AI重塑法律行业：为80%的工作带来10x提升

法律服务市场总体情况

从规模来看（美国市场），法律服务是 Professional Service 里除了计算机信息科技以外最大的行业，从业者总量和从业者收入均高于会计、广告、建筑等行业。

从结构来看（美国市场），In-House 和外部服务各占据 50% 的法律服务支出，头部 1500 家大型企业的法律服务支出贡献了整个行业接近 20% 的支出。

从 Law Firm 内部的结构和趋势来看，顶级的 100-200 家律所拿走了市场 90% 的收入，单个律师创收在百万级别，在此基础上提效是结构性趋势。（一家 LegalTech 的公司如果能做到 10 亿美元年度收入，相当于达到了一家 Top 50-100 的律所的创收水平，不过可能有更高的净利）。

GenAI 为法律工作内容的 80% 带来 10x 提升

从一个 typical day 的角度看，典型的中年级律师（干活的主力军）的时间分配如下：

• 60% 以上用于文件的起草和审查（通常使用 Microsoft Word）。

• 30% 左右的时间用于客户和对家律师沟通及审查文件（通过使用 Outlook 等邮件客户端）。

• 做法律研究等任务通常只有 10% 的工作量。

对于文件的起草和审查而言，LegalTech 有两种方式帮助律师提效：

• 间接提效，比如律师每周有多达 2-3 个小时花在搜索法律文件，还花费另外 2 小时重新创建找不到的文件，因此好的 CLM 和检索软件可以间接帮助提效。

• 直接提效，使用模版或 LLM-based AI 直接缩短创建或审查某些文件的时间。

下文会详细阐述，LLM 带来的最大变量是：

• 效果体现在 80% 的工作上，而不是只有 10-20% 的法律研究等任务。

• 直接提效而不是间接提效，并且机会提升 10x 级别。

阶段：我们处于 LegalTech x AI 的 Wave 3

使用 AI 来为法律行业降本增效的探索一直在持续，主要原因是培养、雇佣律师的成本都非常高。根据积极投资 LegalTech 方向的基金 NFX 的研究，可大致分为三个阶段：

Wave1: 2000-2011 年，AI 主要应用于 E-discovery，搜索、排序和分类数据，减少浏览大量法律文件所需的时间，如 Clearwell 和 Icertis。这个阶段法律科技头部公司包括 Docusign 和 LegalZoom 等，但他们的业务与 AI 的结合较少。

Wave 2: 2012-2020 年，AI（以 NLP 为主）开始从 E-discovery 进入了多个法律工作流程，包括在合同管理、诉讼预测、法律研究，早期的 LLM 也出现了。代表公司如电子取证及案件管理平台 Disco，以及合同流程管理平台 Ontra、Ironclad。但 AI 的能力还不够强大，主要体现在基本的信息检索、文件管理上，很难对信息进行更进一步的处理。这一时期的效率提升是渐进式的，解决的并非“人手不够”这一核心问题，对工作效率的提升是有限的。此外，这些法律软件的集成周期长，初始投资高，限制了律师事务所和公司法务的采用速度。

Wave 3: 也就是目前的 LLM 与法律的结合，AI 开始成为新兴法律服务平台的核心。 LLM 的出现极大提高了 AI 的智能水平，法律行业也十分适配大模型的能力。数据维度，法律场景是一个典型的 text-in/text-out 的场景 ，数据以文本为主，信息量极大，多为绝对事实和真实案件，没有模棱两可的主观判断和情感色彩，很适合大模型学习； 工作逻辑维度 ，无论是美国判例法还是中国成文法，法律工作内容都有非常强的知识性、逻辑性，需要基于大量的客观信息做出判断，所以大模型适合解决法律文书审核、案件检索、合同撰写及审核等 dirty work，在工作效率上，实现了是 10 倍而不是传统法律技术 1.5 倍的提升。同时，AI 帮助发现新案件，解锁潜在的业务，这推动了法律服务市场的增长。

