案例说了什么
OpenAI 关于 Legora 的案例写道：这家法律平台使用 OpenAI 模型、ChatGPT 和 Codex 加速法律工作流、扩展合同分析能力，把律师的时间释放给更高价值的工作。发布日期 2026 年 10 月 28 日。
公开信息就这些。摘要里没有准确率、没有复核耗时、没有客户数量。所以真正有用的问题不是「它有多快」，而是「要满足什么条件，它才敢被用在真实合同上」。
合同审查本质是引用问题
一份合同摘要看起来很有说服力，单独拿出来却几乎没有价值。律师要的不是「本合同有 30 天解约条款」，而是「第 7.2 条第二句写了 30 天，例外在第 7.4 条」。
这个差别把工程问题拆成三块，其中只有一块跟模型有关：
- 检索。 找到可能回答问题的段落，包括那些会改变词义的定义条款。
- 归属。 让每句生成的话都带上出处指针，指不到出处的句子直接不许输出。
- 复核。 把指针摆在句子旁边，让人几秒钟就能验证，而不是重读整份合同。
一个准确率高 5% 但不给出处的模型，比一个弱一点但会引用的模型更糟。在法律场景里，无法验证的产出是负价值——核对它的成本比自己做还高。
「把律师释放到更高价值的工作」这句话是诚实的
这句话在做实事，不是在客气。它没有说模型替代复核，而是说模型吃掉机械层：两百份合同的初筛、找出偏离模板的那几份、提取续约日期、比对两版红线。
这和所有可信的代理落地都是同一个模式：自动化量，异常上报。律师的判断从「全读」变成「读被标出来的那部分」，而产品的价值取决于标出来的那一部分是不是真的对。
Codex 在这里是什么角色
案例把工具并列写，读者容易当成一件事。这里其实是两件事：
- 模型和 ChatGPT 是产品面——法律团队用的东西。
- Codex 是工程面——这个产品怎么被开发和维护。
混为一谈会得出错误结论（「AI 既写法律意见又写代码，两边都自动化了」）。拆开看反而是更有用的启示：一家 AI 原生公司会在产品侧和工具链侧同时用模型。
在桌面上处理文档能抄什么
大多数人处理合同没有法律平台，只有一个文件夹。同一套规则在更小的尺度上依然成立：
- 不接受没有出处的摘要。 工具说不出文件名和位置，那句话就当未验证。
- 跟模板比，不要跟记忆比。 有价值的产出是「这一条与你的标准版不同」，那是比对，不是生成。
- 原件不许动。 复核应该读文件，而不是改文件。工具原地编辑，你就失去了参照。
- 记录打开过哪些文档。 法律工作里，操作留痕常常和结论一样重要。
MOOGH 就是按这几条约束做普通文档的：动手前先列出打算打开哪些文件，未经批准不改原件，动过什么全部记录。下载 MOOGH，看看证据可见的文档流程长什么样。
相关阅读
常见问题
这是说法律工作要被取代了吗？
不是。它说的是机械层——提取、比对、初筛——被吸收，而判断和责任仍然在人身上。案例自己的说法是「把律师释放到更高价值的工作」。
准确率到多少才算可信？
这个问题问错了形状。可信的法律产出不是一个百分比，而是流程的属性：每句可追溯、每个异常被抬出来、人能几秒内验证。一个 99% 准确但不给引用的系统，依然不能用。