先看证据
合同审查的难点，不止是读懂条款
OpenAI 于 2026 年 10 月 15 日介绍了与 Sullivan & Cromwell（S&C）合作开发的 Agreement Analyzer。这是一款供律师审查协议草案、识别潜在问题的 AI 工具，面向的不是简单校对，而是把条款放回法律和交易语境中判断。律师需要比较相关先例，考虑律所经验和客户优先事项，还要留意合同不同部分之间的牵连。
这正是这类工具值得技术负责人细读的原因：模型能否找出一段文字，与它能否支持一项可采纳的法律判断，是两个不同的问题。Agreement Analyzer 的设计试图把先例、谈判立场和草案放在同一流程中，让模型产出成为律师工作的输入，而不是最终答案。它体现的变化不是“AI 接手合同”，而是机构知识开始被编排进一套可操作的审查过程。
工作流把机构知识变成审查输入
律师提交草案后，可以加入自己挑选的先例、记录律所和客户立场的谈判手册，以及关于市场做法的信息。工具整合了 S&C 的工作流程、精选先例、谈判手册和 ChatGPT Enterprise，再从不同角度进行多轮审查。它会比较先例中的对应条款、追踪条款之间的相互作用，并把分析整理成备忘录和建议的跟踪修订，交由律师检查、调整或拒绝。
这套输入结构决定了工具的价值不只取决于底层模型。合同条款是否可接受，可能随客户目标、特定交易和相关先例而变化。换句话说，先例不是可以不加筛选地塞进系统的背景资料，谈判手册也不是脱离个案即可执行的规则。对技术团队来说，关键问题是输入是否适用于当前审查，以及输出能否把一项发现清楚连回所依据的材料。
可追溯性比代理数量更能说明可信度
S&C 合伙人 John Savva 强调，涉及市场做法的判断应能看到来源。公开介绍还描述了一种对抗式审查：有代理提出结论，其他代理再对结论提出质疑。结果会区分经质疑后仍成立的发现、被否定的发现，以及带有限定说明但尚未核实的问题。律师可以继续查看解释和相关先例，再决定哪些发现应进入最终修订。
这是一种有用的输出设计，因为它不把所有提示都包装成同等确定的答案。不过，多代理之间互相挑战，并不自动构成独立事实核验，也不能替代对证据质量的判断。更重要的是，材料把并行检查市场偏离、风险分配、条款互动和可能影响诉讼的歧义等内容描述为潜在用例，不能据此认定这些检查都已在实际审查中启用。现有介绍也没有说明市场做法信息来自哪里、是否具有代表性，或如何处理与当前交易不匹配的先例。
从单人原型走向多人使用，考验的是流程
Agreement Analyzer 最初并不是一个完整的律所应用。Savva 先用 Codex 做了单人概念验证，随后与 OpenAI 合作改进输出质量和并行处理能力，并把工具扩展到可供多名律师同时使用。时间线能够说明它经历了从个人试验到机构内部工具的转变：该工具于 2026 年 9 月 17 日在 OpenAI 法律行业峰会上演示，S&C 次日发布合作公告，OpenAI 于 10 月 15 日发布案例介绍。
这条路径提示了一个常被模型能力讨论掩盖的问题：原型能工作，不代表组织中的审查流程已经可靠。多人使用还意味着工具需要融入现有工作方式，让不同律师能看懂输入、追查依据并处理建议。公开材料称工具供 S&C 内部使用，也提到准备扩大部署，但没有说明它已经对外销售或被其他律所采用。因此，不能把“扩展为多人可用”误读成经过更广泛市场验证。
业务收益和治理边界仍需实证
现有材料介绍了工具的工作方式，却没有给出审查准确率、节省时间、使用人数、处理合同数量、成本或投资回报，也没有提供与律师人工审查的独立对照。因而，不能据此判断它是否更快、更准确，或是否已经改善客户结果。S&C 对工具的定位是帮助律师做更深入的分析、把注意力放在更需要判断的部分，这是一项业务主张，不是公开数据已经验证的结论。
考虑构建类似系统的团队，可以先把主张拆成能核查的工作结果：律师是否能追溯每项发现的来源，哪些问题被遗漏或误报，审查耗时是否变化，以及律师最终采纳、修改或拒绝建议的情况如何。还应单独确认客户合同数据的留存、访问权限和隔离方式，并弄清市场信息的来源与适用范围。公开介绍没有披露这些治理细节。Agreement Analyzer 提供了一个将机构知识嵌入审查流程的设计样本，但律师仍承担判断与取舍，真正的收益也必须靠实际评测证明。