LLM 带来的市场新动能 & 法律服务自身的趋势

LLM 能力的提升，使得 法律 AI 在合同管理、诉讼预测、法律研究等 80%的工作中效果会更好。 法律研究为例，NLP 主要依赖搜索关键词和初步分析为主，比如确定某句话对应的具体法律条款。但是 LLM 可以启用对话式的搜索方式，可以对研究内容进行总结提炼，回答细节问题。LLM 的生成能力使得 AI 能够在法律领域执行更复杂的任务 ，从“提取”到 “生成” ，如自动起草法律合同和为法官提供判决建议。

LLM 对法律行业最直接的影响体现在提升 10x 效率。工作内容方面 ，LLM 协助律师查找法条及案例，起草、审核合同，使律师专注制定核心方案策略。如人工审核法律合同错误率高、消耗时间多、会存在主观偏见；LLM 可以帮助律师减少重复工作，通过输入数据保证知识的实时更新，减少主观偏见。人员方面，减少了对初级律师的需求。缓解较小的律师事务所和独立执业者人手短缺问题，更有效地与规模更大的律师事务所竞争；法律援助律师和公设辩护人也能够更好开展工作。

法律服务行业自身的趋势也顺承了 LLM 的采用：

趋势一：法律服务行业固有的计时收费的商业模式正在逐步改变。

企业是法律服务的最终付费方，企业预算直接决定律所营收。 近年来，许多大公司试图改变律师收费模式，采取固定费用、按结果收费、封顶费用等模式，而非“计时收费”来减少法律成本，费用审核也越发严格。

法律基层员工工资不断上涨加上客户持续降低法律预算， 律所依靠支付给律师的工资，当客户意识到 AI 的能力，有可能不再认可传统的付费模式和需要工作时长；也可能会自己购买软件，减少对外部法律服务的依赖。 从律师角度考虑 ，AI 的高效会使得律师的计费时间减少，促使律师事务所改变收费模式。

但根据 Thomson Reuters 2022 年的公司法律部门现状报告，公司法律部门始终表示希望律师事务所在定价方面有更多创新， 但 75%的事务和 80%的费用仍是按照小时计费，固定费用、替代性收费方式（AFA）仅占收费总额的 20%-25%。 LLM 在法律行业的应用与传统“计时收费”商业模式应当是一个相互博弈、缓慢渗透的过程。

趋势二：公司法务部门在积极采用法律技术。

根据 Thomson Reuters 统计，公司法务部门对法律技术的使用大幅度增加，截至 2021 年，超过二分之一的公司法务部门在积极使用电子签名、法律研究、合同管理系统，并且有至少五分之一的公司计划在未来 24 个月内采购新的法律技术。主要驱动因素包括适应 covid 远程办公的工作模式、对降低成本的需求，并实践中验证了法律技术的效率提高和成本降低作用。

虽然 2023 年 3 月底汤森路透的调查（备注：受访者包括分布在美国、英国和加拿大的 443 名律师事务所专业人士）发现虽然 51% 的法律从业者认为 ChatGPT 等 Gen-AI 应该应用于法律，但仅有 3% 已经在工作中使用，律师事务所仍保持谨慎态度。但因为降低成本的压力、人工智能（AI）和自动化被视为最有效的创新解决方案，使我们对于未来律师事务所及公司法务对 Gen-AI 的采用较有信心。

GenAI 短期的局限

2023 年 3 月底汤森路透的调查显示，律师事务所对 GenAI 的主要担忧在于准确性及隐私问题。

局限一：大模型“hallucination”导致的准确性问题

大模型的 hallucination 是法律领域的一大采用阻碍。因为法律工作中的错误风险是不对称的，微小的错误也可能导致重大的法律后果。但大模型的“幻觉” 可能会在没有足够上下文或理解的情况下生成信息，这可能导致误导性的建议或错误的法律文件，律师和律师事务所可能面临严重的法律责任。法律专业人士在处理案件时必须非常谨慎，即便用 LLM 执行法律任务也离不开人的检查，这限制了效率的提升效果。

局限二：数据隐私问题

客户对于将敏感数据输入 LLM（大型语言模型）存在担忧，担心这些数据可能被用于模型训练，引发数据泄露的风险。这可能违反对客户的保密义务以及侵犯个人数据隐私权。例如，在欧洲可能违反《一般数据保护条例》（GDPR）的规定。

