法律行业是 AI 落地的重要场景之一,全球范围内,已经出现了多家法律赛道的 AI 独角兽。OpenAI 和 Google 都投资的 Harvey,以及最近刚完成 F 轮融资的 Clio 都是其中的典型。
今天介绍的这家,EvenUp,用 AI 帮律师起草个人伤害索赔文件,刚刚完成了 1.35 亿美元融资,估值超 10 亿美元。股东包括 Bain Capital Ventures、Lightspeed Venture Partners、SignalFire、Bessemer Venture Partners 和 B Capital Group 等等。
超过 1000 家律所使用 EvenUp,协助律所追回超过 15 亿美元赔偿金,EvenUp 目前的商业表现,也证明了目前生成式 AI 在垂直场景的落地,已经不存在大的技术或者商业难题了。
本文作者吴世杰,法律 AI 创业者,有意交流可以通过他本人的公众号「法律修音机」联系。
01
EvenUp 团队介绍
创始成员介绍:从左至右依次为 Raymond Mieszaniec(COO)、Rami Karabibar(CEO)及 Saam Mashhad(产品与法律运营负责人)。
Rami Karabibar,此前曾在自动驾驶公司 Waymo 和食品配送公司 Zoomer 上班,Saam Mashhad 有着多年的索赔辩护经验。
Raymond Mieszaniec,他的父亲在一次车祸中永久致残,经过多年的法庭诉讼,最终获得了不到 20 万美元的赔偿,不到该类事故平均赔偿额的 10%——部分原因是他们的律师不清楚应得的合理赔偿是多少。后来他才知道,如果他们的索赔律师更专业一些,他们本来有可能从保险公司那里拿到两倍以上的赔偿金。
也正是因为这个经历,才促使了 Rami Karabibar 的这次创业,基于对用户医疗记录的分析,以及对超过 25 万个判断和和解案例的分析,帮助律师生成更专业、更合理的索赔信。
美国每年有大约 2000 万件伤害案件,大概 99% 的案件都是通过和解解决的,很多时候负责案件的律师都是凭借直觉来确定赔偿数字。在团队看来,这个领域的透明度增加只是个时间问题,这也是团队自称为 EvenUp 的主要原因之一(EvenUp 可简单理解为提高公平、提高平等)。
「2000 万起索赔,从机动车事故到儿童虐待案件、警察暴力执法案件等,」EvenUp 的 CEO Karabibar 表示,「与其他许多生成式 AI 公司不同,我们只想专注于这一件事——确保这 2000 万起索赔得到应有的公正处理。」
EvenUp 声称,其 AI 生成的索赔信能够为每个案件节省多达 15 小时,并使和解金额比原告可能获得的金额高出 30%。
02
商业成绩:
超过 1000 家律所客户,
质量、效率有 10 倍的提升
Rami Karabibar 表示,律师们对将 AI 融入工作流程的开放态度近期急剧上升。
去年,法律运营平台 Litify 宣布与 EvenUp 建立合作关系,让使用其平台的数千名律师能够接触到 EvenUp 的需求包产品。Litify 首席执行官 Curtis Brewer 指出,EvenUp 产品区别于竞争对手的关键在于其 AI 工具能够生成的索赔信质量。
「我们发现,大多数个人伤害律师事务所,正寻求减少法律人员在无谓重复任务上所花费的时间,」他说,「他们希望法律人员能够专注于更高价值的工作和更复杂的工作。」
目前有超过 1000 家律所使用 EvenUp,追回超过 15 亿美元赔偿金。从遗漏的文件中,EvenUp 识别出 2 亿美元赔偿,促使和解金额提升高达 30%。根据内部数据分析,EvenUp 生成的索赔信比非 EvenUp 的索赔信达成保额上限和解的可能性高出 69%。
投资方 BCV 对于 EvenUp 的业务优势是如此介绍的:
EvenUp 在法律科技这一广阔市场中开创了一个全新的软件类别,如今,他们已成为个人伤害 AI 和文件生成领域的领军企业。该团队深谙个人伤害律师并不追求软件本身,而是寻求一种更简便的方式为当事人带来更公正的结果,而这正是 EvenUp 所提供的。通过巧妙结合对法律工作流程的深刻理解与生成式 AI 技术,EvenUp 全面自动化了个人伤害律师的核心产出之一——即索赔信的创建。
