AI驱动组织进化：艾语智能的三个自优化loop实践

本次访谈的对象是张天乐，他在2024年1月创立了艾语智能。在接触过的众多AI创业项目中，该团队选择的赛道显得格外扎实，以下是本次访谈的完整内容，分享其如何找到产品与市场的契合点。这次对话不仅是一个AI+法律的创业故事，更是一份完整的AI原生组织落地手册：从高频迭代的研发流程，到一线员工自主改造系统的组织形态，每一个细节都充满了反常识的实践智慧。

核心业务：不打催收电话的司法调解服务

艾语智能的首个业务场景是帮助金融机构处理5000元到1万元的小额消费信贷逾期，批量完成立案和调解流程。传统律所根本无法承接这类业务：单笔标的额太低，人力成本完全覆盖不了，行业内的律所基本只接50万到100万级别的大额案件。

目前团队已经服务了六七十家金融机构，每月能完成1到2万件立案，覆盖全国3000余家法院的线上立案通道。不少传统律所的从业者来参观时，看到屏幕上不断滚动的立案数据，都觉得十分新奇。他们的收费模式也很简洁：不收取前置费用，仅按照实际回款金额提取30%左右的佣金。

与传统催收不同的是，团队不会主动拨打施压电话，而是站在逾期客户的角度，主动帮助对方申请更长的分期还款计划，鼓励分12期、24期甚至更长周期偿还，同时提供免费的法律咨询，陪伴客户度过还款困难的阶段。张天乐坦言，这个业务用到的其实是法律“温柔的一面”——不是要追究责任，而是帮助双方找到可持续的还款方式。

「太麻烦了，人干不了，传统律师干不了。我们就完全用AI快速提起司法流程。」——张天乐

放弃AI催收，选择以立案作为核心威慑手段

业务启动第一天，团队内部就爆发了激烈讨论：AI电话催收看起来是最自然的选择，不管是商业模式还是团队能力都完全适配，但张天乐直接否决了这个方向。

他的判断很明确：电话催收的施压效果有限，且大多没有实际约束力，行业内很容易陷入违规升级的恶性循环，比如骚扰借款人的亲友。参考海外市场的发展路径，这类业务的终局必然是通过司法立案后协商长期分期。因此团队从一开始就坚持“先立案，再调解”的流程。

早期甚至有大型律所的律师劝他放弃这个赛道：“一万块钱分两年还，这种事根本不值得花精力”。但团队坚持了下来。有观点指出：很多人用AI优化的其实是无效流程，比如打10个催收电话都无法让客户还款，那把这个流程优化10倍也没有意义。

事实上，立案本身并不是最终目的，而是作为沟通的威慑手段。团队会在立案后和客户沟通：如果等待法院判决，最终的赔付金额会更高，不如现在协商长期分期方案；客户同意后，再请法官出具司法确认书。对法官来说，判决需要承担终身责任制的压力，而司法确认则轻松很多。实际上，团队的大部分还款都是通过调解完成的。

「打电话施压的力度很低，我不还钱就不还钱了，最后会劣币驱逐良币。」——张天乐

创业选赛道的三个核心标准

张天乐从大二就开始创业，过往的项目都成功完成了交易。经过多次创业实践，他总结出了三个缺一不可的赛道选择标准：

• 第一，必须是增量市场。疫情后经济下行，银行的不良资产规模持续上升，逾期信贷的处理需求只会越来越大。
• 第二，要用新技术解决老问题。在ChatGPT 3.5推出时，大多数团队都在学习OpenAI的产品逻辑，而张天乐的团队注意到OpenAI在2022年就投资了法律科技公司Harvey，用AI完成合同生成和整理。因此团队早期就将合同生成、材料整理、立案提交等全流程进行了AI化改造。
• 第三，新业务要和原有业务形成协同。团队在2015到2016年曾做过微博借钱的业务，从贷前到贷后全流程都接触过，非常了解这类逾期客户的特征：国内早期的过度信贷环境下，很少有故意拖欠的老赖，更多的只是需要更灵活还款安排的普通人。

除了这三个标准，张天乐还反复强调要抓住行业变量。疫情让全国3000余家法院的线上立案通道全面打通，原本原告集中在北上广深、被告分散在县城的小额信贷业务，突然可以实现纯线上批量操作，这是行业的拐点性机会，和单纯的努力无关。

