CRM、自動化整合
深夜，一位重要客戶透過 LINE 傳來訊息詢問案件進度；同時，律師的信箱收到一封標註「緊急」的郵件，內容提到下週的合約審查會議時間。
隔天清晨，事務所經理小君打開 Odoo 系統，驚喜地發現：昨夜的 LINE 客戶詢問已自動記錄在 CRM 案件中，並附上一段 AI 濃縮摘要方便快速了解；郵件中提到的會議日期也自動出現在行事曆上，還貼心設定了提前提醒，確保律師團隊不會錯過重要會議。更棒的是，系統已將上週各律師記錄的工時彙總生成了一份發票草稿，包含每項工作的時數與費用，等待主管今早審核後即可一鍵發送給客戶。
以上場景不再是遙遠的夢想。透過 Odoo 18 + LLM 打造的智慧行政助理，法律事務所的日常作業正變得前所未有的高效。接下來我們將分享如何技術實作這樣的整合：把 LINE 和 Email 等通訊通路的紀錄匯入 Odoo CRM、應用 AI 自動安排行程提醒、以及串連工時與會計模組自動化請款。
對律師事務所而言，與客戶的溝通往往透過多種管道：手機即時通訊（LINE 等）、電子郵件，甚至電話簡訊等。若缺乏統一管理，資訊很容易分散遺漏。我們希望將這些通訊紀錄集中整合在 Odoo CRM中，方便後續跟進案件和服務。
Odoo 本身就強調將銷售流程從潛在客戶跟進到開立發票整套自動化完成；因此，我們可以透過自訂模組和第三方介接，讓LINE 訊息與Email 郵件都匯聚到 Odoo 平台中。
為了完善涵蓋各種情境，我們需要處理三種通訊來源模式：
1. 客戶主動發送訊息： 例如客戶直接傳 LINE 訊息或寄送 Email 到事務所的公開信箱。我們要偵測到這些外來訊息並自動在 Odoo 中建立紀錄（如建立 CRM Leads/案件或將內容加入相關紀錄的討論串）。
2. 事務所主動寄出訊息： 例如律師從 Odoo 發送 Email 給客戶，或客服人員透過 Odoo 平台發 LINE 給客戶。這種由內而外的訊息需要能截取後續客戶的回覆並歸檔到原紀錄中，形成完整對話串。
3. 外部服務同步備份： 有些交流可能發生在外部平台（例如律師直接用手機LINE回覆了客戶，未透過Odoo），我們需要透過週邊服務定期將這些對話備份回 Odoo，確保資料完整無遺漏。
接下來，我們分別說明 LINE 與 Email 這兩種常見通訊渠道的整合實作細節，以及如何運用 Webhook、API 等技術手段來處理上述三種模式。
LINE 在台灣商務應用相當普及。我們可以利用 LINE Messaging API 建立一個聊天機器人或官方帳號，將法律事務所的 LINE 對話接入 Odoo。整合的核心機制是設定 Webhook：當客戶傳訊給事務所的 LINE 官方帳號時，LINE 伺服器會向我們預先設定的網址發送一個包含訊息內容的 HTTP POST 請求。
我們可以編寫一個 Odoo Controller 或獨立的 FastAPI 服務來接收這個 webhook 請求並處理。流程圖如下：
如上圖，當客戶LINE來訊時，Webhook 接收服務會將訊息內容經由 Odoo 外部 API 轉存為 CRM 模組中的一筆交談記錄。例如，可以新建/關聯到對應客戶的 crm.lead（潛在客戶） 或自定義的「案件」記錄，並將LINE訊息內容寫入其交談紀錄 (Chatter)。如果需要，也可以即時呼叫 LLM 對訊息內容進行分析處理——例如自動分類詢問性質、擷取關鍵字，甚至產生建議回覆存給律師參考。
💡 Gary’s Pro Tip｜善用雙向通訊
實作 LINE 整合時，記得處理雙向交流：不僅要接收客戶訊息，還要能透過 Reply API 主動發送訊息給客戶。建議在 Odoo 中建立對應按鈕或自動動作，讓律師可以直接在 CRM 記錄中輸入回覆內容，由程式呼叫 LINE Messaging API 發送給客戶。此外，別忘了處理 Webhook 安全驗證，確保只有 LINE 平台的請求才能寫入您的系統。
如果律師從 Odoo 內部發送訊息給客戶（例如在 CRM 的交談串中留言，選擇發送給客戶的LINE），我們可以在後端截取這類動作，透過與模式1相同的API發送機制，把內容推送到 LINE。另外可以設計紀錄同步：將發送的訊息也記錄回該客戶的交流歷程中，保持內外資訊一致。
# app_line_webhook.py
import os, hmac, hashlib, base64
from fastapi import FastAPI, Request, HTTPException
import httpx
LINE_CHANNEL_SECRET = os.getenv("LINE_CHANNEL_SECRET") # 必填
ODOO_WEBHOOK_ENDPOINT = os.getenv("ODOO_WEBHOOK_ENDPOINT") # e.g. http://odoo.local/api/line_inbox
ODOO_API_TOKEN = os.getenv("ODOO_API_TOKEN") # 你在 Odoo 自訂的 Bearer token
app = FastAPI()
def verify_line_signature(body: bytes, x_line_signature: str) -> bool:
mac = hmac.new(LINE_CHANNEL_SECRET.encode(), body, hashlib.sha256).digest()
return base64.b64encode(mac).decode() == x_line_signature
@app.post("/line/webhook")