过去,法务助理和律师需要耗费数小时精心整理、提取和总结来自文件、医疗记录、警方报告及账单的信息。现在,借助 EvenUp,律师在质量、速度和成本方面能实现 10 倍以上的优化效果。这一产品清晰地展示了生成式 AI 与深厚领域专业知识的早期结合典范。
03
核心功能:
利用 AI 将个人伤害索赔案件的工作流程自动化
EvenUp 成立于 2019 年,使命是利用技术和 AI 技术缩小司法差距,通过帮助从事人身伤害业务的律师提供更高标准的服务,最终帮助 2000 万受到人身伤害的人获得更公正的结果。
具体来说,Evenup 聚焦个人伤害索赔(Personal Injury Claims)领域,利用 AI 技术将人身伤害案件的工作流程自动化,能够审查各种医疗文件和案件档案,并生成医疗摘要和损害预测等文件,辅助律师准备案件和进行谈判。
Piai™:人身伤害 AI 助手
EvenUp 提供一个名为「Piai™」的人身伤害 AI 助手,该工具利用 AI 技术,基于数十万起人身伤害案件,数百万份医疗和就诊记录,以及数百名法律和医学专家提供的专有数据进行训练,可以提供准确的人身伤害结果。
实体提取:将杂乱无章的案件档案转化为清晰、可用的洞察。Piai™ 可以从复杂的原始记录中提取和构建数据,包括难以辨认的手写内容和图像,能够捕捉细致入微的语言并最大限度地提高准确性。
关系映射:「大海捞针」并获得最佳效果。Piai™ 可以智能地对信息进行分类,消除损害赔偿方面的重复内容,协调供应商之间的差异,并在数千页的文件中揭示可能影响案件结果的关键见解。
输出生成:符合律所特定需求的语言。Piai™ 遵守律所特定的语言和格式要求,同时行级引用以便核实。
同时,EvenUp 的护士、律师助理、理算员、案件经理和律师团队,利用并训练 Piai™ 以获得高质量的输出,同时注重质量控制,以确保法律和医学专业知识的准确性。
索赔信生成(Demans)
通过将 AI 技术和专业数据结合,EvenUp 可以提供丰富的医疗摘要,包括标记丢失的账单或记录、每种损伤的国际疾病代码、医疗服务提供者的概要、治疗日期、就诊次数、每次就诊的关键要点等。
同时,EvenUp 使用超过 25 万个判决与和解数据点,以及强大的经济分析模型,可以对每个损失要素提供可靠的估算,包括痛苦和折磨、收入损失、家庭服务损失、未来的护理费用、里程数等,对所有损害赔偿项目进行索赔。
EvenUp 的需求信生成功能,优化了律所传统手写需求信的耗时过程。通过提供案例信息的实时分析和总结,可以使律师能够在案件的早期就主动解决问题,最终提高整体案件的交付效率。
医疗年表生成(MedChrons)
基于 EvenUp 的 AI 能力,用户无需筛选数百条记录即可了解关键案例细节,从而制定一个强有力的案例策略。
具体来说,EvenUp 提供的医疗年表包括:治疗时间表和日历视图、诊断要点、既往就医记录清单、整理好的证据列表、全面的医疗总结、证据超链接、一个在线的交互式医疗年表,以及 PDF 和。DOCX 版本。
通过 EvenUp 的在线交互式医疗年表,用户可以查看医疗时间轴并与之交互;筛选、排序并跳转到特定部分;通过证据超链接快速找到你需要的信息;按时间顺序或按医疗服务提供者组织医疗总结部分,并轻松地来回切换。
在宣布 D 轮融资之际,EvenUp 还推出几个新能力,基于该公司积累的大量专有数据和 AI 技术,可以在案件生命周期的关键阶段提供洞察,以及工作流程的自动化指引,辅助律师开展案件准备和谈判准备。
总的来说,通过 EvenUp,整个索赔流程变得非常简单,你只需要上传当事人的信息,EvenUp 会自动从医疗记录中调出与其相关的伤害、程序和治疗日期等信息,然后为你写一份完整的报告。
EvenUp 生成的报告,会详细地记录损失明细、伤害明细和处理的详细信息,并对每个损失进行可靠的评估,相当于这些之前需要通过人工进行的繁琐工作,现在可以通过 AI 辅助完成。
04
法律应用,
但核心是理解医疗记录
与其他法律类产品不同的是,EvenUp 的核心点是读取并且理解用户的过往医疗记录,在生成一份合格的索赔信之前,需要先能读懂医疗记录。对于医疗记录的理解、孵化、总结和分析,并将其与特定的法律概念相联系,这与传统律所的工作区别很大。也正是这个区别,让 EvenUp 有了新的竞争力。
问题是,保险公司也会用 AI
AI 帮忙写索赔信的其中一个风险是,如果保险公司或者被告对于原告的能力有所怀疑,或者知道索赔信是由 AI 辅助生成的话,可能不会轻易就金额达成一致。
