Rasa Legal 利用 AI 协助清除犯罪记录

NPR 对 Rasa Legal 尝试将 AI 用于犯罪记录清除的报道，使其登上 Google News；但更便捷的服务并不必然带来正确的法律结果。

该公司由 Noella Sudbury 创立。她曾任公设辩护人，也是刑事司法改革倡导者。其服务帮助人们判断，相关记录是否可能符合所在州法律规定的封存或清除条件。

这项使命让法律 AI 面临的考验，与起草合同或总结诉讼材料截然不同。一次错误可能影响当事人的就业、住房、教育、执照申请，以及摆脱旧案阴影的能力。

因此，核心冲突并非 AI 与律师之间的对立，而是自动化的起点与一个依然碎片化、成本高昂、且缺乏专业协助便难以应对的法律流程之间的差距。

Rasa 表示，其技术可以降低这种摩擦，同时由律师监督法律工作。自动化法律服务的批评者仍然提出了一个合理问题：系统能否在让帮助更易获得的同时，不掩盖不确定性，也不诱导用户产生不当信任？

Google News 的报道关乎可及性，而不只是自动化

Rasa Legal 正将 AI 用于一个狭窄的法律瓶颈：识别可能的记录清除选项，并帮助符合条件的用户启动所需流程。

犯罪记录清除并不是一项全国统一的程序。每个州都有自己的资格规则、等待期、申请要求、排除情形，以及对封存或清除的定义。

这些差异至关重要。封存通常会限制公众查阅相关记录，而清除则会依据适用法律改变政府系统对记录的处理方式。这两个概念在不同司法辖区并没有统一含义。

Rasa 的移动端工具要求用户提供身份和案件信息。该公司称，系统随后会提供关于受支持州法律下潜在资格条件的法律信息。

对于需要提交申请的案件，该公司还提供律师支持的服务。这种结构使 Rasa 不同于针对任何法律问题提供无人监督答案的通用聊天机器人。

Sudbury 曾担任公设辩护人，并参与 Salt Lake County 的刑事司法政策工作，之后创立了 Rasa。她还参与了围绕 Utah Clean Slate 改革的相关工作。

Utah 的法律为特定记录设立了自动处理路径。然而，许多案件不在这一范围内，仍需个人提出申请、提交证明文件，经历政府处理或司法审查。

这一缺口正是 Rasa 所瞄准的商业与社会机会。如果人们无法判断自己是否符合条件，一项仅存在于纸面上的权利几乎没有实际价值。

NPR 的报道经由 Google News 呈现为一个关于第二次机会的人物故事。但其背后的技术议题少了些感性色彩，也更具实际影响。

Rasa 正试图将分散的记录和复杂的资格规则转化为可管理的工作流程。它利用软件进行前期筛选，再由律师处理需要法律判断的决定。

这种方式可以减少重复性工作，也能让更多人接触法律信息，而不必每一位潜在客户都先进行一次完整的律师咨询。

该公司表示，其平台服务于 Utah、Arizona 和 Pennsylvania 的用户。其 2026 年 3 月的公告称，计划利用新一轮融资扩大产品开发，并进入更多州。

