All-In Podcast — The Trillion-Dollar Industries AI Is Disrupting: Voice, Law & the End of the Billable Hour¶

Dátum: ~2026. július (legutóbbi All-In epizód a topic-ban: 2026-07-10 E280)
Házigazdák: Chamath Palihapitiya, Jason Calacanis, David Sacks, David Friedberg
Vendég 1: Mati Staniszewski (CEO & Co-founder, ElevenLabs)
Vendég 2: Max Junestrand (CEO & Co-founder, Legora)
Formátum: Vendor epizód (két AI-vendor egy epizódban, voice + law piac diszrupciója)
Forrás: All-In epizód · Media file

Epizód áttekintés¶

Két kiemelkedő AI-vendor egy epizódban: ElevenLabs (voice AI, $600M ARR) és Legora (jogi AI, 50% QoQ growth). A Besties a "trillion-dollar industries" AI-diszrupcióját vizsgálja:

ElevenLabs ($600M ARR): 2022-ben alapítva, 50 hónap alatt a termék a piacon, 600 alkalmazott, "life without PMs" modell. Voice agent use case-ek a pénzügyi szektorban (Revolut, Klarna, Pac Bank) — az emberek "nyíltabban" beszélnek AI voice agent-ekkel, mert kisebb az érzelmi blokk.
Celebrity voice + deepfake kockázatok: A platformon elérhető hírességek hangja (Matthew McConaughey, Darth Vader, James Earl Jones), de a deepfake impersonation komoly kockázat — Friedberg személyes példája a "bulldog joke" deepfake.
ElevenLabs vs. frontier model lab-ok: Hogyan pozicionálja magát a specialty voice AI a OpenAI/Anthropic voice megoldásaihoz képest.
Legora (50% QoQ growth, 7 negyedév): A $1T/év globális jogi szolgáltatási piac 4% software penetrációval — a Legora és Harvey már közelíti a LexisNexis revenue-t.
A billable hour modell halála: A seed-stage startup-ok már ChatGPT-vel review-znak mindent, az enterprise szinten is terjed a minta. A Legora "legal engineer"-eket forward deploy-ol a nagy ügyvédi irodákhoz (Palantir FDE modell).
Cross-border jogi gyakorlat: A Legora minden jurisdikció case law-ját és regulációját strukturálja — "data has never been structured before".
LexisNexis/Westlaw data moat mítosz halála: Az adat önmagában nem elég — a tempo és a tehetség a versenyelőny.
Narrow AI vs. general AI: A Legora stratégiája: "narrow models for narrow use cases" — a fine-tuned Tabular Review feature cost/latency előnyt ad, de általános legal intelligence model építése "waste of time".
Claude legal offering mint pipeline: A frontier model lab-ok "shallow" first attempt-je inkább a Legora sales pipeline-ját generálja, mintsem versenytársat.

All-In Podcast — "The Trillion-Dollar Industries AI Is Disrupting" — 1. rész¶

Epizód: All-In Podcast (Chamath, Jason, Sacks, Friedberg) — E280, kb. 2026. július 10. Vendég: Mati Staniszewski, CEO & Co-founder, ElevenLabs Rész hatóköre: 0:00 – ~15:34 (ElevenLabs szegmens eleje: ARR ramp, cégméret, life without PMs, voice AI use case-ek)

1. ElevenLabs cég háttér + termék¶

A céget 2022-ben alapították. Az első év tisztán research + product build volt — Mati szerint ez azért volt lehetséges, mert 2022-ben a figyelem még a crypto/metaverse körül forgott, tehát ők nyugodtan építhettek.
2023 elején kiadták az első text-to-speech modellt, amely Mati megfogalmazása szerint "finally could sound human" — ez volt az első olyan pillanat, amikor a szintetikus hang átlépte az "uncanny valley" küszöböt.
A termék ~50 hónapja van a piacon (a host rákérdez, Mati megerősíti: "40 months, 50 months. You tell me. Spot on.").
A cég pozicionálása: "communication platform for AI" — egyszerre kutatás és termék. A research oldal lefedi a teljes audió verzumot: speech generation, speech transcription, speech orchestration (utóbbi az agent interakciókhoz).
A termék a customer journey teljes ívét kiszolgálja: marketing asset készítés + nemzetközi lokalizáció, voice agent alapú customer support, valamint proaktív enablement (operations, training, sales).
A GTM-et vertikálisan szervezik: dedikált iparági csapatok telco, financial services, health care szektorokra — ezekre szabott, szorosan együttműködő 5–10 fős egységek.

