客製化合約 AI 審閱完整指南：Harvey / Ironclad CLM / DocuSign CLM / 自架 LLM 四條路徑 — 中小企業老闆 6 個決策、5 條合約紅線、3 個報價區間

最近我們在自己的 AI 顧問服務裡持續被問同一個問題——「我們公司一個月要看 80 份合約，能不能直接買一套 Harvey 就好？」。問的人大多是中小企業老闆或採購主管，看新聞知道 Harvey 在 2026 年 3 月剛拿到 110 億美元估值，覺得既然 Am Law 100 律所有一半都用它，自己也應該跟著買。問題是，Harvey 一個座位一個月可能要台幣 6,000 到 60,000 元（依規模而定），而你 5 個法務 + 3 個業務 一起用，一年帳單可能就壓到 200-500 萬。這筆預算夠你做一套客製化系統，還能留下源碼。

這就是這篇要拆給你看的事：合約 AI 審閱不是只有 Harvey 一條路。市面上至少有 4 條路徑——Harvey AI（垂直法律 LLM）、Ironclad CLM（合約生命週期管理 + AI 層）、DocuSign CLM + Iris（簽核領導者的 AI 模組）、自架 LLM（OpenAI / Claude / Gemini + RAG 在你自己的雲）。每條路的單位經濟、資料邊界、整合難度差很多，老闆得學會在這幾條路之間做取捨，而不是被廠商的銷售話術帶著走。

先把底交代清楚：恆遠數位行銷不是律師事務所、也沒有自己的 LegalTech 產品。我們是客製化系統與 AI 顧問接案公司，公司內部每天就在跑 20+ 個 AI 流程，從合約模板生成、SOW 條款比對、到客戶來信意圖分類都有。所以這份指南寫的是「採購方視角」——怎麼判斷哪條路徑符合你的法務 SLA、預算、跟資料邊界，不是要賣你某個 SaaS。

有一個數字很值得注意——Gartner 2026 年 5 月的預測 指出，企業內部法務部門的 LegalTech 預算將在 2028 年翻倍，主因就是 GenAI 把合約審閱、研究、起草這三件最耗時的事整段壓縮。同一份報告補上一句更狠的判斷：到 2029 年，約有一半的合約審閱將由自助系統完成，只有十分之一會被人類複核。對中小企業而言，這代表你不買也得買——差別是你買「貴的、別人代管」的，還是「便宜的、長在自己系統裡」的。

從一份合約到一個治理框架：產業數據說了什麼

先看市場規模。Mordor Intelligence 的 LegalTech 報告 估計全球 LegalTech 市場 2026 年規模約 386.7 億美元，2025-2031 年 CAGR 約 7.6%，其中 CLM（合約生命週期管理）這個子類的成長率最高，達 18.35%——這個數字幾乎是整個 LegalTech 平均的 2.4 倍。為什麼？因為合約是法務部門裡「重複性最高、最容易被 LLM 吃掉」的環節。Gartner 預測到 2027 年全球 LegalTech 市場將達 500 億美元，差距完全由 GenAI 撐起來。

台灣中小企業這邊呢？目前還沒有官方統計把「合約 AI」獨立切出來，但從我們在 AI 顧問服務裡接到的詢價節奏判斷——2026 年 Q1 之後，問「合約自動化」的中小企業老闆比 2025 年同期至少多 3 倍。對應的痛點有 3 個：

• 合約審閱時間從 一份 4-8 小時壓到 30 分鐘到 1 小時，但要在不丟失關鍵紅線判斷的前提下
• 法務 SLA（業務丟合約 → 法務回覆）從 5 天壓到 1 天以內，業務不再因為等合約而錯失成交時機
• 合約版本控制、用印紀錄、到期續約警示 全部自動化，避免手動追蹤造成的漏簽或重複簽署

