拥有 340 名合伙人 和 1500 名律师 的顶级律所 Ropes & Gray，正联手 OpenAI 把并购交易中最熬人的合同尽职调查交给 AI 处理。OpenAI 于 2026 年 10 月 29 日公布了这项详细案例研究，而 Ropes & Gray 官方早在 2026 年 9 月 17 日就宣布了这一合作。表面看，这又是一个用大模型把数周工作压缩到数小时、顺带替代初中级律师的常规提效故事；但拆开底层工作流和行业测试数据就会发现，当人类律师仍需为最终结果承担全部法律责任时，真正的效率账本远比宣传口径复杂，而 OpenAI 亲自下场驻场定制，更直接刺入了垂直法律科技公司的腹地。
GPT-6 Astra 接管数据室与底座下场
在跨国并购交易敲定前，买方必须对卖方的财务和法律声明进行彻底调查。过去，这依赖律所调动大批初中级律师钻进虚拟数据室，在极短期限内通宵审阅数千页文档，筛查控制权变更条款或违约责任。Ropes & Gray 此次与 OpenAI 合作开发的专有 AI 工具，直接切入了重要商业合同的第一遍筛查。
这套系统不再是孤立的单文档问答器。它能自动清点整个数据室，梳理数千页材料并按主题和问题聚类，审视文档之间的完整关系，最后按该所特有的签名格式生成阶段性摘要和完整尽调报告。律所合伙人兼 AI 业务负责人 Howard Glazer 评价，这套工具的输出质量已相当于一名有能力的初中级律师，让律师得以从单纯看合同转向基于合同内容做判断。在开发过程中，该所律师将测试输出与已完成交易的人类尽调报告逐一比对，借此不断修正评分标准和报告格式。
更值得关注的变量藏在技术底座里。在 2026 年 9 月 17 日 OpenAI 发布的 Introducing Astra for Law 公告中，官方将 Astra for Law 定义为 GPT-6 Astra 结合法律检索以及法律分析与写作指令，并将 Ropes & Gray 的系统列为与 OpenAI 工程师合作开发的定制 ChatGPT Enterprise 工作流之一，具体用例包括追踪结论至源文档、识别收购中关键客户合同是否需要通知或同意。过去大律所采购 AI，往往找 Harvey、汤森路透 CoCounsel 或 Leah（原 ContractPodAi）等垂直厂商；如今底层大模型商直接派工程师帮顶级律所把独有的评分标准写进定制工作流，正在绕开中间商抢夺高价值客户。
数小时替代数周背后的复核账本
宣传口径与实际落地之间有着耐人寻味的温差。Ropes & Gray 在 9 月的新闻稿中宣称正开发能在数小时而非数周产出详尽问题级报告的工具，到了 10 月 OpenAI 的案例研究中，这一表述被降调修饰为公开描述的雄心（ambition）。更关键的是，无论在律所还是 OpenAI 的官方发布中，均未提供任何关于数小时而非数周的基准测试数据集、实测平均周转时间、准确率、幻觉率、漏检率或量化的成本节约数据。
为什么端到端的总耗时难以直接按模型生成速度来算？该所合伙人兼 ERISA 受托业务负责人 Josh Lichtenstein 在案例中直言，律师仍然需要审阅一切，因为交付给客户的任何内容都必须由律所 100% 担责。就在同一年的 2026 年 4 月 7 日，Ropes & Gray 房地产业务团队在讨论 AI 应用时也公开指出，幻觉仍是需要人类保障措施应对的弱点，且质量控制、工具快速变化以及繁忙交易团队的采用度都是持续存在的挑战。
当律师必须 100% 复核原文时，瓶颈就从写初稿变成了查错。
在并购尽调这种零容错场景下，生成报告很快，但人类律师回溯核查中间摘要与源文档的时间无法省去。此外，客户高度机密的并购数据室在 AI 系统中的流转边界也尚未完全透明。虽然 OpenAI 的企业隐私政策声明默认不将商业输入和输出用于模型训练（除非明确选择加入数据共享），但 Ropes & Gray 的公告中并未披露该工具的具体数据保留期、数据驻留地或客户文档与律师反馈的合同处理细节。
- 风险.在缺乏公开漏检率数据的情况下，若 AI 在跨文档交叉引用时遗漏关键的控制权变更限制，复核律师稍有松懈就会酿成重大交易事故。
垂直法律 AI 跑分与律所金字塔冲击
为什么 Ropes & Gray 不直接买现成的法律 SaaS，而要拉着 OpenAI 从头调校整个数据室的分类逻辑？看看行业第三方测试与厂商自测的差距就能明白。
汤森路透在 2024 年 10 月 23 日的内部基准测试中曾报告，其 CoCounsel 提取合同数据通过率高达 98.8%、审阅文档通过率达 96.6%。但到了独立第三方手里，数字回归了现实。第三方评测机构 Vals 于 2025 年 2 月 27 日更新的《Vals Legal AI Report》显示，AI 在单点任务上确实表现不俗，但在涉及复杂修改与跨协议推理时仍有明显短板。
| 测试任务（Vals 2025 基准） | Harvey Assistant 得分 | CoCounsel 2.0 得分 | 人类律师基线 |
|---|---|---|---|
| 文档问答 | 94.8% | 89.6% | 70.1% |
| 文档摘要 | 72.1% | 77.2% | 50.3% |
| 数据提取 | 75.1% | 73.2% | 71.1% |
| 合同修订（Redlining） | 65.0% | 未单列 | 79.7% |
从表中可以看出，AI 在问答、摘要和提取上均已跑赢人类律师基线，唯独在需要深度理解条款博弈的合同修订任务上，Harvey 的 65.0% 显著低于人类律师的 79.7%。另一边，Harvey 在 2025 年 11 月 21 日涵盖超过 4000 个数据点的合同智能基准测试中也承认，使用 Vault 审阅表的律师比单独工作的律师或单独运行的模型表现高出 5% 或更多；其在 GSK Stockmann 律所的部署案例显示，结构化尽调初期时间仅节省 15–20%，非结构化数据室最高节省达 75%。单点高分不等于能搞定充斥着主协议、修正案与附件交叉引用的并购数据室，这正是大律所必须定制数据室级工作流的原因。
这场技术改造最终会撞击顶级律所延续百年的商业根基。长期以来，大律所靠大批初级律师在尽调中熬夜刷可计费工时（Billable Hours），既赚取丰厚利润，又完成了学徒制练兵。现在 AI 接管了第一遍合同筛查，Glazer 甚至计划下一步将律所 340 名合伙人和 1500 名律师从客户会议到过往项目的经验全部打通，构建律所内部的集体知识库。
- 结论.当初级律师赖以练手的初筛工作被机器吃掉，顶级律所将被迫从兜售初级工时转向按机构沉淀知识与固定费率收费。
接下来最值得盯紧两个信号：一是 Ropes & Gray 等头部律所是否会因为这套工具实质性下调并购尽调的固定收费标准；二是 OpenAI 的 Astra for Law 会不会引发更多顶级律所抛弃第三方垂直套壳工具，直接找底层大模型商定制核心工作流。