2. $600M ARR ramp — számszerű növekedési lépcsők¶

A revenue curve az AI-vendorok klasszikus mintázatát követi, egyre gyorsuló lépcsőkkel:
Első $100M ARR: ~20 hónap (a termék 2023 eleji kiadásától számítva).
$200M ARR: ~10 hónap alatt a $100M-ról.
$300M ARR: ~5 hónap alatt a $200M-ról.
Év végére (2025): $300M ARR záródott.
Jelenlegi (2026 nyár): $600M ARR — tehát a $300M-ról $600M-ra nagyjából ~6 hónap alatt dupláztak.
A host kérdésére ("You're at 600 million dollars in revenue. This is extraordinary.") Mati nem cáfol, a tényekből az következik, hogy a cég jelenlegi ARR szintje $600M.
A növekedés legfőbb üzemanyaga az elmúlt időszakban az enterprise szegmens — Mati kiemeli, hogy "the biggest fuel of the recent growth for us is enterprises. Sales team just doing incredible work."
A termék oldalán az utolsó 12 hónap, különösen az utolsó 6 hónap hozott "step change"-et a voice agent élményben: a reliability, az AI model-ek orchestration-je, valamint a knowledge/integrations együttesen érték el azt a minőséget, amivel a fogyasztók és a vállalatok tömegesen elkezdtek átszokni a hangalapú agent-ekre.
Mati saját szavaival: "golden era of consumer for the consumers out there, customers and our customers is coming" — a website-ok megnyitása után a felhasználó agent-et fog hívni, amely a korábbi interakciókból dolgozik.

3. 600 alkalmazott, "life without PMs"¶

A cég jelenleg 600 fő — meglepően kicsi a $600M ARR-hez képest. A gyors növekedés ellenére Mati kiemeli, hogy az első 10 főből senki nem távozott ("zero attrition. Everybody is still at the company from those core research and engineering talent").
A kulturális megőrzés kulcsa: az interview cycle és az onboarding tudatos optimalizálása — a gyors növekedés mellett is ezt tartják a legkritikusabb folyamatnak.
A szervezet kis, laza csapatokra épül: a termék-engineering oldalon és a GTM oldalon egyaránt jellemzően 5–10 fős "tightly knit" egységek dolgoznak egy-egy iparágra vagy termékterületre fókuszálva.
Nincsenek product managerek — Mati határozott válasza a host kérdésére: "we fired them all, right? We don't we don't have any PMs. Right. Did you ever or did you have never you never did? Never did." Soha nem is voltak PM-ek a cégnél.
A PM-szerepet azáltal pótolják, hogy minden csapatba, minden funkcióba ültetnek egy mérnököt — "our talent team will have an engineer. Our legal team will have an engineer. Our revenue engineering or go to market engineering have engineers embedded all across."
Ezek a beágyazott mérnökök kettős szerepet töltenek be: (1) automatizációk építése az adott csapaton belül, (2) security check + AI adoption guardianship — Mati konkrét egyensúlyt említ: "if you are not using a lot of the coding software... you are probably in the wrong spot. If you're using too much of it, that is also a flag because you maybe are not doing that in the right way."
A csapat-profilok célzottan T-alakúak: "we optimize for profiles that are experts in at least one of those fields [code/customer/design], but understand at least one other field really well" — az AI segítségével egy-egy ember "amateur → advanced" szintet tud lépni több területen egyszerre.

