Legora 与 OpenAI：为法律工作构建 Agentic 操作系统
事件/产品概述
OpenAI News 于 2026 年 10 月 28 日发布案例文章，介绍法律 AI 公司 Legora 如何基于 OpenAI 模型、ChatGPT 和 Codex 构建其所谓的“法律工作 Agentic 操作系统”。
Legora 成立于 2023 年，总部位于斯德哥尔摩。CEO 兼联合创始人 Max Junestrand 将公司目标描述为：让世界上的每一份法律工作都能运行在 Legora 平台上。文章称，OpenAI 从早期就是 Legora 的关键模型提供商，GPT‑3.5 的发布是许多法律用例变得可行的节点。目前 Legora 使用 OpenAI API、Codex 和 ChatGPT，覆盖 agentic legal work 与大规模文档审查等核心工作流。
文章给出了一组结果指标：
- Legora 内部法律团队审查 NDA 的时间减少 95% 以上，从此前约占团队容量 20% 降至 1% 以下；
- 一家 Fortune 100 客户的合同周转时间缩短 90%；
- 同一客户在外部诉讼和尽职调查上节省超过 2000 万美元；
- 每位律师每周释放 9.5 小时用于更高价值工作。
关键技术点
1. 以工作流为中心的 Agentic 法律平台
Legora 的定位不是单点问答工具，而是把 AI 嵌入律师日常依赖的工作流。原文提到，其平台由 OpenAI 模型驱动，覆盖 agentic legal work 和 large-scale document review。CEO 的表述是“on tap”的法律服务能力，即按需提供法律工作支持。
2. NDA Playbook 与合同初审自动化
Legora 总法律顾问 Emma Kadri Bergström 介绍了 NDA 场景：团队分析历史上签署的协议，构建一套 playbook，让系统对 incoming NDA 做第一轮审查，并标出超出可接受参数范围的条款。该工作流将 NDA 审查占用的法律团队容量从约 20% 降至 1% 以下。
3. Tabular Review：跨合同、跨问题的批量审查
全球法律工程负责人 Alex Fortescue-Webb 提到，传统尽职调查受时间和成本约束，团队往往只能深度审查最有价值的合同。Legora 的 Tabular Review 工作流可以在几分钟内针对多个问题分析数千份合同，使律师能够把细致审查应用到更广的合同范围，从而发现此前可能落在人工审查子集之外的风险。
4. Codex 进入工程侧：并行原型与快速排障
CTO Jacob Lauritzen 表示，编码 Agent 改变了工程团队验证想法的方式：团队可以同时探索 20 个解决方案，并在几天内选出最佳路径。在问题诊断方面，编码 Agent 可以搜索数百万行日志并同时追踪多种可能原因，有时能把从 bug 报告到可用修复的时间压缩到约 5 分钟。
5. ChatGPT 插件与内部 AI-native 运营
Legora 通过 Legora plugin for ChatGPT，让法律团队可以在 ChatGPT 对话中使用 Legora 的能力。同时，Legora 内部也在使用 ChatGPT Work、Codex 以及原文提到的 dots（原文未对 dots 作进一步说明）。Junestrand 强调，公司希望尽可能保持 AI-native。
6. 信任设计
文章在领导力经验部分提出“Design for trust”：从开始就把评估、测试和透明度构建到体验中。原文未说明 Legora 具体的评估方法、测试集构造或透明度实现细节。
对数据科学或 AI Agent 落地的意义
这个案例对 AI Agent 落地有几个直接启示。
第一，Agent 的价值不只是“把同一件事做快”，而是扩大可分析范围。Tabular Review 在几分钟内处理数千份合同，改变的是审查覆盖面和风险发现概率，而不仅是单份合同的阅读速度。对数据科学团队而言，这意味着 Agent 产品的评估指标应从“单任务耗时”扩展到“覆盖广度”“遗漏风险”“人工复核负担”等维度。
第二，垂直 Agent 需要领域 playbook 作为约束层。NDA 场景中，Legora 先分析历史协议、构建可接受参数，再让系统做第一轮标记。这类结构化规则与模型能力结合的方式，比纯端到端生成更接近法律工作的可审计要求。
第三，编码 Agent 可以同时服务产品与内部运营。Legora 一方面把 OpenAI 模型用于客户产品，另一方面用 Codex 做并行原型、日志诊断和快速修复。对 AI 原生公司来说，Agent 落地不只是交付给客户的功能，也包括研发流程本身的重构。
第四，采用策略值得关注。原文给出的经验包括：领导者先用（超过 75% 的领导者活跃使用 Legora 时，组织中位使用率高出 3 倍）、从问题出发、建设内部 champion 网络、随模型进步准备重建产品假设，以及从开始就设计信任。这些更偏组织落地，而非单纯模型选型。
我的技术点评
Legora 的案例本质上是一个垂直领域“Agentic OS”叙事：把模型能力封装进法律工作流，而不是停留在通用聊天入口。文章给出的指标很有说服力，尤其是 NDA 审查容量占比从 20% 降到 1% 以下、每位律师每周释放 9.5 小时，这类指标比单纯“生成速度提升”更接近业务价值。
技术上，最值得关注的是两点。一是 Tabular Review 代表了一种可复用的 Agent 模式：把“多文档、多问题、批量分析”做成结构化工作流，再由律师复核输出。这与数据科学中的批量推理、结构化抽取和人工-in-the-loop 评估天然契合。二是 Codex 在工程侧的使用方式——并行探索 20 个方案、搜索数百万行日志并在约 5 分钟内完成修复——说明编码 Agent 正在成为研发组织的效率杠杆，而不仅是辅助补全工具。
需要保持谨慎的是，原文没有披露模型版本、评估基准、幻觉控制、数据隔离与合规架构等关键细节。法律场景对准确性和责任边界要求极高，Agent 输出如何被验证、错误如何追溯、哪些环节必须由律师签字，这些决定了系统能否真正规模化。原文提出的“Design for trust”方向正确，但具体实现仍待更多信息。
总体来看，Legora 展示了一条清晰路径：以领域工作流为产品边界，以模型能力为执行引擎，以人工复核为质量控制，再以内部 AI-native 运营反哺产品迭代。对 AI Agent 落地而言，这比单纯追求“全自动”更现实，也更容易形成可度量的业务闭环。
