这集讲什么
本期节目深入探讨了人工智能对多个万亿美元行业的颠覆性影响，特别是语音识别、法律服务以及传统计费模式的终结。
1-3要点
- ElevenLabs 的增长伴随产品范围扩张；首三个亿元 ARR 门槛的用时缩短，但当前收入与 ARR 口径须分清。
- 小团队让业务人员更快制作工具，嵌入式工程师则承担采用指导和安全检查。
- 可自然打断的语音交互使智能体从「朗读答案」走向处理客户任务。
0:00 / --:--
All-In Podcast · 7 月 13 日
本期 All-In Podcast 揭示了人工智能正在颠覆语音识别和法律服务等万亿美元产业，同时通过 Nick Shirley 对加州高铁项目的调查，暴露了政府项目中普遍存在的巨额浪费、欺诈问题以及媒体选择性报道的现状。
本期节目深入探讨了人工智能对多个万亿美元行业的颠覆性影响，特别是语音识别、法律服务以及传统计费模式的终结。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
All-In Podcast· 2026-07-24围绕开源 AI 的争斗、Anthropic 的 15 亿美元赔付、纽约市社会主义者：驱逐租户等于暴力？The Fight Over Open Source AI, Anthropic's $1.5B Payout, NYC Socialists: Evictions = Violence?同一位嘉宾：Nick ShirleyAll-In Podcast· 2026-06-13Anthropic 的 Fable 引发反弹、AI 国有化、通胀升温与加州失灵的选举Anthropic's Fable Backlash, Nationalizing AI, Inflation Heats Up & California's Broken Elections同一位嘉宾：Nick Shirley
Dwarkesh Podcast· 2026-06-04All-In Podcast
The Trillion-Dollar Industries AI Is Disrupting: Voice, Law & the End of the Billable Hour
YouTube
音频
这集由两段访谈组成。前半段，Mati 讲述 ElevenLabs 如何从语音生成模型扩展为覆盖转写、实时交互和企业工作流的通信平台；主持人追问增长、组织设计、声音冒用，以及与基础模型公司的竞合。后半段，Max 以 Lagora 的法律 AI 产品为例，讨论法律服务支出为何远高于法律软件支出，以及当 AI 智能体（Agent）开始承担检索、审阅和案件分析时，律所如何重新定价、培养新人并控制风险。
两段访谈共享一个问题：模型能力快速提高后，客户究竟为什么继续购买垂直产品？两位嘉宾的回答都指向模型之外的工作——语音产品需要实时交互、授权声音和行业集成；法律产品需要完整且可引用的法律资料、客户内部先例与合规交付。它们也是两位嘉宾对自身竞争位置的陈述，并非已经得到独立验证的护城河。
本集最有价值的不是「AI 会颠覆语音和法律」这一判断，而是两位创业者各自说明了模型之外还剩什么难题。ElevenLabs 从拟人化文本转语音起步，如今把产品范围延伸至听懂用户、衔接模型、调用客户知识并完成实时对话。Mati 报出的增长速度很快：从首个 1 亿美元 ARR 到后续两个亿元门槛，所需时间依次缩短；但他也承认，客户可选用的基础模型来自潜在竞争者。其应对不是只押一款模型，而是同时经营音频研究、垂直工作流和声音授权生态。
语音能力越接近真人，产品价值与治理风险就越难分开。主持人亲历自己的声音被用于非本人制作的视频；Mati 随即谈到生成内容追踪、文本与声音审核、检测工具，以及经授权的声音市场。声音既可能被冒用，也能跨语言授权，或帮助失去声音的人重新表达。节目没有给出这些保护措施的误判率或绕过难度，因此商业机会不能代替安全结论。
Lagora 面对的是另一种落差：Max 将年度法律服务支出描述为约 1 万亿美元，而法律技术软件支出约 400 亿美元。AI 若承担原本按小时收费的检索和审阅，律所未必失去全部工作，却必须解释高价初级工时的价值，并探索固定费用等模式。但法律研究不像一般内容检索：一份关键判例的遗漏、错误引注或客户资料泄露，都可能抵消效率收益。Max 因而强调完整数据、页码引注和交付合规，同时主张新人未来更多地管理智能体。对采购者而言，真正该问的不是演示能否回答问题，而是答案如何追溯、复核，并在出错时由谁负责。
