AI时代的超级个体

#本文仅代表作者观点，不代表IPRdaily立场#

“决定你和AI合作深度的，不是模型能力，而是你的品味与基本功。”

来源：IPRdaily中文网（iprdaily.cn）

作者：赵克峰 己任律师事务所

作者注：

本文是我在第二届亚洲知识产权人才盛典主题发言的文字整理稿，也是我近期使用AI工具的一些思考，特整理出来，供各位读者讨论、批判。

赵克峰  己任律师事务所

引子：我们今天谈的不是“用AI偷懒”，而是“把手伸得更长”

我想讨论的“AI时代的超级个体”，很容易被包装成一句漂亮的话：听上去像励志口号，也像“一个人替代一个团队”的夸张叙事。但把视线从话术移开，你会看到它对应着一种正在发生的职业现实——当AI成为普遍可得的认知基础设施之后，个体的能力边界正在重新定价。它越来越少由组织规模、岗位层级或可支配人力决定，越来越多由一个人能否把AI嵌入自己的工作流决定；更进一步，还取决于你能否用可控、可验证、可复用的方式，让AI在关键环节持续放大自己的判断、表达与行动能力。所谓“超级”，并不神秘，也并不等同于无成本地更快，它更像是在同样的时间与精力约束下，把能力的可达范围向外推一圈：把手伸得更长——触达更多信息与结构；把脚跑得更快——更早形成可交付的中间成果；把眼看得更深——更早暴露论证薄弱处、事实断裂处与风险边界。换句话说，我们关心的核心问题是：怎样让AI稳定地成为一个可控的“能力放大器”，而不是一个让人短暂轻松、长期失控的“文本生成器”。

1. 从一个非标案件合伙人的视角出发：AI不是标准化应用场景

我之所以选择从这个角度展开，是因为我的工作长期处在“非标”场景：重大、复杂、疑难知识产权诉讼，尤其是新类型、复杂度高、事实链条长、责任后果重的案件。在这类工作里，AI很难被理解为一个“有标准化应用场景的工具包”。原因并不复杂：非标案件的关键价值往往不在于把字写出来，而在于如何界定问题、如何选择争点、如何组织证据、如何设计论证路径、如何预判对抗并控制风险。这些环节高度依赖人的判断与经验；更重要的是，每一次选择都要对外承担后果，因此天然排斥“照模板套用”。

也正是在这种场景里，AI的定位需要先完成一次去神化。我更愿意用一句贴近工作体验的表述来概括它：AI不是神，它更像一个很聪明、很勤奋、不要工资、不疲倦、不闹脾气，但也挺不靠谱的实习生。它能把材料堆成结构，能把初稿拉出轮廓，能从不同角度提出可能的论证路径，甚至可以模拟对方的攻击点；同时，它也可能一本正经地误读事实、跳过关键前提、编造出处。对法律行业而言，风险并不抽象：错误不仅会发生，而且往往很显眼，代价也往往很具体。因此，真正重要的从来不在于“我用了什么模型、买了什么系统”，而在于在高责任、低容错、强对抗的专业场景中，AI以何种方式进入工作回路，才能带来确定性的增益，避免把不确定性以更隐蔽的形式嵌入交付物。

2. “超级个体”的真实含义：能力被放大、速度被提升、边界被外扩

基于上述前提，“超级个体”这四个字需要被还原为一种工作结构，而不是一种心理暗示。它要求你把AI放置在清晰的责任框架中：你是脑子，AI是手脚。AI可以替你跑腿、替你铺材料、替你搭框架、替你做红队，但它不能替你承担判断与责任。当这条边界被严格维护时，AI才更可能稳定地放大你的能力；边界一旦模糊，AI同样会放大你的错误，并且让错误更难被及时察觉。

于是，“超级”的含义可以拆成三个可被观察、也可被训练的维度：

（1）能力被放大：你能在更短时间内处理更大规模、更高密度的材料，并把非结构化信息转化为可操作的结构，例如大事记、正义点总结、证据清单和论证框架。

（2）速度被提升：你能基于讨论和原始材料，更早形成可交付的中间成果——清晰的框架、可讨论的初稿、可检验的时间轴、可反驳的论证路径等。

（3）边界被外扩：你能更快进入陌生领域，补齐必要的背景知识与概念框架，并将其转化为可用的专业表达与策略工具，但前提始终是“可验证”，而不是“看起来很懂”。

在这个意义上，AI带来的变化更接近一次“从工具到范式”的迁移：当信息处理与表达成本显著下降，真正稀缺的能力发生了位移——不再只是“写出来”，而是“判断什么该写、怎么写才成立、写到什么程度才可交付”。换句话说，真正稀缺的能力是“品位”。这也解释了为什么同样的AI落在不同人手里会产生完全不同的结果：它不会自动生成专业性，它更像一面放大镜，把人的专业能力放大——优点会被放大，缺点同样会被放大。

3. 三段式结构：为什么用、怎么用、用的时候注意什么

基于此，我将分为三部分，和各位讨论，为什么用、怎么用，以及用的时候注意什么

第一部分讨论“为什么用”：更新对AI的理解，把它从“聊天机器人”和“内容工厂”的窄框里释放出来，同时正面处理两类高频误区——把AI当代工厂、把AI当权威数据库，并由此引出human-in-the-loop作为底线的必要性。