4. Pricing modell + termékfilozófia + piaci pozíció¶

A termék nem egy single API, hanem teljes kommunikációs platform: speech generation + transcription + orchestration + voice agent stack. Ez lehetővé teszi, hogy a customer journey minden lépését (marketing asset, lokalizáció, support, sales enablement) ugyanazzal a stackkel szolgálják ki.
A belső fogyasztás dogfood-jellegű: "we are using a lot of our product ourselves. So to be able to help everybody else create voice agents, we ourselves need to create voice agents too." Az inbound sales funnel-jükbe is beépítették: a weboldali form mellé beszélgetős AI agent került, amely telefonon is felhívható, és a felhasználó több információt hajlandó megosztani, mint egy form kitöltésénél.
Használati példa, amit a host említ: Whisper Flow (voice-to-text app, amely az ElevenLabs technológiáját is használja a backenden) — a foot-pedállal kombinálva a host 1-2 perces stream-of-consciousness promptokat ad, és az LLM-ek ezt kiválóan kezelik.
Voice AI use case-ek a piacon (Mati szerint):
Reaktív helpdesk (híváskor agent) — ma már ez a domináns, és a felhasználók elkezdik preferálni az AI-t a humán ügyintézővel szemben, mert "the AI is just so much more precise. And the fidelity is so great that when you tell them what you're looking to do and you cut them off, you don't feel bad. You don't have to make small talk."
Proaktív help — Mati előrejelzése, hogy a voice agent a háttérben, a felhasználó kérése előtt is segíteni fog: "voice being helping you in the background, find that information will shift from reactive to proactive."
"Whisper in the office" — a Dragon Dictate korábbi kudarcához képest ma már az irodában is természetes, hogy valaki hangosan promptol a gépnek; a magánszféra-érzés (loud pocket eszközök, fejhallgatók) megoldja a régi szociális gátat.
Versenykörnyezet: Mati explicit nem nevezi meg az OpenAI-t vagy Anthropic-ot a részben, de a host promptja ("racing OpenAI and Anthropic") jelzi, hogy ez a részek közötti téma. Ebben a szegmensben Mati a differenciálásukat abban látja, hogy egyszerre research + product + orchestration + integrations, nem csupán egy modell.
Konkrét árazási számok (per-character, per-minute, tier-ek) ebben a részben nem hangzanak el — Mati csak a "golden era" minőségi ugrásról és az enterprise sales velocity-ről beszél.

Összegzés¶

Az ElevenLabs a 2022-es alapítás után 50 hónappal $600M ARR-nél jár 600 fővel, klasszikus AI-vendor growth curve-ot produkálva (20 → 10 → 5 hónap a $100M/$200M/$300M lépcsőkön). A cég soha nem volt PM-ekre épülő szervezet — a termék-, GTM- és support-funkciókba egyaránt beágyazott mérnökök pótolják a klasszikus menedzsment-szerepet, kiegészítve AI tooling-gal, miközben security check-et is végeznek. A termékfilozófia lényege: ne egy modellt adjanak el, hanem teljes voice communication platformot (generation + transcription + orchestration + integrations), ahol a saját csapatuk is dogfood-ként használja a terméket — ez a kombináció hajtja az enterprise szegmens robbanásszerű növekedését.

2. rész¶

All-In Podcast — "The Trillion-Dollar Industries AI Is Disrupting"¶

Epizód: The Trillion-Dollar Industries AI Is Disrupting: Voice, Law & the End of the Billable Hour Vendég: Mati Staniszewski (CEO & Co-founder, ElevenLabs) Házigazdák: Chamath, Jason (Calacanis), Sacks, Friedberg Dátum: ~2026. július Forrás: https://allinchamathjason.libsyn.com/the-trillion-dollar-industries-ai-is-disrupting-voice-law-the-end-of-the-billable-hour Rész lefedettség: kb. 15:34 – 31:42 (Celebrity Voice Deals, Deepfake Impersonation & Racing OpenAI and Anthropic)

5. Voice agent use case-ek a pénzügyi szektorban¶

A leggyakoribb ügyfélkör a pénzügyi szolgáltatások: ElevenLabs explicit módon említi a Revolut, Klarna és Pac Bank-ot mint partnereket.
Két fő felhasználási eset: payment reminder (fizetési emlékeztető) és debt collection (behajtás olyan ügyfeleknél, akik nem veszik fel a telefont).
Mati legfontosabb insightja: az emberek AI voice agenttel „sokkal nyíltabbak” a valódi helyzetük megosztásában — mert megszűnik az a fajta „emotional block”, amit egy emberi ügyintéző előtt éreznének (szégyen, zavar).
Konkrét példaként hozza: az ügyfél az AI-nak őszintén elmondja, ha nem tudott fizetni, miért nem tudott, és mi történt valójában — míg egy emberi ügyintézőnél ezt visszafogná.
A pénzügyi szektor tehát nem csak költségmegtakarításra használja a voice agentet, hanem jobb adatgyűjtésre is — az AI kikényszeríti a valódi, érdemi párbeszédet, ahol az ügyfél felfedi a fizetési nehézségek valódi okát.
Sacks kontextusba helyezi: ez egyfajta „jobb customer intelligence” a bankok számára, mert mélyebb, őszintébb információhoz jutnak, mint korábban.

