▲去年，有个太信任AI的律师，自信地AI给的案例写进卷宗（12345号）交给了法院，结果可想而知。图源 『京法网事』
法律AI最致命的坑，从来不是答不上来，是答得头头是道，可结果却是假的。
9月7日，最高人民法院发布《关于依法审理涉人工智能纠纷案件的意见》。其中专门提到，使用 AI 生成的诉讼文书、案例检索报告等材料，提交前应当核实相关法律、司法解释、案例等内容的真实性、准确性，并依法承担相应责任。
这其实戳中了法律AI一直以来的尴尬：AI负责提高效率，但AI说得对不对，最后还得律师负责。如果让AI查完法律，还得自己重新查一遍；找完案例，还得逐个核对案号、裁判观点和法律效力，那么省下来的时间，究竟还有多少？
所以，我们一直认为，法律AI真正值得竞争的，不只是模型有多聪明，而是它能不能拿出可靠、可追溯、可核验的法律依据。
最近关注到一款叫「涌见AI」的法律AI Agent，它选择从专业法律数据入手，试图解决这个问题。下面这组测试，用几个真实的法律场景展开，看看涌见 AI 是怎么把这件事往前做的。
01
旧法陷阱
先看一个看似简单的问题：
「根据《合同法》，买卖合同一方逾期交货，另一方可以要求承担哪些违约责任？请引用具体法条。」
稍有法律常识的人都知道，《合同法》早在2021年就已经废止，相关规定已经纳入《民法典》。
但对于AI来说，这恰恰是一个容易出错的地方。
因为互联网上仍然存在大量旧法规、旧文章、旧判决。模型如果只知道「搜索相关内容」，却不知道法律的时效状态，很可能把一条早已失效的规定当成现行法律。
涌见AI展示的处理方式，是先识别《合同法》已经废止，再把法律沿革和现行规定关联起来，最后落到《民法典》第五百七十七条等相关条文。
这多出来的几步，对律师恰恰是要紧的。律师费时间的地方往往在答案后面，要确认这条法律当时是否有效、后来被什么替代、今天该引用哪一版。AI如果把效力状态和沿革直接挂在条文后面，律师就少了一道「AI 说完我再自己查一遍」的工序。
法规这东西，收录进来只是起点。知道它什么时候生效、什么时候失效、被什么替代，检索结果才敢直接用。这一关拼的是法规数据有出处、能溯源、经过核验，是数据治理的功夫。
02
找到相似案例，不等于找到正确的裁判思路
第二个陷阱上了点难度，是一个司法实践里本身就有分歧的问题。
一名外卖骑手在送单途中撞伤行人，平台到底要不要承担责任？这种案子在实践中存在争议判罚。
骑手是专送、众包还是劳务外包，平台对配送管到什么程度、从中获多少益，都会改变裁判落点。单单在上海，就能看到两条完全相反的路径。
普陀区法院判过平台承担连带责任的案子，理由是平台对配送过程有管理控制并从中获益，还约定了先行垫付和追偿。闵行区法院则认为，众包模式下平台只做居间撮合，与骑手不存在劳动或劳务关系，平台不担责，由劳务公司承担。
测试方法很直接，把这个问题丢给它，要求检索上海法院的判决，并出具类案检索报告。
它做对了三件事。
首先，报告把上海法院的裁判分成平台连带和平台免责两条路径，各配代表案例、案号和裁判理由，没有硬凑一个和稀泥的结论。
另外它给案例标了层级。指导性案例、公报案例、人民法院案例库的参考案例、多元纠纷案例、普通判决，分量完全不一样。指导性案例应当参照，公报案例和参考案例可资参考，普通判决用来看一个法院的裁判倾向。哪件是什么层级标清楚了，律师才知道手里的材料该往哪儿放、能放多重。
第三点最出人意料，它没有直接交稿，反而抛回两个问题，骑手是什么用工模式，受理法院和涉事平台是哪家。
这两个变量恰好是裁判落点的开关。补充信息：劳务外包，美团，事发上海闵行区。它随即收窄检索，调出闵行区法院审结的三件美团骑手致害案，裁判立场高度一致，外包公司担责，平台不担责，其中一件还支持骑手责任险在限额内直接向受害人赔付。诉讼策略跟着收窄，主攻签约发薪并投保的劳务外包公司和承保保险公司，平台连带责任列为备选，同时向委托人管理预期。
这一轮下来，一份类案检索报告值钱在哪就清楚了。找到案例只是第一步，大头在后面，从几十份判决里找出和你手上案子最像的那几件，把层级、事实变量和裁判规则放在一起处理。像不像，看的正是用工模式、管辖法院、平台角色这些变量对不对得上。这样的报告核一遍案号和层级，就能进工作底稿。
03
法律AI的另一道门槛，是专业数据
如果说法规和判例还是法律AI的基本功，那么第三个场景，就更能看出专业数据的重要性。
假设你是一名资本市场律师，客户因为控股股东资金占用问题收到了交易所问询函。你首先要做什么？通常不是立刻写回复，而是先找参照。
最近还有哪些上市公司遇到过类似问题？监管部门问了什么？公司如何解释资金流向？哪些回复被继续追问？哪些整改措施被接受？