「增量代表未来的希望，而且你创业就代表你是后进者，只有在增量里成功的可能性才存在。」——张天乐

AI的正确定位：为人类分配任务，而非替代执行

团队内部经常区分“人类法则”和“AI法则”。立案数量的大幅增长靠的是“人类法则”：此前在单个法院立上千件案子难度极大，但分散到3000余家法院后，每个法院仅需处理寥寥数件，这并非AI的功劳，而是行业环境的变化带来的机会。

那AI应该放在什么位置？创业初期AI能力还不成熟，团队只是用AI完成材料整理和立案提交。但当单月委托量突破万笔后，原有的体系开始无法支撑，团队做出了一个关键决定：依然不让AI直接对接客户或法官。

电话沟通看似简单，实则充满了各种挑战：方言差异、语气把控、和法官的沟通障碍——比如有些法官不会说普通话，沟通成本极高。因此团队反过来做了一件事：让AI给一线员工分配任务。

系统会自动告诉一线员工今日需要对接的法院、需要注意的法律条款、案件的核心事实、该法院过往的立案成功率，以及是否支持线上开庭等全部信息。最终实现了用基础员工替代专业律师完成流程的效果。

张天乐认为，B端产品天生是长流程业务，无法通过单个智能体一步完成所有环节。在长流程场景中，合理规划任务比单纯自动化某个动作更重要，很多业务本质上都是调度问题，就像美团的运力调度一样。

「你首先要想清楚AI到底能干啥，不要让AI解决不恰当的事情。」——张天乐

零线下对接，拿下六七十家金融客户

金融机构决策流程缓慢，且对AI的幻觉风险十分警惕，团队是如何签下六七十家客户的？当被问及如何获取客户时，对方问道：是有关系吗？

答案完全反常识：张天乐几乎从未和客户线下见面。团队从成立第一天就定下了规则：商业模式必须设计得毫无摩擦成本。他们采用纯风险收费模式，不收取任何前置费用，客户不需要做采购核算，也不需要承担任何风险，只需要签署合作协议，后续可以先提供100到1000个案件测试效果。整个合作流程中，唯一需要关注的就是采购周期。

对金融机构来说，他们最关心的就是回款效率和合规性，而团队的交付效果恰好匹配了这两个核心考核指标。因此团队将大部分精力都投入到内部运营和AI系统优化中，仅用三名员工负责对接金融机构。

随着业务规模扩大，还形成了正向飞轮效应：盗版方会同时盗用多个品牌，逾期客户也可能在多家银行有借款，案件密度越高，边际成本就越低，成本效率被压缩到极致。张天乐总结，商业壁垒的核心就是用最快的速度抢占更大的市场份额。

「把你的商业模式设计得极致清晰，让他没有摩擦的成本，极致做好你的交付。」——张天乐

第二曲线业务：从视觉模型到盗版维权

第二个业务的起点并非市场调研，而是团队的焦虑。当视觉模型爆发后，张天乐发现公司的业务链条中还没有用到视觉模型，没有踩上这波技术红利。当被问及是否属于“拿着锤子找钉子”，张天乐承认确实如此，但他的找钉子角度和大多数团队不同。

大多数团队都在关注视觉模型的生成能力，但张天乐认为，视觉模型的编码和解码能力是同步提升的，视频理解能力也在快速进步。由此推导：AIGC降低了盗版制作的成本，盗版现象必然会大量增加。现在的盗版早已不再是简单的文字抄袭，而是藏在图片里的拼音缩写，这对当前的视觉模型来说完全是轻而易举就能识别的任务。

传统的侵权服务商仅能完成投诉下架，每月投诉上万笔，但盗版方几乎没有任何成本，投诉后只是换个链接继续侵权。传统律所则只会处理大额侵权案件，需要等到一个链接卖出数千上万单才会立案，此时客户的损失早已发生。

艾语智能是行业内唯一同时提供投诉和立案服务的团队：对于反复侵权、多平台多店铺侵权的行为，直接走立案流程，哪怕是小额案件也会处理，只有让侵权方付出实际代价，才能真正终止侵权行为。同时团队还为客户提供了新的考核指标：侵权率，即搜索结果前100条中的盗版占比，并帮助客户实实在在降低这个数字。

