今天我们来聊聊AI在法律科技领域中的应用

如何通过AI赋能, 来提升合同智能审查的输出质量

文章会分为三部分进行介绍:　

• 第一部分: 法律科技领域的市场规模与主要的细分领域　

• 第二部分: CLM合同生命周期管理概览介绍以及市场上的主要玩家　

• 第三部分: 分享如何通过AI赋能提升合同审查的输出的质量与准确性　

01

法律科技市场规模&细分领域

1. 法律科技领域的市场规模

法律科技(Legal technology)是指运用人工智能, 大数据, 区块链等技术手段, 提升法律工作效率和质量, 也使法律服务更加普惠, 法律科技领域与法律行业相互促进, 共同发展　

在2024年法律科技领域的全球市场规模超过291.8亿美元, 预计2025-2037年复合年增长率GAGR超过9.6%, 2025年预计市场规模为315.2亿美元　

2. 法律科技的细分领域

法律科技的细分领域主要包括: 　

02

CLM-合同生命周期管理&主要市场玩家

1. CLM-合同生命周期管理概览介绍

Contract Lifecycle Management(合同生命周期管理) , 是增长最快的细分领域之一　

2024年市场规模达到36.1亿美元, 2025-2033年预测的复合年增长率达13.55%　

合同生命周期管理, 是对合同从创建、谈判、合规审查、审批、签署、履约、续约到终止全流程进行系统化和自动化的管理系统, 用于提高合同管理的效率, 把控合同的风险与合规性, 帮助企业高效管理, 降低合规风险与法律风险　

其中合同的合规风险审查, 是CLM中的关键环节, 接下来我们聚焦于CLM中的合规审查模块, 看看如何通过AI赋能, 来识别合同中签在的法律风险和不合规条款, 帮助企业规避合同风险　

以上是两个很直观的案例: 　

• 图一统计了自从2018年5月GDPR生效以来, 截止至2024年9月, 罚款超过了24亿欧元

• 图二统计了在2021-2023年国有企业民事纠纷案件数据统计中, 合同风险成为企业经营的主要风险, 诉讼案件占比高达65%

2. 合同智能审查的主要玩家

合同审查这个细分领域的主要玩家可以分为两类:　

一类是传统的CLM厂商, 在已有CLM的模块中, 做深合同审查的功能模块, 如: 

另一类是AI驱动的智能合同厂商, 如: 　

• LexCheck
• 法大大的“iTerms合同智审系统
• 幂律智能的MeCheck
• iCourt的AlphaGPT

03

如何提升合同智能审查的输出质量?

合同审查这个活是一个既不允许出错又容易出错的“苦差事”　

• 不许出错: 是因为出错后的代价极高, 不出错和规避合同风险是合同审查的核心目标
• 容易出错: 是因为审合同这件事情的专业属性高, 不仅需要具备专业的法律知识, 还需要根据企业所处行业和自身业务情况进行综合判断

所以合同审查最终输出审查结果的准确度至关重要, 直接决定了产品是否可以用　

合同智能审查常规的处理流程是: 　

用户上传需要审查的合同文件 -> 然后系统来进行合同的风险识别与评估 -> 最后生成风险评估结果与修改建议　

其中合同的风险识别与评估是合同审查的关键环节, 可以将其拆分为两个流程节点:　

• 合同信息要素的抽取
• 合同信息要素的审查

这两个流程节点决定了审查的准确性, 合同信息要素抽取的准不准? 抽取后对合同信息要素分析的准不准? 是否能够识别到其中的风险点? 能否给风险进行评级, 能否基于识别到的风险给出修改建议等等, 以上这些问题环环相扣, 都影响着合同审查的输出结果　

1. 模型方面

在模型方面, 像主流的大模型厂商OpenAI, Anthronpic, Meta, 字节, 阿里, DeepSeek等通用模型能力在都不断提升, 同时像PowerLawGLM, LaWGPT, JurisLMs等垂直法律大模型也在不断迭代发展, 随着时间的推移, 模型对信息要素提取与处理的能力肯定会不断地增强　