6. Interakciós modell váltás AI voice agenteknél¶

Mati megfigyelése: az emberek AI voice agenttel „snappier” módon beszélnek — gyors, tömör válaszokat adnak, nem udvariaskodnak, félbeszakítják az agentet („you don't mind cutting it off”).
Ez eltér az emberi call center-ekben megszokott udvarias, hosszabb, keresett kommunikációtól — az AI-val szemben az emberek a lényegre térnek.
Következmény: az ElevenLabs aktívan dolgozik az interaction model átalakításán, hogy a voice agent kezelni tudja ezt a direktebb, „rough”, szaggatott stílust.
Jason párhuzama: ez hasonlít ahhoz, ahogy az emberek SMS-ben, Slack-en vagy más digitális csatornán kommunikálnak — lerövidülnek, eltűnnek a szociális konvenciók.
A challenge: az AI-nak egyszerre kell természetesen reagálnia, amikor az ügyfél közbevág, és közben el kell végeznie a kitűzött feladatot (pl. fizetési ígéret rögzítése, claim rögzítése) — ez technikailag másfajta turn-taking modellt igényel, mint az eddigi call flow-k.

7. Celebrity voice licensing és a marketplace modell¶

Matthew McConaughey-vel kötött partnerség: a színész hangja elérhető a platformon, és többnyelvű (angol, spanyol, olasz, portugál) — az érzelmek és a védjegyszerű beszédstílus megmarad a lokalizált verziókban is.
A tranzakció „seven figure deal” kategóriájú (nyolc számjegyű volt, de a beszélgetésben hét számjegyű deal-ként említik), és jellemzően kis equity component is társul hozzá (Mati a „11 lab stock is juicy” poénnal él).
A MasterClass-szal való együttműködés: korábban statikus, előre felvett tartalom volt, most interaktív: Gordon Ramsay a felhasználóval beszélgetve tanít főzni, szidja, ha nyers a scollops, stb. — ez a tanítás új formája.
Disney / James Earl Jones / Darth Vader: James Earl Jones az élete során licenszelte a Darth Vader hangot a Disney-nek „all time”, családi örökségként. A Disney az ElevenLabs-t bízta meg, hogy a jövőben is ez a hiteles hang szólaljon meg új tartalmakban.
Fortnite / Epic Games: Darth Vader interaktív karakterként jelent meg a játékban — a játékosok bizonyos szint elérése után beszélgethettek vele, és a küldetésekben is segített. Ez a „hang mint interaktív IP” modell első nagy példája gaming térben.
Headspace partnerség: a második legnagyobb meditációs app (Chamath viccesen megjegyzi, hogy ő a Calm-be fektetett anno 4 millió dollárért). A Headspace a meglévő tartalmat lokalizálta az ElevenLabs hangjaival, és interaktív, személyre szabott meditációs leckéket kínál.
Voice Marketplace és a közösségi kifizetések: az ElevenLabs piactere eddig 22 millió dollár feletti kifizetést teljesített a voiceover színészek/alkotók felé. A modell: a voice actor felveszi a hangját (~1 óra), létrejön az AI voice, majd a platformon licenszeli — a bevétel egy része (vagy 100%-a, a választott modelltől függően) visszajut az alkotónak.
Két árazási modell: (1) „default distribution” — a platform osztja el optimalizálva a voice-ot, (2) „pick your price” — az alkotó maga határozza meg az árat.

