摘要

Harvey 的下注，已经从让单个律师更快，扩展到让整个律所更具盈利能力。 成立短短3年半多，Harvey 已拥有近1,000家客户和500名员工。产品也从“律师的 IDE”演进为服务“编排、治理”和数千个客户事项的基础设施。
企业级机会正从律所延伸至法律服务的最大买方。 Harvey 最近宣布 Walmart 成为客户，同时正与 AT&T、财富500强公司、私募股权机构和 Global 2000 企业合作，服务内部合同管理与法律运营，并提供与外部法律顾问安全共享数据和协同工作的“协作组织”。
法律智能体拥有天然的运行环境——客户事项，但奖励函数仍是开放问题。 律师助理本来就以智能体的方式工作：研究判例、总结内容、起草备忘录、添加引证，再吸收合伙人的反馈。但查找控制权变更条款可以验证，最终判断一份并购协议是否足够好，却仍取决于资深合伙人说一句：“嗯，这看起来相当不错。”
AI 未来可能压缩律师助理的杠杆比率，但短期内不会大幅改变资深合伙人的角色。 Elad Gil 提出的挑战是：如果律所只需要20名或50名律师助理，而不是100名，就可能无法培养出足够多能够晋升为下一代合伙人的人。Gabe Pereyra 预计基层职能会发生变化，但战略、委派、专业判断和客户互动目前仍大体稳固。
前置部署工程正在成为 Harvey 企业级服务和产品发现闭环的一部分。 大型银行甚至可能没有法律文件管理系统，而 Blue Owl 等客户看到了大量可以接入生成式 AI 的流程，却需要帮助定义这些流程。反复出现的定制化工作可以沉淀进平台，律所本身也可能通过为客户部署 Harvey 获得实施收入。
Harvey 明确拒绝自建律所，而是选择搭建让每家律所都成为“AI-first”的平台。 Pereyra 表示，Harvey 曾与 Atrium 的约30人以及 Sam 和 Jason 交流；核心难题在于，律所和科技公司是两种不同的业务，必须分别建设。拥有一家律所会制造利益冲突，也无法覆盖一个规模约1万亿美元的法律市场，以及规模“约3万亿至5万亿美元”的专业服务市场。
Pereyra 的非共识判断是，AI 最大的增益将来自组织重构，而不只是让个人提速。 “让一个人编程快20%，并不意味着产品开发也会快20%”；下一层能力在于协调整个律所内的专业化人类与 AI，尤其是在模型持续变得远强于组织即时吸收能力的情况下。

精读

1. Harvey 正在成为法律组织的运营层

Harvey 成立3年半多，如今已服务近1,000家客户，拥有500名员工。它最初的定位很直接——为大型律所和企业法务提供 AI，但价值创造的单元不断从单个律师扩展到整个律所及其客户。
主持人提出的基础问题——为什么不直接使用 Copilot、ChatGPT 或 Claude？——正好概括了 Harvey 的演进路径。GPT-4 早期开放使用时，直接与模型交互对高度依赖文本的法律行业极具价值，但律师很快就遇到幻觉和上下文缺失问题；因此，Harvey 花了约2年围绕这些模型打造“律师的 IDE”。
Pereyra 当前的表述更为宏观：“我们要解决的重大问题，不是如何提升单个律师的生产力。”真正的问题是，团队如何处理一个客户事项，以及律所如何在同时处理数千个事项时变得“更高效、更赚钱”——这越来越取决于编排、治理和企业级产品能力，而不只是模型本身的智能。
分发渠道也在通过律所本身拓宽。大约1年半前，律所开始向客户展示 Harvey，促成了最近宣布的 Walmart 签约，以及与 AT&T、大型私募股权机构和其他财富500强、Global 2000 企业的合作。这些客户既需要内部法律运营，也需要与外部法律顾问安全协作。

2. 法律工作流为智能体提供了天然场景

Pereyra 以设立基金为例，说明法律工作远不只是给律师发一封邮件。一只10亿美元的基金可能需要一份100页的有限合伙协议、约100名投资者以及反映不同投资者要求的附函，其中还包括税务影响；每次修改都可能产生下游影响，需要律师协调处理。
投资业务同样拥有高度密集的上下文。律师要检查公司的数据室，理解其合同，以验证收入是否按所宣称的方式构成；还要识别诉讼，并跨文件追踪义务。Pereyra 将其比作“理解一个代码库”，只不过这里的代码库由合同和法律工作组成，而在语言模型出现之前，这些工作流很难结构化。
Harvey 在接入 GPT-4 的第一天就出现了智能体直觉：Winston 花了14个小时复刻律师助理的工作——查找判例、总结内容、将总结输入起草流程，再为结果添加引证。“可以把律师助理看作智能体”：他们接收合伙人的战略，搜集证据，再交回一份备忘录。
按照 Pereyra 的强化学习类比，客户事项就是运行环境。处理基金设立、收购或诉讼的智能体，可以在文件管理系统中导航、检查数据室、研究判例并获取合伙人反馈，就像编程智能体与代码仓库交互并尝试通过测试一样。

3. 专业判断是核心，也是训练瓶颈

当输出从检索进入长篇起草，法律领域的强化学习就变得困难。找到全部控制权变更条款，可以支持传统基准测试；但生成一份并购协议，很难简单归类为“好”或“坏”。Pereyra 称，构建这一奖励函数是“真正重大的问题之一”。
他的答案是：“奖励函数就是合伙人。”律所拥有草稿、修改记录和合伙人反馈，这些都可能成为公开申报文件中不存在的训练材料。公开的 SEC 文件展示的是结果，而不是生成这一结果的决策过程。
Pereyra 认为，成熟的软件工程最终也会遇到同样的验证问题。单元测试在短期内有帮助，但生产环境中的成功可能意味着系统连续6个月服务了100万名用户且没有崩溃；一项并购的真正检验，可能要到3年后才出现——合并后的公司是否避免了意外诉讼。
Wachtell 合伙人、早期加入 Harvey 并担任顾问的 Gordon Moody，代表了这种缺失的专业能力。他曾参与 Michael Dell 将 Dell 私有化、重组业务并再次上市的过程，需要在多年期重组、史上最大规模的债务发行以及一种全新金融工具之间进行推演。这要求的是“理解如何架构这些交易的技术能力”，而不只是人脉关系。

