ElevenLabs无PM运转

• 2022 年成立，第一年全投在研究和产品上；2023 年初发布第一个听起来真像人的文本转语音模型。之后到第一个 1 亿美元 ARR 用了约 20 个月，1 亿→2 亿用了约 10 个月，2 亿→3 亿只用了 5 个月（去年底收在 3 亿），现在是 6 亿美元。 → 详细
• Mati 特意点了一句时机：2022 年当时的话题还是加密货币和元宇宙，所以那反而是最好的起步时机——"我们真的可以花点时间，专注在我们认为是未来的那件事上"。 → 详细

• 今天 600 人。最早的 10 个人零流失——那批核心研究和工程人才到今天全都还在公司。 → 详细
• 公司结构是研究 + 产品双引擎：研究侧覆盖音频全链路（生成语音、转写语音、为交互编排语音）；产品侧覆盖完整客户旅程（做营销素材与国际本地化 → 语音 agent 做客服 → 在运营/培训/销售里主动赋能）。收入增长曲线有一部分就是这些新长出来的职能的反映。 → 详细
• 人才竞争上他给的是"磁石逻辑"而不是薪酬逻辑：团队是为"解决音频、解决交互"本身兴奋的人，"如果有人在外面找一家公司去解决这件事，我们就算不是唯一，也是最领先的那批地方之一"。 → 详细

• 基础结构是大量 5–10 人的小团队，尤其在产品工程侧；go-to-market（进入市场／销售打法）也不是按职能切，而是按行业切——电信、金融服务、医疗各自成建制。"每个单元内部都咬合得非常紧，整个公司都这么干。" → 详细
• 真正反常规的那一步：他们在每一个地方都嵌入工程师，连本来不属于工程的地方也嵌。原话——"我们的人才团队里会有一名工程师，我们的法务团队里会有一名工程师，我们的 revenue engineering（收入工程）或 go-to-market engineering（进入市场工程）里到处都嵌着工程师。" → 详细
• 这些嵌入式工程师有两个明确职责：① 做自动化、把软件带进那个团队；② 帮团队里其他所有人真正用起 AI，同时对他们部署的每一样东西做安全检查。 → 详细
• AI 用量的双向警报线（这条很少有人明说）："如果你没在大量使用那些写代码的软件、那些协同工作的软件，那你多半站错位置了；而如果你用得太多，那也是一个警示信号——因为你可能没在用对的方式做。"配套的判断是：当这套东西进入组织里从没接触过的角落，那些人能"造"但不一定能"审"——审不出这东西背后到底有没有以安全的方式在跑。所以嵌入式工程师是"公司里一个不可或缺的角色"。 → 详细
• Jason 的补刀值得记下来："『人人都能造软件』很棒，直到你把它放进生产环境、然后出了数据泄露；或者那个人离职了、大家忘了这软件是他建的，它就自己在那儿慢慢烂掉。" → 详细

• Jason 直接问："作为 CEO 和联合创始人，你怎么看产品经理和管理？"他先自己猜了一句"你把他们全裁了吧"——Mati 的回答是："我们没有任何 PM。""从来没有过。"（不是裁掉，是从来没设过。） → 详细
• 他给的理由是招聘经济学，不是"PM 没用"：这个岗位上的理想人选是"既能写代码、又能理解客户、又能理解设计"的人；但真正三样都是专家的人本来就极少。所以他们换了个招聘画像：至少在其中一个领域是专家，同时对另外至少一个领域理解得非常好（一专 + 一通，而不是三样都平庸）。 → 详细
• AI 是把这个画像变得可行的那块拼图："如果你借助 AI 能把每样都干一点，你也许能实现一次台阶式跃迁——从业余水平跳到进阶水平，也许到不了专家水平。但突然之间，你做自己的工作就不再被其他所有职能卡脖子了。"注意他很克制：AI 给的是"advanced（进阶）"不是"expert（专家）"，所以那个"一专"的锚仍然必须真。 → 详细
• 他举的落地样本是增长，不是产品："有了 growth engineering（增长工程），一个人就能设计实验、把实验发出去、跑通了再把结果带回来。"——原本需要 PM 定义、设计出图、工程实现、数据分析四个人接力的链条，被压进一个人。 → 详细
• 第二块支柱是极度的自用（dogfooding）："为了能帮所有人做出语音 agent，我们自己首先就得做出语音 agent。"连销售侧都不例外：他们做了自家的 inbound AI SDR agent（入站 AI 销售开发代表）——网站上除了填表单，你还可以直接打电话给一个 agent。结果是双赢："人们可以用轻松得多、快得多的方式把信息给出来，而且还会留下多得多的信息，所以你能更快地把他们对接到正确的问题和正确的人。" → 详细
• 他把这归纳成一条自增强回路：大量使用工具这件事本身，会让你在工作上整体变强——而在 ElevenLabs，这个"工具"恰好就是他们卖给客户的东西。 → 详细