但這 3 件事的解法不是同一個。合約「審閱」和「簽核流程」是兩個子問題：審閱要的是 LLM 理解條款語意的能力，簽核要的是工作流引擎 + 用印與稽核軌跡。Harvey 擅長前者、Ironclad / DocuSign CLM 擅長後者。如果你只買其中一邊，會有半個流程懸空。

Harvey vs Ironclad vs DocuSign vs 自架 LLM：4 條路徑全景

先把這 4 條路徑攤開來比，後面 6 個決策才有判斷基準。

Harvey AI：贏在律師認可，輸在中小企業 ROI

Harvey 在 2026 年 3 月以 110 億美元估值完成 2 億美元成長輪（GIC 與 Sequoia 領投），這個數字本身就回答了「它值不值得買」這個問題的一半——資本市場高度看好。根據 Sacra 的估算，Harvey 在 2026 年 5 月達到 3 億美元 ARR，客戶數 1,500+、跨 60 國、14.2 萬名律師使用。

但對中小企業老闆而言，這些數字反而是警訊。Harvey 的核心客戶是 Am Law 100（美國前 100 大律所），它的 prompt 模板、評估數據集、agent 流程都是為「律所合夥人」設計的。中小企業要的是「業務丟一份 NDA 進來，5 分鐘內告訴我有沒有風險條款」——這個簡單需求 Harvey 做得到，但你是在拿一台跑車送外賣。實際報價依規模從每座 100-200 美元 / 月（大型部署）到 1,000-2,000 美元 / 月（小型部署）不等，且不公開定價。

Ironclad CLM：工作流引擎強，AI 仍在加掛

Ironclad 是 Gartner Peer Insights 上 CLM 類別常駐領導者，2025 年起把 Jurist AI agent 整合進主流程：上傳合約 → 自動抽欄位（付款條件、終止條款、責任上限、適用法）→ 跟你的條款庫比對 → 標出偏離標準語言的紅線。Vendr 的成交數據 顯示 Ironclad 年費通常落在 3 萬到 25 萬美元，中型市場買家多在 5-12 萬美元。實作費用另計，標準 1-4 萬美元、複雜整合可超過 7.5 萬美元。

優點是 Ironclad 對 Salesforce、Slack、Jira 的整合都做得很完整，業務、法務、IT 三邊不用換工具。缺點是中文（特別是繁中）支援要靠你自己訓練條款庫，且實作週期通常 3-6 個月——中小企業常等不起。

DocuSign CLM + Iris：簽核入口往上長

DocuSign CLM 是「從簽核往上長」的代表。Iris 是它 2026 年主打的 AI 引擎，訓練於數十年合約資料，能做條款抽取、生成式 Q&A、跟 DocuSign Insight（合約分析）串接。Bind Legal 的估算 指出 DocuSign CLM 基本平台年費起跳 25,000 美元，小型部署 4 萬起、大型企業 20 萬以上；Insight 模組另外 5,000-20,000 美元 / 年。

最大優勢是你已經在用 DocuSign eSign，往上加 CLM 的學習成本最低、整合最順。最大劣勢是它的 AI 仍在追趕——Iris 的條款抽取準確度依規範條款訓練資料量而定，非標準合約（特別是中文版本）可能要等模型自學一段時間。

自架 LLM + RAG：單位成本最低，工程責任最重

第 4 條路是用 OpenAI GPT-5.4、Anthropic Claude Opus 4.8、Google Gemini 3.5 Pro 之中的一個（或多個）API，加上 RAG 架構，把合約模板、過往簽過的條款、公司紅線都做成 vector store，前端做一個審閱介面接給法務和業務用。Alpacked 的整理 提到，自架 LLM 在每天 1,000 萬 token 以上的使用量才會比 API 划算，但對「審閱」這種讀多寫少的場景，純 API 路線就足以撐起 30-50 人的法務 + 業務團隊。

