Sarah Webb：LawVu 首席运营官兼联合创始人——访谈系列

Sarah Webb是 LawVu 的首席运营官兼联合创始人，拥有工程和软件领导经验，曾在 LOVEFiLM 和 Amazon 任职。她于 2015 年加入 LawVu，担任首席技术官，并于 2020 年出任首席运营官，积累了技术、运营、安全和治理等领域的经验。她的工作重点是帮助法务团队打通数据与工作流程，同时在 AI 创新与企业风险之间取得平衡。

LawVu为企业内部法务团队提供法律运营系统，将需求受理、案件、合同、支出和知识整合到一个互联平台中。其 AI 功能和集成能力有助于团队使用现有工具开展工作，同时维持权限管理和监督。在这次访谈中，Webb 谈到了影子 AI、智能体工作流、机构知识，以及企业在规范化采用 AI 时所需的基础。

您曾在职业生涯的大部分时间里构建并领导软件团队，包括在 LOVEFiLM 和 Amazon 任职，之后共同创立了 LawVu。是什么促使您认识到企业法律运营是一个值得解决的问题？随着 AI 改变技术格局，您最初对 LawVu 的愿景又发生了怎样的演变？

我职业生涯早期的大部分时间都在工程和技术岗位上度过，曾在 LOVEFiLM 和 Amazon 任职。转向法律科技并不是我原本的职业规划，而更多是机缘使然。我加入 LawVu 至今已近 11 年，起初担任首席技术官，之后很快转任首席运营官。仅这一转变，就极大地改变了我对业务的看法。

早期，我们首先要解决的问题是信息可见性。大多数客户当时都在使用 Outlook 和 Excel 电子表格，而仅仅是把所有内容集中到一处，就已经让人觉得取得了实实在在的进展。后来，团队开始远程办公；如果没有集中式平台，协作就变得更加困难。这也印证了我们此前已经注意到的一点：大量重复性的法律工作并未得到重视，甚至业务中的其他人根本看不到这些工作，因为没有地方能让它们显现出来。那段时期促使我们切实帮助客户了解如何整理数据、在内部推动变革，而不是只交给他们一个工具。

我们早期还围绕 Microsoft 套件构建了各种集成，因为我们的目标始终是融入业务日常工作的既有环境，而不是要求团队放弃熟悉的工具。此后发生变化的是，这一理念如今要应对的规模已经大不相同。过去，降低获取可用数据集的门槛只是为了方便。如今，这决定了 AI 究竟能否真正处理法律工作，还是只会把同样的碎片化状况原样反映给你。

您曾指出，“影子 AI”往往是工作流程问题，而不是员工问题。这在实际中意味着什么？当员工绕过获批的 AI 工具或系统，转而使用自己的解决方案时，组织可以从中吸取什么教训？

如果不在内部提供合适的工具，人们就会为了提高效率而自行寻找工具。这就是问题的根源。当有人绕过获批的系统时，人们往往会本能地把这视为合规失误，认为应该加以封锁或制定政策予以禁止。但实际上，这通常反映了工作流程本身存在问题：获批的途径比其他选择更慢、更麻烦，于是人们就想办法绕开它。

这正是影子 AI 比影子 IT 带来更大责任风险的原因。如今，涉及影子 AI 的事件占数据泄露事件的20%，平均损失为1,020 万美元，因为人们不只是采用未经批准的工具，还会直接将敏感材料输入其中，例如合同措辞、交易条款和内部推理。

组织真正应该从中吸取的教训，是认清差距所在。缺少安全且有可靠依据的替代方案，并不能阻止人们转向 AI，只会促使他们在你无法察觉的地方使用 AI。除此之外，还有更深层的风险，而且不仅限于安全问题。如果工作分散在个人 AI 工具中，而不是存放于共享的结构化系统里，企业最终就会依据不完整的信息作出决策，甚至意识不到信息缺失。如果某个 AI 工具只能看到60%的相关数据，因为其余数据存放在某个人自己的账户中，那么它的准确性就会下降，作出错误判断的风险也会升高。禁止绕行做法并不能解决这些问题；为人们提供比绕行做法更好的选择才可以。

通过 LawVu 与数百个企业法务团队的合作，您发现组织在建立 AI 治理机制时最常犯哪些错误？尤其是在员工能够使用日益强大的通用型 AI 工具之际。

最常见的错误，是把书面政策误当成实际管控措施。如今，许多组织都有文件说明 AI 应该如何使用、哪些用法不可取。但真正建立起配套运营机制的组织却寥寥无几；这样的机制应当能够实际管控工具可访问的内容、记录工具执行的操作，并在有需要时让人能够事后还原整个过程。

第二个错误，是没有考虑到每增加一个工具，就会带来多少风险。团队采用的每一种单点解决方案，无论用于合同、支出还是事项受理，都需要单独集成，使用各自的身份验证协议，还会保存一份敏感数据副本。单独来看，每一种似乎都在可控范围内；但合在一起，它们会让法律技术堆栈变成一个风险交织、支离破碎的体系。超过三分之一的数据泄露事件都可追溯到这类第三方访问。多数团队直到出了问题、自己成为审查对象时，才意识到这些风险累积起来有多大。

