Legora 用 GPT-6 Astra 在几分钟内审阅 41 份财务文档

OpenAI 于 2026 年 9 月 3 日发布了一篇客户案例，介绍了欧洲初创公司 Legora 如何利用 GPT-6 Astra 优化其法律与专业工作流。Legora 是一个面向法律与专业工作的智能体操作系统，目前有超过 10 万名专业人士使用，覆盖 50 多个市场的 1800 多个法务部门和律师事务所。该案例聚焦于一项极其繁琐的财务工作——财务报表勾稽（financial-statement tie-out），并展示了 GPT-6 Astra 在准确率、完整性和可靠性方面的显著提升。

事件/产品概述

Legora 的客户工作流中有一项称为“financial-statement tie-out”的任务：需要将草拟报表中的每一个数字逐一对照试算平衡表（trial balances）、合并明细表（consolidation schedule）以及上一年度报表，直到每一项都核对一致。Legora 法律工程师 Percevale Perks 表示，这项工作“通常要花上一整晚，有时甚至好几天”。

使用 GPT-6 Astra 后，Legora 的 Agent 在一次运行中完成了 41 份文档的勾稽工作，耗时仅 几分钟。Agent 检查了每个余额与其支持明细表的一致性，识别出金额断裂点，并记录了每一项检查结果。最终，GPT-6 Astra 找到了 Legora 预先植入的全部 4 个错误（包括收入注释中隐藏的一笔 50 万英镑差额），并在 Legora 的内部基准测试中，将财务报表工作流的性能提升了近 40%。

值得注意的是，Legora 将最终判断权保留给法律专业人士。Agent 负责大量重复性比较与核查，而人类专家负责对每个结果进行最终决策。这种人机协作（human-in-the-loop）的模式，也是 Legora 从法律工作向审计、税务、合规和风险领域拓展的核心策略。

关键技术点

大规模文档处理能力：GPT-6 Astra 能够一次摄入并消化 41 份复杂财务文档，提取大量明细项目与数字，并在单次 Agent 运行中完成系统性检查。Perks 指出，前后最大的变化在于“处理能力”——能摄取如此庞大的文档量、消化极其复杂的信息，并获取所有不同细项和数字。
Agent 工作流设计：Legora 的 Agent 将工作流拆分为“检查每个余额 vs. 支持明细表”“记录每个检查结果”“保留所有正确项”等步骤。最终输出的是一个包含每个细项和数字的细粒度审核记录，供法律专家审阅。
准确率、完整性与可靠性提升：Legora 使用自有的 Agentic Reasoning 基准（Legora Benchmark for Agentic Reasoning, BAR） 对 GPT-6 Astra 进行评估。BAR 衡量的是基于真实场景的端到端法律任务性能。在财务报表勾稽任务中，GPT-6 Astra 比上一代模型提升了近 40%；而在 BAR 的全部任务中，平均提升约 3%。具体到本次任务，GPT-6 Astra 不仅找出了全部 4 个植入的错误，还保留了上一代模型所有正确执行的检查，并额外完成了约 50 项检查。
与人类专家协作的边界：系统设计明确区分了“Agent 执行比较/记录”和“专家做判断”的边界。最终决策权不在模型手上，而是在法律专家手中——这有助于在高风险领域建立信任。

对数据科学或 AI Agent 落地的意义

这个案例展示了 AI Agent 从“文本生成”走向“复杂工作流自动化”的真实潜力。对数据科学和 AI 工程而言，有几点值得关注：

长尾、枯燥、高价值的重复性任务是最佳落地场景：财务报表勾稽这类任务需要高精度和极高耐心，且人力成本高昂。Agent 擅长做海量一致性检查，而人类的优势在于专业判断。这种互补关系正是 Agent 落地的典型范式。
评估基准的设计直接反映业务价值：Legora 提出的 BAR 基准，不是简单的问答或代码生成，而是针对真实法律工作流设计的端到端评测。只有把评估指标和真实业务结果（如错误发现率、检查覆盖度、耗时）绑定，才能有效衡量模型改进。
人机协同的架构应当成为默认设计：Legora 强调最终判断由法律专家负责。将 Agent 用于“穷举比较”和“留痕记录”，可以显著降低专业人士的工作负担，同时规避完全自主决策带来的合规风险。
巨大的性能差异可能出现在特定领域任务上：GPT-6 Astra 在财务报表工作流上提升近 40%，而在全任务中平均只提升约 3%。这说明，不同任务的瓶颈差异极大，当模型上下文窗口、推理能力和长文档处理能力大幅增强时，某些以前无法完成或错误率高的任务会突然变得可行。

我的技术点评

这则案例的有趣之处，不在于“AI 能处理文档”，而在于它如何把边界感处理得非常好。

首先，Agent 一次性处理 41 份文档并保留完整审计轨迹（每个检查项都记录在案），这种做法比单纯给出“最终答案”更有价值。对于法律、审计、财务这类要求可追溯性的行业，过程透明度往往与结果正确性同样重要。Legora 将“逐项核对”作为 Agent 的核心任务，并输出“每条细项的核对记录”，是一个很聪明的工程设计。

其次，近 40% 的提升与全任务均值 3% 的提升形成了鲜明对比，这提示我们在评估大模型能力时，不能用通用基准代表所有任务。一个模型可能对普通任务只有小幅升级，但对“超长文档 + 数字推理 + 多步骤比较”这类此前难以完成的组合任务，会产生质的飞跃。这里的 40% 很可能不是“模型变聪明了”，而是“模型的容量（缩放能力）终于突破了某个任务的可行性门槛”。

最后，我对“全部 4 个植入错误均被找到”这一结果保持审慎认同。植入错误本身是人工设计的，可能与真实世界中的错误模式有差异。但即便如此，能够在几分钟内处理数十份财务报表并保持高覆盖率，已经比纯人工处理在速度上有了数量级优势。原文未说明该测试的重复次数、随机性控制以及错误植入的具体方法，因此在泛化性上仍需更多证据。不过，从工程角度看，Legora 选择的“Agent 做检查、人做判断”的流程，是当前法律科技落地中相当务实的一条路径。

原文链接

🔗 Legora reviewed 41 documents in minutes with GPT-6 Astra | OpenAI

原文发布时间：2026-09-03
来源：OpenAI News