Kirkland 的 5 億美元，買下的是一套「判斷資本化」系統

Kirkland & Ellis 與 Palantir 合作推出 Fund Formation Engine，真正值得注意的地方是，全球營收最高的律師事務所開始把最資深律師的判斷、客戶關係與交易慣例，轉成一套可治理、可累積、可複用的組織資產。這是一場把「人的經驗」變成「企業資料結構」的實驗，基金設立只是第一個測試場。

摘要

Kirkland 投入約 5 億美元的 AI 計畫，並與 Palantir 合作打造私募股權募資平台。這筆投資的重點不在於讓律師更快起草文件，而在於把基金設立過程中分散在律師腦中、檔案櫃與電子郵件裡的判斷，集中成一套帶有權限、可推理、可持續更新的私有系統。

這個案例真正值得法律科技圈、知識圖譜圈與企業 AI 團隊注意的，是一個更普遍的問題：當基礎模型越來越便宜、越來越通用，企業真正難以複製的資產，會不會從「擁有最好的模型」轉向「擁有最難被外部化的判斷與資料結構」？

我的判斷是：會。而且 Kirkland 正在示範這條路。

這不是一般的文件自動化

私募基金設立聽起來像大量法律文件工作：基金合約、認購文件、side letter、最惠國待遇條款、費用結構、投資人盡職調查、合規文件。這些工作的確可以靠 AI 加速，但若只把它理解成「讓 GPT 幫忙寫合約」，就會錯過真正的難點。

基金設立的敏感之處，在於每位有限合夥人拿到的條件未必相同。有人取得較低的管理費，有人拿到共同投資權，有人擁有治理席位，也有人取得特定情形下的退出或豁免權利。當某位投資人享有最惠國待遇條款，一旦其他投資人的條件外洩，就可能引發一連串重新協商。

真正的風險，往往不在於某份文件被看見，而在於「誰拿到了什麼條件」這張關係圖被看見。

這就是為什麼這個場景特別適合 Ontology。Palantir 的 Ontology 把企業資料對應到真實業務物件，例如投資人、基金、條款、承諾金額、費用、關係與權限，讓系統能夠處理物件之間的關係，而不只是對文件做關鍵字檢索。

換句話說，Kirkland 要解決的問題，並非「如何更快產出文件」，而是「如何在極度分散、高度敏感、且規則持續變動的協商環境裡，讓對的人看見對的資訊」。

Kirkland 真正累積的是什麼

Kirkland 擁有超過 1,000 名基金律師，並服務規模龐大的私募資本市場客戶。這些律師每天處理的，包含條款如何談、市場行情如何變、投資人如何反應、哪些安排曾經被接受、哪些安排曾經被否決，以及哪些妥協最後成為可複用的先例。

這些知識原本主要存在於個人經驗、內部郵件、舊檔案、口頭傳承與資深合夥人的判斷裡。它們很有價值，卻很難被新人直接使用，也很難隨著人員流動而完整保留。

Fund Formation Engine 的意義，在於把這些分散的判斷，逐步沉澱到一個共同的工作系統。Kirkland 管理合夥人 Erica Berthou 將它描述為一個能集中並累積資深律師專業判斷的基金設立引擎。

這句話值得認真看待。它代表 Kirkland 想做的，可能已經超越「AI 增強律師生產力」，進入「把律所的判斷力資本化」。

這裡的資本化，指的是把原本依附在個人身上的經驗，轉成企業可以持續使用、更新、授權與治理的資產。當一位資深合夥人離開，他的部分判斷仍可能留在系統裡；當一位新進律師處理類似交易，系統能提供的不只是範本，還包括過去類似情境下的市場慣例、風險點與協商邏輯。

這才是這筆投資最值得追蹤的地方。

為什麼選 Palantir

如果目標只是產出法律文件，Kirkland 有很多選擇。Harvey、Legora，或直接使用大型模型供應商的 API，都可能比自建系統更快見效。基金設立雖然複雜，卻也未必需要 Palantir 等級的企業平台。

Kirkland 選擇 Palantir，合理的解釋是：它要處理的問題，已經超出文件生成，進入資料架構、權限治理與流程整合。

Palantir 的 AIP 與 Ontology，讓企業能把資料、業務邏輯、權限與工作流程綁在同一個系統裡。對 Kirkland 來說，這代表它可以把客戶、基金、條款、文件版本、審批流程、合規規則與律師判斷，放在同一個可操作的結構中。

