Thomson Reuters 如何用 GPT Enterprise 构建可信法律 AI

法律行业对 AI 的谨慎态度几乎是一种职业本能——律师的每一次判断都可能影响客户的命运，而生成式 AI 的「幻觉」问题恰恰与法律工作要求的精确性背道而驰。Thomson Reuters 与 OpenAI 的合作，正是围绕如何让法律 AI 的判断「可验证」展开的。

法律 AI 的核心矛盾：效率诉求与信任缺口

律师起草文件时，往往需要在多个系统之间来回切换——检索判例、查阅法规、核对条款、调用模板。这种碎片化的工作流既消耗时间，也容易在信息搬运中产生疏漏。Thomson Reuters 团队在 OpenAI 的访谈中直指这一痛点：「律师起草文件时，不得不在不同系统之间来回切换。」

这也是法律 AI 产品最直接的切入点：把分散的操作收敛到一个统一的对话环境里。但问题在于，法律场景对错误的容忍度极低，单纯把大模型接进来并不能解决信任问题。

一个中心环境：GPT Enterprise 承担交互层

Thomson Reuters 的解法是把 GPT Enterprise 作为统一的交互入口。律师不再需要在多个界面之间跳转，而是通过一个中心化的环境完成检索、起草和沟通。

这种设计的价值不只是省几次点击。统一入口意味着上下文可以连续积累，模型能理解律师当前任务的完整背景，而不是面对一个个割裂的查询。对于需要长链条推理的法律工作来说，这直接决定了输出质量的上限。

GPT Enterprise 是 OpenAI 面向企业客户提供的商用版本，与消费级 ChatGPT 的关键差异在于：不将用户数据用于模型训练、提供更高的上下文窗口与更快的推理速度，并具备企业级的数据隔离和合规管理能力。对法律行业而言，这两点尤为重要——客户文件与交易信息属于高度敏感数据，不能流入公共训练的语料池；而长上下文窗口让模型能够在一次会话中同时容纳多份合同、判例和内部备忘录，支撑跨文档的关联推理。Thomson Reuters 选择 GPT Enterprise 而非直接调用通用 API，本质上是在交互层就为后续的合规审计和数据治理打好了底座。

CoCounsel Legal 与 HighQ：把「信任」做成产品能力

更关键的一层在于，GPT Enterprise 提供的是通用能力，而 Thomson Reuters 通过 CoCounsel Legal 和 HighQ 把专业领域的信任机制叠加了上去。据访谈中的表述，团队希望「利用通过 CoCounsel Legal 和 HighQ 交付的信任」。

CoCounsel Legal 是 Thomson Reuters 面向法律专业场景的 AI 助手，HighQ 则是其协作与文档管理平台。二者承载的是法律行业积累多年的数据资产、权限体系与合规框架。把大模型放进这个体系，意味着模型的输出可以被追溯到权威的法律数据源，而不是凭空生成。

这构成了「判断可验证」的技术基础：律师拿到的不只是一段文字，而是一段可以回溯到具体法条、判例或内部文档的结论。

CoCounsel Legal 源自 Thomson Reuters 对法律 AI 公司 Casetext 的收购，其底层接入了 Westlaw 判例库、Practical Law 实务指南等权威法律数据源，模型生成的内容可关联到具体文献。HighQ 则是一个面向律所与法务部门的协作平台，承载文档管理、交易流程、权限控制与审计日志。二者组合的意义在于：CoCounsel 解决「答得对不对」，HighQ 解决「谁在什么权限下看到、改了什么」。把大模型输出放进这样一套带版本记录和访问控制的环境里，才使每一段生成内容都有归属链条，这是单靠模型本身无法提供的制度性保障。

可验证性：法律 AI 落地的真正门槛

访谈中最值得琢磨的一句话是「判断变得可验证」。这句话点出了法律 AI 与消费级 AI 的根本差异——后者追求流畅和有用，前者追求可审计。

可验证性至少包含三层含义：一是来源可追溯，输出能对应到具体的法律依据；二是过程可复核，律师能检查模型是如何得出结论的；三是责任可归属，最终判断仍然由持牌律师做出并承担责任。AI 在这里的角色是放大律师的判断力，而不是替代判断本身。

从这个角度看，Thomson Reuters 的策略是务实的：不追求让模型「更聪明」，而是让模型的输出被嵌入一套已有的专业信任基础设施中。对正在评估法律 AI 的团队来说，这提供了一个值得参考的框架——通用模型能力加上垂直领域的权威数据与合规体系，才构成可交付的产品。

生成式 AI 的「幻觉」（hallucination） 指模型在缺乏依据时仍生成看似合理但事实上错误的内容，典型表现是编造不存在的判例、法条编号或引文。在法律场景中，这类错误代价极高——美国已有律师因在法庭文件中引用 ChatGPT 虚构的判例而被法官处罚的案例。业界应对幻觉的主流手段并非单纯提升模型能力，而是检索增强生成（RAG）：先从权威数据库检索相关法条与判例，再让模型基于检索结果作答，并要求输出附带引用来源。这正是「可验证性」在技术层面的落点，也解释了为何垂直领域的数据资产在专业 AI 产品中具有不可替代的价值。

对企业的启示

法律行业的 AI 落地路径，对其他高风险专业领域同样适用。金融、医疗、审计等场景面临相同的矛盾：既想用大模型提升效率，又无法接受不可验证的输出。Thomson Reuters 的做法说明，解决之道不在于等待模型变得绝对可靠，而在于用领域数据和流程设计为模型输出加上可验证的「护栏」。