AI時代的超級個體

作者注：
本文是我在第二屆亞洲知識產權人才盛典主題發言的文字整理稿，也是我近期使用AI工具的一些思考，特整理出來，供各位讀者討論、批判。

引子：我們今天談的不是“用AI偷懶”，而是“把手伸得更長”
我想討論的“AI時代的超級個體”，很容易被包裝成一句漂亮的話：聽上去像勵志口號，也像“一個人替代一個團隊”的夸張敘事。但把視線從話術移開，你會看到它對應著一種正在發生的職業現實——當AI成為普遍可得的認知基礎設施之后，個體的能力邊界正在重新定價。它越來越少由組織規模、崗位層級或可支配人力決定，越來越多由一個人能否把AI嵌入自己的工作流決定；更進一步，還取決于你能否用可控、可驗證、可復用的方式，讓AI在關鍵環節持續放大自己的判斷、表達與行動能力。所謂“超級”，并不神秘，也并不等同于無成本地更快，它更像是在同樣的時間與精力約束下，把能力的可達范圍向外推一圈：把手伸得更長——觸達更多信息與結構；把腳跑得更快——更早形成可交付的中間成果；把眼看得更深——更早暴露論證薄弱處、事實斷裂處與風險邊界。換句話說，我們關心的核心問題是：怎樣讓AI穩定地成為一個可控的“能力放大器”，而不是一個讓人短暫輕松、長期失控的“文本生成器”。
1. 從一個非標案件合伙人的視角出發：AI不是標準化應用場景
我之所以選擇從這個角度展開，是因為我的工作長期處在“非標”場景：重大、復雜、疑難知識產權訴訟，尤其是新類型、復雜度高、事實鏈條長、責任后果重的案件。在這類工作里，AI很難被理解為一個“有標準化應用場景的工具包”。原因并不復雜：非標案件的關鍵價值往往不在于把字寫出來，而在于如何界定問題、如何選擇爭點、如何組織證據、如何設計論證路徑、如何預判對抗并控制風險。這些環節高度依賴人的判斷與經驗；更重要的是，每一次選擇都要對外承擔后果，因此天然排斥“照模板套用”。
也正是在這種場景里，AI的定位需要先完成一次去神化。我更愿意用一句貼近工作體驗的表述來概括它：AI不是神，它更像一個很聰明、很勤奮、不要工資、不疲倦、不鬧脾氣，但也挺不靠譜的實習生。它能把材料堆成結構，能把初稿拉出輪廓，能從不同角度提出可能的論證路徑，甚至可以模擬對方的攻擊點；同時，它也可能一本正經地誤讀事實、跳過關鍵前提、編造出處。對法律行業而言，風險并不抽象：錯誤不僅會發生，而且往往很顯眼，代價也往往很具體。因此，真正重要的從來不在于“我用了什么模型、買了什么系統”，而在于在高責任、低容錯、強對抗的專業場景中，AI以何種方式進入工作回路，才能帶來確定性的增益，避免把不確定性以更隱蔽的形式嵌入交付物。
2. “超級個體”的真實含義：能力被放大、速度被提升、邊界被外擴
基于上述前提，“超級個體”這四個字需要被還原為一種工作結構，而不是一種心理暗示。它要求你把AI放置在清晰的責任框架中：你是腦子，AI是手腳。AI可以替你跑腿、替你鋪材料、替你搭框架、替你做紅隊，但它不能替你承擔判斷與責任。當這條邊界被嚴格維護時，AI才更可能穩定地放大你的能力；邊界一旦模糊，AI同樣會放大你的錯誤，并且讓錯誤更難被及時察覺。
于是，“超級”的含義可以拆成三個可被觀察、也可被訓練的維度：
（1）能力被放大：你能在更短時間內處理更大規模、更高密度的材料，并把非結構化信息轉化為可操作的結構，例如大事記、正義點總結、證據清單和論證框架。
（2）速度被提升：你能基于討論和原始材料，更早形成可交付的中間成果——清晰的框架、可討論的初稿、可檢驗的時間軸、可反駁的論證路徑等。
（3）邊界被外擴：你能更快進入陌生領域，補齊必要的背景知識與概念框架，并將其轉化為可用的專業表達與策略工具，但前提始終是“可驗證”，而不是“看起來很懂”。
在這個意義上，AI帶來的變化更接近一次“從工具到范式”的遷移：當信息處理與表達成本顯著下降，真正稀缺的能力發生了位移——不再只是“寫出來”，而是“判斷什么該寫、怎么寫才成立、寫到什么程度才可交付”。換句話說，真正稀缺的能力是“品位”。這也解釋了為什么同樣的AI落在不同人手里會產生完全不同的結果：它不會自動生成專業性，它更像一面放大鏡，把人的專業能力放大——優點會被放大，缺點同樣會被放大。
3. 三段式結構：為什么用、怎么用、用的時候注意什么
基于此，我將分為三部分，和各位討論，為什么用、怎么用，以及用的時候注意什么
第一部分討論“為什么用”：更新對AI的理解，把它從“聊天機器人”和“內容工廠”的窄框里釋放出來，同時正面處理兩類高頻誤區——把AI當代工廠、把AI當權威數據庫，并由此引出human-in-the-loop作為底線的必要性。
第二部分討論“怎么用”：給出一套可遷移的嵌入式用法，覆蓋接案、法律研究、文書起草、談判與合規等關鍵節點，讓AI真正進入“理解—組織—表達—驗證”的鏈條，而不是停留在“生成幾段話”的表層。