如果说第一个业务用到的是法律“温柔的一面”，这个业务则用到了法律“锋利的一面”。从本质上看，依然符合之前的三个赛道选择标准：增量市场（AIGC让盗版成本降低）、新技术解决老问题（视觉模型完成侵权识别）、和第一曲线业务协同（核心流程依然是立案）。

「我说我们作为一个AI应用公司，居然没有抢到最大的红利，我特别焦虑。」——张天乐

技术路线的踩坑与迭代

张天乐坦言，团队几乎踩遍了AI应用的所有坑。GPT-3.5刚推出时，他甚至一度以为Transformer是“变形金刚”的技术架构，后来才慢慢理清思路，从零开始学习大模型的基础知识。

他曾从公司拿出1000万支票，挨个拜访大模型厂商，要求和技术负责人直接沟通。早期的问题在现在看来十分可笑，比如“为什么你们三家都自称是行业第一？到底哪家最好”。但这次调研让团队建立了对大模型基础原理、能力边界的初步认知。后来因为Llama开源，他们决定放弃采购，自己搭建技术体系。

自建技术体系的过程也充满坎坷：早期的Llama模型中英文表达能力都很差，团队坚持做监督微调（SFT），甚至搭建了自动运行100次SFT并挑选最优结果的流水线，效果一度不错。但在效果最好的时候，团队主动放弃了全部SFT和本地部署，卖掉了所有的4090显卡，最后还赚了一笔。

放弃的原因有两个：第一，大模型的迭代速度极快，坚持做SFT会严重拖累团队对模型的理解；第二，长期来看，线上部署的模型经过集群优化和动态调度，成本一定会比本地部署更低。

目前团队的技术栈主要是：业务场景使用千问全系模型，开发工具使用Claude Code和Codex，近期也在测试Kimi K3和DeepSeek V4。张天乐评价：“K3的效果更好，V4虽然质量稍差，但速度极快，改两次就能出结果，让人又爱又恨”。

「模型迭代速度足够快，你抱着SFT，已经严重拖累了你对模型的理解。」——张天乐

对标Anthropic架构，减少无效讨论

去年底到今年初，团队做了一个重要调整：全面对齐Anthropic的技术架构。起因是行业内的技术概念太多，各家的框架、工具层出不穷，团队经常陷入无意义的讨论。

他们搭建了一个专属技能模块，定期抓取Anthropic高管和核心团队的文章进行蒸馏，过滤掉少量矛盾内容后，沉淀为公司统一的架构标准。这个模块至今仍被高频调用。有观察者总结道：这本质上是将公司的技术体系对标Anthropic，而非仅仅对齐Claude Code。

有意思的是，全面对齐后，团队的模型调用量反而降低了。因为Anthropic的理念非常明确：简单的事情直接写脚本即可，能不用工作流就不用，能用大模型一次解决就不要拆分。团队之前用大模型提取甲方政策，后来发现本质上就是if else逻辑，直接写了300个if else分支，反而更高效自洽。

张天乐最认可的一句话是：智能体应该用来解决不确定的、可左可右的问题，而非复杂但确定的问题。对于复杂但确定的问题，用代码写if else反而更快。这背后体现的是组织决策的统一：所有人使用统一的框架和工艺，避免不同成员各自为政，确定方向后就快速执行，出现问题再迭代，最大程度减少团队的无效讨论。

「到后来讨论也不讨论了，他说干咱就干，他说不干咱就不干，一定要让公司减少无效的讨论。」——张天乐

数据清洗：AI原生系统的第一步

团队从成立之初就希望打造AI原生系统，提出了三个核心逻辑：人类为AI提供支持（人类作为AI的手脚，补充AI不知道的业务知识）、AI为人类分配任务、系统实现自我优化。但张天乐坦言，这三点在初期都很难落地。真正的转折点发生在今年年初，张天乐自己学会了编程，能够直接动手实践，这极大调动了他的热情。

