今年 7 月我们写过一篇论文导读：AI 在常规任务上是均衡器，新手与专家的差距被压平；在复杂任务上是放大器，放大的是使用者原有的判断力，也包括判断力的缺失。那篇文章最后说，这个框架直接影响我们做企业 AI 的方式。这篇讲它落在合同审查上是什么样子。
合同审查里，其实有两种活
一份采购合同交到法务手里，要做的事可以粗分成两类。
第一类是核对：付款条款写了没有，违约责任约定了没有，争议解决选的是哪里的法院，保密期限有没有写。这些问题有明确的对错，按一张清单逐条看，新人和资深法务看出来的结果应该一样，区别只在快慢和会不会漏。
第二类是判断：违约金比例对我方是否过高，责任上限放在这个数合不合理，对方改的那半句话会不会让我们在验收上被动。这些问题没有标准答案，要结合交易背景、对方的议价地位、公司能承受的风险来权衡。资深法务和新人在这里的差距是真实的，也是应当存在的。
按论文的框架，第一类是常规任务，第二类是复杂任务。两类活用同一套 AI 流程去覆盖，往往两头都做不好。
核对：让 AI 当均衡器
核对类的工作，AI 的目标是让每个人做得一样好、一样快。
在 Zico AI 里，这一部分叫合同速审：按一张固定的核对清单逐条判断一份合同缺了哪些关键约定，几秒给出结果，拿不准的标为「待核对」，不硬下结论。清单是固定的，结果就可以比较：同一份合同，谁来跑都得到同一张表。
这里值得强调的是「拿不准就标出来」。均衡器的价值在于可靠地拉平，而不是看起来什么都会。一张诚实标出空白的清单，比一份写得很流畅但偶尔出错的意见，更适合交给经验还不够的人用。
判断：让 AI 当专家的杠杆
判断类的工作，论文给出的机制是：模型的输出必然掺杂错误，专家能校验、能追问、能识别哪一句不对；新手只能照单全收。所以这部分的设计目标不是让 AI 替人下结论，而是让专家校验得更快。
落到产品上，有三条做法：
- 每条意见回到原文。 风险标注定位到合同里的具体位置，专家一眼就能对着原文判断这条意见站不站得住，而不是去读一段脱离原文的总结。
- 人确认之后才进流程。 AI 的审查意见是候选，法务确认、修改或驳回之后，才进入审批。
- 改动和结论分开看。 对方退回修订稿时，版本对比把实质性改动和措辞改动分开列，并标出哪些改动改变了核对结论，专家的注意力留给真正需要权衡的那几处。
这三条的共同点，是把 AI 放在专家判断之前、而不是之后。它负责把材料摆好、把疑点指出来，判断权留在人手里。
对企业意味着什么
把这个区分讲给客户听时，我们常被问到一个问题：那新人法务还能不能用 AI 审合同？
我们的回答是：可以，而且应该先用在核对上。核对类工作交给 AI 后，新人的产出会更快接近资深同事；判断类的意见，则需要有经验的人复核之后才能对外。反过来，如果一个团队把复杂判断也直接交给 AI 的输出、跳过复核，论文描述的那种「错误被原样带进最终成果」，在合同里会以条款的形式留下来，而合同签了是改不回来的。
同一套工具铺给整个法务团队，有的人用出效果，有的人反而更糟，差别常常不在培训，而在他手上的活落在分界线的哪一侧。
这个框架的边界
论文本身是立场论文，依据是田野观察，不是对照实验；「任务复杂度」也没有被量化。落到合同上同样如此：哪条约定算核对、哪条算判断，不同企业、不同合同类型的划法不一样。所以在 Zico AI 里，审查清单由企业自己配置；我们的建议是，清单之外的问题，默认归到需要人判断的一侧。