先看证据

$550M Series E announced at an $8.8B valuation.关键事实
Reached over $100 million in ARR in less than 18 months.关键事实
Serves over 1,800 customers.关键事实
Employs around 100 legal engineers.关键事实
Simulates tasks like a 10,000-file data room review.关键事实

把机制串起来

输入先把素材压到可处理的规模

AI Agents, Large Language Models (LLMs), Reinforcement Learning (RL), Software Engineering.

机制再把计算集中到关键步骤

Legora simulates real-world legal tasks using RL environments, as direct access to client data for training is restricted due to confidentiality. They employ legal engineers (lawyers with tech backgrounds) to build these simulations. Failur

结果最后落到可验证的工作结果

['Effective for tasks like contract review and due diligence across thousands of files.', 'Requires careful setup and simulated environments for evaluation due to data sensitivity.', 'Best suited for firms experiencing pressure to increase

AI 赋能法律工作，模式遇挑战

Legora，一家估值高达 88 亿美元的 AI 公司，正通过其 AI 助手深刻改变法律行业。该公司 CTO Jacob Lauritzen 强调，虽然 AI 极大地提升了法律工作的效率，但其核心业务模式——按小时计费——正面临前所未有的张力。当 AI 工具能让律师更快完成工作时，总计费时间反而可能减少，直接冲击了律师事务所的收入来源。这一矛盾促使行业重新审视固有的盈利模式。

这种效率提升的挑战，迫使法律服务提供者开始探索新的收费方式。美国市场已经出现将部分常规工作（如小型合同审查）转向固定项目费用（flat project fees）的趋势。一些律所甚至愿意免费承担此类服务，以维护客户关系。收入重心正在向 M&A、诉讼等高复杂度、高价值的领域转移，以及律师与客户之间深度互动的时间。

数据隐私困境：AI 评估的“黑箱”难题

法律行业的极端敏感性，尤其是客户数据的保密要求，为 AI 模型评估带来了巨大挑战。Legora 无法像许多其他 AI 公司那样，通过读取用户交互的“Trace”（执行痕迹）来优化模型，因为绝大多数用户上传的内容都属于高度机密，甚至是客户的知识产权。这意味着传统的基于实际数据反馈的迭代方式几乎不可行。

为解决这一难题，Legora 创新性地构建了一个由专业团队驱动的模拟评估环境。这个团队由三名 AI 工程师和三名资深律师组成，他们设计了复杂的 RL（强化学习）环境，来高度仿真客户的实际工作场景。例如，一个典型的仿真场景可能包括在一个包含 10,000 份文件的“数据室”中进行尽职调查，并要求 AI 生成一份能准确识别关键“红旗”问题的报告。通过这种方式，Legora 能够量化和分析 AI 在不同法律领域和任务上的表现，并绘制出详细的“热力图”来识别模型的强项和弱项。

技术选型与落地：Azure 的优先选择

在基础设施层面，Legora 的技术选型受到法律行业严苛的客户接纳标准和安全协议的直接影响。在 Legora 成立初期，法律行业客户对公有云服务商普遍持谨慎态度，特别是 AWS 和 GCP，而微软的 Azure 凭借其与 Microsoft 365 生态的深度整合以及早已获得的法律行业审批，成为了 Legora 的首选平台。

这种供应商锁定效应，叠加法务合规的刚性需求，使得 Legora 在其生产环境的部署和模型选择上，必须严格遵循 Azure 生态的规范。公司内部将模型失效模式细分为 10 到 20 种已知类型，并通过“功能开关”（feature flags）机制，在这些模式下运行低成本的 LLM（大语言模型）进行检查。这种精细化的质量控制和成本管理策略，是 Legora 在保障服务可靠性的同时，维持其快速增长和大规模扩张的关键。

模型选择与微调：从通用到专精

Legora 在模型选择上曾一度抵制“模型选择器”（model picker）的引入，倾向于由公司内部决定最佳模型。其理念是，不应让律师用户承担选择“Sonnet-high”还是“Opus-mid”这类模型配置的决策负担，而是 Legora 的责任是在质量、成本、延迟、治理和区域可用性之间找到最优平衡点。

然而，随着业务发展，Legora 认识到模型的多样化处理能力。目前，AI 已能很好地处理约 60% 的法律工作，此时优化重点在于成本和延迟。而对于涉及百万 Token 级别合同的复杂分析和编辑等任务，仍需要更高智能的模型。为此，Legora 开始对一些开放权重模型进行特定任务的后训练（post-training），如专门用于法律研究。但他们明确表示，暂无计划自行训练前沿模型（frontier model），而是专注于利用和优化现有模型能力。

AI 助力的法律未来：效率、计费与人机协作

Legora 的发展不仅关乎技术突破，更触及法律服务业的根本。Jacob 认为，AI 已经能出色地处理约 60% 的法律工作，这部分工作正在从按小时收费转向项目制收费，促使行业效率提升。即使面临模型幻觉（hallucinations）等问题，Legora 也通过为 AI 生成的每一项输出都附带引用（citation）来增强可信度。

更重要的是，AI 的引入并未取代初级律师或律师助理，反而让他们变得更加宝贵。就像工程领域一样，优秀的初级人才，在 AI 的加持下，能够完成远超以往的工作量，从而更具价值。Legora 的经验表明，AI 在法律领域的应用，正在重塑工作流程、商业模式，并催生一种新型的、更高效的人机协作范式，为法律服务的未来开启了新的可能性。