一個 7B 開源模型搭配調好的 RAG pipeline，在企業文件任務上常常贏過 70B 沒有 context 的模型——這是 RAG 的暴力之美。對中小企業而言，這條路的單位成本可以壓到 SaaS 的 1/5 到 1/10，但要有工程團隊願意接維運。

中小企業老闆採購前要先回答的 6 個決策

這 6 個決策建議在跟任何廠商簽 NDA 之前先在內部對齊。法務、IT、採購三邊講不通的話，後面導入只會更痛。

決策 1：多租戶 SaaS vs 單租戶 / 私有部署

多租戶 SaaS（Harvey、Ironclad、DocuSign CLM）的優勢是上線快、不用養 infra；劣勢是你的合約資料會跟其他客戶共用底層模型 / 索引（雖然有邏輯隔離，但物理上是同一套）。如果你的合約裡包含商業機密、客戶名單、未公開財務資訊——多租戶就是一條紅線。

單租戶（廠商在你的私有雲開一個 instance）或私有部署（自架）是另一個選項。Harvey 有給大客戶的單租戶選項，但價格通常翻倍；Ironclad 也提供 single-tenant 但要客製議約。自架就完全自控，但工程成本要算進來。

決策 2：On-prem vs Cloud vs Hybrid

On-prem 是「主機放你公司機房」，最高資料控制權但維運成本最高；Cloud 是「主機放 AWS / Azure / GCP 你自己的 account」，平衡點最好；Hybrid 是「敏感資料 on-prem、計算 in-cloud」，適合受監管行業（金融、醫療）。

中小企業若沒有專職 SRE，我們建議直接走 Cloud。On-prem 的維運責任會吃掉你省下來的訂閱費。

決策 3：中文 / 繁中支援的真實深度

這是中小企業最容易被廠商唬過的一題。Harvey、Ironclad、DocuSign 都會說「支援多語言」，但「支援」這個字的解析度差很多。問清楚 3 件事：

• 條款抽取（NER）的繁中準確度是否有公開 benchmark？
• 法律術語向量化是否用台灣的判決書、行政函釋訓練過？
• 錯字 / 標點不一致（合約常見問題）是否會被視為「不同條款」造成 false positive？

我們的判斷是：到 2026 年中，繁中的合約 AI 審閱準確度，Harvey > Ironclad > DocuSign CLM，但都不到「直接信任」的水準——任何 SaaS 路徑都建議搭配律師抽樣複核。自架路徑因為你可以用台灣本地語料 fine-tune，反而能在繁中特殊條款上做出更高準確度。

決策 4：與 ERP / CRM / HR 系統的整合深度

合約不是孤島。客戶資料在 CRM、員工合約在 HR、供應商合約跟採購單在 ERP、用印紀錄要跟內控走。買一套合約 AI 但跟既有系統不通，等於做了一座漂亮的孤島。

Ironclad / DocuSign CLM 對 Salesforce 整合最成熟，對 SAP / Oracle / 工研院 ERP 的整合視 connector 而定。Harvey 預設不做 ERP 整合，靠你的工程團隊自己接 API。自架路徑當然是最有彈性的，但工程成本要算進來。

關於客戶資料怎麼整合的更深層架構選擇，我們另外寫過一篇 客戶 360 / CDP 整合架構選型完整指南，可以接著看。合約 AI 跟 CDP 是同一條資料骨幹的兩端。

決策 5：律師抽樣複核 fallback 機制

這條是合規紅線。Gartner 預測 2029 年只剩十分之一合約會被人類複核——但那是 2029，不是現在。現在你必須保留「AI 判斷風險高 → 自動 routing 給內外部律師」的 fallback。

Harvey 和 Ironclad 內建這個 routing，DocuSign CLM 要靠工作流自己設。自架路徑你自己 hardcode 一個 threshold（例如：AI confidence < 0.7 自動標 flag），技術上最簡單。重點是這個機制本身要寫進合約 SOP，不能只放在系統設定。

