“AI助力司法，效率提升明显——中国法治建设的新篇章”

0、前言：车倒钱到，法律AI的终极目标

的摩托车，在去年被小区一个邻居老太直接推到了，造成了财产损失，案件的情况可以见老人故意推倒摩托，车主损失近万元，老人将为他的行为承担哪些法律责任？这个回答。

案发是2022年6月，之后老人去世，到了2023年2月苦主还需要起诉老人的继承人，尚未立案。按照进度来看，拿到胜诉判决还要半年到一年，再结合执行的时间，在2023年年底前拿到钱就该说一声幸运。

这案子之所以引发一定的热度，还体现在苦主坚持维权，以至于引起争议。因为从目前的广泛的社会实践来看，绝大多数苦主会放弃维权：报警难以受理，警察常常让受害者找法院，去法院立案成本又很高，这么小的标的额不足以合理的覆盖律师费，起诉还会遭到来自社会上一些其他的声音影响情绪，很多人思来想去就放弃了。

在我国，处理法律事务的过程不仅涉及律师费和诉讼费，而且耗时较长。这主要是因为我们的社会文化背景和历史惯性，以及整体上我们倾向于“息事宁人”的制度设计。因此，总的来说，我们并不是特别愿意去打官司。尤其是在处理与个人利益密切相关的较小金额纠纷时，更是如此。例如，关于房屋租赁纠纷的判决数量，往往只有房屋买卖纠纷判决数量的1/3左右。

想想你曾经忍气吞声没找房东要回来的押金吧。

房屋租赁纠纷大数据

房屋买卖纠纷大数据

我们假设，在人工智能进入法律服务领域的20年后的未来，一个无限强的ai，会怎么样改变我们的生活呢？

2042年，摩托车车主回家，发现车倒在地上，他报警，警察查了监控，发现是老人推车，问车主是否起诉。

车主对着手机喊“小度小度”，你听见了没，我要起诉。

小度说：好的！（5秒之后）案子已经立好了，现在等待法院通知被告。

老太太的小爱同学，问她是否愿意开庭答辩，提交证据，如果她不愿意将缺席审理。

老太太明白尽管她不同意，但无法改变事实，因此只能依靠小爱同学来准备证据和应对答辩。在了解老太太的案例后，小爱同学判断毫无争议，客户必败无疑。

经过短暂的等待后，法院的ai上线，被告的ai也上线，开庭审理，5秒之后结案，出判决结果。

实际上，我们所花费的5秒钟，并非是为了真正地等待这5秒钟，而是为了提供舒适的用户体验，让每一个人类用户都能感受到 judgments 的来临并不草率，也不是那么随意。

一则来自AI的消息在老太太的设备上弹出，她的银行账户中16000元的扣除引起她的关注。AI向她询问是否打算提起上诉。然而，老太太选择了保持沉默，尽管她并不完全信任AI的判断，但她明白上诉的意义。的人工法官审查可能会改判，尽管这样的概率微乎其微，甚至比高考成绩的查询还低，但仍然存在。更关键的是，的上诉过程还会产生额外的费用。

而苦主则收到消息，16000元到账。

一句经典的法律谚语曾指出，正义或许会迟到，但其最终总会降临（Justice delayed is justice denied）。然而，随着人工智能技术的普及，这一观念正在发生着改变。AI的发展不仅提升了工作效率，同时也对社会公平产生了深远的影响。由于违法行为的成本日益提高，人们推卸责任的行为也变得越来越少见。

法官们用更多的时间来研究如何修改法律，让这个社会运行的更公平。

1、现状：裁判文书网的作用

在充分发挥想象力的基础上，我们已经明确了努力的方向。接下来，让我们回到现实，关注眼前已经具备的资源和亟待解决的挑战。

首先让我们说说，裁判文书网。

要知道一切ai的建立基础，是学习，目前我们最大的学习数据库，既不是知乎，也不是百度，而是裁判文书网已经生成的数以千万计的判决书。

裁判文书网是全国法院系统审理案件过程中，全国法官共同努力的劳动成果的结晶，截止到今天，裁判文书网收录的文书，达到了138984280篇（1.3亿），且以一个惊人的速度在不停的新增。

