摘要

Granola 的破圈由一个简单的分享闭环驱动：用户分享经过打磨的笔记，接收者惊讶于它出现得如此之快，随后其中一部分人转化为用户。 Nathan 回忆，Ramp 的一份报告称，Granola 1月新增客户数仅次于 Anthropic，排名第2；Sam Stephenson 则表示，增长“几乎完全来自口碑”。Recipes 能制造社交关注，但共享笔记——有时在会议结束30秒后就出现在 Slack 里——才是反复发生的发现入口。
Granola 更广泛的吸引力，来自它为最手忙脚乱的用户设计，而不是为技术能力最强的用户设计。 Stephenson 受到一家厨房用具公司的启发，他认为那家公司是 OXO，但也承认自己可能记错了；Granola 瞄准的是日历“被各种事情塞得满满当当”、会议间甚至只能勉强抽空上厕所的人。最终目标，是为所有人提供一款平静、易用的产品。
Stephenson 刻意打造的“出人意料地不 ambitious”的路线图，是对 AI 在细腻知识工作中脆弱性的战略回应。 Agents 可以生成看似可信的截图，却可能因为对关系、优先级或语气的轻微误判而失败；Granola 转而处理自己能够可靠完成的边界清晰的任务，先从笔记和被用户不断拖延的琐事做起。它把用户在会议中的注意力占用控制在约2%，但在有意打开全屏、跨多个会议聊天时，可能占到约80%。
企业场景既是重大机会，也是棘手的治理难题。 公司信息仍被管理员、安全审查和权限切割在不同系统之后，而一句个人评论就可能“污染一份转录稿”，使广泛共享变得不可接受。Granola 默认所有笔记均为私密，并用 LLM 建议归档文件夹；Stephenson 表示，即便假设路由准确率达到99.98%，当一次敏感披露就足以让共享不可接受时，这个水平可能仍然不够。
当前按席位收费的产品掩盖了推理成本的复杂性，但更重的 agentic 工作可能迫使 Granola 转向按用量收费。 Granola 最初给自己的原则是“没有预算”；曾有一段时间，转录就消耗了约一半的现金消耗，按当时成本外推的增长曲线“贵得吓人”。随着规模扩大和服务商品化，这些成本已经下降，但频繁跨多个会议聊天的高级用户仍会产生由 Granola 吞下的账单，因此一旦产品开始直接完成更多工作，类似 Cursor 的用量计费模式就变得合理。
AI 编程大幅缩短了 Granola 从想法到评估的周期，但没有消除设计判断，也没有让 Figma 失去价值。 这家约60人的公司拥有25-30名工程师、3名产品人员、3名设计师加上 Stephenson，以及几名设计工程师；如今设计师直接在真实应用中做原型，因为真实会议会暴露出静态 mock 无法呈现的特质。Figma 已从“起点、中点和终点”变成专业化的构思工具；相比约10,000人的 beta 项目所带来的反馈数量，周五演示、深度 dogfooding 和近距离观察用户更具决定性。
最悲观的情形是，强大的模型提供商吞并专业应用；最乐观的情形是，专注型产品仍能在痛苦的工作流上做得略胜一筹。 Nathan 将其与 Andrew Critch 所说的“big tech singularity”联系起来；Stephenson 称这是主要风险，但认为专业工具仍可能保有自身价值。Granola 必须站在模型构建者的肩膀上，同时维持更优的会议体验。他设想的终局不是更多地被屏幕奴役，而是更多地保持人的在场感——由计算机负责捕捉信息和处理信息的文书流转，让人能够“火力全开”。

精读

1. 一个分享闭环解释了 Granola 的破圈

Nathan Labenz 开场就给出了一个强劲的商业信号：他记得 Ramp 的一份报告称，Granola 1月新增客户数仅次于 Anthropic，排名第2。尽管公司内部早已看清增长轨迹，Stephenson 看到 Granola 被放进这个可比公司群组时，仍然“吃了一惊”。
Stephenson 的归因非常明确：增长“几乎完全来自口碑”，来源要么是明确推荐，要么是共享笔记。Granola 的判断是，只要产品足够好、同时内置病毒式传播机制，增长最终就会复利；这些闭环花了些时间才被打通，但现在“这东西真的开始滚雪球了”，月环比增长强劲。
Labenz 值得保留的增长经验是：产品通常只需要一个真正有效的机制，而不是一堆聪明的钩子。Granola 最清晰的例子就是具体产出：同事几乎立刻看到一份打磨完善的笔记出现，无法把它的质量与经过的时间对应起来。