亲自上手后他才发现，传统的人工系统对AI来说不仅不友好，简直是灾难。运行了几年的系统充满了冗余数据、错误的数据定义、无用的功能模块，文档和实际系统完全脱节。人类员工可以通过口口相传绕过这些问题，但AI会直接按照错误的逻辑执行，比如看到一个废弃的页面就会认为这是标准功能。

因此团队的第一步就是数据清洗，这和Palantir提到的本体构建逻辑一致：重构数据库表，确保没有冗余字段，让数据清晰暴露出来。张天乐原本以为只需要几天就能完成，结果花了三四周时间，才发现系统中存在大量问题，而且重构当月的业绩还出现了下滑。

第二步是将业务经验进行标准化沉淀：比如何时拨打跟进电话、各类作业策略等，全部整理为Markdown文档和技能模块。系统会自动记住“该法院周一召开党委会，不要在此时间段拨打电话”这类细节。团队内部还有一个检验标准：公司的文档是否能够完整重构整个公司的业务体系，如果可以，就说明沉淀工作成功了。

网上流行的“蒸馏员工”的说法，张天乐并不认同：“我从来没想过蒸馏员工的经验，他们的观点未必正确，蒸馏半天可能得到的是错误的结论。我们应该蒸馏的是业务本身的知识”。

「冗余数据一堆，定义错误一堆，冗余功能一堆，文档还不如没有。对AI来说是一个极致的灾难。」——张天乐

极致迭代：取消测试岗，一线员工自主改系统

在完成数据清洗和业务知识沉淀后，团队开始让更多一线员工参与系统改造。张天乐给团队定下的原则是：必须让一线员工参与系统迭代，哪怕一开始只有五到十个人，也不能完全不让他们参与。这和“让一线呼唤炮火”逻辑一致：想要系统迭代足够快，修改系统的人应该是使用系统的人。

因此山西作业中心的一线员工，也就是大专学历的基础工作人员，获得了数据库和代码权限，可以自主修改系统，他们对此十分兴奋。比如遇到被告名字中有生僻字需要添加拼音的需求，一线员工可以直接修改，不需要走繁琐的需求审批流程。

团队的代码防线不再依赖人工审核，而是通过工程手段保障：提交前通过pre hooks进行代码检查，AI编写的代码由AI自动审核，提前定义好哪些提交会被直接拒绝，明确权限和边界，让AI来处理AI相关的问题。

最终实现了日均上线两三百次的迭代速度，直接取消了测试岗位，因为测试根本跟不上迭代速度。关于“代码是否需要人看一眼”的讨论，团队的答案是：需要看，但应该由AI来审核，而非人类。

团队的组织形态也随之改变：公司目前有三十多名员工，研发团队从20人缩减到个位数，离职后也不再补充人员。张天乐有意让研发资源变得极度稀缺，倒逼团队搭建完善的开发环境，而非由研发人员直接编写功能。团队要求所有人都掌握Web编程，甚至包括他的司机，都编写了一个帮他处理垫钱流程的系统。团队的负责人都是代码贡献最多的成员，传统意义上的中层管理人员已经不复存在。张天乐现在关注的指标不再是代码提交次数，而是有多少员工参与了代码贡献。

「需要看一眼，但那需要有一个AI再去看一眼，而不是人看一眼。」——张天乐

三重循环：让公司像AI系统一样自我迭代

目前团队搭建了三重循环机制，让公司像AI系统一样实现自我迭代。

• 第一重循环负责发现问题：系统会自动上报短信通道故障、电话无法接通、个人接通率偏低等各类问题，只负责上报，不负责解决。
• 第二重循环负责解决问题：核心标准只有一个——是否有完善的评价机制来判断问题是否被解决。如果没有，就安排人员补充对应的逻辑。所有问题都会按照分级处理。
• 第三重循环则更为巧妙：公司设定了核心回款指标，AI会围绕该指标定期组织会议，自动总结哪些批次的业务表现不佳，提前为高管准备好会议主题和需要讨论的问题。张天乐笑称：“我其实根本不知道一线上报了哪些具体问题，这不是凡尔赛”。

有观察者指出，每月一两万件同质化的案件，意味着数据闭环极快，业务效果的反馈可以快速得到。理论上，这家公司就像一个AI系统，能够自我迭代。张天乐补充了一个实操细节：回款周期长达一两年，无法等待最终结果，因此需要找到前置信号，比如客户添加企业微信就可以作为一个正向信号，团队可以多寻找这类前置的正向反馈指标，其实并不复杂。

