AT&T 与 OpenAI 的法律合作将共享知识置于内部法务工作的核心

AT&T 正在扩大与 OpenAI 的合作，以重组法律支持工作，同时将决策权保留给律师。AT&T 与 OpenAI 的法律合作瞄准了一个常见瓶颈：在专业判断开始前，找到所需信息。其意义在于改变工作如何流转至法律专业人士手中，而不只是帮助他们更快生成文件。

AT&T 于 2026 年 10 月 8 日宣布这项合作。OpenAI 于 10 月 21 日发布了更深入的介绍，描述了一套用于接收和准备法律请求的拟议系统。这些日期很重要：最新内容描述的是一项仍在推进的计划，而不是已完成部署并拥有独立测量结果的公告。

核心张力在于个人拼凑的专业知识与共享的机构知识之间。包括 Thomson Reuters 和 Microsoft 在内的法律技术供应商，已经在竞争将 AI 与专业工作流连接起来。AT&T 的计划提出了一个更具组织层面的问题：当法务部门重新设计工作的起点时，会发生什么变化？

AT&T 与 OpenAI 的法律合作实际改变了什么

根据 OpenAI 对法律请求受理的介绍，AT&T 正在探索一个可接受日常语言书写请求的自然语言系统。它将对请求进行分类、设定优先级、查找相关既往工作，并建议初始步骤。AT&T 首席合规官 Bill Ryan 将其描述为一项拟议计划。

这一拟议流程之所以重要，是因为接收请求与理解其法律意义是不同的活动。一条消息可以清晰说明商业截止日期，却仍让底层法律问题含糊不清。在提供建议之前，律师需要足够的背景信息，才能区分即时请求与实际问题。

拟议的改变，是将信息收集前移至请求进入部门的时刻。

这为改善业务团队与法律专业人士之间的交接创造了机会。部门不再将每条传入消息视为孤立任务，而是可以审视其与既往工作的关系。潜在收益来自于跨事项保留上下文。

该计划建立在 AT&T 的内部法务组织 LegalEdge 之上。AT&T 在其法律工作流公告中称，LegalEdge 于 2026 年 1 月启动，并在头六个月处理了近 100 个事项。这构成了运营基础，但并不能衡量拟议受理系统的表现。

仅凭事项数量无法证明生产率。不同事项在复杂性、紧迫性以及所需专业关注程度上各不相同。缺乏对比方法时，数量几乎无法说明新流程是否提高了质量，或减少了所需总投入。

AT&T 还描述了不同层级的协助。一些获批任务可能获得自动化回复，其他工作则会涉及为律师收集信息。该公司表示，律师将决定如何使用 AI agents，即能够执行一系列任务的系统。

这一差异避免该计划被简化为对自动化的单一主张。回答经批准的行政问题，与解读陌生的合同争议，涉及的责任并不相同。部门需要在决定给予软件多大自主裁量权之前，区分这些类别。

对于评估该公告的读者而言，有意义的发展在于设计合作及其预期的工作流变化。两家公司均未表明，自动化受理流程已在整个部门范围内运行。将这一设计当作已完成的服务，会抹去最具关键性的实施问题。

法务运营承受着让知识可用的压力

直接压力落在负责组织法律工作的人员身上。律师可以单独采用助手，但共享受理要求就所有权、访问权限、路由和审查作出决策。这些决策跨越法务运营、技术团队和专业业务组之间的边界。

实用的界面无法弥补责任不清的问题。若传入请求跨越多个主题，必须有人决定谁负责回应。否则，更快的分类只会将不确定性同时交给多个人。

组织负担转向让专业知识可被发现、保持更新并具备问责机制。

设想一个示例性的合同请求，涉及公司在此前谈判中接受过的条款。找到先前协议只是开始。审查律师还需要了解当时为何接受该例外，以及其适用条件是否仍然有效。

文件可能保留最终条款，却没有记录支持该决定的讨论。相关解释可能存在于往来函件、事项摘要或同事的记忆中。因此，搜索质量与机构知识彼此重叠，却并不相同。

这种差异给知识所有者带来压力。必须有人识别哪些材料代表已批准的指导意见，哪些记录的是历史例外，哪些已经过时。档案可以包含所有这些类别，却不会自动让它们的差异显而易见。