• 需求端已经翻转："正在慢慢变成，你在电话里会主动要求『给我转 AI agent』。"Jason 的体感更狠——跟真人客服说话时他反而有负罪感（"太抱歉了，我拿这么点小事浪费你时间"）。 → 详细
• 增长最大的燃料是企业客户；产品端能吃下来靠的是三样合体：作为内核的可靠性 + 对一堆 AI 模型的编排 + 知识与集成。他判断台阶式变化发生在过去 12 个月、尤其最近 6 个月。 → 详细
• 下一步方向他说了两条：界面会随你怎么用而变形（语音在后台帮你找信息），以及从被动响应转向主动出击——在你开口之前把帮助送到。 → 详细

• 客户里有 Revolut、Klarna、PagBank 等金融公司。催收场景里出现了一个意料之外的效应：人在真人面前会因为羞耻而不说真实处境，面对 AI 反而开放得多，愿意讲实际发生了什么、把信息给出来。"那种『在另一个人面前我说不出口』的情绪障碍，完全不一样了。" → 详细
• 第二个差异是节奏：人对 AI 更干脆、都是短平快回应，不介意打断它——这反过来要求把交互模型改一改（可打断、可抢话）。 → 详细

• 10 年前的障碍不是准确率而是社交尴尬（律师戴着耳麦对 Dragon Dictate 说话像个傻子）；现在变成"办公室里的低语"——人们小声给 agent 下 prompt，戒指、脚踏板这类设备开始出现。 → 详细
• Jason 桌下有三个脚踏板配 Wispr Flow：踩下去说话、松开结束。他的洞察是——"跟 LLM 打交道最烦人的一部分就是打字，你写 prompt 会写到累，于是就不写了"；而 LLM 恰恰特别擅长处理那种一直说一直说的大段意识流，他现在一次给一到两分钟的口述 prompt，"这彻底改变了一切"。 → 详细
• Mati 补了一个语音特有的好处：你说完一个想法又想改口，两段上下文被合在一起，模型给的答案反而更好。他自己用 Plaud 口袋录音设备，看重的是"那些本来会消失掉的对话和信号"能自动进笔记并转成跟进事项。 → 详细

• 起因是 Jason 本人被克隆——有人用《This Week in Startups》的存档 + ElevenLabs 做了个"讲笑话的狗"频道，用的是他的声音。 → 详细
• ElevenLabs 的三道防线：① 追踪（trace）生成出来的每一样东西，需要时能采取行动；② 在声音和文本两个层面同时审核——带商业性质或试图诈骗的输入会被标记、可拦截；③ 为更广的世界做检测系统：任何人上传一段样本就能立刻知道是不是 AI 生成的，而且不只覆盖 ElevenLabs，也覆盖其他开源模型。 → 详细
• 他的立场表述："既然我们在引领这项技术的发展，我们也需要引领防护措施的发展。" → 详细

