AI省下的，可能正是你成为专家的时间

知产力·2026年09月15日 17:37

AI时代律师成长路径：三角共学，双向复利

2026年7月，美国专利律师Bryan McWhorter碰到了一件很适合交给AI、也很适合拿来理解AI的工作。

他是Knobbe Martens的合伙人。一次专利尽调中，他拿到一个由56件相关专利组成的专利族。每一件专利的审查档案都超过1300页。客户要他找出：围绕一个特定术语，这几十件专利漫长的审查历史里，有没有出现过可能限制权利范围的陈述。

这不是一道多么高深的法律题。

难的是量。

过去，这种工作很可能意味着一个年轻律师或者代理人坐在电脑前，一页一页翻。几个小时，甚至更久。

Bryan把它交给了AI。

第二天早上，系统从数万页材料里排出了五个最重要的限制性陈述。后来，这些信息对交易判断起了决定性作用。

我看到这个案例时，真正让我停下来的，并不是“AI一晚上读完了多少页”。

而是另一个问题：

如果这些原本需要年轻律师一页页翻过去的工作都不再需要人做了，那么年轻律师以后靠什么学会判断哪一页真正重要？

Bryan自己其实也意识到了这个问题。

他把美国法律行业形容成一种仍然带有“行会”色彩的职业：新人跟着资深律师，在一次次真实案件里学。

他现在使用AI起草专利时，自己先搭结构和附图，让AI补充详细文本，然后再亲自修改、定稿。对于年轻律师，流程也发生了变化：过去可能从空白页开始起草，现在更像先监督AI完成第一稿，再把结果交给资深律师做高层次审查。

工作没有消失。

但新人第一次接触工作的地方，往上移了一层。

这听起来当然是好事。

没人会怀念把一个晚上花在机械查找上。如果AI能把最耗时间、最重复的部分拿走，代理人就可以把时间留给真正需要判断的事情。

问题在于，我们以前常常把“低价值工作”和“没有学习价值的工作”混为一谈。

它们不是一回事。

检索很枯燥，但你会在一次次漏检里知道关键词应该怎么换。

第一稿很低效，但你会在一次次被改得面目全非以后，知道为什么一个限定词要留，另一个要删。

审查意见很重复，但你做过几十件以后，才慢慢知道什么时候值得争，什么时候应该改。

专业判断并不是突然长出来的。

它常常就藏在这些并不高级的工作里面。

所以，AI对律师和专利代理人的第一个真正问题，也许不是“它会不会抢走我的工作”。

更现实的问题是：

它会不会先改变我成为一个好律师、好代理人的路径？

2026年8月，Stanford Digital Economy Lab更新了一组美国就业数据，也出现了一个值得注意的信号。

研究者没有发现全经济范围的大规模AI失业。真正出现明显差异的，是年轻人：在AI暴露较高的职业里，22—25岁劳动者的就业，相对于低AI暴露职业中的同龄人，已经出现明显缺口；经验更丰富的人没有出现同样幅度的变化。变化又主要发生在招聘端，而不是大规模解雇。

