LegalOn：如何用“分层选模”将AI开发成本腰斩65%

概述

LegalOn Technologies 是一家面向全球提供专业 AI 服务的科技初创企业，致力于将法律领域专业知识与人工智能相结合，助力客户专注于复杂的判断与决策。随着公司深入打造 AI 原生组织，如何将 Codex 无缝融入开发流程并控制成本，成为其面临的核心挑战。

“通过规则和预算施加过多限制，会削弱组织的发展动力。我们需要的是灵活的运营模式，既能有效控制风险，又能保障团队所需的推进速度。” —— Yuta Tokitake，LegalOn Technologies 高级工程经理

分层选模：平衡成本与效能的关键策略

面对高性能模型带来的预算压力，LegalOn 的 AI 驱动开发卓越中心（AID CoE）并未采取“一刀切”的限制措施，而是制定了一套精细化的分层选模指南。团队根据任务复杂度和开发阶段，在 GPT-6 系列的 Astra、Luna 以及 GPT-6.1 的 Sol 模型之间灵活切换。

这种策略的核心在于按需匹配：最轻量的模型负责需求明确的代码实现，中级模型处理常规设计与文档，而能力最强的模型则专攻架构设计等高阶任务。与此同时，公司默认限制快速模式，仅在确有必要时由个人申请使用。

具体措施包括：

• GPT-6 Luna：负责日常执行、简单任务分析以及作为子代理进行代码实现。
• GPT-6.1 Sol：用于标准设计、数据分析及需要较短完成时间的文档编写。
• GPT-6 Astra：承担复杂分析、软件设计及协调多个代理的统筹任务。

通过引入系统管控，为部门和个人设定每月用量上限，并针对不同业务阶段分配差异化预算，LegalOn 在保持原有开发速度的同时，实现了成本的显著优化。

从成本管控到价值衡量：超越效率的投资回报

在初步实现成本下降后，LegalOn 并未止步于此。高级工程经理 Yuta Tokitake 指出，单纯加快开发速度并不等同于 AI 投资的成功，关键在于开发提速是否真正转化为了客户价值。

为此，公司正在构建新的衡量指标体系，将评估依据从开发速度和使用量转向客户价值。团队计划以每次功能发布为独立单元，关联其带来的客户价值与实际投入的 AI 成本，从而清晰呈现投资回报。

此外，LegalOn 还致力于将工程师个人的实践经验转化为组织能力。通过建立知识库，沉淀最佳模型组合与设计模式，公司正推动 AI 技能在招聘中的重要性，并持续优化治理与团队自主权之间的平衡，旨在构建面向 AI 时代的持久竞争优势。