2. Granola 为最忙乱的边缘用户设计

Granola 起步时的野心不止于会议笔记：它想发明一种界面，让普通员工可以使用 AI，而不必先把计算机当成研究对象。笔记只是“敲门砖”——一个有习惯、边界清晰的工作流，产品可以先从这里获得帮助用户的许可，再逐步拓展。
目标用户原型来自开放式调研：他们连续参加会议，不断切换上下文，几乎“勉强”才能抽出时间上厕所。这类人包括销售、客户经理、招聘人员、投资人、创始人和客户服务人员，但 Stephenson 把这个原型视作极端版本，因为几乎所有知识工作者都会遭遇类似处境。
Stephenson 将这个类比归功于联合创始人 Chris：一家厨房用具品牌——他认为是 OXO，同时明确表示自己可能记错——专门为握力受限、只有一只手或存在其他残障的人设计。为极端情况解决问题，最后会为所有人带来更友好的工具；Granola 也是先服务日程最混乱的人，借此打造简单、平静的体验。

3. 软件应假设用户处于被动应激状态，而非冷静理性状态

Stephenson 认为，产品构建者总是假定用户会在平静、专注的状态下进入产品，并准备好掌握复杂流程。真实工作则更加被动应激：有人打开收件箱，发现“3件事”正在着火，又看到20分钟后有下一场会议，于是余下的一整天都处于落后且不堪重负的状态。
他的设计结论很直接：职场中的大量行为发生在“系统1”里，而不是软件默认的理性、按部就班模式。那些在专注的可用性测试中看似站得住脚的复杂功能，一旦产品只能获得用户在真实工作间隙里分到的一小片注意力，就可能彻底失效。
Labenz 看到了测试难题：让某人演示软件，会制造一种人为的专注状态，部分原因是参与者不想显得自己很蠢。他开玩笑说，应该安排一次火警、再洒一杯咖啡来复刻现实，借此说明传统研究多么容易验证一种现实中几乎不存在的用户状态。

4. 具体产物胜过用户对自己的想象

Stephenson 把调研建立在用户无法抽象回避的证据之上。研究文件夹时，Granola 会要求用户分享真实的主屏幕，然后逐个打开会议：发生了什么、谁参加了、谁应该看到笔记，以及用户会如何在脑中整理这些内容？
日历发挥着同样的强制作用。一旦访谈转向某人“理论上或一般而言”会做什么，Stephenson 就说，“这些全都不能信”；研究者听到的是用户想象中的身份，而不是会议、笔记和日程实际展示出来的行为。
评估已经构建的功能时，Granola 对 dogfooding 的依赖更深。Stephenson 可以安静地观察一名同事在真实销售电话中使用 Granola，由此获得比用户事后描述更少过滤的信号，因为后者往往是在全神贯注于产品的状态下给出反馈。

5. “出人意料地不 ambitious”的自动化，是近期可信的切入口

Labenz 追问了一个看似矛盾的问题：AI 究竟应该适应被工作压垮、处于系统1状态的工作，还是应该把人解放出来，让他们进入更具战略性的系统2思考？Stephenson 的回答是“两个都要”，但速度不同、承载界面也不同。
通用工作助手仍然无法处理社会语境中的细微差别：关系历史、相对优先级、合适的语气，以及一项请求相对于其他所有事情究竟排在什么位置。生成的邮件或待办清单在截图中可能很惊艳，但如果只是“差不多对”而非真正正确，Stephenson 说它就会变得不可用；更好的模型会有所帮助，但这一过渡“可能要出人意料地久”。
Granola 的应对，是对承诺完成的任务保持“出人意料地不 ambitious”。它短期内也许无法解决用户最棘手的燃眉之急，但可以先清掉那些无聊、低优先级、用户一直拖延的工作；在这个边界层上做到可靠，就能在完整的高管级 agent 尚未出现前提供真正的帮助。
系统2界面已经呈现出不同形态：针对用户个人或公司会议的全屏聊天，支持写帖子、起草职位描述、分析某个业务领域等长篇工作。这种模式要求用户持续投入思考，而不是让 AI 消失在通话背景中。