💬 他们说了什么：Mati 说公司始于 2022 年，首款拟人化文本转语音模型于 2023 年初推出。达到首个 1 亿美元 ARR 约用 20 个月，随后达到 2 亿和 3 亿美元 ARR 分别约用 10 个月、5 个月；他称目前收入为 6 亿美元。团队现有约 600 人，最初 10 名核心成员仍都在公司。
💡 为什么重要：增长叙事背后，产品已不止生成语音，还涉及转写、对话编排，以及营销、本地化、客服和销售流程。
⚡ 争议点：他将早期门槛明确称为 ARR，却把当前 6 亿美元称为 revenue；不能仅凭访谈认定两者口径相同。
💬 ElevenLabs 通常以 5 至 10 人的小团队推进产品及行业市场工作，并在人才、法务和收入团队嵌入工程师。工程师既制作自动化，也协助同事采用 AI、检查部署安全；Mati 说公司从未设置产品经理岗位。他希望团队成员至少精通一项能力，并能理解另一项能力。
💡 AI 降低了跨职能制作原型的门槛，但把安全审查、维护和责任归属推到了更靠近业务团队的位置。
⚡ 主持人指出，非工程人员制作的软件一旦上线，可能发生泄露，也可能在作者离职后无人维护；访谈未说明统一的维护机制。
💬 ElevenLabs 在网站表单之外设置了可拨打的销售接待智能体；Mati 说来电者往往留下更多信息，便于更快找到对应问题和人员。他认为近期企业销售推动了增长，而模型编排、知识和系统集成使语音服务在过去 12 个月、尤其最近 6 个月明显改善。他预期界面会从被动答疑转向结合既往交互提供主动帮助。
💡 语音不只是把文字答案读出来；能否实时打断、保留上下文并接入业务系统，决定它能否替代繁琐的电话菜单。
⚡ 增长归因和体验改善均来自嘉宾描述；节目未提供客户留存、解决率或主动服务效果数据。
💬 主持人称，脚踏开关配合语音输入，让他能连续说出约 1 至 2 分钟的提示词，再交给模型处理。Mati 说用户对语音智能体通常回答更短，也更愿意打断；在部分付款提醒或催收情境中，用户可能比面对真人时更愿意说明实际处境。他举出 Revolut、Klarna 和 PagBank 等金融服务客户，但明确说该情境并不适用于所有客户。
💡 交互成本下降，可能改变输入的长度和坦诚程度，进而改变产品需要处理的隐私与情绪边界。
⚡ 「更愿意坦白」是嘉宾观察，不等于可以在催收等敏感场景中减少告知、人工复核或保护措施。
💬 主持人讲述有人利用其节目存档克隆声音、制作并非由他参与的视频；其团队后来为修正广告尝试克隆他的声音时，又遇到平台限制。Mati 说平台追踪生成内容，审核声音与文本，并提供上传样本后判断是否为 AI 生成的工具。平台另设经认证的声音市场，允许创作者授权并获酬；他称累计向创作者社区支付超过 2200 万美元。
💡 同一套技术既能降低冒用成本，也能为配音者带来持续授权收入；授权与可追溯性成为产品的一部分。
⚡ 访谈未披露追踪和检测工具的准确率，也未量化市场收入如何在不同创作者之间分配。
💬 Mati 提到协助失去声音的美国众议员 Jennifer Wexton 再次发声，以及一名女性借助恢复的声音重说婚礼誓词。他确认 ElevenLabs 参与了 Epic Games、Disney 在《Fortnite》中推出的可实时互动达斯·维达角色；对于主持人问及的新影视作品，他没有确认参与。他还提到 Headspace 内容本地化，以及个性化冥想的可能方向。
💡 语音生成的应用跨度很大：恢复个人表达、跨语言传播，以及让原本固定的角色或内容变得可互动。
⚡ 恢复声音、授权角色和未来个性化设想是不同类型的案例，不能把已上线项目与尚在设想的功能混为一谈。
💬 ElevenLabs 允许客户选用 Anthropic、OpenAI、Google 或开源模型，避免把语音智能体的编排完全绑定到单一模型。Mati 说自身重点仍是语音合成、识别、轮次衔接和行业交互；公司有超过 1000 名承包人员为音频资料做标注。他承认有人试图蒸馏或利用数据，现有机制只能阻缓，不能彻底阻止。
💡 他的竞争主张不是「模型不会追上」，而是专门的音频数据、交互架构与金融、医疗、电信工作流能否持续创造差异。
⚡ 对基础模型厂商支付多少费用、如何防止数据被利用，以及未来是否自建更完整模型，访谈均未给出确定方案。