async def line_webhook(request: Request):
body = await request.body()
sig = request.headers.get("X-Line-Signature")
if not sig or not verify_line_signature(body, sig):
raise HTTPException(status_code=401, detail="Invalid LINE signature")
payload = await request.json()
# 只示範處理 text message
events = payload.get("events", [])
if not events:
return {"ok": True}
async with httpx.AsyncClient(timeout=10) as client:
for ev in events:
if ev.get("type") != "message":
continue
m = ev["message"]
if m.get("type") != "text":
continue
user_id = ev["source"]["userId"]
reply_token = ev.get("replyToken")
text = m.get("text", "")
# 轉發給 Odoo 自訂入口（建立 CRM 紀錄 + AI 摘要）
headers = {"Authorization": f"Bearer {ODOO_API_TOKEN}"}
data = {
"channel": "line",
"user_id": user_id,
"reply_token": reply_token,
"text": text
}
await client.post(ODOO_WEBHOOK_ENDPOINT, headers=headers, json=data)
return {"ok": True}
# odoo_addons/lawfirm_portal/controllers/line_inbox.py
from odoo import http
from odoo.http import request
import os, requests
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
ODOO_BEARER = os.getenv("ODOO_API_TOKEN") # 與 FastAPI 相同
class LineInboxController(http.Controller):
@http.route('/api/line_inbox', type='json', auth='public', methods=['POST'], csrf=False)
def line_inbox(self, **kw):
# 簡單 Bearer 檢查
auth = request.httprequest.headers.get('Authorization', '')
if auth != f"Bearer {ODOO_BEARER}":
return {"error": "unauthorized"}
channel = request.jsonrequest.get("channel")
user_id = request.jsonrequest.get("user_id")
text = request.jsonrequest.get("text", "")
reply_token = request.jsonrequest.get("reply_token")
# 1) 依 LINE user_id 尋找/建立對應 partner 與 CRM Lead
partner = request.env['res.partner'].sudo().search([('x_line_user_id','=', user_id)], limit=1)
if not partner:
partner = request.env['res.partner'].sudo().create({
'name': f"LINE-{user_id[-6:]}", 'x_line_user_id': user_id,
})
lead = request.env['crm.lead'].sudo().search([
('partner_id','=', partner.id), ('type','=','opportunity'), ('stage_id.is_won','=',False)
], limit=1)
if not lead:
lead = request.env['crm.lead'].sudo().create({
'name': f"{partner.name} - LINE對話",
'partner_id': partner.id,
'type': 'opportunity',
})
# 2) 呼叫 LLM 產生摘要（可用 GPT-5）
summary = ""
try:
resp = requests.post(
"https://api.openai.com/v1/chat/completions",
headers={"Authorization": f"Bearer {OPENAI_API_KEY}"},
json={
"model": "gpt-5",
"messages": [