• 市场机制：创作者上传自己的声音 → 平台认证 → 分享出去 → 赚钱。到今天已向创作者社区付回超过 2200 万美元。定价可选"默认价（平台优化分发）"或"自己定价"。 → 详细
• 授权案例：与 Matthew McConaughey 合作的跨语言声音项目（同一个人的情绪在西/意/葡语里依然成立）；Masterclass 把静态课程变成可交互内容（Gordon Ramsay 在厨房冲你吼）；《堡垒之夜》（Epic Games）上线达斯·维达——与 James Earl Jones 遗产管理方及迪士尼合作，玩家过关后可实时和维达对话求助；Headspace 做内容本地化，Calm 在试个性化冥想。 → 详细
• 配音演员的商业模式因此从"按小时计酬"变成"花一小时录制、然后长期授权"。 → 详细

• 与因 ALS（渐冻症）、喉癌失声的人合作复原声音。美国女众议员 Jennifer Wexton 用这种方式在国会发表了第一次演讲。 → 详细
• 他说最暖心的一件：一位女士在结婚前失去声音，后来夫妻俩把婚礼重办一次、重念誓词——"全家人第一次听到那段誓词……那种情绪是任何别的方式都换不来的。" → 详细

• 对模型保持中立就是产品：平台把 Anthropic、OpenAI、开源、Google 的模型都摆出来让客户挑，客户于是能安心搭 harness（外层脚手架）和 agent 编排，而不被任何一个模型绑死。 → 详细
• 他承认边界在糊："模型即平台，平台即应用，一切都变得有点模糊"——但 ElevenLabs 的定义性一层始终是"交互与沟通长什么样"。 → 详细
• 护城河三层，说得很具体：① 研究上"重要的是架构，不是规模"，必须真的改变模型的运作方式；② 数据上世界上音频海量但没有标注，所以他们建了超过 1000 人的标注团队把素材标好；③ 产品上做完全垂直化（金融服务的正确工作流和医疗、电信完全不同），再加集成/声音/模板的生态。 → 详细
• 关于被蒸馏（distill，即别人用你的输出去训练自己的模型）：他直说"这个问题是真实存在的……我们有几种机制去阻止它、或者说拖慢它——不是彻底阻止"。至于自研模型：不碰知识工作、不碰写代码，但"任何『交互』……这个我们不会让出去"。 → 详细
• 收尾的判断："几乎有点疯狂的是，我们每个人手里都有一台『图灵机』……我们希望今年在语音上做到同样的事：任何一段对话，感觉都像在和另一个真人说话。"Jason 则认为老一代 AGI 测试"我们已经全部通过了，那些测试是 30、40 年前设计的"。 → 详细

• 连续七个季度保持每季度环比 50% 增长；截至上周二收盘，成为采用直销模式的企业软件公司里从 100 万美元做到 1.5 亿美元 ARR 最快的公司之一，比 Sierra 快一个季度。 → 详细
• Jason 的场景注脚：他见过一家做到 100 万美元收入、融过好几轮、几十号人的创业公司根本没有公司法务——合同、股权表、HR 的回答统一是"ChatGPT 呗，兄弟"；连"要做知识产权归属（IP assignment）"这种事也是问 ChatGPT 问出来的。 → 详细

• 每年 1 万亿美元流进法律服务，而且高度分散；但流进法律科技的软件支出只有约 400 亿美元——也就是 4% 软件、96% 人力。Max 的原话是"这太离谱了（bananas）"，"软件那块本该大得多"。 → 详细
• 关键推论：软件不是去抢那 400 亿的存量，而是去吃那 9600 亿的服务收入。这是"AI 应用层 TAM（可服务市场）到底有多大"这个问题的一个干净答案模板。 → 详细
• 第二个结构性事实：法律是供给受限市场——对法律服务的需求远大于律师供给。所以 AI 首先不是抢饭碗，而是释放被压抑的需求：服务方开始用技术去覆盖过去做不了的用例、细分市场，甚至打包出新产品。 → 详细

