掘金2600亿美元市场，这家公司的企业级AI操作系统长什么样？

图片

图片

知识型工作的系统化重构，法律、财会、基金从业者的春天来了？

图片

@数科星球原创

作者丨苑晶

编辑丨大兔

在2025年AI创业全面内卷的背景下，当大量创业者涌入文生图、短视频生成等C端热门赛道时，ThinkSpace创始人叶贤明却做出了一个颇为“**识”的选择——切入法律AI这一高度专业、低曝光、但结构性价值极强的领域。

两年过去，这家起步于新加坡的公司，已经完成了从单一法律AI工具到企业级AI操作系统ThinkSpace的跃迁，并开始在法律、审计、金融等知识密集型行业中落地应用，悄然重构专业工作的底层逻辑。

根据Business Research Insights的预测，全球法律科技AI市场规模将从2024年的194.8亿美元，增长至2033年的2659.7亿美元，复合年增长率高达33.7%。

但在叶贤明看来，真正的机会并不只存在于“法律”，而在于更底层的——知识型工作的系统化重构。

图片

01

对冲基金里的法律痛点

ThinkSpace的起点，并非源于技术冲动，而是一段极为具体的职业经历。

在创业之前，叶贤明长期在对冲基金行业工作。基金设立、交易结构、合规文件，是日常工作的重要组成部分。大量高度标准化却又极度繁琐的法律文件，占据了团队大量时间。

这段经历让他逐渐意识到三个长期存在却被忽视的行业问题。

首先，法律文件的生产成本极高，却几乎无法复用。

即便是基金设立中反复出现的标准条款，每一次仍需重新起草、审查，企业多年积累的业务经验（know-how）并未真正沉淀为可传承的资产。

其次，专业人才被大量低价值重复劳动消耗。

修改条款、比对版本、核查风险点，这些并不需要高阶判断的工作，却持续占用律师和合规人员的时间。

更重要的是，法律工作的本质并非“写文本”，而是“判断立场”。

同样一条条款，在甲方、乙方、不同风险偏好与合规环境下，结论可能完全不同。这种高度依赖立场与责任的判断逻辑，正是通用AI最难解决的问题。

2023年，随着大模型能力的跃迁，叶贤明逐渐形成一个判断：真正的突破口，不在于“AI能不能读懂合同”，而在于“AI是否能进入真实工作流，并继承专业判断逻辑”。

ThinkSpace的方向，由此确立。

02

技术拐点与客户认知的双重转变

2023年至今，法律AI行业经历了一次关键转折——从“概念验证”走向“可规模化应用”。

在相当长的一段时间内，即便是GPT-4级别的模型，在合同审查等高风险场景中，仍难以稳定解决“立场判断”问题。同样的条款，模型往往只能给出泛化、模糊的风险提示，难以形成可执行的专业意见。

真正的转折点，出现在推理型模型逐步成熟之后。

叶贤明在与数科星球DigitalPlanet的交流中提到，在推理模型出现之前，团队更多是在通过工程手段进行兜底；而在那之后，AI才第一次具备了被专业行业实际使用的基础能力。

但模型能力只是前提，更关键的是工程化落地。

法律文档的复杂性远高于普通文本：多层级结构、引用关系、版本差异、格式依赖，要求AI不仅能理解内容，还必须理解文档本身。

图片

ThinkSpace通过针对性的工程设计，实现了文档结构化解析、格式与逻辑的精准保留，以及修改路径的可追溯呈现，为后续工作流重构打下了基础。

与此同时，客户的认知也在发生变化。

2023年，法律行业对AI的态度仍以质疑为主，核心担忧集中在准确性与幻觉风险；但随着技术成熟和真实案例的积累，到2025年，越来越多律师开始接受一个现实：AI并非取代专业判断，而是将专业人员从低价值劳动中解放出来。