第二部分讨论“怎么用”：给出一套可迁移的嵌入式用法，覆盖接案、法律研究、文书起草、谈判与合规等关键节点，让AI真正进入“理解—组织—表达—验证”的链条，而不是停留在“生成几段话”的表层。

第三部分强调“用的时候注意什么”：在专业责任与外部可验证性要求下，哪些环节必须坚持人控、核验与可追溯，哪些边界不能跨越，哪些行为（例如“AI直出直发”）在职业伦理与风险控制上不可接受。

我的目标不是让读者“更热爱AI”。更现实的目标，是让读者获得一种更稳健的能力：在AI成为环境变量之后，仍能把自己训练成一个可控的放大器——既放大效率，也守住质量与责任。这样意义上的“超级个体”，才可能被建构、被复制，并被长期迭代。

三段式结构：为什么用、怎么用、用的时候注意什么

AI进入多数人的工作场景，往往是以一种“低门槛、立竿见影”的方式开始的：问答、总结、润色、起草、改写。于是我们很自然地把它归入“更高级的写作工具”或“更聪明的搜索助手”。这种理解并不完全错误，但它过于窄化了AI真正重要的作用点——  AI并不是只在某一个环节替我们写几段话，而是在重塑专业工作从信息到判断、从判断到表达、从表达到协作与交付的整体链条。这正是所谓“从工具到范式”的变化：当生成与组织信息的成本显著下降，真正稀缺的能力会从“产出文本”转向“组织结构、验证结论、控制风险、推进协作”。如果不先把这一点讲清楚，后续所有“怎么用”的技巧都很容易滑向两种高频误区——一种是把AI当代工厂，另一种是把AI当神谕数据库；而这两种误区，在高责任行业里都会以更隐蔽、更高密度的方式制造风险。

1. 误区一：把AI当成“我不想想、也不想写”的代工厂

第一类误区最常见，也最容易被“效率叙事”合理化：工作太忙、材料太多、表达太耗时，于是希望AI根据一句话、几条要点，直接生成一份“可以交出去”的东西。很多人甚至会把这种方式当成AI的核心价值：我不想想，我也不想写，你替我做完——我最多再改两下。

问题在于，这种用法在低风险场景可能有效，在高责任场景却会发生结构性错配。专业文本不是文字产品，而是经验判断的外化。起草一份诉讼文书、合规意见、谈判邮件或客户简报，看似是在“写”，本质上是在做一连串选择：哪些情节重点考虑？哪些证据需要重点补充？文字应该简要还是详实？文风应该稳健还是激进？何种观点对我方整体有利？对方可能从哪里攻击、我们如何预设回应？法官可能关注什么问题，我们又该如何回答？AI可以把一段话写得很顺，但它无法替你承担这些选择背后的后果——更不会对外部世界的对抗、质询与追责负责。

更隐蔽的风险在于，代工化使用AI会改变人的工作顺序：从“先形成判断，再组织表达”，滑向“先得到表达，再倒推判断”。当文本先出现，人往往会被它的结构牵引，进入一种“局部修补”的模式：觉得哪里不顺就润色一下，觉得哪里缺点就补几句，却不再回到根本层面去重建问题框架。这种状态在心理上非常省力，但在专业上非常危险——因为你最终交付的不是一份你完全掌控的论证体系，而是一份“看起来完整”的文本拼装。它可能在关键处缺乏支撑、在隐含前提上偷换概念、在引用上出现不可核验的漏洞。结果往往不是“效率提升”，而是把风险以更高的隐蔽度嵌入交付物之中：短期看不出来，进入对抗就暴露；暴露的那一刻，代价往往是信誉而不是返工时间。

所以，这一误区的实质不是“AI会不会写错”，而是把生成当成完成，把速度当成质量，把输出当成责任。在法律行业尤其如此：对外交付意味着背书，意味着你要能解释、能追溯、能承受对方攻击。AI可以“代工”文字，但不能“代工”责任。

2. 误区二：把AI当成“神一样的权威数据库”

第二类误区更隐蔽，也更具有迷惑性：即使不让AI代写，人也可能在阅读AI输出时把它当作权威来源——它说得这么完整、这么自信、这么有条理，应该是对的。尤其当模型给出看似严谨的规则归纳、案例引用、学说观点时，人很容易把“表达的确定性”误认为“事实的确定性”。

这恰恰是高风险所在。因为AI最强的能力之一，是把语言组织得非常像“权威答案”：结构完整、语气笃定、逻辑顺滑，甚至还能给你配上一串引用。这种输出在日常交流里可能只是信息偏差，在专业场景里却会击穿方法底线：专业结论的可信度，不来自自信，而来自可验证性。如果一个关键结论无法回到规范性法律文件、权威判例或案件原始材料进行核验，那么它再像真的，也只是“像”。而法律行业恰恰是一个对“像”极其不宽容的行业：错误不仅会发生，而且往往很显眼；一旦显眼，就不再是文本瑕疵，而会转化为立场被动、论证失分、甚至职业信誉受损。

在这里，用一句话来定性非常合适：AI不是神，它更像一个很聪明、很勤奋、不要工资、不疲倦、不闹脾气，但也挺不靠谱的实习生。你可以让它帮你做大量前置工作：归纳材料、提出观点、整理争点、模拟反驳；但你不能把它当作最终权威，更不能把它提供的“引用”当作可直接对外使用的依据。把AI当神谕，最大的危险不是它偶尔胡说八道，而是它胡说八道时仍能保持专业腔调，从而提高你“误信”的概率。

