陈杰 北京盈科（湖州）律师事务所

姚鹏海（实习） 北京盈科（湖州）律师事务所 

【摘要】律师行业正在经历智能化，数字化转型的关键时期。传统法律服务的工作模式因人工智能（AI）技术的介入而发生了巨大的变革，“律师与AI如何协同”逐渐成为提升法律服务标准和律师水平的重要途径。本文聚焦于大语言模型（Large Scale Pre - trained Language Model，LLM）技术为核心探究合同审查全流程的嵌入式协同，从人工智能（AI）到大语言模型（LLM）技术，再到垂直领域的专业大模型，最后在法律行业合同审查中的具体运用，深入剖析LLM与人类专业判断的交互逻辑，揭示LLM工具在合同审查流程中对信息处理、逻辑推演与结果验证中的差异化优势，并探讨律师在AI辅助下奠定价值决策和伦理把控的核心地位。实证分析方法将以建设工程合同为样本案例，全面评估合同审查流程嵌入LLM技术的实践效能与潜在风险，创新性提出“技术赋能-专业监管”双轨制解决方案。本文旨在为人工智能时代法律服务体系的范式提供理论支撑，并为法律从业者应对技术冲击提供系统的理论与实践指导。

    【关键词】人工智能AI  律师协同  LLM  合同审查  建设工程合同

一、人工智能概述

（一）人工智能AI概念

自1956年达特茅斯会议确立人工智能研究领域以来，相关理论体系经历了从弱人工智能到强人工智能的层级拓展，如今更延伸出超人工智能的前瞻性构想。值得关注的是，新一代人工智能系统在行为模式上已呈现出高度拟人化特征，虽然近年来计算机视觉，自然语言处理，机器学习等多领域分支发展速度极快，但我们仍处在弱人工智能与强人工智能的交界处，还未完全踏入强人工智能时代。尽管当前人工智能已取得显著成就，但对于其在认知智能突破和通用架构构建方面的未来发展，必定还有很大的进步空间。

1970年，布坎南与海德里克在《斯坦福法律评论》发表《关于人工智能与法律推理的几点思考》论文，首次系统性地建立人工智能与法律推理解析的学术关联，聚焦于法律信息处理中的智能应用，涵盖该领域的方法论创新与理论建构研究。如今法律人工智能的应用领域主要可划分为两个方向：其一是聚焦于通过自然语言处理技术实现海量法规文书的精准检索与智能分类；其二则致力在法律咨询、案件分析、裁判结果预测等场景中提供专业支持。前者侧重于提升法律信息处理效率，后者更关注司法实践中的智能应用创新。前一种方向在法律服务行业已经成为一种常态。但后一种仍然存在较大争议。

（二）大语言模型技术（LLM）概念

近年来人工智能领域呈现出迅猛发展的态势。在这一背景下，人工智能的一条分支自然语言处理（Natural language processing，简称NLP）技术在法律领域中的应用取得了令人瞩目的进展。而在Chat GPT自2022年11月首次推出的文本生成型AI聊天机器人，起初，它仅是一个通过简短文本提示撰写文章和代码的生产力提升工具，现已发展成为被超过92%的《财富》500强企业使用的庞然大物。如今大语言模型（LLM）作为核心技术支柱之一，正重塑着自然语言处理（NLP）乃至整个 AI 技术领域的格局。

大语言模型（LLM）技术为法律信息的自动化处理带来了创新性的解决方案。它是一种基于深度学习技术的自然语言处理模型，它具有非常多的参数和复杂的网络结构。不仅能够完成基础的拼写校对与语法纠错任务，更具备处理多维度复杂语言应用的能力，包括文本凝练提炼、跨语种信息转换、情感倾向解析、智能交互对话以及逻辑推理输出等。依托海量数据库进行预训练，使其获得了强大的通用建模能力和泛化能力。

在法律层面，大语言模型（LLM）技术可以贯彻律师的整个执业流程，而法律垂域大模型是指基于通用大语言模型，针对法律行业的专业特性（如法律术语体系、逻辑结构、案例规则等）进行专项训练与优化形成的垂直领域模型，其核心价值在于将AI能力深度融入律师实务，实现从“辅助工具”到“专业协同伙伴”的升级。其包括但不限于：检索法律和案例，提供即时法律咨询，生成和审查各类法律文书，提供法律文件翻译，制作尽职调查清单，辅助法律研究和分析，诉讼预测与策略分析等等，人工智能技术能够通过分析大量历史案例数据，发现潜在的模式和关联规律，为律师提供有价值的参考。尤其是在制定诉讼策略的过程中，人工智能技术能够辅助律师梳理案件的关键点和潜在风险，提炼出核心争议问题。基于这些分析，律师可以对不同策略的可能效果进行量化评估， 从而选择出最佳方案。当然，基于它的深度开发、合理利用、各类工具组合使用，未来的适用场景肯定会更加广泛。

