Legora costruisce agenti legali senza leggere le tracce del lavoro
Testo scritto con l’intelligenza artificiale a partire da 2 fonti citate, senza revisione umana prima della pubblicazione.
CTO Jacob Lauritzen spiega come evals simulati, team misti e controlli runtime hanno permesso alla società di superare 100 milioni di ARR e 1.800 clienti mantenendo la riservatezza.
Legora ha superato 100 milioni di dollari di ARR in aprile, meno di 18 mesi dopo il lancio1.
La società conta più di 1.800 clienti. Ha raccolto 550 milioni di dollari a marzo, a una valutazione di 5,55 miliardi, e altri 550 milioni a ottobre, a 8,8 miliardi. Ha chiuso cinque acquisizioni in un anno, l’ultima è Wexler1.
La partenza è in un seminterrato a Stoccolma: ChatGPT, diritto svedese e un motore di ricerca. Jacob Lauritzen aveva già fatto YC con la sua startup quando aiutò Max Junestrand con l’application di Leya, oggi Legora. Poi è entrato come head of engineering e oggi è CTO1.
Oggi l’agente redige e modifica documenti Word. Rivede migliaia di contratti in una singola tabella. Esegue due diligence. Coordina il lavoro tra avvocati, clienti e altri agenti. Il settore ha copiato “Tabular Review”, un foglio da un milione di celle per la revisione massiva1,2.
Legora non può leggere le tracce del lavoro dell’agente. Quasi tutto ciò che l’utente carica è riservato. Molti documenti appartengono ai clienti degli studi, non agli studi stessi. Niente dataset reali per le valutazioni1,2.
Per testare, tre ingegneri e tre avvocati costruiscono ambienti che simulano i lavori dei clienti, come un data room da 10.000 file per la due diligence. L’agente deve produrre un report e trovare le anomalie giuste. La squadra mappa i risultati per area di pratica e per task. Un modello nuovo spesso migliora in alcune attività e peggiora in altre1,2.
La pipeline usa un bacino di circa 100 legal engineers, avvocati con 3 o 4 anni in big law, spesso con studi in informatica. In produzione, Legora classifica gli errori in 10-20 failure mode note e lancia controlli automatici economici basati su LLM dietro feature flag1.
Un caso ha mostrato un salto: le citazioni corrette sono passate dal 70% al 99% dopo una singola release. Senza cambiare nient’altro dal lato Legora2.
Lauritzen stima che i modelli coprano già circa il 60% del lavoro legale ordinario. Il resto richiede modelli più intelligenti. La società ha resistito per anni all’idea di un model picker, poi lo ha aggiunto. Per il drafting, Lauritzen trova Fable e Opus troppo prolissi e preferisce la concisione di Astra. Tutto gira su Azure. Legora non usa ElevenLabs2.
Negli Stati Uniti, le revisioni minori e altri lavori di routine vanno su tariffe a progetto. Alcuni studi li fanno gratis per non perdere il cliente. I ricavi si spostano su M&A, contenzioso e tempo speso con il cliente1.
Lauritzen dice che un buon giovane vale di più di due anni fa, perché produce molto di più con questi strumenti. Come in ingegneria del software1.
Quando Legora ha acquisito altre società, ha usato il proprio agente per la due diligence. Ora cerca ingegneri a New York, Stoccolma e Londra2.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Rilettura. Un passaggio toglie i tic della prosa generata da un modello, come i contrasti costruiti e le frasi che annunciano invece di informare, senza toccare fatti e fonti.
- Fedeltà alle fonti. Un passaggio dedicato toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,0/10.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.