第三部分強調“用的時候注意什么”：在專業責任與外部可驗證性要求下，哪些環節必須堅持人控、核驗與可追溯，哪些邊界不能跨越，哪些行為（例如“AI直出直發”）在職業倫理與風險控制上不可接受。
我的目標不是讓讀者“更熱愛AI”。更現實的目標，是讓讀者獲得一種更穩健的能力：在AI成為環境變量之后，仍能把自己訓練成一個可控的放大器——既放大效率，也守住質量與責任。這樣意義上的“超級個體”，才可能被建構、被復制，并被長期迭代。
三段式結構：為什么用、怎么用、用的時候注意什么
AI進入多數人的工作場景，往往是以一種“低門檻、立竿見影”的方式開始的：問答、總結、潤色、起草、改寫。于是我們很自然地把它歸入“更高級的寫作工具”或“更聰明的搜索助手”。這種理解并不完全錯誤，但它過于窄化了AI真正重要的作用點—— AI并不是只在某一個環節替我們寫幾段話，而是在重塑專業工作從信息到判斷、從判斷到表達、從表達到協作與交付的整體鏈條。這正是所謂“從工具到范式”的變化：當生成與組織信息的成本顯著下降，真正稀缺的能力會從“產出文本”轉向“組織結構、驗證結論、控制風險、推進協作”。如果不先把這一點講清楚，后續所有“怎么用”的技巧都很容易滑向兩種高頻誤區——一種是把AI當代工廠，另一種是把AI當神諭數據庫；而這兩種誤區，在高責任行業里都會以更隱蔽、更高密度的方式制造風險。
1. 誤區一：把AI當成“我不想想、也不想寫”的代工廠
第一類誤區最常見，也最容易被“效率敘事”合理化：工作太忙、材料太多、表達太耗時，于是希望AI根據一句話、幾條要點，直接生成一份“可以交出去”的東西。很多人甚至會把這種方式當成AI的核心價值：我不想想，我也不想寫，你替我做完——我最多再改兩下。
問題在于，這種用法在低風險場景可能有效，在高責任場景卻會發生結構性錯配。專業文本不是文字產品，而是經驗判斷的外化。起草一份訴訟文書、合規意見、談判郵件或客戶簡報，看似是在“寫”，本質上是在做一連串選擇：哪些情節重點考慮？哪些證據需要重點補充？文字應該簡要還是詳實？文風應該穩健還是激進？何種觀點對我方整體有利？對方可能從哪里攻擊、我們如何預設回應？法官可能關注什么問題，我們又該如何回答？AI可以把一段話寫得很順，但它無法替你承擔這些選擇背后的后果——更不會對外部世界的對抗、質詢與追責負責。
更隱蔽的風險在于，代工化使用AI會改變人的工作順序：從“先形成判斷，再組織表達”，滑向“先得到表達，再倒推判斷”。當文本先出現，人往往會被它的結構牽引，進入一種“局部修補”的模式：覺得哪里不順就潤色一下，覺得哪里缺點就補幾句，卻不再回到根本層面去重建問題框架。這種狀態在心理上非常省力，但在專業上非常危險——因為你最終交付的不是一份你完全掌控的論證體系，而是一份“看起來完整”的文本拼裝。它可能在關鍵處缺乏支撐、在隱含前提上偷換概念、在引用上出現不可核驗的漏洞。結果往往不是“效率提升”，而是把風險以更高的隱蔽度嵌入交付物之中：短期看不出來，進入對抗就暴露；暴露的那一刻，代價往往是信譽而不是返工時間。
所以，這一誤區的實質不是“AI會不會寫錯”，而是把生成當成完成，把速度當成質量，把輸出當成責任。在法律行業尤其如此：對外交付意味著背書，意味著你要能解釋、能追溯、能承受對方攻擊。AI可以“代工”文字，但不能“代工”責任。
2. 誤區二：把AI當成“神一樣的權威數據庫”
第二類誤區更隱蔽，也更具有迷惑性：即使不讓AI代寫，人也可能在閱讀AI輸出時把它當作權威來源——它說得這么完整、這么自信、這么有條理，應該是對的。尤其當模型給出看似嚴謹的規則歸納、案例引用、學說觀點時，人很容易把“表達的確定性”誤認為“事實的確定性”。
這恰恰是高風險所在。因為AI最強的能力之一，是把語言組織得非常像“權威答案”：結構完整、語氣篤定、邏輯順滑，甚至還能給你配上一串引用。這種輸出在日常交流里可能只是信息偏差，在專業場景里卻會擊穿方法底線：專業結論的可信度，不來自自信，而來自可驗證性。如果一個關鍵結論無法回到規范性法律文件、權威判例或案件原始材料進行核驗，那么它再像真的，也只是“像”。而法律行業恰恰是一個對“像”極其不寬容的行業：錯誤不僅會發生，而且往往很顯眼；一旦顯眼，就不再是文本瑕疵，而會轉化為立場被動、論證失分、甚至職業信譽受損。
在這里，用一句話來定性非常合適：AI不是神，它更像一個很聰明、很勤奮、不要工資、不疲倦、不鬧脾氣，但也挺不靠譜的實習生。你可以讓它幫你做大量前置工作：歸納材料、提出觀點、整理爭點、模擬反駁；但你不能把它當作最終權威，更不能把它提供的“引用”當作可直接對外使用的依據。把AI當神諭，最大的危險不是它偶爾胡說八道，而是它胡說八道時仍能保持專業腔調，從而提高你“誤信”的概率。
因此，第二類誤區的本質不是“AI會不會幻覺”，而是人在方法論上放棄了核驗，用“看起來對”替代“可證明對”。
3. 正確認知：AI帶來結構性影響，正在從根本改變我們的工作方式