二、合同审查与大语言模型技术的适配性

合同审查一直以来都是律师们的痛点和难点，在当下数字化转型与人工智能技术突飞猛进的背景下，这一行业痛点有望依托技术手段实现突破。通过预训练与法律领域知识的微调的大语言模型，可精准识别合同条款中的法律要素，捕捉异常条款模式，实现潜在法律风险的前置识别，完成标准条款与定制化需求的智能比对，基于海量司法判例训练的分类模型自动审查合规性争议点等等。

（一）合同审查的痛点

1. 业务认知维度不足

传统合同审查的难点往往不在于对法律法规的陌生，而在于对合同背后业务逻辑的理解不足。熟悉合同结构的人都知道，只有深入理解业务背景、交易模式、行业惯例及潜在风险，才能精准把握合同的关键条款与争议焦点。反之，若缺乏业务认知，即使具备法律知识，也难以识别核心风险，导致合同审查流于形式，无法真正规避潜在纠纷。我们以建设工程施工合同为例，若不了解施工进度节点、工程变更流程、质量验收标准或农民工工资支付监管等要求，就可能忽略工期延误责任划分、签证索赔条款或合规性风险，导致合同无法有效约束履约行为，甚至引发重大纠纷。因此，提升业务理解能力，才是提高合同审查质量的关键所在。

2. 框架思维构建不全

同一份合同，不同审查结果的差异本质上源于思维模式的差异，就是没有线性思维和框架思维。缺乏系统思维的审查者在陌生场景的审查过程零散片面，质量良莠不齐。反之，具备方法论支撑的审查者，其工作成果始终保持在较高水准，能够精准把握合同的关键风险点。

我们还是以建设工程施工合同为例，以某EPC总承包合同为例，具备系统思维的审查者则会建立系统的审查框架，首先把握项目全周期管理（从招投标到竣工验收），其次厘清各方权责问题（业主、总包、分包、监理），再次识别行业的特殊风险（如农民工工资专户、设计变更，工程签证），最后重点评估建设工程施工合同的几大要点（如法定招投标程序，主体资格，工期条款，价款、结算及付款方式、违约责任条款等）。因此需要提升结构化框架思维才能系统识别隐蔽风险点。

3. 效能低下成本过高

传统合同审查中，时间成本高，基础性工作耗时占比过高，律师需花费大量时间处理非核心事务（如格式校对、基础条款核对），导致真正风险研判时间被压缩。同时律所缺乏系统化的历史审查记录复用机制，同类合同审查存在大量重复劳动。一些律所为了控制成本，初级律师承担大量基础校对工作，而资深律师则需介入琐碎细节，形成"人力资源倒挂"现象。律师没有按照其专业能力和经验进行合理分配，初级律师通常具备一定的法律知识基础，但在经验、专业判断能力等方面相对较弱，这不仅会增加他们的工作压力，还可能导致审查质量不高。而资深律师的时间往往被琐碎审查任务占用，无法专注于更高的价值业务。严重影响了律师的工作效率与合同审查的进度。

（二）大语言模型（LLM）技术的缺陷

1. 幻觉频现

以ChatGPT和DeepSeek为代表的大语言模型现如今已经在很多领域包括医疗、法律等都展现了非凡的文本生成和推理能力，得到了广泛地运用。但仍然存在一个关键挑战，幻觉现象。近期与大模型幻觉有关的研究显示，DeepSeek-R1的模型幻觉率为 14.3%，远高于国内外主流模型。尽管评估的有效真实还有待检验，但根据国内用户真实体验可以肯定的是，DeepSeek等开源模型在模型可解释性、网络安全防御等方面仍存在不足。其中幻觉分为事实性幻觉和忠诚性幻觉。