6. 深层上下文同样受制于机构，而不只是模型

Labenz 曾把5年的邮件、Slack、私信、转录电话和带说话人标注的播客，全部导出到一个本地数据库。有了这些上下文，agent 可以检查关系历史和起草模式，生成一封只需小幅修改的引荐邮件——这说明“应许之地”已经可见，只是尚未抵达。
Stephenson 同意机器的能力上限取决于上下文质量，但他区分了个人实验和公司部署。组织知识被权限、安全审批和工具边界切碎；Labenz 能够统一自己的数据，很大程度上是因为他管理着所有系统，而普通员工通常没有这个条件。
个性化也比许多产品设想的更深。一款有用的 agent 需要了解用户、同事、项目、优先级和不断变化的处境；今天，极其主动的早期用户可以教会通用 agent 这些东西，但 Granola 要做的是让这种学习对普通用户“在后台发生”。

7. 共享组织记忆制造了权限悖论

Granola 默认把每份笔记设为私密，除非用户主动将其移入共享空间。Stephenson 的理由是对话污染：“你只要说出一句私人或不太妥当的话”，就可能污染一份原本有用的转录稿，使其不适合在全组织范围内分享。
集体上下文的上行空间依然巨大。团队可以访问并组合跨会议的信息，但产品必须把每份转录稿放进应在的位置，同时避免敏感内容外泄；Stephenson 称这是一个 Granola 尽管持续改进、却仍“没有完全解决”的设计问题。
Granola 目前会让 LLM 检查一次通话、可用文件夹以及这些文件夹中既有笔记的特征，然后推荐归档目的地。由于准确率还不够高，产品不会自动归档；Stephenson 还质疑，即使假设成功率达到99.98%，当一次错误就可能造成不可接受的后果时，用户是否会满意。
Labenz 反驳说，模型已经相当能够识别播客中可能令人后悔的言论。Stephenson 接受这个方向，并表示 Granola 正在试验；但内部对话需要模型可能并不具备的背景知识，剩下的问题与其说是平均准确率，不如说是一次错误分享所带来的不对称代价。

8. 当前，按席位收费的简单性优先于推理准确率的极致优化

Granola 早期给自己的指令是“没有预算”：用户很少时，优化成本会分散团队注意力，而真正困难的任务是做出一款用户喜爱的产品。产品刚上线时成本很高，主要是因为实时转录 API 费用不低。
如今，核心笔记功能的经济模型相对可预测，因为人的会议时间存在物理上限，使用量也会在一个月内摊平。但会跨大量转录稿聊天的高级用户仍可能产生高额账单，Granola 目前会“把这些成本吞下去”，维持简单体验：用户支付一个席位价格，得到一款容易理解的产品。
最令人恐惧的阶段发生在对话前约1年，也就是产品上线约6个月后。当时按照用户增长和当期成本外推，曲线会变成“贵得吓人”；一度有约一半的公司现金消耗花在转录上。规模效应和服务商品化最终控制住了这项成本。
Stephenson 预计，随着 Granola 从辅助用户转向执行更多 LLM 驱动的工作，钟摆可能重新摆回去。最终采用类似 Cursor 的用量计费模式或许有意义，但要等到产品直接完成的工作改变其经济结构之后；对于会议笔记应用而言，透明的按席位收费仍然符合客户预期。

9. 实时转录以准确率换取信任和即时性

Granola 同时采集麦克风音频和系统音频，再将两路内容流式发送到云端转录 API。实时文字能让用户确认录音确实在工作，也能让笔记在会议结束后立即出现；此外，Granola 可以直接丢弃音频，而不必保留更敏感的原始素材。
Stephenson 公开接受这一取舍：实时转录在质量和说话人分离方面尤其不如上传完整录音后等待结果。但整个产品会受益于逐步改善；转录准确率提高10%会带来多重下游效果，而更好的说话人分离能力则可能让其他一切都“好10倍”。
Deepgram 和 AssemblyAI 是 Granola 的两家主要供应商。由于两者质量相近、核心基础设施又需要冗余，桌面端流量在两家之间分配。架构允许 Granola 快速切换模型，继续追逐更快速度、更高质量或更好的说话人分离，未来也可能转向端侧运行。
Labenz 指出，仅 API 的可靠性就足以证明备用方案的必要性。Stephenson 表示认同：用户会立刻且强烈地感知到宕机；转录是基础设施中的基础环节，不能让一家供应商的停摆拖垮整个产品。

