Mikhail Yatsuha，CaseCraft.AI 首席执行官兼联合创始人

Mikhail Yatsuha，CaseCraft.AI 首席执行官兼联合创始人，是一位拥有十余年法律服务经验的英国律师兼法律科技创业者。他从实习生和受训律师一路晋升至 Sterling Law 合伙人，期间领导商业部门，并屡次遇到在传统法律费用计入后变得经济上不可行的低价值争议。2023 年底，他联合创立了 CaseCraft.AI，旨在重新思考民事索赔的评估、准备和推进方式，采用 AI 驱动的工作流，而不仅仅是把 AI 用于法律文书的撰写。

CaseCraft.AI 是一家英国法律科技公司，构建用于民事诉讼的 AI 原生平台。该平台将案件评估、证据处理、诉前函件、文档生成、程序跟踪以及人工法律审查整合到单一工作流中，为个人原告提供不胜不付费模式，为企业提供基于订阅的批量索赔和案件管理工具。公司已在三轮融资中累计募集约 180 万英镑，截至 2026 年 8 月，已创建 4,562 起案件，总价值 1,490 万英镑，其中 51% 已通过默认判决和解或获胜，且有 373 起案件处于活跃法律工作中；公司还在试点首个企业部署并测试就业法 MVP。

您在 2023 年共同创立 CaseCraft.AI 之前，花了多年时间从实习生和受训律师晋升至 Sterling Law 合伙人。您在法律实践中反复看到哪些现象，使您确信小额索赔流程可以通过 AI 从根本上重新设计，而不仅仅是通过更好的法律软件提升效率？

让我信服的并不是律师需要更好的起草工具，而是对于许多低价值争议来说，经济效益在律师介入前就已失衡。代理费用可能接近甚至超过争议标的，而在小额索赔中，大多数法律费用通常无法追回。我在 Sterling Law 看到可行的索赔因而被放弃，随后在企业冲销未付款发票时看到同样的算式。这是交付模式的问题，而非起草问题。AI 使我们能够围绕提起索赔的人重新设计整个流程，而不仅仅是让处理该案的律师稍微快一点。

CaseCraft.AI 目前已用于创建数千个法律案件，其中数百个进入活跃的法律工作。您从在真实案件中运行 AI 学到了哪些仅凭原型、模拟或基准测试无法发现的经验？

有两点尤为突出。其一，生成文档是容易的，管理案件却很困难。一个真实案件意味着证据、付款、截止日期、回复和后续步骤必须在数月内保持一致。截至 2026 年 8 月，CaseCraft 已创建超过 4,500 起案件，其中 400 多起进入活跃法律工作，已有 130 起索赔提交法院。

其二，人们在使用 AI 时的行为会有所不同。他们可能更坦率，这有助于更早发现重要事实，但系统也必须设定界限，知道何时需要人工介入。我们直接发现，在信任敏感阶段引入人工呼叫，可使转化率提升至少 15%。

生成式 AI 的第一波大多专注于生成文本。而 CaseCraft.AI 必须收集证据、判断资格、遵循程序规则、触发操作并随时间跟踪案件。构建这种具备代理功能的工作流在技术上与构建 AI 助手或聊天机器人有何不同？

聊天机器人只回答问题；具备代理功能的工作流必须随时间维护真实案件的状态——已经发生了什么、存在哪些证据、缺少哪些以及接下来可能发生什么。因此我们将系统视为专门化的组件，而不是单一模型完成所有任务：有的负责收集和验证信息，有的负责法律推理或处理来文档。目标不是生成最佳段落，而是提供可靠的决策和行动序列，使案件朝着最佳可得结果推进。

在法律工作流中，模型可能生成听起来完全可信但在程序或事实层面错误的内容。您是如何设计 CaseCraft.AI，以区分看似合理的 AI 输出与实际足以在法律案件中使用的可靠信息的？

基本原则是模型不得自行构造其所处的法律体系。我们将系统约束在案件的证据和权威法律来源上，而不是让通用模型凭记忆作答。CaseCraft.AI 通过政府 API 及其他权威渠道获取最新立法变动、相关判例和既定最佳实践，从而保持法律背景的时效性。