{"role": "system", "content": "你是律所CRM助理，請以80字內概述重點。"},
{"role": "user", "content": f"以下為客戶訊息：{text}\n請摘要重點與可能意圖。"}
],
"temperature": 0.2,
},
timeout=12
)
summary = resp.json()['choices'][0]['message']['content'].strip()
except Exception:
summary = ""
# 3) 將原文與摘要寫入 lead 的 Chatter
body = f"<b>LINE 訊息</b><br/>{text}"
if summary:
body += f"<br/><i>AI 摘要：</i>{summary}"
lead.message_post(body=body, author_id=partner.id, message_type='comment', subtype_xmlid="mail.mt_note")
return {"ok": True, "lead_id": lead.id}
若律師偶爾直接使用手機LINE回覆了客戶訊息繞過了Odoo，我們可以建構一個定時執行的同步腳本，利用 LINE 提供的 API或資料匯出功能，定期提取對話記錄並更新到 Odoo。雖然實務上完全自動同步外部聊天有難度，但透過制度約束與輔助工具，仍能最大程度確保溝通紀錄在 Odoo 上的完整性。
電子郵件是法律業務往來的傳統管道，Odoo 對 Email 的支援相對完善。首先對於客戶來信，我們可以利用 Odoo 內建的 郵件閘道 (mail gateway) 機制：為 CRM 或特定模型設定一個 郵件別名 (alias) 信箱。
當客戶寄信到這個信箱時，Odoo 會自動以該郵件內容建立一筆紀錄。舉例來說，我們可將 contact@lawfirm.com 綁定為 CRM 模組的線索收件匣，任何來信都自動新增 CRM 線索並附上郵件內容。這意味著所有透過此信箱收到的客戶詢問，都不會被遺漏地記錄在案。
💡 Gary’s Pro Tip｜善用郵件別名
Odoo 的 Email Alias 功能非常強大。每個業務團隊（或專案、工單等）都可以設置專屬email信箱，外部郵件進來會自動轉成對應紀錄並存入交談串。將 「諮詢信箱」、「客服信箱」 等對外窗口都串接到 Odoo，例如來信直接變成 CRM 線索或 Helpdesk 工單。如此一來就無需人工複製貼上內容，減少手動輸入錯誤，也確保後續有完整溝通記錄可供查閱。
當然，若事務所已經有自己的企業信箱（如 Gmail、Outlook），Odoo 的 IMAP 提取功能（fetchmail）可以定時到指定信箱抓取新郵件進系統。我們只需在 Odoo 中設定郵件伺服器、帳密及對應模型，即可自動化接收。例如設定每隔5分鐘抓取一次 inquiries@lawfirm.com 信箱的新郵件，創建 CRM 線索紀錄。
Odoo CRM 允許使用者直接從紀錄中發送郵件（通常底層使用 Mail Thread 機制）。當律師透過 Odoo 寄出郵件給客戶時，系統會自動將發信副本記錄在該紀錄的交談串中。客戶一旦回信，由於我們已設定了郵件別名或fetchmail，回信會自動歸檔到原紀錄，形成完整的往返對話。
值得一提的是，我們還可以運用 LLM 來協助撰寫回信：例如律師在Odoo草擬回覆時，按下「AI Draft」按鈕，系統會將上下文發給 LLM 要求產生建議的回覆郵件內容，供律師參考編輯，提升回信效率。
因應員工偶爾使用個人郵箱與客戶溝通的情形。我們可以要求員工在非透過Odoo發信時，手動將客戶往來郵件 CC/轉寄 給系統指定信箱，以便自動歸檔。另一種方式是利用郵件伺服器的轉寄規則：例如自動將所有涉及某客戶域名的郵件副本轉寄一份給 Odoo。透過這種被動同步策略，儘管無法百分之百確保完整，但至少減少因通訊管道分散導致資訊孤島的風險。
律師事務所每天需要關注的日期繁多：開庭日時、證據提交期限、與客戶會議等等。傳統上這些行程主要靠人工登錄行事曆並設提醒，不僅費工，稍有閃失還可能錯過關鍵期限。藉助 LLM 的語意理解能力，我們可以讓 Odoo 系統從日常郵件或訊息中自動擷取行程資訊並建立提醒，充當律師的智慧行程助理。
想像客戶的一封郵件內容如下：
「您好，我預計下週三（10/5）上午和您討論合約細節。另外，法院已通知我們10月20日早上10點開庭，希望您提前準備相關文件。」
一般人讀到這封信，會識別出兩個行程：一是下週三的合約討論會議，二是10/20早上10點的法院開庭。傳統做法需要助理手動將這兩個事件新增到律師的行事曆中。但在我們的 Odoo 自動化方案中，這一切都可以交給 AI 完成：
郵件進入 Odoo 後，觸發一個自動動作，把郵件正文發送給 LLM，請求其分析其中的日期時間和事件描述。
LLM 讀懂郵件語意，提取出 "下週三上午 – 合約細節討論" 以及 "10/20 10:00 – 法院開庭" 這兩項資訊。LLM 的強大之處在於，它能理解自然語言中的相對日期（例如“下週三”）並轉換為確切的日曆日期。
💡 Gary’s Pro Tip｜在提示詞中給予當前時間
由於 LLM 本身是沒有日期感知能力的，所以當有需要針對在時間、日期上做一些操作、運算、截取的時候，要記得在提示詞中給予當前的時間資訊，例如：prompt = f"現在的日期與時間為：{YYYY-mm-dd HH:mm}"
Odoo 接收到 LLM 回傳的解析結果後，自動在行事曆(Calendar) 模組中建立對應的事件：將合約討論會議登記在10月5日早上，並邀請相關律師與客戶；將法院開庭事件登記在10月20日10:00，並設定提前數天的提醒通知。
