25岁如何打造估值6.75亿美元的法律AI公司——Legora创始人Max Strand访谈

摘要

本期节目邀请了Legora联合创始人兼CEO Max Junior Strand。Legora是YC W24批次的公司，致力于打造面向律师和法律专业人士的AI工作空间（AI Workspace）。Max在23岁时联合创立了Legora，当时他和联合创始人们没有任何法律行业背景，却凭借对AI技术的敏锐洞察，从GPT-3.5发布后的早期机会切入，逐步构建起服务于数万名律师的企业级系统。Legora已融资8000万美元B轮，由Iconiq和General Catalyst领投，YC、Benchmark和Redpoint跟投，估值达6.75亿美元。在访谈中，Max详细分享了Legora的产品架构（Web应用与Word插件）、从北欧扩展至全球的市场策略、如何向传统保守的律师事务所销售AI产品、以及没有行业经验的创始人如何在法律领域建立壁垒。他还讲述了自己从Dota2职业选手到创业者的人生选择，以及公司从10人扩张至100人的快速成长经验。

从法律技术碎片化到AI统一平台

Max介绍，在生成式AI出现之前，法律技术（Legal Tech）是一个长期不被看好的领域。市场上充斥着大量碎片化的单点解决方案（Point Solutions），从模板工具、翻译工具、红线标注（Redline）工具到法律研究工具，每一款都在某种程度上处理文本，但彼此割裂。当GPT-3.5发布后，一切被彻底颠覆——同一个底层技术可以解决许多不同用例，这为构建一个端到端的法律AI工作空间提供了可能。

Max回忆，在ChatGPT出现之前，团队就已经在AI与法律的交叉领域探索，使用过Google的BERT等早期模型。这些模型在英语上尚可，但在瑞典语中表现极差。创始契机来自一位联合创始人的律师朋友——他曾在暑假花了四个月时间为大型律所摘要判例。GPT-3.5发布后，他们迅速开始构建产品，第一个原型是一个股票期权合约阅读器，能够解释股票期权协议的运作方式。随后，产品方向很快转向构建一个更全面的系统，使每个法律专业人士都愿意在日常工作中使用。

合规先行：欧洲市场的入场券

在面向欧洲市场时，合规是第一道门槛。Legora从一开始就确保所有数据托管在欧洲境内，不用于模型训练，无数据留存，并获得了人工审查豁免。Max提到，他们仔细研究了Azure和AWS的结构，逐一满足了所有数据处理要求，构建了一个律所可以放心使用的合规系统。这一策略使他们在欧洲市场建立了信任基础。

两个关键产品的诞生

Web应用：从简单对话到智能代理

Legora的Web应用最初只是一个简单的文档对话功能，允许用户就自己的文档和文件进行问答。但这一功能很快发展成为一个独立的智能代理（Agent），能够调用应用内的多个端点以及外部工具来解决更复杂的多步骤工作流。例如，用户可以要求"写一份备忘录"——第一步进行法律研究，第二步将研究结果整理为律所的标准用语，第三步撰写报告并输出。整个过程完全由AI代理自动完成。

Max特别强调了MCP（Model Context Protocol，模型上下文协议）的重要性，Legora正在大力投入这一方向，因为不同业务领域（知识产权、重组、公司业务、争议解决等）的律所对工具的采用方式各不相同，MCP使AI代理能够灵活地扩展工具使用能力。

表格化审查（Tabular Review）

这是Legora最具变革性的功能之一。用户可以输入任意数量的文件和查询，系统将它们交叉运行——每一份文件代表一行，每一条查询代表一列。例如，上传100份雇佣协议并查询"是否都包含知识产权（IP）条款，且公司保护其知识产权"，系统会逐行回答"是/是/是/否/否/否/是/是/是"，并始终附上引用来源。这项创新的核心挑战不在于如何提示模型，而在于如何大规模并行运行——如何在确保引用准确、不中断的前提下，同时执行10万条查询。这需要处理法律文档的特殊复杂性：定义条款的引用、条款之间的交叉引用、超长文档的分块检索（Chunking）等。

Word插件：律师版的Cursor

律师几乎全部在Microsoft Word中工作——起草和审查合同。Legora的Word插件类似于程序员工具Cursor的理念：将生成式AI集成到法律专业人士现有的工作环境中。但由于无法分叉（Fork）Word，也不能占据所有界面空间，Legora只能在Word右侧的狭窄栏中工作，这要求在UI设计上极具创造力——几乎像设计移动应用一样。

最初，插件只提供一个助手或对话功能，能够读取文档并创建编辑。例如，用户可以要求"以买方立场重新谈判这份主服务协议（MSA），并使用我的内部检查清单或先例"。如今，这一功能已从逐条对话模式扩展到更复杂的工作流——用户可以说"这是一份合同，请按照我的20步谈判手册（Playbook），从起始立场开始谈判，并包含不同的回退方案"。