4. AI 可能先改变律师助理金字塔，再改变合伙人

Gil 的反驳值得保留：律所传统上可能招募100名律师助理，明知最终只有约10人能够成为合伙人。如果 AI 最终把所需人选规模降至50人或20人，律所可能失去那条用于识别谁值得被托付复杂收购交易的经验漏斗，即便目前 AI 的作用仍主要是增强能力和扩大业务。
Pereyra 乐观地认为，模型可以加速培养过程。正如编程模型能让学习者翻译 Python，或询问某段代码为何这样编写，律师也可以先要求生成一份并购协议，再追问：“我们为什么要这样设计？”律所还可以把积累的合伙人反馈转化为训练数据。
组织重构无法用一套方案覆盖整个行业。诉讼、大型交易和中型交易拥有不同的工作流、人员配置和定价方式，因此 Harvey 正按业务领域逐一推进。例如，它会与基金设立团队及其私募股权客户共同工作，重新设计运营模式。
资深合伙人可能比初级职能变化更小。Pereyra 将他们比作杰出工程师：两者都负责定义战略和抽象框架、委派执行、识别细微的失效模式，并与客户沟通。“我不认为模型很快会取代他们现在做的事”，但他明确猜测基层工作会发生变化。

5. 部署工作正把组织摩擦转化为产品

Harvey 最初强调横向平台，以及 Workflow Builder 等工具，除 PwC 这类超大型客户外，很少进行客户专属开发。如今，训练律所专属模型和智能体需要在客户环境内接入文件仓库、计费系统、治理系统以及其他私有数据。
企业环境的异质性进一步放大了这项负担。一家大型银行可能会告诉 Harvey：“我们的法务部门没有任何文件管理系统。你们能不能直接帮我们建一个？”Blue Owl 同样看到了大量可能接入生成式 AI 的流程，但希望技术团队与其并肩探索这些系统究竟应该如何设计。
主持人将前置部署描述为 Oracle、Dell 或 IBM 式的经典企业服务打法：先提供平台，再围绕定制数据进行开发，并把反复出现的通用实施方案不断吸收到核心产品中。Pereyra 认为，Harvey 的做法更接近 Sierra 的智能体工程项目。
实施生态已经开始形成。律所可以向企业法务客户推荐 Harvey，帮助搭建工作流并实施部署，承担规模较小的法务部门无法自行配置的工作。这既可能创造新的收入来源，也会进一步强化 Harvey 的分发能力。

6. Harvey 要赋能每家律所，而不是拥有一家律所

Pereyra 表示，Harvey 曾与 Atrium 的约30人以及 Sam 和 Jason 交流。Atrium 参与者对这一想法持积极态度，但难题在于，Harvey 将同时建设一家律所和一家科技公司：“我认为一件事只能做好一件。”
更大的战略目标，是帮助“每家律所都成为 AI-first 律所”，在提升盈利能力的同时，为客户提供更快、更便宜的服务。拥有一家律所会制造利益冲突，也会阻碍模式扩张。
一项大型跨国收购展示了平台机会：可能有约100家外部法律顾问律所参与，因为当地问题需要专业机构处理。Pereyra 提到，Harvey “在新西兰大概有40家客户”，而这类交易还可能涉及投行、PwC、税务顾问和人力资源咨询公司。Harvey 瞄准的是连接这些参与方的安全数据共享和 AI 基础设施，覆盖规模约1万亿美元的法律市场，以及“约3万亿至5万亿美元”的专业服务市场。

7. 下一轮生产力突破属于组织，而非个人

Harvey 在 GPT-4 发布前就已启动，当时并排对比显示，其产品在 GPT-4 上运行正常，但在 GPT-3.5 上无法工作。Pereyra 表示，此前10年里他一直在尝试创办类似 Harvey 的公司，自己只是较早入场，并非一夜成功。他在 AI 领域的经历让规模化路径变得清晰：一旦研究人员找到通用方法，“通常只要继续扩展规模，这些东西就会持续有效”。
Winston 提供了法律洞察，Pereyra 则提供了对能力边界的判断。他们最关键的产品选择，是保持足够开放，以支持“任何类型的法律工作”，而不是去优化 GPT-3.5 时代的某个狭窄任务。这相当于打造一个支持任何编程语言的助手，而不是只检查 Python 漏洞的工具。
Pereyra 认为，法律行业很早就找到了 AI 的产品形态：上传文件，对其进行处理，再返回高度准确的引证。他认为，编程领域当时需要更强的基础模型和更好的 IDE 集成，这或许解释了为什么编程产品后来才出现，尽管 GitHub Copilot 已经证明了市场需求。
Pereyra 的前瞻判断超越了 Copilot：“让一个人编程快20%，并不意味着产品开发也会快20%。”他说，律所规模相较于计算机和互联网出现之前已经扩大到原来的10倍，并认为通过组织专业化的人类与模型，这一过程可能再次发生，而不是寄希望于某个足够聪明的 AI 独自完成一切。

Vol.78 和老钱聊聊风险投资这项工作---串台面基 AGI时间表、57%岗位自动化风险与美国债务解法