我们作为占世界1/5人口的国家，每年的官司大概是2000多万件。也就意味着我们的社会运行，给ai提供了足够多的学习空间。

ai能做的事情，比人做的更快，但是人做事情的极限，基本也是ai的边界。

我们讨论ai可以学到什么，不妨我们可以先说说，这1.3亿份公开的判决书，给我们今天的生活带来了哪些改变呢？

我可能总结的不全：

1、为普通人提供了自学法律甚至自己打官司的渠道

2、有效提升了年轻律师的学习速度

3、为老律师提供了办案工具

4、营销方面帮助律师说服客户委托

5、裁判文书网的发展趋势：更卡、更少

1.1、为普通人提供了自学法律甚至自己打官司的渠道

在生活中无论你遇到什么跟法律相关的问题，除了上大学、找律师或者咨询法官之外，还有什么渠道来（自）学习呢？

新华书店买书，效率是比较差的，当然现在可以从JD、当当买了。

百度检索，能搜到很多新闻，但是新闻是经过媒体加工之后的法律方面的新闻，所以经常会出现报道个别案例，或者报道案例的理解和实际规定有差异的问题，需要进行人为的筛选。

裁判文书网，给出来的直接就是裁判文书，对绝大多数人来说，一个胜诉判决，其实就足够说明很多问题。如果是一堆胜诉判决，甚至你可以通过检索，看到哪些赢了，哪些输了，你就可以立刻确认最好的答案是什么。

比如推车的这个案子，就是一个简单的谁把谁的东西弄坏了，这个在寻常生活中经常会发生，他无非涉及到这么几个问题：事实是什么，有没有证据，弄坏的东西值多少钱，能不能修理，修理怎么修，要花多少钱。前面的问题是举证问题，后面的问题也是举证问题，只不过除了提供发票、转账记录之外，可以由专门的鉴定机构进行司法鉴定。

这种案件只要事实清楚，基本没有什么辩论的余地，我们目前也几乎没有涉及到精神损失，主要是采用填平原则，损失了多少钱，就赔偿多少钱。

这种小案子，大多数情况下上不了法庭，就是私下调解。但是只要造成损害的这一边坚持不配合，就可以利用对方诉讼成本的优势，享受做被告的好处：脸皮厚就有很大优势。

只要你有基本的检索能力，你就发现，几乎都是原告赢。

这是财产损害案由下，由目前AI进行的总结，如图所示，这类案件全部驳回的，占11%，原告诉讼被支持的，占了30.54%。

如果你认真阅读这些胜诉的案子、败诉的案子，总结败诉为什么败诉，你可能会发现大部分败诉的原因是不能举证，比如没有监控对方死不承认。

你自己总结不出来，你读了判决也能总结出来，为什么，因为我们的判决书有固定的格式，每个判决书都有固定的说理部分。

一份标准的判决书包括原被告的身份信息、原告诉求、被告答辩、法院查明的事实、法院认为、法院判决这几个部分，特别规范。

无论是ai还是人工，只要找到“法院认为”

就可以看到清晰地说理部分，虽然有的判决书长，有的判决书短，但是我们国家的法官判决普遍比较简练，说理也非常清楚：没啥水分，全是干货。

以上图判决为例，涉及到财产损害案件的，法院会披露民法典的规定，以及侵权责任的四个条件：一是行为人实施了某一行为；二是行为人行为时有过错；三是受害人的民事权益受到损害；四是行为人的行为与受害人的损害之间有因果关系。

人脑根据这四个标准，经过一定程度的训练，就可以知道自己想打赢官司需要证明的证据，或者根据原被告的陈述、证据，该如何进行判断。从规则理解的难易程度而言，其实也不见得比狼人杀复杂到哪里去。