我们还将生成与验证分离，并将专业审查置于受监管的法律服务框架内。评判标准不是输出看起来是否像律师所写，而是其来源、证据和程序步骤是否可验证。

您曾谈及“可衡量的人类监督”的重要性。实际上这意味着什么？您如何确定哪些决策可以由 AI 系统自主完成，哪些决策必须由人类承担责任？

可衡量的人类监督意味着人工介入与可识别的风险相挂钩，我们能够看到干预发生的地点及原因。‘人机协同’不应只是安抚性的说法；我们应能指明触发点、审查以及随后的决策。

我们仍在构建这些边界的证据基础。我们已经可以指出的一个衡量指标是审查时间：自上线以来，随着系统的改进，人工审查所需时间已下降四倍。随着时间推移，目标是使审查更加基于风险，同时在法律要求的地方保留负责任的专业判断。

证据是小额索赔的核心，但证据可能以合同、发票、电子邮件、信息、照片及其他非结构化信息的形式出现。您如何将这些材料转化为 AI 系统可推理的结构化输入，同时保留来源并避免不支持的结论？

关键原则是将提取与推理分离。如果用户上传与建筑商的 WhatsApp 对话，日期、报价以及使用的措辞属于提取的事实；对该交流法律意义的结论属于推理。二者绝不能混为一体。我们对文档进行结构化，使工作流能够使用，同时保留指向原始证据的链接。若该链接消失，即使案例文件写得再好，也会在质疑时崩溃。

对自主系统而言，最难的问题之一是何时不应行动。哪些信号会告诉 CaseCraft.AI 某个索赔过于模糊、复杂或风险过高，需升级至法律专业人士处理？

我们的其中一项防护措施是逆向思考：我们不仅关注 AI 想要推进的案件，也关注它倾向于拒绝的案件。人类监督不仅是防止 AI 过于激进，也可以防止系统过于保守而丢弃合法论点。

当今最明显的升级信号之一是证据缺失。用户可能未上传相关文件、随时间遗失，或未意识到哪些证据对索赔重要。当案件不够清晰或完整时，下一步可以转为人工审查，而非自动推进。律师在处理上下文和灰色地带方面仍比现有系统更为一致。

随着 AI 系统承担更多传统上由律师完成的环节，您认为软件自动化与受监管的法律服务之间的边界将如何演变？

边界会发生变化，但速度会比许多技术人士预期的更慢。高风险系统不能仅凭下一个模型会更好来寄望；必须通过权威来源、验证、控制以及负责任的人类审查来证明可靠性。随着时间推移，我预计 AI 将成为专业人士在明确界限内可依赖的工具，但自主性必须通过实际表现和真实结果来赢得。关键问题不在于‘软件还是律师’，而在于具体执行的活动、支撑的证据以及谁承担最终责任。

通用 AI 模型正迅速变得更强大。当所有人都能使用的基础模型持续改进时，像 CaseCraft.AI 这样的垂直 AI 公司如何保持可持续的竞争优势？

我们的优势从来不在于拥有基础模型。更好的通用模型对我们而言是好消息。困难在于模型周边的所有工作——检索、案件数据库、法律知识、工作流基础设施、集成、控制以及对索赔从始至终如何运作的运营理解。这些工作在新模型发布时并不会消失。

对用户而言，应该感觉案件在同一个平台上进行，而编排工作在后台进行。相同的基础设施现已开始同时支持个人原告和企业，后者可通过一键批量提交最多 150 起索赔并使用案件管理工作流。我认为编排和领域执行是垂直 AI 的持久护城河。

超出小额索赔的视野，您从 CaseCraft.AI 学到关于代理 AI 更广阔未来的哪些经验？您认为哪些其他高风险行业特别适合能够管理复杂工作流并让人类对关键决策负责的系统？

我对代理 AI 持乐观态度，但困难工作围绕模型展开——重新设计流程、结构化信息、定义系统可执行的任务以及构建验证和升级机制。这也是受监管行业往往进展缓慢的原因——能够充分理解工作流并进行自动化的人员通常是组织中最忙碌的专家。

最有潜力的机会是信息收集和文档处理高度可重复的工作流，同时伴随少量仍需负责判断的例外情况。对于 CaseCraft 来说，就业法是最近的扩展方向，MVP 正在积极测试中，我们还在与一家专业诉讼公司探索人身伤害领域。除法律外，保险、金融服务和合规也呈现相似格局。获胜的系统不仅要懂得如何自动化对话，更要精准把握机器何时停止、由人类接管。

感谢这次精彩的采访，想了解更多的读者请访问 CaseCraft.AI。