در چند سال گذشته، بحث هوش مصنوعی در حرفه حقوقی عمدتاً حول یک سؤال ساده می‌چرخید: آیا مدل‌های زبانی می‌توانند به وکلا در انجام کارهای روزمره کمک کنند؟ پاسخ به این سؤال، دست‌کم تا حد زیادی، دیگر روشن شده است. مدل‌های زبانی می‌توانند در جست‌وجو، خلاصه‌سازی، بررسی اسناد، تولید پیش‌نویس و تحلیل اولیه حجم زیادی از اطلاعات به کار گرفته شوند. مسئله‌ای که اکنون در حال تغییر است، اما یک گام جلوتر قرار دارد: آیا می‌توان هوش مصنوعی را از یک ابزار مورد استفاده وکیل، به بخشی از زیرساختی تبدیل کرد که خودِ فرایند انجام کار حقوقی بر روی آن شکل می‌گیرد؟
رشد Harvey را می‌توان در همین چارچوب تحلیل کرد. دیگر صرفاً یک ابزار برای پرسیدن سؤالات حقوقی از یک مدل زبانی نیست؛ این شرکت در حال ساخت پلتفرمی است که در آن مدل‌های هوش مصنوعی، اسناد، داده‌های حقوقی، دانش سازمانی، ابزارهای تخصصی و workflowهای حقوقی در کنار یکدیگر قرار می‌گیرند. به همین دلیل است که بررسی Harvey صرفاً بررسی یک محصول جدید در بازار Legal AI نیست؛ بلکه می‌تواند تصویری از مسیری باشد که بخشی از صنعت خدمات حقوقی در حال حرکت به سمت آن است.
این تغییر البته به معنای آن نیست که هوش مصنوعی قرار است جای وکیل را بگیرد. اتفاقاً اگر دقیق‌تر به روند توسعه Harvey نگاه کنیم، پرسش مهم‌تر این است که کدام بخش از کار حقوقی قابلیت واگذاری به ماشین را دارد و در نتیجه، کدام بخش از ارزش‌آفرینی وکیل بیش از گذشته به قضاوت، استراتژی و مسئولیت حرفه‌ای وابسته خواهد شد.
مسئله اصلی حقوق، کمبود اطلاعات نیست؛ هزینه پردازش اطلاعات است
بخش مهمی از کار حقوقی، برخلاف تصویری که گاهی از حرفه وکالت ارائه می‌شود، در اتاق مذاکره یا جلسه دادگاه اتفاق نمی‌افتد. قسمت قابل توجهی از زمان یک تیم حقوقی صرف خواندن، جست‌وجو، مقایسه، دسته‌بندی، استخراج و بازبینی اطلاعات می‌شود؛ کارهایی که اگرچه برای رسیدن به یک نتیجه حقوقی درست ضروری‌اند، اما الزاماً در همه مراحل نیازمند بالاترین سطح از قضاوت حقوقی نیستند.
فرض کنید یک تیم حقوقی درگیر یک معامله M&A است و باید چند صد قرارداد شرکت هدف را بررسی کند. سؤال اولیه ممکن است بسیار ساده به نظر برسد: کدام قراردادها دارای change-of-control clause هستند؟ اما در عمل، پاسخ به همین سؤال می‌تواند به ساعت‌ها یا روزها بررسی اسناد منجر شود. سپس باید مشخص شود کدام بندها مشابه‌اند، کدام قراردادها استثنا دارند، کدام یک از آن‌ها نیازمند رضایت طرف مقابل هستند و در نهایت کدام موارد باید در گزارش ریسک معامله برجسته شوند.
در مدل سنتی، افزایش حجم چنین کاری معمولاً به معنای افزایش ساعات کاری تیم یا افزایش تعداد افرادی است که به پروژه اضافه می‌شوند. اما اگر یک سیستم هوش مصنوعی بتواند مرحله نخست این فرایند را روی صدها یا هزاران سند انجام دهد، مسئله اقتصادی تغییر می‌کند. دیگر الزاماً لازم نیست ظرفیت پردازش اطلاعات را فقط با اضافه کردن نیروی انسانی افزایش داد.