第三个错误，是对待通用 AI 工具的方式不同于其他任何会接触敏感数据的软件。从合作之初起，我们接触的每一位客户，包括政府客户，都与我们一起完成了全面的安全评估。原因在于，进入我们这类系统的信息，往往是企业持有的最敏感信息，包括商业机密、并购数据和个人身份信息（PII）。员工每天都在把同类信息交给公共 AI 工具，却没有接受哪怕接近这种程度的审查，因为这看起来不像是在引入新的供应商，而更像是在使用一个工具。审计所覆盖的内容与实际承载风险的对象之间存在落差，多数治理计划正是在这里失灵。

LawVu 一直在将 AI 智能体和智能体工作流引入法律运营。你们如何判断哪些法律流程适合由自主 AI 执行，哪些流程则应始终要求人工审核或批准？

与其看流程在纸面上显得有多复杂，我们更关注其影响和可逆性。如果错误很容易被发现，也很容易纠正，通常就适合交由 AI 自主处理。因此，受理和分流这类高频、定义明确的工作往往很适合自动化。

凡是涉及对外承诺、法律风险，或难以撤销的决策，都要有人工参与，即使智能体在测试中表现得再准确也不例外。这与我们在 LawVu 更广泛地看待风险承受度时所遵循的逻辑相同。我们会先了解团队能够接受什么风险，为此设置适当的控制措施，然后才逐步扩大开放范围。真正的检验标准不是准确率，而是我们能否说清智能体访问了什么、为何采取该行动、是否获得授权，以及事后能否证明这一切。如果这些问题都答不上来，流程就还不能独立运行。

这些决策并非“一劳永逸”；今天适合自动化的流程，可能会随着使用规模扩大，或工作流开始接触比最初更多的敏感材料，而不再安全。因此，我们需要重新审视这条界线，而不是只划定一次就不再调整。

LawVu 的 MCP 服务器允许组织将 ChatGPT、Claude 和 Microsoft Copilot 等工具直接连接到其法律运营环境。企业如何在为外部 AI 系统提供有用的企业数据访问权限的同时，继续确保权限管理、可审计性、隐私保护和控制力？

人们往往会认为，互联与安全彼此冲突，但其实不必如此。权限的事实来源必须始终是平台，而不是运行在平台之上的 AI 工具。无论用户是在 ChatGPT、Claude 还是 Copilot 中发起对话，他们获准查看和执行的内容都不应因当天打开的界面不同而改变。

要做到这一点，连接之前，另一端的环境就必须已经具备适当的控制措施，而这恰恰是大多数企业会跳过的基础工作。大家都认为 MCP 能自动提升安全性，因为它减少了数据流转；这的确没错，但前提是接收系统能够说明访问了什么、为何访问、由哪个智能体代表谁进行访问，并且事后能够提供证明。

这也有商业价值。如果中央 AI 工具能够识别请求涉及法律事务，并自动将其转入 LawVu，就能省去员工先要弄清该使用哪个系统的来回折腾。这样一来，员工也不会转而使用无法访问可靠、安全数据集的个人 AI 工具。与其把一切都锁起来，为用户提供一个治理完善的统一入口反而更能推动使用。

通用 AI 模型或许能力强大，却往往缺乏组织的内部知识积累、历史决策和具体风险状况。要让 AI 模型真正胜任高风险的企业工作，需要为它配备哪些信息和基础设施？

我会把通用型 AI 想成一个才华横溢的陌生人：读过海量资料，文笔优美，几乎什么话题都能聊。但它从未见过你的客户，也从未参与过你的谈判，更不了解你的组织如何权衡风险。它也从未听过那些促成团队在六个月前同意例外处理的讨论。

这就是为什么许多法务团队首先会做的事情之一，是将人工智能接入操作手册；必须明确的是，这确实非常有价值。让人工智能模型使用你们偏好的条款、备选立场、审批门槛和谈判指引，效率提升几乎立刻就会显现。难点在于，最重要的法律决策往往发生在标准立场不再适用时：战略客户需要例外处理，高增长机会足以证明承担额外风险是合理的，或者谈判进行到商业优先事项压过首选条款的地步。

法律判断力正是在这种时候开始显现。最有价值的一些知识，储存在例外情况中，而非操作手册里。我们为什么要为这位客户破例？上次我们与同一交易对手就这一立场进行谈判时，发生了什么？业务部门是否在其他地方接受过这种风险？这个问题以前是否曾被上报，最终又是如何决定的？

答案很少只存在于一份文件中；它们散落在合同、审批记录、电子邮件、事务记录、会议纪要，以及当时参与其中的人所积累的经验里。文件只记录了结果，而相关理由则由组织通过其他方式留存。

