联邦法院正面临一种新的 AI 压力
MIT 和南加州大学研究人员的一项新研究表明，生成式 AI 正在以一种直接且可衡量的方式重塑美国法律体系的可及性。研究人员发现，在 ChatGPT 广泛可用之后，美国联邦民事法院中没有律师代理提起的诉讼急剧上升，如今每五份起诉状中就有一份包含 AI 生成文本。起初看起来像是对无力负担律师费用者的民主化效应，但对法官和法院工作人员来说，这也正在变成一种运营压力。
该研究分析了从 2005 财年到 2026 财年的 450 万起民事诉讼，以及来自 PACER 这一联邦电子案件登记系统的 4600 万条记录。其核心指标是 pro se 比率，也就是由自行代表自己的人提起的案件比例。大约二十年来，这一比例一直稳定在联邦民事案件的 11% 左右。到 2025 财年，这一比例升至 16.8%，仅该年度就有 41,490 起 pro se 诉讼，几乎是研究中所描述的 AI 出现前平均水平的两倍。
这一跃升之所以重要，是因为联邦法院并不是自诉诉讼人最容易进入的场所。立案费用很高，正式起诉标准也很严格，而且美国大多数民事诉讼其实发生在州和地方法院。研究人员认为，如果联邦立案已经显示出如此程度的 AI 相关增长，那么在更低层级法院中的影响可能会更大。换句话说，联邦数据可能只是更大转变中可见的前沿。
AI 在哪里有帮助，哪里又没有
这一模式并非在所有案件类型中都一致。增长集中出现在那些起诉状通常可以围绕熟悉模板和程序表格来组织的领域，包括民权主张、消费信贷纠纷以及与止赎相关的立案。相比之下，那些依赖深度专业知识的领域，例如专利法或证券法，在研究中并未显示出类似效果。
这一差异是该研究最重要的发现之一。大型语言模型似乎降低了一个特定障碍：起草在程序上可行的文件。它们并没有抹平法律体系的全部复杂性。在更简单或更标准化的争议中，AI 可以帮助非律师产出一份足以进入法院、看起来相当合规的起诉状。在高度专业化的诉讼中，这种优势则似乎有限。
增长也主要集中在原告一侧，并同时出现在 50 个州中的 44 个州，这种分布被研究人员视为反对地方性解释的证据。如此广泛的地理扩散，强化了这样一种判断：这一变化与全国性的技术变革有关，而不是少数几个地区法律趋势造成的。
工作量问题可能比立案问题更大
该研究并未描述法院结果体系的崩溃。案件持续时间和结果分布据称基本没有变化。但这并不意味着系统未受影响。更直接的压力体现在每起案件内部活动的数量上。
研究人员称，截至 2025 年第二季度，在诉讼前 180 天内，由 pro se 原告提交的每家法院案卷记录数比 AI 出现前的平均水平高出 158%。这些记录中的每一条都需要处理。动议、答复、命令、程序通知和更正都会消耗工作人员时间。即便某份文件并未实质推进案件，仍然有人必须处理它。
研究还指出，有代理律师的案件每案记录数也在增加，上升了 23%，这表明律师和律所可能也在使用大型语言模型。这个细节很容易被忽略，但它指向的是一种更广泛的行政变化。AI 也许不仅是在把新用户带入系统，还可能在加快各种诉讼参与者生成文书的速度。
司法可及性与行政过载正在同时到来
AI 有可能缩小司法鸿沟，这种想法直观上很有吸引力。法律服务很昂贵，而许多有正当诉求的人因为程序负担过重而根本无法走进法庭。如果 AI 工具能帮助某人准备起诉状、整理事实并应对格式要求，这看起来就像是对可及性的胜利。
但研究表明，可及性与过载正在同时到来。据称，联邦法官正采取更强硬的措施来管理涌入的诉状。即便许多诉状是真诚的，系统仍然必须吸收更多可能是模板化、重复化，或只是表面符合法院规则的文件。一个围绕人类有限起草能力而设计的法院系统，如今面对的是软件辅助下的充足供给。
这带来了政策困境。若过于严厉地限制 AI 生成的文件，可能会把真正需要帮助的人挡在门外。若不加调整地放任这一趋势扩大，已经不堪重负的法院可能会更加迟缓。问题不只是 AI 是否应该进入法律起草，而是机构能否区分那些扩展真实可及性的辅助，与那些只会成倍增加行政噪音的产出。
这一变化接下来可能意味着什么
最直接的影响是运营层面的。法院可能需要新的筛查程序、更明确的披露要求，或针对自诉起诉状的更强格式与核验规则。它们也可能需要投资更多工作人员能力，以及为更高立案量而设计的数字化工作流程。
更深层的影响则是文化层面的。生成式 AI 正在改变人们觉得自己能否发起正式法律行动的感受。过去可能需要金钱、专业知识，或二者兼具的起诉状，如今只需一个提示词就能在几分钟内写出。这并不保证案件有力，但它改变了参与门槛。
该研究将这种门槛变化描述为具有历史意义。多年来，联邦 pro se 比率一直惊人地稳定。ChatGPT 之后的跃升打破了这一长期模式。这究竟会成为法律可及性的持久扩张，还是持续的文书危机，可能取决于的不只是模型本身，而是法院能多快适应这种机器辅助诉讼的新体量。
本文依据 The Decoder 的报道。阅读原文。
Originally published on the-decoder.com
