法律AI應用頻卡關 數據基礎比模型更關鍵

商傳媒｜葉安庭／綜合外電報導

生成式AI在法律領域的應用持續受企業法律團隊關注，然而許多投資案卻難以突破實驗階段。根據高德納諮詢公司（Gartner）2024年的預測，截至2025年底，至少有三成的生成式AI專案將在概念驗證（proof-of-concept）階段後被放棄。這些專案失敗的主因並非技術本身，而是數據品質不佳、風險控制不足、成本攀升以及難以展現商業價值。

這顯示在企業導入AI的過程中，真正的挑戰並非模型能力，而是其周邊環境的基礎建設。強大的AI模型若缺乏堅實的數據、流程與治理結構支持，其效能將大打折扣，反而會放大既有弊病。

合約管理領域的應用便是一個顯著例子。World Commerce & Contracting 近期研究發現，「儲存」不等於「信任」，顯示多數組織雖有儲存合約，但能自信利用合約數據支援決策或管理義務的卻不多。超過一半的組織表示，其各系統各自為政，採用不同數據結構，且僅有7%的組織能在跨系統間共享參考模型。逾半數組織的合約系統間缺乏自動數據流，使資訊碎片化，難以信任與有效利用。

AI往往被誤認為能彌補流程碎片化或數據品質低落，然而現實是AI反而會暴露這些弱點。若底層記錄不完整，AI即使速度再快，可靠性也難提升。因此，AI並非起點，而是一場壓力測試。

人工智慧科學家吳恩達（Andrew Ng）近期便強調「前線工程師」（Forward Deployed Engineers, FDEs）日益重要的角色。這些專業人員直接與客戶合作，針對真實業務問題設計並優化AI工作流程，將AI能力轉化為實際營運成果。FDE角色的重要性超越技術部署，關乎如何將AI模型有效整合至組織獨特營運環境，涉及理解流程、設計工作流、治理數據並持續優化人機互動。

在快速變化的AI市場中，模型與平台不斷演進。組織若業務過於緊密圍繞單一平台，未來轉向其他技術將面臨更高困難與成本。因此，比起選擇哪個AI平台，企業法律團隊更應優先思考如何建立支撐所有AI計畫的穩固基礎。這包括結構化數據、明確數據所有權、健全治理框架，以及確保資訊即時更新和可信賴的流程。投資於這些基礎能力的法律團隊，不只為現今AI世代做準備，更是打造能隨技術演進適應的營運模式。最終成功與否，不在於哪個AI模型勝出，而在於組織是否建立了能從中受益的堅實基礎。