Jay Madheswaran：AI 与原告律师业务的经济账

Eve 联合创始人 Jay Madheswaran 认为，AI 可以减少代理客户所需的工作，从而改变原告律师业务。他将 Eve 描述为帮助律师从首次客户来电一直处理到和解的工具，而不只是裁员手段。

a16z 的 Alex Rampell 介绍 Madheswaran，并区分分散的小型原告律所与硅谷熟悉的大型公司法律师事务所。Madheswaran 表示，公司关注的是那些往往负担不起机构级法律资源的普通人。

Madheswaran 解释风险代理模式：原告律师在客户胜诉后获得报酬，而不是无限制地按小时收费。Eve 希望帮助律师处理完整案件，改善他们能为客户取得的结果。

Rampell 说明小额索赔的经济账。即使律师按和解金额分成，如果员工和研究成本超过可能的律师费，也可能拒绝一宗 1,000 美元的案件。他认为，降低工作成本可能使此前不划算的案件变得值得承接。

Madheswaran 同意法律劳动限制了人们获得代理的机会。他估计，许多律所需要至少 5,000 美元的律师费才会考虑一个案件，即使如此，有些案件仍可能亏损；这是他对市场的描述，并非普遍门槛。

他以雇佣纠纷为例：律师必须了解事实、研究可能的诉因并追问细节，才能判断案件是否可行。他称，由于这些前期工作成本高，许多咨询被拒绝。

这些工作可能包括听取来电、识别具有法律意义的主张和查阅判例。Madheswaran 表示，律所可能花了数小时调查，最后仍发现预期费用太低，许多人因此得不到代理。

Madheswaran 说，Eve 可以接听初次来电，按照律所的标准筛选并准备初步工作。案件仍会持续数月，涉及许多次互动；他的长期目标是随着技术进步，让系统承担更多环节。

Rampell 回忆自己向一位庭审律师介绍 Eve 后，对方表示想试用。他的观点是，AI 对律所的价值可能来自服务更多客户带来的收入增长，而不只是削减成本。

谈到律所的经营，Madheswaran 说，需求往往不是主要限制，真正的瓶颈是处理来电和案件的人员。不同律所的瓶颈也不同：独立律师可能难以及时回复，而较大的接洽团队可能被营销带来的需求压垮。

他解释，律所成长时瓶颈会转移。小型办公室可能依赖一名律师和一位办公室经理；建立接洽团队可以缓解压力，但来电增加后，团队本身也可能不堪重负。

Rampell 提出，低成本的人工智能助手可能让律所服务更多潜在客户。Madheswaran 举出一个客户案例：据他说，洛杉矶一家律所每名律师管理的客户数从约 100 人增至 500 人。

他将这一结果归因于律所在接洽、资格筛选、交接和和解准备等环节充分使用 Eve。系统可以呈现过去的策略和类似结果，律师则决定如何运用自己的专业知识。

Rampell 问，为什么原告律所以往的软件支出很少。他对比公司律所的按小时计费工具和风险代理业务，认为 AI 软件可能触及的劳动市场，比以往软件支出所显示的规模大得多。

主持人认为，只看当前支出来评估软件市场，可能忽略软件未来能够承担的工作价值。他将以往较少的技术预算，与成果价值和法律劳动成本作比较。

Madheswaran 表示，一些小型原告律所以往只需要电话和电子邮件；传统产品没有解决他们的劳动瓶颈。他认为，法律软件公司通常追随机构和被告方更充裕的预算。

Madheswaran 说，小律所只有看到有用的结果才会续费。他的设想是把工作编码为可以处理不同事实的流程，同时让律师关注需要判断的决策。

Rampell 问，当模型提供商不断推出更强的通用智能时，应用如何竞争。Madheswaran 欢迎模型变得更好，但认为单有通用能力并不能提供在特定律所高效工作所需的知识和背景。

Madheswaran 说，许多原告方的和解信息无法公开检索，因为案件往往在审判前解决。Rampell 用保险和解说明信息差：保险公司接触许多索赔，而一家地方律所可能只看到其中很小一部分。

Rampell 设想一场车祸后，保险公司给出很低的赔偿，而律师最终争取到和解。他用这个假设说明，了解对手方过去的行为可能有用；这不是经核实的实际案例。

Madheswaran 认为，相关背景包括对手方、当地法院、对方律师和事实模式。他说，Eve 帮助律所利用这些多维信息，判断采取什么行动可能改善案件结果，首先包括他们擅长代理哪些客户。

Rampell 问，律所拥有私有案件数据，却面对共同的对手方，应如何共享知识。Madheswaran 表示，Eve 不使用保密案件数据训练，并提到律师通过专业教育交流策略；这是公司对自身做法的描述。