این همان نقطه‌ای است که Harvey تلاش می‌کند روی آن ارزش ایجاد کند.
شرکت خود را یک AI تخصصی برای حوزه حقوق و خدمات حرفه‌ای معرفی می‌کند و اعلام کرده است که بیش از ۲۴۰۰ مشتری در بیش از ۷۰ کشور دارد و بیش از ۷۵ شرکت از فهرست AmLaw 100 از آن استفاده می‌کنند.
این اعداد، صرف‌نظر از اینکه درباره عملکرد محصول چه قضاوتی داشته باشیم، یک واقعیت مهم درباره بازار Legal AI را نشان می‌دهند: استفاده سازمانی از هوش مصنوعی در حقوق دیگر یک آزمایش محدود در میان چند تیم نوآوری نیست و به تدریج وارد ساختار عملیاتی مؤسسات حقوقی و واحدهای حقوقی شرکت‌های بزرگ شده است.
Harvey دقیقاً چه چیزی می‌فروشد؟
اگر Harvey را صرفاً «ChatGPT برای وکلا» بدانیم، بخش مهمی از داستان را از دست داده‌ایم.
مدل‌های عمومی هوش مصنوعی عمدتاً برای گفت‌وگو و تولید محتوا طراحی شده‌اند. شما سؤال می‌پرسید، مدل پاسخ می‌دهد و سپس سؤال بعدی را مطرح می‌کنید. در این مدل، انسان همچنان مدیر اصلی فرایند است و هوش مصنوعی بیشتر نقش یک ابزار پاسخ‌گو را دارد.
اما Harvey به سمت مدل دیگری حرکت کرده است: AI به عنوان بخشی از workflow حقوقی.
در این مدل، کار می‌تواند از یک سؤال منفرد فراتر برود. سیستم می‌تواند مجموعه‌ای از اسناد را بررسی کند، اطلاعات مورد نیاز را استخراج کند، آن‌ها را مقایسه کند، موارد دارای ریسک را شناسایی کند و یک work product اولیه برای بررسی وکیل آماده کند.
Harvey در توضیح رویکرد agentic خود، نمونه‌هایی مانند بررسی قرارداد، تهیه فهرست مسائل، تحلیل الزامات مقرراتی و آماده‌سازی بخشی از کارهای litigation را مطرح کرده است.
تفاوت این دو مدل از نظر حرفه‌ای بسیار مهم است. در مدل اول، وکیل از هوش مصنوعی سؤال می‌پرسد. در مدل دوم، وکیل بخشی از کار را به هوش مصنوعی واگذار می‌کند.
این تغییر واژه ساده‌ای نیست. «پرسیدن» و «واگذار کردن» دو سطح متفاوت از اعتماد و مسئولیت ایجاد می‌کنند.
حرکت مهم‌تر Harvey: از Chat به Agent
مفهوم AI Agent در این میان اهمیت زیادی پیدا می‌کند. یک chatbot معمولاً منتظر می‌ماند تا کاربر مرحله بعدی را مشخص کند؛ اما یک agent می‌تواند مجموعه‌ای از اقدامات مرتبط را در چارچوب یک هدف مشخص دنبال کند.
برای مثال، به جای اینکه وکیل بپرسد:
این قرارداد چه بندهای پرریسکی دارد؟
می‌توان فرایندی را تصور کرد که در آن سیستم مجموعه‌ای از قراردادها را بررسی کند، موارد مشخصی را بر اساس playbook تیم حقوقی شناسایی کند، آن‌ها را دسته‌بندی کند و خروجی را برای بررسی وکیل آماده کند.
در چنین مدلی، AI دیگر فقط «پاسخ‌دهنده» نیست؛ بلکه بخشی از فرایند تولید work product شده است.