不可能变为可能：AI对法律工作的重塑

Max列举了几项过去不可能实现、如今由LLM赋能的工作：

变更控制条款识别：早期的机器学习模型在法律语言上表现极差，尤其是当同一含义的条款在不同文档中以不同措辞呈现时。LLM可以准确理解条款含义，而非仅仅匹配文本形式。
基于先例的红线标注：在Word中根据先例或谈判手册自动标注修改意见，过去完全不可能。
深度研究：跨数百甚至数千份判决进行深度研究，需要同时整合判例、法规和规章——由于智能成本（Cost of Intelligence）的下降，现在可以执行更多查询，将文档搜索、网络搜索和判例搜索结果合并，生成过去客户可能负担不起的备忘录。
尽职调查（Due Diligence）：过去尽职调查在物理数据室（Data Room）中进行——律师亲自坐在房间里，用笔逐页标注文件。如今AI使基本合同审查几乎成为商品化服务，客户也不愿再为简单审查支付高昂费用。

令人惊叹的真实使用场景

Max分享了几个令人印象深刻的使用案例：

法庭实时查询：西班牙律所Uría Menéndez的一位合伙人在出庭时，将对方当事人的所有证据和文件导入Legora，在听证会期间实时查询——当对方律师发言时，他能立即发现其中的矛盾或错误并打断对方。这位合伙人形容："进入战场时，Legora就像另一件铠甲。"
角色扮演谈判：有用户用Legora进行角色扮演游戏，让AI模拟对方当事人，以赢得争论。
谈判手册（Playbook）：Legora的Playbook功能允许用户创建规则集合——批准或不批准某些条款，提供示例语言和回退方案。打开文档后，点击"播放"，系统会逐条检查合同并标注修改意见。这一功能已从法律部门扩展到合规、风控甚至销售团队——在Legora内部，每位销售代表在将NDA发送给法务团队之前，都会先用Legora进行谈判。

向律师事务所销售：从不可能到势不可挡

YC合伙人Gustav提到，YC投资的法律软件公司中，最难的就是向律所销售——大多数最终转向了企业客户。但这一情况在约两年前发生了根本性变化。

Max认为，关键在于法律行业存在一种"完美均衡"——不同律所提供的低差异化服务（如尽职调查）本质上相同。当有人用新方法打破这一均衡时，客户会迅速转向。客户面临价格压力，法律费用高昂，一旦均衡被打破，律所几乎被迫采用新技术。

Max将此比作律师从纸质资料库到电子检索的转型——虽然按小时计费时，让助理去图书馆翻书可以产生更多工时，但按Ctrl+F搜索显然能更好地服务客户，这最终会带来更多收入。许多顶级律所希望成为先行者，因为在一个均衡被打破的市场中，率先采用新技术可以获得更多市场份额。

但这并非价格战（Race to the Bottom）。降低尽职调查成本后，律师可以腾出更多时间，为董事会就复杂并购案提供咨询建议。AI擅长大规模重复性工作，而律师则能更专注于创造性任务。

没有法律背景如何建立法律AI公司

Max坦言，创始团队没有一人是律师，但他们的做法是极度谦逊——承认自己不了解行业，迅速与早期合作伙伴建立反馈循环，让反馈成为日常。他采访了100位律师，使用了一个LinkedIn技巧：发消息邀请律师共进午餐，并表示愿意支付他们的时薪——当然没有人真的会收这笔钱，但他们都被这种诚意打动而愿意赴约。

在午餐中，Max会问大量问题，同时也会分享自己的技术见解作为回报，让对话成为双向交流。他还指出，理解法律行业内部的差异至关重要——交易律师（Transactional Lawyer）和企业部门律师的工作方式截然不同。

如今，Legora已聘请了大量律师加入团队，直接与产品团队和客户合作。Max认为，在一个正在经历巨大变革的行业中，最初的天真反而是一种优势——"为什么是这样运作的？可以这样运作"的提问方式，往往带来突破。

竞争格局：以速度对抗规模

法律技术领域存在大量并购机器和传统巨头，它们在终端用户中口碑不佳，但拥有数据护城河（Data Moat）等优势。然而，AI从根本上改变了软件交付速度，创造了全新的产品类别。许多旧的单点解决方案正在迅速变得无关紧要，软件构建成本也在急剧下降。

Max表示，Legora以约100人的团队，实现了比规模大100倍的公司更高的产品交付速度（Velocity）。从YC毕业后仅有10人，到如今100人，平均每周入职两人——这要求在招聘中优先选择具有创业者精神的人才，因为公司正在指数级增长，员工也必须具备指数级成长的能力。

传统巨头虽有锁定效应，但买方态度也在改变——没有人愿意签署五年合同，因为世界变化太快。客户更倾向于一年期合同，并关注合作伙伴的变化率（Rate of Change），而非仅仅是当前的技术水平。