8. Deepfake impersonation kockázatok és a safeguard rendszer¶

Friedberg személyes deepfake példája: valaki a This Week in Startups archívumából vett hangmintával, ElevenLabs-szal klónozta Friedberg hangját, és egy YouTube csatornát indított „bulldog joke” videókkal (bulldogok vicceket mesélnek Friedberg hangján). A csatornát podcaster-ként pozicionálta. Friedberg emailben megkereste az alkotót, aki büszkén válaszolta, hogy „I used 11 Labs” — tehát maga a cég eszközét használta az impersonationre.
Jogi helyzet (Sacks ismerteti): az Egyesült Államokban a hang „right of publicity” alá esik — nem lehet valaki hangját commerce célra felhasználni az engedélye nélkül. Viszont parody célra szabad (fair use): Jason Trump-impersonationt csinál élőben a stúdióban. Friedberg viccesen hozzáteszi: „5%-ot kínáltam az ElevenLabs-ból, de a 'nasty guy wouldn't give five percent'”.
Jason Calacanis másik személyes példája: a csapata megpróbálta klónozni Jason hangját, hogy a rosszul kiejtett hirdetéseit kijavítsák (JCal20 → JCal25 promo code). A rendszer „I'm sorry, you cannot clone Jason's voice” üzenettel blokkolta — a clone-hoz Jason saját jóváhagyása kell.
Mati hárompillérű safeguard rendszere: (1) trace everything — minden generált hangot trace-elnek, hogy utólag azonosítható legyen a forrás és intézkedés legyen lehetséges; (2) moderate on voice and text level — ha a prompt kereskedelmi jellegű vagy scam-gyanús, a rendszer blokkolja; (3) detection tooling a szélesebb ökoszisztémának — bárki feltölthet egy hangmintát, és az ElevenLabs rendszere megmondja, hogy AI-generált-e (ezt nem csak a saját, hanem más open source modellek által generált hangokra is).
Alicia (ALS) / Jennifer Wexman kongresszusi képviselő esete: elvesztette a hangját, de az ElevenLabs segítségével visszakapta, és az első AI-visszaállított hangú beszédet tartotta a Kongresszusban. Történelmi pillanat a technológia pozitív felhasználásában.
Esküvős eset: egy nő a betegsége miatt elvesztette a hangját, mielőtt kimondta volna az esküvői fogadalmat. A család újra megtartotta a ceremóniát, az AI-visszaállított hangjával — az egész család először hallotta a fogadalmat. Mati ezt nevezte a „legmelegebb” történetnek, amit valaha hallott.

9. ElevenLabs vs. OpenAI / Anthropic — narrow specialist vs. generalist¶

A verseny kontextusa: Sacks egyenesen rákérdez, hogy Mati fél-e attól, hogy az OpenAI (Sam Altman) és az Anthropic (Dario Amodei) „megölik” a cégét — hiszen ezek a frontier model lab-ok is beépítik a voice képességet a modelljeikbe.
Mati pozicionálása — „model-agnostic platform”: az ElevenLabs nem kötelezi el magát egyetlen LLM mellett sem. Az ügyfelek szabadon választhatnak az ElevenLabs saját modellje, a Claude/Anthropic, az OpenAI, Google vagy open source modellek közül. Ez a vendor-agnosztikus megközelítés a cég értékesítési előnye, mert a cégek „harness”-t építhetnek anélkül, hogy egyetlen modell-szállítóhoz lennének kötve.
A specialista vs. generalista érv Mati oldaláról: a voice domain-ban az architektúra számít, nem a scale — nem lehet „csak nagyobb modellt” dobni a problémára, hanem specifikus architekturális döntések és címkézett audió adat kell. Az ElevenLabs belső csapata 1000+ contractor-t foglalkoztat, akik manuálisan címkézik az audió asseteket (érzelmek, intonáció, stb.).
A verseny előnye három pilléren nyugszik: (1) research — folyamatosan jobb voice modellek text-to-speech, speech-to-text, turn-taking és music területen; (2) vertikális termékismeret — a workflow-kat pénzügyi szolgáltatásokra, egészségügyre, telco-kra külön-külön optimalizálják; (3) ökoszisztéma — voice-ok, agent template-ek, integrációk széles tárháza, hogy az ügyfelek ne a nulláról induljanak.
Adatvédelmi aggály a frontier model-ekkel szemben: Sacks rákérdez, hogy az OpenAI/Anthropic vajon használja-e az ElevenLabs-on keresztülmenő adatot a saját modelljeik tanítására. Mati elismeri: „we know that some companies are continuously trying to figure out how to distill and use the data” — és hogy lassítani tudják, de teljesen megállítani nem.
Saját LLM stratégia: Matiék nem akarnak coding vagy knowledge work modelleket csinálni, de a saját LLM-jüket az interaction / communication vertikálisra fókuszálják. Tehát a saját modell is specialty modell lenne, nem generalist.
Költség oldal: Sacks megjegyzi, hogy Matiék „tens of millions of dollars” értékben vásárolnak a frontier model-ektől — tehát a partneri viszony „jó”, de a hosszú távú cél a függetlenedés.
Turing test for voice: Mati reméli, hogy még ebben az évben eljutnak oda, hogy bármilyen AI voice beszélgetés megkülönböztethetetlen legyen az emberitől — szerinte bizonyos alkalmazásokban és kérdéseknél már most „passing”-on van a teszt.

