一、法律AI赛道需求在涨，但供给涨得更快

张惟师把今年称为智能合同审查的一个“小爆发年”。但他紧接着给这个判断加了限定：这不是需求的全面爆发，至少目前，供给增长仍快于需求增长。

过去，企业法务和律师更多把AI用于查法条、找类案和简单咨询，很少把模型结果直接放进审批流程。最近一年，专业法律人对AI结果的接受度提高，越来越多合同审查结果可以在人工复核后进入业务流程。

幂律看到的需求信号包括：大型企业主动咨询智能合同审查的线索增加，相关招投标增多，存量客户在二期、三期项目中提出基于大模型的合同审查和流程自动化需求。模型能力逐渐成熟、厂商完成场景适配、客户被教育多年，三个条件在近一年开始汇合。

真正的变化不是法律AI“会审合同”了，而是审查结果开始进入工作流。

与此同时，大模型也显著降低了产品开发门槛。张惟师观察到，一个有几年经验的法律从业者借助现成工具，也可能很快做出一套“看起来像样”的合同审查产品。产品数量和讨论声量因此快速增长，但并不意味着企业采购同步增长。

判断需求是不是真的变强，应看三类信号：企业是否主动找供应商，存量客户是否追加二期需求，终端用户是否不只问一两个问题，而是持续提供材料并拿到任务结果。

法律AI现在有两个温度计：一个测产品与声量，一个测采购与使用。前一个已经很热，后一个才决定行业是否真正爆发。

二、律师买效率，企业买风控，普通用户买结果

法律AI不能用一套统一的“用户价值”解释。同一项AI能力，进入不同客群后，卖的是三种完全不同的东西。

律师买效率。 合同审查过去可能需要半天、一天，长合同甚至更久；AI可以先在分钟级给出初步结果，再由律师复核。它减少的是重复劳动和初级工作量，提高的是单位时间产出。

大型企业买风控。 尤其对国央企法务而言，采购理由更接近风险控制和合规。企业可能要求合同必须覆盖若干检查点，AI的价值是把标准固化并嵌入流程，最后仍由人承担复核和决策。

普通用户买结果。 个人和没有专职法务的中小企业通常不会长期、高频地购买法律工具。他们在欠款、劳动纠纷、消费者维权或合同争议出现时，更想得到一封能发出的律师函、一份能提交的起诉状、一套证据目录，或一次真正完成的立案。

“最残酷也最真实的原因，是很多用户不想找律师，或者负担不起传统律师费用。”

这也解释了为什么单纯的法律问答很难收费。用户不是为“接入了大模型”付钱，也很难长期为一段普法式回答付钱；他更可能为一个可使用、可提交、可执行的结果付钱。

三、法律AI最难获取的不是能力，而是用户的耐心

访谈中有一个匿名案例：一家小企业委托第三方代缴员工社保和公积金，对方少缴了一个月，企业希望追回款项。

用户最初只向AI描述了笼统情况，没有提供真实公司名称。在获得第一版起诉材料后，他才逐步上传合同、转账记录、缴费截图和聊天记录，最后补充营业执照、身份材料等信息，授权产品协助完成线上立案。整个过程包含两百多次人机互动，持续大半天。

这位用户不是一开始就信任AI，而是在每一次看到可用结果后，才把下一层信息和权限交出来。 法律AI真正的“Aha Moment”不是第一次问答，而是用户发现它能把问题推到下一步。

这样的用户仍然少见。法律问题高度依赖细节。要追缴一笔欠款，系统需要知道交易双方、金额、时间、合同、发票、转账记录和沟通证据。信息越完整，方案才越接近真实案情。

真人律师连续追问，用户通常认为理所当然；AI连续问三五个问题，用户却可能因为麻烦、担心隐私泄露而离开。用户期待AI交付律师级结果，却没有给AI律师级的信息、耐心和信任。

因此，法律AI的关键优化不只发生在模型层。幂律尝试把连续追问改成分场景的信息收集：识别婚姻家事、劳动用工或欠款追缴后，用表单、勾选和结构化提示一次性收集关键要素。张惟师称，这类交互优化能提高用户走到文书或执行环节的比例大概是50%，但相关效果仍是公司内部观察，不能直接外推为行业数据。

另一条路径，是把人工复核、专业人员兜底和清晰的责任边界放回产品流程。它们的目的不是让模型显得更聪明，而是让用户知道，AI进入真实法律实践时，仍有最后一道保障。

对严肃场景而言，信任不是品牌口号，而是任务漏斗的一部分。

四、规模化不等于“赚钱”

幂律当前最确定的收入仍来自大型企业。张惟师称，大型企业合同管理、法务智能化和智能审查项目贡献了公司九成以上收入；项目平均客单价约80万至100万元。

高客单价背后是重交付。大型企业往往要求私有化部署，并与OA、财务、CRM、合同管理等系统对接。收费由标准产品费和定制开发、实施费用组成，主要成本不是模型调用，而是研发、实施、项目管理和系统集成。客户越大，项目金额和交付人力通常一起增长。