03

从法律插件到企业级AI操作系统

ThinkSpace的产品演进，是一场典型的“从点到面”的战略升级。

最初，团队聚焦法律场景的单点痛点，推出了嵌入Word的核心插件产品ThinkDoc。在这一过程中，团队逐渐意识到一个更大的机会：

真正有价值的，不是单次审查结果，而是企业在每一次修改、批注与判断中形成的隐性知识。

图片

ThinkDoc的核心能力包括：

• 数据提取：自动提取批注、修改记录、高亮内容；

• 结构化沉淀：将零散经验转化为企业专属Playbook；

• 智能审查：10分钟完成原本需两天的基础审查；

• 可追溯验证：所有修改建议均对应明确依据与原始条款。

图片

在法律场景验证成功后，ThinkSpace开始向审计、金融等知识密集型行业横向拓展。

在审计领域，系统可基于FRS、SFRS等准则对年报进行合规审查；

在金融领域，可辅助完成行业分析与年报整合。

尽管行业不同，但底层需求高度一致：结构化+工作流优化+知识复用。

这也促使ThinkSpace明确了自身定位——面向知识工作者的企业级AI操作系统。

图片

04

为什么不是Copilot？

相较于MicrosoftCopilot等通用工具，ThinkSpace的差异并不在于模型能力，而在于场景深度与知识沉淀。

通用AI工具擅长回答问题，却难以融入企业的真实工作流，也无法继承组织内部的判断标准；而ThinkSpace的路径恰恰相反——先在法律场景建立深度壁垒，再将底层能力迁移至其他行业。

其工作流被拆解为20余个可控步骤，包括立场识别、条款比对、风险分级、修改建议与依据说明，使AI从“黑箱输出”转变为“透明流程”，显著提升可解释性与信任度。

AI会不会让初级人才“失去学习机会”？

随着AI在法律、审计等专业领域的渗透，一个反复被提及的担忧是：当大量基础工作被AI接管，初级律师、审计人员是否会因此失去学习核心能力的机会？

在叶贤明看来，这种担忧并非没有道理，但其前提往往建立在一个误解之上——将“重复性工作”误认为是“能力成长的唯一路径”。

他指出，在传统模式下，初级人员的“学习”往往高度依赖于大量低价值、重复性的工作，例如逐条比对条款、反复修改格式、机械式地套用模板。这些工作虽然耗时，却并不等同于真正的专业训练。

真正决定专业能力成长的，并不是做了多少遍机械操作，而是是否理解：

• 为什么某条款存在风险

• 为什么在特定立场下需要这样修改

• 不同选择背后的法律逻辑与责任边界

ThinkSpace的判断恰恰相反：AI的引入，并不会削弱初级人才的成长，反而可能第一次让“学习”真正变得结构化、可解释、可复盘。

图片

通过将资深律师与专业人员的判断逻辑沉淀为Playbook，并在每一次AI审查中明确标注修改依据、风险来源与参考标准，初级人员不再只是被动执行修改，而是可以直接看到：

• 每一条修改“为什么要这么做”

• 不同立场下判断差异如何形成

• 资深人员的经验是如何被系统化表达的

在这种模式下，AI不再只是一个提高效率的工具，而更像是一位全天候、可追溯的“隐形导师”，将原本只能在师徒制或长时间实践中获得的隐性经验，转化为可被反复学习与理解的显性知识。

叶贤明认为，真正的风险并非“AI取代初级人员”，而是让初级人员长期停留在低价值劳动中，却误以为这是成长本身。

当AI接管基础、重复、易错的工作后，初级人才反而可以更早地参与到高价值的判断、讨论与策略制定中，加速从“执行者”向“专业判断者”的转变。

这也是ThinkSpace在设计产品时，始终强调可解释性、可追溯性与工作流透明化的原因——不仅为了风险控制，也为了让知识真正成为可以被学习、被继承的组织资产。

05

痛点、误区与未来趋势

在叶贤明看来，知识密集型行业普遍面临三大结构性问题：

• 效率瓶颈

• 人才稀缺

• 知识无法传承

ThinkSpace的核心价值，在于构建一个正向循环：AI提升效率→知识被系统化沉淀→新人快速成长→组织能力持续放大。

展望未来，行业将呈现两大趋势：

场景深耕：真正的壁垒来自对行业细节的理解

生态整合：AI将成为企业系统的一部分，而非独立工具

ThinkSpace的目标也由此清晰：以东南亚为起点，逐步拓展至香港、中国台湾与北美市场，成为知识型工作的AI操作系统标杆。

06

结语

在AI技术高速演进的当下，真正的分水岭并不在模型参数，而在是否理解专业工作的本质。

图片

ThinkSpace的实践表明，AI对专业行业的最大价值，并非取代人，而是通过重构工作流、沉淀知识资产，让专业判断被系统性放大。

如果说通用AI改变的是工具，那么ThinkSpace试图改变的，是知识工作的操作系统本身。