研究者非常谨慎。他们明确说，这些仍是描述性证据，不能直接证明AI造成了这些变化。

但这个现象和Bryan的故事放在一起，就值得想一想。

AI不一定先把一个工作了二十年的合伙人赶出办公室。

它完全可能先让一家公司发现：一个资深人员加AI，可以完成过去需要几个年轻人配合完成的工作。

于是，下一年少招一个新人。

没有裁员大会。

没有谁抱着纸箱离开办公室。

只是一扇门，悄悄窄了一点。

真正的问题五年以后才出现：那个本来应该从门里进来、慢慢长成资深律师的人，去了哪里？

如果你是专利代理人或者律师，故事讲到这里，其实已经和你有关系了。

你真正需要观察的，不是AI会不会写权利要求、会不会做检索。它已经能做，而且会越来越好。

你更应该观察自己每天的工作：

AI替你做掉第一稿以后，你是不是更快进入了判断，还是只是越来越习惯点“接受”？

AI替你找完对比文件以后，你是不是更理解为什么这三篇最重要，还是从此失去了自己寻找它们的能力？

AI帮你分析审查意见以后，你能不能在关掉AI的情况下，说清楚为什么这一条该争、那一条该改？

这决定了AI到底是在放大你的专业能力，还是在悄悄掏空它。

但如果你是律所或者专利代理所的老板，问题几乎反过来。

你想的不会只是一个年轻人怎么成长。

你还要想另一件事：

这个人走了以后，他这些年替机构积累的本事，到底还能留下多少？

美国知识产权律所Schwegman Lundberg & Woessner（SLW）今年做了一件很有意思的事。

他们并不是没有用过外部AI工具。相反，在把第三方AI撰写和分析工具放进实际生产一段时间以后，他们得出一个结论：真正能够形成差异的，不是再买一个所有竞争对手都能买到的工具，而是把“这家所自己怎么做专利”写进系统里。

2026年5月，他们成立SLW Labs，开始建设内部AI平台。公开材料说得很直接：系统要编码的，是这家所自己的专利审查经验、质量标准、案件结构和工作方式。

已经投入使用的ARTY，不只是生成专利文本。前项基础、权利要求编号和从属关系、交叉引用、说明书支持等质量检查，会在撰写过程中持续进行；AI提出的修改要能够被看见、追踪，并由律师批准。

这显然是在做一件组织很喜欢的事：

把原来散落在个人身上的经验，变成机构可以反复调用的能力。

可SLW又同时做了另一件看起来相反的事。

他们在开发SimProf，一套专门训练下一代专利律师和代理人的模拟系统。

它的目标不是让新人更快“出稿”，而是训练判断：模拟审查员、练习权利要求、回应审查意见、比较策略，让新人获得那些AI越来越容易绕过去的实践经验。

SLW自己的文章把这个问题说得很直白：过去，新人是“先做得很差，然后慢慢做得没那么差”。一份权利要求写出来，被合伙人改；再写，再改。几百个循环以后，形成了一种很难说清、但真的能用的判断。