決策 6：訓練資料保密與不被用於模型訓練

這條也是合規紅線。所有跟廠商簽合約前，要白紙黑字寫清楚 3 件事：

• 你的合約資料 絕對不會被用於訓練廠商的基礎模型
• 廠商員工 不得讀取你的合約資料（除非你白名單授權的支援工程師）
• 廠商若被收購、倒閉、終止服務，資料返還與銷毀的時程與證明

第 3 條跟我們另一篇 源碼託管（Source Code Escrow）完整指南 講的概念類似——合約資料其實也該有「資料託管 / 第三方退場保險」的設計。

跟廠商簽約前要鎖死的 5 條合約紅線

把 SaaS 採購合約攤開來看，這 5 條紅線是專門替合約 AI 廠商準備的——其他 SaaS 也適用，但對合約 AI 特別重要，因為你正在把「公司最敏感的法律文件」交給對方處理。

我們認為這 5 條 + audit log 屬權是合約 AI 採購的最低底線。再退一步的廠商就建議直接淘汰，省得後面慢慢吵。SOC 2 Type II 認證可以當作起點檢查，但不是萬靈丹——細節見 SOC 2 Type II for AI 完整解析。

3 個報價區間：SaaS、On-prem 客製、API 自架的真實成本

把預算規劃攤開來看，這 3 個區間幾乎涵蓋所有中小企業合約 AI 採購的情境。每個區間後面我們會講「適合誰、隱性成本在哪、跟誰簽約最划算」。

SaaS 區間：200-2,000 萬 / 年

這個區間的「貴」不在訂閱費本身，而在「你買的是別人的工程能力」。Harvey 1 個座位 1 個月 100-200 美元（大型部署），8 人團隊一年就是 9,600-19,200 美元，加上 add-on、進階模組、實作費，台幣 200 萬起跳是現實的底。Ironclad 中型部署落在 5-12 萬美元 / 年，DocuSign CLM 落在 4-20 萬美元 / 年。

隱性成本：實作費（1-7.5 萬美元）、員工訓練（不能算入訂閱費，但實際吃掉 20-40 個工時 / 人）、跟既有系統整合的工程外包（5-30 萬台幣 / 個 connector）。一年下來總帳通常比訂閱費多 30-50%。

On-prem 客製：50-300 萬一次性 + 20-80 萬 / 年維運

這條路是「找一個會做 AI 系統的客製化開發公司，幫你建一套合約 AI 在你自己的雲」。前期一次性開發費 50-300 萬（依複雜度而定，含模型選型、RAG 架構、前端、整合），上線後維運 20-80 萬 / 年（含 LLM API 用量、infra、bug fix、模型升級）。

適合的情境是：合約量中等（200-2,000 份 / 年）、資料敏感度高（不能放到別人的多租戶 SaaS）、有 IT 或工程同仁可以對接但不到能養專職 ML 團隊。預算抓對的話，3 年總成本通常比 SaaS 路徑省 30-50%。

純 API 自架：10-50 萬建置 + 5-30 萬 API 用量

這條路是「你自己有工程團隊，自己寫一個合約審閱前端 + RAG 後端，呼叫 OpenAI / Claude / Gemini API」。建置成本主要在工程師工時（10-50 萬台幣足以做出 v1），API 用量看合約量——一份 10 頁合約進 LLM 跑一輪審閱大約 0.5-2 美元，1,000 份 / 月就是 500-2,000 美元 / 月（台幣 1.5-6 萬）。

這條路最大的隱性成本是「評估數據集」——你要自己建一份 100-500 份的「標準答案」合約集，用來持續驗證 LLM 的判斷準確度。沒有這個數據集，你不知道 AI 什麼時候開始漂移。這個數據集的建置工時往往比寫程式還多。