这种扩张带来了一项艰巨的工程要求：每个司法辖区都会新增一套不断变化的法规、法院规则、记录系统和行政惯例。

法律资格判断引擎不能仅靠模型训练保持准确。它需要结构化规则、可靠记录、针对不同司法辖区的更新机制，以及将模糊案件升级处理的流程。

因此，这篇记录清除报道只呈现了该项目可见的一面。更困难的工作隐藏在界面之下。

Rasa 必须解读记录，将其与现行法律匹配，传达不确定性，并保护敏感信息。随后，它还必须协助用户完成法院和政府机构会接受的步骤。

该公司的承诺并不是让 AI 模型决定谁应当获得救济，而是让技术帮助人们更容易理解和寻求既有的法律救济。

与许多面向消费者的法律机器人相比，这一更为狭窄的主张让 Rasa 的定位更具可辩护性，也让其准确性和监督机制更容易评估。

犯罪记录的影响可能持续超过刑期

记录清除之所以重要，是因为与案件相关的实际惩罚，往往会在法院判处的刑罚结束后持续很久。

雇主普遍会使用犯罪背景调查。房东、职业执照机构、教育机构和政府项目也可能考量与逮捕或定罪有关的信息。

这些影响被称为附带后果，即刑事案件在监禁、缓刑或罚款之外带来的法律或实际限制。

一份记录不必涉及严重定罪，也可能造成阻碍。逮捕记录、已撤销的指控、过时条目和轻微案件，仍可能出现在筛查时使用的数据库中。

联邦后果清单记录了涉及就业、住房、公共福利、教育、执照和公民参与的各类限制。

具体影响取决于记录内容、司法辖区、工作岗位和筛查系统。假定每份记录都会造成同样的障碍并不准确。

不过，反复出现的问题很明确：人们即使已完成法院施加的所有正式要求，仍可能持续面临不利推定。

背景调查系统又增加了一层复杂性。记录可能被商业服务商复制，与后续案件更新脱节，或在缺乏足够背景说明的情况下呈现给阅览者。

政府数据库最终可能会显示案件已被撤销或封存；但私营副本可能会一直保留，直到服务商收到并处理更正后的信息。

Urban Institute 总结的就业研究将犯罪背景调查与司法系统涉入者寻找稳定工作的更广泛挑战联系起来。

就业不能消除所有风险，也无法解决所有重返社会问题。但获得合法工作仍是重建财务稳定的核心环节。

因此，记录清除的影响不止于名誉。它可能改变申请人能否获得面试机会、得到住房方面的考虑，或取得特定职业执照。

这也说明，以申请为基础的制度负担为何值得关注。流程可能要求个人收集记录、分类案件、计算等待期、取得证明、通知机构，并正确提交文件。

每一步单独看似乎都可应对，但结合起来，可能会将那些缺乏时间、资金、可靠交通方式、法律知识或面对法院信心的人排除在外。

传统法律服务可以解决这类复杂性，但并非人人都能获得。免费法律诊所的服务能力有限，而私人代理的费用仍可能超出家庭承受范围。

自动化的 Clean Slate 法律通过将工作从个人转移给政府，解决了部分问题。州政府识别符合条件的记录并进行处理，无需每个人聘请律师。

Utah 的经验展现了这一模式的价值与局限。其 Clean Slate 法于 2022 年生效，覆盖特定类别，同时将其他记录留在以申请为基础的制度中。

Utah Department of Public Safety 在其 2024 年度报告中称，已收到 474,480 条记录进行 Clean Slate 处理。其中 297,531 条已处理，截至报告所述时点仍有 176,012 条待处理。