當我們把上述兩種誤區剝離，AI的正確位置才會顯現：它既不是“我不想想也不想寫”的代工廠，也不是“神一樣的權威數據庫”，而是一種可以嵌入專業工作鏈條的通用能力——更準確地說，是一種能夠介入“理解—組織—表達—驗證”全過程的推理與語言結構化能力。
它的價值首先體現在結構層面：把非結構化材料轉化為可操作結構，把零散推理轉化為可檢驗論證，把隱性經驗轉化為可復用機制。更重要的是，這種能力會改變協作方式與組織形態：傳統金字塔式分工依賴底層堆材料、上層做判斷，而AI可以在多個層級同時提供支持——既能承擔大量重復性整理與初稿生成，也能承擔“對抗性任務”（模擬反方、尋找漏洞、生成替代路徑）。這意味著，個人對結構與節奏的掌控力被放大：你可以更早得到可討論的框架、更快完成多輪推演、更迅速暴露薄弱環節，從而讓高質量產出不再完全依賴“更多的人力堆疊”。
但這種結構性影響要成立，有一個前提必須被制度化： human-in-the-loop。它不是抽象口號，而是專業場景中確保增益“確定性”的底線安排：你是腦子，AI是手腳。AI可以替你跑腿、替你鋪材料、替你搭框架、替你做紅隊，但它不能替你承擔判斷與責任。判斷權必須由人掌握；關鍵事實、關鍵引注與關鍵結論必須可追溯核驗；對外交付的文本必須由人背書并能承受對抗。只有當AI被放入這樣的責任回路中，它才會穩定地產生生產力，而不是隨機地產生風險。
4. 現實提醒：AI不會取代人，但會用AI的人會取代不會用AI的人
從這個框架出發，“AI不會取代人，但會用AI的人會取代不會用AI的人”就不再是一句情緒化的恐嚇，它更像是對競爭結構的描述：當表達成本下降后，差距的來源發生位移——從“誰能寫得更多”轉向“誰能組織得更好、驗證得更嚴、失誤率更低、對抗準備更充分”。未來更重要的能力，不是產出本身，而是產出背后的結構與方法：更早形成可交付的中間成果，更快完成多輪推演，更穩地守住可驗證性與責任邊界。
因此，你未必會被AI直接淘汰，但你很可能會被那些把AI納入可控回路、并把它變成穩定生產力的人拉開差距。尤其在法律、咨詢、投研、產品、寫作等高度依賴信息處理與表達的行業里，這種差距會呈現得非常具體：更快的節奏、更強的結構、更少的可見錯誤、更穩的風險控制、更強的對抗彈性。換句話說，AI帶來的范式變化并不自動獎勵“用得多的人”，它更傾向于獎勵“用得可控、用得可驗、用得可背書的人”。
風險并存：AI既放大能力，也放大錯誤
AI之所以值得被認真討論，根本原因并不在于它“能做很多事”，而在于它對專業工作具有一種明確的放大效應：它放大效率，也放大缺陷；放大結構能力，也放大方法失誤；放大你對材料的掌控力，也放大你對風險邊界的忽視。當AI被嵌入到高責任、強對抗的工作鏈條里，這種放大效應會呈現出一種非常現實的雙面性——它可以讓一個人更早形成結構、更快推進協作、更系統進行推演；同時也可能讓錯誤以更高的速度、更低的可見度進入交付物，并在外部對抗中以更高的代價爆發。因此，AI的風險并不是“附帶問題”，它本身就是使用方式的一部分：你如何管理風險，決定了AI最終是生產力還是不確定性來源。
1. 幻覺不是“不能用”的理由，而是“必須人控”的理由
很多人拒絕AI的理由很簡單：它有幻覺。這個判斷在事實層面并不難成立，任何實際使用過的人都會遇到。但把“存在幻覺”直接推導為“不可使用”，其實跳過了一個更關鍵的問題：在專業工作中，我們從來都不是在一個“零錯誤”的世界里工作。實習生會看漏材料、助理會抄錯日期、同事會誤讀條款、甚至我們自己也會在高壓節奏下出現疏漏。區別不在于“是否可能出錯”，而在于“錯誤如何被發現、如何被糾正、如何被阻斷進入對外交付”。
AI的幻覺，本質上是一種新的錯誤形態：它往往不以“明顯的破綻”出現，而以“看起來很像答案”的形式出現；它常常不暴露在語言層面，而潛伏在事實、出處、推理前提和邏輯鏈條中。也正因為它“像”，它對人的心理更具誘導性：人在閱讀時更容易放松核驗，甚至會在不自覺中對結論產生依賴。因此，幻覺的真正問題不在于“AI會不會瞎編”，而在于它提出了一個更嚴肅的工作要求——你必須建立一套更明確的責任回路，確保任何關鍵結論都經過人工判斷與可追溯核驗。
換句話說，幻覺從來不是AI“不能用”的理由。AI生成購物必須可被驗證和溯源。只要這一套機制不存在，幻覺就會從“可控的錯誤”演化為“不可控的風險”。
2. 典型翻車：編造案例、虛構引注、錯誤格式仍被當真提交
在法律行業，AI翻車最具代表性的形態，往往集中在兩個區域：案例和引注。原因也很直觀：這兩類內容對“看起來專業”極其關鍵，卻又最容易被AI以“看起來很像”的方式偽造或拼接出來。
第一類是編造案例。AI非常擅長生成一個像真案例的敘述：案由、爭點、裁判要旨、甚至“看起來合理”的案號格式。對不熟悉該領域的人而言，這種輸出的迷惑性極強；對熟悉法院系統的人而言，破綻可能也很明顯——但問題在于，翻車往往發生在“沒人去看破綻”的時候：當團隊把AI輸出當作可靠檢索結果，直接進入材料引用或對外溝通，錯誤就完成了從內部草稿到外部文書的升級。