那么对ai来说，如果人可以通过一定数量的样本学习，ai在足够多样本数支持的情况下，同样可以判断。甚至哪怕说极端点，只有一份判决给ai学习，你照着起诉状问，它照着法官判决说的话说，ai犯错的概率就很低很低。

法律自身也允许法官的自由裁量权，对ai来说就是容错率，就是在可左可右的问题上ai输出的结果也是可左可右的：

比如房屋买卖合同纠纷，一套200万的房子，房价涨了卖家违约，买家主张可以是双倍返还定金10万+10万，也可以是返还定金加违约金10万+40万，正常情况下法院的判决会酌情减低违约金，分布在20~50这个区间，且主要集中在20~30万这个区间上，那么ai的容错范围就是从20~50都不能说ai判错了。

而且可以明确的说，这里的上下浮动主要是人为因素，是主观的。

你要是让法官说明理由，他能讲一堆，但是你让ai说明理由，他也可以讲一堆。

chatGPT认为它只是给了建议，承担责任的是盖章的法官

当有一天明面上所有判决都盖着法官的章，但是背后法官是否真的看、审就两说了，而且如果你不服你可以上诉，申请人工复核，那么这个ai“太左”“太右”的问题还可以手动调整。

1.2、有效提升了年轻律师的学习速度

我在说的不是未来，而是裁判文书网出现后，已经发生的事情。

普通人通过看判决书，自学去打官司的人其实是凤毛麟角。裁判文书网并没有让人人都成为律师，除了广泛而普遍的信息不对称之外，学习的门槛和成本也是一条难以逾越的鸿沟：更何况打官司并不是只要知道大概的结果，就可以打了，他还需要行动，去写起诉状、去立案。

所以裁判文书网对普通人学法律的作用，远没有他对法律服务业的从业人员的影响大：谁用的多，谁的收益就大。

用的最多的，其实就是律师，而受益最大的，是律师行业的年轻律师。

裁判文书网之前，也有一个产品“北大法宝”，各个法院其实也是公开文书的，只不过这些检索工具要么数量比较少，要么比较难用，再加上互联网的发展程度，总之就是现在的律师要比过去好做，就是很大程度上得益于用裁判文书网缩短了学习的周期和成本。

你不用自己输掉一次官司，再去总结怎么去赢，你可以通过公开的大量判决书，知道在你前面的律师做了什么样的工作，并且在他们的输了赢了的过程中总结正确的策略。

整体而言，新一代的年轻律师，无论是从司法考试门槛的难度，还是从裁判文书网这种工具的便利程度而言，在对法律的精确性上是比早期的同行要好很多的。这一点在法院恐怕也是同样的道理。

无论有没有裁判文书网，法律的生命都在于经验，而有了裁判文书网，大幅度的提高了学习速度。

在对工具的使用上，年龄越大的人，越不容易跟得上，我认识的年龄大的律师里面，有一些不会用电子邮件，当然人家都是我父母这一辈的，使用电子产品需要我们的帮助。越是年龄小的孩子越不存在这方面的障碍。

即便如此，互联网工具对于整个法律服务业来说，也不是能惠及所有人的，就是有人用的很多，有人就用的很少。日复一日，差距也拉的很大。

chatGPT一旦出现，至少在新老律师里面，在对互联网工具敏感和不敏感的人群里，越低的门槛越容易拉平不同搜商的人的水平差距。但是这也不是绝对的，至少眼前来看，以后虽然不考搜商，但是可能还要比律师之间的问商。

谁问的水平更高更精准，谁的工作效率更高？

1.3、为老律师提供了办案工具

去年在我的建议下，给我们提供律所管理工具的icourt公司为他的alpha提供了一项新功能【个人成就】，就是参考知乎每年发给创作者的那个恭喜你今年回答三百多个问题什么的，iCourt公司开放了统计律师一年检索判决书的数量的功能。