这些数字统计的是记录，不一定对应同样数量的个人。一名个人可能有多个案件或记录条目。

同一份报告还提到数千份常规记录清除申请、证明、法院命令和人工移除的事件。这一工作量说明，实施环节与法律授权本身同样重要。

人们不应当为了受益于一项旨在促进改过自新的法律，而必须理解法院数据库的架构。但政府自动化并未覆盖所有符合条件的案件。

这正是 Rasa 模式变得相关的地方。它为个人提供工具，以评估剩余的、以申请为基础的可能性。

目标不只是更快地处理文书，而是降低从“是否存在救济”的疑问，到获得可信、针对特定司法辖区答复之间的门槛。

对于评估个人信息系统的知识工作者而言，这个道理并不陌生：找到一条记录，并不等于理解它当前的含义。

可靠的工作流程需要来源追溯、状态信息、适用规则和人工审查。这一原则也是负责任的知识管理的基础，尽管犯罪记录所需的保护措施远比普通工作场所文件严格。

Rasa Legal 将法律迷宫转化为受监督的工作流程

支持 Rasa 的最有力论点，并不是 AI 比律师更懂法律，而是软件可以处理结构化筛查，同时由律师保留责任。

Rasa 表示，其平台提供即时资格评估工具和律师支持的记录清除服务。用户可以通过移动端界面开始流程，而不必自行拼凑整个过程。

第一项任务是收集足够的信息，以定位并分类相关记录。系统必须区分逮捕、指控、裁决结果、定罪和已完成的刑期。

随后，它必须应用针对不同司法辖区的规则。这些规则可能包括等待期、罪名排除情形、未履行义务、定罪次数限制和未结案件限制。

有些规则适合由确定性软件处理，即对同一组经核实输入始终产生相同结果的传统逻辑。

另一些问题则需要解释。案件记录可能不完整、相互矛盾，或未清楚说明确切法条和最终裁决结果。

生成式 AI 可以协助提取文件信息和提供通俗解释。但当资格认定存在不确定性时，它不应悄然取代基于规则的核查或律师分析。

这一区别至关重要，因为大语言模型生成的是概率性文本。它们并不能天然保证某项引文真实存在，或某条法律规则仍然有效。

Rasa 的受监督结构为这一弱点提供了回应。律师可以审查结果、处理申请，并应对那些无法被清晰归入自动化类别的案件。

这一模式也建立了问责机制。用户面对的是对工作负责的法律服务提供者，而不是生成一段自信文字的匿名聊天机器人。

Rasa 曾在 Utah 的监管沙盒中运营。这是一种经法院授权的框架，允许获批准的组织在监督下测试替代性的法律服务模式。

该公司获得的授权聚焦于刑事记录封存服务。这一明确的范围很重要，因为它限制了该系统及相关专业人士可提供的服务内容。

相关的法院授权文件将获批的法律服务类别明确限定为刑事记录封存。

沙盒并不意味着认证每一项输出都正确。它创造了一个受控环境，让监管机构能够监督不符合传统律所架构的服务模式。

犹他州的做法回应了一个长期存在的司法可及性问题。法律职业规则旨在保护消费者，但也可能限制结合律师、非律师人员与软件的替代性服务模式。

挑战在于，既要保留其保护作用，又要允许创新试验。彻底取消专业监督并不能解决这个问题。

Rasa 向犹他州以外扩张增加了复杂性，因为其他州的法律服务市场可能适用不同规则。一个司法辖区的授权并不会自动适用于其他地区。

该公司必须在每个支持服务的州建立适当的服务模式。法律制定者或法院修改规则时，它还需要具备更新资格判定逻辑的机制。

据 Rasa 称，其平台已被数千名寻求资格信息的用户使用。此前关于其在亚利桑那州上线的报道指出，截至 2023 年底，已有超过 10,000 名用户使用该应用。

报道还称，该公司当时已帮助约 400 人清除记录。这些数字由公司提供，应据此理解。

Rasa 于 2026 年 3 月宣布完成一轮 500 万美元的后期种子轮融资。Rethink Education 领投，Halogen Ventures、Social Finance 和 Richard King Mellon Foundation 参投。

