從規模來看（美國市場），法律服務是 Professional Service 裡除了計算機資訊科技以外最大的行業，從業者總量和從業者收入均高於會計、廣告、建築等行業。

從結構來看（美國市場），In-House 和外部服務各佔據 50% 的法律服務支出，頭部 1500 家大型企業的法律服務支出貢獻了整個行業接近 20% 的支出。

從 Law Firm 內部的結構和趨勢來看，頂級的 100-200 家律所拿走了市場 90% 的收入，單個律師創收在百萬級別，在此基礎上提效是結構性趨勢。（一家 LegalTech 的公司如果能做到 10 億美元年度收入，相當於達到了一家 Top 50-100 的律所的創收水平，不過可能有更高的淨利）。

其中 Am Law 200 是公認的全國性 Big Law，它們通常僱傭 200 名以上律師。

從一個 typical day 的角度看，典型的中年級律師（幹活的主力軍）的時間分配如下：

• 60% 以上用於檔案的起草和審查（通常使用 Microsoft Word）。

對於檔案的起草和審查而言，LegalTech 有兩種方式幫助律師提效：

• 間接提效，比如律師每週有多達 2-3 個小時花在搜尋法律檔案，還花費另外 2 小時重新建立找不到的檔案，因此好的 CLM 和檢索軟體可以間接幫助提效。

• 直接提效，使用模版或 LLM-based AI 直接縮短建立或審查某些檔案的時間。

下文會詳細闡述，LLM 帶來的最大變數是：

• 效果體現在 80% 的工作上，而不是隻有 10-20% 的法律研究等任務。

• 直接提效而不是間接提效，並且機會提升 10x 級別。

使用 AI 來為法律行業降本增效的探索一直在持續，主要原因是培養、僱傭律師的成本都非常高。根據積極投資 LegalTech 方向的基金 NFX 的研究，可大致分為三個階段：

Wave1: 2000-2011 年，AI 主要應用於 E-discovery，搜尋、排序和分類資料，減少瀏覽大量法律檔案所需的時間，如 Clearwell 和 Icertis。這個階段法律科技頭部公司包括 Docusign 和 LegalZoom 等，但他們的業務與 AI 的結合較少。

Wave 2: 2012-2020 年，AI（以 NLP 為主）開始從 E-discovery 進入了多個法律工作流程，包括在合同管理、訴訟預測、法律研究，早期的 LLM 也出現了。代表公司如電子取證及案件管理平臺 Disco，以及合同流程管理平臺 Ontra、Ironclad。但 AI 的能力還不夠強大，主要體現在基本的資訊檢索、檔案管理上，很難對資訊進行更進一步的處理。這一時期的效率提升是漸進式的，解決的並非“人手不夠”這一核心問題，對工作效率的提升是有限的。此外，這些法律軟體的集成周期長，初始投資高，限制了律師事務所和公司法務的採用速度。

Wave 3: 也就是目前的 LLM 與法律的結合，AI 開始成為新興法律服務平臺的核心。LLM 的出現極大提高了 AI 的智慧水平，法律行業也十分適配大模型的能力。資料維度，法律場景是一個典型的 text-in/text-out 的場景，資料以文字為主，資訊量極大，多為絕對事實和真實案件，沒有模稜兩可的主觀判斷和情感色彩，很適合大模型學習；工作邏輯維度，無論是美國判例法還是中國成文法，法律工作內容都有非常強的知識性、邏輯性，需要基於大量的客觀資訊做出判斷，所以大模型適合解決法律文書稽核、案件檢索、合同撰寫及稽核等 dirty work，在工作效率上，實現了是 10 倍而不是傳統法律技術 1.5 倍的提升。同時，AI 幫助發現新案件，解鎖潛在的業務，這推動了法律服務市場的增長。

LLM 能力的提升，使得法律 AI 在合同管理、訴訟預測、法律研究等 80%的工作中效果會更好。法律研究為例，NLP 主要依賴搜尋關鍵詞和初步分析為主，比如確定某句話對應的具體法律條款。但是 LLM 可以啟用對話式的搜尋方式，可以對研究內容進行總結提煉，回答細節問題。LLM 的生成能力使得 AI 能夠在法律領域執行更復雜的任務，從“提取”到 “生成”，如自動起草法律合同和為法官提供判決建議。

