7月以来，围绕律所AI就绪度的讨论逐渐从基础模型转向数据和业务流程。Legal IT Insider、Artificial Lawyer等法律科技媒体近期刊发的文章显示，文档分散、知识库维护不足以及工作流程不统一，正在制约生成式AI在法律服务中的实际应用。与此同时，法律科技服务商开始通过收购培训机构，将系统实施、人员培训和采用管理纳入同一服务体系。
分散数据制约系统应用
Legal IT Insider 7月7日发布的一场律所AI就绪度专题讨论，将数据基础列为部署生成式AI的前置条件。许多律所在引入生成式AI之前，已经分别建设文档管理、案源管理、财务、知识库、邮件和合同库等系统。这些工具可以处理特定环节，但不同系统之间的数据标准、访问权限和关联关系往往并不统一。
当AI系统需要综合识别具体事项、客户信息、风险偏好和历史处理方式时，分散的数据会增加检索和核验难度。部分文档即使保存在共享盘或业务系统中，也未必具备明确的授权范围、版本记录和审计路径，因而难以直接用于AI检索或自动化流程。
产品差异延伸至知识与流程
Artificial Lawyer 7月6日刊发的观点文章认为，在不同法律AI产品采用相近基础模型的情况下，产品差异更多取决于模型之外的系统能力，包括条款库、谈判回退立场、审批规则、知识来源和审计机制。
这些配置涉及律所或企业法务部门如何处理案件、审核合同和控制风险。要使AI参与相关工作，法律团队需要将原本依赖个人经验的办案方法、谈判标准和审批要求转化为可检索、可更新的组织知识，并明确不同岗位和事项的数据访问权限。
通用模型在律师日常工作中的使用也在增加。Business Insider近期报道，一家采用AI工具的律所合伙人将语音输入、提示词和文档起草结合，用于交易支持等工作。该案例反映出，小型法律团队可以借助AI调整起草和沟通流程，但报道所述效率提升属于个案经验，能否复制仍取决于业务类型、人员能力以及复核安排。
培训服务受到重视
法律AI培训正在成为服务商业务布局的一部分。法律科技与咨询服务商Harbor收购英国法律技术培训机构iTrain，显示部分大型服务商正将技术实施、用户培训、采用率管理和长期组织变革整合起来。
与产品演示相比，AI工具能否进入真实案件流程，还取决于律师是否持续使用、能否识别需要停止自动处理并转入人工核验的情形，以及团队是否能够把有效方法沉淀为统一规范。缺少培训和流程约束时，同一工具在不同律师手中可能产生明显不同的结果，输出质量也较难稳定评估。
先整理可授权、可审计的数据
律所和企业法务部门在部署AI前，需要梳理可授权、可检索和可审计的数据来源，并确定哪些法律判断已经形成相对稳定的业务规则，可以由AI辅助执行。高频事项、常用条款、内部审查口径和审批节点通常更适合优先整理。
AI使用边界也需要写入日常流程，包括输入材料是否涉及客户秘密或个人信息、模型输出由谁复核、修改过程如何留痕，以及出现错误时如何追溯责任。对于尚未形成统一标准的复杂法律判断，AI可以用于检索、整理和起草，但不宜替代律师作出最终判断。
现阶段，基础模型的能力仍是法律AI产品的重要组成部分，但数据治理、知识维护、工作流连接、人员培训和质量复核，已经成为影响部署效果的主要因素。法律团队选择工具时，需要同时评估系统与现有数据、权限和责任体系的衔接能力，而不能仅依据演示结果或厂商公布的效率数据作出判断。