8 月 12 日，OpenAI 发了一份企业 AI 使用报告。看完之后，有一个数字在我脑子里转了一天。
今年 2 月以来，OpenAI 企业客户里，agent 产品（Codex）的周活跃用户，增长最快的职能不是程序员。
是法律。
法律职能涨了 108 倍。同期，销售 41 倍，招聘 41 倍，市场 26 倍。工程——agent 应用的大本营——只有 5 倍。
一个以保守、谨慎、慢半拍著称的行业，成了 agent 渗透最快的知识工作领域。
为什么？
法律是代码之外，最像代码的工作
OpenAI 在报告里解释过软件为什么先行：代码库给了 agent 清晰的上下文，测试让产出容易被验证。agent 干活需要这两个条件——知道自己在哪，知道自己干得对不对。
拿这把尺子量一量法律工作，你会发现一个事实：法律是代码之外，上下文和可验证性都最充分的知识工作。
上下文充分。法律工作天然以文书为中心。合同、案卷、法规、判例、纪要，全是结构化文本。律师接手案件做的第一件事，就是把材料读进去——这正是 agent 最需要的那一步。
可验证。法条引用对不对，查得到；合同条款漏没漏，比得出；金额勾稽平不平，算得清。法律产出的对错有外部标准，不靠"感觉不错"。
OpenAI 说，通用知识工作此前推进慢，就是因为多数任务上下文有限、说不清、验不了。这三样毛病，法律一样都不占。
所以 108 倍不是意外，是结构性匹配。
引用之前，先交代这个数的口径。
一个用户怎么被算进"法律职能"，OpenAI 的公开页面没有说——是按企业后台登记的职位头衔映射，还是按消息内容里法律工作的占比打标，没有披露。配套的工作论文用的是职位头衔映射，而且论文自己认了两个局限：头衔覆盖不全；活跃用户的构成不等于该职能的采用率，因为拿不到每个职能全员的分母。
还有基数。agent 是先在工程落地的，今年 2 月法律职能的周活基数很小，低基数上的倍数天然容易放大。OpenAI 另一篇 Codex 专项论文里，内部法律岗位员工的月产出增长是 13 倍（按中位数计，去年 11 月到今年 6 月）——13 倍和 108 倍，测的本来就不是同一个东西，但放在一起，能看出口径对数字的影响有多大。
所以我的读法是：方向可信，五个职能里法律排第一，和上面的结构分析也对得上；具体倍数打折看。法律人引用数据，先把口径交代清楚，是本分。
分水岭：你问 AI 问题，还是 AI 交活给你
比 108 倍更重要的，是另一个数字：64%。
今年 6 月起，企业客户里 agent 的产出 token，占 agent 和 ChatGPT 总和的 64%。OpenAI 的企业级使用，越过了"辅助"和"执行"的中线。
这两个模式的区别，值得说透。
辅助模式，是你问 AI："这个条款有没有风险？"AI 答一段，你自己回去改合同。问完你就走了，活还是你的。
执行模式，是你把 300 页尽调材料交给 agent，它读完、比对、输出一份带页码索引的风险清单初稿，你负责验收。
前者省的是"想"的时间，后者省的是"做"的时间。法律工作里，"做"的量远大于"想"——阅卷、比对、检索、写初稿，这些计件的苦力，正是年轻律师前三年的主要生活。
执行模式的效率是什么量级？报告里有个参照：Virgin Atlantic 的工程团队用 agent 重构遗留代码，原来要两周，现在三十分钟。
还有个数字，能看清这个分水岭正在多快地变宽。OpenAI 每月把企业客户按人均用量排名，前 10% 叫前沿企业，中间 10% 叫典型企业。今年 1 月，前沿企业的人均产出是典型企业的 2.6 倍。到 6 月，8.3 倍。
半年，差距扩大了三倍。而典型企业过去一年几乎原地踏步，只涨了 1.9 到 2.8 倍——多数组织还停在"拿 AI 当搜索框"的阶段。
我今年 5 月写过一篇《智力杠杆》，说 AI 会把专业服务者分成两种人。当时还是推演。现在 OpenAI 把数据拍在了桌上：杠杆两端的人，正在加速分开。而且这不是科技公司的专利——报告明说，前沿差距出现在所有行业、所有规模的公司里。
倒挂的师徒制
第三个数字，我最想跟律所主任们聊：13 条。
OpenAI 统计了数百万次对话，发现企业引入 AI 六个月后，入职早期的员工比高管每周多发 13 条消息。直觉上，应该是高管更重视、用得更多。数据反过来：越往基层走，用得越勤。