在我们与公司 demo 的过程中提到数据隐私问题，合同管理公司 Robin AI 和 Spotdraft 表示客户的合同会存储在本地化的 AWS Bedrock 服务器上，每个客户的账户是独立的，更不会被用来训练任何模型。

局限三：数据造成的偏见及负面用例

大模型的价值取向受到训练的数据集的影响，使用人工智能可能会反映甚至放大司法系统数据中固有的偏见。 大多数合同从未在法庭上出现过，所以它们的条款未经测试，使用这些合同训练的 LLM 有可能同时"学习”了错误和正确的内容。如 Equivant 公司开发了替代性制裁的罪犯管理分析（COMPAS），评估被告的累犯风险以决定拘留、判刑或提前释放。根据 ProPublica 的研究，这种评估工具似乎对黑人囚犯有偏见，将他们标记为比白人囚犯更有可能重新犯罪。 AI 也有可能被用来操纵或欺骗他人。 例如生成虚假或误导性的法律文件。这需要针对 AI 的能力制定合理的监管规则。

诉讼/争议解决

和 GenAI 结合的具体案例：

• Eve

• Harvey

Winston Weinberg 是 O'Melveny & Myers 的反垄断诉讼 Associate，Harvey 的大部分法律人才都来自这家律所。O'Melveny & Myers 在技术上非常领先，被评为顶级的 LegalTech 创新者，Winston 从所里的法律实践吸收了大量线索，然后基于 GPT-4，在此基础上开了自己的系统。

他发现 LLM 的回答很大程度上取决于你如何提出问题（使用了什么词语），因此他们构建的系统包括 LLM 层、数据湖层（用于寻找法律知识回答法律问题）、调节层（以最合适的方式提交问题）。例如，如果我进入 ChatGPT 并询问我公司的名称、有哪些法律实践，ChatGPT 会列出一份清单。但如果我问它这家公司有哪些诉讼业务，ChatGPT 可能无法给出正确答案。但如果我在 Harvey AI 中给出相同的答案（它与 ChatGPT 使用相同的数据源），现在我会发现它将区分非诉业务和诉讼业务。

Harvey 还有自己的 Q&A 服务，你可以上传自己的文档，Harvey AI 会获取你的数据集并给你对应的回复。它有能力对法律问题提供非常准确的答复。律师们对它给出的响应非常满意。所以它绝对有潜力。它有很多用例。可用于法律研究。它可用于合同、法律文件分析、校对、纠错、comliance、conflict check、ethical walls、engagement letters、尽职调查等。

但 Harvey AI 仍处于测试阶段，主要与 Allen & Over 合作。他们有很多新想法。他们正在融入其中。它还没有准备好投入生产。

• Evenup

自动化创建 demand letters（索赔信）。此前，律师助理和同事需要花费数小时的时间来精心组织、提取和总结文件、医疗记录、警方报告和发票中的信息。现在，借助 EvenUp，律师可以在质量、速度和成本方面取得 10 倍以上的成果。

合同

合同管理是指利用法律科技软件，帮助企业 in-house 法律部门以及律师事务所管理合同的工作流，以简化合同的起草、审查、执行和监控过程，帮助法律团队减少手动、耗时的任务从而提高效率、减少失误。根据 Gartner 的研究，法律部门将近 50% 的时间花在了合同管理上，而 60% 的供应商合同在买家不知情的情况下自动续签。这体现了合同管理的耗时和合同监控的重要性。

根据 Association of Corporate Counsel 统计，99% 的公司会使用 in-house 团队管理合同，12% 雇佣外部法律顾问，而仅有 4%的公司会将合同管理流程外包给服务提供商。催生了主要服务 in-house 法律团队的合同生命周期管理（contract lifecycle management）概念和一系列法律科技公司 。在此之前，公司法律团队主要用 word、excel 管理合同，合同散落在各个地方，并且缺少企业内部的有效协作。合同生命周期管理主要环节分为签名前、签名后。签名前包括合同初始撰写、谈判、编辑和审批，是一项跨部门、跨主体的工作，需要人工撰写和多方谈判。签名后包括执行、跟踪、审计（绩效与合规管理）、续约，主要的目的是即时的监控。