第二類是虛構引注。AI會給出非常像樣的“觀點出處”，甚至能配上作者與論文題目，讀起來像是嚴謹的學術支撐。但其中的關鍵往往無法復核：原文是否存在、是否表達過該觀點、上下文是否被扭曲、引用是否準確。在對抗性場景中，這類漏洞往往不是“可忽略的細節”，而是對方最愿意抓住的突破口：一旦引注不可核驗，整個論證的可信度就會被拖累。
這些翻車的共同點并不復雜：它們往往發生在“責任回路斷裂”的位置。不是AI產出了錯誤，而是錯誤缺乏阻斷機制，最終被當作可信內容進入對外交付。
3. 核心原則：Human-in-the-loop——你是腦子，AI是手腳
因此，討論AI風險時，最關鍵的不是羅列更多翻車案例，而是把一個底線變成制度化的工作習慣：human-in-the-loop。它不是一句安全口號，也不是“謹慎點”“多檢查”的泛泛提醒，它對應的是一套清晰的分工邏輯與責任結構。
要把這條原則從“正確的話”變成“可執行的機制”，至少需要在三個層面落實。
第一，判斷權必須由人掌握，尤其是問題界定與爭點選擇。
AI很擅長把已有信息重組為多個視角的答案，但它無法替你做最關鍵的取舍：這件事真正的核心爭點是什么、哪些事實對結論構成決定性影響、哪些路徑在策略上更優、哪些表述會引發不必要的風險。在訴訟、合規、談判等場景中，這些判斷往往并非純粹的邏輯推理，而是包含經驗權重、風險偏好、對抗預判與責任邊界的綜合決策。它屬于“腦子”的工作，不能讓位給“手腳”的產出。
第二，關鍵結論必須可驗證，核驗機制必須前置而非事后補救。
human-in-the-loop的核心不是“最后看一眼”，而是把核驗變成流程的組成部分：AI提供線索，人完成核驗；AI給出案例或引注，人回到權威來源確認；AI生成時間軸，人對照原始證據逐項檢查。這里最重要的不是核驗的“勤奮”，而是核驗的“對象選擇”：凡是進入對外文本的關鍵事實、關鍵引用、關鍵數字、關鍵結論，都必須可追溯。AI可以幫你把材料先鋪開，但不能讓“不可追溯的內容”混入交付物。對外文本的質量，最終取決于可驗證性的密度，而不是語言的流暢度。
第三，責任必須被明確歸屬，對外交付必須建立“背書邏輯”。
在法律行業，“交付”從來不僅是把文件發出去，它意味著你愿意為其中內容承擔解釋、質詢與后果。human-in-the-loop要求你在交付前能回答三個問題：我為什么這樣寫？依據在哪里？對方可能如何攻擊、我如何回應？如果你無法回答，說明你并未真正掌控這份文本。AI可以讓你更快得到一個看起來完整的初稿，但初稿到交付之間的關鍵步驟，仍然是人的背書與重建：把AI的輸出轉化為你自己的論證體系，把“像結論”的句子落到可核驗的材料上，把潛在爭議點提前暴露并加固。
從這個角度看，human-in-the-loop并不是“限制AI”，它恰恰是在釋放AI的價值：當責任回路清晰，AI可以在“手腳”層面做到極致——跑腿更快、鋪材料更廣、搭框架更迅速、紅隊更犀利；而“腦子”層面的判斷與核驗仍由人掌控，保證專業性與可背書性不被侵蝕。一個真正成熟的AI工作流，最終呈現的狀態往往是：AI讓你更早獲得可討論的結構、更高頻完成推演、更及時發現漏洞；人讓這些結構與推演變得可驗證、可解釋、可對抗、可交付。
怎么用：從金字塔到“AI嵌入每一環節”的新組織結構
一旦把“你是腦子，AI是手腳”的底線立住，“怎么用”就不再是提示詞技巧問題，而變成組織結構問題。很多人談AI落地，習慣從工具清單或功能點切入：能不能自動摘要、能不能起草合同、能不能檢索案例。這樣當然有用，但容易把AI當作局部外掛，最終只是在既有流程上貼補丁。更具解釋力、也更可遷移的視角，是把AI理解為一種會改變分工邏輯的能力：它進入的不只是寫作環節，而是“理解—組織—表達—驗證”的每一個環節；它改變的不只是速度，而是我們如何配置人力、如何安排協作、如何讓產出更早進入可討論狀態。
換句話說，AI帶來的不是“誰多了一個工具”，而是“組織如何重排”。在法律、咨詢等文本密集行業，這種重排最直觀的表現，就是傳統金字塔式分工開始松動，新的嵌入式結構開始出現。
1. 舊結構：金字塔式分工（實習生—律師—資深律師—合伙人）
傳統律所或專業服務機構的工作流，典型形態是一座金字塔。底層負責高強度、重復性強、對判斷要求相對較低的任務：整理材料、做時間軸、標注重點證據、初步檢索、摘錄要旨、按模板生成段落。往上進入律師與資深律師層，更多承擔“把材料變成結構”的工作：爭點如何確定、證據如何組織、論證如何搭建、行文如何符合風格與策略。塔尖的合伙人承擔最終決策與背書：立場與策略選擇、關鍵段落與關鍵風險控制、對外口徑與對抗預判。