现在第一稿越来越多被AI接管。

过去的课堂正在消失。

于是他们一边让AI把经验留下来，一边又专门造了一个新的“课堂”，把失去的学习机会补回来。

我觉得，这个案例比很多关于“AI与未来律师”的宏观讨论更重要。

因为它碰到了一个真正的矛盾。

而这个矛盾，也许还不只是“个人和组织”之间的。

过去的专业训练，本质上是一条两点之间的线。

一个老师傅，一个年轻人。

老师傅把经验、方法和判断传给年轻人；年轻人不断犯错、提问、挑战，有时候一个看起来很笨的问题，反而会逼着老师傅重新解释自己为什么这样做。

这就是我们熟悉的“教学相长”。

教的人在教的过程中重新整理自己的知识，学的人在做的过程中慢慢长出判断。知识不是从一个脑子简单搬到另一个脑子，而是在来回碰撞中继续生长。

AI进来以后，这条线突然多了一个点。

老师傅—年轻人，变成了老师傅—年轻人—AI。

关系从一条线，变成了一个三角形。

老师傅每一次修改AI的初稿，都在把自己的判断暴露给系统。

年轻人不再只向老师傅学，他也越来越多地向AI要第一稿、要检索、要解释、要方案。

年轻人的提问和反馈又会继续改善AI的使用方式；老师傅也可能从AI快速展开的材料里看到过去没有时间看到的东西。

如果设计得好，这个三角形会比过去的师徒关系更强。

老师傅可以把几十年的经验同时放大给更多年轻人；年轻人可以更早接触复杂问题；AI承担大量重复劳动，又把组织过去分散的经验随时带回现场。

但如果没有机制，它也可能变成一条捷径，直接绕开学习。

年轻人遇到问题先问AI，方案让AI想，理由让AI补，最后连检查都再交给AI。工作完成得越来越快，自己真正经历的思考却越来越少。

这就是对年轻人的冲击。

可另一条边同样危险。

老师傅过去为什么值钱？

很大一部分原因，是他知道别人不知道的东西。

几十年做案子形成的检索习惯、修改经验、客户判断、审查策略，都存在他的脑子里。别人想获得这些能力，最可靠的方法就是跟着他很多年。

现在，他每一次修改、每一次复盘、每一次判断，都可能成为系统能够记录和复制的东西。

如果一个资深专家的价值主要来自“我见过得多、我知道过去通常怎么做”，那么AI越会吸收这些存量经验，他原来的稀缺性就越可能下降。

所以AI冲击的从来不只是年轻人。

它也在逼已经成为专家的人回答一个更难的问题：

当机器越来越知道我已经知道的东西以后，我还靠什么继续成为一个专家？

答案当然不是“老师傅就没有价值了”。

更准确地说，他的价值会迁移。

过去的优势可能是拥有大量别人不知道的答案；未来更重要的，可能是提出别人还没有提出的问题，识别系统看不见的异常，在多个都说得通的方案里作出取舍，对最终结果承担责任，赢得客户信任，并且继续创造那些还没有被系统学会的新经验。