این همان تغییری است که Harvey در سال ۲۰۲۶ به شکل جدی‌تری دنبال کرده است. این شرکت در ماه مارس اعلام کرد که ارزش‌گذاری آن به ۱۱ میلیارد دلار رسیده و تمرکز سرمایه‌گذاری جدیدش را بر توسعه agentها و اجرای workflowهای حقوقی قرار داده است.
چند ماه بعد، در سپتامبر ۲۰۲۶، Harvey اعلام کرد که ۵۵۰ میلیون دلار سرمایه جدید جذب کرده و ارزش‌گذاری شرکت به ۱۵.۵ میلیارد دلار رسیده است.
این فاصله زمانی کوتاه و رشد ارزش‌گذاری، به‌تنهایی نشان نمی‌دهد که Harvey از نظر فنی یا اقتصادی موفق خواهد بود؛ ارزش‌گذاری شرکت‌های فناوری به انتظارات سرمایه‌گذاران نیز وابسته است. اما نشان می‌دهد که سرمایه‌گذاران، دست‌کم در مقطع فعلی، بازار بزرگی را برای زیرساخت‌های تخصصی هوش مصنوعی در خدمات حرفه‌ای متصور هستند.
Harvey II؛ وقتی «زمینه» به اندازه خود مدل اهمیت پیدا می‌کند
یکی از جالب‌ترین تحولات اخیر Harvey معرفی Harvey II در اوت ۲۰۲۶ است.
مشکل بسیاری از ابزارهای هوش مصنوعی این است که هر interaction عملاً از نقطه صفر آغاز می‌شود. کاربر باید دوباره اسناد را وارد کند، موضوع را توضیح دهد، محدودیت‌ها را مشخص کند و به سیستم بگوید چه نوع خروجی‌ای می‌خواهد.
این مسئله در کار حقوقی، که پرونده‌ها و معاملات ممکن است ماه‌ها ادامه داشته باشند، اهمیت بیشتری پیدا می‌کند.
Harvey II تلاش می‌کند این مشکل را با ترکیب context، memory و agentها حل کند. بر اساس توضیحات خود شرکت، agentها می‌توانند در محیط یک matter یا project به اسناد، افراد، وظایف، مجوزها و تاریخچه کار دسترسی داشته باشند و در عین حال، سیستم بتواند ترجیحات کاری کاربر را نیز در تعاملات بعدی به خاطر داشته باشد.
اگر این معماری را از منظر حرفه حقوقی نگاه کنیم، اهمیت آن فقط در «حافظه داشتن» AI نیست. اهمیت اصلی در این است که کار حقوقی معمولاً یک سؤال منفرد نیست؛ یک فرایند دارای سابقه است.
یک قرارداد امروز در خلأ بررسی نمی‌شود. ممکن است هفته گذشته نسخه دیگری از آن بررسی شده باشد، موضع موکل در یک موضوع مشخص قبلاً تعیین شده باشد، یک precedent داخلی وجود داشته باشد یا یک عضو دیگر تیم قبلاً درباره همان موضوع تصمیمی گرفته باشد.
هرچه AI بتواند این context را بهتر حفظ کند، امکان واگذاری کارهای پیچیده‌تر به آن افزایش پیدا می‌کند.
البته همین موضوع، هم‌زمان یکی از جدی‌ترین ریسک‌های Legal AI را نیز ایجاد می‌کند.
هرچه AI بیشتر بداند، کنترل اطلاعات مهم‌تر می‌شود
فرض کنید یک agent به تمام اسناد یک دفتر حقوقی دسترسی داشته باشد و بتواند بین آن‌ها ارتباط برقرار کند. از یک طرف، این دقیقاً همان چیزی است که بهره‌وری را بالا می‌برد؛ اما از طرف دیگر، یک مسئله بنیادی ایجاد می‌کند: آیا AI باید بتواند هر اطلاعاتی را که در اختیار دارد در هر matter دیگری مورد استفاده قرار دهد؟
پاسخ در محیط حقوقی روشن است: خیر.