忠诚性幻觉则是关注模型生成内容是否符合用户输入指令或上下文内容。通俗来说就是指答非所问，但此现象在法律领域很少出现，因此不是本文讨论的重点。

事实性幻觉指的是模型生成的内容与可验证的真实事件存在偏差。如图1所示，当问及继承权相关问题时。对方提供了法律条文支撑，但是引用的法条内容完全是错误的。如图2所示，当需要大模型提供相关案例佐证时，其提供的案号都是错误的，其中有无中生有的案号，也有与真实案件不匹配的案号。因此在合同审查过程中使用模型难免也会出现以上问题。

图1

图2

2. 广袤浅滩

大语言模型（LLM）知识覆盖面虽广但理解深度不足。在专业领域（如法律、医疗）常出现“伪专业”表述，表面合理实则漏洞百出；对复杂逻辑关系（如合同中的条件嵌套）只能做浅层解析，缺乏真正的因果推理能力。这种“广度优先”的知识架构导致模型在需要深度专业判断的场景（如合同关键条款审查）可靠性不足，需结合人工深度校验。

3. 安全与隐私风险

在深度学习技术发展过程中，针对深度神经网络（DNN）的传统安全威胁始终存在，这类威胁主要通过破坏模型的功能完整性和服务可用性来影响系统的安全性（security维度）。在大语言模型（LLM）时代，这类传统安全威胁依然构成重大挑战，尤其是对系统的操作者、部署者以及环境造成较大危害。例如 LLM 生成的内容可能与用户意图和期望不一致，存在偏见和歧视问题，也可能出现价值观和道德标准的偏差，包含攻击性或误导性内容。又如 LLM 可能生成恶意代码、钓鱼软件，从而使得模型部署者陷入法律道德风险中。此外，LLM 参数量巨大，训练和推理阶段所消耗的能源惊人，一些新兴的攻击方式如资源消耗攻击和模型劫持攻击也相继出现，消耗额外能源，对环境构成破坏。

除了安全威胁，LLM相关隐私问题也引起了越来越多关注。训练 LLM 需要大量文本数据，其中可能包括个人标识信息、可定位到机构实体的隐私数据及版权内容。LLM 可能因为过拟合及记忆效应记住这些隐私信息，并在生成文本中泄露。另外，LLM 训练消耗大量算力和数据，涉及大量资源投入，其知识产权是训练者重要利益，确保 LLM 权重、系统提示词等隐私数据不被攻击者获取也是重要需求。

（三）协同律师与AI重要性

在合同审查和大语言模型的应用中，单纯依赖AI或单纯依赖律师都存在明显缺陷，而“律师+AI”协同模式才能够最大化效率与质量。

2024年12月，盈科律所上海办公室成功举办了首届"盈科杯"法律科技应用竞赛。大赛的目的就是为了寻求“如何让科技赋能法律”的答案，以法律科技先锋的姿态，运用科技力量，提升工作效率与服务质量。在进入最后角逐的13位参赛者中，有超过三分之一的选手重点演示了如何运用科技产品与智能提示词处理法律实务中的各类问题。无论是文书撰写还是案情研判，这些工具与方法展现出的实用性和高效性获得了参会者的高度评价。

展望2025年，定制化的智能提示词与标准化的法律科技产品或将齐头并进，为法律从业者提供更丰富的工具选择。因此在AI时代，合同审查方面AI初筛出格式错误、基础条款缺失（如保密条款、适用法律）等，再标记出潜在风险条款，深度分析结合类似案例的裁判趋势，最终生成标准化修改建议。而律师的核心竞争力将从“体力型审查”转向为规则制定者，风险决策者，以及商业顾问者。

三、协同合同审查-AI的实务运用

如何将律师、AI与合同审查完美相结合，首先在大语言模型（LLM）上的选择和运用上要灵活发挥各类工具优势，同时以优质的法律垂域大模型作为合同审查的基础框架，在具体实施层面，需系统化构建全流程审查机制，通过科学拆解各审查环节，配合定制化的智能提示词（Prompt）工程，同时建立严谨的人工监督机制，这才是实现高效化的关键所在。

（一）工具选择

1. 通用大模型

DeepSeek 与 ChatGPT 分别作为当今开源模型与闭源模型的典型代表，在技术架构、适用场景等维度存在显著差异。在技术架构层面，DeepSeek 基于混合专家模型架构，综合利用多头隐式注意力机制、知识蒸馏技术等一系列创新技术。而 ChatGPT 则是以变换器为架构基础，多维嵌入神经网络、人类反馈强化学习等人工智能技术，整合多模态能力。因此DeepSeek混合专家架构在处理任务时不会调动所有神经元，而是将大型神经网络拆分为数个微型的专家网络， 由各个微型专家对应处理所擅长的任务。所以，相较于ChatGPT的通用属性，DeepSeek在垂直领域的应用表现更优。