张天乐还提到“借假修真”的概念：两个业务只是“假”的载体，真正积累的是底层的作业体系。两个业务的系统结构完全一致，左侧都是知识中枢，都是由AI为人类分配任务。他坚持同时运营两个以上的业务场景，确保底层逻辑的通用性。“我们有做美妆、开奶茶店的朋友，其实本质上都是一样的逻辑”。

「所有公司的问题是AI来发现的，AI来解决的，人再去做解决过程中的判断。」——张天乐

企业AI转型的三点建议

很多公司在进行AI转型时都卡在半路，张天乐给出了三点具体建议：

• 第一，企业一把手必须亲自下场，建立对AI的判断能力。如果CTO提出要重构全公司的系统，管理者大概率会问“重构后能带来什么变化”并直接否决，但如果自己亲自编写过代码，就会反过来催促团队加快进度。没有对AI的基本判断能力，哪怕下属做出了正确的成果，管理者也无法识别，这是最可怕的问题。
• 第二，不要急于追求短期效果，先完成两件确定正确的事：一是彻底清洗数据，让AI能够获取完整准确的数据；二是将业务知识沉淀为标准化文档。这两件事短期内看不到明显价值，甚至可能导致短期业绩下滑。团队在重构两个系统时都遇到了大量问题，比如功能迁移不全，一线员工甚至不知道借款人的姓名，但长期来看收益巨大。
• 第三，也是最重要的一点：在转型初期，不要关注利润、效率这类显性指标，而是要关注迭代速度，也就是张天乐所说的“加速度”。重构后的系统之所以进化更快，是因为完善了边界定义、校验机制和上线自测流程，AI可以自主修复问题，实现日均两三百次的上线，这是传统系统根本无法做到的。

有观察者进一步引申：这本质上是在搭建一套AI友好的复利系统。AI的能力会持续变强，企业的系统对AI越友好，每次模型升级都能享受到复利效应。张天乐的总结是：“提前做好那些不会随时间变化的基础工作”。哪怕是卖奶茶的公司，只要供应链系统迭代足够快、人员足够精简，也能创造巨大价值。这些看似朴素的道理虽然不起眼，但确实是正确的，应该优先去做。

「大概率你的AI系统改造完，会比原来的效率低。但是加速度快，它迭代得快，修得快。」——张天乐

创业的核心：抓住变量与运气

在聊到给创业者的建议时，张天乐首先打破了自己之前的框架：那套三个赛道选择标准有很强的局限性，比如某些创业项目，从表面看并不算是好赛道，但对方坚持下来最终成功了。他真正想强调的是：要抓住行业变量、不盲从主流、反对盲目试错——很多事情在脑子里就能走完逻辑框架，实际试错出错的意义并不大。

最后他提到，在后续的讨论中，大家都认为创始人的运气是重要的因素。张天乐也坦言，疫情带来的线上立案通道打通，和他的努力毫无关系，纯粹是行业环境的变化带来的机会。

「疫情来了让线上立案通了，你说这事儿和我的努力有啥关系？完全没有关系。」——张天乐

结语：搭建AI友好的复利系统

本次访谈最让人印象深刻的，并非某个具体的业务设计，而是看待AI创业的新视角：不要只关注模型和参数这类显性的技术变化，这就像当年比拼铁甲舰的船坚炮利，真正的机会在于搭建一套新式海军的体系——一套AI友好的、能够自我迭代的复利系统。数据清洗、业务知识沉淀为文档，这些事情看起来朴素到不起眼，但随着AI能力不断增强，它们的复利效应会越来越显著。

张天乐表示，过去一年他关于AI的核心观点几乎没有变化：人类辅助AI、AI为人类分配任务、系统自我优化。当被问及未来一年的行业机会时，他说不要去寻找显性的变化，组织内生的变革价值还没有被充分认识到——在后台人员占比高的行业，至少八九成的岗位都可以被优化。

如果你的公司今天开始只做“确定正确的事”，你会先做哪一件：清洗数据，还是沉淀业务文档？