這也解釋了為什麼 Kirkland 不只採購現成工具。該公司被報導正在招募具備在地端 GPU 環境經驗的 AI 基礎設施主管，職責包括設計與管理 GPU 叢集、Azure AI 與機器學習服務，並建立安全、受治理的實驗環境。這些跡象顯示，Kirkland 可能有意以自有資料微調開源模型，讓核心能力留在內部。

這裡的關鍵差別是：租用一項能力，與擁有一套能持續累積判斷的系統，是兩件事。

三層架構：誰會被沖走？

這個案例可以用一個簡單的三層架構來理解。

層級	代表	核心能力	商業弱點
基礎模型層 Cloud AI	OpenAI、Anthropic、Google	通用語言理解、推理與生成	能力快速商品化，客戶可替換供應商
法律 AI 包裝層 Legal Cloud AI	Harvey、Legora 等產品	法律介面、工作流、文件生成	若缺乏專屬資料與流程整合，容易被整合或取代
企業判斷基礎設施層 Palantir	Kirkland 加 Palantir 的組合	私有資料、Ontology、權限治理、內部流程	建置成本高，但一旦形成，較難被外部複製

基礎模型層的價值會持續存在，但它本身很難成為單一企業的長期護城河。模型會降價、會被替換，客戶也會隨著成本、效能與合規需求更換底層供應商。

法律 AI 包裝層則面臨另一個問題：若產品主要建立在公開法規、公開判例與通用模型之上，競爭者也能取得相近的基礎能力。產品可以做得很好用，但若沒有客戶私有資料、深度流程整合或獨特判斷累積，它更容易被更大的平台收購、整合或取代。

Kirkland 選擇的，是第三層。

它把自有資料、內部判斷、Ontology、權限治理與可能的在地端部署，綁成一個整體。這個組合的價值，來自 Kirkland 已經擁有的市場實務，也來自它願意把這些實務變成可營運的系統。

護城河的三個來源

這道護城河至少由三個部分組成。

第一是私有交易資料。Kirkland 在大量基金交易中累積的條款、協商紀錄、投資人偏好與市場慣例，並不存在於公開語料裡。這些資料只在事務所自己的檔案、工作流程與律師判斷中。

第二是本體化的組織知識。把資料放進系統，只是第一步。真正困難的，是把「哪些條款適合哪類基金」、「哪些投資人通常要求什麼」、「哪些風險曾經如何處理」，轉成可查詢、可推理、可傳承的業務物件與關係。

第三是治理能力。基金設立不能讓所有人看見所有資料。每位有限合夥人只能看到自己的條件，內部律師也只能依職務與授權存取特定範圍。這需要物件層級的權限設計，而非單純的資料夾分類或文件加密。

這三項加起來，才構成 Kirkland 的優勢。模型可以租，介面可以買，但「把自家市場判斷結構化成可治理系統」的能力，很難直接外購。

兩道不能忽略的隱憂

不過，這套系統仍有兩個容易出問題的地方。

第一個隱憂是法源資料。法律 AI 遲早需要處理成文法、判例、法規與監管要求。這些內容多屬公開資料，Kirkland 原則上可以把它們放進自家系統，而不必然外洩客戶資訊。真正的風險，往往出現在法源資料庫之上的編輯層，例如 headnotes、引證工具，或「這條法律現在還有效嗎」的判斷服務。若查詢過程把客戶脈絡帶進外部供應商，機密資訊就可能跟著外流。

第二個隱憂是模型本身。若 Kirkland 使用 OpenAI、Anthropic 或 Google 的託管模型，每一次提示詞都可能包含有限合夥人名稱、承諾金額、條款內容或 side letter 細節。即使 Palantir 不接觸客戶資料，也不代表模型供應商的部署與資料處理安排完全沒有風險。

這正是為什麼在地端 GPU、開源模型微調與內部治理，可能才是整個計畫中最關鍵的一環，而不只是技術細節。

Kirkland 選擇基金設立作為第一個實驗場景，並非偶然。這是一個相對封閉的領域：先例主要來自事務所自身、條款內容不會公開、市場參與者有限，而且資深律師的判斷可以部分替代外部法律資料庫的編輯層。但若未來擴展到訴訟、公開研究或其他高度依賴外部法源驗證的領域，這道縫隙就會重新打開。