这跟很多问卷调研的结论相反。但问卷问的是"态度"，这次统计的是"行为"。行为不会客气。
律师行业的师徒制，建立在一个隐含假设上：经验从上往下传。师傅踩过的坑，徒弟一个个重新踩，十年出师。
这个假设正在倒转。新人没有经验可传，但他们有一样师傅没有的东西：从一开始就在跟 agent 协同干活，这种手感长在肌肉里。我不用想象这个画面——四明山法师 AI 夜校的每一次分享，最活跃的永远是年轻人。
对合伙人来说，真正的含义是：人人都在用 AI，"我也用了"不构成任何竞争力。构成竞争力的是另一件事——你几十年踩坑换来的判断，有多少被结构化了、写成了 AI 可执行的规则、变成了团队 agent 的工作标准。
OpenAI 的数据支持这个判断：前沿企业里有 19% 的周活用户在使用 skills——可复用的指令集，说白了就是把"怎么做"沉淀下来给 AI 用。典型企业只有 3%。同一份报告里，OpenAI 内部员工的 Plugins 周使用率是 95%。也就是说，连前沿企业自己，离"用满"都还远。
经验值钱，但前提变了：得写成规则、写成清单、写成 agent 能读的东西。只存在脑子里的经验，传不了徒弟，也传不了 AI。
两个质疑，我认真回答
第一个质疑：token 量不等于价值。法律产出错了代价很高，量再大有什么用？
质疑成立。OpenAI 自己也承认，token 只是使用深度的代理指标。但我的回应是：正因为如此，法律人最该练的本事是"敢交活，会验收"。验收恰恰是法律训练的核心——我们一辈子都在做证据审查、文书校对、交叉核对。别的行业要新学验收，我们只是把验收对象从实习生的活，换成了 agent 的活。
第二个质疑：这是美国企业的数据，中国法律市场不一样。
工具确实不同，政策环境也不同。但方向一样。而且我倾向认为，国内律所的差距会拉得更大——多数律所连"问"的阶段都还没普及。差距的基数越低，拉开得越快。
我自己怎么做
说说我自己。不是建议，是交代。
我把十几年的执业规则，一条条写成了 AI 可读的规则库：合同审查的底线清单、检索的改写纪律、文书的结构要求。agent 按我的标准干活，我负责验收和拍板。这就是 OpenAI 说的 skills，我没等厂商来定义，自己动手先做了。
这套东西我建了一年多，中间推翻重写过，到现在也只覆盖日常工作的六七成。剩下的三四成，要么是我自己也说不清标准的判断，要么是规则写出来 agent 执行就走样的活儿——这部分我还没找到答案。
律所层面，我的观点和今年 5 月写《AI 落地律所伪命题》时一样：组织买不来落地。但这次的数据让我能把话说得更准——前沿企业真正在做三件事，采购账号不在其中：给 agent 接上上下文和工具，给高风险动作立审查规矩，把一线员工摸索出的好用法变成全组织看得见的实践。
主任们与其问"所里要不要推 AI"，不如先问一句：所里那几个把 agent 用活的律师，他们的做法，全所有多少人见过？
法律行业花了一百年，建立起"经验按年限从上往下传"的管道。
agent 用半年证明了另一件事：判断力不只靠年头积累，它也可以被结构化、被复用、被放大。
108 倍只是开场。真正的问题是，一年后再看这组数据，你在 8.3 倍的那一边，还是原地踏步的那一边？
作者简介： 陈石律师，浙江海泰律师事务所副主任、高级合伙人、房地产与建设工程部主任，宁波市律师协会副秘书长、第七届宁波仲裁委员会仲裁员，聚焦建筑房地产、投融资、并购重组及商事争议解决。曾获多家法律媒体与专业机构认可，荣登 LegalOne 2025 中国区建工及房地产实务先锋 45 强、律新社 2025 年度管理合伙人 20 佳（华东），入选《商法》The A-List 法律精英，获评 ALB China 区域市场十五佳长三角地区律师新星，并获律新社 2024 年度并购领域品牌之星。长期为万科、华润置地、信达地产、保利置业、招商蛇口、中海地产等企业提供法律服务，承办"首宗百亿地王""长春第一高楼""台州第一高楼"等代表性项目，累计服务项目投资额超千亿。近年来持续推动 AI 与法律实务融合，强调以结构化方法打通技术逻辑、法律判断与商业场景；著有《赋能法律人：AI 底层思维与应用范式》，并在多地开展相关主题讲座与分享。四明山法师 AI 夜校（legalAGI.cn）发起人。