这项工作还需要反馈流程。当律师否决某个建议先例时，组织需要有办法保留其理由。否则，同样具有误导性的材料可能反复出现，将维护工作转移给每一位未来审查者。

这正是 AT&T 与 OpenAI 的法律合作在法律技术采购之外也具有意义的地方。购买软件的部门仍需要一套运营模式，以决定软件应当掌握什么知识。获得模型并不等于该模型在组织内拥有权威。

业务团队也面临相关调整。更容易获得法律支持，可能改变员工提交什么内容以及何时提交。更易获得的服务可能暴露先前未被满足的需求，即使单项任务更容易处理，请求量也会增加。

这使简单的工作量比较并不可靠。一个部门可能服务更多员工，却没有减少总体排队量。它也可能更早发现问题，创造额外工作，但这会改善风险管理，而非降低可见活动量。

外部律师同样面临附带条件的压力。如果内部团队更善于准备事项，外部顾问将收到不同类型的任务。他们的价值将部分取决于其贡献的专业知识如何有效补充客户现有知识。

这是拟议模式的一种含义，而非该合作关系已验证的结果。该公告并不足以支持有关法律岗位或外包工作将消失的笼统预测。但它确实值得人们更密切关注准备工作、专业建议和机构记忆如何协同。

受理决定哪些上下文能够传达给律师

受理是接收、澄清和分派请求的过程。其重要性容易被忽视，因为它发生在可见的法律交付成果之前。然而，初始框定会影响哪些文件被视为相关，以及哪些问题获得关注。

能够撰写流畅摘要的助手，可能在保留错误假设的同时提升可读性。若原始请求描述了错误的问题，语言流畅并不能纠正底层框架。接收请求的律师仍需要理解系统是如何得出其解释的。

有价值的起点必须在呈现相关信息的同时揭示不确定性。

再设想一个示例性请求：一名员工询问，现有协议是否允许对客户信息进行新的使用。该请求听起来可能只是简单的合同解释问题，但其意义可能取决于员工尚未提供的事实。

有效的流程会在给出自信建议前识别缺失信息。它会区分已确认事实与假设，并解释为何先前协议看似相关。这能给律师提供可供评估的内容，而不仅是可供阅读的内容。

同一原则也适用于优先级。一条简短消息可能包含紧急问题，而一份冗长提交可能涉及常规工作。对紧迫性进行分类，不能只依靠衡量消息长度或识别常见法律词汇。

相似性与适用性之间也存在差别。既往工作可能与新请求相似，却涉及不同的当事方、义务或情境。实用的系统应保留这些差异，而非将其压缩为通用答案。

这是拟议工作流的分析要求，而非对 AT&T 已披露功能的描述。公开介绍没有说明其分类方法、评估流程或处理模糊请求的方式。这些细节将决定该系统能够可靠完成多少准备工作。

这一知识问题与个人知识和团队知识之间的区别有更广泛的共通之处。对一个人有用的信息，在成为可靠的共享基础设施之前，可能需要额外的所有权和访问规则。

这种共通性不应掩盖法律工作的特殊要求。在向某人提供文件之前，部门必须考虑其是否有权查看该文件。便利性无法解决访问权限、保密性与职业责任之间的关系。

令人信服的实施方案还应保留回溯原始请求的路径。摘要必然会选择和压缩信息。当某个细节显得异常，或建议看似依据不足时，审查者需要检查哪些信息被省略。

由此形成的工作流不像自主助手的叙事那样整齐。一些请求应快速推进；另一些则应暂停以等待澄清。其价值在于帮助负责的专业人士以更少的重建工作识别这种差异。

因此，扩大法律判断能力，意味着改善判断发生的条件。这并不意味着在相似词语出现的任何地方复现资深律师的结论。当组织试图跨团队复用经验时，这一区别尤其重要。

法律 AI 供应商已在围绕互联工作展开竞争

AT&T 的计划进入了一个成熟供应商同样强调工作流集成的市场。相关比较在于机构知识在哪个环节进入流程，以及专业人士如何验证由此产生的工作。无需在不同模型之间宣布胜者。