Confidentiality، conflict of interest و ethical walls صرفاً مفاهیم انسانی نیستند که بتوان آن‌ها را در یک سیستم هوش مصنوعی نادیده گرفت. اگر یک وکیل به دلیل وجود conflict نباید به اطلاعات پرونده‌ای دسترسی داشته باشد، منطقی نیست agent او بتواند همان محدودیت را دور بزند.
Harvey نیز در توسعه پلتفرم خود دقیقاً با همین مسئله مواجه شده و بر integration میان permissionها، ethical wallها و agentها تأکید کرده است.
در صفحه امنیت Harvey نیز امکاناتی مانند SAML SSO، audit log، IP allow-listing، data lifecycle management و کنترل محل نگهداری داده‌ها مطرح شده است. شرکت همچنین اعلام می‌کند که داده‌های مشتریان برای آموزش مدل‌های پایه استفاده نمی‌شود.
این موضوع شاید برای یک کاربر عادی جذاب‌ترین بخش محصول نباشد، اما برای یک شرکت حقوقی احتمالاً از خود کیفیت متن تولیدشده مهم‌تر است.
چون در محیط حرفه‌ای، سؤال فقط این نیست که:
«آیا AI جواب درستی می‌دهد؟»
بلکه باید پرسید:
«آیا AI در شرایطی که نباید به یک اطلاعات دسترسی داشته باشد، واقعاً به آن دسترسی ندارد؟»
این دو سؤال کاملاً متفاوت‌اند.
مسئله‌ای که هنوز حل نشده: آیا می‌توان به خروجی AI اعتماد کرد؟
در حقوق، خطای هوش مصنوعی صرفاً یک bug معمولی نیست.
اگر یک ابزار طراحی گرافیک، جمله‌ای را اشتباه تولید کند، معمولاً مسئله قابل اصلاح است. اما اگر یک سیستم حقوقی به یک رأی وجود نداشته، یک ماده قانونی اشتباه یا یک precedent ساختگی استناد کند و آن خروجی وارد لایحه یا نظر حقوقی شود، مسئله می‌تواند مستقیماً به مسئولیت حرفه‌ای و اعتبار وکیل مربوط شود.
حتی خود Harvey نیز در قرارداد استفاده از پلتفرم تصریح می‌کند که خروجی AI ممکن است دارای خطا، اظهارات نادرست یا ناقص باشد و خروجی آن «مشاوره حقوقی» محسوب نمی‌شود.
این هشدار صرفاً یک بند قراردادی نیست؛ بخشی از واقعیت فعلی Legal AI است.
در سپتامبر ۲۰۲۶، Reuters گزارش داد که موارد مربوط به استفاده نادرست از AI در اسناد قضایی آمریکا همچنان ادامه دارد و مواردی از استناد به پرونده‌ها یا اطلاعات ساختگی شناسایی شده است.
بنابراین هرچه AI از «کمک به وکیل» به «انجام بخشی از کار وکیل» نزدیک‌تر شود، اهمیت verification بیشتر می‌شود، نه کمتر.
این نکته شاید یکی از مهم‌ترین تفاوت‌های میان AI عمومی و Legal AI باشد: مسئله فقط افزایش accuracy نیست؛ باید بتوان مسیر رسیدن به نتیجه و امکان کنترل آن را نیز مدیریت کرد.
پس چرا شرکت‌هایی مثل HSBC سراغ Harvey رفته‌اند؟
نمونه HSBC از این جهت جالب است که نشان می‌دهد بازار هدف Harvey فقط law firmها نیستند.
در ژانویه ۲۰۲۶، HSBC اعلام کرد که یک همکاری استراتژیک با Harvey را برای استفاده از این فناوری در Global Legal Function خود آغاز کرده است. هدف اعلام‌شده، افزایش سرعت و بهره‌وری عملیات حقوقی در کنار حفظ کنترل‌ها و الزامات امنیتی سازمانی بود.
این اتفاق از منظر تحول واحدهای حقوقی شرکت‌ها اهمیت بیشتری از یک قرارداد تجاری معمولی دارد.
