案件边界运行时防火墙——在每个法律 AI 智能体打开、导出或邮件发送特权文件前，先做一次动作仿真。

1. Tenet 表示，100 多个企业环境里已经出现数千个可能暴露的智能体。律所不需要先相信一个未来市场——暴露底盘今天就已经存在。
2. 法律行业客户从 2 个智能体扩到 20 多个，同时还在拦 10 多次攻击，说明律所正跨过一个阈值：电子表格治理和人工审查已经不够用。
3. 这组线索说明，带解释轨迹的执行前仿真已经在真实环境里跑起来了，于是构建法律行业专属控制层第一次变得可行，不必再只靠事后取证。
4. 这些智能体已经被描述成高权限自主员工，服务着覆盖 24 million 终端用户的系统；买方因此可以直接用管理人类高权限访问的风险语言，为运行时控制立项。
5. 种子融资和明确的 GTM 扩张表明，运行时安全已经成了被资本和客户共同资助的类别，不再只是研发部门的远期顾虑。

催化因素。 Tenet 的来源显示，法律行业客户正从 2 个活跃智能体扩到 20 多个，同时真实攻击尝试已经被拦住，运行时控制因此从“未来需要”变成“当前上线闸门”。

产品通过 API 代理和最小权限凭证，夹在法律 AI 智能体与 iManage、NetDocuments、Microsoft 365、Relativity 等系统之间。智能体要打开工作区、导出一组文件、发送附件邮件或批量检索前，平台会先用案件元数据、伦理隔离墙、客户限制和最近对话上下文做一次动作仿真。高风险动作会被直接拦下，或转给人工审批，同时附上一条解释轨迹，清楚指出究竟是哪条策略触发。安全和知识团队能拿到每一次智能体动作尝试的可回放审计轨迹，也能先跑影子模式，把权限过宽的智能体在正式上线前揪出来。因为这层切口发生在执行前，而且天然理解案件语义，它能抓住通用 DLP、IAM 和事后日志漏掉的失败。

差异化。 横向智能体安全平台会先做跨大量应用的通用策略，法律 AI 厂商则更关心起草、检索和工作流速度，安全最后留给客户自己兜。真正的赢法，是把案件策略图谱本身拿在手里：客户隔离墙、特权规则、工作区边界和对外文档动作，全都由这家公司来编排。这样一来，产品既能让 CISO 看懂，也能让知识团队买账；而拦截轨迹和案件专属策略结果数据，会沉淀成通用 DLP 厂商很难复刻的数据护城河。

待完成任务

flowchart LR
  Buyer[Law firm innovation and security team] --> Pain[Privileged agents can cross matter boundaries]
  Pain --> Product[Matter-boundary runtime firewall]
  Product --> Outcome[Production-safe legal agents with audit trails]

高管要点

• 法律 AI 已经从实验阶段跨到贴近生产的工作流部署；Akin 对 65 million 份文件的全所级 rollout，加上多份调查，把治理问题从假设推成了眼前题 [11][30][32][33][35]。
• 核心痛点不是模型能不能接入，而是边界怎么控：伦理隔离墙、特权审查、Graph 权限和提示词防御，今天仍散落在不同管控平面里 [5][10][13][15][20][21][22]。
• 一层中立、案件感知的运行时仍有空白地带，因为法律现有厂商只守住自家栈片段，横向 AI 安全厂商默认也不是按特权语义来建产品 [10][13][15][50][54][56][59][63]。
• 监管和特权压力正在同时收紧：ICO、SRA 和 EU AI Act 都在把部署推向“有文档化监督”的方向，而英国法律评论已经把随意使用开放式 AI 工具视为真实的保密风险 [72][74][75][78]。
• 竞争已经不轻，因为 AI 安全整合正在加速；但类别仍足够早，如果谁先拿下生产就绪闸门，仍有机会跑出一个垂直切口 [1][46][58][59][63][69]。

市场定义

这不是泛化 AI 治理市场，而是面向法律 AI 智能体的执行前运行时控制：这些智能体会检索案件、打开或导出文件，也会在 iManage、NetDocuments、Relativity 和 Microsoft 365 之间发送或分享特权内容 [5][10][13][15][17]。

用户与买方

最可信的首个买方，是已经把 AI 跑进系统记录层的大型律所或 ALSP 的安全、知识或创新负责人。此时他们需要的，不是再加一个助手，而是一层能同时满足 IT 风险和客户保密预期的上线控制层 [4][11][32][33][39]。

购买触发点

• 试点开始扩到真实案件工作流，律所需要一种生产安全的方式，把 AI 继续关在现有 DMS 和审阅边界里。 [11][30][35]
• 客户保密或特权顾虑在安全审查阶段变成具体问题，尤其是在监管已经提醒不要随意使用外部 AI 系统之后。 [72][75][78]
• 安全团队发现智能体握有宽泛的邮件、文档或检索权限，同时暴露在间接提示词注入或工具滥用面前。 [20][21][22][25][26]
• 法务运营工作量持续上升，技术预算也在增加，人工审阅已经不再可扩张。 [32][33][39]