大模型出现后，幂律一度希望重点为律所和法律咨询公司提供提效产品。这个方向需求明确，用户也更懂法律，但销售并不容易规模化：专业律师市场相对有限，同类工具竞争激烈；律所又多采用合伙人制，缺少统一决策者，不同合伙人的购买意愿很难集中。

幂律随后把新增投入转向中小企业和普通用户，希望让智能体直接承接法律任务。张惟师把吾律称为公司的“第二增长曲线”。这是一项战略押注，而不是已经被验证的成功结论。

截至访谈时，张惟师称吾律已有十多万用户，但大部分仍在免费使用；单次付费与会员购买人数约为3:2，使用最多的单次服务是律师函。注册量说明有人愿意尝试，却不能证明规模付费成立。

在幂律的服务经验中，五名以上法务的企业更容易提出定制需求，三至五名以下更可能接受SaaS，百人以下且没有专职法务的企业更适合按具体任务购买服务。这只是其经验划分，却揭示了不同商业结构的边界：项目制赚大额收入，SaaS争取标准化，终端智能体则必须解决低频、获客和复购。

“产品看起来很酷炫，用户也说好，但一让他付费，商业账就算不过来。”

已经能赚钱的业务不容易规模化，可能规模化的业务还没有证明能赚钱。 这不只解释了幂律为何转向，也可能是许多垂直AI公司的共同处境。

五、垂直AI的护城河，要从模型外面找

通用模型能力持续提高，法律垂直产品当然存在被覆盖的风险。法条、案例检索和基础咨询一旦被通用模型稳定完成，单独依靠知识问答形成的差异会迅速缩小。

张惟师认为，垂直厂商必须把能力继续推向任务深处，至少补齐四层：

• 可信信息与确定性工具。 法条和案例必须真实，金额、利息、违约金等计算需要调用专业工具，不能完全依赖模型自由生成。

• 场景与阶段工作流。 同一个问题可能处于咨询、协商、出函、起诉材料准备或立案阶段。AI要识别用户所处的位置，并主动告诉他下一步需要完成什么。

• 执行能力。 生成文书只是中间环节；提交投诉、整理证据目录、协助线上立案等动作，才让产品从“给建议”走向“交结果”。

• 服务与责任。 人工复核、专业人员兜底和可被确认的AI服务责任保障，决定AI输出能否进入真实法律实践。

通用模型未来可能接入法律数据库，也可能具备浏览器操作能力，因此前两层并非永久壁垒。垂直公司的窗口，在于把具体任务做得足够深，并承担通用平台通常不愿承担的服务链和责任链。

六、五类玩家里，声量最大的不是今天最赚钱的

法律AI的竞争不能只按公司名单理解。按张惟师的划分，五类玩家争夺的并不是同一笔钱：

智能合同与合同管理厂商。已进入大型企业流程，拥有客户关系、项目经验和当前最明确的收入。但是这类公司定制和实施重，收入增长往往伴随交付成本增长。

法律数据库厂商。拥有法条、案例、检索和专业内容积累，但需要把数据能力转化为任务与工作流，而不只是查询。

律师及律所提效工具厂商。这类公司的用户专业、需求明确，对AI接受度较高。但是市场规模和集中采购能力有限，竞争容易同质化。

互联网大厂的通用法律咨询。这类企业具备模型、流量和分发优势，但多数仍停留在咨询、检索或文书生成，能否深入交付待观察。

面向终端用户的任务型智能体厂商。这类企业用户空间大，有机会降低法律服务门槛。但面临低频、信任和付费意愿尚未证明等问题，获客可能成为最大成本。

在张惟师的个人判断中，当前真实收入最明确的是智能合同和大型企业项目，其次是传统法律数据库；面向律师的工具和终端智能体仍处在更早阶段。这不是市场份额统计，而是一线从业者对商业成熟度的排序。

这里存在一个容易被声量遮住的错位：目前赛道最热是面向普通用户的“AI律师”，今天更赚钱的却仍是进入企业流程、同时承担重交付的合同与法务项目。

七、普通用户会为有保障服务的法律AI付钱

张惟师留下的一条半年期判断是：未来6至12个月，普通用户会为“有服务保障的法律AI产品”付费。

这里的限定很重要。他判断的不是用户会为所有法律AI付费，而是人工复核、责任保障和明确任务结果能够降低决策风险。这条预测可以通过四组指标验证：

• 结果付费： 律师函、合同审查、诉讼材料和立案等任务的付费转化与复购是否提高；

• 任务漏斗： 用户从首次咨询走到材料提交、文书生成或执行环节的比例是否提高，信息收集阶段的流失率是否下降；

• 保障使用： 人工复核和AI服务责任险等责任保障是否被实际使用，以及它们是否提高转化和留存；

• 企业需求： 智能合同审查的主动线索、招投标、二期项目和真实活跃使用是否继续增长。

因此，评价一家法律AI公司可以遵循更接近真实业务的顺序：先看产品是否完成任务，再看活跃用户或客户，最后看收入与财务质量。 模型参数、产品数量和注册用户，都不足以单独证明影响力。

半年后需要回看的，不是又有多少法律AI产品上线，而是有多少用户愿意把真实材料交给AI，让它完成一项任务，并为交付结果和责任保障付钱。