Mati × Max：AI 正在吃掉万亿服务业｜完整 ASR 精读版（非全文逐句译本） (2026)

本期来自 All-In Podcast 新单集「The Trillion-Dollar Industries AI Is Disrupting: Voice, Law & the End of the Billable Hour」，北京时间 2026 年 7 月 14 日发布，官方 YouTube 视频时长约 51 分钟。本期已下载完整公开视频并完成全量 ASR 放行；正文覆盖完整节目顺序的要点精读、中文精译、核心金句与创业启发，但没有展开无删减逐句全文翻译，避免读者误以为本文已经交付逐句译本。1

这一集的看点，是两个高增长垂直 AI 公司把同一个问题从不同产业讲清楚：ElevenLabs 正在把语音从「合成内容」推到「AI 交互层」；Legora 正在把法律从「按小时收费的服务」推向「可被 agent 编排的工作流」。两位 CEO 的共同判断是：通用模型会继续变强，但真正吃到产业价值的公司，往往是拥有专有数据、工作流深度和行业交互层的垂直 AI 平台。1

嘉宾背景

Mati Staniszewski 是 ElevenLabs 联合创始人，ElevenLabs 官方作者页介绍，他负责带领团队构建能达到人类沟通水平的 AI；创办 ElevenLabs 前，他曾在 Palantir 工作，帮助企业和政府部署新技术，并在 Imperial College London 学习数学。2

Max Junestrand 是 Legora 联合创始人兼 CEO。Slush 的讲者资料称，他在 25 岁时创办并领导 Legora，这家公司定位为面向律所和企业法务团队的 AI-native legal workspace；资料还提到他曾是竞技电竞选手，并在创办 Legora 前有计算机、商业、麦肯锡和创投相关经历。3 Pigment 对 Max 的访谈资料补充说，Legora 在不到两年里从服务斯德哥尔摩一家律所扩展到 40 多个市场，并在 2025 年实现 300% 净收入留存。4

图集导读

封面：AI 正在进入语音和法律两个万亿级服务市场。
嘉宾卡：Mati Staniszewski，ElevenLabs 的语音 AI 平台视角。
嘉宾卡：Max Junestrand，Legora 的法律 AI 工作流视角。
ElevenLabs 增长曲线：从 2023 年发布产品到 $600M ARR。1
语音交互变化：用户从讨厌「语音监狱」，转向愿意直接和 AI agent 说话。1
法律服务重构：全球法律服务约 $1T，法律软件支出约 $40B，软件渗透率约 4%。1
数据护城河：语音靠专用架构和音频标注，法律靠全量案例、法规和本地工作流。1
收束：垂直 AI 的打法不是重新训练一个通用大模型，而是占住交互层、数据层和工作流层。1

按节目顺序整理与中文精译

1. ElevenLabs：从人声模型，到 AI 交互平台

Jason 开场直接追问 ElevenLabs 的收入曲线：公司 2022 年成立，第一年主要做研究和产品，2023 年初发布第一代能听起来像真人的文本转语音模型。Mati 说，产品上线后，ElevenLabs 大约用 20 个月做到第一个 $100M ARR，再用 10 个月做到 $200M，用 5 个月做到 $300M，到这次访谈时已经达到 $600M ARR。1

这条曲线重要的地方不只是快，而是它背后的产品定义已经变了。Mati 没有把 ElevenLabs 描述成一个单点 TTS 工具，而是描述成「AI communication platform」：生成语音、转录语音、编排语音交互，把营销素材本地化、客服 voice agent、销售、培训和运营串成一条客户旅程。1

他还强调，ElevenLabs 现在有约 600 名员工，但公司仍然想保持研究和产品一体化的速度。早期 10 名研究与工程核心成员至今零流失，这被 Mati 视为公司能持续在音频模型上和更大平台竞争的关键。1

2. 没有 PM：AI 时代的小队组织方式

Jason 问到软件开发方式变化时，Mati 的回答很有操作感：ElevenLabs 把工程师嵌入到几乎所有职能里，人才团队、法务团队、营收工程、GTM 工程都有工程角色。这些人一方面负责自动化，另一方面像「安全检查员」一样，帮助非工程同事使用 AI 工具时不把不可靠或不安全的东西放进生产。1

更反常识的是，ElevenLabs 没有传统产品经理。Mati 说，理想产品角色本来就需要懂代码、懂客户、懂设计，但很少有人三者都精通。AI 的变化是：一个人在某个领域是专家，只要理解另一个领域，就能借助 AI 从「业余」跃迁到「高级水平」，于是小队可以直接设计实验、上线、观察反馈，再带回产品。1

这个组织方式和产品本身互相强化。ElevenLabs 自己也在用 voice agent 做 inbound AI SDR：用户不只填网页表单，还可以直接打给 agent，说出更丰富的问题和上下文，系统再把线索路由到合适的人。1