واحد حقوقی یک بانک بزرگ فقط با «مسائل حقوقی» مواجه نیست؛ این واحد باید با قراردادها، مقررات، ریسک، عملیات تجاری، compliance و حجم عظیمی از اطلاعات سازمانی کار کند. بنابراین اگر AI بتواند بخشی از پردازش اولیه این اطلاعات را انجام دهد، ارزش آن دیگر محدود به صرفه‌جویی در زمان یک وکیل نیست؛ می‌تواند به نحوه تعامل واحد حقوقی با کل سازمان مربوط شود.
به بیان دیگر، Legal AI می‌تواند Legal Department را از یک واحد عمدتاً واکنشی که به درخواست‌های سایر بخش‌ها پاسخ می‌دهد، به واحدی تبدیل کند که بتواند اطلاعات را سریع‌تر پردازش کند و زودتر نسبت به ریسک‌ها واکنش نشان دهد.
یک تغییر اقتصادی مهم: اگر زمان ارزان شود، ظرفیت چه می‌شود؟
شاید عمیق‌ترین پیامد Harvey نه تکنولوژیک، بلکه اقتصادی باشد.
بخش بزرگی از مدل اقتصادی خدمات حقوقی سنتی بر زمان استوار است. هرچه یک پروژه پیچیده‌تر باشد و زمان بیشتری برای بررسی اسناد، research و drafting نیاز داشته باشد، منابع بیشتری مصرف می‌شود.
اما اگر AI بتواند بخش‌هایی از این زمان را به شکل قابل توجهی کاهش دهد، یک سؤال مهم ایجاد می‌شود: وقتی زمان پردازش اطلاعات ارزان‌تر شود، بازار خدمات حقوقی چه تغییری خواهد کرد؟
ممکن است نتیجه صرفاً کاهش هزینه نباشد. در بعضی موارد، کاهش هزینه پردازش می‌تواند باعث شود مشتریان خدمات حقوقی بیشتری دریافت کنند.
مثلاً اگر بررسی اولیه یک فرصت سرمایه‌گذاری قبلاً به دلیل هزینه بالای due diligence انجام نمی‌شد، کاهش هزینه بررسی می‌تواند شرکت را تشویق کند تعداد بیشتری از فرصت‌ها را ارزیابی کند. در این حالت AI صرفاً «هزینه یک کار موجود» را کاهش نداده؛ بلکه امکان انجام کاری را ایجاد کرده که قبلاً از نظر اقتصادی توجیه نداشت.
این تفاوت مهمی است. فناوری‌هایی که صرفاً بهره‌وری را افزایش می‌دهند یک اثر دارند؛ فناوری‌هایی که هزینه انجام یک نوع کار را آن‌قدر پایین می‌آورند که تقاضای جدید ایجاد می‌کنند، اثر اقتصادی بسیار بزرگ‌تری دارند.
اما آیا این یعنی وکلا ارزش خود را از دست می‌دهند؟
نه لزوماً؛ اما احتمالاً نوع ارزش‌آفرینی تغییر خواهد کرد.
اگر بخش‌هایی مانند document review، استخراج اطلاعات، جست‌وجوی اولیه و تهیه پیش‌نویس‌های استاندارد با سرعت بیشتری انجام شوند، مزیت رقابتی وکیل نمی‌تواند برای همیشه صرفاً بر توانایی انجام همین فعالیت‌ها استوار باشد.
در چنین شرایطی، ارزش بیشتری به مهارت‌هایی منتقل می‌شود که به این سادگی قابل استانداردسازی نیستند: فهم کسب‌وکار موکل، تشخیص مسئله واقعی پشت یک سؤال حقوقی، انتخاب استراتژی، مذاکره، ارزیابی ریسک‌های غیرشفاف، برقراری ارتباط با تصمیم‌گیرندگان و در نهایت پذیرش مسئولیت حرفه‌ای تصمیم.
به همین دلیل، تعبیر «AI جای وکیل را می‌گیرد» احتمالاً مسئله را بیش از اندازه ساده می‌کند.