因此，第二类误区的本质不是“AI会不会幻觉”，而是人在方法论上放弃了核验，用“看起来对”替代“可证明对”。

3. 正确认知：AI带来结构性影响，正在从根本改变我们的工作方式

当我们把上述两种误区剥离，AI的正确位置才会显现：它既不是“我不想想也不想写”的代工厂，也不是“神一样的权威数据库”，而是一种可以嵌入专业工作链条的通用能力——更准确地说，是一种能够介入“理解—组织—表达—验证”全过程的推理与语言结构化能力。

它的价值首先体现在结构层面：把非结构化材料转化为可操作结构，把零散推理转化为可检验论证，把隐性经验转化为可复用机制。更重要的是，这种能力会改变协作方式与组织形态：传统金字塔式分工依赖底层堆材料、上层做判断，而AI可以在多个层级同时提供支持——既能承担大量重复性整理与初稿生成，也能承担“对抗性任务”（模拟反方、寻找漏洞、生成替代路径）。这意味着，个人对结构与节奏的掌控力被放大：你可以更早得到可讨论的框架、更快完成多轮推演、更迅速暴露薄弱环节，从而让高质量产出不再完全依赖“更多的人力堆叠”。

但这种结构性影响要成立，有一个前提必须被制度化：  human-in-the-loop。它不是抽象口号，而是专业场景中确保增益“确定性”的底线安排：你是脑子，AI是手脚。AI可以替你跑腿、替你铺材料、替你搭框架、替你做红队，但它不能替你承担判断与责任。判断权必须由人掌握；关键事实、关键引注与关键结论必须可追溯核验；对外交付的文本必须由人背书并能承受对抗。只有当AI被放入这样的责任回路中，它才会稳定地产生生产力，而不是随机地产生风险。

4. 现实提醒：AI不会取代人，但会用AI的人会取代不会用AI的人

从这个框架出发，“AI不会取代人，但会用AI的人会取代不会用AI的人”就不再是一句情绪化的恐吓，它更像是对竞争结构的描述：当表达成本下降后，差距的来源发生位移——从“谁能写得更多”转向“谁能组织得更好、验证得更严、失误率更低、对抗准备更充分”。未来更重要的能力，不是产出本身，而是产出背后的结构与方法：更早形成可交付的中间成果，更快完成多轮推演，更稳地守住可验证性与责任边界。

因此，你未必会被AI直接淘汰，但你很可能会被那些把AI纳入可控回路、并把它变成稳定生产力的人拉开差距。尤其在法律、咨询、投研、产品、写作等高度依赖信息处理与表达的行业里，这种差距会呈现得非常具体：更快的节奏、更强的结构、更少的可见错误、更稳的风险控制、更强的对抗弹性。换句话说，AI带来的范式变化并不自动奖励“用得多的人”，它更倾向于奖励“用得可控、用得可验、用得可背书的人”。

风险并存：AI既放大能力，也放大错误

AI之所以值得被认真讨论，根本原因并不在于它“能做很多事”，而在于它对专业工作具有一种明确的放大效应：它放大效率，也放大缺陷；放大结构能力，也放大方法失误；放大你对材料的掌控力，也放大你对风险边界的忽视。当AI被嵌入到高责任、强对抗的工作链条里，这种放大效应会呈现出一种非常现实的双面性——它可以让一个人更早形成结构、更快推进协作、更系统进行推演；同时也可能让错误以更高的速度、更低的可见度进入交付物，并在外部对抗中以更高的代价爆发。因此，AI的风险并不是“附带问题”，它本身就是使用方式的一部分：你如何管理风险，决定了AI最终是生产力还是不确定性来源。

1. 幻觉不是“不能用”的理由，而是“必须人控”的理由

很多人拒绝AI的理由很简单：它有幻觉。这个判断在事实层面并不难成立，任何实际使用过的人都会遇到。但把“存在幻觉”直接推导为“不可使用”，其实跳过了一个更关键的问题：在专业工作中，我们从来都不是在一个“零错误”的世界里工作。实习生会看漏材料、助理会抄错日期、同事会误读条款、甚至我们自己也会在高压节奏下出现疏漏。区别不在于“是否可能出错”，而在于“错误如何被发现、如何被纠正、如何被阻断进入对外交付”。

AI的幻觉，本质上是一种新的错误形态：它往往不以“明显的破绽”出现，而以“看起来很像答案”的形式出现；它常常不暴露在语言层面，而潜伏在事实、出处、推理前提和逻辑链条中。也正因为它“像”，它对人的心理更具诱导性：人在阅读时更容易放松核验，甚至会在不自觉中对结论产生依赖。因此，幻觉的真正问题不在于“AI会不会瞎编”，而在于它提出了一个更严肃的工作要求——你必须建立一套更明确的责任回路，确保任何关键结论都经过人工判断与可追溯核验。

换句话说，幻觉从来不是AI“不能用”的理由。AI生成购物必须可被验证和溯源。只要这一套机制不存在，幻觉就会从“可控的错误”演化为“不可控的风险”。

2. 典型翻车：编造案例、虚构引注、错误格式仍被当真提交

在法律行业，AI翻车最具代表性的形态，往往集中在两个区域：案例和引注。原因也很直观：这两类内容对“看起来专业”极其关键，却又最容易被AI以“看起来很像”的方式伪造或拼接出来。