若有必要，系統也可以自動發送會議邀請通知給客戶，或在事件接近時透過 LINE 發簡訊提醒律師。
# app_event_extract.py
import os
from fastapi import FastAPI
from pydantic import BaseModel
from datetime import datetime
import requests
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
app = FastAPI()
class MailIn(BaseModel):
subject: str
body: str
@app.post("/extract/events")
def extract_events(mail: MailIn):
prompt = f"""
請從以下郵件內容中找出所有與行程相關的日期和時間，並輸出 JSON 陣列：
格式：[{{
"title": "<事件標題>",
"start": "YYYY-MM-DD HH:MM",
"end": "YYYY-MM-DD HH:MM(如無可同start)",
"notes": "<補充說明>"
}}]
郵件主旨: {mail.subject}
郵件內容: {mail.body}
現在日期與時間: {datetime.now().strftime("%Y-%m-%d %H:%M:%S")}"""
r = requests.post("https://api.openai.com/v1/chat/completions",
headers={"Authorization": f"Bearer {OPENAI_API_KEY}"},
json={"model":"gpt-5",
"messages":[{"role":"user","content":prompt}],
"temperature":0.1}, timeout=12)
# 期待模型直接回傳 JSON 字串，可加上 JSON 修正邏輯
raw = r.json()['choices'][0]['message']['content']
return {"events_json": raw}
# odoo_addons/lawfirm_calendar/models/calendar_auto.py
import json, requests, os
from odoo import models, api, fields
EVENT_API = os.getenv("EVENT_EXTRACT_API") # e.g. http://ai.local/extract/events
class MailThreadMixin(models.AbstractModel):
_name = 'law.mail.hook'
_description = 'Capture inbound mail to auto-create events'
@api.model
def message_new(self, msg_dict, custom_values=None):
"""當此模型設為郵件別名時，新信進來會觸發此方法，可在繼承模型中加掛。"""
subject = msg_dict.get('subject', '')
body = msg_dict.get('body', '')
# 呼叫抽取API
try:
resp = requests.post(EVENT_API, json={"subject": subject, "body": body}, timeout=10)
events_json = resp.json().get("events_json", "[]")
events = json.loads(events_json)
except Exception:
events = []
for ev in events:
start = fields.Datetime.to_datetime(ev.get("start"))
end = fields.Datetime.to_datetime(ev.get("end") or ev.get("start"))
title = ev.get("title") or subject
notes = ev.get("notes") or ""
self.env['calendar.event'].sudo().create({
'name': title,
'start': start,
'stop': end,
'description': notes,
# 'partner_ids': [(6,0,[相關partner id])],
# 'alarm_ids': [...] # 可預設提醒
})
return super().message_new(msg_dict, custom_values)
透過以上流程，郵件裡隱含的重要時程不再怕被埋沒遺忘，因為 AI 已經幫我們讀信並且安排妥當。
從技術角度看，這項功能的實現需要準備一段提示詞(prompt) 來引導 LLM 擷取關鍵資訊。例如可以這樣設計 API 請求的內容：
{
"prompt": "從以下郵件內容中擷取所有日期和對應事件:\n\n\"您好，我預計下週三（10/5）上午和您討論合約細節...10月20日早上10點開庭...\"\n\n請以YYYY-MM-DD HH:MM - 事件描述 的格式列出:",
...