• 计费小时（billable hour）的真实机制：律所的盈利模式是对初级律师（associate）收费过高、对合伙人收费反而偏低——因为"他们唯一知道怎么给合伙人价值定价的办法，就是对 associate 收费过高"。数字：Jason 最近收到 1800 美元/小时的账单，初级律师约 800 美元/小时，而 Kirkland & Ellis 能开到 4000 美元/小时。 → 详细
• Max 也承认合伙人那 30 分钟确实可能远超标价——"如果那是一场生死攸关的诉讼、或者你因此避开一个会让公司损失几千万美元的坑，那太值了"。问题不在合伙人贵，在于成本被塞进了初级律师的工时里，而那部分正是 AI 能吃掉的。 → 详细
• 拆法一（律所自己动手）：Cooley 直接开了个软件平台服务创业公司创始人——把自家资料和**判例先例（precedent，即可参照的成案与合同范本）**灌进去、嵌入自动审合同的工作流，创始人登录就能用。"这开始打破那种模式。" → 详细
• 拆法二（企业收回内部）：Legora 自己就在这么干——今年已收购四家公司，尽调全部用自家工具在内部完成，最快一笔从签意向书（LOI）到交割只用 12 天。 → 详细
• 底层是激励错配：创始人的动机是尽快关掉交易；律师的动机是①别被你反过来告、②尽可能多赚钱——两条都指向拖长时间。"即使他们不明说，他们的激励就是把它拖长。"因此新定价正在冒头：按一笔交易/一次融资收固定费用，诉讼里打赢时拿成功费。 → 详细
• 被冲击方的体量与情绪：Kirkland & Ellis 一年约 100 亿美元收入、4000–5000 名律师、每位合伙人年利润 500 万–1000 万美元；面对 AI"有很多焦虑，也有很多恐惧"，因为它同时是生存威胁和生存级机会。 → 详细

• Max 说自己工作中很大一块是帮客户的领导班子把这场转型讲清楚——理由很硬："我们的成功上限就是客户的成功上限（we will only be as successful as our customers are）。" → 详细
• 于是 Legora 设了一个"非常独特的角色"：legal engineer（法务工程师）。定义方式是直接抄同构："就像 Palantir 有 forward-deployed engineer（前线部署工程师）一样，我们有 forward-deployed lawyer（前线部署律师）。" → 详细
• 他们的日常长什么样：坐到 Kirkland 的合伙人旁边，帮他们把生意从"AI 之前"改造成"AI 之后"。注意这个岗位卖的不是软件功能，是商业模式改造——客户的痛点是"我这门 100 亿美元的生意要怎么重做"，而不是"这个按钮在哪"。 → 详细
• Jason 提出的类比与 Max 的修正很关键：这像二三十年前文档管理系统和 PC 进律所时的手把手陪跑，但"那时候是温和的效率提升；而这一次，它能把很多活儿直接干掉"。所以陪跑的内容也从"教工具"升级成"重设岗位"。 → 详细

• Max 的答案很干脆："岗位会存在，但任务会不一样。"理由是结构性的：要维持以合伙人为核心的模式，你必须让人一级一级往上长——"就像软件工程师一样，你必须有初级工程师，将来才会有真正懂行的资深工程师"。 → 详细
• 但通往资深的路径被换掉了：不再是"把自己关在实体资料室里，把每份文件读一遍、标出错误、然后拿去传真"；甚至也不再是"看虚拟资料室然后按 Ctrl+F"；而是"去编排（orchestrate）那个替你干活的 agent"。 → 详细
• 这条和他后面对 Opus 4.5/4.6 的判断是一条线：AI 从"增强人"跨到"把事情做掉"之后，"你的工作就变成去编排和管理这些 agent——就像我们在写代码那边看到的一样"。 → 详细