为了能让所里卷一点，我在年底搞了检索数量的排名，发个奖。

也是和我是歌手的导演洪涛老师学习，我用倒叙公布律所检索年度排名的前三名。很多人在结果公布前，都在猜测谁是一年来，所里检索数量最多的律师，大部分人都把猜测的对象，锁定年轻工薪律师和实习律师。

因为大家普遍认为，年轻人更爱学习。

但是实际结果，确实合伙人包揽了检索数量的前三名，分别是九千+、九千+、八千+。

顺便提一嘴，我自己检索了2552次，相当于每天7次，还没能进入前十。

谁案子多、责任大，谁就用的多。

我们假设第一名检索了10000次，平均到每天就是27次检索。

如果你从9:00上班，开始进行检索，检索27次之后你就下班，你会发现你的工作也很轻松。毕竟一天按照8个小时上班算，1个小时内就可以完成这个工作。

律师赚钱的效率是可以用数学题量化的，只要用ai取代律师做检索，省出来的小时数低于律师的工资，那么律所采购ai的同时就可以裁掉一些律师。

幸好我们对时间的计算还算是精确：我们每个小时的工作都要做记录。所以我们可以轻易的统计一个案子完成过程中，检索所占的时间比例，然后再从成本角度进行量化。

除了提高检索效率，AI的应用也有他的潜在意义：就是让律所检索时间最靠后的律师，也会更乐于进行检索，不是为了验证检索的对不对，而是用检索给自己做的事情进行double check，检查自己的工作是不是做的完美。

1.4、营销方面帮助律师说服客户委托

在icourt推广的过程中，其实一度把大数据带来的检索便利性，尤其是当他快速生成PPT的功能展示在PPT的时候，会突出的宣传大数据带来的营销作用。

你知道律师最想的是什么？收律师费。

裁判文书网的裁判文书的大数据，做到PPT，就是一个鼓励律师对客户收费的应用场景。

法律有规定，不允许律师告诉客户他的案子是输是赢，偏偏这是所有客户委托律师的一个痛点：如果我能赢，我才愿意花钱请律师。

而一键生成大数据PPT上的图，把概率画成饼，就可以让客户感觉有把握。这是iCourt对律师销售的时候的一个卖点。

但是实际上，这个作用其实微乎其微，并不是你画个图，客户就买单了，这个影响因素相当的小，提供的便利程度也很有限。

1.5、裁判文书网的发展趋势：更卡、更少

如果你在知乎搜索裁判文书网，你会发现好多回答指向如何做爬虫针对裁判文书网。

裁判文书网从问世起，就广泛的得到了大数据对他的关注。

有些法律互联网公司认为这个大数据可以拿来做律师的“排名”系统，比如用于统计全网律师的案件量和胜诉率。

有的则是在“爬虫”抓到自己网站上，把自己变成一个比裁判文书网更快的检索工具，这也是我们不得不采购办案工具，为检索付费的原因之一，就为了不卡。

还有些法律以外的公司受益于裁判文书网的大数据，天眼查就肯定是其中之一。

这些大数据就存在两面性：

一方面，他确实是个优质的数据库，又真实，量又大，你甚至可以用它来看我们社会的一些个侧面，比如哪个领域多，哪个产品的交易量大。如果案子是社会的伤口，那伤口的数量就可以反过来测算皮肤的表面积，因为统计学意义上单位面积发生伤口的概率相同。

另一方面，这些数据又会导致他在国家安全层面，和个人隐私层面给我们造成一些风险，我们把判决都公开了，我们也就对外公开了我们生产生活的数据，甚至我们这边不允许“以人查房”，那边一看判决书身份住址什么信息都有了。

这也是为什么这几年，随着涉及隐私的法律出台，裁判文书网的数据产生了断崖式下跌的原因，目前的趋势是法院系统并不再鼓励裁判文书上网。

短期内，已经积累的过亿份学习素材能说明不少问题，但是由于法律自身也再更新，“不能用前朝的剑斩本朝的官”，如果新判决上网数量减少，就意味着ai的学习的养分也慢慢质量齐跌。