第一类是编造案例。AI非常擅长生成一个像真案例的叙述：案由、争点、裁判要旨、甚至“看起来合理”的案号格式。对不熟悉该领域的人而言，这种输出的迷惑性极强；对熟悉法院系统的人而言，破绽可能也很明显——但问题在于，翻车往往发生在“没人去看破绽”的时候：当团队把AI输出当作可靠检索结果，直接进入材料引用或对外沟通，错误就完成了从内部草稿到外部文书的升级。

第二类是虚构引注。AI会给出非常像样的“观点出处”，甚至能配上作者与论文题目，读起来像是严谨的学术支撑。但其中的关键往往无法复核：原文是否存在、是否表达过该观点、上下文是否被扭曲、引用是否准确。在对抗性场景中，这类漏洞往往不是“可忽略的细节”，而是对方最愿意抓住的突破口：一旦引注不可核验，整个论证的可信度就会被拖累。

这些翻车的共同点并不复杂：它们往往发生在“责任回路断裂”的位置。不是AI产出了错误，而是错误缺乏阻断机制，最终被当作可信内容进入对外交付。

3. 核心原则：Human-in-the-loop——你是脑子，AI是手脚

因此，讨论AI风险时，最关键的不是罗列更多翻车案例，而是把一个底线变成制度化的工作习惯：human-in-the-loop。它不是一句安全口号，也不是“谨慎点”“多检查”的泛泛提醒，它对应的是一套清晰的分工逻辑与责任结构。

要把这条原则从“正确的话”变成“可执行的机制”，至少需要在三个层面落实。

第一，判断权必须由人掌握，尤其是问题界定与争点选择。

AI很擅长把已有信息重组为多个视角的答案，但它无法替你做最关键的取舍：这件事真正的核心争点是什么、哪些事实对结论构成决定性影响、哪些路径在策略上更优、哪些表述会引发不必要的风险。在诉讼、合规、谈判等场景中，这些判断往往并非纯粹的逻辑推理，而是包含经验权重、风险偏好、对抗预判与责任边界的综合决策。它属于“脑子”的工作，不能让位给“手脚”的产出。

第二，关键结论必须可验证，核验机制必须前置而非事后补救。

human-in-the-loop的核心不是“最后看一眼”，而是把核验变成流程的组成部分：AI提供线索，人完成核验；AI给出案例或引注，人回到权威来源确认；AI生成时间轴，人对照原始证据逐项检查。这里最重要的不是核验的“勤奋”，而是核验的“对象选择”：凡是进入对外文本的关键事实、关键引用、关键数字、关键结论，都必须可追溯。AI可以帮你把材料先铺开，但不能让“不可追溯的内容”混入交付物。对外文本的质量，最终取决于可验证性的密度，而不是语言的流畅度。

第三，责任必须被明确归属，对外交付必须建立“背书逻辑”。

在法律行业，“交付”从来不仅是把文件发出去，它意味着你愿意为其中内容承担解释、质询与后果。human-in-the-loop要求你在交付前能回答三个问题：我为什么这样写？依据在哪里？对方可能如何攻击、我如何回应？如果你无法回答，说明你并未真正掌控这份文本。AI可以让你更快得到一个看起来完整的初稿，但初稿到交付之间的关键步骤，仍然是人的背书与重建：把AI的输出转化为你自己的论证体系，把“像结论”的句子落到可核验的材料上，把潜在争议点提前暴露并加固。

从这个角度看，human-in-the-loop并不是“限制AI”，它恰恰是在释放AI的价值：当责任回路清晰，AI可以在“手脚”层面做到极致——跑腿更快、铺材料更广、搭框架更迅速、红队更犀利；而“脑子”层面的判断与核验仍由人掌控，保证专业性与可背书性不被侵蚀。一个真正成熟的AI工作流，最终呈现的状态往往是：AI让你更早获得可讨论的结构、更高频完成推演、更及时发现漏洞；人让这些结构与推演变得可验证、可解释、可对抗、可交付。

怎么用：从金字塔到“AI嵌入每一环节”的新组织结构

一旦把“你是脑子，AI是手脚”的底线立住，“怎么用”就不再是提示词技巧问题，而变成组织结构问题。很多人谈AI落地，习惯从工具清单或功能点切入：能不能自动摘要、能不能起草合同、能不能检索案例。这样当然有用，但容易把AI当作局部外挂，最终只是在既有流程上贴补丁。更具解释力、也更可迁移的视角，是把AI理解为一种会改变分工逻辑的能力：它进入的不只是写作环节，而是“理解—组织—表达—验证”的每一个环节；它改变的不只是速度，而是我们如何配置人力、如何安排协作、如何让产出更早进入可讨论状态。

换句话说，AI带来的不是“谁多了一个工具”，而是“组织如何重排”。在法律、咨询等文本密集行业，这种重排最直观的表现，就是传统金字塔式分工开始松动，新的嵌入式结构开始出现。

1. 旧结构：金字塔式分工（实习生—律师—资深律师—合伙人）

传统律所或专业服务机构的工作流，典型形态是一座金字塔。底层负责高强度、重复性强、对判断要求相对较低的任务：整理材料、做时间轴、标注重点证据、初步检索、摘录要旨、按模板生成段落。往上进入律师与资深律师层，更多承担“把材料变成结构”的工作：争点如何确定、证据如何组织、论证如何搭建、行文如何符合风格与策略。塔尖的合伙人承担最终决策与背书：立场与策略选择、关键段落与关键风险控制、对外口径与对抗预判。

