核心觀點

OpenAI 的案例研究指出，法律 AI 公司 Harvey 將 GPT-6 Astra 用在訴訟、併購等複雜法律工作中，目標不是替律師直接下判斷，而是把法院資料、事務所文件、判例研究及個案脈絡整理為更完整、格式更一致的草稿。這個案例把法律 AI 的價值從「更快寫一段文字」推向「帶著可辨識脈絡完成第一稿」，讓專業人員把時間留給策略、例外與責任判斷。

把脈絡和格式一起帶入草擬

Harvey 的工作流將案件相關材料放進模型的草擬脈絡；官方稱 GPT-6 Astra 相較其他模型在格式化與脈絡感知上有顯著改善，使產出更完整，也更能反映原始材料。這提醒導入者：法律文件的品質不只取決於文字是否流暢，還取決於來源是否齊備、結構是否符合慣例，以及讀者能否看出哪些部分仍需補證或覆核。

Harvey 另設有 memory panel，讓律師將個人偏好直接放到工作流裡，例如偏用編號清單、優先採用 EDGAR、或以顏色標示議題優先級。偏好會與來源材料和備忘錄草稿並列，成為可重複使用的「工作規格」。這可視為 Astra for Law：法律專業的檢索、治理與可組合工作流 中專用指令與權威來源檢索的應用層：模型不只被要求寫得好，還要在明確來源與可說明格式下工作。

技術亮點：從個人偏好到可審閱的系統脈絡

「給更多 context」並非把所有文件無差別塞進長上下文。實務上仍要先區分可用來源、案件範圍、版本與保密等級，再決定哪些材料與偏好應進入該次草擬。否則上下文增加也可能把過期、矛盾或不相關資訊一併放大。Harvey 所描述的價值在於，將資料、偏好與草稿並置，讓律師更容易引導輸出與檢查結果；官方並未公開獨立的品質測試方法或具體提升幅度，因此不應把「顯著改善」解讀成所有法律任務的通用保證。

這也延續 Gilbert + Tobin × OpenAI：法律服務業的治理式 AI 規模化 的原則：在高信任專業服務，個人化不應等於任意記憶。偏好資料要能被檢視、更新與撤回；機密案件材料須受角色權限、倫理隔離與留存政策約束；最終文件仍要由具資格的專業者確認法源、事實、例外與簽署責任。

實務意義：把「第一稿」設計成可交接工作面

對法律團隊或其他文件密集職能而言，可先挑選格式規則明確、可回查來源、且後續必有人覆核的子流程，例如研究摘要、備忘錄初稿、盡職調查清單或內部問題分流。驗收不該只看產出速度，還應量測：來源引用是否正確、格式修訂量、遺漏或錯置的例外、人工審閱時間，以及偏好設定是否在不同案件中穩定生效。

Harvey 的案例也與 Legora × GPT-6 Astra：41 份財報勾稽的代理工作流 形成對照：無論是法律草擬或文件勾稽，模型的可靠用途是先處理大量材料、維持結構與留下可檢查的中間產物；人類則應集中於策略取捨、重大例外及對外負責的結論。把這個交界寫成流程與稽核紀錄，才會比單純追逐更長的 context 更可複製。

相關連結

反向連結

以下頁面引用了本頁：