這種結構并不是偶然形成的，它對應著一個成本—能力匹配邏輯：把可標準化、可分解的勞動下放，把不可標準化、需要經驗與責任的判斷上收。它在過去很長時間里運轉良好，直到一個事實發生變化：底層的大量工作，本質上是信息與文本的組織勞動，而AI恰恰在這些環節具備非常強的介入能力。于是，金字塔的底座開始出現“可替代的部分”，而更關鍵的是，上層的工作節奏與協作方式也會被連帶改變——因為當底層材料組織成本下降，上層最稀缺的就不再是“有多少人幫你堆材料”，而是“你能否更快完成結構決策，并更早進入對抗推演與質量驗證”。
2. 新結構：AI同時像“勤奮但不靠譜的實習生”、也能像“紅隊合伙人”
在新的結構里，AI的角色并不單一。前文已經論述了，AI可以做一個很聰明、很勤奮、不要工資、不疲倦、不鬧脾氣，但也挺不靠譜的實習生。但如果只把AI當“實習生”，又會低估它在另一類任務上的價值——對抗性任務。很多人真正用順AI之后，會自然把它放到“紅隊”位置：讓它替你找漏洞、替你模擬對方最強攻擊點、替你從相反立場重寫一遍論證。它在這里的價值，并不來自權威性，而來自高頻迭代能力：你可以讓它對同一段論證提出十種反駁方式，讓它從證據、規則、邏輯、敘事、策略五個層面同時挑刺。這個過程在傳統結構里通常很昂貴，因為紅隊推演需要資深律師投入時間；而在AI介入后，紅隊推演的邊際成本顯著下降，合伙人或資深律師就能把精力更集中地放在關鍵決策與關鍵驗證上。
于是，一個更貼合新結構的描述出現了：AI在同一個項目里，既可能承擔“底層堆材料”的任務，也可能承擔“上層挑毛病”的任務。它既像實習生，也像紅隊合伙人；差別不在于AI突然變得權威，而在于你把它放到了不同的工作環節，并用不同的約束方式管理它的輸出。基礎任務強調效率與覆蓋面；紅隊任務強調攻擊性與多樣性；兩者都強調human-in-the-loop：人負責判斷、核驗與背書。
3. 角色切換：AI可以是助手、律師、合伙人、法官（模擬質詢/推演）
當AI被嵌入每一環節，“怎么用”最有效的方式往往不是把它固定在一個崗位，而是進行角色切換——讓它在不同階段扮演不同角色，從而為同一份交付物提供多角度的結構支持。這里的“角色”不是擬人化游戲，它是一種方法：用角色限定AI的任務邊界、輸出形式與評價標準，使其更貼近你在該階段真正需要的能力。
（1）作為助手：它適合承擔高密度的整理與結構化勞動。你給它材料、會議記錄、語音轉寫，它輸出時間軸、爭點清單、任務分解、證據目錄、風險提示。關鍵在于，它產出的不是結論，而是“可操作的結構”，讓團隊更早進入討論與分工。
（2）作為律師：它適合生成可討論的初稿。你提供框架與立場，它給出第一版論證、條款草案、溝通郵件。此時的核心價值是縮短從“想法”到“文本”的距離，讓資深律師更早開始編輯與重建，而不是從零打字。
（3）作為合伙人（紅隊）：它適合做對抗推演與策略審查。你把你的觀點交給它，讓它站在對方立場反駁；你讓它挑出最薄弱的前提、最容易被抓住的表述、最可能被質疑的證據閉合點。這里的AI并不提供最終策略，它提供“更早暴露問題”的能力，讓你的策略在內部先經歷一輪壓力測試。
（4）作為法官（模擬質詢/推演）：這是很多人忽略、但在強對抗場景極有價值的一種用法。你讓AI以裁判者視角追問：你這個事實是怎么證明的？你這個規則適用的前提是什么？你為何不選擇另一條路徑？你的論證是否存在跳躍？這種追問的意義在于把“可解釋性”提前：你不是等到庭審或對方反擊時才發現漏洞，而是在內部就把關鍵問題問完、把關鍵證據補齊、把關鍵表述收緊。
當你習慣這種角色切換，組織結構會出現一個重要變化：協作節奏被前移了。過去很多工作要等到材料堆完、初稿寫完、合伙人再來改；現在可以更早進入“結構討論—初稿生成—紅隊推演—關鍵核驗—定稿背書”的循環。循環的次數變多，單次循環的成本下降，但對人的要求更高：你需要更強的結構能力來定義任務、更強的判斷能力來做取舍、更強的核驗能力來守住底線。這也正是“超級個體”真正成立的地方：AI把你的手腳延展出去，但你的腦子必須更清醒、更穩定、更能控制節奏。
落地方法：把AI嵌入法律工作的關鍵鏈條
討論“怎么用”如果停留在工具層面，很容易變成清單：能做摘要、能寫郵件、能改合同。真正能形成長期優勢的，是把AI嵌入法律工作的關鍵鏈條，讓它在每個節點都產出可復用的中間成果，并且始終處在human-in-the-loop的責任回路之內。換句話說，AI的價值不在于“替你寫”，而在于它讓你更早拿到結構、更快進入迭代、更頻繁完成推演，同時把質量與風險控制前置。以下五個節點中，我會重點展開法律研究和文書起草階段，因為這是法律工作中最典型的“把腦子翻譯進Word”的場景，也是AI最容易帶來結構性收益、同時也最容易引發代工式誤用的場景。
1. 接案階段：材料語音轉寫、要點結構化、爭議焦點與任務清單
