事件概述

OpenAI 官网发布了一篇客户案例，介绍国际律所 Cooley 如何借助 ChatGPT Work 构建自研 AI 产品 GO Public，把智能能力引入 IPO（首次公开募股）流程。

先看 Cooley 的体量：原文提到，2025 年该律所在全球参与顾问了 180 笔交易，交易总额超过 515 亿美元；它在美国发行人侧 IPO 市场已连续十年位居前列，过去 20 多年里参与顾问的风险投资支持型 IPO 数量超过任何其他律所。对这样一家以资本市场业务见长的律所来说，IPO 流程的效率变化具备一定的行业指示意义。

Cooley 首席创新官 David Wang 描述了痛点：”对我们律师来说，工作总是非常繁忙。当有一个 IPO 时，成千上万件事需要持续不断地完成。”

GO Public 的定位是：基于 ChatGPT Work 打造的专有 AI 产品，其 agentic harness（智能体执行框架）负责分析信息，由律师进行审查与验证，最终把工作流汇聚成一个为 IPO 定制的起点材料。

关键技术点

1. 以 Agentic Harness 约束工作流，而非放任自动化

原文明确提到，GO Public 的 harness 为 agent 提供了一个受控工作流，规定了三件事：

  • 哪些步骤可以由 agent 自动执行；
  • 哪些环节必须由律师审查或验证；
  • 各步骤如何整合成最终产出。

这种”可控自动化”的设计，是把 AI 用在受监管专业服务中的典型做法——模型输出不是终点，而是供人类专家审查的中间产物。

2. 从”先例复用”转向”以客户为起点”

原文对比了工作方式的差异：在 GO Public 之前，团队通常从一家可比公司的先例文件入手，再根据客户情况改编；GO Public 则允许从客户本身出发，把客户提供的信息、相关公开来源，以及经过精心策展的先例结合起来，生成一个更贴合具体交易、可供律师审查的起点。

3. 把机构经验”烧进”系统

Cooley 的法律工程师、创新顾问与执业律师共同参与，把律所的资本市场经验转化为一套专有的 agentic 系统。来自以往分析的信息被整理为 David Wang 所称的 “baked-in know-how”（内置的机构知识）。此外，Cooley 与 OpenAI 保持紧密合作，将领域专业知识与 AI 工程能力结合。

4. 目标不是”更快”，而是”speed to quality”

合伙人、全球资本市场组联席主席 Dave Peinsipp 给出的表述值得注意：”重点不是简单地把同样的工作做得更快，而是更早抵达一个扎实的起点，让律师有更多时间运用判断力、质疑披露内容、并对公司最关键的问题进行战略思考。”

原文未说明 GO Public 具体使用了哪个模型版本、部署形态、上下文与检索架构，也未给出任何量化效率指标（如时间节省比例、错误率变化等）。

对数据科学或 AI Agent 落地的意义

第一，”人机分工界面”本身就是产品。 GO Public 的核心设计不是模型能力，而是把流程切分成”agent 自动执行区”和”律师必须审查区”。对任何面向受监管行业的 Agent 项目来说，这种显式的责任划分往往是能否上线的先决条件，技术团队需要把它当作一等公民来设计，而不是事后补丁。

第二，机构知识资产的工程化。 “baked-in know-how” 指向的是数据科学中一个老问题：如何把专家经验从文档和个体记忆中抽取出来，变成可复用、可检索、可验证的结构化资产。Cooley 的做法是先对先例进行”策展”（curation），再接入 agentic 工作流，这与 RAG 系统中”数据质量决定上限”的经验一致。

第三，价值衡量的口径变化。 Peinsipp 拒绝用”同样的活干得更快”来定义收益，而是强调把人类专家时间重新分配到高价值判断上。对 AI Agent 项目的评估指标设计有直接启发：与其只看任务完成时长，不如看”人类注意力被释放到了什么地方”。

第四，跨专业团队的协作模式。 法律工程师、创新顾问、执业律师共同参与系统构建，这类”领域专家 embed 到 AI 工程团队”的组织方式，在金融、医疗等高门槛行业的 Agent 落地中正在成为常见做法。

我的技术点评

这是一篇典型的厂商客户案例，信息密度不低，但也有明显的取舍。有价值的部分在于它披露了受监管行业的 Agent 落地范式：受控工作流 + 人类审查节点 + 策展型知识库。这套组合其实并不新鲜，但由一家顶级律所公开确认自己在生产环境中这样用，说明”AI 做初稿、专家做判断”的分工在专业服务领域已经跑通到可对外讲述的程度。

需要保持审慎的地方同样明显。全文没有给出任何可量化结果——没有时间节省数据，没有质量对比，没有错误率或返工率，甚至连 GO Public 实际服务的交易数量都未提及。所有收益表述都来自律所高管的定性描述。对于想评估这类方案 ROI 的团队来说，这篇文章能提供设计思路，但不能提供效果基准。

另一个值得注意的细节是：原文页面在文末推广了 “Introducing Astra for Law”（同为 2026 年 9 月 17 日发布）以及销售咨询入口。这提示该案例带有明确的市场推广意图，并且 OpenAI 在同步推进法律垂直方向的产品线。原文未说明 Astra for Law 与 GO Public 之间是否存在技术或产品上的关联。

从工程视角看，我最关注的反而是那句被轻描淡写的话——harness 明确规定了”哪些步骤 agent 可以自动执行，哪些必须由律师审查”。在司法管辖区对律师职业责任有硬性要求的背景下，这个边界划定本身就是最难的部分，也最不可能靠模型能力提升而自动解决。它最终取决于流程拆解、责任归属和数据可追溯性——这些恰好是纯 AI 团队最容易低估的工程量。

原文链接