公司表示，这笔资金将用于招聘、产品开发和全国扩张。不过，融资只是投入，并不能证明该服务能够安全地规模化。

每进入一个新州，维护压力都会增加。法律会变化，法院表格会修订，政府机构系统会故障，旧记录也难以被清晰归类。

这使 Rasa 与其说是单一的 AI 应用，不如说更像法律基础设施。它的价值取决于能否连接数据、规则、人员、文件和政府流程。

这份融资公告称，Rasa 的服务覆盖宾夕法尼亚州、犹他州和亚利桑那州，并再次强调公司向全国扩张的目标。

因此，扩张问题本质上是运营问题。Rasa 能否在扩大地理覆盖范围的同时保持本地准确性？

通用聊天机器人可以立刻进入每个州，因为它不对完成服务承担实质责任。受监督的法律服务必须更谨慎地推进。

这种较慢的路径在产品公告中可能显得不那么亮眼。但当错误答案可能让一个人误以为具有伤害性的记录已被清除时，这种方式也更为恰当。

AI 降低摩擦，但不会消除法律风险

最主要的风险是虚假的确定感，尤其是在记录不完整或法律不断变化、使简单的资格判断并不可靠时。

假阳性结果可能会告诉用户某项记录符合条件，实际上并非如此。用户可能因此投入时间、披露敏感信息，或基于仍无法获得的救济作出决定。

假阴性则会造成另一种伤害。符合条件的人可能因系统错误地将案件描述为不符合资格而放弃程序。

还存在完成风险。正确的资格评估并不意味着所有法院、执法数据库和商业背景调查提供商都已更新其记录。

用户需要清晰的状态信息。“可能符合资格”“申请已提交”“命令已批准”和“记录已更新”代表不同阶段。

如果一个界面将这些阶段压缩为一条乐观的信息，即便其初始法律分析正确，也会误导用户。

因此，对 Rasa 的评判不应只看速度。实用的绩效指标包括更正率、律师升级处理次数、申请结果、处理时间和用户理解程度。

公司还应说明其系统的哪些部分使用了生成式 AI。“AI 驱动”过于宽泛，无法让用户了解资格结论是如何得出的。

应用现行法规的规则引擎，与总结用户上传案件文件的语言模型，承担的风险并不相同。两者都需要测试，但测试方式不应完全一样。

法律领域的幻觉问题仍有据可查。法院曾制裁提交含有 AI 系统生成的虚构引文的律师。

这些事件并不能证明每一种法律 AI 产品都不安全。它们说明，专业人士在依赖机器生成的主张前必须进行核实。

美国律师协会的伦理指引指出，使用生成式 AI 的律师必须考虑胜任能力、保密性、沟通、监督、坦诚义务和合理收费。

胜任能力包括对工具的益处与风险有足够理解，以负责任地使用它。这并不要求每位律师都成为机器学习工程师。

保密性对 Rasa 尤其重要。刑事记录包含身份识别信息、案件历史，以及用户可能不希望被用于无关目的的信息。

该服务需要明确的数据保留政策、访问控制、安全实践和供应商限制。记录清除产品不应为寻求帮助的人创建新的永久档案。

数据最小化提供了一项有用原则。系统应只收集提供服务所需的信息，并且仅在法律和运营所必需的期限内保留这些信息。

人工审核也必须具有实质内容。若律师未经核对原始记录便批准每一项机器结果，那只是在名义上提供监督。

审核者需要能够访问底层记录、适用规则，以及将二者联系起来的推理过程。否则，界面只是将自动化偏见转移给专业人士。

自动化偏见是指人们因为系统结果看似精确或中立而服从系统。律师也不能免受其影响。

设计良好的产品应使不确定性可见。它应展示缺失信息、相互冲突的条目，以及案件为何需要律师审核的原因。

这种做法可能会减少即时回答的数量，但也会使系统更值得信赖。

消费者同样需要明确边界。Rasa 的专注流程不应暗示，成功完成州级记录清除程序就能解决移民、联邦、执照或私人数据库方面的后果。

某些背景审查可合法获取普通公众无法获取的信息。部分政府调查也遵循专门的信息披露规则。

被清除的记录可能改善机会，但不会抹去每一条历史痕迹。营销表述应保留这一区分。

更广泛的法律行业提供了一个有启发性的对照。通用工具承诺可在研究、起草、证据开示和客户沟通等领域提供协助。

Rasa 则押注于深度。它聚焦于一个具有结构化数据、可识别法律规则和明确结果的可重复问题。

这种较窄的范围使负责任的自动化更容易实现，但并不会让它自动实现。