LLM 對法律行業最直接的影響體現在提升 10x 效率。工作內容方面，LLM 協助律師查詢法條及案例，起草、稽核合同，使律師專注制定核心方案策略。如人工稽核法律合同錯誤率高、消耗時間多、會存在主觀偏見；LLM 可以幫助律師減少重複工作，透過輸入資料保證知識的即時更新，減少主觀偏見。人員方面，減少了對初級律師的需求。緩解較小的律師事務所和獨立執業者人手短缺問題，更有效地與規模更大的律師事務所競爭；法律援助律師和公設辯護人也能夠更好開展工作。

法律服務行業自身的趨勢也順承了 LLM 的採用：

企業是法律服務的最終付費方，企業預算直接決定律所營收。近年來，許多大公司試圖改變律師收費模式，採取固定費用、按結果收費、封頂費用等模式，而非“計時收費”來減少法律成本，費用稽核也越發嚴格。

法律基層員工工資不斷上漲加上客戶持續降低法律預算，律所依靠支付給律師的工資<企業支付給律師事務所的報酬所產生的規模效應慢慢不再成立，客戶和市場倒逼律師事務所採用技術提高效率。LLM 對於按時計費的商業模式也會產生進一步的瓦解作用。從客戶角度考慮，當客戶意識到 AI 的能力，有可能不再認可傳統的付費模式和需要工作時長；也可能會自己購買軟體，減少對外部法律服務的依賴。從律師角度考慮，AI 的高效會使得律師的計費時間減少，促使律師事務所改變收費模式。

但根據 Thomson Reuters 2022 年的公司法律部門現狀報告，公司法律部門始終表示希望律師事務所在定價方面有更多創新，但 75%的事務和 80%的費用仍是按照小時計費，固定費用、替代性收費方式（AFA）僅佔收費總額的 20%-25%。LLM 在法律行業的應用與傳統“計時收費”商業模式應當是一個相互博弈、緩慢滲透的過程。

根據 Thomson Reuters 統計，公司法務部門對法律技術的使用大幅度增加，截至 2021 年，超過二分之一的公司法務部門在積極使用電子簽名、法律研究、合同管理系統，並且有至少五分之一的公司計劃在未來 24 個月內採購新的法律技術。主要驅動因素包括適應 covid 遠端辦公的工作模式、對降低成本的需求，並實踐中驗證了法律技術的效率提高和成本降低作用。

大模型的 hallucination 是法律領域的一大采用阻礙。因為法律工作中的錯誤風險是不對稱的，微小的錯誤也可能導致重大的法律後果。但大模型的“幻覺” 可能會在沒有足夠上下文或理解的情況下生成資訊，這可能導致誤導性的建議或錯誤的法律檔案，律師和律師事務所可能面臨嚴重的法律責任。法律專業人士在處理案件時必須非常謹慎，即便用 LLM 執行法律任務也離不開人的檢查，這限制了效率的提升效果。

客戶對於將敏感資料輸入 LLM（大型語言模型）存在擔憂，擔心這些資料可能被用於模型訓練，引發資料洩露的風險。這可能違反對客戶的保密義務以及侵犯個人資料隱私權。例如，在歐洲可能違反《一般資料保護條例》（GDPR）的規定。

在我們與公司 demo 的過程中提到資料隱私問題，合同管理公司 Robin AI 和 Spotdraft 表示客戶的合同會儲存在本地化的 AWS Bedrock 伺服器上，每個客戶的賬戶是獨立的，更不會被用來訓練任何模型。

大模型的價值取向受到訓練的資料集的影響，使用人工智慧可能會反映甚至放大司法系統資料中固有的偏見。大多數合同從未在法庭上出現過，所以它們的條款未經測試，使用這些合同訓練的 LLM 有可能同時"學習”了錯誤和正確的內容。如 Equivant 公司開發了替代性制裁的罪犯管理分析（COMPAS），評估被告的累犯風險以決定拘留、判刑或提前釋放。根據 ProPublica 的研究，這種評估工具似乎對黑人囚犯有偏見，將他們標記為比白人囚犯更有可能重新犯罪。AI 也有可能被用來操縱或欺騙他人。例如生成虛假或誤導性的法律檔案。這需要針對 AI 的能力制定合理的監管規則。