这种结构并不是偶然形成的，它对应着一个成本—能力匹配逻辑：把可标准化、可分解的劳动下放，把不可标准化、需要经验与责任的判断上收。它在过去很长时间里运转良好，直到一个事实发生变化：底层的大量工作，本质上是信息与文本的组织劳动，而AI恰恰在这些环节具备非常强的介入能力。于是，金字塔的底座开始出现“可替代的部分”，而更关键的是，上层的工作节奏与协作方式也会被连带改变——因为当底层材料组织成本下降，上层最稀缺的就不再是“有多少人帮你堆材料”，而是“你能否更快完成结构决策，并更早进入对抗推演与质量验证”。

2. 新结构：AI同时像“勤奋但不靠谱的实习生”、也能像“红队合伙人”

在新的结构里，AI的角色并不单一。前文已经论述了，AI可以做一个很聪明、很勤奋、不要工资、不疲倦、不闹脾气，但也挺不靠谱的实习生。但如果只把AI当“实习生”，又会低估它在另一类任务上的价值——对抗性任务。很多人真正用顺AI之后，会自然把它放到“红队”位置：让它替你找漏洞、替你模拟对方最强攻击点、替你从相反立场重写一遍论证。它在这里的价值，并不来自权威性，而来自高频迭代能力：你可以让它对同一段论证提出十种反驳方式，让它从证据、规则、逻辑、叙事、策略五个层面同时挑刺。这个过程在传统结构里通常很昂贵，因为红队推演需要资深律师投入时间；而在AI介入后，红队推演的边际成本显著下降，合伙人或资深律师就能把精力更集中地放在关键决策与关键验证上。

于是，一个更贴合新结构的描述出现了：AI在同一个项目里，既可能承担“底层堆材料”的任务，也可能承担“上层挑毛病”的任务。它既像实习生，也像红队合伙人；差别不在于AI突然变得权威，而在于你把它放到了不同的工作环节，并用不同的约束方式管理它的输出。基础任务强调效率与覆盖面；红队任务强调攻击性与多样性；两者都强调human-in-the-loop：人负责判断、核验与背书。

3. 角色切换：AI可以是助手、律师、合伙人、法官（模拟质询/推演）

当AI被嵌入每一环节，“怎么用”最有效的方式往往不是把它固定在一个岗位，而是进行角色切换——让它在不同阶段扮演不同角色，从而为同一份交付物提供多角度的结构支持。这里的“角色”不是拟人化游戏，它是一种方法：用角色限定AI的任务边界、输出形式与评价标准，使其更贴近你在该阶段真正需要的能力。

（1）作为助手：它适合承担高密度的整理与结构化劳动。你给它材料、会议记录、语音转写，它输出时间轴、争点清单、任务分解、证据目录、风险提示。关键在于，它产出的不是结论，而是“可操作的结构”，让团队更早进入讨论与分工。

（2）作为律师：它适合生成可讨论的初稿。你提供框架与立场，它给出第一版论证、条款草案、沟通邮件。此时的核心价值是缩短从“想法”到“文本”的距离，让资深律师更早开始编辑与重建，而不是从零打字。

（3）作为合伙人（红队）：它适合做对抗推演与策略审查。你把你的观点交给它，让它站在对方立场反驳；你让它挑出最薄弱的前提、最容易被抓住的表述、最可能被质疑的证据闭合点。这里的AI并不提供最终策略，它提供“更早暴露问题”的能力，让你的策略在内部先经历一轮压力测试。

（4）作为法官（模拟质询/推演）：这是很多人忽略、但在强对抗场景极有价值的一种用法。你让AI以裁判者视角追问：你这个事实是怎么证明的？你这个规则适用的前提是什么？你为何不选择另一条路径？你的论证是否存在跳跃？这种追问的意义在于把“可解释性”提前：你不是等到庭审或对方反击时才发现漏洞，而是在内部就把关键问题问完、把关键证据补齐、把关键表述收紧。

当你习惯这种角色切换，组织结构会出现一个重要变化：协作节奏被前移了。过去很多工作要等到材料堆完、初稿写完、合伙人再来改；现在可以更早进入“结构讨论—初稿生成—红队推演—关键核验—定稿背书”的循环。循环的次数变多，单次循环的成本下降，但对人的要求更高：你需要更强的结构能力来定义任务、更强的判断能力来做取舍、更强的核验能力来守住底线。这也正是“超级个体”真正成立的地方：AI把你的手脚延展出去，但你的脑子必须更清醒、更稳定、更能控制节奏。

落地方法：把AI嵌入法律工作的关键链条

讨论“怎么用”如果停留在工具层面，很容易变成清单：能做摘要、能写邮件、能改合同。真正能形成长期优势的，是把AI嵌入法律工作的关键链条，让它在每个节点都产出可复用的中间成果，并且始终处在human-in-the-loop的责任回路之内。换句话说，AI的价值不在于“替你写”，而在于它让你更早拿到结构、更快进入迭代、更频繁完成推演，同时把质量与风险控制前置。以下五个节点中，我会重点展开法律研究和文书起草阶段，因为这是法律工作中最典型的“把脑子翻译进Word”的场景，也是AI最容易带来结构性收益、同时也最容易引发代工式误用的场景。