合同管理赛道的公司可以具体拆分为模块化产品和全流程系统。Wave 2 跑出来的头部公司以 CLM 为主，LLM 提升了 AI 在合同各环节的使用深度，赋能了部分提供模块化产品的公司，也出现了新兴 Gen-AI 创业公司。

CLM 系统出现于 2010 年前后，通常具有“企业级”特性，专为大型内部法律团队设计，全面覆盖合同管理的各个方面，并附带早期的 AI 功能，结合 NLP 技术，根据模板的合同起草、监控合同的执行情况、判断合规性等。CLM 创业公司层出不穷，代表公司 Icertis 估值达到 50 亿美金，Ironclad 估值达到 32 亿美金。但这些公司在具体使用场景中，更多是被看作储存合同、监控合同的统一系统，管理已经执行的合同。

传统 CLM 的弊端也较明显：多为“一刀切”的套餐形式，并不模块化，实施起来耗时（根据 Robin AI 的统计，一般超过 6 个月）且非常昂贵，需要数年时间才能开始看到投资回报。Gartner 2021 年的统计数据亦显示，50%的法律顾问认为法律技术转型项目未达预期，而其中大多数的项目是合同管理系统转型。公司面临的合同管理问题并未得到有效的解决。

LLM 对于合同管理的进一步提效，一方面体现在签名前的环节，包括起草合同，根据企业的 Playbook 训练模型并审查第三方合同，如 Robin AI 的 Draft、Review 产品模块；签名后可以利用 LLM 处理大量数据的能力从众多合同中提取关键数据，回答关于合同细节和到期情况的问题，如 Robin AI 产品的 Query 模块。这些工作重复性高、变化小，是基于模板的法律实践，不是计时收费而是结果导向，使用 LLM 风险低但回报高。基于 LLM 的合同管理新兴创业公司涌现，较传统的 CLM 法律科技公司也积极跟进。如 Ironclad 也推出了基于 GPT4 的 AI Assist™，集成在平台中，帮助用户解释条款、标记潜在问题、提供修改建议。Evisort 则构建了合同场景的专用模型。但 Gen-AI 合同管理创业公司提供灵活的模块化产品，而非传统的端到端合同管理系统，对于中小企业也更友好，并未与 Ironclad 等公司正面竞争。

合同管理其实是企业销售、采购、营销、人力资源这些业务过程的一部分，不仅仅服务法律部门，企业业务部门密切相关。法律团队本质上是成本功能，TAM 有上限的，除非销售的软件可以扩展到像销售/GTM 这样的收入生成功能。因此，提供模块化合同管理功能的 Gen-AI 企业很有可能被头部 CLM 及商业软件收购并集成，如 Icertis 或 SAP Ariba 或 Coupa 等采购工具，或直接集成进 Salesforce。 虽然这意味着合同管理 Gen-AI 创业公司很难发展成为“ next big thing"，但有较稳的 downside，使我们较看好以 Robin AI，Spellbook 等为代表的 Gen-AI 公司的投资机会。

和 GenAI 结合的具体案例：

• Ironcald

AI Assist™：解释合同条款、标记问题和修改意见。

Contract AI （CAI）：询问 ai 助手需要关注的合同、完成合同的流程性分析工作。

• Robin AI

New feature - checking defined terms

法律检索

和 GenAI 结合的具体案例：

• Lexis+AI

可以结合 LLM 进行 conversational search、drafting、summarization、analyze。

其他垂类

和 GenAI 结合的具体案例：

• Hidden Hand

可以结构化地定制 Chatbot 让客户与真人交谈。

可以自动跟进客户，通过短信或邮件获取缺失信息，客户回复的内容会自动发送至 Practice Management 软件内。

可以从对话中自动提取关键信息并输入 Practice Management 软件，从而节省时间，还遵循 ABA 的安全和隐私仿真。

Case Study - 值得关注的

Venture/Early Growth 公司

我们选择 case study 的标准为：

• 19 年以后创立

• 明确 AI-Native

• 头部基金投资

• 拾象研究后愿意关注和持续 track

Eve

• 简介

Eve 是一个 GenAI 驱动的平台，旨在帮助律所客户完成文件审查、案例分析、客户吸纳以及法律研究等任务。在 2023 年 10 月脱离隐身状态，目前服务数百名律师。

