LegalOn 用 GPT-6 三档模型分级，Codex 成本减半

LegalOn Technologies 在全球范围内提供 Professional AI，利用 AI 支持法律工作及其他关键业务职能。通过将领域专业知识与 AI 相结合，它让人们能够专注于复杂的判断和决策。其目标是实现 AI 驱动的管理，提升业务决策的质量和速度。

这一方法不仅体现在其产品上，还延伸到让组织本身成为 AI 原生组织。该公司将 Codex 集成到其开发流程中，并通过日常使用在整个组织内扩大采用范围。

随着采用逐渐深入，一个新的挑战浮现出来：成本控制。无限制地使用高性能模型可能会推高支出，而一刀切的限制则可能削弱 AI 带来的生产力提升。

如何在不拖慢开发速度的情况下降低成本？LegalOn Technologies 通过根据任务复杂度和开发阶段在 GPT‑6（Astra、Luna）和 GPT‑6.1 Sol 之间进行选择，并使预算与各业务的增长阶段相匹配，从而应对了这一挑战。该公司在保持开发速度的同时将成本减半。

该公司最初让开发者无限制地访问其主模型 GPT‑5.5 的 Fast 模式。他们将其使用范围扩展到设计、实现和日常工作，通过实验学习如何在人与 AI 之间最好地划分职责。

然而，继续无限制地使用高性能模型必然会超出年度预算。该公司的 AI 驱动开发卓越中心（AID CoE）开始制定模型选择指南。AID CoE 对模型进行测试和监控，同时管理者将发现分享给各自的团队。这使每位工程师都能独立地为每项任务选择最合适的模型。

新的指南使该公司从每项任务都使用能力最强的模型，转变为为具体工作选择合适的模型。团队从轻量级模型开始，随着任务复杂度提高再转向能力更强的模型。

为支持治理，公司还通过管理员设置引入了系统控制，为部门和个人设定了每月使用限额。AID CoE 监控使用情况，并根据业务需求调整限额。

在这些控制措施下进行的内部测试，帮助让选择标准变得更加具体。GPT‑6 Luna 是最轻量的模型，负责需求明确的代码实现；GPT‑6.1 Sol 支持标准设计、数据分析和文档准备；而 GPT‑6 Astra 是能力最强的模型，负责高级判断，包括架构设计。将模型与任务相匹配，逐渐成为各团队的共同实践。

除了模型选择之外，公司还开始默认限制 Fast 模式，仅在需要时允许单独请求。尽管这一变化引发了对开发速度的担忧，但各团队通过并行运行任务等方法来保持性能并平稳过渡。

它还为 AI 支出引入了部门、小组和个人层面的预算上限。已成熟的 LegalOn 业务被要求将成本效率提升最多约 20%，而处于启动阶段的新业务则获得了充裕的预算，以鼓励积极使用 AI。

LegalOn Technologies 的高级工程经理 Yuta Tokitake 解释说，新业务优先考虑业务速度而非成本效率。目标是广泛使用 AI 来提高产出，并最终推动业务增长。

针对每项业务量身定制的模型选择、功能限制和预算相结合，使估算的每日成本降低了约 65%。这种方法既让整体预算保持在可控范围内，又将资源导向公司希望发展的业务。

模型优化和战略性资源分配带来了以下结果：

通过模型优化，公司在不牺牲开发速度或质量的情况下降低了成本。各团队也看到 AI 正在稳步缩短从开发到发布的周期。

但公司着眼更长远。仅靠更快的开发就能让 AI 投资成功吗？更快的开发与客户价值之间的联系仍不明确。“AI 能够加速系统开发和更新几乎是理所当然的，”Tokitake 说。“我们真正想了解的是，这种更快的开发是否真的转化为客户价值。”

这个问题促使公司开发了自己的指标，将评估 AI 投资的依据从开发速度和使用量转向客户价值。

Tokitake 解释道：“使用 AI 时，我们可以追踪单个任务的成本，但一项完整工作——一次功能发布——的总成本往往仍是一个黑箱。因此我们围绕每次功能发布作为单一单位来设计衡量方式。通过将该次发布所交付的客户价值与投入其中的实际 AI 成本关联起来，我们旨在让投资回报变得可见且准确。”

该公司目前正在构建计算这一指标的流程。一旦完成，它将使以客户价值衡量的真实 ROI 变得可见。LegalOn Technologies 正从 AI 成本管理迈向将技术投资与业务价值直接连接。

下一个目标是将个别工程师的 AI 经验转化为全组织的能力。作为第一步，公司计划构建一个知识库来收集和分享实践经验。它将沉淀诸如设计、实现和审查的最佳模型组合等知识，并迅速将个人的成功转化为全公司的最佳实践。

这些由团队实践经验驱动的变化，也在塑造着组织和招聘。AI 驱动的生产力提升正促使公司从根本上重新思考人与 AI 之间的工作划分，以及其人力规划。随着其投资战略和组织结构的演变，公司已经开始在招聘中强调 AI 技能。

要将 AI 的采用转化为持久的竞争优势，需要不断优化治理与团队行动自由之间的平衡。AID CoE 和安全团队正在合作，从多个角度优化性能、成本和风险，构建一个支持全组织实验的灵活框架。