1. 接案阶段：材料语音转写、要点结构化、争议焦点与任务清单

接案阶段的核心矛盾，往往不是“缺信息”，而是“信息过载且非结构化”：客户口述、会议记录、聊天截图、合同附件、证据照片、时间线碎片化陈述。很多会议与沟通“形态上发生了，但并没有文字化”，信息以口头方式消散在空气里。把这些内容转成文字并结构化，AI能显著提高“组织记忆”的质量与可追溯性，为后续调研与起草提供同一套事实底座。传统做法依赖人力整理，成本高、遗漏风险大，且很难在早期形成统一叙事。AI在此阶段最有价值的工作，不是下结论，而是把输入变成结构：语音转写、要点提炼、初步时间轴、证据目录、争点候选清单、待补材料清单。它给团队提供的是“可讨论的底板”，让合伙人和资深律师更早进入判断：哪些事实是关键、哪些争点值得押注、哪些证据必须补齐。

2. 法律研究阶段：从关键词检索到“按案情/观点/判决理由”的模糊检索与归纳

法律研究阶段最容易被误解为“多检索、多引用”。但真正决定质量的，往往是检索范式：你是把检索当作“找几条法条、找几篇判例”的收集动作，还是把检索当作“为论证构建可验证支撑”的结构工程。传统检索高度依赖关键词——输入“商标混淆”“显著性”“避风港”“实质性相似”，从结果里再筛选。关键词检索当然必要，但它有两个现实局限：其一，你必须知道该用什么词；其二，你很难把“与本案事实结构相似、但关键词不重合”的裁判逻辑捕捉出来。

在AI的加持下，检索可以从关键词，升级为按案情、按观点、按判决理由的模糊化检索。这里的“模糊”不是降低严谨性，而是降低起步摩擦：让检索先从“事实结构与裁判逻辑的相似性”出发，快速建立一个候选池；再由人回到权威数据库逐条核验、精选、引用。它的价值在于把调研从“盲搜”变成“带结构的检索”。

具体来说，这种模糊化检索至少有四种可操作的路径。

（1）按“案情结构”检索：用事实骨架替代关键词

你可以把案情压缩成一个结构化摘要：主体关系、行为模式、时间顺序、争议焦点、证据类型与缺口。然后让AI做两件事：

• 给出与该结构相似的典型案件类型与可能涉及的法律关系；

• 提出检索路径（可能的案由、可能出现的裁判关键词、可能出现的法院层级与地区差异）。

这一步的核心产出不是“AI告诉你一个结论”，而是“AI帮你把可检索的路径与标签体系搭出来”。随后你再去权威数据库用这些路径逐层下钻。它相当于把调研中最耗时的“我该怎么搜”前置完成。

（2）按“观点/论证目标”检索：从结论需求反推证据与案例类型

很多时候我们检索不是为了全面了解某个领域，而是为了支撑一个具体论证目标：例如“行为属于正当竞争”“不构成实质性相似”“平台不应承担间接侵权责任”“价格不构成过高”。在这种情况下，先把观点写成可检验的命题，然后让AI反推三类内容：

• 支撑该命题的常见裁判理由有哪些（理由类型学）；

• 每一类理由通常依赖什么事实条件与证据形态；

• 可能与该命题对立的裁判理由是什么（反例结构）。

这一步会显著提升检索效率，因为你不是漫无目的地找“相关案例”，而是在构建“理由—事实条件—证据形态”的对应关系。你最终引用的不只是案例本身，而是案例背后的理由线索。

（3）按“判决理由”检索：把案例从‘故事’拆成‘理由模块’

这是你口水稿里最有启发的一点：同一法律问题，裁判的说服力来自理由，而理由往往是模块化的。你可以把一份已知判决（或你认可的理由段落）喂给AI，让它做“理由拆解”：

• 该判决的核心逻辑链条是什么（前提—推理—结论）；

• 法院在哪些节点引入了事实判断，在哪些节点引入了规则解释；

• 哪些表述属于一般性标准，哪些表述依赖具体事实。

然后，最关键的动作是：让AI给出“可迁移的检索锚点”。换言之，哪些理由模块可以作为你进一步检索的“母题”：你可以用它去找其他法院在类似问题上是否采用同一模块、是否出现替代模块、是否存在冲突模块。这就把检索从“找相似案件”升级成“找相似理由”。

（4）按“差异点”检索：把对方可能抓的点变成你的检索入口

在对抗场景中，最浪费时间的往往不是建立主论证，而是等对方指出漏洞后再补洞。模糊化检索的另一种用法，是在调研阶段就让AI扮演红队：

• 你的论证最可能被攻击的点是什么？

• 哪些事实差异会导致法院走向不同结论？

• 哪些证据缺口会使你引用的理由失效？

把这些“差异点”提炼出来之后，再反向检索：专门找那些因为某个差异而导致裁判转向的判例。这样做的好处在于，你在起草前就知道哪些地方必须限定表述、必须补证、必须设置备选论证路径。

上述四条路径共同指向同一个结论：调研阶段的AI价值，不在于替你做法律判断，而在于把调研变成结构化工程，显著降低“从零到一”的摩擦，并让你更早形成可验证的案例池与理由池。这里human-in-the-loop的底线同样必须明确：AI可以生成线索，但不能直接成为引用；AI可以提出案例候选，但最终引用必须回到权威数据库核验；AI可以给出理由归纳，但理由能否迁移必须由人结合本案事实判断。你在口水稿里那句“你是脑子，AI是手脚”放在调研阶段依然成立：AI可以替你跑腿、铺材料、搭检索路径，但裁判逻辑的取舍与引用责任必须由人承担。