中小企業導入合約 AI 最常踩的 4 個雷

雷 1：中文 NER 準確度沒做 baseline 就上線

廠商 demo 用的英文合約準確度 95%、上線後用你的繁中合約一跑只剩 70%——這種落差非常常見。原因是法律 LLM 的訓練語料以英文為主，繁中（特別是台灣法系的判決書、行政函釋、商業習慣）的 representation 都偏弱。

正確做法是：上線前先準備 50-100 份「你自己最常見的合約類型」（NDA、勞動契約、業務代理、採購、ODM、租賃……），人工標一份標準答案，跟 AI 跑出來的結果做 F1-score 比對。低於 0.8 的就不要硬上，要嘛換廠商、要嘛走自架路徑自己 fine-tune。

雷 2：template drift（範本漂移）沒人管

公司用的合約範本會慢慢演化——業務談單時讓步了某條、法務改了某條、新法規逼你加某條——半年後跟原始版本差很多。但你給 AI 用的 reference template 還是半年前那份，AI 拿舊範本去比新合約，全部都標成「偏離」。

解法是建立「範本版本控制」機制：每份合約範本有 git-style 的版本號、每次修改要有 PR 流程（法務 + 業務協作審核）、AI 比對時自動抓最新版。Ironclad 內建這個機制，Harvey 要靠你自己組，自架路徑你自己寫一個簡單的版本管理表就夠用。

雷 3：律師簽核流程沒做 audit log

AI 標完紅線、律師看完點同意——這個動作有沒有被系統記錄？很多時候律師是「在 Word 上改一改、回信給業務」，整個審核軌跡留在郵件裡。一旦未來打官司，主管機關問「這條條款當時是誰核可的」，你拿不出證據鏈。

解法是把「律師簽核」這個動作做成系統流程：必須登入 → 看 AI 標的紅線 → 在系統內回覆同意 / 修改 / 退件 → 系統存檔（含時間戳、IP、變更前後 diff）。Ironclad / DocuSign CLM 內建，Harvey 部分支援，自架要自己寫但不難。

雷 4：合約版本控制沒鎖死

最常見的災難是：業務拿了 v2 的合約給客戶簽、客戶簽完是 v3、法務手上又是 v1——簽下去發現大家簽的是 3 個不同版本。AI 沒辦法救你的，AI 只能標紅線，不能阻止你把錯的版本寄出去。

這個雷的解法跟「合約 AI 採購」本身關係不大，更靠近 客製化合約管理 CLM 系統開發完整指南 講的「合約生命週期管理」核心概念。AI 是審閱層，CLM 是流程層——兩個一起做才完整。

選擇自架 LLM 路徑時要面對的 5 個工程決策

如果你決定走自架（純 API + RAG 或 On-prem 開源 LLM）路徑，下面這 5 個工程決策會直接影響 v1 上線的時間跟後續維運成本。

選擇 1：Base Model 選哪一個

2026 年中市面上的候選是 OpenAI GPT-5.4、Anthropic Claude Opus 4.8 / Fable 5、Google Gemini 3.5 Pro。我們的判斷是：

• Claude Opus 4.8 / Fable 5：長文本（合約常常 20-50 頁）處理與條款語意分析做得最穩，價格中段
• GPT-5.4：結構化抽取（JSON output、function calling）最成熟，做合約欄位 NER 很順
• Gemini 3.5 Pro：200 萬 token context window，整合 Google Workspace 環境的中小企業最直觀

選哪一個的細節我們在 Google Gemini 3.5 Pro 完整解析 講過更深，這裡只給結論：合約審閱我們會優先選 Claude 系列做主、GPT 做欄位抽取的 multi-model 設計。

選擇 2：RAG vs Fine-tune

90% 的中小企業合約 AI 用 RAG 就夠。把你的條款庫、過往合約、公司紅線都做成 embedding，每次新合約進來檢索最相關的 K 個片段、塞進 prompt 給 LLM 判斷。優勢是更新合約範本不用重訓模型、單位成本低、易於審計。

