背景：合約審閱的難點
對律師而言，審閱一份草稿合約不只是逐條閱讀文字，而是要把其中的條款與相關先例互相對照、套用事務所長期累積的處理經驗，同時顧及客戶在意的優先事項。這些輸入分散在先例文件、內部作法與客戶指示等不同來源之間，實際操作時往往需要來回切換，才能判斷某個條款是否偏離慣例、是否留下日後爭議的空間。2026 年 10 月 15 日，OpenAI 公布與律師事務所 Sullivan & Cromwell 合作的案例，雙方共同開發了一套名為 Agreement Analyzer 的 AI 工具，用途是找出草稿合約中可能存在的問題，並提出可供律師判斷的分析與修改建議。事務所合夥人 John Savva 指出，AI 最初多半被用在重複性、行政性的工作上，例如撰寫郵件回覆或檢查行事曆，但近來模型分析能力的提升改變了這種分工，現在可以看到更多應用於困難法律任務的機會，例如對複雜合約進行深入分析。這正是 Agreement Analyzer 想處理的問題：把原本分散的判斷依據收攏到同一條審閱流程裡，讓工具產出的分析與建議修改，由律師進一步檢視與調整。
核心內容：Agreement Analyzer 如何運作
Agreement Analyzer 的起源並非大規模專案，而是 Savva 先以 Codex 做出一個單一使用者的概念驗證版本，隨後與 OpenAI 合作，改善輸出品質、透過平行處理提升效率，最後把它轉化為多位律師可以同時使用的工具。它整合了 Sullivan & Cromwell 的工作流程、精選的事務所先例、談判 playbook，以及 ChatGPT Enterprise。所謂 playbook，指的是把事務所與客戶在談判中的立場、可接受與不可接受的界線事先寫成的指引文件，讓審閱時有一致的判斷基準。實際使用時，律師把草稿合約輸入工具，再加入自己挑選的先例、記載事務所與客戶立場的 playbook，以及市場慣例的相關資訊；工具會從不同視角進行多輪審閱，綜合各輪結果，協助辨認潛在問題，最後回傳一份備忘錄與建議的追蹤修訂內容，交由律師決定要採用、修改或拒絕。
技術脈絡：讓來源與不確定性看得見
Savva 強調，讓 AI 工具輸出可信的關鍵在於完全透明。他舉例說，如果 AI 工具對市場慣例提出某項說法，使用者必須能夠看到這項資訊的來源，否則結論無從查證。他所描述的運作方式，是一種由 agent 提出結論、再由其他 agent 在對抗過程中加以挑戰的機制；agent 在此指的是能自主執行特定任務的 AI 程序。在一個可能的應用情境中，數個專業 agent 平行審閱同一份合約，各自負責不同面向：例如條款偏離市場慣例的情形與風險分配、不同條款之間的交互作用，以及可能影響日後訴訟的模糊表述。挑戰結束後，結果會被區分為三類：經過其他 agent 質疑後仍成立的發現、被駁回的發現，以及保留但附帶條件、尚未驗證的議題。律師可以逐一檢視這些議題、支撐它們的解釋與相關先例，再自行判斷哪些發現值得進入最終的修訂版本。這套分類方式的意義在於，它不把所有結論都以同樣的確定性呈現，而是把驗證狀態一併交出來。
影響與限制
Savva 對這項工具的定位相當明確：這不是要取代律師，而是提供一個能做更深入分析、找到更多依據與先例的工具，藉此為客戶交出品質更高的成果。他認為 AI 將讓律師把精力放在判斷力最關鍵之處，集中處理對客戶最重要的問題。就後續發展來看，Sullivan & Cromwell 持續探索圍繞特定法律任務打造的工具；對 Savva 而言，分析能力增強代表有機會進一步支援研究與寫作流程。他特別提到 GPT-6 Astra 在推理上的進展，認為過去推理品質一直是瓶頸，而這一點已有明顯推進。限制同樣清楚：備忘錄與追蹤修訂始終是供律師審閱、調整或拒絕的草稿，最終判斷仍落在人身上；平行審閱的產物中也包含未經驗證、僅附條件保留的議題，代表工具本身不保證每一項發現都成立。至於資料來源如何查核、驗證過程的具體標準，以及事務所以外的適用範圍，公開資料並未交代，這些仍是觀察此類工具能否擴大採用時需要持續注意的部分。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。