「保险公司无疑也会——如果他们尚未这样做的话——投资类似的技术,」哈佛大学法学院教授 David Wilkins 表示,「因此,我们现在进入了一场军备竞赛,保险公司更有可能拥有定制化且不断更新的技术,因为他们了解自身的风险概况和各种索赔案件。」
05
法律 AI 赛道,
今年已完成近 20 亿美元融资
从产品定位上看,EvenUp 是一家专注于「个人伤害索赔」这个细分领域的一个垂直领域模型和产品。与基础大模型相比,这种垂直的模型产品通常具有较高的专业壁垒,解决的是那些具有较高专业度的工作流程。
然而,即便是「个人伤害索赔」这个非常垂直的领域,每年受害者的索赔金额高达 1000 亿美金,也是一个非常大的市场了。除了 EvenUp,市面上还有其他法律科技公司也聚焦个人伤害赔偿领域。
例如,今年 8 月,人身伤害和大规模侵权公司 Supio 宣布完成 2500 万美元 A 轮融资。与 Evenup 类似,Supio 提供一款 AI 工具,可帮助律所客户分析案件记录、总结证词、深入研究证人证词或专家报告等,为庭审做准备。
事实上,法律一直是很多创业者认为是 AI 非常适合切入的垂直行业。
第一,这个领域的数据主要是文本,现有的大模型非常擅长处理这类数据;第二,法律行业的数据专业度很高,而且非常私有,因此可以建立较深的护城河;第三,法律行业的客户,如律所,非常有钱,客户价值很高。
特别是美国和欧洲等发达国家,法律行业已经成熟,法律服务成本高,消费者对价格更低的替代性法律服务和科技产品的需求很高,律师行业对法律科技产品的付费习惯也已经养成。
因此,海外很多法律 AI 产品,一推出就获得了快速增长,而且获得资本的青睐。
事实上,法律科技的发展非常迅猛。
根据知名咨询公司 Gartner 预测,到 2027 年,全球法律科技市场将达到 500 亿美元。虽然疫情几年法律科技资本市场有所缩水,但随着生成式 AI 兴起,市场快速回暖。尤其是今年,截至目前,全球法律科技市场就已经完成近 20 亿美元融资,而去年法律科技初创公司的融资总额还不到 10 亿美元。
与往年不同,近一两年获得新一轮融资的法律科技公司,不再集中于 CLM、法律研究、律所管理等传统热门赛道,更多的是基于 AI Agent 的流程自动化,用 AI 重塑法律工作的各个流程,从而实现降本增效。
06
「数据」仍然是 AI 落地的最大阻碍
虽然法律 AI 的发展如火如荼,但 AI 在法律行业落地,最大的挑战仍然在于「数据」。
例如,要想用 AI 重塑法律工作流程,首先得知道各个流程的 SOP、具体是怎样操作的,但很多律所并不具备这个基础。因此,很多法律 AI Agent 产品早期都需要与客户共创,由客户提供数据进行训练,这将在很大程度上决定 AI 的输出效果。同时,法律工作通常对准确度的要求很高,一旦出现错误可能会带来非常大的损失。
然而,随着法律 AI 公司服务的客户越来越多,获得的数据也越来越多,AI 的能力也会变得更强。这时,即便客户不提供或者没有能力提供数据,也可以向客户输出完整的解决方案,因此就能获得更多的客户。
也就是说,如何获得更多「数据」,就成了法律 AI 产品胜出的关键。
对此,收并购是获得数据的一个主要渠道,而且风投也在积极推动法律科技市场整合。
例如,EvenUp 在完成 B 轮融资时,还宣布与法律实践管理平台 Litify 深度整合,进一步为人身伤害律师节省时间和成本。这次整合可能是这两家公司的共同投资人 Bessemer Venture Partners 推动的——当年 2 月,Bessemer Venture Partners 收购了 Litify 的多数股权,Bessemer 的合伙人 Brian Feinstein 还成为 Litify 的董事会主席。
2023 年 6 月,Thomas Reuters 以 6.5 亿美金的现金收购了法律研究初创公司 Casetext,并打算 2025 年前拿出 100 亿美金用于 AI 领域的投资、收购与合作,将生成式 AI 嵌入其核心领域,包括法律、税务、会计和新闻等。
无独有偶,今年 6 月,The Information 报道称,另一家法律 AI 初创公司 Harvey 希望筹集 6 亿美元,将用于收购头部法律研究公司 vLex。同时,Harvey 的股东之一 Elad Gil 也在一档播客中暗示了这轮收购。
