律所Ropes & Gray如何用AI重塑交易尽调

当法律行业还在讨论AI会不会取代律师时，顶级律所Ropes & Gray已经给出了自己的答案：让AI做尽调，让律师做判断。

从文档堆里解放律师

交易尽职调查是律所最耗人力的环节之一。一场并购交易背后，往往是成千上万份合同、备忘录和合规文件需要逐页审阅。Ropes & Gray正在与OpenAI合作开发面向交易尽调的AI系统，核心思路并不复杂：让AI先完成文档的初步处理——分组、摘要、生成报告，律师再在此基础上审阅并向客户提供法律建议。

这个流程设计的分工很清晰。AI负责"量"，律师负责"质"。文档归类、要点提炼、报告初稿这些重复性高但容错空间相对较大的工作交给模型，而最终的判断权、风险提示和客户咨询仍然牢牢握在律师手里。

为什么尽调是AI落地的理想场景

法律AI的落地场景很多，但交易尽调有几个天然优势。

文档密集且结构相对规范。 尽调涉及的文件类型虽然多，但合同、协议、披露函等都有成熟的格式和条款体系，模型经过针对性训练后容易上手。

时间压力真实存在。 交易窗口往往很紧，尽调周期被压缩，人工审阅的边际成本极高。AI带来的效率提升在这个场景下价值最容易被量化。

人在回路的设计降低了风险。 Ropes & Gray的方案没有让AI直接输出结论，而是让AI产出供律师审阅的中间材料。这意味着模型出错时，专业判断可以兜底。这种"AI初筛+律师复核"的架构，是目前法律行业对生成式AI接受度最高的形态。

人在回路（Human-in-the-Loop） 是AI系统设计中的一种协作范式，指在自动化流程的关键节点引入人工审核或干预，而非让模型完全自主决策。在法律场景中，这一设计尤为重要：模型的输出不是终局结论，而是供律师复核的中间材料，律师的专业判断构成最终防线。这种架构既利用了AI在文档处理上的效率优势，又保留了人类对风险、上下文和客户利益的理解能力，因此在容错要求高的专业服务领域被广泛采用。

律所自建AI的信号意义

Ropes & Gray选择与OpenAI合作开发，而不是直接采购现成的法律AI工具，这个选择本身值得关注。

一方面，顶级律所的业务流程和知识体系高度定制化，通用工具难以贴合其尽调方法论。自建意味着律所可以把自身的审阅经验和内部标准编码进系统。另一方面，这也说明律所开始把AI能力视为竞争力的一部分，而非单纯的外包工具。

从行业角度看，头部律所的这类尝试会形成示范效应。当AI尽调的流程和效果被验证，中小型律所大概率会跟进，只是路径可能不同——它们更可能采购成熟的第三方产品。

法律AI工具大致可分为两类：通用型产品（如基于大模型的文档审阅平台）和定制化系统（律所或企业自建）。通用工具部署快、成本低，但难以贴合特定律所的尽调方法论和内部标准；自建系统则需要投入数据、算力和工程资源，却能把审阅经验、风险偏好和客户保密要求编码进流程。Ropes & Gray选择与OpenAI合作自建，本质上是把AI能力当作差异化竞争力，而非简单采购外包服务。这种路径对头部律所更具可行性，而中小律所受限于资源，更可能采用成熟的第三方产品。

尚未回答的问题

公开信息目前只披露了流程框架，几个关键问题仍然开放。模型在处理复杂条款、交叉引用和异常条款时的准确率如何？AI生成的摘要和报告需要律师多大程度的返工？数据安全和客户保密义务在自建系统中如何保障？这些都决定了这套系统能否真正进入生产环境。

可以确定的是，法律行业对AI的采纳路径正在变得清晰：不是替代，而是把律师从文档处理中解放出来，让他们把时间花在真正需要专业判断的地方。Ropes & Gray的尝试是这条路径上的一个早期样本，值得持续观察。

交叉引用在合同文件中指条款之间相互指向的表述，例如“依据第5.2条”“受限于附件C”等。这类引用要求审阅者同时理解多个条款的关联逻辑，对AI模型构成挑战：模型需要跨段落追踪指代关系，并在摘要或报告中保持一致性。异常条款（如偏离标准模板的特殊约定）同样考验模型的判断力，因为它们往往没有固定模式可循。这些复杂情形能否被模型准确识别，直接关系到AI尽调系统在实际交易中的可用性。