一位才华横溢的陌生人可以非常迅速地学会规则，但理解规则最初为何被打破，则是完全不同的挑战。通常，实用型人工智能与变革型人工智能之间的差别，取决于组织保留了多少自身经验，供人工智能学习。

许多公司积累了彼此孤立的合同系统、事务管理工具、电子表格、电子邮件存档，以及其他企业知识来源。在部署人工智能代理之前，建立统一的数据基础有多重要？组织需要采取哪些措施，才能让数据真正具备供人工智能使用的条件？

法务领域正好说明了这件事为何重要：合同在 Word 中修订，审批通过电子邮件进行，决策则在 Slack 上作出，之后人工智能被叠加在文档存储库之上，却没有真正连接起各项工作。在碎片化的系统上叠加人工智能，只不过是更快地接触到混乱。

那些在人工智能出现之前就花了多年时间建设真正的数据基础设施、整顿系统的公司，如今正是人工智能已经开始带来回报的公司。这正是问题的核心。你无法在彼此孤立的合同系统、事务管理工具、电子表格和电子邮件存档之上扩展代理，还指望得到可信的结果。必须先打好基础：让系统彼此连接、明确访问控制并界定风险承受度；在此之前，甚至还谈不上扩展人工智能。

企业在评估是自行开发人工智能应用、购买专业人工智能平台，还是将通用模型接入现有系统时，技术领导者应如何看待“自建、购买还是集成”这一决策？

自建还是购买，听起来像是一个技术决策。但以我的经验来看，这实际上是一个法务运营成熟度问题。关键在于，法务团队在多大程度上将自身视为一个职能部门，并为其建立专属的工作流程、数据和运营模式。只要把成熟度这部分处理好，合适的法务人工智能战略往往就会自然而然地随之形成。

谈到自建：对于少数有资源像软件公司那样运营的团队来说，自行开发可能是合理的选择。模型不断演进，基础设施不断变化，这项工作永远不会真正结束。对大多数团队而言，难点不在于开发一次，而在于永远维护下去。

谈到购买：大多数团队会选择这条路，但“购买”并非单一选项。人们至少会把三种不同的东西混为一谈。ChatGPT、Copilot 和 Claude 这类通用人工智能功能强大，但它们本身并不了解事务结构、受理流程或审批工作流。通过 MCP 之类的方式将人工智能接入单点解决方案，是一大进步，但它的视野仍受限于那个系统中的内容。

更大的机遇在于，让人工智能理解法务工作在整个职能部门内如何彼此关联，而不只是了解任何一个工具内部发生的事情。当受理、事务、合同、支出和知识都集中在一起时，人工智能就能基于全貌进行推理，而非只看到其中一部分。

您曾在 LawVu 担任首席技术官和首席运营官，负责技术、运营、安全和产品执行。这样的复合职责如何影响您在快速推进人工智能创新与保障安全、合规、可靠性并管控企业风险之间寻求平衡的方式？

我于 2015 年以首席技术官的身份加入 LawVu，并于 2020 年开始担任首席运营官，因此十多年来，我一直同时负责技术和运营。

这种结合改变了你看待人工智能创新与安全、合规之间关系的方式，因为你不会把它们视为彼此独立的话题。我们既在内部负责治理、风险与合规，又在构建帮助客户管理这些事务的平台，这意味着我不能把创新和安全视为前后相继的步骤——两者并非先后发生，而是必须同时推进，否则就都无法实现。从第一天起，我们的每一位客户都接受了全面的安全评估；而每当你在生态系统中添加一种新工具，围绕这些数据的风险范围就会随之扩大。这一点对我们内部和客户而言同样成立。因此，既要构建平台，又要对其治理方式负责，迫使你必须同时兼顾这两方面。

展望未来，你认为智能体 AI 会如何改变企业法务团队的角色？你认为法务部门主要会把 AI 用作提升效率的工具，还是最终可能成为监督者，管理在整个企业范围内运行的高度自主工作流？

生成式 AI 已将讨论重点从渐进式提升效率，转向从根本上重新思考法律工作如何开展，以及在智能体能力迅速发展的时代，运营模式应当是什么样子。我认为，智能体 AI 并非炒作，而是一个执行层；在具备适当控制措施和防护机制的前提下，它能够帮助法务部门从管理工作转向主动执行工作。

如今，各类组织正在经历一种“入口”转变：业务人员越来越多地从 Microsoft Copilot 或 Claude 等工具开始，而问题在于，法务部门如何确保这些交互能够连接到正确的系统、数据和工作流。

因此，我不认为这是在“效率工具”和“监督者”之间二选一，而是一个逐步演进的过程。法务部门最初会借助 AI 更快地完成单项任务；但随着智能体能力日益成熟，真正的机遇在于由法务部门掌握执行层本身，通过受治理的系统主动执行工作，而不只是更快地生成初稿。

感谢您接受这次精彩的采访。希望了解互联互通的法律运营和受治理的 AI 工作流的读者，可以访问 LawVu。