他發現 LLM 的回答很大程度上取決於你如何提出問題（使用了什麼詞語），因此他們構建的系統包括 LLM 層、資料湖層（用於尋找法律知識回答法律問題）、調節層（以最合適的方式提交問題）。例如，如果我進入 ChatGPT 並詢問我公司的名稱、有哪些法律實踐，ChatGPT 會列出一份清單。但如果我問它這家公司有哪些訴訟業務，ChatGPT 可能無法給出正確答案。但如果我在 Harvey AI 中給出相同的答案（它與 ChatGPT 使用相同的資料來源），現在我會發現它將區分非訴業務和訴訟業務。

Harvey 還有自己的 Q&A 服務，你可以上傳自己的文件，Harvey AI 會獲取你的資料集並給你對應的回覆。它有能力對法律問題提供非常準確的答覆。律師們對它給出的響應非常滿意。所以它絕對有潛力。它有很多用例。可用於法律研究。它可用於合同、法律檔案分析、校對、糾錯、comliance、conflict check、ethical walls、engagement letters、盡職調查等。

但 Harvey AI 仍處於測試階段，主要與 Allen & Over 合作。他們有很多新想法。他們正在融入其中。它還沒有準備好投入生產。

自動化建立 demand letters（索賠信）。此前，律師助理和同事需要花費數小時的時間來精心組織、提取和總結檔案、醫療記錄、警方報告和發票中的資訊。現在，藉助 EvenUp，律師可以在質量、速度和成本方面取得 10 倍以上的成果。

合同管理是指利用法律科技軟體，幫助企業 in-house 法律部門以及律師事務所管理合同的工作流，以簡化合同的起草、審查、執行和監控過程，幫助法律團隊減少手動、耗時的任務從而提高效率、減少失誤。根據 Gartner 的研究，法律部門將近 50% 的時間花在了合同管理上，而 60% 的供應商合同在買家不知情的情況下自動續簽。這體現了合同管理的耗時和合同監控的重要性。

根據 Association of Corporate Counsel 統計，99% 的公司會使用 in-house 團隊管理合同，12% 僱傭外部法律顧問，而僅有 4%的公司會將合同管理流程外包給服務提供商。催生了主要服務 in-house 法律團隊的合同生命週期管理（contract lifecycle management）概念和一系列法律科技公司 。在此之前，公司法律團隊主要用 word、excel 管理合同，合同散落在各個地方，並且缺少企業內部的有效協作。合同生命週期管理主要環節分為簽名前、簽名後。簽名前包括合同初始撰寫、談判、編輯和審批，是一項跨部門、跨主體的工作，需要人工撰寫和多方談判。簽名後包括執行、跟蹤、審計（績效與合規管理）、續約，主要的目的是即時的監控。

合同管理賽道的公司可以具體拆分為模組化產品和全流程系統。Wave 2 跑出來的頭部公司以 CLM 為主，LLM 提升了 AI 在合同各環節的使用深度，賦能了部分提供模組化產品的公司，也出現了新興 Gen-AI 創業公司。

CLM 系統出現於 2010 年前後，通常具有“企業級”特性，專為大型內部法律團隊設計，全面覆蓋合同管理的各個方面，並附帶早期的 AI 功能，結合 NLP 技術，根據模板的合同起草、監控合同的執行情況、判斷合規性等。CLM 創業公司層出不窮，代表公司 Icertis 估值達到 50 億美金，Ironclad 估值達到 32 億美金。但這些公司在具體使用場景中，更多是被看作儲存合同、監控合同的統一系統，管理已經執行的合同。

LLM 對於合同管理的進一步提效，一方面體現在簽名前的環節，包括起草合同，根據企業的 Playbook 訓練模型並審查第三方合同，如 Robin AI 的 Draft、Review 產品模組；簽名後可以利用 LLM 處理大量資料的能力從眾多合同中提取關鍵資料，回答關於合同細節和到期情況的問題，如 Robin AI 產品的 Query 模組。這些工作重複性高、變化小，是基於模板的法律實踐，不是計時收費而是結果導向，使用 LLM 風險低但回報高。基於 LLM 的合同管理新興創業公司湧現，較傳統的 CLM 法律科技公司也積極跟進。如 Ironclad 也推出了基於 GPT4 的 AI Assist™，整合在平臺中，幫助使用者解釋條款、標記潛在問題、提供修改建議。Evisort 則構建了合同場景的專用模型。但 Gen-AI 合同管理創業公司提供靈活的模組化產品，而非傳統的端到端合同管理系統，對於中小企業也更友好，並未與 Ironclad 等公司正面競爭。