Thomson Reuters 于 2025 年 8 月 5 日宣布推出 CoCounsel Legal，将研究能力与引导式工作流结合。其法律研究工作流强调该公司的法律内容，并以 Westlaw 为起点。该公司将此定位为一种把研究与后续专业任务连接起来的方式。

微软在其法律助手文档中介绍了另一种切入点。Copilot for Legal 支持在文档工作流中进行合同审阅、起草和比较等活动。微软明确将其输出界定为建议性质。

竞争的关键在于：每种方案能否有效地将专业工作与评估该工作所需的上下文连接起来。

以研究为中心的产品始于对权威法律信息的需求。以文档为中心的助手则从正在审阅的协议或草案出发。以受理为中心的设计则更早介入——当组织仍在确定需要开展哪些工作时便开始发挥作用。

这些起点可以并存。一个部门在同一事项中可能同时需要内部历史资料、外部研究和文档编辑。难点在于，当信息在这些活动之间流转时，如何保留其原有含义。

对于企业买家而言，这带来了能力与完整服务之间的实际区别。强大的起草功能并不能证明传入请求会被送达正确的专家。井然有序的队列也不能证明某个答复基于最新的权威依据。

这一比较也使“自建还是采购”这一熟悉的选择更加复杂。企业可能会在依赖成熟研究工具的同时，定制自己的受理流程。它也可能采购文档辅助工具，同时继续负责内部指南与审阅标准。

这些是可能的架构选择，而非 AT&T 部署方案已披露的细节。现有公告没有提供足够的技术信息，无法将该计划映射为完整系统。它们不应被用于支持有关特定模型、集成或替代产品的说法。

这一信息缺口很重要，因为相似的演示可能掩盖截然不同的运营承诺。原型或许能成功检索到相关文档，却未解决访问管理和持续维护问题。生产级服务则必须持续处理这些职责。

因此，对供应商的比较应聚焦于覆盖整个工作流的证据。买家需要了解：当源材料相互冲突、权限发生变化，或请求超出预期范围时，系统会如何应对。这些情境比精心挑选的演示更能揭示实际情况。

对于 AT&T 而言，其独特之处在于尝试将组织设计与 AI 辅助工作连接起来。其意义取决于这些选择如何协同运作。合作关系本身并不能证明其优于研究平台或文档助手。

人工监督需要关于其审阅工作的证据

OpenAI 的叙述中包含 AT&T 总法律顾问 David McAtee 划定的一条明确边界：“决策始终将由律师作出。”这确立了所宣称的责任分配，但仍未说明律师将如何审查和质疑系统的贡献。

审阅者可能拥有最终决定权，却缺乏高效行使该权力所需的信息。如果核查一项建议需要重新开展整项调查，助手只是转移了工作，而非减少了工作。因此，审阅界面的质量与答案质量同样重要。

当审阅者能够识别来源、假设、遗漏和未解决的问题时，人工监督才具有实际意义。

独立研究为坚持这一差异提供了理由。一项由 Stanford 牵头的法律 AI 可靠性研究发现，接受评估的专业研究产品中存在幻觉。幻觉是指歪曲事实或缺乏支持依据的生成内容。