3. 起草阶段：从“人写第一稿”到“人定结构—AI出初稿—资深改—合伙人定稿”

起草阶段是法律工作的典型高成本环节：你要把事实、规则、证据与策略压缩进一份可交付文本中。很多人把AI理解为“能帮我写文书”，于是最容易在这一环节走向代工化——给几句提示词，让AI出一份“看起来完整”的稿子，再略作润色就对外发送。这个做法之所以危险，不是因为AI一定写得差，而是因为它最容易把工作顺序倒置：先生成，再补思考；先成文，再补结构。结果往往是语言层面很好看，结构层面却不稳，进入对抗就露出断裂。

要把AI用在起草阶段用得稳、用得深，关键在于改变工作组织方式：把“起草”从个人长时间的线性写作，改造成一个高频迭代的结构工程。最有效的流程往往是你在口水稿里提到的那种“会里定结构—AI出第一稿—资深律师直接上手改—合伙人定稿”的闭环：

（1）先定结构：人负责“脑子”的工作，AI负责“手脚”的工作

起草真正的第一步不是写段落，而是定结构。这里的结构不是“目录”，而是你对案件的解释框架：事实叙事的主线是什么，争议焦点怎么确定，论证路径怎么排序，证据链如何闭合，风险边界如何标注。这个步骤必须由人完成，尤其是合伙人与资深律师，因为它包含策略取舍：你押哪条路径，放弃哪条路径，你准备怎样应对对方的预期攻击。

这一步可以非常具体：一次起草启动会，核心产出至少应包括三件东西——

• 争点树：主争点/子争点/各自结论目标；

• 证据映射：每个结论对应哪些证据、证据缺口在哪里；

• 段落功能表：每一部分要完成什么说服任务（建立叙事可信度、限定争点、解释规则、回应对方预期反驳等）。

在这个环节，AI可以辅助做“铺材料、列清单”，但不能替代“做取舍”。原因很简单：你是脑子，AI是手脚。AI可以替你铺材料、替你搭框架，但它不能替你承担判断与责任。

（2）让AI出初稿：把“从零到一”的成本压到最低

结构确定后，AI的价值才真正释放出来：它可以在你规定的结构、立场、语气与证据边界内快速生成第一稿。这里的关键不在于提示词的花哨，而在于输入的“约束质量”：你给它的争点树越清晰、证据映射越明确、段落功能越具体，它产出的初稿越像“可编辑的法律文书”，而不是“像法律文书的作文”。

（3）资深律师直接上手改：把“改稿”变成“重建论证”

AI初稿出来后，最有效的不是“润色”，而是“重建”：资深律师要做三类动作——

• 逻辑重建：检查每个结论是否有前提、前提是否被陈述、是否存在跳跃推理；

• 证据闭合：逐段核对“这句话凭什么成立”，证据是否足以支撑、是否需要限定表述；

• 对抗预置：把对方最强反驳提前写进结构里（或至少写进“回应段”），避免形成单向叙事。

这一步本质上是在把AI的文本变成“可背书的文本”。AI可以快，但资深律师必须稳。否则你得到的是一份写得顺的稿子，而不是一份能在对抗中站得住的稿子。

（4）合伙人定稿：改到“责任可控”

合伙人的定稿不一定需要逐句抠字，但必须抓住“责任点”：立场边界是否清晰、关键事实是否准确、关键引用是否可核验、关键结论是否过度、风险是否被充分提示、整体策略是否一致。很多翻车并非因为细节错，而是因为立场边界没立住、表述过度、引用不可靠、或是对抗预判不足。合伙人要做的是把这些风险点前置消化，而不是把它们留给对方或裁判者来指出。

（5）把流程做成“高频迭代”，而不是“一次性交稿”

传统起草往往是线性的：写三天到一周，交一稿再改。AI介入后，更有效的方式是提高迭代频率、降低单次迭代成本：结构会先出来，初稿会更早出来，红队推演会更早介入，核验会更早进行。这样做的结果是，终稿并不一定比过去更长，但通常更稳：因为它经历过更多轮次的“内部对抗”。

4. 谈判与合规阶段：把AI当红队——让它反驳你、找漏洞、提出对方最强攻击点

谈判与合规的共同点，是你需要在不确定信息下做策略选择，并预判对方立场与监管/合规风险。AI在这里的最佳位置往往不是“帮你写”，而是“帮你反驳”：让它站在对方立场反击你的观点，让它从最强对抗角度指出漏洞，让它提出你最不愿意面对、但对方最可能拿出来的攻击点。红队的价值在于提前暴露薄弱处，逼迫你把论证、事实与风险边界做得更扎实。

交付纪律：把AI放进责任回路的三条铁律

当AI成为工作流的一部分，真正值得警惕的就不再是它“会不会出错”，而是它“出错的时候我们有没有机制发现”。从第二部分的认知误区、到第三部分的翻车案例、再到第五部分中的起草流程与实战推演，一个核心问题始终贯穿其中：当效率提升后，如何确保质量不被放弃，责任不被稀释，错误不被放大？这一部分要回答的，正是这个问题。

与其说这是对AI的使用建议，不如说是对我们自身专业标准的底线要求。以下三条铁律，不是“注意事项”，而是不得破的交付纪律——只有在这些规则之下，前面所有讨论的效率、结构、重构、推演才有意义，也才不会在交付的那一刻崩塌。