大数据的大数据，从2020年的2000万到2022年的700万，两年跌去了70%。

2、中期可能实现的应用场景

按照眼前（2年内）的进度，法律人工智能学习裁判文书网后，会产生哪些有意义的改变呢？

我们大致上总结如下：

1、帮律所省钱

2、帮普通人处理小案子：do not pay

3、为律所引流

4、为什么难以直接代替律师

2.1、帮律所省钱

前文已经论述了，检索要消耗律师一定的工作时间，文书也是同理。

文书的学习素材，律所可以提供一部分，但是要想让ai更精准，最好是让ai同时充分学习裁判文书网。

法院的判决说理部分，直接拿来做律师的起诉状，实际上是没有问题的：不需要长篇大论。

除了律师函，甚至包括律师函，律师使用的文书都比较强调实用性。虽然同行们可以保持自身个性，在所有的产品中加入大量的水，但是这个水本身并不是必须的。

比如我有个著名的刑事业务的律师朋友，他的习惯是给客户写几百页的辩护意见，让客户感受律师的服务，同时，在做一个一页A4纸的版本给公诉人和法官看。这种做法可以让双方都感到舒服。

AI可能能有效的节省一些他给客户版本的文字的写作时间，前提是他把之前二三十年攒下的成吨的辩护意见全喂给AI。

检索角度，目前国内包括iCourt、无讼等等法律互联网公司，已经在裁判文书网大数据的人工智能部分做了一定程度的工作了，我们目前的工作量，就是在法律工具的帮助下简化出来的成果。

其中包括加载的速度，包括排版的“加粗”，以及“可视化”等图表的生成，从法条、法官、律师名字的链接与反链，已经一定程度上优化了检索的体验。

更进一步的、更强大的AI，就是无限的缩减我们在这一块的工作量。

这里面还有一个问题，就是抹平律师与律师之间在搜商上的差距，把相对差一些的律师的短板提高。

但是这一切的一切，从效率上所做的努力，按照目前国内的业态来说，市场其实很小。

像我们现在的团队规模，也就是100个员工左右，在行业内是大团队，大规模的团队的数量很少，更多的都是单干的律师。

100个人在整个社会是什么概念，就是典型的中小微企业。

法律服务业总的产值规模就不大，也就是一两千亿这个数量级，具体到大团队总共占的市场规模可能一两百亿？那具体在效率方面去付费，产生能足以养活这么多互联网码农的产业链，是否能温饱是个大问题。

通常意义来说，律师就是给各个企业喝稀汤的，是给企业提供法律服务的，现在要给喝稀汤的人提供更快更有效率喝稀汤的服务，喝到的就是稀汤中的稀汤，这个就会让很多在最近看到风口的创业者，成为chatGPT热度的炮灰。

要知道从2000年互联网兴起之后，有无数律所主任和互联网创业者要做法律互联网+，而到目前为止基本都出师未捷身先死了。

咱们务实一点，活不活得下去，先靠什么赚钱养活自己，支持下一步的发展，是个很要紧的问题。

2.2、帮普通人处理小案子：do not pay

我注册了一个do not pay，但是我没有罚单。

国外的交通罚单，是通过法院给的，不像国内交警直接罚你，没得说。所以国外一直有个业务，就是普通人你只要去出庭应诉，由于“交警”不一定出庭，或者法官同情你，就可能免掉你的罚单。

do not pay就是找到了这样一个痛点，从小案子开始。

我们也可以找到一个这样的痛点，毕竟你不一定天天有个摩托车被别人推。处理交通案件，经常需要上法庭，以至于有专门的律师去急诊室找客户。

很多年前，他们就提供一种表格，就是客户输入一些数字，销售可以在急诊室现场输出你的胜诉判决金额，而且由于“第三者责任险”的存在，这些钱几乎不存在执行难问题。

那么当你躺在急诊室的床上，一个中国版的do not pay叫“邀请我干什么”，打开app，输入你的数字，然后你就看到一个数字，是你能拿到的索赔金额，你再点一下，一大堆pdf就发到你的邮箱，里面还有个攻略，手把手教你去法院立案。