مسئله واقعی‌تر این است که AI کدام قسمت از کار وکیل را ارزان‌تر، سریع‌تر و مقیاس‌پذیرتر می‌کند و در نتیجه، چه قسمت‌هایی از تخصص وکیل ارزش اقتصادی بیشتری پیدا می‌کنند؟
این پرسش بسیار مهم‌تر است، زیرا تغییر در حرفه حقوق لزوماً از حذف کامل یک شغل شروع نمی‌شود؛ ممکن است ابتدا از تغییر نسبت میان وظایف مختلف داخل همان شغل آغاز شود.
Harvey در این میان چه مزیتی دارد؟
Harvey تلاش می‌کند خود را نه صرفاً به عنوان یک مدل هوش مصنوعی، بلکه به عنوان یک لایه تخصصی میان مدل‌های عمومی AI و فرایند واقعی کار حقوقی قرار دهد.
این تمایز مهم است، زیرا شرکت‌های حقوقی معمولاً فقط به یک مدل زبانی نیاز ندارند. آن‌ها به محیطی نیاز دارند که بتواند با اسناد و داده‌های داخلی کار کند، دسترسی‌ها را کنترل کند، اطلاعات matters مختلف را از هم جدا نگه دارد، خروجی را در قالب استاندارد سازمان تولید کند و در نهایت امکان نظارت انسان بر فرایند را حفظ کند.
Harvey نیز به سمت همین مدل حرکت کرده است؛ از integration با ابزارهای مورد استفاده تیم‌های حقوقی تا توسعه agentها، memory، ethical walls و مدل‌های تخصصی‌تر. در سال ۲۰۲۶ حتی مدل اختصاصی Harvey Tenet را معرفی کرده که شرکت آن را نخستین مدل خود با post-training اختصاصی برای reasoning حقوقی معرفی کرده است.
در نتیجه، رقابت آینده در Legal AI احتمالاً صرفاً بر سر این نخواهد بود که «کدام مدل زبان قوی‌تر است». رقابت می‌تواند به این سمت برود که کدام پلتفرم بهتر می‌تواند intelligence را در دل فرایند واقعی یک سازمان حقوقی قرار دهد.
و حالا سؤال مهم‌تر برای ایران
از منظر بازار ایران، شاید جذاب‌ترین بخش ماجرا این نباشد که آیا یک وکیل ایرانی می‌تواند از Harvey استفاده کند یا خیر. مسئله عمیق‌تر از دسترسی به یک ابزار است.
Legal AI برای اینکه واقعاً بتواند ارزش ایجاد کند، به یک زیرساخت داده حقوقی قدرتمند نیاز دارد: قوانین و مقررات به‌روز، آرای قضایی قابل جست‌وجو، نظریات مشورتی، بخشنامه‌ها، رویه‌ها، قراردادها، اسناد سازمانی و داده‌هایی که بتوانند با ساختار مشخص به سیستم داده شوند.
بدون چنین زیرساختی، حتی یک مدل بسیار قدرتمند نیز بخشی از ظرفیت خود را از دست می‌دهد.
به همین دلیل، توسعه Legal AI در ایران احتمالاً صرفاً مسئله ساخت یا خرید یک chatbot حقوقی نیست. مسئله بزرگ‌تر، ساختن داده حقوقی قابل اعتماد، ساختاریافته، به‌روز و قابل پردازش است.
از طرف دیگر، دسترسی به سرویس‌های خارجی نیز می‌تواند با مسائل تحریم، export controls، محل استفاده، نوع کاربر و ماهیت سرویس مواجه باشد. برای نمونه، شرایط استفاده Harvey صراحتاً محدودیت‌هایی برای دسترسی از برخی کشورهای مشمول embargo در نظر گرفته است. از سوی دیگر، مقررات OFAC درباره ایران نیز برای برخی خدمات و نرم‌افزارهای مبتنی بر cloud، در شرایط مشخص مجوزهایی پیش‌بینی کرده است؛ بنابراین موضوع را نمی‌توان صرفاً با یک گزاره کلی مانند «هر سرویس AI برای ایران ممنوع است» یا برعکس، «هر سرویس cloud قابل استفاده است» توضیح داد. تحلیل واقعی به نوع سرویس، طرف‌های معامله، ماهیت فعالیت و مقررات قابل اعمال بستگی دارد.