1、交付红线：凡涉关键事实、引注、数字、结论，必须可追溯到权威来源

AI生成的文本往往极具“表面可信度”——语言流畅、结构完整、逻辑自洽，但你如果仔细追问其关键信息的出处，往往会发现“它说的都对，只是没发生过”。这类幻觉在法律场景中尤为致命，因为法律文件的基本前提从来不是“像真的”，而是“可验证”。任何关键性的判断，如果无法指向权威材料——无论是原始证据、规范性法律文件、案例原文—那就不应该出现在最终文件中。这一红线之所以重要，不仅因为它关系准确性，更因为它关系可对抗性与可背书性。我们写的东西，一旦进入对抗，能不能撑得住？如果你无法复原路径、找回出处、讲清来龙去脉，那就不只是技术问题，而是方法失守。

因此，建议在所有对外交付的文本中，建立“强引用意识”：凡是落在事实结论、案例引用、法律适用、数据计算上的关键段落，都必须可溯源，否则不得对外。

2、角色红线：AI只负责“候选与对抗”，人负责“决策与背书”

第二部分谈到的误区一，是把AI当成一个代工厂——“我不想想，我也不想写，让它写出来我改一改”；而误区二则相反，是把AI当成一个神谕机器——“它说得这么像，应该不会错”。这两种使用姿态看似相反，本质上却共享一个风险：让AI越过职责边界，承担了判断与交付责任。

为了把这个问题清理干净，需要从根上重建角色分工。AI可以承担大量前置性劳动，甚至可以覆盖非常高密度的候选生成工作。但它始终只能站在“候选”与“对抗”的位置上，不能进入“决策”与“背书”的核心回路。真正的专业判断——包括结构如何搭建、事实如何取舍、规则如何适用、证据如何组合、语气如何控制、结论如何落地——必须由人来完成。因为一旦进入对外文本，你面对的就是质询、反驳与责任，而这些从来不能外包。

在实际操作中，我们可以更明确地分工：

• AI可以起草，但初稿的框架、方向、立场由人决定；

• AI可以归纳，但分类标准、优先级排序由人掌握；

• AI可以做红队推演，但主张的边界、表达的强度、回应的策略仍需人来设计；

• AI可以生成表述风格（尤其在涉外沟通中），但对外沟通的尺度、立场控制、人际语境、后续影响的考量，只能由人判断。

3、流程红线：任何对外文件，必须完成“结构—初稿—对抗—核验—定稿”五步闭环

我在第五部分尝试给出了我常用的流程：结构由人定、AI生成初稿、资深律师重构论证、合伙人定稿背书。这个结构之所以稳定，不只是因为它分工合理，而是因为它确保了质量控制、逻辑对抗与责任判断没有在追求效率中被悄悄省略。

但这套流程一旦不被视为制度，而被视为“理想状态”，风险就会迅速累积。真实团队中最容易发生的事是：材料很多、节奏很快、AI出稿很快、于是“改一改就发出去了”。一旦这样，对外交付就成了高密度幻觉的集合体——看起来什么都有，其实很多东西都经不起细问。

因此，需要把“流程红线”制度化：任何对外文本必须完成五步闭环：

（1）结构确认：由人设定争点框架、证据路径与表达顺序；

（2）AI初稿：在人设定的框架下完成第一轮内容组织；

（3）红队质询：用AI或同伴模拟对方攻击与裁判追问，提出问题而非掩盖问题；

（4）核验闭合：对所有关键事实、引注、数字、结论进行逐项验证，并排除风险表达；

（5）定稿背书：由资深律师或合伙人完成最终版本，确认每一段文字都能承受对抗与追责。

缺任何一步，这份文本都只能被视为内部草稿，不具备交付资格。流程的意义，不在于繁琐，而在于它是效率不以牺牲专业性为代价的唯一保障。

展望：决定你和AI合作深度的，不是模型能力，而是你的品味与基本功

讲到这里，我们其实可以得出一个很朴素的判断：AI确实改变了专业工作的生产方式，但它并不会自动奖励“更会点工具的人”。它更像一面放大镜——把你的结构能力、判断能力、核验能力和风险意识一并放大。你强的地方会更强，你弱的地方也会更快暴露。于是，决定你与AI合作深度的，往往并不是你买了什么模型、用没用最高配，而是你自身的品味与基本功：你能否识别什么是好论证、好结构、好表达；你是否具备把材料变成结构、把结构变成可验证论证、把论证变成可交付文本的能力。

这也是为什么同样一套AI，落在不同人手里，会产生完全不同的产出。有的人把它当代工厂，于是得到大量“看起来很像”的文本，交付时却越来越不踏实；有的人把它当权威数据库，于是被流畅与自信迷惑，最终在引用、事实或逻辑上翻车；也有人把它放进human-in-the-loop的责任回路里，让它承担跑腿、铺材料、搭框架、做红队的工作，把自己的时间留给结构决策、关键核验与责任背书——这样的组合，才会把AI变成稳定增益。归根结底，AI并不提供专业性，它只改变专业性的生产条件。

AI时代的“超级个体”，不是一个人变得无所不能，而是一个人能在责任可控的前提下，用AI把自己的能力边界稳定地推远。当你把AI驯化成你的手脚，把结构与判断牢牢握在自己手里，你会发现所谓“超级”，并不遥远；它更像一种新的职业肌肉，练得越久，越扎实，越自由。

（原标题：AI时代的超级个体）

来源：IPRdaily中文网（iprdaily.cn）

作者：赵克峰 己任律师事务所