法律助理如何使用AI提升工作效率，逆袭拿第一

先交代一下背景，免得有人问”你一个搞技术的凭什么聊法律”。

我本职是程序员，后来转去做量化，前前后后不到十年。这些年身边做法律的朋友不少——律所助理、公司法务、刚过法考在所里熬的年轻人。过去一年，他们找我聊得最多的话题从”AI 会不会取代我们”变成了”AI 到底该怎么用才不翻车”。

这个变化本身就很说明问题：争论”要不要用”的阶段已经结束了，现在拼的是”谁用得好”。

这篇文章我想用一个技术人+量化人的视角，把这件事讲透：数据怎么说、坑在哪里、具体怎么干、以及为什么有人能靠这个在所里”逆袭拿第一”。

本文以codex为例，考虑到国内订阅codex确实有点困难，可以参考一下这里：claudemax.shop

---

一、先看数据：个人在狂奔，组织还在观望

做量化的人有个习惯，先看数据再下结论。我翻了 2026 年这一年里几份比较有分量的行业报告，结论非常一致——

 

几个关键数字：

• 8am《2026 法律行业报告》（调研 1300 多名法律从业者，其中约四分之一是法律助理）：个人在工作中使用通用生成式 AI 的比例，从上一年的 31% 跳到了 69%；使用法律专用 AI 工具的比例也从 21% 翻倍到 42%。

• 汤森路透 2026 年专业服务 AI 报告：律所团队使用生成式 AI 的比例从 2025 年的 28% 升到 41%，企业法务部门从 23% 升到 47%。

• Everlaw 联合 ACEDS、ILTA 在上周（2026 年 9 月 24 日）刚发布的报告：49% 的法律人已在积极使用生成式 AI，比上一年高 12 个百分点；而且 AI 只用了 4 年就达到了云端电子取证软件花了 12 年多才达到的普及度。报告里另一个细节是，自称每周能省下 5–10 小时的人，占比翻了一倍多。

注意，不同报告口径差异很大（有的统计”用过”，有的统计”积极使用”），所以别盯着某一个绝对值，看趋势——所有口径都在一年内大幅跃升。

但真正让我觉得”这里有机会”的，是下面这张图：

 

同一份 8am 报告里：个人使用率 69%，但只有 46% 的律所在机构层面部署了通用 AI 工具；43% 的律所既没有 AI 政策、也没打算制定，真正有书面政策并且在执行的只有 9%。 汤森路透《2026 专业人士的未来》报告（覆盖 62 个国家、1816 名专业人士）则发现，74% 的人每周多次使用 AI，44% 每天多次使用，但 91% 认为自己所在的组织没能把 AI 的价值发挥出来。

用量化的话说，这叫市场无效。

当组织层面还没形成统一打法的时候，个体之间的差距就会被急剧放大。同样一个所、同样的案子，有人用 AI 一天干完三天的活还不出错，有人用 AI 捅了娄子，有人压根不用。考核排名拉开，就是这么来的。

---

二、一个”逆袭”的样本

先说明：下面这个故事是我根据几位法律助理朋友的经历合成改编的，人物是虚构的，但每个做法都是真实可操作的。

小林，某中型律所争议解决团队的助理，本科非法学、法考两次才过，入所时在同批助理里评价垫底——检索慢、文书改稿轮次多、周末经常被叫回来补材料。

一年后，她在所里的季度助理考评里拿了第一。律师给的评语里有一句很有意思：”她交上来的东西，我不用再核一遍。”

注意这句话。她赢的不是”快”，是”可信”。

很多人以为用 AI 的优势在速度，其实在法律这行，速度只是入场券。真正值钱的是：你用 AI 省下的时间，拿去做了什么？

小林的做法拆开来就三件事：

1. 把重复性工作（检索、摘录、初稿、纪要）交给 AI，压缩到原来的三分之一时间；

2. 把省下的时间里相当一部分投入到核验——每一个案号、每一条法条、每一个日期都回到权威数据库里核对；

3. 剩下的时间，用来做律师看得见的高价值工作：梳理争议焦点、做证据时间线、沉淀团队模板。

下面这张图是我按她的描述估算的一周工时变化（示意图，非调研数据）：

 

你会发现一个反直觉的地方：用了 AI 之后，花在”核验复盘”上的时间反而大幅增加了。 这不是效率损失，这是她拿第一的核心原因。

---

三、从量化带过来的三条心法

心法 1：先风控，后收益

量化圈有句老话：先活下来，再谈收益。一个策略年化再高，一次爆仓就归零。

法律 AI 也一样。你用 AI 一年省了 300 小时，一次提交了虚假案例，所有积累清零，还可能连累律师和律所。

这不是危言耸听，看数据：

 