该研究涉及特定工具和较早的评估时期。它并未衡量 AT&T 计划中的系统，也未确立当前产品的表现。其相关性更为有限：检索到真实法律材料，并不自动保证生成答案可靠。

这意味着辅助系统可能以多种方式出错。系统可以引用真实文档，却得出缺乏支持的结论。它也可能准确总结一份协议，却忽视该协议为何与当前事项不同。

内部知识还会带来另一层复杂性。此前的决定可能真实存在，却不代表现行政策。重新使用它，需要理解组织是将其视为一般指导，还是在特殊情况下予以接受。

这些顾虑并不否定该计划。它们指出了评估必须加以区分的内容。检索准确性、解释准确性、分流适当性以及最终答复的适用性彼此相关，却是不同的问题。

公开公告未提供拟议受理工作流的比较错误率或详细评估方法，也未提供关于其对法律响应时间影响的独立验证测量。这限制了目前能够得出的结论。

即使是积极的生产率测量，也需要谨慎解读。更快的响应可能反映请求更简单、范围更窄，或额外工作在其他环节完成。有效评估需要将修正和审阅工作量与初始输出一并纳入考量。

访问控制也需要得到同等关注。一个在搜索期间遵守权限的系统，如果生成的摘要被送达错误受众，仍可能产生问题。评估应当跟踪信息在交接过程中的流动，而不是在检索到文档时就停止。

更广泛的权衡很直接：知识越容易被复用，理解其局限性就越重要。相关经验能够更广泛地流转，会使组织受益；但组织也需要机制，防止旧有例外或缺乏支持的推断获得非预期的权威性。

随着设计合作推进，值得关注什么

接下来有价值的证据将涉及拟议服务如何在真实工作中运行。未来几个月，读者应依次关注部署范围、经审阅的表现和持续采用情况。任何一项都不意味着必须把一则公告视为已经完成的转型。

最有力的信号，将把明确界定的工作流、可衡量的结果和可追责的审阅流程联系起来。

首先，关注受理系统在哪些具体场景中运行。一项有意义的更新应说明支持哪些请求类别，并解释提交内容超出这些类别时会发生什么。这将使该计划比泛泛而谈的企业可用性声明更容易评估。

明确的范围将强化这样一种论点：AT&T 正在构建一项可重复的服务。如果持续的描述仍局限于计划中的能力，该计划就仍处于较早阶段。无论哪种结果，单独来看都无法证明该方法最终是否成功。

其次，关注包含律师在收到 AI 准备材料后所做工作的性能证据。有用的衡量指标应将响应时间与修正、遗漏问题和审阅工作量联系起来。如果专业人员必须花费更长时间进行核查，更快的初始摘要提供的洞见便有限。

能够纳入这些权衡的评估，将强化其提高服务能力的论据。仅限于生成输出或完成搜索的测量，只能支持更狭窄的结论。它们能够显示活动发生了，却无法证明法律服务得到了改善。

第三，关注该工作流是否在目标受众中获得重复使用。持续采用很重要，因为偶尔的试验并不能证明某项流程适合日常工作。有用的证据应说明员工是否会再次使用，以及法律专业人员是否持续接受由此产生的交接结果。

采用情况同样需要解读。高使用率可能反映便利性，却不能证明准确性；低使用率则可能暴露集成缺失或范围不匹配。将使用证据与经审阅的结果结合，才能提供更可信的图景。

对于开发者而言，这使该计划成为围绕不确定性和责任设计辅助系统的案例研究。对于企业买家而言，它凸显了将 AI 与内部信息连接起来背后的组织工作。对于知识工作者而言，它说明了获取过往工作与信任这些工作始终是不同的需求。

AT&T 与 OpenAI 的法律合作值得关注，因为它关注的是专业判断前的准备工作。其下一阶段应通过这种准备工作的质量，以及它帮助律师作出的决策来评估。

在采用类似方法之前，应审视你所在组织在请求与答案之间的哪些环节丢失了上下文。请思考：谁负责维护已获批准的指导意见，谁负责解决相互冲突的先例，谁有权批准对敏感材料的访问。然后确定哪些证据能够证明辅助系统改善了完整服务，包括审阅和修正。AT&T 的计划提供了一项值得跟踪的具体发展，而非可照搬的通用模板。对知识工作者而言，问题很实际：当相关经验更容易被检索时，它是否也更容易被评估？请关注能够回答这一问题的部署细节和经审阅的结果。