• Legora 底下的数据分两层：一层是客户自己的（律所与企业的判例先例、组织数据）；另一层是他们自己干的苦活——把全世界每一个法域的所有判例、立法、监管更新都收集起来。"这非常痛苦。但一旦你开始规模化地做，它就会长出一条真正的数据护城河。" → 详细
• 具体收益的样子：一位加州公司的总法律顾问（GC）刚拿下第一个南非客户——过去要"打电话找一个律师，他再认识那个地区的一个律师，那位律师再回复你"；现在立刻拿到一个 80% 准确的回答，拿着就能开始干活。 → 详细
• 他把这上升到社会层面：那么多人在制定政策和监管规则，而这些数据以前从来没被结构化过——这是一个巨大的低效。 → 详细

• Jason 的框架：LexisNexis 是判例法和法规这块的老牌庞然大物、有巨大数据护城河，但一年只赚二十来亿美元；而 Legora + Harvey 两家各自都在做几亿美元收入——"他们看着后视镜里的你们，一定像《侏罗纪公园》里回头看到暴龙"。美国的法律检索是 Westlaw + LexisNexis 双寡头，两家股价"被砸得很惨"，AI 不确定性已经计入。 → 详细
• Max 给的四条转型障碍非常直白：招不到那样的人才、不会像我们这样工作、组织太政治化、很难动。 → 详细
• 本期最锋利的一句判断："在 AI 刚开始的时候，很多人相信并押注：那些手里握着全部数据的组织会是赢家。但正如我们在市场上开始看到的，事实已经不是这样了。"他更倾向和内容提供方合作（德国、法国、西班牙等较小法域已经在做）。 → 详细
• 但法律检索有个反幂律特性：你不能只要头部 80%——"如果 Wachtell（全世界最好的律所）的诉讼律师说我要用这个打一个十亿美元的案子，你最好保证你手里有全部判例"。而拿到全部判例仍然要把书实体运到印度、翻开、扫描、拿到页码引证（page citation）；美国还有个怪现状：Westlaw 基本上握有和政府之间的判例报告垄断权，判例从某种意义上不归公众而归一家公司。哈佛的开放判例项目和 CourtListener 在努力但不够用。 → 详细

• Max 的立场极其明确："我不相信微调（fine tuning），也不相信去建任何通用智能模型。我认为那是彻底浪费时间和金钱。" → 详细
• 他相信的是为窄用例做非常窄的模型，且该用例本身调用量巨大，这样能同时把成本和延迟压下去。样本是他们的 tabular review（表格式审阅）功能：文档数 × prompt 数——100 份文档 × 100 条 prompt = 10000 次 API 调用。在这种地方，一个专门抽取合同数据的微调模型"非常适用"；但"去建一个通用法律智能模型——像我们某些竞争对手正在尝试的那样——没有意义"。 → 详细
• 关于前沿模型厂商的竞争：他认为 Claude 的法律方向产品"本质上是把一批 markdown 格式的 skill 文件加上几个集成打了个包"——好处是"向所有人展示了 AI 在法律里有多适用"，但用户"会撞到天花板、明白它有多浅，然后就来找我们"。"所以它其实是我们一个很大的销售线索来源。" → 详细

• "信任与合规就是我们的货币。" 他说市面上法律 AI 公司很多但跑通的很少，不是因为做东西难——"要理解在哪里能创造价值是相当容易的"——而是把它送到客户手里非常难。这道门一旦进去，扩展就容易得多，这也是他们并购策略的驱动力之一。 → 详细
• 敏感度的量级：Legora 上托管着国家机密、武器制造商的合同，也和政府合作。 → 详细
• 但即便如此，他们不做私有化部署（on-prem），也不打算做：理由是"部署到 VPC（虚拟私有云）非常耗时，而且会产生大量依赖，拖慢你的路线图和向前推进的执行速度"。——一个把"守住迭代速度"排在"满足客户部署偏好"之上的明确取舍。 → 详细

（本期无独立的闪电问答环节；两场访谈都以 Jason 的"祝继续成功"收尾。）

（本期无。两位嘉宾均未留联系方式；公司为 ElevenLabs 与 Legora。）