合同管理其實是企業銷售、採購、營銷、人力資源這些業務過程的一部分，不僅僅服務法律部門，企業業務部門密切相關。法律團隊本質上是成本功能，TAM 有上限的，除非銷售的軟體可以擴充套件到像銷售/GTM 這樣的收入生成功能。因此，提供模組化合同管理功能的 Gen-AI 企業很有可能被頭部 CLM 及商業軟體收購併整合，如 Icertis 或 SAP Ariba 或 Coupa 等採購工具，或直接整合進 Salesforce。雖然這意味著合同管理 Gen-AI 創業公司很難發展成為“ next big thing"，但有較穩的 downside，使我們較看好以 Robin AI，Spellbook 等為代表的 Gen-AI 公司的投資機會。

AI Assist™：解釋合同條款、標記問題和修改意見。

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

New feature – checking defined terms

可以結合 LLM 進行 conversational search、drafting、summarization、analyze。

可以結構化地定製 Chatbot 讓客戶與真人交談。

我們選擇 case study 的標準為：

• 19 年以後創立

Eve 的願景是構造一個較為通用的 GenAI 驅動的律師助手，但是目前的主要用例集中在 Personal Injury（Evenup 所處的領域）和中等以及小型律所客戶上。其主要用例包括：

2）目標產品形態為通用性法律 copilot，市場空間大。

3）相比 Harvey 更加 PLG，有機會吃掉 Mid-Market 和 SMB 客戶群。

4）Menlo Ventures 在法律領域選擇投資的標的Menlo 是 Casttext 的早期投資人，是法律科技和 AI 方向最專業的投資機構之一。

創始團隊來自法律科技巨頭 Relativity。CEO Jordan Domash 在 Relativity 擔任過 Chief of Staff 與 Relativity Trace 的 GM。CTO Nikita Solilov 在 Relativity 聯合創立了 Realitivty Trace。Relativity Traceable 提供電子取證和合規監控能力，在全球有接近 20 萬用戶。

目前 Responsiv 的用例還主要集中在法律知識問答：

1）少數幾家仍然做 In-House 市場的玩家。

2）創始團隊來自最領先的法律科技公司之一。

Harvey 的創始團隊同時擁有 LLM 技術和行業 knowhow 背景的組合：Gabriel Pereyra 做為 CEO 及創始人曾是 DeepMind、Google Brain 和 Meta AI 的研究科學家，並參與過大模型的訓練，而另外一位創始人 Winston Weinberg 則是 O'Melveny & Myers 律師事務所的證券和反壟斷訴訟律師。

此外，Harvey 的其他團隊成員均為人工智慧研究實驗室的工程師和來自頭部律師事務所的律師。這樣的組合使得團隊既擁有豐富的法律實踐經驗，同時又深入瞭解大模型的能力、知道如何訓練模型。

Harvey 的首個產品是一個在 GPT4 底座模型上加入大量法律專業資料 finetune 的 AI Chatbot，其產品形態類似 ChatGPT，它的主要能力包括：

1）法律寫作：撰寫長篇、格式化的法律檔案，幫助起草合同，撰寫客戶備忘錄，作為工作起點。

2）掌握專業法律知識，可以回答複雜的法律問題，如 “第四巡回法庭中僱員和獨立承包商之間有什麼區別？”、“租賃合同中的這個條款是否違反了加州法律？請改寫它並使其合法”等。

3）理解、處理合同檔案。

4）定製公司特有的模型：使用客戶特有工作產品和模板訓練，以嵌入工作流，類似新員工加入律師事務所時的入職培訓等。

根據其客戶 Allen & Overy 表示，Harvey 在公司內目前大概有三個用例：

1）起草：為電子郵件寫初稿，人工進一步修改。

2）研究，比如在某個司法管轄區的法律下比較一個問題，Harvey 會告訴律師需要知道的法條。

3）審查：Harvey 幫助律師鑽研大量的訴訟、交易盡職調查等檔案，識別出可能潛在存在問題的地方。

目前 Harvey GTM 的主要方式是 To L，即以大型律師事務所作為目標客戶，為律師事務所及其客戶打造個性化定製的 LLM 工具，切入法律行業高價值、高壁壘的工作流。公開披露的標杆客戶包括 Allen & Overy 及普華永道，根據 Hill 的報告，Quinn Emmanuel、O'Melveny 和其他公司已經在與 Harvey 進行演示。紅杉在完成 A 輪投資後在官方部落格上表示有 1.5 萬家律師事務所正在排隊使用 Harvey 的 AI 產品。Harvey 與大型事務所密切合作，一方面可以藉助這些事務所的大客戶資源基礎實現 GTM；另一方面則是獲得優質資料集，基於事務所的實際使用實踐來共同打磨產品，使產品更為貼合目標客戶的需求。