• 融资

• 团队

创始团队为数据云备份与安全巨头 Rubrik 的早期团队成员。CEO Jay Madheswaran 是 Rubrik 的第一名工程师，之后担任其产品工程主管，在创立 Eve 前在 LSVP 担任早期投资合伙人。Eve 的 CPO Matt 是 Rubrik 的 AI 产品线创始工程师与产品主管，CTO David 是 Rubrik AI 产品线的技术主管。

• LLM 产品

Eve 的愿景是构造一个较为通用的 GenAI 驱动的律师助手，但是目前的主要用例集中在 Personal Injury（Evenup 所处的领域）和中等以及小型律所客户上。其主要用例包括：

• Comments（为什么值得关注）

1）少有的 AI + Engineering 背景还连续创业过的创始团队。

2）目标产品形态为通用性法律 copilot，市场空间大。

3）相比 Harvey 更加 PLG，有机会吃掉 Mid-Market 和 SMB 客户群。

4）Menlo Ventures 在法律领域选择投资的标的Menlo 是 Casttext 的早期投资人，是法律科技和 AI 方向最专业的投资机构之一。

Responsiv

• 简介

Responsiv 旨在为 In-House 法务团队打造 GenAI 驱动的 Copilot，定位是 Your Copilot for Legal Know-How。

• 团队

创始团队来自法律科技巨头 Relativity。CEO Jordan Domash 在 Relativity 担任过 Chief of Staff 与 Relativity Trace 的 GM。CTO Nikita Solilov 在 Relativity 联合创立了 Realitivty Trace。Relativity Traceable 提供电子取证和合规监控能力，在全球有接近 20 万用户。

• LLM 产品

目前 Responsiv 的用例还主要集中在法律知识问答：

• Comments（为什么值得关注）

1）少数几家仍然做 In-House 市场的玩家。

2）创始团队来自最领先的法律科技公司之一。

Harvey

• 简介

Harvey 是 OpenAI Fund 的第一批投资标的之一，其产品定位是成为律师的通用性助理。ARR 达到 1000 万美金。

• 融资

• 团队

Harvey 的创始团队同时拥有 LLM 技术和行业 knowhow 背景的组合：Gabriel Pereyra 做为 CEO 及创始人曾是 DeepMind、Google Brain 和 Meta AI 的研究科学家，并参与过大模型的训练，而另外一位创始人 Winston Weinberg 则是 O'Melveny & Myers 律师事务所的证券和反垄断诉讼律师。

此外，Harvey 的其他团队成员均为人工智能研究实验室的工程师和来自头部律师事务所的律师。这样的组合使得团队 既拥有丰富的法律实践经验，同时又深入了解大模型的能力、知道如何训练模型。

• LLM 产品

Harvey 的首个产品是一个在 GPT4 底座模型上加入大量法律专业数据 finetune 的 AI Chatbot，其产品形态类似 ChatGPT ，它的主要能力包括：

1）法律写作：撰写长篇、格式化的法律文件，帮助起草合同，撰写客户备忘录，作为工作起点。

2）掌握专业法律知识，可以回答复杂的法律问题，如 “第四巡回法庭中雇员和独立承包商之间有什么区别？”、“租赁合同中的这个条款是否违反了加州法律？请改写它并使其合法”等。

3）理解、处理合同文件。

4）定制公司特有的模型：使用客户特有工作产品和模板训练，以嵌入工作流，类似新员工加入律师事务所时的入职培训等。

根据其客户 Allen & Overy 表示，Harvey 在公司内目前大概有三个用例：

1）起草：为电子邮件写初稿，人工进一步修改。

2）研究，比如在某个司法管辖区的法律下比较一个问题，Harvey 会告诉律师需要知道的法条。

3）审查：Harvey 帮助律师钻研大量的诉讼、交易尽职调查等文件，识别出可能潜在存在问题的地方。

• 客户

目前 Harvey GTM 的主要方式是 To L ，即以大型律师事务所作为目标客户，为律师事务所及其客户打造个性化定制的 LLM 工具，切入法律行业高价值、高壁垒的工作流。公开披露的标杆客户包括 Allen & Overy 及普华永道，根据 Hill 的报告，Quinn Emmanuel、O'Melveny 和其他公司已经在与 Harvey 进行演示。红杉在完成 A 轮投资后在官方博客上表示有 1.5 万家律师事务所正在排队使用 Harvey 的 AI 产品。Harvey 与大型事务所密切合作，一方面可以借助这些事务所的大客户资源基础实现 GTM；另一方面则是获得优质数据集，基于事务所的实际使用实践来共同打磨产品，使产品更为贴合目标客户的需求。