随着我国大语言模型研发能力的持续提升，一批具有国际竞争力的国产模型相继问世。其中阿里的通义千问，腾讯的腾讯元宝，月之暗面科技的Moonshot AI等等，在技术性能和应用创新方面都展现出显著优势。因此后续在实证研究分析中，这些国产大模型不仅能够有效弥补DeepSeek模型存在的某些技术缺陷，更为重要的是，它们还带来了独特的视角和创新的发现，为人工智能领域的探索提供了更多的新的可能性。

2. 法律垂域大模型

在垂直领域大模型的应用实践中，法律合规性成为关键考量因素。以医疗、金融、法律等专业领域为例，行业专属大模型在提升服务效率的同时，也面临着严格的法律监管要求。这类模型需要特别关注数据隐私保护、行业准入资质，以及专业内容合规性等约束。垂域大模型不仅能确保输出内容的专业准确性，还建立了完善的内容审核机制，防范可能产生的法律风险同时，模型训练数据的合法来源、知识产权的清晰界定，也都成为垂域大模型的一大优势。

因此国内Alpha gpt，智爱，元典问答，通义法睿，案牍等法律垂域大模型代表，通过专业化架构设计和领域知识增强，有效弥补了通用大模型的三大核心缺陷：首先，通过完整实时的法律知识和案例库的深度融合，显著降低了模型输出中的"幻觉"现象；其次，依托法律逻辑推理引擎和司法解释系统，大幅提升了法律分析的深度和专业性；最后，采用联邦学习、差分隐私等安全计算技术，严格保障了用户数据隐私和案件信息安全。这些技术创新使得法律垂域模型在保持大语言模型优势的同时，更好地满足了司法实践对准确性、专业性和安全性的严格要求。

（二）实证研究

本研究以建设工程施工合同为例，因其具有很强的复杂性以及专业壁垒，其特有的行业属性和法律适用难度，为检验大语言模型在专业领域的应用效能提供了理想的研究样本。在垂域大模型的选择上，本研究以案牍AI为审查合同的基础框架，该模型与国内知名合同数据库"法天使"建立了深度合作关系，其专业性和权威性已得到法律实务界多数人的认可。特别值得注意的是，其在保持较高专业水准的同时，还具有显著的成本优势，这种高性价比特征能够满足不同规模企业的合同审查需求。而在通用大模型的选择上，还是以DeepSeek为主，专门负责合同文本的结构化识别、权利义务关系映射以及缔约背景分析等专项任务。这种架构设计使得模型之间形成优势互补，二者协同工作既确保了分析的广度，又保障了专业深度，构建了完整的智能合同分析解决方案。

1. 读取合同

首先要对合同进行脱敏，即使现在大模型的安全与隐私方面已经得到了很大的保障，但我们还是要把风险降到最低，因此在涉及AI工具的使用过程中，需对合同文件进行脱敏，明确敏感信息范围，包括但不限于：主体身份信息；交易中的财务信息；商业秘密信息；工程特征信息；合同中的其他信息（只要存在可能使第三方通过分析或比对，帮助推断或关联到特定交易或客户身份的信息，都要被视为脱敏处理的范围）。至于替换方法，可以用虚构信息进行替换或者直接隐藏关键信息，将敏感信息涂黑或打码。也可以直接删除敏感信息，但切记一定要留存备份。

对合同内容脱敏完成后，先将合同导入通用大模型deepseek，选择deepseek的 V3大模型，不使用联网搜索（注意：本步骤需使用幻觉率更低，更擅长基础工作的deepseekV3模型，V3模型的幻觉率经统计为3.9%，因此不选择RI模型）。随后输入智能提示词，例如：基于上传附件中的合同内容，系统梳理协议双方的权利义务关系，整理形式为：主体享有的权利、主体权利的救济方式、来源合同条款序号主体。主体承担的义务、主体未履行义务的违约责任、来源合同条款序号。在整理过程中需严格对照合同文本，确保所有权利义务均有合同依据，不得擅自添加或删减合同约定内容。整理完成后应进行复核，保证内容与合同条款完全对应。以表格格式输出。