Összegzés¶

A pénzügyi szektor (Revolut, Klarna, Pac Bank) a voice agent legnagyobb adopterje, és nem csak költségmegtakarításra, hanem jobb ügyfélintelligenciára is használja — az AI megszünteti az ügyfelek érzelmi blokkját, így őszintébb információt kapnak.
Az ElevenLabs versenystratégiája a „specialist vertical” pozicionálás: a voice domain-ban az architektúra és a 1000+ contractor által címkézett audió adat fontosabb, mint a modell mérete — és a model-agnosztikus platformstratégia (ügyfél választhat LLM-et) a cég fő értékesítési előnye az OpenAI/Anthropic ellenében.
A deepfake kockázatkezelés háromrétegű: trace + moderate + detection tool — és a cég a platformon eddig 22 millió dollár feletti kifizetést teljesített a voice actorok felé egy működő marketplace modellben, miközben James Earl Jones, Matthew McConaughey és Gordon Ramsay hangjait is licenszeli.

3. rész¶

All-In Podcast — 3. rész — Magyar összefoglaló¶

10. AGI vita — Mati búcsúja, Max belépése¶

A Mati szegmensét a házigazdák AGI definíció vitával zárták: "ha megnézed a 30-40 évvel ezelőtt definiált AI teszteket, azokat már mind átmentük." Új teszt kell: "lehet-e 10x okosabb, mint a Föld legokosabb embere?"
Sacks véleménye: "bizonyos területeken már elértük az AGI-t, csak még nem deploy-oltuk széles körben."
Mati távozása után a Besties átmeneti szegmenst tartanak (Oracle AI reklám), majd bevezetik Max Junestrandet (Legora CEO).

11. Legora növekedési metrikák¶

Nem exponenciális, hanem 50% QoQ growth, 7 egymásutáni negyedéven át. Ez konzervatívabb, mint az exponenciális hype, de fenntarthatóbb.
A héten (az epizód felvételekor) az egyik leggyorsabb enterprise cég lett, ami 1 → 100 → 150 millió ARR-t direct sales motion-nel elért egy negyedév alatt (Sierra-val együtt).
Ez kiemelkedő sales velocity a tradicionális enterprise SaaS-hez képest.

12. A jogi szolgáltatások piaca — $1T/év¶

A globális jogi szolgáltatások piaca évi $1 trilliő dollár, nagyon fragmentált.
A jogi technológiai szoftverkiadás csak ~$40 milliárd → 4% software / 96% services split. Ez "bananas" (Sacks).
A software résznek "természetesen" növekednie kell a service revenue-ba, ahogy a tech behatol.
A jogi piac supply constrained — a kereslet jóval nagyobb, mint a rendelkezésre álló ügyvédek száma.

13. A "billable hour" modell halála¶

A hagyományos ügyvédi irodai modell: túlárazzák az associate-eket, alulárazzák a partnereket — ez a fordított struktúra az oka a $800-$4000/óra óradíjaknak.
Friedberg személyes példája: egy $1M revenue-nál járó startup egyáltalán nem alkalmaz corporate lawyer-t — minden contract review, cap table, HR, IP assignment a ChatGPT-nél landol. Első alkalommal founder-ek, akik "megkérdezték a ChatGPT-t" minden jogi lépésnél.
Ez a minta a seed-stage startupoknál már elterjedt, és most a enterprise szinten is elkezdődött.
Coolie példája: szoftver platform startup founder-eknek, beágyazott workflow-kkal a contract review-hoz. Ez "megtöri" a billable hour modellt.
Friedberg a Kirkland Ellis-nél szerzett tapasztalata: $1,800-$4,000/óra, partner-enként $5-10M profit/év, $10B éves revenue, ~4500 ügyvéd.