近期 Harvey 又披露了几家合作伙伴，包括 Macfarlanes（一家 140 多年历史的英国律师事务所）、Al Tamimi & Company（一家中东和北非地区的律师事务所）等，但在在 PR 中表示还是在试点阶段。

• Comments（为什么值得关注）

1）是 OpenAI 投资的第四个项目，最早获得 GPT4 使用权的公司之一。

2）团队在法律、LLM 领域都很专业。

3）目标产品形态为通用性法律 copilot，市场空间大。

4）公开披露的标杆客户包括 Allen & Overy 及普华永道，客户影响力大、付费能力强。

5）头部机构背书。

EvenUp

• 简介

2019 创立，聚焦个人伤害索赔（Personal Injury Claims）领域，帮助律师事务所使用软件及 AI 预测个人伤害诉讼的价值。具体来讲，是利用 AI 为诉前人身伤害案件自动生成需求函，包括车祸、警察暴力、儿童虐待、自然灾害等案件，相比传统人工流程可显著提升速度。2023 年底 ARR 达到 $20m，相比 2023 年一季度 $8.9m ARR 增长到 2 倍多。

根据 NFX 统计，个人伤害领域，每年有 5 万多家律师事务所帮助受害者获得 2000 亿美元以上的和解金。若律师仅抽成 1%有 20 亿美金的市场规模，但 Evenup 作为律师使用的工具，能够 capture 的市场更小，所以整体市场空间并不算大。

个人伤害索赔市场是案源、数据都十分碎片化的市场，有 99%的和解都是私下进行，这使得受害者和律师事务所无法通过有效的数据判断每个案件的真实价值，这使得专有数据更为重要。Evenup 作为细分赛道的头部公司，每处理新案件都会创造更多的数据，系统便可以更好地起草要求和估计案件的价值，这使得它提供了该领域下两个核心价值： 更高的效率、更好的案件估计。 并相较于该赛道的其他后进入者有明显的优势。

• 团队

CEO & Co-founder  Rami Karabibar， 毕业于加拿大麦吉尔大学，BS of commerce and engineering，在 Bain & Company 和 Waymo 工作过，也担任过 investor，具有创业和投资背景。

COO & Co-founder Raymond Mieszaniec，经济学学士，加拿大西蒙弗雷泽大学，Co-founder of EquitySim。Raymond 曾经历过个人伤害索赔行业的问题，他的父亲经历了一场机动车事故，但由于家庭经济限制，聘请了一位不了解案件价值的律师，他们以不公平的金额达成了和解。

Chief of Product & Legal Operations & Co-Founder Saam Mashhad，毕业于加拿大麦吉尔大学，曾在律师事务所 Norton Rose Fulbright 和非营利组织 Compass Startup & Legal Clinic 工作，对个人伤害领域及其复杂性有深刻的理解。

技术团队成员主要来自 Waymo、Affirm、亚马逊、Uber 以及 Quora，法律团队成员来自 Norton Rose。

• LLM 产品

通过 EvenUp 的产品，帮助律师完成索赔流程中的 paperwork：律师只需要上传原告信息，EvenUp 会自动从医疗记录中调出所有相关的伤害、程序和治疗日期，通过这些信息自动生成完整的报告，包括医疗摘要和损害估计，需求大概在一周之内完成。

全面的索赔信概述了被告的责任、受害者的伤害、当前和未来的费用，并提出了初步的赔偿要求。这些信件非常公式化，但一般需要律师花费数天去研究。Evenup 为律师节省了时间，基于数据积累得出的索赔信为受害者带来更好的结果。

