发帖
雷达卡
法律实务广泛应用 AI，合同草拟、法律检索、文书制作、法规问答，都是常见工作场景。
行业内流传着一种简单的分类方式，从事 Legal Tech 相关工作的人，要么归类为 “懂法律”，要么归类为 “懂 AI”。但这种二分法本身存在局限，真正具备价值的法律科技从业者，并不是法律人才与技术人才的简单叠加。更重要的是能够独立厘清三件事：AI 可以承接哪些业务，AI 存在哪些能力盲区，当 AI 输出出现偏差时，有对应的手段做好风险管控。
不少法律人接触 AI，首要诉求很现实：掌握提示词操作，快速生成合同文本、检索报告，把 AI 当作提速工具。但落到真实法律实务当中，仅仅停留在 “会操作工具” 的层面，会滋生很多看不见的隐患。
开展法律检索工作时，大模型有可能生成虚构法条，引用已经废止的司法解释，输出一套行文通顺，但事实依据完全错误的结论。进行合同审查，AI 容易遗漏关键交易风险点，甚至自行生成责任相关条款，如果从业者直接采信结果，会给企业带来实实在在的商业损失。文书撰写、法规问答场景下，幻觉问题更为突出，案例案号、法条出处都可能被捏造，成品阅读起来专业严谨，却不具备实务参考价值。
除此之外还有数据安全隐患，将案件资料、客户涉密信息直接输入公有大模型，会造成敏感信息泄露，触碰保密义务与数据合规的相关要求。
AI 适合承担初稿撰写、信息初筛、内容摘要这类辅助性质工作，但无法替代法律人做出最终业务判断。所有 AI 生成的内容，都应当经过人工复核环节，核对法条效力、核验案例真实性、管控输入数据范围，理清人机之间的责任边界，守住 “AI 做辅助，人承担最终责任” 的原则。
评判一个人的 AI 综合能力，也不适合用 “会或者不会用 AI” 一概而论，可以拆分为两大维度。 一是应用能力，熟练运用提示词、多模态工具、AI 工作流，落地业务提效； 二是风险意识，能够识别幻觉、内容失真、数据泄露等隐患，懂得设置约束条件，搭建复核流程。 两类能力相辅相成，缺少任意一环，AI 的业务使用都将处于高风险状态。
法律人学 AI：工具技巧之外，建立风险边界认知当下很多法律从业者学习 AI，大部分精力集中在打磨提示词，追求产出质量更高的法律文本，对于业务场景下的使用边界、风险规避缺少系统性训练。
像 CAIE 认证 Level I ，设置有 AI 伦理与法规、AI 交互、Prompt 设计、多模态工具、AI 工作流相关学习模块。这套体系并非面向算法研发岗位设计，不会把法律从业者培养成技术研发人员，学习重点围绕业务落地展开。
学习者可以在学习过程中了解如何通过约束性提示词降低幻觉发生概率，搭建适配业务场景的 AI 工作流程，区分适合交由 AI 处理的工作内容，以及必须保留人工介入的关键环节，在实操过程中养成规范化使用 AI 的习惯。
配套的赛一认证 AI 能力测评，跳出 “会不会 AI” 这种简单评判逻辑，分别从工具实操水平、风险防控意识两个维度开展评估，帮助法律从业者定位自身短板，判断问题来自工具使用熟练度不足，还是风险边界认知存在缺口，以此匹配适配自身的学习方向。
这里需要做客观区分，避免产生认知误解。
赛一认证 Level I 侧重打磨业务场景中的 AI 实操能力与基础风险意识，这套能力，和专职 AI 治理、深度数据合规岗位所要求的专业能力并不对等。
如果职业方向是搭建企业 AI 治理体系、承接复杂的数据合规专项项目，还需要补充更加体系化的合规专业学习与项目历练。
但面对 Legal Tech 产品落地、法律岗位日常 AI 应用，AI 落地应用能力搭配基础风险合规意识，属于从业者需要具备的基础素养。不少法律科技项目落地效果不及预期，问题往往不在于技术本身能力不足，而是使用者过度看重 AI 带来的效率增益，对技术本身的局限性认识不足，把 AI 输出的辅助素材直接当作可落地的最终结论。
法律专业功底作为底层根基，在此之上学会借助 AI 提升工作效率，同时正视技术存在的各类短板，不迷信工具输出结果，在追求效率的同时守住业务风险底线，这才是 Legal Tech 人才需要打磨的核心素养。
京公网安备 11010802022788号