این نکته برای بازار حقوق ایران اهمیت خاصی دارد، زیرا Legal AI در نهایت باید در یک محیط حقوقی مشخص کار کند و «حقوق» فقط مجموعه‌ای از متن‌ها نیست؛ مجموعه‌ای از منابع معتبر، نسخه‌های مختلف مقررات، رویه‌های تفسیری و زمینه‌های نهادی است.
مسئله اصلی، در نهایت «جایگزینی وکیل» نیست.
اگر مسیر Harvey را از ابتدا تا امروز دنبال کنیم، یک تغییر قابل توجه دیده می‌شود. در ابتدا، بحث اصلی این بود که AI می‌تواند به وکیل در انجام برخی وظایف کمک کند. اکنون بحث به سمت agentهایی رفته است که می‌توانند بخشی از workflow را خودشان اجرا کنند، context یک matter را حفظ کنند، از دانش قبلی تیم استفاده کنند و work product اولیه ارائه دهند.
این تغییر، مرز میان «ابزار» و «زیرساخت» را کم‌رنگ می‌کند.
در مدل سنتی، نرم‌افزار به وکیل کمک می‌کرد کار خود را انجام دهد. در مدل جدید، بخشی از خود فرایند انجام کار در محیط نرم‌افزار اتفاق می‌افتد.
این تفاوت احتمالاً مهم‌ترین نکته‌ای است که باید در مورد Harvey فهمید.
Harvey صرفاً تلاش نمی‌کند وکیل را سریع‌تر کند؛ تلاش می‌کند بخشی از سیستم تولید خدمات حقوقی را بازطراحی کند.
این پروژه هنوز با پرسش‌های جدی روبه‌روست: دقت خروجی، مسئولیت حرفه‌ای، محرمانگی، کنترل دسترسی، هزینه، پذیرش سازمانی و مهم‌تر از همه، تعیین مرز میان کاری که می‌توان به AI سپرد و کاری که همچنان باید تحت قضاوت مستقیم یک متخصص حقوقی باقی بماند.
اما حتی پیش از آنکه پاسخ همه این پرسش‌ها روشن شده باشد، یک تغییر مهم اتفاق افتاده است: شرکت‌های حقوقی و واحدهای حقوقی بزرگ دیگر صرفاً درباره امکان استفاده از AI صحبت نمی‌کنند؛ آن‌ها در حال وارد کردن AI به فرایند واقعی کار خود هستند. استفاده HSBC از Harvey و گسترش آن در میان مؤسسات حقوقی بزرگ نمونه‌ای از همین تغییر است.
در نتیجه، شاید سؤال درست برای آینده حرفه حقوق این نباشد که «آیا هوش مصنوعی جای وکیل را می‌گیرد؟»؛ سؤال دقیق‌تر این است که وقتی ماشین بتواند بخش فزاینده‌ای از پردازش اطلاعات و کارهای تکرارشونده را انجام دهد، چه چیزی از کار حقوقی باقی می‌ماند که بیشترین ارزش را ایجاد می‌کند؟
پاسخ به این سؤال احتمالاً همان چیزی است که آینده این حرفه را شکل خواهد داد: نه صرفاً توانایی استفاده از یک مدل هوش مصنوعی، بلکه توانایی تشخیص اینکه کدام مسئله را باید به AI سپرد، کدام مسئله را نباید سپرد، چگونه خروجی آن را ارزیابی کرد و چگونه ظرفیت آزادشده را به قضاوت حقوقی، استراتژی و تصمیم‌گیری بهتر تبدیل کرد.
و شاید دقیقاً به همین دلیل است که Harvey را باید بیشتر از یک «ابزار هوش مصنوعی برای وکلا» دید؛ این شرکت یکی از نمونه‌های روشن تلاش برای بازتعریف نحوه تولید خدمات حقوقی در عصر هوش مصنوعی است.