14. Jogi irodák kettős érzése — existential threat + opportunity¶

Max elmagyarázza: a nagy jogi irodákban "sok szorongás és félelem" van. Egyrészt a saját business model-jüket fenyegeti az AI, másrészt hatalmas opportunity.
A Legora szerepe: "legal engineer"-eket küldenek a Kirkland-partnerekkel dolgozni — hasonlóan a Palantir "forward deployed engineer"-eihez. Segítenek a "pre-AI" → "post-AI" átmenetben.
Ez a document management + PC-k 20-30 évvel ezelőtti átmenetéhez hasonlít — de itt nem csak "mild productivity gains"-ről van szó, hanem a munka nagy részének automatizálásáról.

15. A junior lawyer szakma átalakulása¶

A partner-driven modell megköveteli, hogy a juniöröket felhozzák a ranglétrán (ahogy a szoftver engineer-eknél).
A "bejáratás" módja radikálisan változik: nem lock-olod magad a physical data room-ba, nem is "control F" a virtual data room-ban — agent-eket orchestrált.
A junior lawyer-k munkája átalakul: kevesebb manuális review, több agent-orchestratio és minőség-ellenőrzés.
A "feladatok" átalakulnak, de a "szakma" nem tűnik el — hasonlóan a szoftver engineer-ekhez, ahol a junior szint nem szűnt meg, csak a feladatok változtak.

16. Globális, cross-border ügyvédi gyakorlat — a Legora adja hozzá az értéket¶

Az ügyvédek lokálisan certifikáltak (US-állam szinten, vagy ország szinten), de a Legora adatai: a cég minden jurisdikció összes case law-ját, legisztrációját és regulációs frissítését összegyűjti — ez egy "very painful" manuális munka, ami skálán "valódi data moat"-ot épít.
Példa: egy California cég első dél-afrikai ügyfelénél a Legora a helyi legisztrációra adaptálja a választ — 80%-os pontosság azonnal, ahelyett hogy egy regionális ügyvédet kellene hívni.
A "data" soha nem volt strukturálva — most először van rá mód.
A "policy setting" és "regulation building" munkája is hatékonyabbá válik.

Összegzés¶

A Legora a 7 negyedéves 50% QoQ growth-val az AI-alapú jogi tech egyik leggyorsabb enterprise sales cégévé vált.
A $1T/év globális jogi piac 4% software penetrációval extrém alul-digitalizált — a software-rész növekedése a service revenue-ba szinte garantált.
A billable hour modell halála nem egy szép beszéd, hanem a seed-stage startup-oknál már megtörtént (ChatGPT-vel review-znak mindent), és most a enterprise szinten is terjed.
A Legora stratégiája: "legal engineer"-ek forward deploy-olása a nagy ügyvédi irodákhoz, partner-szintű átalakítás — hasonlóan a Palantir FDE modelljéhez.
A cross-border, multi-jurisdikciós adat-struktúra a Legora legértékesebb eszköze — a "data has never been structured before" insight a valódi data moat alapja.

Forrás: /tmp/transcripts/all_in_podcast/chunk3.txt (Whisper transcript, ~1917 szó) Epizód: All-In Podcast — "The Trillion-Dollar Industries AI Is Disrupting" (~2026 július)

4. rész¶

All-In Podcast — 4. rész — Magyar összefoglaló¶

17. LexisNexis vs. Legora+Harvey — adatmoat és piaci pozíció¶

A LexisNexis "juggernaut" a case law és regulation piacon, "massive data moat"-tal, de csak évi pár milliárd dollár a bevétele.
A Legora + Harvey együttes revenue-ja már most "valószínűleg közelíti a LexisNexis szintjét" — mindkettő "hundreds of millions of dollars"-ban.
A hasonlat: a LexisNexis úgy nézi a Legorát és Harvey-t, mint a Jurassic Park Tyrannosaurus Rex-je az emberre — "holy shit, are they coming for our business?"

18. A "data moat" mítosz halála az AI korban¶

Az AI kezdetekor sokan azt feltételezték, hogy a meglévő adattal rendelkező szervezetek (LexisNexis, Westlaw) lesznek a nyertesek.
A tapasztalat: "that's no longer the case" — az adat önmagában nem elég, a tempo és a tehetséghiány a legacy szervezeteknél versenyhátrányt jelent.
A LexisNexis/Westlaw részvények "crushed" — a piac beárazza az AI-disruption-t.
A Legora stratégiája: partnerkapcsolatok a content providerekkel a kisebb jurisdikciókban (Németország, Franciaország, Spanyolország) — nem akar a Westlaw/LexisNexis típusú data acquisition-be belemenni.