HEC Paris / 巴黎政治学院的研究者 Damien Charlotin 维护着一个全球公开数据库，专门收录”法院认定当事人使用了 AI 幻觉内容”的裁判。2025 年年中大约 200 起，2026 年 1 月 719 起，4 月初 1227 起，6 月中旬 1624 起——而截至本文写作时（2026 年 9 月下旬），已经超过 2000 起。曲线不是在变平，是在变陡。

处罚也在升级：2026 年一季度，美国法院针对 AI 幻觉文书开出的罚款合计超过 14.5 万美元，俄勒冈州一起案件单案就接近 11 万美元；已经出现了律师因此被暂停执业的案例。

国内也不是没有。北京通州法院的一起案件被收入人民法院案例库：代理律师向法院提交了两个”高度契合”本案的参考案例，法官按案号一查，内容和真实案件完全对不上。律师承认是反复向 AI 提问生成、未经核实直接写进了代理意见。法院在判决书里对此提出了严肃批评。另一起湖北大悟县法院的租赁纠纷中，当事人提交的水电表照片上居然带着”AI 生成”水印，被法院训诫。

所以第一条心法：AI 的输出永远是”信号”，不是”成交”。 在量化里，模型出信号，风控系统审核后才能下单；在法律工作里，AI 出草稿，人工核验后才能交付。

心法 2：把工作拆成 pipeline，而不是把 AI 当万能对话框

程序员的思维习惯是：一个复杂任务，先拆成若干个输入明确、输出明确的小步骤，每一步可以单独测试。

大多数人用 AI 的方式是”把一堆材料扔进去，问一句’帮我分析一下这个案子’“。这就像写了一个几千行、没有函数、没有测试的脚本——跑出来的结果你根本没法判断对不对。

正确的做法是拆：

案卷材料 → [步骤1] 事实抽取（人物/时间/金额/事件） → [步骤2] 生成时间线，逐条标注出处页码 → [步骤3] 人工核对时间线 ✅ → [步骤4] 基于已核对事实，归纳争议焦点 → [步骤5] 针对每个焦点，在专业法律数据库检索类案 → [步骤6] 人工核验案号、裁判要旨 ✅ → [步骤7] 生成代理意见初稿 → [步骤8] 律师审阅

每一步都有可检查的中间产物。哪一步出错，你能立刻定位；哪一步 AI 做得好，你可以固化成模板。

心法 3：回测你的提示词

量化策略上线前要回测。提示词也一样——别指望一次写对。

小林的做法是：挑三五个已经结案、结论明确的旧案子作为”测试集”，用同一套提示词跑一遍，看 AI 的输出和真实结果差多少，哪里漏了、哪里编了。调好了，再用到新案子上。

这个习惯带来的好处是：她知道自己的工具在什么场景下可靠、在什么场景下不可靠。 这种”知道边界”的能力，才是律师敢把活交给你的原因。

---

四、实操：法律助理 5 个 ROI 最高的场景

场景 1：阅卷与证据时间线（ROI 最高）

诉讼案件动辄几百页卷宗，手工摘录是助理最耗时的活之一。

提示词模板：

你是一名争议解决团队的法律助理。以下是本案的案卷材料（已脱敏）。 请完成： 1. 按时间顺序列出所有关键事件，格式为：日期 | 事件 | 涉及主体 | 出处（文件名+页码） 2. 对于日期不明确或材料之间存在矛盾的地方，单独列出，不要自行推断 3. 不要引用材料以外的任何信息

关键在第 2、3 条：明确要求它标出不确定项、禁止它脑补。 出处页码是为了你核对时能秒定位。

场景 2：类案检索——用专业库，别用聊天机器人”凭记忆”

这是翻车重灾区。通用大模型最危险的地方，就是它会一本正经地给你编一个格式完美的案号。

原则很简单：类案检索用有数据底座、能溯源的专业法律平台（比如北大法宝、威科先行、iCourt AlphaGPT、元典等国内主流法律数据库及其 AI 功能，具体选哪个看你所里采购了什么），通用模型只用来帮你拆解检索关键词、归纳你已经找到的真实案例。