虽然这笔收购最终告吹,但也反映出 Harvey 对法律研究数据的需求。这是因为,Harvey 目前正在完善其 AI 法律研究能力,这就必须找到足够多的数据用于训练 AI 模型。
目前,海外的法律数据(如判例法)被几家大公司垄断,比如 Thomas Reuters、LexisNexis、vLex、彭博社等。
其中,作为一家头部法律研究公司,vLex 拥有非常庞大的法律数据集。2023 年 4 月,vLex 还与另一家法律研究公司 Fastcase 合并,并计划将双方的法律研究数据(据称共超过 10 亿份文件)进行整合。随后,vLex 推出一个生成式 AI 工具 Vincent AI Legal Research Assistant,支持更高效的法律研究。
可以看出,在资本市场整体放缓的情况下,法律 AI 领域仍然保持着较高的投资热度,其中的胜负点也已逐渐清晰——技术已经不存在壁垒,谁能拿到更多高质量的数据,谁就能主宰 AI 在垂直领域的落地。
今年 2 月,法律科技公司 273 Ventures 推出一个名为「KL3M」的「法律大模型」。这是一个类似于 OpenAI 的 GPT 系列一样的模型家族,KL3M 将提供四个参数的型号,目前已经发布参数最小的两个:kl3m-170m 和 kl3m-1.7b,更大参数的型号即将推出。
今年 7 月,法国高等教育计算中心、巴黎萨克雷大学联合发布了一个法律领域的垂直模型:SaulLM,包括 54B(540 亿)和 141B(1410 亿)两个参数,以及基础模型和指令微调两种版本。在此之前,更小参数的 SaulLM-7B(70 亿)于今年 3 月发布。SaulLM 使用 5400 亿 token 的专业法律数据进行预训练和微调,涵盖来自美国、欧洲、澳大利亚等不同法律体系的法律文本,输出内容的准确率高于很多同类模型。
无独有偶,法律大模型公司 273 Ventures 也推出一个名为「KL3M」(Kelvin Legal Large Language Model)的法律大模型,计划提供四个参数的型号,并发布最小的两个:kl3m-170m(1.7 亿)和 kl3m-1.7b(17 亿)。
为了获得这些数据,273 Ventures 自 2022 年底以来,就一直在努力收集、策划以及丰富/注释行业可使用的法律数据。去年 8 月,273 Ventures 正式推出一个名为 Kelvin Legal DataPack 的数据集,包括 150B tokens 的法律、金融和一般领域的文本,具有明确出处且可商用,还包括相关注释,以支持各种用例,可供组织用于训练模型。
随后,273 Ventures 继续收集和丰富该数据集。截至去年 12 月底,该数据集扩展到近 100TB 内容的超过 3000 亿 tokens 的法律和金融数据。现在,这个数据集的参数量已经超过两万亿,并通过构建持续评分和过滤内容的系统,进一步改进了这些数据的质量,从而有效地提高法律模型的性能。
同时,KL3M 也因此成为了第一个获得 Fairly Trained L 认证的大模型——Fairly Trained 是一个非营利组织,旨在向愿意证明他们的 AI 模型是基于自己拥有、已获许可或者属于公共领域的数据进行训练的公司提供认证。
注:Fairly Trained 由 TikTok 和 Stability AI 前高管 Ed Newton-Rex 创立,并得到了美国出版商协会和 UMG 等组织支持,并推出一个认证项目,帮助消费者和企业识别以尊重内容创作者权利的方式进行训练的 AI 模型。
总的来说,EvenUp 等法律 AI 公司陆续融资,反映出几个关键趋势。
即便整体经济环境存在不确定性,AI 仍然是风险投资重点关注的领域。
其中,垂直化 AI 应用已然成为投资热点,传统行业与 AI 的融合正在创造新的机会。随着 AI 技术的不断进步和法律需求的日益增长,「AI+法律」正迎来一个前所未有的发展机遇。
对于创业公司而言,选择一个具有高价值的细分领域,并且尽可能地获取更多数据,将会在竞争激烈的市场中占据一席之地。
免责声明
本文内容(图片、文章)翻译/转载自国内外资讯/自媒体平台。文中内容不代表本站立场,如有侵权或其它,请联系 admin@eiefun.com,我们会第一时间配合删除。