这些信息，很多都公开，但公开，并不不代表好找。交易所网站、上市公司公告、监管函件、问询回复散落在不同平台。律师为了找到几份真正有价值的参照材料，往往要翻阅大量文件，很多AI会在这个部分「露怯」。
涌见AI展示了一个资本市场场景：检索近期因控股股东资金占用受到监管问询的案例及回复。
产品给出的样本包括中路股份、珍宝岛、联创光电等公司的相关披露材料，并尝试按照资金占用情况、监管关注点、回复结构和整改措施进行归纳。
更重要的是，相关结果能够关联到原始公告和函件，可以直接点开原文看和下载，供使用者进一步核对。这背后其实是一门很重的功夫。
涌见AI这套覆盖IPO发行审核问询函及回复、上市公司日常监管函及回复、上市公司公告等资料资本市场数据，单独看并不神秘，但要持续收录、分类、建立索引，再让AI按照具体法律业务的需求调用，就不是简单联网搜索能解决的了。
普通AI擅长回答一个问题，专业法律AI还得知道去哪里找答案。
对资本市场、知识产权、金融监管等高度专业化的业务来说，数据的覆盖范围、更新速度和原始出处，往往直接决定产品的实用价值。
04
中国律师出海，AI也得跟着跨出去
再往前一步，是跨境法律服务。
假设一家中国企业准备在新加坡设立基金管理公司，团队大约10人，主要从事早期股权投资。
企业需要了解主体设立、牌照要求、基金架构、税务安排等问题。
如果直接问通用AI，通常也能得到一份看起来完整的回答。
但跨境法律服务最怕的，就是用一套似是而非的通用答案，解释另一个法域的具体规则。
不同国家的监管体系、法律概念和许可要求差异很大，而且还会不断更新。
根据涌见AI展示的场景，它可以围绕上述问题生成初步咨询报告，并关联相关法域的法律资料，方便进一步核对。
涌见AI的法律搜索覆盖中国大陆、中国香港、新加坡、美国等法域，同时可以通过MCP连接器调用其他专业法律数据服务，包括Legal Data Hunter、Ansvar、CourtListener等。
这背后反映出法律AI另一个值得关注的方向：
法律数据不可能只靠一个模型、一个数据库包打天下。尤其面对中国企业出海，律师可能同时需要查境内监管规定、目的国公司法、当地牌照规则和跨境交易安排。
未来更实用的法律AI，未必是自己拥有所有数据，而是能够根据具体任务，连接和调用不同的专业数据源。
当然，跨境法律意见涉及当地执业规则和专业责任，AI生成的初步报告不能替代当地律师的正式意见。
但如果能帮助律师和企业提前梳理问题、找到资料出处、明确咨询重点，它就已经有了实际价值。
05
法律AI的竞争，正在从模型走向数据和工作流
四个问题跑完，涌见AI在数据上做的事情可以摊开来看了，大概是这样的四层。
第一层是联网搜索。 谁都会做，但问题也最明显。网上的法律信息是个大杂烩，同一部法律可能同时存在不同版本，旧法规可能还在网页里，几年前的普法文章也可能一直被转载，搜得到不等于能直接用。
第二层是经过治理的法律专业数据。法规处理效力层级和时效状态，案例分出权威层级，资本市场材料索引到公司、日期和文档类型。前三个陷阱没踩坑，靠的就是这一层。
第三层是律师自己的知识库。一个团队真正值钱的东西，是历年攒下的类案、检索报告、尽调底稿、合同模板和内部口径。它们可以不再只是躺在文件夹里，而是能够成为 AI 工作时真正可以调用的依据。
但这些东西恰恰也最敏感，很多律所不允许案卷进入第三方云端。涌见AI的做法是把选择权交出来，云端知识库部署在阿里云，按个人、团队、小组分层协作；保密要求更高的，把知识库放进本地算力盒子或者律所自己的本地模型环境，数据不上云。两种做法的区别只在数据存在哪，跟知识属于个人还是团队无关。
第四层是 MCP连接器，把外部专业工具接进来。查法规案例接北大法宝、威科先行，做尽调接企查查、天眼查，知识产权接智慧芽，海外法域可以接前面提到的那几个数据源。Agent 按任务需要自己去调，律师不用挨个数据库登录一遍。
回到开头，AI 生成的材料，核实的成本到底谁来付？如果核验全部压在律师身上，AI 节省下来的时间又会被吃回去。
四个陷阱测下来，结论很清楚。它把核验的工序尽量往前挪，放到了数据收录和治理的环节里，让案号、条文效力、案例层级这些东西在进入答案之前就被处理过。律师省下来的时间，才能放回真正需要人的地方：理解客户的问题，判断风险，做出选择。
顺便一提，涌见AI是面向团队的付费产品，如果你所在的团队正在评估一款法律AI，想知道它是不是真的好用，自己测一遍比看十篇评测都管用。
扫码申请产品演示，拿一个你手上正在做的真问题去试试。
*本文基于品牌方提供的公开资料及产品演示整理，仅供行业交流参考，非独立测评，不构成法律意见或购买建议。产品功能、数据范围及服务内容，请以涌见 AI 官方信息及实际体验为准。
热门跟贴