近期 Harvey 又披露了幾家合作伙伴，包括 Macfarlanes（一家 140 多年曆史的英國律師事務所）、Al Tamimi & Company（一家中東和北非地區的律師事務所）等，但在在 PR 中表示還是在試點階段。

1）是 OpenAI 投資的第四個專案，最早獲得 GPT4 使用權的公司之一。

2）團隊在法律、LLM 領域都很專業。

3）目標產品形態為通用性法律 copilot，市場空間大。

4）公開披露的標杆客戶包括 Allen & Overy 及普華永道，客戶影響力大、付費能力強。

5）頭部機構背書。

2019 創立，聚焦個人傷害索賠（Personal Injury Claims）領域，幫助律師事務所使用軟體及 AI 預測個人傷害訴訟的價值。具體來講，是利用 AI 為訴前人身傷害案件自動生成需求函，包括車禍、警察暴力、兒童虐待、自然災害等案件，相比傳統人工流程可顯著提升速度。2023 年底 ARR 達到 $20m，相比 2023 年一季度 $8.9m ARR 增長到 2 倍多。

根據 NFX 統計，個人傷害領域，每年有 5 萬多家律師事務所幫助受害者獲得 2000 億美元以上的和解金。若律師僅抽成 1%有 20 億美金的市場規模，但 Evenup 作為律師使用的工具，能夠 capture 的市場更小，所以整體市場空間並不算大。

個人傷害索賠市場是案源、資料都十分碎片化的市場，有 99%的和解都是私下進行，這使得受害者和律師事務所無法透過有效的資料判斷每個案件的真實價值，這使得專有資料更為重要。Evenup 作為細分賽道的頭部公司，每處理新案件都會創造更多的資料，系統便可以更好地起草要求和估計案件的價值，這使得它提供了該領域下兩個核心價值：更高的效率、更好的案件估計。並相較於該賽道的其他後進入者有明顯的優勢。

COO & Co-founder Raymond Mieszaniec，經濟學學士，加拿大西蒙弗雷澤大學，Co-founder of EquitySim。Raymond 曾經歷過個人傷害索賠行業的問題，他的父親經歷了一場機動車事故，但由於家庭經濟限制，聘請了一位不瞭解案件價值的律師，他們以不公平的金額達成了和解。

Chief of Product & Legal Operations & Co-Founder Saam Mashhad，畢業於加拿大麥吉爾大學，曾在律師事務所 Norton Rose Fulbright 和非營利組織 Compass Startup & Legal Clinic 工作，對個人傷害領域及其複雜性有深刻的理解。

技術團隊成員主要來自 Waymo、Affirm、亞馬遜、Uber 以及 Quora，法律團隊成員來自 Norton Rose。

透過 EvenUp 的產品，幫助律師完成索賠流程中的 paperwork：律師只需要上傳原告資訊，EvenUp 會自動從醫療記錄中調出所有相關的傷害、程式和治療日期，透過這些資訊自動生成完整的報告，包括醫療摘要和損害估計，需求大概在一週之內完成。

全面的索賠信概述了被告的責任、受害者的傷害、當前和未來的費用，並提出了初步的賠償要求。這些信件非常公式化，但一般需要律師花費數天去研究。Evenup 為律師節省了時間，基於資料積累得出的索賠信為受害者帶來更好的結果。

EvenUp 的客戶主要是處理大量簡單重複的人身傷害案件的律所。產品採用訂閱模式售賣，客戶表示更適合案件處理量大的企業，若案件量少會不划算。

1）Evenup 起步早，在個人傷害法這個細分領域擁有了資料積累，雖然市場總體空間有限，但有機會做到細分賽道的頭部，capture 較大的 market size。

2）個人傷害領域，是一個數據破碎細分、效率低的市場，有助於 AI 發揮作用。

3）創始團隊、投資機構、收入增長等基本面較好。

類似 Evenup 顛覆個人理賠行業的方式，Noetica 透過其 AI 驅動的平臺幫助企業債務領域的交易者減少條款的審查時間，還可以更自動化地幫助客戶構建最符合其利益的交易條款。

