Harvey 联合创始人谈：AI 如何重塑法律这门古老行业

Harvey 联合创始人兼总裁 Gabe Pereyra 在 No Priors 访谈中，系统讲述了 AI 如何从“律师 Copilot”进化为重塑法律组织的核心基础设施。这不仅是效率工具的故事，更是关于企业级治理、Agent 工作流和法律行业未来结构的深度思考。

为什么 Harvey 不是另一个 Copilot：真正的难题在组织层面

理解 Harvey 的关键，在于理解他们真正解决的“问题层级”。Gabe 直言，产品最初确实很像法律版 Copilot，但很快他们意识到，真正的瓶颈并不在于“单个律师写得更快”。“过去一年我们意识到，最大的问题不是个人生产力，而是编排（orchestration）、治理（governance）和企业级产品在规模化下如何成立。”

这也是 Harvey 与 Claude、GitHub Copilot 这类通用工具的根本差异。法律服务高度依赖团队协作、版本控制、权限管理和责任归属，而这些都不是一个聊天框能解决的。Harvey 面向的是拥有数百甚至上千名律师的组织，当前已接近 1000 家客户、约 500 名员工，这迫使他们必须从第一天就思考企业级架构。

在 Gabe 看来，法律行业的问题从来不是“有没有 AI”，而是“AI 如何嵌入既有的权责体系”。这也是为什么 Harvey 的产品演进方向，越来越像一个平台，而不是一个功能插件。

法律工作流到底是什么？一个高度非结构化的世界

很多技术背景的听众低估了法律工作的复杂性。Gabe 用风投和私募交易举了一个具体例子：基金设立、LP 协议、尽调数据室、交割文件——几乎全部是非结构化、文本密集型内容，而且每一步都高度依赖上下文。

“法律工作流的本质，是一连串彼此依赖的文本决策。”这意味着，很难像传统软件那样用确定性流程建模。也正因如此，单点自动化价值有限，真正的突破在于把多个步骤串联起来。

这直接引出了 Harvey 对 Agent 的探索。他们正在尝试把初级律师（associates）的工作方式抽象成 Agent：先做研究，再起草文件，然后补充引用、检查一致性。这不是炫技，而是贴合真实工作的分解方式。Gabe 说，这类系统开始“看起来很像强化学习环境”，只不过法律里的“环境”是客户事务本身。

强化学习在法律中的落地：用合伙人反馈替代标准答案

一个绕不开的问题是：法律没有标准答案，强化学习（RL）怎么可能成立？Gabe 的回答非常现实：确实很难构建传统意义上的 reward function。“在法律里，很多东西是不可验证的。”

Harvey 的解法并不新潮，却很务实——把合伙人的反馈当作监督信号。文件是否可用、风险是否可控、是否符合客户偏好，这些判断本来就存在于人类流程中，只是过去无法规模化利用。这与现实世界的软件工程很像：代码是否‘好’，最终也往往由资深工程师评审，而不是测试用例完全决定。

这种思路背后，是对法律专业性的尊重，而不是试图用 AI 取代判断。Gabe 甚至把高级合伙人类比为“distinguished engineer”：他们的价值在于深厚直觉、风险管理能力和对复杂系统的把控，而 AI 的角色，是放大这种能力。

不做律所，也能改变律所：Harvey 的长期野心

面对一个常见问题——“你们为什么不直接做一家 AI 律所？”——Gabe 的回答很清楚：“建立律所和建立科技公司是两种完全不同的生意。”Harvey 的目标不是取代律所，而是“让每一家律所都成为 AI-first”。

这也是他们开始进入大型企业法务部门的原因。Walmart、AT&T 等公司希望在内部法务和外部律所之间，安全地共享数据，同时满足隐私和合规要求。为此，Harvey 甚至组建了部署工程团队，直接进入客户环境，对接计费系统和治理流程。这是一个典型的企业级打法，但在法律行业仍然罕见。

在更宏观的层面，Gabe 预测一个很多人并不完全认同的趋势：模型会持续变强，但最大的变化将来自“组织级生产力”。未来的 AI 不再是个人助手，而是多方协作的系统，深度嵌入专业服务的运行方式。

总结

Harvey 的故事提醒我们，AI 真正颠覆行业的方式，往往不是效率提升本身，而是迫使组织重新思考结构与权责。法律这样一个古老而保守的行业，反而成为检验 Agent、强化学习和企业级 AI 的理想试验场。对读者而言，这不仅是法律科技的案例，更是理解“下一代 AI 应用形态”的窗口。

关键词： 法律科技， AI Agent， 强化学习， 企业级 AI， Harvey

事实核查备注： Gabe Pereyra：Harvey 联合创始人兼总裁；Harvey 客户规模：接近 1000 家；员工规模：约 500 人；提及产品：GPT-4、Claude、GitHub Copilot；应用概念：AI Agent、强化学习（RL）、人类反馈；客户示例：Walmart、AT&T