但模型只是决定了合同智能审查输出质量的下限　

因为大语言模型它本质上是基于概率预测进行内容的生成, 所以“幻觉”问题一直是一个无法避免的问题　

这是斯坦福研究团队对比了不同AI法律工具在输出质量上对于“幻觉”与“输出不完整性”的数据数表现情况　

而合同审查又是一个严肃且不容出错的业务场景, 所以只靠大语言模型本身来做合同审查这项一下复杂的推理任务, 是远远不够的, 所以就进入到下一个阶段: 模型+RAG　

2. RAG 检索增强生成

RAG检索增强生成(Retrieval-Augmented Generation)　

现在只要涉及到垂直领域的智能体应用, RAG几乎是一个标配模块, 用于增强大语言模型的信息输入, 从而提升大语言模型的输出质量　

通过RAG的方式, 能够检索到权威的法律法规与企业自建的风险案例库, 识别到合同中存在的风险隐患后, 再生成针对性的风险提示与修改建议, 确保审查的输出结果有理有据　

如果你想进一步了解检索增强生成, 可以看一下这一期视频内容, 里面有对RAG通俗易懂的详细讲解　

大模型+RAG, 已经在一定程度上提高了合同审查的输出质量, 但是仅做到这一步还不够, 因为合同审查是一个复杂的法律推理任务, 不仅涉及多领域的法律融合, 需要识别出条款间的相互影响, 而且还需识别潜在的法律和商业风险, 权衡交易主体的利益

所以在大模型+RAG的基础上, 还需要再增加一些“工程化”的解决策略　

3. 法律场景下的工程化解决方案

1) 策略一: 人工预设审查规则

审查清单和审查规则是合同审查的基础, 只有知道要审什么, 怎么审, 才能够审对　

不同行业, 不同合同类型, 审查的内容都不同, 要确保审查结果的准确性, 需要企业的法务团队将日常审查工作的Know-How进行结构化的知识梳理, 输出不同合同类型的审查清单与审查规则, 再结合提示词工程的技巧, 让模型更好理解　

常见的方式有两种　

• 第一种是将审查规则与合同类型绑定: 软件服务商将审查清单与审查规则与合同类型进行绑定, 简化用户审查合同的操作门槛, 只需选择对应的合同类型, 即可完成合同审查, 再通过对话式交互与在线编辑的方式, 来修改合同细节

• 第二种是在第一种的基础之上, 新增信息输入的维度, 比如在用户上传完审查合同后, 新增“审查立场”, “审查目的”和 “审查清单”列表, 并且支持用户自定义添加和修改审查目的与审查清单, 通过提供更丰富的审查背景信息, 来提升合同审查的输出质量

2) 工作流来拆解复杂任务

一个复杂的法律推理问题, 其实都是由环环相扣的小问题组成　

刚刚有介绍过合同审查最基本的两个环节, 合同信息要素抽取与合同信息要素审查, 由此就可以推出两个基本的工作流节点 (信息抽取与信息审查)　

当然我们要应用在实际业务中, 还需要做更细致的工作流拆解　

比方说以审查“违约责任”这个审查点为例, 需要先判断合同中是否存在“违约责任”的条款, 然后明确“违约行为”的定义, 接着再审查违约责任的形式(如: 违约金数额计算方式, 损害赔偿的范围, 解除合同的条件等等), 接着再审查免责条款的合法性以及不可抗力条款的关联性, 最终若发现问题, 再提出修改意见, 确保违约责任条款完善, 合法, 有效　

以上这些问题都能通过工作流的方式进行拆分　

如果你对工作流的搭建的方法论感兴趣, 可以查看一下这一期的视频, 里面有关于智能体工作流的搭建方法介