将生成内容复制并命名保存为《合同权利义务梳理表》，若该权利义务内容在人工阅读过程中有无法解读与理解的情况，可再将其再导入deepseek，使用R1模型深度思考进行条款解读。建立对合同权利义务的整体认识，方便后续的合同审查。

2. 业务调研

在合同审查中，业务调研是至关重要的一环，兼具防控法律风险与提升商业效益的双重价值。尤其当面对首次接触的业务领域时，深入研究其交易流程和识别业务风险尤为关键。如此，方能保障合同审查的高效与顺畅。

其中以建设工程施工合同为例，其区别于普通商事合同的核心在于其"工程属性"带来的复合风险，其中作为承包方工程质量纠纷，工程款支付纠纷，工期管理纠纷，工程变更纠纷，合同解除纠纷都是建设工程施工合同中常见的纠纷，因此在合同效力、质量条款，价款支付机制，工期与顺延条款，工程质量标准与验收，违约责任与争议解决等关键条款上需要重点设计与审查。

具体的操作方法：使用deepseek或腾讯元宝，打开深度思考R1模式和互联网搜索功能，输入智能提示词：为我整理作为甲方承包方在建设工程施工过程中，可能面临哪些纠纷情形？在审查相关合同时需要注意哪些纠纷点？同时为我整理可能存在的风险通过表格形式以《合同纠纷，业务风险检索报告》命名文档生成。

在第二个操作步骤中打开互联网搜索功能的底层原理是在AI大模型的赋能下，互联网搜索3.0阶段的信息获取方式从广泛搜索向智能筛选转变，相比传统搜索引擎中充斥商业广告、虚假信息等低质信源，AI搜索具备智能筛选的特性。其凭借大模型高效的语义理解，智能选择头部媒体、高质量知识社区、专业博客和学术网站等权威平台作为信息源，并主动将多个来源信息进行归纳总结、精炼提纯，直接为用户提供最终答案。以腾讯元宝为例，其联网搜索功能不仅涵盖互联网数据，还能调用微信公众号等私域数据，结合 DeepSeek 模型提供更具针对性的服务，在特定领域的搜索效果优于标准版 DeepSeek。此举弥补了大模型预训练知识库存在时效性导致实时知识滞后性的问题，可以认为是一种额外的工具。

3. 识别风险

本步骤也是所有过程中的关键步骤之一，因此将前两步操作过程中生成的《合同权利义务梳理表》《合同纠纷，业务风险检索报告》均上传腾讯元宝或deepseek，要求大模型针对以上两个文件给出合同审核重点清单。使用R1模型，关闭互联网搜索功能。输入智能提示词：结合相关检索和业务流程的风险点和合同权利义务梳理，为我整理这份合同的审核重点，要求：1、甲方立场。2、分点列出，简明扼要。3、按照甲方合同地位强势、中立、弱势，分别出具这份审核重点清单作为初稿。

由于是核心步骤，因此还需进行一次风险识别，要求元宝deepseek先模拟合同相对方，判断哪些条款修改相对方可能不会接受；再模拟己方，判断哪些条款修改即使相对方不接受，我方也必须争取。

注意：第一轮模拟合同相对方的对话时，开启联网功能；第二轮模拟己方对话时，关闭联网功能。输入智能提示词：你是乙方公司法务，根据你的经验，乙方可能不会同意哪些合同审核要求?你是甲方公司法务，乙方不会轻易同意的审核要求里哪些是会对公司利益产生重大影响，你必须提示公司争取？基于前面对话内容，为我整理最终版的合同审查重点清单，包括：1、乙方不同意但甲方必须争取的核心条款审核重点。2、乙方可能同意的条款审核重点依次列出，简明扼要。以《最终版合同审核重点清单》命名生成文档。

4. 修改合同

    该步骤使用的工具为法律垂域大模型案牍AI，打开「案牍合同审查」，将合同文档置入工具的审查框，点击开始审查。选择审查立场、修订审查用户名，将《最终版合同审核重点清单》内容结合人工经验及对于客户的了解调整过后，输入到案牍的审核重点栏中，设置审查重点清单。

完成自动审查后，进入人工审核环节。审核人员可针对系统标记的条款，结合实际情况与专业判断，选择直接修改对应条款或保留原条款不修改。最终，将生成的合同修订版或合同审查意见书下载保存。经实践验证，该操作流程在显著提升合同审查工作效率的同时，可有效保障合同审查的准确性，降低人工疏漏风险。

