AI 重塑法律行业：为 80%的工作带来 10x 提升
深度阅读了本次文章，分析市场和行业的很值得参考案例，后续分析行业的时候也可以回来看看
市场规模
- 市场总体情况
- 绝对规模
- 增长趋势
- 产品占比
- 从业人数
- 产业地位
- 总体客户结构
- 客户支出结构 - 总量结构
在金融报告中，”总量结构”这个概念通常是指一个经济体或者特定市场中不同部分或者要素的总体分布和比例。这可能涉及到资产、负债、收入、支出等多个方面的分布情况，以及它们之间的相对比例。总量结构可以帮助分析者理解一个经济体或市场的整体状况，比如资本结构、收入来源、支出去向等。
客户支出结构 - 服务结构
客户支出结果 - 服务结构
- 顶级的 100-200 家律所拿走了市场 90% 的收入，单个律师创收在百万级别，在此基础上提效是结构性趋势。
市场趋势
根据积极投资 LegalTech 方向的基金 NFX 的研究，LegalTech x AI 可大致分为三个阶段：
- 2000-2011 年，AI 主要应用于 E-discovery，搜索、排序和分类数据，减少浏览大量法律文件所需的时间
- 2012-2020 年，AI（以 NLP 为主）开始从 E-discovery 进入了多个法律工作流程，包括在合同管理、诉讼预测、法律研究，早期的 LLM 也出现了
- 也就是目前的 LLM 与法律的结合，AI 开始成为新兴法律服务平台的核心。LLM 的出现极大提高了 AI 的智能水平，法律行业也十分适配大模型的能力。
和我们自己使用 AI 也是类似
用于加速检索(提取)
用于生产代码（生成）
最终使用平台（流程化）
能 10x 提效的原因：
法律场景是一个典型的 text-in/text-out 的场景，数据以文本为主，信息量极大，多为绝对事实和真实案件，没有模棱两可的主观判断和情感色彩，很适合大模型学习；
工作逻辑维度，无论是美国判例法还是中国成文法，法律工作内容都有非常强的知识性、逻辑性，需要基于大量的客观信息做出判断，所以大模型适合解决法律文书审核、案件检索、合同撰写及审核等 dirty work，在工作效率上，实现了是 10 倍而不是传统法律技术 1.5 倍的提升。
同时，AI 帮助发现新案件，解锁潜在的业务，这推动了法律服务市场的增长。
法律基层员工工资不断上涨加上客户持续降低法律预算，律所依靠支付给律师的工资<企业支付给律师事务所的报酬所产生的规模效应慢慢不再成立，客户和市场倒逼律师事务所采用技术提高效率。
LLM 对于按时计费的商业模式也会产生进一步的瓦解作用。
从客户角度考虑，当客户意识到 AI 的能力，有可能不再认可传统的付费模式和需要工作时长；也可能会自己购买软件，减少对外部法律服务的依赖。
从律师角度考虑，AI 的高效会使得律师的计费时间减少，促使律师事务所改变收费模式。
公司内部在 AI 出现之后，传统工作时长也会收到挑战，倒逼提高效率
客户案例
通过将产品拆分成不同场景作为分析
公司情况
- 创建时间
- slogan
- 融资
- 团队组成
- 产品功能研究/介绍
- 客户
- Comments（为什么值得关注）
网站界的奥斯卡
里面有很有设计感的网站，还有教网站排版的教程
独家 | 前 Dora AI 增长负责人详解如何拿下 Product Hunt 日、周和月榜 TOP1，及年度 AI 产品
我们宣传片的制作者之一 Lynn Wu 同学是工业设计出身，3D 渲染与动画效果对惊艳的视觉效果起到了关键作用——策划上需要让设计师有发挥空间。
社交媒体上好的东西都是裂变的，启动阶段没有声量是很难做起来的。科技产品的营销要敢去花高质量的钱，而付费合作的效率是最高的
如果希望达成 PH 排名第一，那流量就要大部分去导给 PH 而不只是 Landing page。玩一些好的运营机制可以给流量上杠杆，运营机制的核心是判断清楚用户的核心需求，借此直接引导用户做你想让他做的事情，而不是随便拿一个自认为是激励的东西去引导用户。
相较于高粉丝数量，我们更看重 KOL 的画像和过往内容质量。我们会搜索并联系大量做类似产品的 KOL 账号，在这个过程中我们碰到了第一位欣赏 Dora 的 KOL，AM Design，他免费制作了第一期 Dora 的视频。通过这次合作，我们发现数据上能达到的播放量：注册用户是 10:1——这个奇迹的数字直接验证了我们 PMF 方向的正确性。于是我们复制这个模式，并在最终选取了大概 15 到 20 个最优秀的 KOL 去发布我们的内容。我们选择集中在同一时间投放，密度和频次共振打造爆款，产生了现象级的用户增长。