3. 为什么用户开始愿意和 AI 说话

Jason 把语音客服的旧体验称为「voice jail」：你拨电话，系统让你一层层按键，最想说的是 operator。Mati 的判断是，过去 12 个月，尤其过去 6 个月，voice agent 的体验出现了阶跃式变化：它开始足够可靠，能调用模型、知识和集成，给出接近真实客服的帮助。1

更微妙的变化在用户行为。Mati 说，人们和 AI 说话时更简短、更愿意打断，也不需要寒暄。在金融服务、催收、还款提醒等场景里，用户有时反而更愿意对 AI 说出真实处境，因为面对人类时会有羞耻感或防御心理。这个变化意味着 voice AI 不只是降低人工成本，还可能改变信息采集质量。1

Jason 还用自己的工作流解释了语音输入为什么变重要：他用脚踏板配合 WhisperFlow，把一两分钟的意识流 prompt 直接说给 LLM，而不是打字。Mati 认可这个方向：当一个人可以把想法、修正和上下文连续说出来，模型得到的输入更丰富，输出质量也会更好。1

4. 声音是身份，也是新的授权市场

谈到声音克隆和名人授权时，Mati 的核心句是：voice is identity and IP。ElevenLabs 的安全措施有三层：第一，追踪每一次生成，必要时可以调查滥用；第二，在语音和文本层面做审核，阻断商业诈骗、冒名获利等高风险用途；第三，提供检测能力，让外部样本也能判断是否为 AI 生成音频。1

商业机会则是另一面。Mati 提到，ElevenLabs 已经向 voice talent 社区回付超过 $22M。语音演员可以创建经过认证的声音，再把它授权给不同使用场景。名人和 IP 方也可以把原本静态的内容变成互动内容，例如用多语言保留情绪特征，或把角色声音带进游戏和教育场景。1

但这一段最能说明产品社会价值的，不是名人交易，而是失声者。Mati 提到，ElevenLabs 曾帮助因 ALS 或咽喉癌失去声音的人重建声音，包括美国国会议员 Jennifer Wexton，以及一位在婚礼前失声、后来重新录制誓言的女性。这里的技术不再只是「生成声音」，而是把声音作为个人身份和情感连接的一部分还给人。1

5. 为什么 ElevenLabs 不怕 OpenAI / Anthropic 横向切入

Jason 追问最尖锐的问题：ElevenLabs 既使用 frontier model，又面对 OpenAI、Anthropic 等潜在竞争者，会不会是在帮助未来的对手？Mati 的回答分两层。第一，ElevenLabs 的平台会保持 model-agnostic，让客户可以选择 OpenAI、Anthropic、Google、开源模型等不同 LLM；客户真正买的是 agent 编排、语音交互和工作流，而不是被某一个模型锁死。1

第二，语音层本身不是「把大模型规模做大」就能赢。Mati 说，语音质量取决于架构、专用数据和产品工作流。ElevenLabs 在 text-to-speech、speech-to-text、turn-taking 和 music 等方向做专门研究；公司还有上千名内部承包标注人员，持续把未标注音频变成高质量训练数据。这些是横向模型公司不容易一夜复制的资产。1

6. Legora：法律服务的 4% 软件化缺口

节目 31 分钟后转到 Legora。Jason 从法律账单切入：创业公司越来越多地用 ChatGPT 起草合同、检查 cap table 或处理 HR 文档，但一旦进入融资尽调，就会发现法律工作仍然需要可信、可审计、可追责的系统。Max 的回答是把市场拆成两块：全球法律服务每年约 $1T，而法律科技软件支出约 $40B；换句话说，法律行业大约 4% 是软件，96% 是服务。1

Legora 的目标不是简单替代律师，而是把服务收入里大量手工、重复、文档密集的部分软件化。Max 提到，供给受限也是法律市场的本质：需求远大于可用律师和可用法律服务，所以技术不只会压低价格，也会让律所和法务团队服务新的用例和客户群。1

他还指出，律所的计费结构本身会被重塑。传统模式里，associate 的时间被按高价卖出，用来补贴 partner 的价值判断和品牌溢价；但当 AI 能承担大量文档审阅和初稿工作时，固定费用、成功费、内部法务处理、以及 agent 编排出的新服务包都会变得更合理。1

7. 律所不是被动挨打，而是在重做业务模型

Max 没有把律所描绘成简单的被颠覆者。他承认，大型律所有焦虑，因为它们本身就是利润极高的大生意；但 AI 同时是 existential threat 和 existential opportunity。Legora 的一个关键角色是 Legal Engineer，类似 Palantir 的 forward-deployed engineer：这些人坐到客户律所里，帮助合伙人把业务从 pre-AI workflow 转成 post-AI workflow。1

对 junior lawyer 来说，工作不会消失，但任务会不同。Max 的原话是：「The job will exist. The tasks will be different.」过去的训练路径是把 junior 锁进 data room，逐份文件看、标错误、做摘要；未来的训练路径更像设计和监督 agent，让 agent 做阅读、提取、汇总、初稿，人类把判断力放在任务设计、审阅和策略上。1