10. OS 层采集最大化覆盖范围，也把同意责任推向外部

Granola 选择桌面端架构，是为了让用户无论在哪里交谈都能使用，而不必每次会议前先判断 Granola 是否适用。它不像 bot 那样作为参会者加入，而是在操作系统音频层监听；代价是失去了“带着 logo、巨大且发光的球体”那种让所有人都能看到的发现效果。
最早的版本曾短暂地把音频存进 S3 bucket，以防未来对训练有价值。约1周后，团队停止了这一做法：保留人声让人感觉“太诡异”，会让产品变得更沉重、更严肃，也像是在暗示这款工具是用来对付人的，而不是为人服务的。
Granola 保留转录稿，因为笔记服务于人，而转录稿能为 LLM 后续工作提供所需细节。Stephenson 并不追求一份可以在法庭上逐字确认“究竟是谁说了什么”的记录；对于 Granola 更有限的产品目的而言，原始音频并无必要。
公司把 Granola 当作语音备忘录或记事本：用户必须遵守适用法律，并适当披露录音行为。Granola 提供日历提示，也在开发更多透明机制，因为公开使用有利于同意和增长，但技术上仍然可以进行不引人注意的采集。

11. 工作会议具备环境式穿戴设备所缺少的社会契约

Stephenson 表示，自 Granola 约2年前开始运营以来，隐私和同意问题已经减少。他认为，工作场景中的转录会越来越普遍，因为其收益很大，而组织也会逐渐找到缓解副作用的方法。
他的边界取决于场景，而非绝对禁止。会议是一种安排好的共同工作场景，参与者同意一起工作，因此存在建立明确录音契约的时点；“始终开启的穿戴式小玩意”则面临更难的问题，因为个人生活缺少这种封闭的社会协商空间。
Labenz 仍不确定转录稿是否真的比音频安全很多，尤其是当答案可以被精确定位到对话中的具体时刻。Stephenson 的辩护重点并非完美匿名，而是数据最小化：Granola 只存储笔记和 LLM 工作流所需的内容，避免保留更丰富、情绪负荷也更高的原始录音。

12. 遗忘可能是安全功能，而不是缺陷

当被问及自主 agent 应该如何访问一个人的历史时，Stephenson 给出了一个异常坦率的回答：“不，我不知道。”他转而借用人类类比：一名行政助理需要足够且最新的上下文，但不应参加创始人之间的每一次私人谈话；有限访问有代价，但受到保护的空间能保留坦诚关系。
Stephenson 认为，AI 设计对遗忘考虑得还不够。人类记忆很快就会失真，而一个记忆逐渐模糊的 agent 可能把转录稿或邮件中的危险细节扩散出去：在很多情况下，遗忘“是功能，不是 bug”。
Labenz 将这个想法延伸到另一种 agent：随着模型权重被剪枝，它们会在物理意义上缩小，变得更高效，同时在一个明确的细分领域之外越来越无能。他更广泛的批评是，行业正在对一个“全能 AI”架构进行深度优先搜索，而不是先探索多样化的取舍，再把第一个成功路径推向 AGI。

13. Granola 按照注意力分配界面复杂度

Stephenson 对给会议记事本增加任何东西都“近乎偏执”。核心流程——弹出窗口、开始记录、伴随对话书写、接收生成笔记——必须达到非常高的功能门槛，因为每增加一个控件，工作空间就少一分平静。
这种克制也会带来有意的可发现性成本。Templates 几乎可以任意组织笔记，但许多用户永远找不到它；Granola 把这项功能藏在较深处，因为大多数人不应被迫思考它，而专业用户在产生动力后可以自行优化。
其核心比例非常鲜明：会议期间，Granola 预计只占用约2%的注意力，另外98%留给对方。在跨多个会议的聊天中，它可能占到80%，因此可以容纳更密集的控件并更快试验；Stephenson 承认，公司的平静偏好有时会让真正有用的想法被推迟。