开庭也简单，用我们生成的pdf，起诉状.pdf 证据目录.pdf 委托书.pdf 代理意见.pdf，把所有这一大堆给法官一交，然后对着法官努努嘴：诺~诺~。再点点头、眨眨眼。

法院问什么，都说见书面材料，开完庭做完笔录回家等判决。

据我所知很多年前，这个领域最厉害的元甲所就做到了这样的自动化程度。

但是呢，在已知的将近500个案由中，只有交通事故纠纷一个案由做到了这种程度，和do not pay的切入点是异曲同工、殊途同归。

这就是他的应用面，如果有一个更强的人工智能，能把这个应用面向上浮动，如果我们把四百多个案由作为ai攻占法律服务市场的版图，可以想象这个海水必然是由易到难，中间会有一个奇点。

我要是能预测奇点和时间，我就拿这个力气去预测股市。

但是我能推测下一个do not pay，就是交通事故之后，最容易也最寻常被拿下的是什么案子：借钱。

就是“邀请我干什么”的第二个功能，除了“我出了车祸”，接下来就是“他欠我500块”。

这也是一个典型的打官司嫌贵，不打官司又解决不了，发生频率又极高的事情。

那么这个值不值得开发呢？

并不是有个“痛点”，就一定产生海量需求。

因为你开发出一个东西，你要让别人知道你把这东西搞出来了。

寻找和培训客户的成本是始终存在的。

一个愿意“do not pay”，不想花钱的人，他真的找不到自己打官司的路吗？

并不是，实际上你在知乎随手一搜，就能找到海量的信息，指导你怎么自助打官司。

所以开发了“邀请我干什么”这个APP之后，你就不得不面对，如果想把他商业化，你就要为他宣传，打广告，你要花钱找到客户，告诉他可以不用律师要回你那个500块钱，只要你用我这个app就可以。