技术架构：模型热插换与智能路由

Legora最初选择Azure，因为客户也在Azure上，且当时OpenAI的GPT是唯一可通过Azure提供的模型。如今，他们可以灵活使用AWS、Claude、Gemini、GPT和Mistral等模型。关键架构决策是：构建能够随时热插换模型（Hot Swap）的系统，并确保模型改进时一切自动提升。他们还引入了分类模型（Classification Model）——简单查询使用简单模型，复杂查询使用复杂模型，既控制了成本，也避免了"用水枪时不用火箭筒"。

律所内部采购决策链

Max详细解释了不同规模律所的采购结构：

大型律所：合伙人群体运营，但通常设有创新部门（Innovation Department），其影响力大小不一。强势的创新部门会自行采购软件并负责创新议程。Legora最喜欢与真正有远见的创新团队协作——因为有些律所只是想"勾选AI复选框"，而另一些则真正希望推动变革。创新团队的核心使命是推动全所效率提升，但他们不是终端用户，因此需要与创新实践者（Innovation Practitioner）合作，在具体业务团队中推动应用。
中型律所：通常没有创新部门，决策权在合伙人手中。Max的策略是：不需要说服整个合伙人团队，而是先与一位合伙人及其团队合作，让他们成为明星——其他人看到后会主动要求加入。关键是要自上而下销售——向资深人士推销，因为在法律行业，自下而上（Bottom-up）的采用几乎不可能，软件采购需要经过审批和IT部门，还有严格的安全和数据隐私检查。

从个人贡献者到管理者

Max认为，从YC毕业以来最大的学习是从个人贡献者（IC）转变为委派任务。他知道如何做某些事，但这不可扩展——必须教别人做，并聘请各方面比自己更优秀的人才。

Legora的早期招聘策略是聘请前YC创始人，其中包括YC校友Jake。Max引用了Paul Graham的建议：即使你的创业公司没有成功，在创业生态系统中，你实际上在就业市场上更具吸引力，因为人们想要和像你这样的人共事。Legora需要的是具有主观能动性（Agency）和解决问题态度的人才。在扩展新办公室时，他们总是从斯德哥尔摩总部派遣核心人员去建立新枢纽。

从斯德哥尔摩到全球：渐进式市场扩张

Max选择留在斯德哥尔摩而非搬到旧金山的原因是：他们需要一个可以成长的市场。直接进入美国不仅竞争更激烈，还可能迫使公司变得过于狭窄。相反，他们先在瑞典建立产品，然后扩展到芬兰、丹麦、挪威，再进入西班牙、法国、德国和伦敦，最后才进入美国。到那时，他们已经完成了15次新市场进入，方法论已经成熟，也从小池塘里的小鱼成长为大池塘中的鳄鱼。

律师的未来：从执行者到审阅者

展望未来5到10年，Max认为律师将越来越多地进入"审阅工作而非亲自执行"的模式——管理客户期望，指导AI代理工作，确保AI产出符合标准，并管理向客户交付的方式。律师在最终产品交付中仍然不可或缺，这就是为什么Legora选择与律师合作，而非与法律服务消费者合作。

但预测AI模型的未来极其困难——Max坦言，他的产品路线图尝试规划多个季度，但现在他们几乎只看几周之后的事。

对垂直AI创业者的建议

不要被单一供应商锁定，也不要与AI实验室竞争。AI实验室会持续发布能力，Perplexity等公司也是如此。必须诚实地判断自己在何处创造价值、在何处建立长期护城河。
寻找模型无法直接触达的狭窄领域，或找到极其创造性地利用模型的方式。例如，AI医疗转录（AI Scribing）之所以难做，是因为需要嵌入大量自定义提示（Custom Prompts）才能使用正确的医学术语——这与法律行业非常相似，条款必须以律师的方式撰写，而非模型概率最大的输出。
将护城河构建为"船"——当潮水上涨时，一切都会变得更好。

在Legora工作

Legora寻找的是雄心壮志和"面对巨大困难愿意攀登"的态度。他们明确告知候选人：这不是朝九晚五的工作，也不是传统的瑞典工作环境。公司保留了瑞典文化中好的部分（如Fika咖啡休息），但更有饥饿感和更高的期望。

招聘流程以实战为导向：市场团队候选人需要向Legora团队推销产品；工程团队候选人需要构建Legora的原型（POC），要求能够使用AI生成的代码、解释代码并设计可扩展的系统。目前Legora正在全欧洲招聘，已吸引来自马德里、阿姆斯特丹、德国和巴黎的人才迁至斯德哥尔摩，与当地众多AI公司共同构建一个充满活力的AI中心。

视频链接：https://www.youtube.com/watch?v=pHuXCzM2ntU