归根结底，这种张力存在于可及性与保障之间。一个要求拥有完美数据才帮助任何人的服务，会重现它试图消除的障碍。

一个将每条记录都视为简单问题的服务，则会制造本可避免的错误。可信的路径介于这两个极端之间。

下一轮扩张必须证明什么

Rasa 的下一阶段必须证明其能够实现准确的逐州扩张、可衡量的案件完成率，以及能够经受更高业务量考验的消费者保护。

第一个值得关注的信号是公司如何进入更多州。一次上线应包括针对特定司法辖区的法律支持、更新后的规则，以及对可用服务的清晰说明。

仅有一个营销页面不足以证明已做好准备。更有力的证据应包括公开的授权、明确的法律监督人员，以及针对当地法院和机构的成文工作流程。

如果 Rasa 在维持范围狭窄且支持充分的服务时实现扩张，其受监督模式便会更具可信度。如果覆盖范围的增长快于本地法律运营能力，核心论点就会被削弱。

第二个信号是结果披露。用户注册量和资格查询量能够衡量兴趣，但无法显示记录是否真正被成功清除。

Rasa 应披露有多少人获得初步信息、继续接受代理、提交申请、获得命令，以及确认数据库更新。

它还应披露更正率和升级处理率。这些数据将帮助监管机构和研究人员区分真正可用的法律服务与有吸引力的接案工具。

隐私规则可能限制案件层面的披露，但汇总报告仍可在不暴露个体客户的情况下提供有意义的证据。

第三个信号是监管回应。犹他州的法律服务沙盒为 Rasa 测试融合软件、律师和替代性商业结构的模式提供了空间。

其他司法辖区可能采取不同做法。有些会关注未经授权执业的担忧，另一些则可能强调司法可及性收益和受监督的创新试验。

犹他州 AI 流程展示了一种监督模式。它通过协商条件和定期评估来衡量风险与收益。

Rasa 的成功将强化审慎限定范围的法律创新理由。严重的消费者伤害或不透明的 AI 实践，则会促使监管机构采取更严格的限制措施。

Google News 的曝光可吸引用户和投资者，但公众关注也会提高预期。该公司如今需要证明，其系统不只是一个引人注目的案例。

更广泛的清白记录运动将影响这一评估。各国政府正日益为符合明确法定条件的案件自动提供救济。

私人服务不应成为公共实施的永久替代品。它们最强的作用或许是服务那些仍处于自动化系统覆盖范围之外的人群。

其中包括拥有混合记录、较早案件、复杂处置结果或基于申请选项的用户。这些正是软件需要有意义的专业审核的情形。

Rasa 还可以帮助揭示反复出现的行政失误。汇总且受隐私保护的数据或许能显示，用户在哪些环节遇到记录缺失、分类不一致或更新延迟的问题。

这些发现可能有助于改善公共系统，也能帮助立法者识别那些未提升安全性、却制造不必要障碍的规则。

公司应避免夸大其 AI 所发挥的作用。即使不具备自主律师的特征，更好的文件处理和资格筛查仍然具有价值。

事实上，自主性并不是这里正确的衡量标准。更好的问题是，该系统能否帮助合格的专业人士在不降低准确性或问责性的前提下服务更多人。

对于背负旧记录的人而言，这种区别非常实际。他们需要可靠的答案、可理解的流程，以及工作完成后的确认。

对于律师而言，Rasa 是对技术能否扩展一个常受客户资源有限制约的执业领域的考验。

对于监管机构而言，它检验监督机制能否在保留保密性、胜任能力和有意义的错误救济的同时，支持新的服务交付模式。

对 AI 产品团队而言，这一教训并不局限于法律服务。高风险自动化必须将每一项建议与经核实的数据、现行规则以及负责任的人类决策者相连接。

因此，通过 Google News 发现的这则故事，并不能证明 AI 已经解决了犯罪记录清除问题。它证明的是，一个范围明确、受到监督的应用，找到了真实存在的服务可及性难题。

未来一到三个月应能进一步明确：Rasa 是否会宣布进入另一州、发布更有力的成效数据，或获得新的监管授权。

每一项进展都会让同一判断更加清晰。由本地专业知识支持的扩张将强化这一模式，而缺乏透明度的规模化则会削弱它。

获得重新开始的机会，不应取决于掌握连资深专业人士都觉得困难的文书流程，也不应取决于未经验证的机器回答。

随着 Rasa 的发展，读者应提出一个直接的问题：每新增一层自动化，是否都让法律流程变得更易理解、更具问责性？

如果答案是肯定的，法律 AI 带来的就会比一个戏剧化的法庭机器人更有价值。它将帮助人们行使自己本已拥有的权利。