法律已从审查 AI 决策转向塑造它们

生成式 AI 已经发展四年，但几乎没有公司对该技术的使用形成标准。大多数公司仍在试验并弄清哪些适合自己的业务，坚信其他人已经比他们更明了。

与此同时，业务并未等待。PagerDuty 的 2026 年 Shadow AI 调查显示，三分之二（66%）的职场专业人士在工作中使用他们认为被禁止的 AI 工具。Verizon 的 2026 年数据泄露调查报告发现，影子 AI 检测在一年内增长了四倍。

与其仅把这视为合规问题，不如将其视为需求信号。人们发现了有用的东西，并且采纳速度超过公司制定流程的速度。对于内部法务团队而言，这为提升律师的影响力和战略价值提供了契机。业务需要能够理解机遇、识别重大风险并帮助构建让组织能够自信前行的基础设施的总法律顾问（GC）。

法律需要作为业务合作伙伴运作

许多律师选择在内部工作，因为他们想成为业务的一部分。他们不想远程提供建议。他们希望了解组织的运作方式、各团队的目标，以及法律如何帮助实现这些目标。

但几乎每位内部律师都熟悉一种矛盾：他们希望成为战略业务伙伴，却有大量时间被低复杂度的工作消耗，而这些工作甚至不需要法律学位。AI 使这种矛盾更难忽视，因为如果技术能够处理更多重复性工作，就有机会将更多时间用于真正需要法律判断的工作。

然而，要成为战略合作伙伴，仅仅采用 AI 工具是不够的。内部法务团队需要确保他们首先了解业务想要实现的目标。

请总法律顾问思考以下问题：我们是否应该自行构建 AI 工具？

自然语言编程让这项任务变得前所未有的易于接近。即使从未写过代码的 GC 也可以描述需求并看到功能出现。当替代方案涉及采购、实施以及预算讨论时，这种吸引力显而易见。

但能够创建可运行的原型与能够运营它是不同的。必须有人负责维护、安全、权限、集成以及输出质量。对律师而言，准确性并非可选项。如果无法信任输出，就必须进行验证，而最终，验证的成本可能超过原始工作本身。

如果你没有时间参加供应商演示，可能也没有时间维护整个法律事务的技术基础设施。

此类问题日益落到 GC 手中，表明其角色已大幅扩展。技术架构过去并非内部职位描述的一部分。如今，法律领袖不仅帮助决定技术带来的风险，还决定技术应如何融入业务。这要求他们具备运营者思维。理解这些业务成果是法律在部门之外赢得信誉的方式。

企业如今期待速度、可见性和主动性

企业越来越多地向其法务团队提出三项要求：速度、可见性和主动性。

速度，因为公司其他部门都在以 AI 驱动的节奏前进，而法律部门若落后则最为显眼。可见性，因为一个请求在法律部门消失三周后无解释地返回已不再可接受，而其他职能可以随时展示状态。主动性，因为 AI 和隐私问题出现的速度快于任何人上报的速度，业务期望法律在问题成为实际问题之前就已提出相关疑问。

法律过去是被动的。把问题交给法律部门，他们会回答。现在，律师被期望能够预见。AI 将在此项目中出现在哪里？该供应商会触及哪些数据？我们可能遗漏了哪些盲点？六个月后我们会希望自己曾问过哪些问题？

在任何人提问之前就能回答这些问题，正是将现代 GC 从检查点提升为战略业务伙伴的关键。法律若不了解业务走向，就无法有效治理他们不理解的技术或预见风险。现代内部律师因此需要足够的运营可视性以洞察全局，并具备商业洞察力，以区分理论风险与真正可能影响公司的风险。

AI 改变了律师最有价值的技能

AI 受到较少关注的另一个意外后果是，它正在改变区分优秀律师的技能。FTI Consulting 与 Relativity 的 2026 年总法律顾问报告发现，87% 的总法律顾问现在报告其团队使用生成式 AI，几乎是前一年的两倍。我们正迅速超越仅仅使用 AI 即可被视为“创新”法律部门的阶段。

随着 AI 吸收更多的研究、综合和模式识别，区分律师的因素转向一直最难教授的能力。沟通、说服、情商、商业判断和机构知识现在更为重要，而它们因依赖情境而更难精确复制。能够理解高管真正的需求并将复杂的法律分析转化为清晰、可操作的建议，价值巨大。

这些在审查时偶尔提及的“软技能”正成为工作的核心。随着总法律顾问角色持续定位于法律、技术和商业战略的交叉点，律师并不需要成为工程师。但他们需要足够的 AI 与技术素养，以形成真实的观点、提出有价值的问题并识别答案不合逻辑的情况。

GC 正在更贴近业务战略

对于长期争取更靠近业务席位的职业而言，AI 为法律提供了千载难逢的机会。未来几年最有价值的内部律师将是那些能够审视庞大且部分未记录的 AI 足迹，准确识别可能伤害公司的少数要点，并有意识地对其余部分置之不理的人。

这对习惯于完整性的职业而言是一个令人不适的标准。律师被教导要识别每一个风险，而不是对其进行排序或接受大多数风险。但技术的迭代速度快于任何审查周期，采纳速度超过文档记录，若律师坚持评估所有事项，最终将几乎没有实质性的评估。

我们面临的问题涉及数据来源、系统的训练方式，以及是否有人能解释 AI 实际在做什么。这些法律问题无论如何都会出现。幸运的是，我们仍能提前介入，塑造这些系统的部署方式，而不是等到记录他人已作出的决定。