}
LLM 會依照提示返回結構化的結果，如「2025-10-05 09:00 - 合約細節討論會議；2025-10-20 10:00 - 法院開庭」。我們的程式再將這些結果轉換成 Odoo calendar.event 的記錄建立即可。此處利用 LLM 的語言理解，比起傳統正則表達式有明顯優勢：LLM 可以理解「下週三」這類相對日期並轉換成確切日期，也能分辨出不同事件種類以便填入描述或選擇不同顏色標記。
💡 Gary’s Pro Tip｜多層次提醒
行程自動新增後，善用 Odoo 的多層提醒機制。例如在關鍵期限前一週、前三天、當日皆發送通知，甚至透過不同管道提醒（Email、LINE、行動通知）。此外，可考慮在事件建立時自動關聯對應的案件/客戶，方便日後查詢。AI 雖然聰明，但建議保持人機協作：例如在新增後發給負責律師一份清單確認AI擷取是否正確，避免少數解析錯誤影響重大日程。
透過以上智慧行程管理，律師們幾乎感受不到背後繁瑣的日程錄入工作，所有關鍵日期都被牢牢看管。這不僅提高了效率，更降低了因人工遺漏導致法律風險的機率——對律所而言，準時往往就是專業度的體現。
最後，我們來談法律事務所非常重要的環節：工時記錄與請款發票。傳統上，律師每月將自己在各案件上花費的時間填寫工時表，交由行政彙總計算費用，再開立發票給客戶。這過程涉及大量重複且容易出錯的人工計算。
而 Odoo 提供了完善的 Timesheets 工時 與 Invoicing 開立發票 功能；我們完全可以將兩者結合，實現工時到請款的自動化流程。
在 Odoo 中，我們可以為每一個案件（例如對應一個 專案 Project 或 任務 Task）記錄律師的投入時間。律師每天完成工作後，在Odoo的工時表輸入當天在某案件上花了幾小時、工作內容簡述等。系統會累積這些資料，到了一定結算周期（例如每月底或案件階段性結束），透過自動化腳本就會將相關工時記錄彙總生成請款單。
步驟1：工時轉換發票 – 我們可以利用 Odoo 銷售訂單與專案。為每個案件設定收費方式（例如小時費率或固定費用），當律師提交工時後，Odoo 能計算每個案件累積的費用。透過內建的「根據工時開立發票」功能，我們一鍵即可產生對應的發票項目。例如「張律師 – 合約審查 – 3小時 @ NT$5,000/hr = NT$15,000」。這些項目會自動匯入發票草稿中，並關聯正確的客戶與案件資訊。
# odoo_addons/lawfirm_billing/models/billing_cron.py
from odoo import models, api, fields
from datetime import datetime, timedelta
class BillingCron(models.Model):
_name = 'law.billing.cron'
_description = 'Timesheets to Draft Invoice'
@api.model
def cron_timesheets_to_invoice(self):
# 取上週工時（示例）
end = fields.Date.today()
start = end - timedelta(days=7)
timesheets = self.env['account.analytic.line'].sudo().search([
('date','>=',start),('date','<=',end),
('project_id','!=',False), ('unit_amount','>',0),
])
# 依客戶/專案 group
bucket = {}
for ts in timesheets:
partner = ts.project_id.partner_id
bucket.setdefault(partner.id, []).append(ts)
for partner_id, lines in bucket.items():
inv = self.env['account.move'].sudo().create({
'move_type': 'out_invoice',
'partner_id': partner_id,
'invoice_date': end,
})
for ts in lines:
price = ts.employee_id.x_hour_rate or 5000 # 可換成價目表
self.env['account.move.line'].sudo().create({
'move_id': inv.id,
'name': f"[{ts.project_id.name}] {ts.name}",
'quantity': ts.unit_amount,
'price_unit': price,
})
inv.message_post(body=f"自動彙總 {start}~{end} 工時，建立發票草稿。")
步驟2：AI 初步審核 – 發票草稿生成後，在實際寄出前，我們可以引入 LLM 作為「第二雙眼睛」。AI 可以檢查發票內容與工時紀錄的合理性。例如：對比各項工作的描述和對應時數，是否有遺漏或明顯錯誤？又或者根據過往資料，某類案件平均耗時10小時但這次卻記錄了50小時，AI 可以提出提醒給經辦人注意。LLM 也能協助摘要當月工作重點，自動撰寫一段發票附註，向客戶說明這段期間完成了哪些任務（方便客戶理解支付價值）。這些 AI 提供的建議和摘要會附在發票草稿中供上一層主管審閱。
/billing/review）（示意）# odoo_addons/lawfirm_billing/models/billing_ai_review.py
import os, requests
from odoo import models, api
REVIEW_API = os.getenv("BILLING_REVIEW_API") # e.g. http://ai.local/billing/review
