先说结论:美国州法院里,AI 写的诉状已经不是个例,但“证明”比“怀疑”难得多。据 Stanford HAI 的研究,加州两个县的普通民事诉状里,三成以上更像 AI 生成物;可这个判断只能停在比例上,落不到具体某一篇。
论文叫 Detection Objection,基准叫 PhantomDocket,我看的是他们公开的说明。最值得说的不是那几个百分比,而是他们怎么把一个几乎没法验证的猜测,变成了能算的数。


他们怎么把怀疑变成测量
麻烦在于,AI 写的东西没有水印。你看着一篇诉状,会觉得句子太滑、结构太齐、引用透着一股怪,可你拿不出证据。凭空判断“这篇像 AI”,在法庭上没有分量。
他们的办法是找锚。Damien Charlotin 维护着一个 AI 幻觉案例库,收的都是法官明确点名、当事人引用了根本不存在的判例的案子。这些案子是确凿的 AI 使用实例,没有争议。
把确凿件和一组对照诉状拼在一起,就有了基准 PhantomDocket。检测器在这一堆里跑,输出的是“更像 AI 幻觉件,还是更像 ChatGPT 出现之前的人类写件”的分数。
再拿 ScoreMix 把分数校准到已知比例上,才敢往外推。整套流程的关键不在模型多强,而在有没有一把可以校对的尺子。这也是我觉得这篇最聪明的地方。

四个县,两个世界
据 Stanford HAI 的研究,2026 年的非讨债类案件里,加州 Santa Clara 县有 38% 的诉状更像 AI 生成物,隔壁 San Francisco 县 36%;俄克拉荷马的 Tulsa 县 17%,Oklahoma 县 16%。
同一套方法、同一年份,差了一倍多。我的判断是,这不是检测器偏心,是两地的诉讼市场和律师构成不一样。加州科技公司密集,写状子的年轻人多,工具上手也快。
俄州那两个县更传统,事务所小、案子散,改一个工作习惯的成本,比买一份订阅高得多。数字低未必代表用得少,也可能只是改得慢。
顺带说一句,讨债类案件被单独排除了,因为那类文书模板化严重,AI 痕迹和模板痕迹搅在一起,检测器分不清。他们干脆不算这一类,这个取舍挺务实。
自诉人涨得最猛
最刺眼的是 pro se,也就是没请律师、自己写状子的人。Santa Clara 的自诉诉状里,AI 使用比例从 2024 年的 19% 涨到 2026 年的 72%;请了律师的那部分,从 5% 涨到 34%。
这个结构说明门槛真的塌了。以前自己打官司,写一份格式合规的诉状要查半天模板、跑一趟书记处;现在把事实说清楚,一份像样的文书就出来了。
说白了,工具把“不会写”的代价压低了。对请不起律师的人是好事,对法院是新的负担:文书变多、质量参差,法官得花更多时间去筛。
案件类型也印证这一点。加州的就业、商业类诉状 AI 使用最高;讨债类几乎不用,因为那类案子本来就是模板填空,占了某些法院近一半文书,没多少让模型插手的余地。

检测器能估比例,点不了名
这里得划清边界:这类检测器能估一群文书里有多少像 AI 写的,却没法指出是哪一篇。这是方法论上的限制,不是实现得不够好,是它本来就不干这活。
很多人以为有了这份研究,法官就能拿着报告去质问某位律师。做不到。个体层面的判断,误报的代价极高:冤枉一个老老实实写状子的律师,可能直接影响他的执业记录。
检测器还天生容易误报。诉状这种文体本来就要求句式规整、结构对称、引用堆叠,这些恰恰是算法眼里最像 AI 的特征。越规规矩矩写的人,越先被盯上。
谁来扛这个代价?论文没给答案。我的看法是,在能点名之前,这类工具只适合做统计和政策观察,不适合端到法庭上当证据。
但换个阈值呢
但这里有个前提:这些估计依赖校准。阈值往上挪一点,38% 可能掉到二十几;往下挪一点,可能冲到一半。结论稳不稳,全看校准那一步做得够不够硬。
我读的时候留意到一个细节:锚点来自被法官点名的那批案子,这批案子天然是“最像”的极端样本。拿极端样本去校准中间地带,本身就有外推的风险。
还有一个问题没解决:ChatGPT 之前的人类写件,也不是一个干净的对照组。模板、律所内部格式、代笔,这些东西混在一起,检测器分不清哪是机器痕迹,哪是行业习惯。
所以我的态度是,这份研究值得认真读,但别把百分比当判决书。它证明的是这件事规模不小,不是某个人用了 AI。真要往前推,下一步得做出能扛住个体质疑的证据链,而不是更漂亮的分数。