市場正透露一個重要的產業訊號

這筆合作也透露了一個更重要的產業訊號：

市場頂端的大型買家，正在選擇自建基礎設施，而不只是採購現成產品。

Legalcomplex 的 Spark 資料集顯示，2026 年第一季法律領域在 111 輪融資中募得 23.4 億歐元，是自 2024 年第一季 34.2 億歐元高峰以來最強的單季表現。Legora 與 Harvey 也在 3 月相隔兩週內，分別完成 5.5 億歐元 Series D 與 2 億歐元 Series G 融資。資金並不缺乏，問題是資金最終流向哪一層。

從併購動態來看，許多法律 AI 公司正被併入更大的平台或產品組合，例如 Thomson Reuters 收購 Noetica AI、Legora 收購 Qura、Doctrine 收購 Maite、Filevine 收購 Pincites、LawVu 收購 ClauseBase。這似乎顯示，所謂「模型之上的應用層」正在被整合，而真正握有私有資料、客戶關係與營運流程的機構，則更傾向把關鍵基礎設施握在自己手裡。

這不代表通用法律 AI 產品沒有價值。對多數律所而言，採購成熟工具仍可能比自建更有效率。但對 Kirkland 這類規模、資料密度與客戶結構都極端特殊的機構來說，現成工具能解決的，往往只是效率問題；它們真正想解決的，是如何把自身最稀缺的資產，也就是市場實務與判斷力，變成可規模化、可防禦的系統。

反方觀點

這可能只是包裝精美的知識管理

最直接的批評是：拿掉企業級語彙，這套系統可能只是知識管理、範本庫、流程自動化，加上 Palantir 的品牌與工程能力。

這個批評有其道理。Kirkland 選擇 Palantir，部分原因可能確實來自行銷、採購慣性、既有關係或企業級安全需求，未必全是技術必然性。

但若一套系統真的能精細管理權限、把資深律師的判斷嵌入工作流程，並讓事務所的市場實務持續累積，它就不只是貼上 Palantir 商標的知識管理工具。問題在於，外界目前能看到的，多半是產品定位與少數公開說法，還不足以證明它在實際交易中的表現。

Palantir 會不會把同樣系統賣給競爭者？

Kirkland 與 Palantir 的合作，未必能永久阻止 Palantir 為其他大型律所建立類似系統。若這類私有平台逐漸普及，先發優勢會遞減，護城河也會從「獨家基礎設施」變成「基本配備」。

這是合理的風險。Kirkland 目前擁有的，可能是一段時間內的領先，未必是永久性的結構性優勢。真正的差異，最後仍取決於它能否持續累積資料、維持治理能力，並讓律師真的願意把判斷放進系統。

這會不會只是作者自己的框架？

這是最誠實的一個反問。當一篇文章已經以「護城河」、「浪潮」與「私有 AI 設備」作為主要概念，任何大型合作案都很容易被塞進同一套敘事。

檢驗標準，應該是這個框架是否能在事前指出幾件事：企業應該優先投資基礎設施而非單純採購模型；應該先選擇封閉性高、資料敏感、且判斷難以外購的業務場景；應該把資料治理與模型部署視為核心，而非附屬功能。

Kirkland 的做法確實符合這些條件。但這仍是一個正在進行中的實驗，尚未被市場充分驗證。

最後的問題

法律專業對壟斷與獨立性特別敏感。當一家規模最大的律師事務所，同時成為關鍵法律科技平台的擁有者，競爭對手是否願意把最敏感的交易資料，放進競爭者的系統？這不只是技術問題，也是市場信任與職業倫理問題。

Kirkland 確實買到了兩項相對耐久的資產：私有資料與營運基礎設施。它也把這些資產包裝成一個強調資料主權與內部治理的私有系統，並選擇從最封閉、最依賴關係與判斷的基金設立業務切入。這是一個相當漂亮的策略布局。

但真正的問題還沒有答案：一個高度重視獨立性的市場，是否願意接受最好的工具，來自其中最大的玩家？

三個自問自答

• 我的系統裡，有哪些資料是客戶獨有、難以從公開語料或外部供應商取得的？
• 我的系統能否把資深人員的判斷，轉成可查詢、可更新、可授權、可治理的組織資產？
• 我的權限設計，是否能依業務物件與關係控制存取，而不只是靠資料夾、檔案權限或文件加密？

若三個答案都是肯定的，那目前可能已經接近 Kirkland 正在嘗試的事。若答案多數是否定的，則可能仍停留在模型應用層，而

模型應用層最大的風險向來都是：別人很快也能做出一個很像的東西。