先看证据
从逐份深审转向先扩大覆盖
OpenAI在2026年10月28日发布的案例介绍了Legora：这家2023年创立于斯德哥尔摩的公司，正在为法律团队构建一套以AI代理为核心的工作平台，目标是把合同审查、尽调等日常工作纳入可执行的工作流。它面向的不是法律判断本身，而是时间和成本有限时，团队无法深入检查所有材料的问题。
这一区别决定了应该怎样理解Legora的主张。法律团队通常不缺需要处理的文件，缺的是足够的时间逐份筛查；如果代理能先扩大初筛范围，律师就能把精力集中在异常条款和需要解释的风险上。改变的因此不只是速度，也可能是原本因资源不足而没有被细看的材料有多少能进入审查。
“操作系统”更像一层工作流编排
Legora把产品称为法律工作的“代理式操作系统”，但公开材料更具体地支持一种工作流编排层的理解，而不是一个替代律师的单一模型。律师描述目标并提供材料后，Workflows可以规划步骤、调用工具和数据源；一个流程可以结合表格审查、网络搜索与法律数据库中的引文核验，再汇总风险、起草报告。
底层任务也不止一种。微软2025年的客户材料称，Tabular Review会并行调用模型，从大量文件中提取条款或回答问题，AI Agents则通过检索增强生成在多份文件中查找信息；Legora还提供Word集成。Legora的ChatGPT插件可以返回研究结果并跳回平台查看引用、来源和审计信息。对技术负责人来说，重要设计问题不是代理能不能写出答案，而是每一步用了什么材料、结果能否回到依据，以及律师如何复核。
案例数字说明了潜力，也说明不了普遍性
Legora提供的数字值得看，但必须连同适用范围一起读。公司总法律顾问估计，团队过去用于审查NDA的时间约占产能的20%，建立审查规则并让系统先处理后，如今低于1%。这是Legora自家法务团队的内部案例，不是不同律所或企业都能复制的平均值。
另一组数字来自一名未具名的《财富》100强客户：Legora称其合同周转时间缩短90%，每位律师每周多出9.5小时处理更高价值工作，外部诉讼与尽调支出节省超过2000万美元。公开材料没有披露基线、计算方法或独立审计结果，因此这些数据能展示潜在规模，却无法单独证明节省来自哪一环，也不能直接推算其他团队的回报。把它们当作验证假设的起点，比当作采购承诺更稳妥。
内部工程提速，不等于法律引擎更可靠
Legora还把AI用在自家工程团队：CTO称，编码代理让团队能并行探索多种方案，并协助搜索数百万行日志排查故障；有时，从问题报告到可用修复约需五分钟。公司表示，这让反馈更快进入产品团队，也让新想法能更早拿给客户验证。
这条效率链有价值，但不能与法律分析能力混为一谈。OpenAI材料提到Legora内部使用ChatGPT Work、Codex和dots，Codex在这里属于研发工具，并没有被描述成面向律师的法律分析引擎。它的影响是间接的：缩短试错和排障周期，或许让客户问题更快得到处理；法律工作流是否准确、引用是否可靠，仍需用自己的评估来回答。
落地时，先审计证据链再谈自动化
技术选型也不应把“由OpenAI提供支持”误读成单一模型或云平台的完整架构说明。OpenAI称其是Legora的重要模型供应商；微软2025年的客户案例则记载Legora使用Azure基础设施和Azure OpenAI Service。两份材料发布时间不同，也可能覆盖不同产品环节，公开信息不足以判断当前每个工作流具体调用哪些模型和云服务。
对考虑引入法律代理的团队，更可执行的判断是先从规则明确、错误易被发现的任务开始，例如按既定条款清单筛查NDA，再检查异常识别、引用回链、审计记录和人工复核是否能嵌进现有流程。只有当团队能量化误报、漏报和复核成本，并确认责任仍由适当的专业人员承担，扩大到尽调等更复杂任务才有依据。批量处理可以拓宽律师的视野，却不能把整理材料等同于法律判断。