接案階段的核心矛盾，往往不是“缺信息”，而是“信息過載且非結構化”：客戶口述、會議記錄、聊天截圖、合同附件、證據照片、時間線碎片化陳述。很多會議與溝通“形態上發生了，但并沒有文字化”，信息以口頭方式消散在空氣里。把這些內容轉成文字并結構化，AI能顯著提高“組織記憶”的質量與可追溯性，為后續調研與起草提供同一套事實底座。傳統做法依賴人力整理，成本高、遺漏風險大，且很難在早期形成統一敘事。AI在此階段最有價值的工作，不是下結論，而是把輸入變成結構：語音轉寫、要點提煉、初步時間軸、證據目錄、爭點候選清單、待補材料清單。它給團隊提供的是“可討論的底板”，讓合伙人和資深律師更早進入判斷：哪些事實是關鍵、哪些爭點值得押注、哪些證據必須補齊。
2. 法律研究階段：從關鍵詞檢索到“按案情/觀點/判決理由”的模糊檢索與歸納
法律研究階段最容易被誤解為“多檢索、多引用”。但真正決定質量的，往往是檢索范式：你是把檢索當作“找幾條法條、找幾篇判例”的收集動作，還是把檢索當作“為論證構建可驗證支撐”的結構工程。傳統檢索高度依賴關鍵詞——輸入“商標混淆”“顯著性”“避風港”“實質性相似”，從結果里再篩選。關鍵詞檢索當然必要，但它有兩個現實局限：其一，你必須知道該用什么詞；其二，你很難把“與本案事實結構相似、但關鍵詞不重合”的裁判邏輯捕捉出來。
在AI的加持下，檢索可以從關鍵詞，升級為按案情、按觀點、按判決理由的模糊化檢索。這里的“模糊”不是降低嚴謹性，而是降低起步摩擦：讓檢索先從“事實結構與裁判邏輯的相似性”出發，快速建立一個候選池；再由人回到權威數據庫逐條核驗、精選、引用。它的價值在于把調研從“盲搜”變成“帶結構的檢索”。
具體來說，這種模糊化檢索至少有四種可操作的路徑。
（1）按“案情結構”檢索：用事實骨架替代關鍵詞
你可以把案情壓縮成一個結構化摘要：主體關系、行為模式、時間順序、爭議焦點、證據類型與缺口。然后讓AI做兩件事：
? 給出與該結構相似的典型案件類型與可能涉及的法律關系；
? 提出檢索路徑（可能的案由、可能出現的裁判關鍵詞、可能出現的法院層級與地區差異）。
這一步的核心產出不是“AI告訴你一個結論”，而是“AI幫你把可檢索的路徑與標簽體系搭出來”。隨后你再去權威數據庫用這些路徑逐層下鉆。它相當于把調研中最耗時的“我該怎么搜”前置完成。
（2）按“觀點/論證目標”檢索：從結論需求反推證據與案例類型
很多時候我們檢索不是為了全面了解某個領域，而是為了支撐一個具體論證目標：例如“行為屬于正當競爭”“不構成實質性相似”“平臺不應承擔間接侵權責任”“價格不構成過高”。在這種情況下，先把觀點寫成可檢驗的命題，然后讓AI反推三類內容：
? 支撐該命題的常見裁判理由有哪些（理由類型學）；
? 每一類理由通常依賴什么事實條件與證據形態；
? 可能與該命題對立的裁判理由是什么（反例結構）。
這一步會顯著提升檢索效率，因為你不是漫無目的地找“相關案例”，而是在構建“理由—事實條件—證據形態”的對應關系。你最終引用的不只是案例本身，而是案例背后的理由線索。
（3）按“判決理由”檢索：把案例從‘故事’拆成‘理由模塊’
這是你口水稿里最有啟發的一點：同一法律問題，裁判的說服力來自理由，而理由往往是模塊化的。你可以把一份已知判決（或你認可的理由段落）喂給AI，讓它做“理由拆解”：
? 該判決的核心邏輯鏈條是什么（前提—推理—結論）；
? 法院在哪些節點引入了事實判斷，在哪些節點引入了規則解釋；
? 哪些表述屬于一般性標準，哪些表述依賴具體事實。
然后，最關鍵的動作是：讓AI給出“可遷移的檢索錨點”。換言之，哪些理由模塊可以作為你進一步檢索的“母題”：你可以用它去找其他法院在類似問題上是否采用同一模塊、是否出現替代模塊、是否存在沖突模塊。這就把檢索從“找相似案件”升級成“找相似理由”。
（4）按“差異點”檢索：把對方可能抓的點變成你的檢索入口
在對抗場景中，最浪費時間的往往不是建立主論證，而是等對方指出漏洞后再補洞。模糊化檢索的另一種用法，是在調研階段就讓AI扮演紅隊：
? 你的論證最可能被攻擊的點是什么？
? 哪些事實差異會導致法院走向不同結論？
? 哪些證據缺口會使你引用的理由失效？
把這些“差異點”提煉出來之后，再反向檢索：專門找那些因為某個差異而導致裁判轉向的判例。這樣做的好處在于，你在起草前就知道哪些地方必須限定表述、必須補證、必須設置備選論證路徑。
上述四條路徑共同指向同一個結論：調研階段的AI價值，不在于替你做法律判斷，而在于把調研變成結構化工程，顯著降低“從零到一”的摩擦，并讓你更早形成可驗證的案例池與理由池。這里human-in-the-loop的底線同樣必須明確：AI可以生成線索，但不能直接成為引用；AI可以提出案例候選，但最終引用必須回到權威數據庫核驗；AI可以給出理由歸納，但理由能否遷移必須由人結合本案事實判斷。你在口水稿里那句“你是腦子，AI是手腳”放在調研階段依然成立：AI可以替你跑腿、鋪材料、搭檢索路徑，但裁判邏輯的取舍與引用責任必須由人承擔。
3. 起草階段：從“人寫第一稿”到“人定結構—AI出初稿—資深改—合伙人定稿”
