一家英國律所，用大概400英鎊的成本，幫客戶追回了7000英鎊的欠款。做這件事的主力不是律師，是AI。這間叫Garfield AI的公司，是全球第一間拿到英國律師監管局（SRA）授權的AI律所[Source: https://garfield.law/]，前期的證據整理、法理檢索、催款函與訴狀起草，幾乎全交給AI跑，專攻的正是那些金額不大、過去請律師不划算的小額欠款催討[Source: https://garfield.law/]。

而在這起實際勝訴、讓原告全額追回欠款的案子裡，AI負責的是自動化上傳合約與發票、精準產生法律信函，把整體成本壓到約400英鎊[Source: https://garfield.law/]。AI接手了前段最耗工的文書，人留在後段做判斷——這條分界線，其實就是這篇要講的重點。

不是「法律」被吃掉，是「重複、結構化、低歧義」的那一塊先被吃掉

先講一個很多人搞反的邏輯：AI不是挑「法律」下手，是挑「工作型態」下手。判斷一件文書工作會不會先被自動化，Judy AI Lab的觀察是看三個判準—重複性（同一種格式一天要生一百份）、結構化（欄位固定、有標準模板）、低歧義（正確答案不太會因人而異）。三個都高，AI就吃得又快又乾淨。

這股趨勢不是個案。勤業眾信（Deloitte）觀察，生成式AI在法律領域的應用遠超過單純的數位工具替代，它能把繁瑣、耗時的法律工作轉變為高效、精準的智能化流程[Source: https://www.deloitte.com/tw/tc/services/tax/perspectives/2025-outlook-lmc.html]。要特別分清楚的是，這種變化講的是「任務層級的自動化」，不是「職位被取代率」——有法律科技從業者以趨勢判斷，未來兩年內大約會有六成左右的法律工作被AI或自動化程式接手，但強調那「並不是工作職位被取代，而是工作內容被AI或自動化替代」[Source: https://www.threads.com/@lawbot_tw/post/DVGE_lKE0vY/3-ai-%E5%8F%96%E4%BB%A3%E5%BE%8B%E5%B8%ABai-%E6%98%AF%E5%90%A6%E6%9C%83%E5%8F%96%E4%BB%A3%E5%BE%8B%E5%B8%AB%E4%B8%80%E7%9B%B4%E6%98%AF%E5%BE%88%E5%A4%9A%E4%BA%BA%E9%97%9C%E6%B3%A8%E7%9A%84%E8%AD%B0%E9%A1%8C%E4%BA%8B%E5%AF%A6%E6%98%AFai-%E8%83%BD%E5%90%A6%E5%8F%96%E4%BB%A3%E5%BE%8B%E5%B8%AB%E4%B8%8D%E6%98%AF%E6%8A%80%E8%A1%93%E5%B1%A4%E9%9D%A2%E7%9A%84%E5%95%8F%E9%A1%8C%E4%BB%A5%E7%99%BC%E5%B1%95%E8%B6%A8%E5%8B%A2%E4%BE%86%E7%9C%8B%E5%85%A9%E5%B9%B4%E5%85%A7%E8%87%B3%E5%B0%91%E6%9C%83%E6%9C%89-60-%E5%B7%A6%E5%8F%B3%E7%9A%84%E6%B3%95%E5%BE%8B%E5%B7%A5%E4%BD%9C%E8%A2%AB-ai]。真正先被AI接手的，是海量案卷檢索、重複文書撰寫、繁瑣流程跟進這些事務性工作，讓人力能挪去做法律分析與策略制定等高階價值[Source: https://www.deloitte.com/tw/tc/services/tax/perspectives/2025-outlook-lmc.html]。換句話說，先消失的是「工作內容」，不是「這個人」。

催款函剛好三項全中。它有固定套路：抬頭、欠款事實、金額、付款期限、逾期後果、法律依據。變數只有名字、金額、日期。這種東西給人做，是純消耗；給AI做，是它最擅長的填空。所以Garfield能把一封催款函的起草成本壓到很低—低到讓過去「因為金額太小、請律師不划算」而放棄追討的小商家，第一次有了可用的工具；這也正是一間AI律所能拿到SRA正式授權的意義所在[Source: https://garfield.law/]。

反過來，愈是要臨場應變、要讀人、要賭策略的工作，AI愈碰不動。一張判斷表大概長這樣：

文書類型重複性結構化歧義度適不適合AI起草
催款函／付款提醒高高低適合（AI草稿＋輕度人審）
標準NDA／制式租賃合約高高中大致適合（客製條款要人審）
小額訴訟起訴書、法院表單高高低到中適合（程序性為主）
合約談判、條款客製低中高不適合（策略性）
庭審辯護、證人詰問低低高一定要人
有事實爭議、要判斷證據低低高一定要人