支付意愿

预算形成看起来站得住脚，因为法律团队已经在增加 AI 支出，也预期会拿到实打实的效率收益；法律 AI 平台正从边缘实验，走向战略级工作流基础设施。 [33][34][46][50]

品类动态

增长信号 2025 年，法律组织里的活跃 GenAI 使用大致同比翻倍；到 2026 年，企业法务报告中的使用率已达到 87%。

验证信号

• iManage 的装机规模和在 Am Law 的渗透率，说明这是一个足够集中的生态，适合聚焦型 GTM。
• Akin 的全所级 NetDocuments rollout 说明，大型律所已经愿意把嵌入式 AI 真正跑在敏感仓库上。
• 使用 GenAI 的法律从业者，已经从边缘少数派走向实质性的市场份额。
• 企业法务部门同时在报告工作量走高和技术投入意愿延续。
• Harvey–iManage 集成说明，法律 AI 栈已经互联到足以让跨系统控制点变得重要。

监管与技术约束

• 产品必须坚持最小权限，因为 Graph 和 Exchange 的应用权限一旦放宽，就会把自主工作流过度授权。
• 部署必须满足数据保护、保密和人工监督预期，不能把 AI 当成普通 SaaS 功能随手接进去。
• 来自文档、邮件和其他检索内容的间接提示词注入，已经是 agentic workflow 里的一级威胁。
• 架构应尽量把审计能力留在原系统里，而不是把敏感内容搬进另一个失控工作区。

竞争大致分三类：横向 AI 安全厂商（Prompt Security、Lakera、Zenity、Noma）、云平台现有厂商（Microsoft Purview 和 Copilot Control System），以及已经掌握权限或内容系统的法律工作流厂商（iManage、NetDocuments、Relativity、CoCounsel）。只有在这家创业公司做跨系统、案件感知、执行前阻断时，明显优于各类原生控制，窗口才成立 [5][10][13][15][16][17][50][54][56][59][63]。

为什么现有厂商不会默认胜出

• 云平台. Microsoft 能把 DLP、身份和 Copilot 治理打包进超强分发里，但这些控制大多仍局限在 Microsoft 栈，以及通用策略对象，而不是法律案件隔离墙。
• 法律 DMS 与电子取证. iManage、NetDocuments 和 Relativity 已经在自家系统里掌握权限、伦理隔离墙和特权审查，但它们还没提供一层覆盖整条法律智能体工作流的中立动作闸门。
• 法律 AI 应用. Harvey 和 CoCounsel 可以把自家体验做得很安全，但律所越来越多地同时运行多个应用和连接器；真正未解的是跨智能体、跨仓库的一致执行。
• 横向 AI 安全. Prompt Security、Lakera、Zenity 和 Noma 都在广义上覆盖智能体和 LLM 风险，但法律专属的特权语义并不是它们默认的产品切口。

Matter-boundary Agent Firewall 最该起步的形态，不是泛化 AI 治理套件，也不是完整法律 AI 应用，而是一层面向 Am Law 200 律所的 iManage + Microsoft 365 运行时控制层。首个客户应是一家大型律所：有集中化创新或知识团队，至少跑着或即将上线 3 个案件工作流智能体，而且更大范围的生产发布正被安全审查卡住——原因是智能体动作还不能在执行前被审计、被约束。产品切口要足够窄：利用现有案件、伦理隔离墙和特权元数据，去仿真并闸控工作区打开、批量导出、外发邮件、跨案件检索这类高风险动作。这个滩头值得打，因为研究已经表明，法律 AI 正在逼近生产环境，而现有控制仍碎在 DMS 权限、Microsoft 治理和应用内 safeguard 之间。路线也要有顺序：先影子模式，再阻断，最后才谈更广的工作流自动化——前提是先在一个 DMS 生态里证明误报够低、部署成本可接受。市场输入支持一个聚焦但偏窄的初始机会：约 $175.0M TAM、$50.0M SAM、$4.4M 的第 3 年建模 SOM。所以，风险投资级上限取决于公司能否先拿下法律生产上线这个控制点，再扩进相邻的高权限知识工作流。最大的反证风险有两个：集成会不会演成重服务，买方会不会觉得打包在 Microsoft 或 DMS 里的控制已经够用。公开信息还没有证明独立定价真能被接受，也没有证明跨系统元数据在生产里足够稳定，这两个缺口必须在前 6 个试点里补齐。

问题

• 大型律所正在把 AI 真正塞进文档、邮件和取证系统里，但自主智能体一旦继承到足够多的权限，就可能在人工介入前跨过案件、客户或特权边界。
• 现有控制分别散落在 DMS 权限、伦理隔离墙、Microsoft 治理和事后日志工具里，于是律所要么把智能体永远锁在只读试点，要么承担一种无法对客户和内部风险委员会自证的保密风险。