• 客户

EvenUp 的客户主要是处理大量简单重复的人身伤害案件的律所。产品采用订阅模式售卖，客户表示更适合案件处理量大的企业，若案件量少会不划算。

• Comments（为什么值得关注）

1）Evenup 起步早，在个人伤害法这个细分领域拥有了数据积累，虽然市场总体空间有限，但有机会做到细分赛道的头部，capture 较大的 market size。

2）个人伤害领域，是一个数据破碎细分、效率低的市场，有助于 AI 发挥作用。

3）创始团队、投资机构、收入增长等基本面较好。

Noetica

• 简介

类似 Evenup 颠覆个人理赔行业的方式，Noetica 通过其 AI 驱动的平台帮助企业债务领域的交易者减少条款的审查时间，还可以更自动化地帮助客户构建最符合其利益的交易条款。

• 团队

Noetica AI 由 Dan Wertman、Tom Effland 和 Yoni Sebag 创立。在创立 Noetica 之前，CEO Dan Wertman 曾在 Wachtell， Lipton 担任融资律师，领导了多项数十亿美元的信贷发行和重组工作。由于此前在 BlackRock 的另一端参与交易，他对信贷生态系统各处的痛点有着独到的见解。与此同时，CTO Tom Effland 拥有来自 Columbia 的博士和硕士学位，专注于机器学习和自然语言处理。他已经在这一领域周边构建解决方案超过 5 年，并特别关注如何应用 AI 来理解在非结构化、复杂协议中的大量文本。COO Yoni Sebag 之前在 Deloitte 的战略和运营部门为财富 500 强公司开发以客户为中心的 GTM 策略。他在 Columbia 的学习期间遇到了 Tom，并且从童年起就认识 Dan。

Noetica 的其他团队成员包括来自 IBM、Bloomberg、Wachtell、J.P。Morgan、Kirkland & Ellis 等公司的博士、工程师和数据分析师。

• LLM 产品

借助 Noetica，用户可以上传任何信用或债券文件，并在一分钟内将所有条款与数以万计的可比较的公共和私人交易进行比较。他们的平台使交易专业人士能够通过扫描业内最大的公司债务条款知识图来找到并纳入符合客户最佳利益的市场条款。他们的技术是在内部完全构建和微调的，并且不利用第三方法学硕士来为其软件提供支持。

• 客户

拥有世界上几家最大、最赚钱的律师事务所作为客户，产品在许多数十亿美元的债务交易中发挥了重要作用。多家排名前 20 的律师事务所已经成为 Noetica 的客户。

• Comments（为什么值得关注）

1）企业信贷市场是全球最大的 capital market 之一，目前 20 万亿美元左右，以 10% 以上的 CAGR 增长，难以标准化的交易条款是市场发展的最大痛点之一。

2）LSVP 对这个创始团队的执行力评价很高。

Robin AI

• 简介

Robin AI 2019 年由高伟绅律师事务所律师 Richard Robinson 和帝国理工学院 ML Research scientist James Clough 创立。主要产品为具有合同起草、审查、查询的 Copliot 平台，chatgpt 出现后，快速和 anthropic 达成合作，利用 claude 加快起草和谈判合同的过程，产品也有 Microsoft Word 插件形态。Robin AI 同时提供 managed services，目前是其最大的收入来源。总 ARR 约 $5m 。

Robin AI 认为未来将不再有 CLM，认为 CLM 实施时间长、成本高、投资回报率低。 Robin AI 提供模块化的产品 ，通过模块化方法快速解决的具体问题。

• 团队

Robin AI 由前 Clifford Chance 律师 Richard Robinson 和前 KCL 机器学习研究科学家 James Clough 创立。

CEO Richard Robinson：在创立 Robin AI 之前，曾在 Boies Schiller Flexner LLP 担任合伙人，以及 Clifford Chance LLP 诉讼和仲裁部门的合伙人。

CTO James Clough：曾在 KCL 担任机器学习研究助理，专注于使用流形对齐和拓扑数据分析进行医学成像研究，以及在深度学习中采用临床可解释的方法。还曾在英国帝国理工学院担任物理系的研究生助教，教授统计力学、复杂性与网络以及计算机课程。James 在帝国理工学院获得了理论物理的 MSci 学位，师从 Kim Christensen 教授和 Tim Evans 博士，研究领域是 complex networks。