在这些理念下，我们陆续策划了几个爆款合作：
Minh Pham 是我们在所有设计师 KOL 中最想合作的，他跟我们主打 animation 和 3D 的产品内容完全匹配，设计能力和创意都在最高水准。坚持不懈联系了半年后，我们终于打动了他，答应开始第一次合作。
初次合作获取转化率，判断产品 PMF 程度以及投放 ROI
我觉得在内容创作人才的选择上大家是可以打开思路的，寻找一些真正有内容创作能力的创作者。
用户激活：围绕用户体验的 Onboarding 设计大法
Dave McClure 提出“海盗模型”解释了实现用户增长的 5 个指标，分别是：Acquisition（获取）、Activation（激活）、Retention（留存）、Revenue(收入)、Referral(自传播)。
了解用户心智
了解你的用户是谁，为什么注册你的产品
- 用户画像：用户属性、行为特征、场景描述
- 研究用户心理：弄明白用户期待什么，主要包括环境、动机、心智、痛点
img
找到用户的 aha-moment
- 使用分析工具：Google Analytics，Growingio 或者 Mixpannel、画留存曲线、组合动作
（谁）在（多长时间内）完成（多少次）（什么行为）
- 用户访谈
- 你最喜欢产品哪一点？
- 你使用最多的功能是什么？
- 什么时候你决定要付费？
- 你在使用哪些竞品？
- 研究早期流失的用户
- 使用 feadback 工具，收集他们的意见，类似这样的弹窗；代表工具：hotjar
- NPS 调研
设计 journey
- 研究了很多 user journey,发现设计路线包括四个部分：
- 触发事件：开始 onboarding，比如说手机端下载 app,web 端点击按钮后跳转到注册页面；
- 注册流程：用户注册，以及跳转到产品界面。
- 初次体验：在产品内初步体验。这个阶段让用户越快感受到价值越好，刺激用户完成激活事件。
- 激活事件：就是首次给用户提供你承诺的价值,这个激活事件往往与 aha-moment 有关。
设计用户旅程
user journey 就是新用户从接触产品、注册产品、使用产品、到最后放弃使用的整个过程。
- 触发事件：开始onboarding，比如说手机端下载app,web端点击按钮后跳转到注册页面；
- 注册流程：用户注册，以及跳转到产品界面。
- 初次体验：在产品内初步体验。这个阶段让用户越快感受到价值越好，刺激用户完成激活事件。
- 激活事件：就是首次给用户提供你承诺的价值,这个激活事件往往与aha-moment有关。
用户需求与产品价值验证阶段，给创始人的 7 条建议
SNF：Solution Need Fit，问题与解决方案匹配 — 有解决方案
PMF：Product Market Fit，产品与市场匹配 — 解决方案能
GTMF：Go-To-Market Fit，渠道与产品匹配
两斤职场信箱03：深受通勤和办公室困扰，但又不敢迈出自由职业这一大步
Jin 的通信分享，感慨女生之间互相鼓励/分享的美好，也向往自己能变得更优秀更勇敢。
你的自由其实藏在束缚里：是啊，自由在某种程度来说是一种保护，一定有满足的所以没有选择离开，一定有不满足的所以需要改进，无论是自由职业、打工、自己创业其实都是在解决一个又一个的难题。开心也工作不开心也工作，将思考方式切换称“为了老板打工”切换成“为了你的作品集打工” 化被动变主动，保持积极的心态，同时解决难题突破自己。
Streaming JSON from OpenAI API
AI 输出 JSON 的能力堪忧，可以使用 Function Calling 解决，但 Function Calling 不支持 Streaming 导致返回较慢，所以可以使用 JSON 矫正的库实现 JSON 数据修正
红杉美国：GenAI是一场10倍速的生产力革命
2024 年预测：
预测一：Copilot 将逐渐向 AI Agent 转变
从辅助变成独立完成多项任务的 Agent，某种场景下越来越接近人，各别场景超越人
预测二：模型将具备更强的规划和推理能力。
预测三：LLM 准确度将更高，从主要用于从 To-C 娱乐应用逐渐扩展到企业级应用。
预测四：大量 AI Prototype 和实验项目将投入使用。
长期判断：
判断 1：AI 是一次规模宏大的成本驱动型生产力革命。
判断2：万物皆可生成