LegalOn 將 Codex 成本減半，同時維持開發速度
LegalOn 按任務選用 Astra、Sol 和 Luna，並策略性管理預算，在維持開發速度的同時，將成本降低 65%。
成果
-20%
成熟業務的成本降幅
成果
-65%
每日估計成本降幅
LegalOn Technologies 在全球提供專業 AI，以 AI 支援法律工作及其他核心業務職能。透過結合領域專業知識與 AI，讓人員專注於複雜的判斷與決策。其目標是實現 AI 驅動的管理，提升業務決策的質素與速度。
這個理念不僅應用於產品，更延伸至將企業本身打造成 AI 原生組織。公司將 Codex 整合至開發流程，並透過日常使用，推動全公司更廣泛地採用。
隨着應用日漸普及，新的挑戰也隨之出現：成本控制。無限制地使用高效能模型可能令開支攀升，但一刀切的限制又可能削弱 AI 帶來的生產力提升。
如何在不拖慢開發進度的情況下降低成本？為應對這項挑戰，LegalOn Technologies 根據任務複雜程度和開發階段，在 GPT‑6（Astra、Luna）與 GPT‑6.1 Sol 之間選擇，並按各項業務的成長階段編配預算。公司在維持開發速度的同時，將成本減半。
公司起初讓開發人員無限制地使用主要模型 GPT‑5.5，並啟用快速模式。開發人員將其應用擴展至設計、實作及日常工作，透過反覆嘗試，探索人員與 AI 之間最合適的分工方式。
然而，若繼續無限制地使用高效能模型，開支勢必超出年度預算。公司的 AI 輔助開發卓越中心（AID CoE）於是着手制定模型選用指引。AID CoE 負責測試及監察模型，管理人員則向各自團隊分享測試結果。這讓每位工程師都能自主選擇最適合各項任務的模型。
在新指引下，公司不再一律使用能力最強的模型處理所有任務，而是按工作需要選擇合適的模型。團隊先使用輕量模型，再隨任務複雜程度增加，轉用能力更強的模型。
為配合治理工作，公司亦透過管理員設定實施系統管控，為部門及個人設定每月用量上限。AID CoE 監察使用情況，並按業務需要調整上限。
在這些管控措施下進行的內部測試，有助訂立更具體的選用準則。最輕量的 GPT‑6 Luna 負責需求明確的程式碼實作；GPT‑6.1 Sol 支援一般設計、數據分析及文件編製；能力最強的 GPT‑6 Astra 則處理架構設計等需要進階判斷的工作。按任務選用模型，逐漸成為各團隊的共同做法。
GPT-6 Luna
Everyday execution and implementation; running everyday automations; delegating relatively simple tasks and analysis; code implementation, mainly as a subagent.
GPT-6.1 Sol
Standard design and analysis; relatively simple software design; routine numerical analysis and document creation; tasks requiring shorter completion times than with Luna.
GPT-6 Astra
Complex analysis, design, and orchestration; complex analysis and document creation; complex software design; coordinating agents as the orchestrator.
除了按需選用模型，公司亦開始預設限制使用快速模式，僅在有需要時接受個別申請。雖然這項改動引起了對開發速度的憂慮，但團隊透過並行執行任務等方法維持工作成效，順利完成過渡。
公司亦為部門、小組及個人層面的 AI 開支設定預算上限。公司要求已成熟的 LegalOn 業務將成本效益提升最多約 20%，同時為起步階段的新業務提供充裕預算，鼓勵積極使用 AI。
LegalOn Technologies 高級工程經理 Yuta Tokitake 解釋，新業務更重視業務推進速度，而非成本效益。目標是廣泛運用 AI 來增加產出，最終推動業務增長。
透過結合模型選用、功能限制，以及按各項業務需要編配的預算，每日估計成本降低了約 65%。這個做法既控制了整體預算，也將資源投放到公司希望拓展的業務。
優化模型選用及策略性分配資源，帶來以下成果：
不再以能力最強的模型處理所有任務，改為根據任務複雜程度和開發階段，選用 GPT‑6 Astra、GPT‑6.1 Sol 或 GPT‑6 Luna。
預設限制使用快速模式後，團隊透過並行執行任務等做法，維持開發成效。
透過預算上限，在成熟業務的成本效益提升約 20% 的同時，積極投資新業務。
透過選用不同的 GPT‑6 及 6.1 模型，相較於使用 GPT‑5.5，每日估計成本降低了 65%。
透過優化模型選用，公司在不犧牲開發速度或質素的情況下降低了成本。團隊亦觀察到，AI 正持續縮短從開發到發佈的週期。
但公司的目光放得更遠。單憑開發速度加快，就能判定 AI 投資成功嗎？開發提速與客戶價值之間的關係，仍未明確。Tokitake 表示：「AI 能加快系統開發與更新，這幾乎已是公認的事實。」「我們真正想了解的是，開發提速是否確實為客戶帶來價值。」
這個問題促使公司制定自己的衡量指標，將 AI 投資的評估基礎，從開發速度和使用量轉向客戶價值。
Tokitake 解釋：「使用 AI 時，我們可以追蹤個別任務的成本，但完成整項工作，也就是一次功能發佈，所需的總成本往往仍不透明。因此，我們以每次功能發佈為單位，設計衡量方式。透過將該次發佈帶來的客戶價值，與實際投入的 AI 成本連結起來，我們希望清晰、準確地呈現投資回報。」
公司目前正建立計算這項指標所需的數據處理流程。完成後，便能以客戶價值為依據，清晰呈現真正的投資回報。LegalOn Technologies 正超越單純的 AI 成本管理，朝着將科技投資與業務價值直接連結的方向邁進。
下一個目標，是將個別工程師的 AI 應用經驗，轉化為全公司的共同能力。第一步，公司計劃建立知識庫，匯集及分享實務經驗。知識庫將收錄設計、實作和審查階段的最佳模型組合等知識，並迅速將個人的成功經驗轉化為全公司的最佳實踐。
這些由團隊實務經驗推動的改變，亦正影響組織架構與招聘方向。AI 帶來的生產力提升，正促使公司從根本重新思考人員與 AI 的分工，以及人力規劃。隨着投資策略與組織架構演變，公司已開始在招聘時重視 AI 技能。
要將 AI 應用轉化為持久的競爭優勢，就必須持續調整治理與團隊自主權之間的平衡。AID CoE 與安全團隊正攜手合作，從多個角度優化效能、成本與風險管理，建立靈活的框架，支持全公司探索及試驗。
「規則和預算若施加過多限制，可能削弱組織的發展動力。我們需要靈活的運作模式，在風險控制與團隊所需的推進速度之間取得有效平衡。」