5. 审查复核

完成合同修订版下载后，尽管已结合垂域大模型与通用大模型的协同校验，但仍存在部分潜在问题难以完全规避。鉴于此，需构建完善的人工监管机制——该机制既支持审核人员直接介入进行人工复核，亦可通过通用大模型提供的辅助分析功能进行二次校对，从而形成"人工+智能"的双重保障体系。在实际操作过程中，用户既可选择继续使用deepseek模型，亦可选用其他通用大模型进行辅助分析。需要特别强调的是，在切换模型进行复核时，必须重新开启独立的对话窗口，以避免前序对话的历史记录对当前模型输出结果产生干扰，确保每次分析的独立性与准确性。

具体操作为输入智能提示词：你是有着20年工作经验的法务，现在按照合同审核重点及一般合同审核要求，对合同进行复核，注意你的复核重点：1、是否帮助甲方防范了核心风险；2、修改是否适当，不增加合同谈判签订难度；3、检查文字格式。通过上述操作后，人工阅读复核提示，对合同修订再进行最终的完善。

（三）结果分析

本研究围绕建设工程施工合同审查构建了一套"双模型协同+人工复核"的智能审查体系，通过明确的分步骤操作实现了专业性与效率的平衡。使用同一份建设工程施工合同的对比后，三种审核模式呈现显著差异。

通用大模型（DeepSeek）单独审核：受限于通用语料训练的局限性，对建设工程领域的专业术语、行业惯例及特殊条款（如工程签证、索赔程序）理解不足，风险识别精准度较低（仅能捕捉表层格式问题），实用性评价较差。人工复核数据显示，15条修改意见中仅2-3条（约20%）具备基础参考价值，其余因脱离工程实务或因法律分析错误而被完全弃用。这些缺陷直接印证了通用大模型在专业化场景中的适应性困境——即无法替代垂域模型对工程行业"隐性规则"的解码能力。基于审查质量、风险覆盖度及实务适配性的综合评估，明确不推荐在合同审查中单独依赖通用大模型。

垂域大模型（案牍AI）单独审核：依托专业行业数据库和法律信息库，可系统性识别并修改工程变更、工期顺延、质量验收等专业条款风险（覆盖率达90%以上），在建设工程合同领域的单独审核中展现出显著的专业优势，但也存在优化空间，并非最优解。

通用大模型（DeepSeek）和法律垂域大模型（案牍AI）协同审核：通用AI补充垂域AI未收录的非结构化风险，同时通过模拟交易相对方的谈判策略与行业惯例，预判合同条款的市场可接受度，从商业平衡视角为法律合规性提供补充验证。律师团队可依托《合同权利义务梳理表》《合同纠纷，业务风险检索报告》《最终版合同审核重点清单》快速定位争议高发条款，实现审查深度与商业适应性的平衡。经实践验证，该模式单次可生成50条左右法律修改意见，在人工复核后，约45%的修改意见（22-23条）可直接采纳落地；约30%的条款（15条左右）经适应性调整即可匹配具体交易立场（如根据客户风险偏好微调违约责任条款）；剩余意见则作为备选方案纳入风险预案库，供后续谈判博弈使用。这种"标准化筛查+个性化适配"的机制，既避免了纯人工审查可能遗漏的非常规风险，又通过模型的专业校准确保修改意见符合法律实务要求，最终实现审查深度、商业适应性与决策效率的三维平衡。

结语

本文揭示了律师与AI融合的实践路径。研究发现：大语言模型（LLM）技术，尤其是通用大模型与法律垂域大模型的协同应用，能够显著提升合同审查的效率与全面性。

然而，技术工具的应用始终无法替代律师的核心价值。一方面，在专业判断、商业逻辑适配及伦理把控等关键环节仍需律师主导；另一方面，律师通过业务认知的深度介入（如行业惯例理解）、框架思维的系统构建（如风险点分级研判）以及价值决策的最终把控（如合同立场平衡），能够弥补技术工具在灵活性、创造性及合规性上的局限。

人工智能时代的合同审查已进入“技术赋能－专业监管”双轨并行阶段：技术工具负责信息整合、风险初筛与效率提升，律师则聚焦于规则制定、风险决策与商业价值平衡，二者协同形成“1+1>2”的审查效能。未来，随着语言大模型的持续优化与律师数字素养的提升，“人机协同”模式将进一步推动法律服务从“经验驱动”向“数据驱动+专业引领”转型，为构建智能化、精准化、可复用的合同审查范式提供坚实支撑。