Legora 自己也用产品处理 M&A。Max 说，公司 2026 年已经收购 4 家企业，并用自己的工具做尽调；最快一笔交易从 LOI 到 signing 只用了 12 天。这是一个很有力的 dogfooding 信号：如果法律 AI 只能做演示，内部 M&A 团队不会把真实交易押上去。1

8. 法律 AI 的护城河：你不能只有 80% 的案例

法律 AI 和通用 AI 最大的不同，是数据不能靠「差不多」解决。Max 说，Legora 的数据层包括客户自己的 precedent 和组织数据，也包括全球各司法辖区的案例、法律、监管更新。对于 GC 来说，如果公司突然进入南非市场，系统能先给出一个可工作的本地法律判断，再交给律师和业务继续推进。1

Jason 提到 LexisNexis 和 Westlaw 这样的传统巨头拥有深厚数据护城河。Max 的反击很明确：有数据不等于能变成 AI-native company。传统提供商往往缺人才、速度慢、组织政治重，很难跟上创业公司的迭代节奏。更关键的是，法律研究不能只覆盖 top 80%。你需要所有数据，因为一个顶级诉讼团队不能在十亿美元案件里漏掉某个关键 precedent。1

这也解释了为什么法律数据采集听起来非常「笨」。Max 说，美国案例法里有些页面引用必须从实体书里取得，所以真的要把书运到印度、打开、扫描、获得 page citations。这个过程笨重，但一旦规模化，就会形成真实数据护城河。1

9. 从搜索案例，到 agent 做案件策略

上一代法律数据库的核心动作是 search：找到案例，律师再做真正工作。Max 认为，随着 agentic model 进步，尤其更强的推理模型出现，法律 AI 正在从「查资料」进入「做策略」：把证人陈述、案例、法律条文结合起来，形成端到端案件策略。律师的角色因此从阅读每份材料，变成编排和管理 agents。1

但 Max 并不相信 Legora 应该训练一个通用法律大模型。他认为构建 general legal intelligence model 是浪费时间和金钱。更有效的是为高频、窄任务训练 narrow model，例如 tabular review：100 份文件乘以 100 个 prompts，就是 10,000 次 API 调用；如果有专门做合同数据提取的微调模型，就能同时降低成本和延迟。1

这也是本集的主线之一：垂直 AI 不是和通用模型正面拼规模，而是在具体任务里用更窄的数据、更低延迟、更好成本结构和更深工作流，把通用模型变成底层能力。1

10. 合规是 Legora 的货币

法律 AI 的另一个门槛是数据安全。Max 说，compliance is our currency。Legora 服务的客户包括高度敏感行业和政府客户，系统里可能托管国家秘密、武器制造商合同、重大诉讼材料等内容；如果数据泄漏到模型或第三方系统，后果会非常严重。1

这也是为什么很多法律 AI 公司能做出功能，却很少能真正卖进顶级律所和大型企业。构建价值不难，难的是通过安全、隐私、合规、采购和客户信任。一旦进入客户环境，扩张反而更容易；这也解释了 Legora 为什么把 M&A 视为扩张策略的一部分。1

本期金句

「语音是身份，也是 IP。」1
「人们和 AI 说话时，会更愿意说出真实情况。」1
「我们没有产品经理。」1
「架构重要，不只是规模重要。」1
「法律服务是 4% 软件、96% 服务。」1
「工作会存在，任务会不同。」1
「你不能构建一个没有全部数据的法律研究方案。」1
「合规是我们的货币。」1

对 AI builder 和投资人的启发

第一，垂直 AI 的第一性问题不是「模型比别人强多少」，而是「你占住了哪一层交互」。ElevenLabs 占的是语音交互层；Legora 占的是法律工作流层。只要客户每天的真实动作发生在这一层，平台就有机会从工具变成系统。1

第二，专有数据不是一个抽象词。语音数据要被标注、清洗、按交互质量训练；法律数据要覆盖所有案例、法规和司法辖区，还要有页面引用和本地语境。真正的护城河常常不是炫酷模型，而是别人不愿意做、做不全、做不久的脏活。1

第三，AI 会改变职业训练路径。初级员工不是消失，而是从「手工执行低层任务」转向「设计、监督、校验 agent」。这对组织提出的新要求，是把判断力训练前移，而不是只让新人重复过去的机械劳动。1

第四，model-agnostic 是企业信任的一部分。无论语音还是法律，客户都不想被一个底层模型锁死。垂直 AI 公司真正要控制的是行业数据、交互体验、审计边界和业务工作流，而不是每一层智能都自己从零训练。1

逐句全文翻译状态

本频道长期目标包含「逐句全文翻译」。本期已完成完整公开视频下载、完整 ASR 和完整节目顺序精读，但由于 51 分钟访谈的逐句无删减译文体量很大，本篇正文没有展开逐句全文翻译；标题、开头和摘要均已标注为「完整 ASR 精读版（非全文逐句译本）」。后续如继续处理同类长单集，需要将逐句译文拆为分篇或附件承载，避免把正文误包装成已经交付无删减逐句译本。

Mati × Max：AI 正在吃掉万亿服务业｜完整 ASR 精读版（非全文逐句译本）