Noetica 的其他團隊成員包括來自 IBM、Bloomberg、Wachtell、J.P。Morgan、Kirkland & Ellis 等公司的博士、工程師和資料分析師。

藉助 Noetica，使用者可以上傳任何信用或債券檔案，並在一分鐘內將所有條款與數以萬計的可比較的公共和私人交易進行比較。他們的平臺使交易專業人士能夠透過掃描業內最大的公司債務條款知識圖來找到並納入符合客戶最佳利益的市場條款。他們的技術是在內部完全構建和微調的，並且不利用第三方法學碩士來為其軟體提供支援。

擁有世界上幾家最大、最賺錢的律師事務所作為客戶，產品在許多數十億美元的債務交易中發揮了重要作用。多家排名前 20 的律師事務所已經成為 Noetica 的客戶。

1）企業信貸市場是全球最大的 capital market 之一，目前 20 萬億美元左右，以 10% 以上的 CAGR 增長，難以標準化的交易條款是市場發展的最大痛點之一。

2）LSVP 對這個創始團隊的執行力評價很高。

Robin AI 2019 年由高偉紳律師事務所律師 Richard Robinson 和帝國理工學院 ML Research scientist James Clough 創立。主要產品為具有合同起草、審查、查詢的 Copliot 平臺，chatgpt 出現後，快速和 anthropic 達成合作，利用 claude 加快起草和談判合同的過程，產品也有 Microsoft Word 外掛形態。Robin AI 同時提供 managed services，目前是其最大的收入來源。總 ARR 約 $5m。

Robin AI 認為未來將不再有 CLM，認為 CLM 實施時間長、成本高、投資回報率低。Robin AI 提供模組化的產品，透過模組化方法快速解決的具體問題。

Robin AI 由前 Clifford Chance 律師 Richard Robinson 和前 KCL 機器學習研究科學家 James Clough 創立。

CEO Richard Robinson：在創立 Robin AI 之前，曾在 Boies Schiller Flexner LLP 擔任合夥人，以及 Clifford Chance LLP 訴訟和仲裁部門的合夥人。

CTO James Clough：曾在 KCL 擔任機器學習研究助理，專注於使用流形對齊和拓撲資料分析進行醫學成像研究，以及在深度學習中採用臨床可解釋的方法。還曾在英國帝國理工學院擔任物理系的研究生助教，教授統計力學、複雜性與網路以及計算機課程。James 在帝國理工學院獲得了理論物理的 MSci 學位，師從 Kim Christensen 教授和 Tim Evans 博士，研究領域是 complex networks。

根據 2023 年的員工訪談，擁有 30-40 名內部律師，提供法律服務並幫助改進 AI 模型（把法律錯誤標記給技術團隊，類似模型的測試員），在持續招聘法律崗位，以擴大外包合同審查服務的規模，因為這是目前業務中利潤最豐厚的部分。從 linkedin 觀察，目前員工總數 122 人，其中法律人員有 41 人，且增長較快。其次是工程人員， 有 25 人；之後是銷售人員，有 10 人，但近 6 個月有下降趨勢。

Draft、Review 和 Query 是一個軟體解決方案，客戶自己使用。Draft 和 Review 可以免費體驗。而 Managed Services 則是 Robin AI 利用自己的軟體和法律團隊為客戶提供外包服務。Managed Services 目前是 Robin AI 收入最高的業務。該服務主要為資產管理公司等客戶提供合同審查和談判的外包服務。客戶只需要將合同提交給 Robin AI，由其法律團隊利用軟體來加速審查流程。

draft 工作流的痛點在於重複、耗時。LLM 可以利用預先批准的合同模板和透過表格自動填充條款的合同工具，並提供監督和控制的內建審批工作流程。

集中化的合同儲存庫將使法律團隊能夠將所有文件整合到一個可搜尋的圖書館中。法律團隊只需點選幾下就可以找到重要資訊，同時大大降低了錯過任何關鍵的義務或條款的風險。

CEO Richard Robinson 已遷至紐約支援公司在美國的擴張。目前其四分之三的收入已經來自美國，未來會在新加坡開設辦事處，進軍亞太地區。在美國和新的市場，也需要實地律師，因為每個州的法律制度都有不同的細微差別，需要確保當地司法管轄範圍內的一些細微差別能夠反映在他們所處理的合同中。