解决方案

• 在法律 AI 智能体与系统记录层之间插入一层中立的运行时闸门，在执行前用案件元数据、伦理隔离墙、特权规则和最小权限凭证去仿真每一次高风险动作。
• 先从影子模式和带审批的阻断做起，覆盖 Microsoft 365 加一个法律 DMS 上的文件打开、导出、邮件和检索动作，让律所在不替换现有工具的前提下过掉生产安全审查。

为什么我们会赢

• 产品围绕跨系统的法律案件语义和特权语义来建，而 Microsoft、DMS 厂商和横向 AI 安全公司各自只掌握工作流的一部分。
• 这个切口卡在当下的购买事件上：AI 从试点走向生产，而一次边界突破就足以让全所上线停摆。
• 被拦与被批准的动作轨迹会沉淀成专有策略与评估数据集，既能提升检测质量，也能增强采购可信度。

里程碑

flowchart LR
  Wedge[Am Law iManage + M365 wedge] --> MVP[Shadow-mode and action-gating MVP]
  MVP --> Proof[Blocked-risk evidence and production approvals]
  Proof --> Expansion[Second DMS, more workflows, adjacent verticals]

创始团队

实验路线图

风险评估

必须成立的条件

• 至少一半的合格目标律所，必须计划在未来 12 个月内把法律智能体推入生产工作流。
• Microsoft 365 + iManage 的元数据，必须足以在大多数试点里于 4 周内支持准确的案件边界决策。
• 产品必须在至少 $150k 起步 ARR 的价格点上，跑出 50% 或更高的试点转生产转化率。
• 真实评估必须证明，这层控制能在执行前抓住现有厂商控制拦不住的边界或提示词驱动违规。
• 早期客户必须在 12 个月内从一个受治理工作流扩到多个受保护智能体，否则业务会停在狭窄点状方案。

待尽调问题

• 最先解锁预算的到底是哪一个动作：外发邮件、批量导出、工作区打开，还是跨案件检索？
• 目标律所里，已经在积极推进智能体上线的有多少，仍停留在政策起草和实验阶段的又有多少？
• iManage 和 Microsoft 的权限模型，能否被产品化地归一进一套策略图谱，而不是反复做定制服务？
• 什么样的证据，才能让买方放弃 Microsoft Purview、DMS 原生控制或法律 AI 厂商自带 safeguard，转而买一层中立运行时？
• 首个工作流上线后，一家生产客户在第 1 年现实中会保护多少智能体和多少仓库？

模型合理性

• Revenue engine. 基准情景下，Y3 收入来自 Q4Y3 的 25 个生产客户：每个客户 $195K 的混合经常性 ARPU，再叠加每个新 logo 的 $40K 付费试点或 onboarding 收入。
• Must go right. 模型隐含假设是：iManage + M365 部署会压到约 4 周，且试点转生产至少维持在 BP 设定的 50% 阈值，否则销售周期敏感性会很快吞掉现金跑道。
• Model breaks if. 如果价格往 $180K 走低、集成又持续重服务，即便不扩大招聘计划，下行情景也会在下一轮融资前先把现金打穿。
• Next-round proof. 在月度现金低点（第 29 个月）到来前，做到 Q4Y2 的 11 个生产客户、形成伙伴来源 pipeline，并在多工作流扩张上拿到可见证据，才足以支撑种子轮。

情景

敏感性

flowchart LR
  TargetAccounts --> PaidPilots
  PaidPilots --> ProductionCustomers
  ProductionCustomers --> ARR[Subscription and module ARR]
  ARR --> GrossProfit
  GrossProfit --> Cash
  MatterMetadata --> DecisionAccuracy
  DecisionAccuracy --> PilotConversion
  PilotConversion --> ProductionCustomers

警示项: 公司仍高度依赖“Am Law 200 + iManage + Microsoft 365”这条窄切口，所以少数几个账户延期，就会明显改写模型。 · 基准情景默认买方会持续为一层中立控制层付费，而不是接受 Microsoft 或 DMS 原生治理已经够用。 · 毛利率只有在部署真正产品化后才站得住；只要稍微往定制集成飘，下行情景就会掉到零以下现金。

• 文档系统集成拖慢进度. iManage、NetDocuments 和电子取证部署往往高度定制，集成一旦过慢，就容易把公司拖成服务型生意。 缓解措施: 先盯住 Microsoft 365 里最高风险的外发动作，再覆盖最常见的 DMS API；先上影子模式，再把首批共创客户沉淀出的策略模板产品化。
• 法律行业采购周期保守. 律所可能承认风险真实存在，但在更多同行公开披露事故，或客户明确要求控制前，仍会拖着不批预算。 缓解措施: 别卖抽象的未来风险，要卡着即将上线的决策节点和客户安全审查去卖，用被拦动作证据和更快过生产审批来讲 ROI。
• 横向平台蚕食市场. 通用智能体安全厂商可能补上简单的法律连接器，再把这个场景打包进更宽的管控平面里。 缓解措施: 把法律专属策略图谱、审计导出，以及围绕特权保护和伦理隔离墙的工作流语义抓牢——这些都是横向厂商深入建模成本很高的部分。