先看证据

Legora于2023年在斯德哥尔摩创立。关键事实
自家法务审阅NDA占用从约20%降至不足1%，降幅逾95%。关键事实
一家财富100强客户合同周转时间缩短90%。关键事实
同一客户称外部诉讼及尽调支出节省逾2000万美元。关键事实
同一客户每位律师每周腾出9.5小时。关键事实
Tabular Review可在数分钟分析数千份合同。关键事实

一份案例，两组令人不安的数字

OpenAI在2026年10月28日发布了一篇关于Legora的客户案例。Legora是2023年成立于斯德哥尔摩的法律AI公司，CEO Max Junestrand称它正在构建“法律工作的代理式操作系统”。案例给出了几组数字：Legora自家法务团队审阅NDA的产能占用从约20%降到1%以下；一家未具名的财富100强客户合同周转时间缩短90%，每位律师每周腾出9.5小时，外部诉讼与尽调支出节省逾2000万美元。

这些数字之所以值得技术负责人停下来读，不是因为它们高，而是因为它们指向一种不同的自动化叙事：不是让模型直接给出法律结论，而是把原本因人手不足只能抽样做的工作扩展到全量，再让律师回到判断环节。理解这个区别，比记住95%这个数字重要得多。

但同样需要正视的是，这些数字全部由OpenAI发布，客户名称、统计周期、计算口径和是否经过独立审计都未披露。它们能说明Legora在做什么，不能说明它在所有法务团队中普遍有效。

规则先于模型：NDA审阅为什么能被压到1%

Legora总法律顾问Emma Kadri Bergström的做法值得拆开看。她的团队先分析了公司历史上签署过的NDA，据此建立一套审阅规则，再由系统对新进NDA做第一遍处理，标出超出可接受参数的条款。这里的关键不是模型多聪明，而是把过去积累的合同判断固化成可执行的筛选标准，让机器承担“逐条比对参数”的机械部分。

NDA恰好是这类改造的理想对象：模板化程度高、条款类型有限、判断标准相对明确。材料称这项“无聊的文档”审阅此前约占法务团队产能的20%，上线后降到1%以下。更准确的理解是，这部分产能被释放出来，而不是整个法务团队提效95%。

这个区分对任何准备复制该路径的团队都重要。如果你的合同类型高度定制、条款边界模糊，把历史合同转成规则这一步本身就会吞掉大量律师时间，收益远没有那么快出现。

批量审阅的工程侧：并行调用与结果回填

Legora的Tabular Review是另一条更依赖工程能力的路径。按OpenAI案例的描述，它可以针对大量合同同时提出多个问题、提取条款信息，在数分钟内分析数千份合同。微软在2025年5月的一篇客户案例中给出了更早的实现线索：多智能体、检索增强生成以及并行调用模型API，当时称可发起数万次并行调用。

两个来源的口径不同，不能直接合并成一个实测指标。但它们共同说明一件事：批量法律审阅的瓶颈不只在模型推理质量，还在调度、并发、结果聚合和可追溯性。数千份合同同时被问同样几个问题，输出如何结构化、如何让人快速定位到原文，是产品设计的核心工作量。

这也解释了为什么Legora强调“操作系统”而非“模型”。模型能力是上游供给，真正构成壁垒的是把模型输出嵌入律师日常使用的文档工具和研究流程。微软案例提到Word和SharePoint集成，OpenAI的插件说明则称用户可在ChatGPT中调用Legora的法律研究能力，获得带链接的回答，并可回到Legora查看引文、来源和审计信息。

谁在把关：代理扩大范围，律师保留解释权

材料呈现的并购尽调流程是：代理先审阅合同、提取信息，律师再复核并解释输出。这个顺序不是礼节性的，而是当前法律AI产品能够被接受的前提。合同里的异常条款往往需要结合交易背景判断，模型可以标出“偏离标准”的地方，但无法替客户决定这个偏离是否可以接受。

因此“更高质量”“更广分析”这类说法，在公开材料里属于受访者评价或产品主张，没有附准确率、错误率或对照实验。技术负责人读到这些词时，应当把它理解为产品方向，而不是已证实的普遍效果。

可追溯来源在这个场景里也不是附加功能。带链接的回答、可回查的引文和审计信息，是律师愿意把机器输出纳入工作流、并为之签字负责的条件。没有这一层，批量审阅扩大的只是待复核的工作量。

两条链路不要混：内部编码代理不是法律质量

案例里还有一组容易被误读的数字。Legora CTO Jacob Lauritzen称，工程团队借助编码代理可以同时探索20种方案，并在数日内挑出最优；排查故障时，编码代理能搜索数百万行日志，有时约5分钟就能从故障报告推进到可用修复。这些是公司高管对内部研发案例的描述，不是普遍保证。

这组效率与法律产品的效果是两条不同链路。前者加速试错和修复，改变的是软件交付速度；后者扩展审阅范围，改变的是律师能覆盖多少工作。把“5分钟修复”和“合同审阅更快”放在同一个提效叙事里，会模糊真正需要验证的东西。

对准备引入类似工具的法务或工程团队来说，更稳妥的做法是分开度量：工程侧看从想法到原型的周期和故障恢复时间，法律侧看审阅耗时、覆盖范围和人工复核质量。

边界与可执行判断

还有一层背景材料没有交代清楚：微软2025年的案例称Legora使用Azure OpenAI服务，并列出GPT-4o、o1等模型；OpenAI 2026年的案例称OpenAI是核心模型提供方，却没有说明当前具体模型、各模型分工或部署架构。公开资料没有提及Legora是否仍由Azure承载模型调用、是否同时使用其他模型，或OpenAI是否为唯一供应方。这不构成冲突，但提醒读者：案例是供给方叙事，技术栈细节并不完整。

对资深法务团队而言，更实际的起点是挑选规则明确、量大且过去常因产能被抽样处理的合同审阅或尽调场景，验证AI能否扩大覆盖面，再把律师时间转向异常判断与交易策略。衡量时把审阅耗时、覆盖范围和人工复核质量分开看，不要用NDA工时下降代替整体法务提效。

而“代理式操作系统”目前仍是一个定位，不是公开的技术规格。权限控制、自动化边界、哪些步骤必须由律师确认，这些决定平台能否被信任的细节，材料里都没有展开。在这些问题有答案之前，任何关于法律AI重塑行业的判断都应当保留余地。