「AI合同审查工具赚钱SOP拆解：独立开发者用工作流设计切出月入3万美元的法律AI（文档解析+许可模型+按量订阅3步法）」-格赚

一句话总结：一名独立开发者不训练任何模型、不雇律师，只做”工作流设计”，把现成的文档解析 API 和许可的法律推理模型串成闭环，做出月入 3 万美元 MRR 的 AI 合同审查工具。护城河是 workflow，不是模型。

👤 人物画像

这位创始人（在访谈中化名为 “Daniel K.”）是一位 34 岁的全栈开发者，此前在一家大型法律科技（LegalTech）公司的工程团队待了 6 年，做的是”电子证据开示（eDiscovery）”和”合同生命周期管理（CLM）”后台系统。他离开大厂时带走的不是代码，而是对行业痛点最稀缺的判断力：

他看透了法律 AI 领域一个被所有人忽视的事实：

大厂在拼命自研法律大模型、烧钱做”通用法律 copilot”，但中小法务、创业者、自由职业者真正每天要的不是”一个会聊法律的 AI”，而是一件极具体的小事——“把这份合同里会坑我的条款标出来，并告诉我怎么改”。这件事根本不需要专有模型，只需要把几个 commodity（大宗商品级）能力串对。

他反复强调一句话：“我不是在做 AI，我是在设计一条流水线（pipeline）。模型是别人造的水龙头，我负责把管子接对。”

他踩过的真实背景（做产品前）：
– 在大厂时，他发现公司 70% 的”AI 合同审查”功能其实是规则引擎 + 关键词匹配 + 少量 LLM 调用拼出来的，自研大模型占比极低；
– 他手里有前同事（执业律师）愿意做兼职标注和 prompt 校准，但对方明确说”我不会写代码，也不想碰工程”——这逼出了”工作流要让人能无代码参与”的设计原则；
– 他没有法律从业资格，所以产品从第一天起定位就是”辅助审查、风险提示”，明确免责声明”不构成法律意见”，规避合规红线。

关键性格特质：
– 管道思维（pipeline thinking）：他看任何产品都先拆成”输入→处理→输出→通知”四段，再决定每段用什么现成积木拼；
– 极端克制：自定义代码死死压在 500 行以内，多一行都要问自己”能不能用 no-code 节点替代”；
– 懂边界：清楚自己不做”法律意见”，只做”风险标注 + 修改建议草稿”，把责任边界写进产品每一次输出里。

他一天的真实工作流（做产品前在老东家）还原：
– 9:00 收到客户一份 80 页并购协议，人工先扫”保密、赔偿、管辖、终止”四类高危条款
– 9:30–12:00 用内部工具逐条跑规则匹配，再手动把可疑段落贴给外部 LLM 做语义判断
– 13:30–15:00 把结果整理成”风险清单 + 修订建议”Word，发邮件给客户法务
– 15:00–17:00 回答客户追问、改格式
– 他自嘲：”真正’判断’的活儿不到 1 小时，剩下 7 小时都在’搬运、格式化、发邮件’。”

这段还原后来直接变成了产品的核心卖点文案第一句：“把你 7 小时的搬运，压成 3 分钟。”

💰 收入时间轴

下面是按访谈披露信息还原的 8 个月增长轨迹（MRR 基于访谈披露的 $30,000 终点，结合定价档位反推，付费用户约 180–220 个）：

月份	里程碑事件	付费用户数	MRR（美元）	关键动作
第 1 月	内部原型上线，帮 3 位前同事审合同	3	~$300	用 Python glue 串起文档解析 API + GPT 级模型，跑通单合同
第 2 月	在 LegalTech 社群发”AI 帮我揪出隐藏赔偿条款”帖	18	~$1,500	引来第一批中小法务种子用户
第 3 月	接入 Make 做客户沟通自动化，稳定性提升	42	~$4,200	上线按”合同页数/份数”计费，小团队开始用
第 4 月	切换为 licensed 法律推理模型，幻觉率下降	70	~$8,500	输出加”风险等级 + 依据来源”标注，留存上升
第 5 月	在创业者社群做”融资条款清单避坑”分享	110	~$14,000	推出团队版 $99/月，自由职业法务开始转介绍
第 6 月	上线 Stripe 按量订阅双轨，支持超额	150	~$20,000	自助注册闭环跑通，人工介入降到 5%
第 7 月	接入自动报告生成 + 邮件跟进，复购提升	185	~$26,000	月流失（churn）压到 3.5%
第 8 月	MRR 稳定突破 $30,000	205	~$30,000	ARR 约 $360K，团队版占比 40%

利润结构分析（第 8 月为例）：
– 总收入 MRR：$30,000
– 文档解析 API 成本：约 $0.05–0.15 / 份（含 OCR + 条款抽取），月审约 2.4 万份 → ~$2,800
– licensed 法律推理模型调用：约 $0.01–0.03 / 千 token，月调用约 9 亿 token → ~$6,500
– no-code 编排（Make/Zapier）：~$99（团队版）
– Stripe 抽成：约 2.9% + $0.3/笔 → ~$900
– 其他（域名、监控、客服、存储）：~$150
– 净利润：约 $19,600 / 月，净利润率 ~65%

注意：65% 的净利率比纯 wrapper 略低，因为法律场景对”输出可靠性”要求高，模型调用和文档解析成本占比更大。但相对传统法律咨询（人力交付、毛利率低），这依然是降维打击式的轻资产现金流。

为什么能维持高留存（给复制者的重要参考）：
– 产品嵌进了法务/创业者的”签约前必查”流程，合同不审不签，黏性天然高；
– 每次输出的”风险清单”会存入用户历史，同一份合同改版后可一键对比差异，迁移成本高；
– 他坚持每月主动回访 15 个用户，把流失苗头掐死在萌芽，把月流失压到 3.5% 以下——这是法律 AI 能稳定收订阅的关键。

🔗 相关案例推荐

本案例核心公式：
垂直法律场景（合同审查）× 文档解析 agent（抽取条款/主体/金额）× licensed 法律推理模型（非自训）× 自动客户沟通（报告+邮件）× 按量/订阅（Stripe）= 月入 $30,000 MRR 的轻资产法律 AI

一句话记住：别去自研模型，去设计工作流——把现成的解析、推理、沟通能力串成闭环，垂直法律 AI 的个人红利就在”管道”里。

文章版权归作者所有，未经允许请勿转载。

THE END