作为程序员，我给朋友们写过一个小脚本，把 AI 输出里所有”看起来像案号”的字符串自动抽出来，生成一张核验清单，逐条去裁判文书网或专业库里核对：

import re text = open("ai_output.txt", encoding="utf-8").read() # 匹配形如（2022）沪01民终12345号 的案号 pattern = r"[（(]\d{4}[）)][\u4e00-\u9fa5A-Za-z0-9]{2,20}?号" for i, case_no in enumerate(sorted(set(re.findall(pattern, text))), 1): print(f"{i}. {case_no} □ 已核验 □ 案号存在 □ 内容与引用一致")

十几行代码，把”靠自觉核验”变成了”有清单核验”。核验不能靠记性，要靠流程。

场景 3：合同初审

让 AI 按照你们团队自己的审查清单（而不是它的”通用理解”）来做第一轮：

请按以下审查清单逐项审查这份合同（已脱敏），每项输出： 条款位置 | 现有表述 | 风险等级（高/中/低）| 修改建议 | 依据 审查清单：[粘贴你们团队的清单] 如果合同中没有相关条款，请明确写"未约定"，不要假设。

把团队的审查清单喂给它，AI 就从”一个泛泛的合同审查员”变成了”一个按你们所规矩干活的实习生”。

场景 4：文书初稿

起诉状、答辩状、律师函、法律意见书的框架和格式部分交给 AI，事实和法律依据部分必须来自你已经核验过的材料。

一个好用的技巧：把核验过的时间线和法条原文一起给它，并明确说”只能使用以下提供的事实和法条”。

场景 5：会议纪要、客户沟通、内部汇报

这是最安全、最容易出效果的场景。开完会把录音转写稿交给 AI 整理成”决议事项 / 待办 / 责任人 / 截止时间”，十分钟出纪要。律师最先感知到你”变快了”，往往就是从这里开始的。

---

五、三条红线：脱敏、核验、留痕

2026 年，国内外关于律师使用 AI 的执业规范密集出台。上海市律师协会今年发布的《律师企业法律顾问服务 AI 应用操作指引（2026）（试行）》讲得很清楚，我归纳成三条：

红线 1：脱敏在前。 指引把脱敏列为使用 AI 的首要环节——客户名称、自然人身份信息、交易安排、商业秘密、争议证据等，输入 AI 之前都要处理。未经授权或安全评估，敏感文件不应上传到公共 AI 平台。实操上最简单的办法：建一张”替换对照表”，把”某某科技有限公司”替换成”甲公司”，输出后再换回来。

红线 2：核验在后。 指引明确提醒，AI 可能编造案例、错误援引法条、忽略例外情形，必须人工复核。新加坡律政部 2026 年 3 月发布的法律行业生成式 AI 指南也是同一个意思：AI 是副驾驶，不是自动驾驶，最终责任不因使用 AI 而转移。

红线 3：判断在人。 AI 输出不能直接等同于法律意见或最终工作成果。作为助理，你还要多一层意识：你交上去的东西，签字担责的是律师。 你核验得越扎实，律师越敢用你。

我再加一条程序员视角的建议：留痕。关键任务保存你的提示词、AI 原始输出和你的核验记录。这既是自我保护，也是你沉淀模板、复盘改进的原材料。

---

六、”拿第一”的真正逻辑

回到标题。法律助理用 AI 逆袭，靠的到底是什么？

我的答案是一个公式：

助理价值 = 产出速度 × 可信度 × 可复用性

• 速度：AI 让所有人都变快了，所以这一项只是及格线；

• 可信度：这是乘数。可信度为零，速度再快也是零。那 2000 多起幻觉案例，就是可信度归零的样本；

• 可复用性：这是复利。小林后来做的最有价值的一件事，是把自己调好的提示词、审查清单、核验脚本整理成了团队共享的模板库。律所层面没有 AI 政策的时候，她的模板库事实上成了团队的”AI 操作规范”。

这就是为什么我说”组织没跟上”是个人的机会。当 43% 的律所连 AI 政策都没有时，一个能把 AI 用得又快又稳、还能把方法沉淀给团队的助理，稀缺性是显而易见的。

最后说一句掏心窝的话。

量化行业这些年，我见过太多人追逐最新的模型、最炫的工具，最后赢的却往往是那些流程最扎实、风控最严格、复盘最勤快的人。工具会过时，今天的 SOTA 模型明年就不是了；但”拆解问题—小步验证—持续迭代—严控风险”这套方法，放到哪个行业都管用。

AI 不会替代法律助理。但会用 AI、且用得让人放心的法律助理，会替代不会用的。