起草階段是法律工作的典型高成本環節：你要把事實、規則、證據與策略壓縮進一份可交付文本中。很多人把AI理解為“能幫我寫文書”，于是最容易在這一環節走向代工化——給幾句提示詞，讓AI出一份“看起來完整”的稿子，再略作潤色就對外發送。這個做法之所以危險，不是因為AI一定寫得差，而是因為它最容易把工作順序倒置：先生成，再補思考；先成文，再補結構。結果往往是語言層面很好看，結構層面卻不穩，進入對抗就露出斷裂。
要把AI用在起草階段用得穩、用得深，關鍵在于改變工作組織方式：把“起草”從個人長時間的線性寫作，改造成一個高頻迭代的結構工程。最有效的流程往往是你在口水稿里提到的那種“會里定結構—AI出第一稿—資深律師直接上手改—合伙人定稿”的閉環：
（1）先定結構：人負責“腦子”的工作，AI負責“手腳”的工作
起草真正的第一步不是寫段落，而是定結構。這里的結構不是“目錄”，而是你對案件的解釋框架：事實敘事的主線是什么，爭議焦點怎么確定，論證路徑怎么排序，證據鏈如何閉合，風險邊界如何標注。這個步驟必須由人完成，尤其是合伙人與資深律師，因為它包含策略取舍：你押哪條路徑，放棄哪條路徑，你準備怎樣應對對方的預期攻擊。
這一步可以非常具體：一次起草啟動會，核心產出至少應包括三件東西——
? 爭點樹：主爭點/子爭點/各自結論目標；
? 證據映射：每個結論對應哪些證據、證據缺口在哪里；
? 段落功能表：每一部分要完成什么說服任務（建立敘事可信度、限定爭點、解釋規則、回應對方預期反駁等）。
在這個環節，AI可以輔助做“鋪材料、列清單”，但不能替代“做取舍”。原因很簡單：你是腦子，AI是手腳。AI可以替你鋪材料、替你搭框架，但它不能替你承擔判斷與責任。
（2）讓AI出初稿：把“從零到一”的成本壓到最低
結構確定后，AI的價值才真正釋放出來：它可以在你規定的結構、立場、語氣與證據邊界內快速生成第一稿。這里的關鍵不在于提示詞的花哨，而在于輸入的“約束質量”：你給它的爭點樹越清晰、證據映射越明確、段落功能越具體，它產出的初稿越像“可編輯的法律文書”，而不是“像法律文書的作文”。
（3）資深律師直接上手改：把“改稿”變成“重建論證”
AI初稿出來后，最有效的不是“潤色”，而是“重建”：資深律師要做三類動作——
? 邏輯重建：檢查每個結論是否有前提、前提是否被陳述、是否存在跳躍推理；
? 證據閉合：逐段核對“這句話憑什么成立”，證據是否足以支撐、是否需要限定表述；
? 對抗預置：把對方最強反駁提前寫進結構里（或至少寫進“回應段”），避免形成單向敘事。
這一步本質上是在把AI的文本變成“可背書的文本”。AI可以快，但資深律師必須穩。否則你得到的是一份寫得順的稿子，而不是一份能在對抗中站得住的稿子。
（4）合伙人定稿：改到“責任可控”
合伙人的定稿不一定需要逐句摳字，但必須抓住“責任點”：立場邊界是否清晰、關鍵事實是否準確、關鍵引用是否可核驗、關鍵結論是否過度、風險是否被充分提示、整體策略是否一致。很多翻車并非因為細節錯，而是因為立場邊界沒立住、表述過度、引用不可靠、或是對抗預判不足。合伙人要做的是把這些風險點前置消化，而不是把它們留給對方或裁判者來指出。
（5）把流程做成“高頻迭代”，而不是“一次性交稿”
傳統起草往往是線性的：寫三天到一周，交一稿再改。AI介入后，更有效的方式是提高迭代頻率、降低單次迭代成本：結構會先出來，初稿會更早出來，紅隊推演會更早介入，核驗會更早進行。這樣做的結果是，終稿并不一定比過去更長，但通常更穩：因為它經歷過更多輪次的“內部對抗”。
4. 談判與合規階段：把AI當紅隊——讓它反駁你、找漏洞、提出對方最強攻擊點
談判與合規的共同點，是你需要在不確定信息下做策略選擇，并預判對方立場與監管/合規風險。AI在這里的最佳位置往往不是“幫你寫”，而是“幫你反駁”：讓它站在對方立場反擊你的觀點，讓它從最強對抗角度指出漏洞，讓它提出你最不愿意面對、但對方最可能拿出來的攻擊點。紅隊的價值在于提前暴露薄弱處，逼迫你把論證、事實與風險邊界做得更扎實。
交付紀律：把AI放進責任回路的三條鐵律
當AI成為工作流的一部分，真正值得警惕的就不再是它“會不會出錯”，而是它“出錯的時候我們有沒有機制發現”。從第二部分的認知誤區、到第三部分的翻車案例、再到第五部分中的起草流程與實戰推演，一個核心問題始終貫穿其中：當效率提升后，如何確保質量不被放棄，責任不被稀釋，錯誤不被放大？這一部分要回答的，正是這個問題。
與其說這是對AI的使用建議，不如說是對我們自身專業標準的底線要求。以下三條鐵律，不是“注意事項”，而是不得破的交付紀律——只有在這些規則之下，前面所有討論的效率、結構、重構、推演才有意義，也才不會在交付的那一刻崩塌。
1、交付紅線：凡涉關鍵事實、引注、數字、結論，必須可追溯到權威來源