Rampell 追问，共同学习的好处能否与客户保密义务并存。Madheswaran 将私有案件材料，与律师在继续法律教育活动中本就会相互讨论的策略区分开。

Madheswaran 说，Eve 聘请律师并跟踪案件成功情况。他介绍了一款名为 Auditor 的产品：它检查案件页面，寻找可能遗漏的信息，供律师进一步查看。

Rampell 问，当原告及其机构对手都获得 AI 工具时会发生什么。降低成本可能改变小额索赔与应诉资源之间的力量对比，同时也引出对抗程序本身如何演变的问题。

Madheswaran 预测，智能体将处理更多常规往来，但人类律师仍需要理解客户、事实和当地对手。他说，一些客户将节省下来的常规工作时间用于庭审代理。

他说，机构可以利用时间和财力消耗个人。在他设想的未来，即使常规互动实现自动化，律师仍会运用对具体客户和当地对手的了解来指导工作。

Rampell 将讨论联系到诉讼融资：出资方在支持一宗案件前，会分析法官和案件数据。他认为，更系统的信息也可能帮助律师在和解、继续谈判和审判之间作出选择。

Madheswaran 表示，软件可以帮助识别可能的结果，但律师仍负责决定如何推进客户的案件。Rampell 随后讲述自己用 AI 编程助手协助发起对银行的索赔，说明提起案件的工作可能变得更容易。

Rampell 回忆自己使用编程助手发起与 Wells Fargo 的纠纷并安排送达。他说，开庭日期仍在数月之后，说明准备提交材料和获得裁决是两个不同步骤。

两人考虑第二个瓶颈：即使准备索赔变得更便宜，法院和机构的处理能力仍然有限。Madheswaran 预计，更多争议会通过调解或其他法院之外的方式解决。

他推测，AI 辅助的调解员或中立决策者可以更快整理相关事实。他并不认为人类判断会消失，并表示决策者需要处理可能存在的偏差。

Rampell 问，如果一家小律所的每名律师能处理更多案件，它能否成长为规模大得多的机构。Madheswaran 预测，一些律所会越来越像软件公司，投资建立自己的专业数据和流程。

Madheswaran 认为，律所围绕某类案件积累的信息可以成为竞争资产。他说，原告业务此前已从一般性的地方业务逐渐走向更专业的领域。

Madheswaran 假设一笔和解金额为 25,000 美元，律师费约占三分之一，并表示其中相当一部分可能用于人力和营销。他认为，降低服务成本可以让律所腾出资源，改善下一个案件的处理。

他预计专业化会继续细分：一家律所可能特别擅长某种事实模式，再将业务扩展到当地市场之外。他还描述了另一种趋势，即大型律所收购并整合小型律所。

Rampell 对比按席位收取的软件订阅费和按结果收费。原告律所本来就依赖结果，而其他法律业务往往难以预测案件范围，因此固定收费可能让服务方承担风险。

Rampell 指出，客户可能更喜欢与结果挂钩的价格，但律师一开始可能不知道一个案件需要十小时还是数百小时。即使双方都希望采用固定费用，这种不确定性也会让定价变得困难。

Madheswaran 说，Eve 最初采用传统订阅档位，了解律所重视的价值后转向按结果收费。他预计，计时收费在部分业务中仍会存在，而较容易预测的事务可能越来越多地围绕结果定价。

被问到 Eve 增长的限制时，Madheswaran 说，公司需要工程师为每类案件构建和评估长时间运行的工作流程。他区分了单独的基准测试任务，与取得真实法律结果所需的长链条工作。

Madheswaran 描述了学习如何解决每类案件，并构建能够使用现有工具的专门工作流程。他说需求存在，但艰难的工程工作限制了公司扩大覆盖范围的速度。

Rampell 问，Eve 是否已经在没有人类介入的情况下完成整个案件。Madheswaran 说还没有，但公司正朝这一目标努力。他估计，一宗案件可能涉及数千次互动，包括获取记录和与其他当事方沟通。

他举例说，外呼语音智能体可以向医疗机构和保险机构请求记录，而这一过程原本可能需要数周。他描述部分任务已经实现端到端运作，同时承认人的参与仍能改善整体案件。

谈到被告方的反应，Madheswaran 讲述一家律所常在节假日前收到证据开示请求，团队因此承受压力。他说，这家律所配置了 Eve 智能体，快速应对这一反复出现的策略，改变了与对方律师的互动。

Rampell 最后强调一宗案件涉及的大量协调工作。Madheswaran 表示，Eve 已帮助数十万客户，希望未来帮助更多人；这一数字来自公司的说法。