这个app怎么生存呢？就是他必须向客户收费，来覆盖开发成本和广告成本。

那么问题来了，假设开发成本是100万，广告成本每个客户是5块钱，我们应该对客户收多少钱才能稳定的产生盈利呢？

于是“邀请我干什么”就不得不对“他没有钱付律师费”的人收费。

要想撑过漫长的前期发展，要么就是从天降一个救世主，小爱同学和小度小度，愿意教主人怎么不去律所要回500块钱，要么就是律所自己开发这个，目的是小案子背后的大案子。

2.3、为律所引流

在do not pay的运营过程中，还是出现了律师的身影。

在相关报道中提到，如果你遇到了ai搞不定的问题，你还可以找律师，ai甚至可以帮你“推荐”律师。

于是，这个do not pay的本质，就会回归到搜索引擎，

你通过百度找律师，律师为了让你找到，就付费给百度，于是你就找到打了广告的律师，最后百度赚到了广告费。

于是，你要支付“律师费”+“广告费”。

一个专门针对法律服务开发的ai，他的作用尤其是前中期，大概率就是给律所去引流。

无论这个AI是律所开发，还是由互联网公司开发。

2.4、部署AI给律所管理带来的考验

2021年，由于烂尾楼大爆发，律所一度人手非常紧张，到了22年的年初，由于工作惯性问题，我的下属几乎天天都加班，加班最多的是律师助理。

为了给律师助理简化工作，我特意接手了我一个下属，韩律师的一部分工作：收集客户的资料。

韩律师当时参与他们小组的一个案子，负责客户群里每个业主的购房合同、身份证的搜集和整理工作，大致上就是整理出一大堆以客户名字命名的文件夹。

当时业主代表开了一个邮箱，然后把邮箱地址公布在业主群，由业主把资料直接发到邮箱。

韩律师的工作，就是下载邮件，然后整理。

我当时为了搞清楚他们到底忙什么，就让韩律师分我工作，他就把这个毫无技术含量的工作分给了本主任。

韩律师给我示范了一下，就是怎么搜集这些资料：打开邮箱，下载附件，查看内容，建立以业主名字命名的文件夹，复制，上传到律所的OA里。

但是有个问题，邮件下载流量有限制，一天只能下载500mb（？），之后就会限流。

我计算了一下韩律师的工作进度，他每天下载几百兆，要想把资料整理完，这起码照着两个礼拜去了。

我研究了一下，上来就展示了所主任的钞能力，充了15块钱，办了邮箱的会员，解除了下载限制。

从下午4：00我拿到工作，我就一直搞到晚上9:00，用了整整5个小时的时间下载、查看、上传，终于整理出了一个文件夹：几百个业主的文件夹码放在里面。

然后，22年的1月，我就投资了5万块钱，委托一家互联网公司开发了一个小程序，用来在业主群搜集客户资料，自动命名文件夹。

然后，我又立刻对全所低年级律师和律师助理进行了培训，让他们以后用小程序，经过我的计算，只要大家都用小程序，我律所一年可以省出一个助理一个月的工时。

转眼间一年过去了，到了23年，我们的IT负责人找我，问要不要给小程序的服务器续费，因为她发现这个小程序在过去的一年里都没人用。

我就感到很郁闷，就要求立刻去调查一下各个小组低年级律师和律师助理，到底是用什么办法去搜集客户资料的。

结果用的还是最老套的人工办法，而不是用小程序，就和当年我们推广邮件合并、alpha记工作记录时候一样困难，要帮助全所上下克服路径依赖。

我就意识到，其一，人与人对于新技术的敏感程度完全不同，我只要做过一次五个小时的重复劳动，我就要动脑子怎么省事怎么来，而大部分人不是这样，我不能以己度人。这也是我们在chatGPT创业的过程中时刻警惕的问题，用户们不像互联网从业者这么热衷于使用工具。

其二，就是如果想要全面推进律师使用新技术，必要的时候就要有配套的管理制度，比如定期的培训、考核、KPI。我们可以在所内设置KPI，考核所有不使用AI工具的律师，但是一旦离开律所，你不太现实的是去给客户设置KPI。

这真是想到哪儿写到哪儿。

3、远景：能否最终没有律师和法院？

在2043年，骑摩托的一句“小度小度”，就可以快速拿到16000块钱赔偿。

我们到达这里还需要几步？

首先，要实现AI发起诉讼的“立案”工作。

接下来，法院自动立案后，要实现原被告AI的庭前准备。

然后，要实现AI法官审理案子。

最后，要执行自动化。

3.1、原告的立案问题

AI是一个工具，你问他问题他回答，他不会自己起诉，这就夺走客户的诉权了。我不知道大家受得了受不了，走着走着路，小爱同学突然跟你说：告吧告吧！

20年后，大概率是人类主人判断什么时候该起诉，他可以问AI。这就是一个法律应用场景——前期咨询。

摩托车手问：我摩托车被老太太推倒了，我怎么办？

小度：告吗？

这一问一答就是个法律咨询。摩托车手可以说，告！也可以问，告的赢么？

小度可以告诉他，你需要ABCD，拍照这个录像那个，案情给我说说。

那么这个咨询、决策的过程，去哪里学习呢？

各个律所，尤其是国内比较大的律所，都有市场部门，会每天接到大量的客户咨询。这些咨询，都是有记录的：一个是在网页聊天、微信聊天记录里，全是文字，一个是在律所的呼叫中心的录音里。

也就是说，只要从CRM里把这些录音导出来，就可以让AI（语音转文字技术已经很成熟了）学习。

这个资料可比几个律师人工培育AI靠谱多了，因为他也是一个客观的数据量。

一天100+咨询电话的呼叫中心，在北京绝对不止20家律所有。单拎出其中一家来，都可以提供好几年的数据量，也就是最少20万段对话记录。

从2000年之后，就诞生了好多个法律互联网门户，法律互联网1.0、2.0、3.0，这些网站基本上都大量的接收客户咨询，产生了大量的客户提问和律师回答。不过如果内容捕捉的不完整，缺乏现场咨询的场景的话，上述素材的质量偏低一些。