1）合同管理領域，是結果導向、重複性的、變化不大的法律實踐，對於 GenAI x Legal 用例來說風險低但回報高。LLM 對於合同管理領域能顯著提高效率，降低錯誤率。

2）CLM 的現存市場驗證了市場需求。

3）Robin AI 採用模組化產品策略，相較於傳統 CLM 提供了更輕量化、快速便捷、低成本的合同管理服務。

Robin AI 是 Gen-AI×合同管理領域的頭部公司，團隊背景、融資情況都較好。

客戶訪談驗證了 Robin AI 的服務價值，以及市場擴張的前景。

2023 年成立的合同審查 startup，產品形態為 microsoft 外掛， 利用 LLM 以及企業專有的 playbook 審查合同。2023 年 9 月完成 300 萬美元種子輪融資，Nat Friedman 和 Daniel Gross 領投，YCombinator、Liquid2 和 General Catalyst 參與投資。

他們指出了合同審查面臨的三個問題：法律審查遇到瓶頸會使得銷售暫停交易，影響公司業務；在時間壓力下，法律團隊無法確保合同符合公司標準並最小化風險；非標準語言使得理解合同變得困難，大規模情況下難以跟蹤合同細節和談判結果。

律師+安全專家+AI 研究員：

Co-founder & Co-CEO Sona Sulakian, USC Gould School of Law, Juris Doctor (J.D.），斯坦福大學 BS & BA，是一位經驗豐富的律師，專長於交易法和智慧財產權。她在法律科技領域擔任戰略顧問近三年，幫助公司自動化內部流程。

Co-founder & Co-CEO: Grey Baker，劍橋大學本科數學，碩士經濟學，之前在 McKinsey & Company 工作過，是一位連續創業者，曾將 Dependabot 賣給微軟，並作為第三位員工加入 GoCardless。他最近在 GitHub 擔任安全產品的副總裁。

Co-founder & CPO：Mariam Sulakian，杜克大學 BS，曾在 Meta 擔任軟體工程師，並在一家法律科技初創公司擔任混合工程師和專案經理，之後加入 GitHub 擔任安全產品產品經理，領導 secret scanning teams。

是一個 word 外掛，使用者可以構建自己的 playbook。客戶評價其主要作用是可以將合同條款標準化，和 Ironcald 互補，解決不同的問題。目前可以為第一方檔案提供 AI 修改建議，為第三方檔案提供審查功能。

條款級：為特定的條款建立規則，並審查，而不僅僅是基於整個檔案的指南級別。Pincites 將每個條款與使用者的標準規則進行比較，突出顯示與標準的偏差和合同中缺失的條款，提供關於差異和風險水平的洞察和修改建議。

1）團隊實力、投資機構背景。

2）成立時間較短，需持續觀察。

2019 年成立，從艾倫人工智慧研究所（Allen Institute for Artificial Intelligence）剝離出來成立單獨公司，最初將產品定位為合同的 AI 儲存庫，為公司法律團隊快速回答針對現有合同的問題。目前搭建了面向中小規模的企業的一體化 CLM，同 Ironclad 形成差異化競爭。2022 年底就採用 GPT3 語言模型，推出了可以提供合同草案生成、編輯建議、文字摘要的 word 外掛。2023 年融資時披露 2022 年實現了收入連續第三年增長了兩倍。

▪ CTO & CO-FOUNDER Emad Elwany，畢業於斯坦福大學 MS，computer science，Allen Institute for Artificial Intelligence （AI2），在微軟做過 research software development engineering lead。

▪ CO-FOUDNER: James Baird，Allen Institute for Artificial Intelligence （AI2） CTO，之前在 Web 開發公司 Pancake Labs。

作為一體化 CLM 系統，功能全面，包括起草、儲存、集中管理、搜尋、AI 提取關鍵資訊等功能。

客戶目前更多的把 Lexion 看作“將所有合同儲存在一個地方的方式，目的是提高可見性和協作”，使用的更多的仍是其合同儲存、搜尋功能。客戶評價 Lexion 實施起來很簡單，與 Salesforce 的整合很重要、可以從 Salesforce 自動提取合同檔案，兩三週內就能處理 3000 份合同。AI 功能可以加速審批工作流，加快簽約速度，客戶表示 AI 支援的搜尋非常快速和準確。Ironclad 相對來說更貴，並且更注重合同工作流，如建立、協商、批准合同。

2）在 CLM 中 Gen-ai 基因強。