契約類文件也是同樣的道理：它從生成、審閱到後續應用都高度結構化，所以一直是生成式AI在法律圈最活躍的應用戰場之一——這也再次印證了那條「愈結構化愈先被吃掉」的規律。

三層架構：模板生成、判例檢索、合規比對，各管一段

要自己組一條催款函流程，別想著「丟給AI一句話生一封」——大模型有幻覺、也偏「諂媚」，會被使用者的提問引導、講出對方想聽的答案，這在法律場景特別危險。拆成三層才穩。這種分工在文件密集的專業場景其實是常見的多模型組合：先用OCR模型批量識別紙本文件文字，再用命名實體識別（NER）模型抽取人名、公司名、日期等關鍵資訊，最後才交給大模型分析關係並生成報告，不同模組各司其職。催款函流程可以借同樣的思路。

第一層，模板化文件生成。 就是把催款函的骨架寫死成範本，讓AI只負責填變數（債務人、金額、到期日、逾期利息）。骨架固定，AI能亂寫的空間就被鎖住一半。這類「結構化案情套版生成」的做法，同樣可以套到小額訴訟的起訴狀上——把當事人資訊、借款金額、利率、擔保等要素交給模型，填進固定格式產出草稿，因為這類文件的欄位本來就高度標準化。

第二層，法條／判例RAG檢索。 RAG（Retrieval-Augmented Generation，檢索增強生成，白話說就是讓AI回答前先去翻你事先給它的資料庫，而不是憑記憶亂講）。你把相關的民法條文、地方法院對小額欠款的處理慣例整理成一份知識庫，AI要引用法律依據時，只能從這裡撈，撈不到就不准寫。大模型常被詬病的一點，就是有幻覺、也偏「諂媚」，會被使用者的提問引導、講出對方想聽的答案；這一層正是把「聽起來很專業但其實查無此條」的幻覺條文擋在門外的關鍵。

第三層，合規／事實比對。 生成完不是結束。這一層拿產出的草稿去對兩件事：金額、日期這些事實跟你原始資料對不對得上；語氣和內容有沒有踩到不當催收的紅線（恐嚇、騷擾字眼在很多地區是違法的）。這層可以再叫一次AI做交叉檢查，但最後一定要有人看。

動手做：用Claude搭一個催款函草稿產生器，大概30分鐘

不用寫程式也能做。準備一份知識庫檔案（就一個資料夾，放你整理好的法規重點、催款函範本、你這家店的付款條件），然後給Claude一段這樣的系統指令：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

你是催款函起草助手。規則：
1. 只能使用我提供的【知識庫】內的法條與範本，
   不得引用知識庫以外的任何法律條文。
2. 找不到對應依據時，直接寫「[需人工確認依據]」，
   不准自己編條號。
3. 依【範本骨架】填入變數，語氣專業、不得出現
   恐嚇、辱罵、騷擾性字眼。
4. 輸出後附一段「事實對帳表」，列出你填入的
   金額/日期/期限，讓我逐項核對。

【債務資料】{填名字、金額、到期日}
【範本骨架】{貼你的範本}
【知識庫】{貼你的法規重點}

檢索設定上兩個小地方最影響品質：知識庫切段（chunk）別切太大，一段一個條文最好撈；然後開「只引用檢索到內容」的模式，寧可讓它回「查不到」，也不要讓它為了把話講漂亮而生一條假法條。這跟我們之前寫過的IBKR MCP接券商帳戶安全設定指南裡的原則一樣——先把它能亂來的權限鎖死，再談方便。

紅線：AI起草，不等於AI負責

最後一段最重要，因為前面愈好用，這裡愈容易鬆懈。

Garfield那套跑得再順，這起勝訴省下的，是重複勞動與文書成本，不是把關與後果的責任。這句話翻成小商家能用的版本就是：AI可以幫你把催款函的草稿在幾分鐘內生好，但寄出去之前，金額對不對、法律依據是不是真的存在、有沒有涉及你不熟的管轄權問題、對方一旦不理接下來要不要真的走法院—這些牽涉到後果與策略的判斷，不能只靠AI。文書是有立場的，而大模型會有幻覺、會被引導，這正是為什麼把關這一步必須留給人。金額大、對方可能反咬、案情有事實爭議的，該找律師就找律師。AI省掉的是重複勞動的成本，不是替你扛判斷的責任。

分界其實很清楚：把AI放在「起草」和「檢索」，把人留在「決定」和「把關」。

一封催款函被自動化，看起來是一件很小的事。但它剛好標出了那條線—哪些工作是重複到機器該接手的，哪些是再貴也得留給人的。剩下的，就是你自己站在哪一邊。