Fine-tune（特別是 LoRA）只在 2 種情境值得做：(a) 你的合約用語有強烈的產業特殊性（例如保險、醫療器材、半導體）、(b) 你的合約量大到 RAG prompt context 撐不住（每月 100 萬份以上）。否則 RAG 在 ROI 上完勝。

選擇 3：中文 / 繁中預處理 pipeline

繁中合約有幾個 LLM 標準 pipeline 不會處理好的細節：

• 半形 / 全形混用（句號、逗號）會影響 token 切分
• 中文數字 vs 阿拉伯數字「壹佰萬元整」與「1,000,000」要 normalize
• 引號變體「」、『』、""、＂＂ 要統一
• 法律用語的固定模板（例如「茲因」、「為憑」、「立此存照」）可以走 rule-based 加速

這層 pipeline 不複雜，但會直接影響後面 LLM 判斷的準確度。我們建議在 RAG 層之前做一個 normalize 模組，不要讓 LLM 跟標點符號吵架。

選擇 4：評估數據集怎麼建

這是 90% 自架專案被低估的工時。你需要一份「黃金標準」合約集（建議 200-500 份），每份都人工標好「應該被標紅的條款」「正確的欄位值」。沒有這個數據集，你不知道 LLM 換版本之後是不是退步了。

實務上的做法：找律師或資深法務協作，每週標 20-30 份，3-6 個月累積到 200+ 份。每次模型升級（無論是 API 端 model 換版、還是 prompt 調整）都跑一次 regression test。

選擇 5：客戶資料隔離（multi-tenant if you are a SaaS）

這條只有「你自己做的合約 AI 要服務多家客戶」時才適用——例如你是會計事務所、要幫多家中小企業審合約。資料隔離至少 3 層：

• Tenant ID 寫進每一個 DB row 和 vector store entry
• Embedding namespace 按 tenant 切，跨 tenant 檢索一律禁止
• LLM prompt 不能跨 tenant context 混用（防 prompt injection）

我們的判斷：2027 年企業合約 AI 的真實樣貌

Pattern 2 的主場到了——直白給判斷。我們認為 2027 年企業合約 AI 會走成這樣：

第一，純 SaaS 路徑（Harvey、Ironclad、DocuSign）會在大型律所和金融保險業整合得很深，但中小企業這一塊會被「客製化 + 自架」的中堅廠商吃掉一半以上。 原因簡單：中小企業老闆會發現，付一年 200 萬訂閱費，3 年下來等於買了 6 套客製系統的開發費。

第二，Audit log 主權 + 退場條款會變成 LegalTech 採購的「水費電費」級必備項。 現在還是「廠商善意配合」階段，2027 年會被列入主管機關（金管會、個資法主管機關）的明確要求，沒寫清楚的合約等於踩線。

第三，中文 / 繁中合約 AI 會出現 2-3 家本土強者。 Harvey 不會專門為台灣調，DocuSign 跟 Ironclad 也不會。台灣的法律 LLM 機會空間就在這裡——做出一個「比 SaaS 便宜 50%、繁中準確度比 Harvey 高 30%」的客製系統絕對可能。我們在 AI 顧問服務裡看到的詢價就是這個訊號。

第四，自架 LLM + agent 流程 會在 2027 下半年變成法務部門的標配「左右手」——它不只審合約，還會自動草擬第一版回覆、追蹤對方來信、提醒到期續約。Harvey 的 25,000 個 agent 是這個方向的領跑者，但開源 agent 框架（LangGraph、CrewAI）會把成本壓到中小企業也養得起。

給中小企業老闆的行動建議

看到這裡，如果你也在想「我們公司到底適合走哪條路」——我們很樂意 聽你聊聊目前的合約流程，把你的合約量、團隊結構、預算丟過來，我們陪你一起算 ROI、看哪條路徑最划算。這個階段我們陪你想，後面真的要動手再談範圍跟費用。