这些教材，可以考虑发育出10个AI，让他们每个人接待100个客户，根据回答的好坏来让律师打分，肯定能通过迭代搞出一个最优秀的AI。这个AI可以商用，代替律师的前期委托谈案工作，也可以干脆民用，丢给摩托车手去问：小度小度，能告吗？

小度说能告，制作诉状，发给法院（法院支持在线立案），扫脸交费，一气呵成。

3.2、法院的审理问题

法院的庭审是有直播的，也是有大量视频，现在就有。

2000万场直播，全是视频，意味着可以转文字学习。

这些视频还有判决。也就是说，输入、输出是成对出现的，有过程，有结论，结论还盖着法院的章。

这个素材量还不够，如果我们想要发育一个强的审理案件的AI，这个开发主体如果是最高院，那他只要把摄像头的数据全捅到AI的屁屁上……再加上一些神奇的化学反应，程序员也说不清楚的事情可能就发生了。

如果发育“浙江”“上海”“北京”的多个AI法官，然后让他们审理同样的案子，给出结果，再有法官们人工投票，选出业务能力最强的AI法官，那么20年后我们每个法官的前端都不是书记员，而是AI。

法院可以把案件类型进行划分，小而杂的案子，比如“物业费”“商标侵权”“著作权”这类一个原告一大堆被告，没什么技术含量的案子，完全可以交给AI法官批量处理。

每个AI法官背后，对应一个人类法官。

这些AI审理的案件，如果原被告上诉，就由人类法官进行一次实体审理，甚至从效率上，直接搞个书面审理也不是不可以，毕竟给了双方提交资料、证据的机会。

我们现在的法院，一审之后，大概是八个案子有一个上诉，而上诉维持的概率是60%。也就是说，AI法官负责一审，人类法官负责二审的话，只要人类原被告上诉的概率低于八分之一，法官符合认为AI有问题的概率低于40%，AI法官和人类法官的数据就比一审法官和二审法官的数据更好。

这也意味着AI法官有非常宽松的容错率。

3.3、原被告的博弈

审理案件的效率提高了，案件量不见得提高：原告在“立案”之前，不会去打必然会输的案子。

必然败诉的案子不会启动，同时，输掉的案子必然是被告作出了一些措施，超出了原告AI的预计。

为了进一步弥补败诉风险，一旦原告AI认为告不赢，原告可以不停的在AI这里先实验各种各样的诉讼方式。于是在法院的AI之外，可能还会出现一个模拟法官的AI，和模拟被告的AI，让原告通过不断的试错来找到最佳的诉讼策略。

由于什么时候起诉，原告有充分的时间试错，目前法院允许的诉讼时效民事是3年时间，可以在将近500个案由、行政民事刑事等多个领域里寻找赢的机会，而被告一旦收到传票，能做的事情可能都被原告算完了。

这给我们社会带来的考验，就是当原告过于容易，而产生大量的碰瓷。

被告就比较糟糕一些，因为他基本吃到起诉状就输了。

于是，就不得不出现一种AI，叫“今天我不当被告”，就是时时刻刻提醒你不要干这个，你不要干那个。

“老徐老徐，今天我不当被告提醒你，今天出门不要做百度的车，因为这个车已经被一位女士预订了，如果你上车后抬头看她，被告流氓败诉的概率是95%，如果你低头看她，被告色狼败诉的概率是87%，她跳车导致你坐牢的概率是44%，你跳车一分不赔偿的概率是77%，这位女士最近已经把12个男性送上被告，目前为止胜诉率100%。”

“老徐老徐，今天我不当被告提醒你，中午不要去KFC吃土豆泥，今天吃土豆泥被起诉侵权的概率是48%，因为最近七天该KFC已经发生了113起人身伤害案件。”