AI更擅长吸收昨天的答案。

真正的专家必须越来越擅长处理明天还没有答案的问题。

于是，AI时代的“教学相长”也要重新定义。

不再只是老师教学生、学生反过来促进老师。

而应该是一种三角共学：老师傅不断创造新的判断，年轻人不断形成自己的判断，AI不断保存、展开和检验已有判断。

三个点都在学习，但任何一个点都不能把自己的思考完全外包给另外一个点。

这个三角关系外面，还有组织。

站在年轻人的角度，他需要的是成长机会。

站在老师傅的角度，他需要的是不断形成新的稀缺能力，而不是只靠过去积累的经验吃老本。

站在个人共同的角度，一个好律师、好代理人当然都希望自己的能力越来越有价值。

最好有一些东西不是按一下按钮就能复制。

因为那是专业价值，也是未来谈工资、谈职位、面对客户时的底气。

可站在机构老板的角度，事情几乎反过来。

一家真正成熟的机构，不应该因为一个资深代理人离开，十年的经验也跟着清零。

老板当然希望优秀的方法、判断和经验能够留下来，变成流程、案例、数据、Agent和整个机构都可以调用的能力。

一个人越来越不可替代，和一个组织越来越不依赖某一个人，看上去天然存在冲突。

如果处理不好，AI甚至可能把这个冲突放大。

最糟糕的情形是：

年轻人把思考外包给AI，老师傅把经验沉淀给AI，最后系统越来越强，而师徒两边原本最重要的稀缺性都在变弱。

五年以后，公司拥有了越来越成熟的Agent。

年轻人可能发现，自己只是越来越熟练地调用Agent，却没有真正形成独立判断。

老师傅也可能发现，过去只有自己掌握的一套经验，已经变成所有人都能调用的标准能力。

如果组织只看到了这一刻的效率，它当然会觉得成功。

但从更长时间看，这种结构可能同时掏空两端：没有新的专家长出来，旧专家又停止创造新的稀缺知识。

这不是我们真正想要的效率。

那么，这个矛盾怎么解？

我现在越来越倾向于一个很简单的标准：

一次专业劳动结束以后，应该同时留下两样东西：这个人比以前更有能力，这个组织也比以前更聪明。

前者是人力资本。

后者是组织资本。

两边一起增长，才是真正值得追求的AI效率。

如果再把刚才那个三角形放进来，它其实有两个同时成立的条件：

在人里面，要形成“老师傅—年轻人—AI”的三角共学；在人与机构之间，要形成“人力资本—组织资本”的双向复利。

我暂且把后者叫作“人—组织双资本复利”。

三角共学解决“人怎么继续成长”，双资本复利解决“成长出来的知识怎么既属于人，也能沉淀进组织”。

要做到这一点，第一件事可能恰恰和“提高人效”相反：

AI省下来的时间，不能全部拿去增加产量。

假如一个年轻代理人过去要花八小时完成检索和第一稿，现在AI一两个小时就做完了，最简单的管理办法当然是让他一天多做几个案子。

短期财务上很好看。

但如果所有节省下来的时间都变成新的产量，新人的学习链条并没有被重建。

更好的做法，是把其中一部分效率红利重新投资到更高层次的训练：

让年轻人更早进入发明挖掘、客户沟通、权利要求策略、审查判断、无效分析、口审和资深合伙人的决策复盘。

AI拿走重复劳动以后，组织必须主动把更高一级的判断机会还给人。

今年美国律师协会关于“AI时代学徒制”的讨论，提出的也是类似方向：不要为了训练而保留低效的苦工，而要让年轻律师更早学习审计AI、验证结论、提出建议、参与策略并承担越来越复杂的判断。

而对老师傅来说，也要有同样明确的“升级机制”。

如果组织只要求资深专家把过去经验不断喂给系统，却不给他时间进入更难的新问题，他最终也会被困在自己的旧经验里。

所以省下来的时间不仅要投资给年轻人的训练，也要投资给资深专家的继续学习：新的技术领域、更复杂的客户问题、跨学科判断、重大争议、规则创新，以及对AI本身的监督和治理。

