失去执业资格。
为了应对这一挑战，LexisNexis 承诺其 AI 工具 Protégé 具有 法庭级的准确性。
- 权威内容： 系统的回答基于其包含 1600 亿份文件和记录的专有数据库，而非宽泛的互联网信息。
- 引用核查： 系统内置了一个“引证代理”（citator agent），用于检查引用的案例是否真实存在且仍然是有效的法律。
- 隐私与安全： 保证符合律师与客户之间的保密特权要求，这是通用模型无法提供的。
- 透明度： 系统会展示其得出结论所使用的逻辑，允许律师审查甚至修改，而不是一个无法解释的“黑箱”。
对法律行业的影响
AI 的普及正在深刻地改变法律行业，尤其是在人才培养和工作流程方面。
对学徒制的冲击
传统上，初级律师通过处理基础的研究和起草工作来学习和成长。如果这些任务被 AI 取代，他们的学习路径将面临中断。
这是一个学徒制的系统。所以，如果你开始拿掉底层的一些层次，每个人如何跳过底层，并以同样的能力和技能进入第二层？这是一个真正的挑战。
Fitzpatrick 承认这是一个难题，并认为律师事务所正在努力寻找解决方案，但他相信这个行业能够适应。
保持人类监督
尽管 AI 可以自动化许多任务，但 Fitzpatrick 坚决认为 必须保留人类在环。AI 应该作为增强律师能力的工具，而不是完全取代他们。
- AI 可以完成 80% 的草稿工作，但剩下的 20% 深度分析和思考 必须由律师完成。
- 法律事务的利害关系极其重大，涉及个人福利、保险赔付等，不应由“机器人对机器人”的系统来决定。
当你谈论实质性的法律问题时，风险太高了……这些都是法律事务，它们对人们的生活有着巨大的影响。
中立工具的困境：AI 与司法哲学
一个尖锐的问题是，AI 工具可能被用于特定的司法议程，例如支持“原创主义”的法官使用 AI（所谓的“语料库语言学”）来论证法律条文在制定时的“原始含义”。
当被问及 LexisNexis 的工具是否会助长这种趋势时，Fitzpatrick 将其比作一块砖头。
你可以用砖头建造一所医院……或者你可以用砖头砸穿一扇窗户。一种用途非常好，另一种则非常负面，但无论哪种情况，它都是一块砖头。我认为我们的工具既不好也不坏。
他强调，公司的目标是提供准确的信息和工具，帮助律师完成他们想做的工作，而不是去塑造法律或参与政治辩论。他们的责任是遵循“负责任的 AI 原则”，包括透明度、人类监督和防止偏见。在一次现场测试中，当被问及第十四修正案的公民权问题时，其 AI 给出了当前主流的法律解释，同时也承认存在其他解读的尝试。
AI 的构建与维护
LexisNexis 的 AI 并非单一模型，而是采用了一种多模型、代理式的方法，根据不同任务（如深度研究或起草文件）调用最合适的模型（如 OpenAI 或 Anthropic 的模型）。
然而，其流程中一个出乎意料的关键部分是 雇佣了大量的律师来审查 AI 的输出。
我原本期望雇佣很多技术人员和数据科学家来做这项工作。我真的没想到会雇佣一支律师大军。但我认为我们解决方案的秘诀之一就是我们的输出经过了律师的审查。
这些拥有特定领域经验的律师负责评估 AI 生成文件的质量，并帮助团队改进模型，以确保其输出的准确性和相关性。