专业服务（法律 · 咨询 · 设计）：2 个真实落地案例

原来的样子

痛点：材料规模大且高度非结构化：一个案件可能上千页、数十种材料类型，仅整理就要 3–5 个工作日；法律语言转化门槛高，新人律师与资深律师效率差 3–5 倍；诉讼周期长达数月甚至一年，每次重新进入案件都要花大量时间恢复记忆。

过去的做法：法律数据库负责"查"、文档管理系统负责"存"、早期问答工具尝试"生成"——都只解决单点动作，无法支撑持续变化的同一个案件。

AI 怎么切进去

• 把 AI 放进律师完整的工作流程，成为持续协作的伙伴，而不是回答孤立问题的工具
• 用 AI 承担材料阅读、标注、归类与事实关系梳理，让律师专注策略与判断
• 保持案件的持续上下文，让律师随时回到案件而不必从头恢复记忆

可迁移的做法

• 产能瓶颈往往不在专业判断，而在信息处理效率
• 知识密集型工作的工具设计要围绕"同一个项目反复回来"，而不是一次性查询
• AI 项目成败除了技术效果，还取决于用户是否愿意用、流程是否自然、成本是否可接受

落地之后

材料整理与事实梳理的时间被大幅压缩，律师的时间回到诉讼策略与判断上。

原来的样子

痛点：业务在增长但编制有上限；合规要求严格，法务团队只有两人却要面对各业务线的大量合同；大量依赖个人经验的工作没有被沉淀，企业知识没有结构化。

过去的做法：传统软件交付模式：配置、开发、定制。前提是"业务能被讲清楚、流程相对固定"，而这恰恰是 AI 落地最难的部分。

AI 怎么切进去

• 把表层需求与真实需求区分开：高层只会说"拥抱 AI"，要往下问到"哪个环节最痛"
• 把法务、客服等岗位经验沉淀成 AI 可用的数据与流程，而不是继续留在个人脑子里
• 从 Demo 到日常使用之间做真实用户测试与快速调整，控制复杂度与成本

可迁移的做法

• AI 项目成败取决于落地细节：Demo 容易，融入日常使用很难
• 流程是人"习以为常"的，不为 AI 梳理清楚，大模型只能自己生成
• FDE 的核心价值在于连接业务、技术与用户，让 AI 真正进入企业流程

落地之后

专业岗位在人数不变的前提下承接更多业务，员工开始主动用 AI 解决自己工作里的问题。