AI生成的文本往往極具“表面可信度”——語言流暢、結構完整、邏輯自洽，但你如果仔細追問其關鍵信息的出處，往往會發現“它說的都對，只是沒發生過”。這類幻覺在法律場景中尤為致命，因為法律文件的基本前提從來不是“像真的”，而是“可驗證”。任何關鍵性的判斷，如果無法指向權威材料——無論是原始證據、規范性法律文件、案例原文—那就不應該出現在最終文件中。這一紅線之所以重要，不僅因為它關系準確性，更因為它關系可對抗性與可背書性。我們寫的東西，一旦進入對抗，能不能撐得住？如果你無法復原路徑、找回出處、講清來龍去脈，那就不只是技術問題，而是方法失守。
因此，建議在所有對外交付的文本中，建立“強引用意識”：凡是落在事實結論、案例引用、法律適用、數據計算上的關鍵段落，都必須可溯源，否則不得對外。
2、角色紅線：AI只負責“候選與對抗”，人負責“決策與背書”
第二部分談到的誤區一，是把AI當成一個代工廠——“我不想想，我也不想寫，讓它寫出來我改一改”；而誤區二則相反，是把AI當成一個神諭機器——“它說得這么像，應該不會錯”。這兩種使用姿態看似相反，本質上卻共享一個風險：讓AI越過職責邊界，承擔了判斷與交付責任。
為了把這個問題清理干凈，需要從根上重建角色分工。AI可以承擔大量前置性勞動，甚至可以覆蓋非常高密度的候選生成工作。但它始終只能站在“候選”與“對抗”的位置上，不能進入“決策”與“背書”的核心回路。真正的專業判斷——包括結構如何搭建、事實如何取舍、規則如何適用、證據如何組合、語氣如何控制、結論如何落地——必須由人來完成。因為一旦進入對外文本，你面對的就是質詢、反駁與責任，而這些從來不能外包。
在實際操作中，我們可以更明確地分工：
? AI可以起草，但初稿的框架、方向、立場由人決定；
? AI可以歸納，但分類標準、優先級排序由人掌握；
? AI可以做紅隊推演，但主張的邊界、表達的強度、回應的策略仍需人來設計；
? AI可以生成表述風格（尤其在涉外溝通中），但對外溝通的尺度、立場控制、人際語境、后續影響的考量，只能由人判斷。
3、流程紅線：任何對外文件，必須完成“結構—初稿—對抗—核驗—定稿”五步閉環
我在第五部分嘗試給出了我常用的流程：結構由人定、AI生成初稿、資深律師重構論證、合伙人定稿背書。這個結構之所以穩定，不只是因為它分工合理，而是因為它確保了質量控制、邏輯對抗與責任判斷沒有在追求效率中被悄悄省略。
但這套流程一旦不被視為制度，而被視為“理想狀態”，風險就會迅速累積。真實團隊中最容易發生的事是：材料很多、節奏很快、AI出稿很快、于是“改一改就發出去了”。一旦這樣，對外交付就成了高密度幻覺的集合體——看起來什么都有，其實很多東西都經不起細問。
因此，需要把“流程紅線”制度化：任何對外文本必須完成五步閉環：
（1）結構確認：由人設定爭點框架、證據路徑與表達順序；
（2）AI初稿：在人設定的框架下完成第一輪內容組織；
（3）紅隊質詢：用AI或同伴模擬對方攻擊與裁判追問，提出問題而非掩蓋問題；
（4）核驗閉合：對所有關鍵事實、引注、數字、結論進行逐項驗證，并排除風險表達；
（5）定稿背書：由資深律師或合伙人完成最終版本，確認每一段文字都能承受對抗與追責。
缺任何一步，這份文本都只能被視為內部草稿，不具備交付資格。流程的意義，不在于繁瑣，而在于它是效率不以犧牲專業性為代價的唯一保障。
展望：決定你和AI合作深度的，不是模型能力，而是你的品味與基本功
講到這里，我們其實可以得出一個很樸素的判斷：AI確實改變了專業工作的生產方式，但它并不會自動獎勵“更會點工具的人”。它更像一面放大鏡——把你的結構能力、判斷能力、核驗能力和風險意識一并放大。你強的地方會更強，你弱的地方也會更快暴露。于是，決定你與AI合作深度的，往往并不是你買了什么模型、用沒用最高配，而是你自身的品味與基本功：你能否識別什么是好論證、好結構、好表達；你是否具備把材料變成結構、把結構變成可驗證論證、把論證變成可交付文本的能力。
這也是為什么同樣一套AI，落在不同人手里，會產生完全不同的產出。有的人把它當代工廠，于是得到大量“看起來很像”的文本，交付時卻越來越不踏實；有的人把它當權威數據庫，于是被流暢與自信迷惑，最終在引用、事實或邏輯上翻車；也有人把它放進human-in-the-loop的責任回路里，讓它承擔跑腿、鋪材料、搭框架、做紅隊的工作，把自己的時間留給結構決策、關鍵核驗與責任背書——這樣的組合，才會把AI變成穩定增益。歸根結底，AI并不提供專業性，它只改變專業性的生產條件。
AI時代的“超級個體”，不是一個人變得無所不能，而是一個人能在責任可控的前提下，用AI把自己的能力邊界穩定地推遠。當你把AI馴化成你的手腳，把結構與判斷牢牢握在自己手里，你會發現所謂“超級”，并不遙遠；它更像一種新的職業肌肉，練得越久，越扎實，越自由。
來源：IPRdaily中文網（iprdaily.cn）
作者：趙克峰 己任律師事務所