14. Recipes 把对话残余转化为可重复的工作

Recipes 的出现，是因为高级用户会在许多会议中发现有价值的 prompts，却缺少一种简便的重复使用方式。Recipe 把 prompt 封装在一次点击之后，把积累下来的对话变成可复用工作流，同时让主流用户看到更深层上下文能够做什么。
Granola 的客户体验团队会围绕 bug 和反复出现的困惑进行一场不设议程的讨论，然后运行一个 recipe，让它把转录稿与既有文档放在一起检查，并提出有针对性的修改建议。招聘流程也类似：团队成员讨论一个岗位，提供过去的职位描述，随后得到一份以公司自身语言为基础的高质量初稿。
情绪冲击最强的类别是个人辅导。在调研中，用户运行了由知名 CEO 教练 Matt Mochary 编写的“Coach Me” recipe；Stephenson 回忆说，没有人真的哭出来，但反应非常强烈，因为 Granola 从跨多次对话中识别出个人模式，并提出用户可以如何改进。
其他例子同样强调反思，而不是单纯追求文书处理速度：Labenz 的“Blind Spot Finder”会检查他的 AI 覆盖范围，Dan Shipper 的隐性公司文化 recipe 则把公司实际行为与公开宣称的价值观进行对照。Granola 的团队100%在办公室办公，并用移动端 app 在手机上录下讨论，再借助 AI 将不同观点汇总为共同的产品原则。

15. 实时原型加速判断，但专业产品仍面临生死风险

Granola 目前约有60人：25-30名工程师、3名产品人员、3名设计师加上 Stephenson、几名设计工程师，其余为业务职能。公司要求设计师至少对 Claude Code 等工具保持好奇；他们直接在真实应用中做原型，因为真实内容和周边注意力状态，决定了会议界面是否真正有效。
将聊天从侧边栏移到一个全局可访问的浮动控件，体现了这种方式的收益。团队曾围绕 mock 展开长时间讨论，但 Stephenson 做出可运行版本后，内部使用1天就明显看出它更好；AI 编程压缩了从想法到评估的周期，但生产环境中的边缘案例仍需要传统设计工作。
Figma 仍适合把10个变体并排比较、梳理文案密集型注册流程，以及同时查看多个状态，但它已经不再是“起点、中点和终点”。完整应用的结构图不见了，Figma 变成一种临时调用的专业工具；Stephenson 表示，站在 Granola 的位置上，当编程工具从另一个方向逼近构思环节时，他会感到紧张。
Granola 的文化默认“10次里有9次”想法会在用户那里失败。工程师直接与客户交流，周五演示既欢迎路线图工作，也欢迎跳脱常规的实验；即便 beta 用户约有10,000人，核心决策仍然依赖定性判断，包括 dogfooding、近距离观察和“直觉”。
Nathan 提到 Andrew Critch 所说的“big tech singularity”：强大的 AI 公司可能把自己的系统转向任何细分领域，复制专业产品，甚至为这些产品提供补贴。Stephenson 称这是主要风险，但表示科技公司一再高估某一个界面吞并一切的能力；专业工具仍可能保有价值。他的检验标准是：如果每一个新 Claude 或 GPT 都不能让 Granola 变得更好，“迟早我们会完蛋”；要活下来，就必须乘上模型能力上升的浪潮，同时在痛苦的会议场景上保持更强。
他所设想的正面终局，并不是人们消费更多软件。知识工作者如今“是计算机的奴隶”，每天移动鼠标、搬运信息；Granola 最有价值的结果，是让用户感觉自己在场，并且让大脑能够“火力全开”。Labenz 给出了一个实际衡量标准：如果 AI 不能帮助他更多地走到户外，那它真的在为他服务吗？

OpenAI收购TBPN及管理团队重启｜Mercor遭黑客攻击，以及为何此刻正是网络安全的时点 Josh Shapiro 谈 Trump、伊朗战争乱局、以色列失误、经济与2028年大选