💬 Max 称 Lagora 连续 7 个季度实现环比约 50% 增长。他估计法律服务每年约 1 万亿美元，法律技术软件支出约 400 亿美元，即大致为 4% 软件、96% 服务；他认为软件会进入目前由人工服务承担的工作。主持人则举出一家已融资、营收达 100 万美元却没有公司律师的初创企业，担心其合同、股权和知识产权文件未经充分审查。
💡 市场机会来自庞大的人工服务支出，也来自尚未被充分满足的法律需求；少花律师费不等于法律风险自动消失。
⚡ 市场规模和增长率是嘉宾口述；初创企业案例是主持人轶事，不能推出不用律师是普遍或稳妥的做法。
💬 Max 认为，高价初级律师工时支撑着传统律所的计费模式，但关键时刻的资深律师判断可能远超其工时价格。主持人称自己见过资深律师每小时 1800 美元、初级律师 800 美元的账单；Max 另称部分 Kirkland 律师费可达每小时 4000 美元。Max 说 Lagora 今年已收购 4 家企业，其中最快一笔从意向书到交割用 12 天，尽调由内部使用自家工具完成；他也提到固定交易费和诉讼结果收费的尝试。
💡 若常规审阅时间大幅缩短，收费依据可能从「投入多少小时」转向交易结果与专业判断；新人则需要学习复核和管理智能体，而不只是手工查阅资料。
⚡ 主持人将交易拖延归因于律师激励，是一种尖锐判断；单笔 12 天交割也不能证明工具可普遍缩短交易周期。
💬 Lagora 同时使用客户的内部先例、组织资料，以及收集来的判例、立法和监管更新。Max 举例说，一家加州企业首次进入南非市场时，系统能立即给出约 80% 准确的初步答复，供法律人员继续工作。他强调，重大诉讼研究不能只覆盖「最重要的 80%」判例：遗漏的案例或缺失的页码引注都可能决定答案是否可用。
💡 法律 AI 的资料竞争不只是检索速度，更是覆盖范围、地域适配和可供律师核查的引注质量。
⚡ 「80% 准确」未附测试方法；关于全球各法域资料覆盖程度的说法，也需按具体地区和资料类型验证。
💬 Max 说，新一代智能体已可结合证词与判例，参与案件策略和端到端工作，律师的任务逐渐转向编排与管理。他认为通用聊天工具能让客户体验法律 AI，但其法律功能较浅；Lagora 配备类似前线部署人员的「法律工程师」，帮助律所把工具纳入业务。他同时说，客户可能涉及政府及高度敏感合同，合规是赢得采购的关键。
💡 模型能展示能力，与产品获准处理真实案件，是两道不同门槛；后者需要流程、资料和信任共同支撑。
⚡ 关于竞争产品「浅」和自家交付优势的评价来自供应商；节目没有独立的案件质量或安全对比。
💬 Max 不赞成训练通用「法律智能」模型，但支持为高频、边界清楚的任务训练窄模型，以降低成本和延迟。他以表格化审阅为例：100 份文件乘以 100 个提示词，会形成 1 万次 API 调用，合同数据抽取因此适合专项优化。谈到敏感数据部署，他说 Lagora 不做本地部署，并认为独立虚拟私有云部署会拖慢产品推进。
💡 模型策略取决于任务量与可控性；在法律业务中，成本优化还必须与数据隔离和客户采购要求一起评估。
⚡ 访谈没有说明具体的数据隔离架构，也没有回答所有高敏感客户能否接受非本地部署。
中：现在正是动手建设的最好时候。 EN：“It's the best time to be building.”
中：声音既是身份，也是知识产权。 EN：“The voice is identity and IP.”
中：法律服务市场每年有一万亿美元，但法律技术软件支出约为四百亿美元。 EN：“It's a trillion dollars every year into legal services … the software spend into legal technology is about 40 billion.”
中：工作岗位会存在，但任务会不同。 EN：“The job will exist. The tasks will be different.”
中：你的工作将变成编排和管理那些智能体。 EN：“Your job becomes to orchestrate and to manage those agents.”
这两段访谈呈现了同一种产品分层：基础模型提供能力，垂直产品负责让能力进入可用、可管理的工作流程。语音场景中，这意味着衔接听说、授权声音、接入客户历史记录；法律场景中，则意味着汇集内部先例与外部法律资料，并把答案交还给能够核查的人。
两类产品的风险也呈镜像关系。语音产品必须回答「这是谁的声音、谁允许它说这些话」；法律产品必须回答「依据来自哪里、是否遗漏、谁批准将其用于案件」。能力越强，这些问题越不能留到演示之后处理。