19. Az US duopoly sajátossága — Westlaw + LexisNexis¶

Az US-ben a jogi kutatás duopoly: Westlaw és LexisNexis. Furcsa módon a Westlaw "monopol"-ja van az amerikai kormányzati case reporting-ra.
A Harvard CourtListener projekt próbálkozik, de nem működik — "ha Wachtell-litigator-hoz mész egy milliárd dolláros üggyel, jobb ha minden case-t megvan."
A régi rendszer "működési logikája": courthouse-okba kell menni, könyveket fizikailag beszerezni (10 cent/oldal), Indiába küldeni dupla vak adat-bevitelre, OCR-rel feldolgozni, különbségeket egyeztetni.

20. Az AI fordított hatása — a "narrow vs. general" AI vita¶

A régi adatbázisok: "keresés az adatbázisban, megtalálod a case-t, aztán a lawyer végzi a munkát."
Az új AI agent-ek (Opus 4.5, 4.6): most már case stratégiát is tudnak — witness statement-eket kombinálnak a case law-val, end-to-end munkát végeznek.
Ez a váltás "moving us from a world where AI is just augmenting to AI is actually really doing things" — a munka az agent-ek orchestratio-jává és menedzselésévé válik, hasonlóan a coding-hoz.
A Legora "Tabular Review" feature: 100 dokumentum × 100 prompt = 10,000 API hívás. Itt éri meg a fine-tuned narrow model — de nem éri meg általános legal intelligence model-t építeni.

21. Verseny a frontier model lab-okkal — Claude legal offering mint pipeline¶

A Legora milliókat-tízmilliókat költ token-ekre az Anthropic és OpenAI modellek használatával.
A Claude-nak van "legal offering"-je (markdown skill fájlok + integrációk bundle-özése) — de ez inkább "shallow" és inkább pipeline generátor a Legora számára.
A logika: "az ügyfelek elkezdik használni a Claude legal-t, elérik a ceiling-t, rájönnek hogy sekély, aztán minket hívnak."
Max véleménye a fine-tuning-ról: "nem hiszek a fine tuning-ban vagy általános intelligencia modellek építésében. Total waste of time and money."
A jövő: "very narrow models for narrow use cases, drive cost and latency down."

22. Data leakage és compliance — a "national secrets" szintű megbízók¶

A Legora "national secrets, weapons manufacturers, governments" szintű ügyfeleket szolgál ki — a compliance a cég "currency"-je.
A sales ciklus az enterprise jogi AI-nál nehéz: "sok jogi AI cég van, nagyon kevés jut be az ügyfelekhez."
A siker kulcsa: "trust and compliance" — a bejutás nehéz, de utána a terjeszkedés könnyebb (és az M&A stratégia egyik mozgatórugója).
A Legora nem megy on-prem — a VPC (Virtual Private Cloud) deployment "time consuming" és "dependencies"-t teremt, ami lassítja a roadmap-et.
A "deploy in VPC" téma a roadmap-on van, de nem prioritás — a cloud deployment megfelelő compliance szintet biztosít a jelenlegi ügyfeleknek.

Összegzés¶

A LexisNexis/Westlaw "data moat" axiómája megdőlt — a Legora és Harvey már közelíteni a revenue-t, miközben a legacy részvények "crushed" a piacon.
A frontier model lab-ok (Claude legal offering) nem közvetlen versenytársak — inkább a Legora pipeline-ját generálják, mert a shallow first attempt után az ügyfelek a specialista megoldáshoz fordulnak.
A "narrow AI for narrow use cases" stratégia a fine-tuned modellekkel (mint a Tabular Review) maximalizálja a cost/latency csökkentést — a general legal intelligence model építése "waste of time".
A compliance és trust a Legora legértékesebb eszköze — a "national secrets, weapons manufacturers, governments" ügyfélkör a sales barrier és a defensibility alapja.
A cloud-only deployment (no on-prem) gyorsabb roadmap-et jelent, és a jelenlegi compliance szintet kielégíti — a VPC deployment a roadmap-on, de nem prioritás.

Forrás: /tmp/transcripts/all_in_podcast/chunk4.txt (Whisper transcript, ~1519 szó) Epizód: All-In Podcast — "The Trillion-Dollar Industries AI Is Disrupting" (~2026 július)