年轻人不能只学会调用答案。

老师傅也不能只贡献过去的答案。

前者要成长为新的判断者，后者要持续成为新判断的生产者。

第二件事，是组织不能只要求员工“贡献知识”，却不让这种贡献进入个人收益。

一个资深代理人修改了一千份权利要求，他留下来的不只是一千份客户文件。

如果这些修改最终变成了机构的规则、模板、训练样本和Agent能力，那么他实际上也在帮助公司形成新的资本。

这种贡献如果永远不进入评价、晋升、分成和专业声誉，长期一定会出现问题。

人会发现：把经验留在自己脑子里，反而比教会系统更有利。

所以，AI时代专业机构的绩效评价，也许不能只看“做了多少案子、创了多少收入”。

还应该逐渐学会问：这个人给机构留下了多少经过验证、别人真正能够复用的能力？

组织资本的形成，也应该让知识的贡献者分享收益。

第三件事，是别把所有知识都当成同一种东西。

事实库、案例库、格式规则、质量检查、常见检索策略，非常适合组织化。

但异常识别、客户判断、策略权衡、谈判、责任承担、专业品味，这些能力越到AI时代，越应该成为人的核心。

真正好的AI系统，不是把人训练成最熟练的按钮操作者。

恰恰相反，它应该不断把人推向那些不能轻易标准化、不能简单交给机器负责的地方。

这样再回头看SLW，就会发现它同时做ARTY和SimProf，并不矛盾。

ARTY解决的是：

怎么让机构做完一千件案子以后，不是又从第一件案子重新开始？

SimProf解决的是：

怎么让年轻人不用继续做十年前那些低效率的苦工，却依然能够长出只有实践才能形成的判断？

一个留知识。

一个长人。

真正的答案不是二选一，而是让两套系统同时存在。

这也使Anthropic最近那套经济情景工具有了一个更具体的含义。

它把职业拆成任务，分别讨论AI能力、企业采用、自主程度、生产率和职业转换难度。它明确说，这是一套情景工具，不是预测。

真正值得借鉴的，不是某个2030年的数字，而是这个看问题的方法。

“专利代理人”不是一个不可分割的职业。

里面有检索、阅读、起草、比较、沟通、判断、谈判、审核和责任。

AI会把这些任务重新排列。

一些任务会越来越便宜。

另一些能力会越来越稀缺。

而每一次重新排列，都会同时改变两件事：

一个人靠什么变得值钱；

一家机构靠什么变成资产。

所以，到最后，我觉得真正值得问的已经不是“AI会不会替代律师”。

如果你是一个代理人或者律师，明天打开AI，让它替你完成第一稿以前，可以多问一句：

它替我做完以后，我是学得更快了，还是只是做得更快了？

如果你已经是一个资深合伙人、资深代理人，也应该再问一句：

当AI越来越知道我过去知道的东西以后，我今天有没有继续创造它还不知道的新判断？

如果你是一家律所或者代理所的老板，下一次看AI采购、人效或者利润表时，也可以多问一句：

这个案子做完以后，除了少了几个工时，我的机构究竟多留下了什么？

然后，所有人还应该再共同问一个问题：

有没有一种工作方式，让年轻人、老师傅、AI和组织都因为同一次工作变得更强？

我觉得，这可能才是专业服务机构使用AI真正的分水岭。

最容易的做法，是把AI当成一台压缩工时的机器。

更难的做法，是把它变成一套新的学习制度。

让一次专业劳动结束以后，客户得到了结果，年轻人长出了新的判断，老师傅产生了新的经验，AI获得了经过验证的反馈，组织也留下了一点可以复用的能力。

这些事情应该同时发生。

否则，我们可能会得到一个看起来效率极高的未来：

每个人都做得更快，

公司也积累了越来越多数据，

却越来越少有人真正知道，为什么应该这样做。

那不是AI替代了专家。

而是我们自己把成为专家的路省掉了。

读者回声

这篇文章在成稿以后，又因为一位重要读者的反馈改了一次。

他提醒我：过去的专业成长，常常是“老师傅—年轻人”之间的教学相长；AI进入以后，这条线变成了一个三角形——老师傅、年轻人和AI开始同时参与知识的生产、传递和沉淀。

他还提出了一个更尖锐的问题：AI对年轻人的风险，是把思考和训练过程外包出去，最后失去成为专家的机会；但对已经成为专家的老师傅，风险同样存在——如果过去积累的经验被AI和组织系统不断吸收、复制，他原来的稀缺性也会下降。

这个反馈改变了本文后半部分的结构，也促使我把“AI时代的三角共学”写进文章：年轻人不能只学会调用答案，资深专家也不能只贡献过去的答案；前者要继续成长为新的判断者，后者要继续成为新判断的生产者。

这里不写他的名字，但我想把这段变化留下来。因为《详见》以后也希望这样写下去：如果一位读者的意见真正推动了文章往前走，就让这份推动在文章里被看见。

继续讨论

《详见》不是一篇文章写完就结束。很多真正重要的问题，往往是在读者的追问、反例和真实经历里，才会继续往前走。

如果你对本文有不同判断，遇到过类似的真实案例，或者有值得继续研究的问题，欢迎在公众号留言，也可以直接给我写邮件。你的反馈可能会成为这篇文章后续修订、下一篇文章，甚至一个长期研究选题的起点；如果它实质改变了文章，我也会尽量在后续版本中把这份贡献明确留下来。

邮箱：puxiang@iphouse.cn

如果涉及尚未公开的案件、客户或机构信息，请在邮件中注明是否可以引用。未经允许，我不会公开你的身份或相关内容。

说明

本文区分真实案例、研究事实与分析判断。Bryan McWhorter案例来自DeepIP对其本人实践的公开访谈；SLW Labs、ARTY和SimProf信息来自SLW公开材料，代表的是一家专业机构的实践样本，不等于整个行业的普遍状态。

Stanford关于22—25岁年轻劳动者的结果属于描述性证据，研究者明确未将其认定为AI的因果效果；Anthropic Economic Scenarios属于情景分析工具，并非就业或收入预测。

“AI时代三角共学”与“人—组织双资本复利”是本文基于上述现实案例、任务经济学、人力资本与组织学习研究提出的分析框架：传统师徒关系在AI介入后，从“资深专家—年轻人”的双边关系变成“资深专家—年轻人—AI”的三角关系；AI效率的长期价值，不应只以工时压缩衡量，还应观察年轻人的判断力、资深专家持续创造新知识的能力，以及组织可复用能力是否同时增长。