class AccountMove(models.Model):
_inherit = 'account.move'
def action_ai_review(self):
for inv in self:
# 組裝摘要 payload
items = [{"desc": l.name, "qty": l.quantity, "unit": l.price_unit}
for l in inv.invoice_line_ids if l.display_type == 'product']
payload = {
"customer": inv.partner_id.name,
"period": str(inv.invoice_date),
"lines": items
}
try:
r = requests.post(REVIEW_API, json=payload, timeout=12)
result = r.json()
summary = result.get("summary","")
flags = result.get("flags",[])
note = f"<b>AI 複核</b><br/>{summary}"
if flags:
note += "<br/><i>警示：</i>" + ", ".join(flags)
inv.message_post(body=note)
except Exception:
inv.message_post(body="AI 複核呼叫失敗（請稍後重試）。")
# app_billing_review.py
import os
from fastapi import FastAPI
from pydantic import BaseModel
import requests
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
app = FastAPI()
class LineItem(BaseModel):
desc: str
qty: float
unit: float
class ReviewIn(BaseModel):
customer: str
period: str
lines: list[LineItem]
@app.post("/billing/review")
def review(inv: ReviewIn):
total = sum(li.qty * li.unit for li in inv.lines)
# 規則 flags：示例—金額大、工時異常等
flags = []
if total > 500000:
flags.append("總金額偏高，請再次確認")
if any(li.qty > 12 for li in inv.lines):
flags.append("單日工時可能異常")
# 讓 LLM 產生可讀摘要
prompt = f"""
顧客：{inv.customer}
期間：{inv.period}
明細：{[f"{li.desc} x{li.qty}@{li.unit}" for li in inv.lines]}
請用條列式摘要重點與注意事項（不超過120字），最後給出一行『建議』。
"""
r = requests.post("https://api.openai.com/v1/chat/completions",
headers={"Authorization": f"Bearer {OPENAI_API_KEY}"},
json={"model":"gpt-5",
"messages":[{"role":"user","content":prompt}],
"temperature":0.2},
timeout=10)
summary = r.json()['choices'][0]['message']['content'].strip()
return {"summary": summary, "flags": flags, "total": total}
💡 Gary’s Pro Tip｜優化請款流程
在自動請款中融入一些人工控管點依然很重要。建議將 AI 審核結果作為輔助，而非決策依據。例如 AI 可標示可疑的工時項目，最終仍由主管決定是否調整。另外，可設定金額閾值：超過一定金額或特定案件類型，發票需要經兩人以上確認再發出，確保品質。AI 也可用於發票排版和措辭優化，例如自動生成禮貌且專業的郵件內容隨發票發送，提升客戶體驗。
步驟3：發送與後續 – 一旦發票內容確認無誤，經理即可在 Odoo 中將發票過帳並透過系統發送給客戶（Email 自動帶上PDF附件，甚至透過 LINE 提醒客戶留意）。此時整個請款流程就圓滿完成。而會計部門也可以在 Odoo 中追蹤發票狀態，若逾期未付還能啟動自動提醒機制，非常方便。
值得強調的是，透過 Odoo 平台的整合，我們的請款流程天生就和案件、工時記錄連接在一起：每張發票都能追溯對應的案件和工時明細，省去了傳統從不同系統彙整資料的麻煩。此外，因為大量重複計算工作已由系統與 AI 接手，人工只需專注在關鍵審核上，出錯率明顯降低、效率大幅提升。
Odoo 本就是一套強大的管理系統，結合 AI 後更如虎添翼——Odoo 已能讓律所從案件管理到工時記帳到靈活開立發票都一氣呵成；而現在 LLM 的加入，讓這些流程更加智慧：很多以前需要人腦判斷分類或抄錄的事，現在AI都能代勞或協助完成。律師與行政人員則可以把節省的時間投入更高價值的工作中，專注服務客戶與辦理案件。
透過今天的介紹，我們看到了 AI 為法律事務所日常運營帶來的改變：多通道訊息自動匯集整理、聰明的行程助理、無縫的工時到請款流程。這其實只是法律科技（Legal Tech）進化的起點。我們可以期待更多進階應用落地如：
未來法律事務所將逐步邁向高度智慧化的營運模式：AI 不只是工具，更會成為律師的貼身夥伴，主動提供資訊、確保每項工作環節滴水不漏。
iThome鐵人賽
看影片追技術