Alex Rampell

信用卡仍是迄今最好的支付界面，但 AI 智能体可能重新打开支付界面的演进空间。 在收尾对谈中，Alex Rampell认为，智能体比“一块可改写的芯片塑料片”更聪明，因此未来的协商可能让智能体商业和智能体支付成为现实。Max Levchin对智能体购物持怀疑态度，但看好智能体支付。Rampell的保留意见是，人们可能仍想自己做选择，就像他比较自行车零件时那样。

支付是全球最大的市场，但最赚钱的机会却藏在小额细分领域。 Rampell用一个潜在规模巨大、却难做的40万亿美元电汇，与日常支付作对比：前者需要优化安全、速度和成本，后者则由便利性主导。他们放弃的 PayMeSooner 项目暴露了B2B支付缺口：GE可以90天后付款，小商户却可能要按15%的折价率将应收账款保理，尽管这笔融资实质上是拿GE的信用做支撑。他们最终认为这不是一门大生意，但也指出应付账款和应收账款融资都能做出好生意。

Visa和Mastercard的2.5秒交易窗口，是一块沿用了约60年的化石标准。 Apple Pay和Google Pay利用芯片中的安全元件，在网络处理卡片交易前完成部分工作；但Levchin意外的是，支付网络从未引入更新的标准，比如给创新留下15秒，或让发卡行竞价争取更高质量的信用。

Levchin对加密货币的判断，来自亲身经历，而非条件反射。 在加入PayPal之前，他曾因展示一套非匿名数字支付方案，被加密学会议请离现场；他还参加过 Stanford 校园里 DigiCash 的破产仪式。他认可 Bitcoin 对拜占庭将军问题的解决方案，却从未相信 Bitcoin会成为支付方式；在他看来，Bitcoin已经作为货币、资产和价值储存手段取得成功。Stablecoin有明确用途，但咖啡支付仍是现实检验：小额支付由界面主导，巨额转账才值得优化安全、速度和成本。

Affirm的起点，是把“睡衣问题”与1800年代杂货店的授信逻辑拼在了一起。 通过识别客户建立信用——比如利用社交信号了解一个人——可以替代钱包。Levchin想建立一个强大的信用评分体系，再让别人放贷；Rampell更关心的是让人躺在沙发上也能完成购买。Levchin熬夜用 PHP 做出一个 1-800-Flowers 演示站，通过 Facebook Connect 完成结账，Jim McKelvey对此反响积极。产品最终在 Beautylish 找到市场契合点：分期让转化率立即提升30%，说明它解决的不只是支付问题，也是预算问题，并且可以成为销售工具。

盒装床垫浪潮为真正的0%贷款创造了空间，Levchin则向递延利息信用卡开战。 Casper兴起前后的一篇 HBR 文章称，人们每7年更换一次床垫；随后涌现出数家公司，压缩记忆棉床垫带来高毛利，也给MDR留下了腾挪空间。Affirm还尝试过营利性教育，MDR最高可达50%，但约半年后退出，因为客户常常拒绝为毫无价值的教育付费。Levchin的0%没有任何隐藏条件：没有滞纳金、没有递延利息，也不会追溯计息。

Affirm被低估的资产，是负获客成本、客户关系和长期授信风控能力。 与Rampell当年只撮合商户和用户的 TrialPay 不同，商户会付费让 Affirm 获客。Affirm已在美国服务超过5000万人，并进入4个国家，同时从满足既有需求转向帮助商户创造需求。部分 Affirm 产品期限最长可达3½年，而BNPL通常约6周，因此不能靠 FICO 或 Facebook 这类捷径，而需要机器学习完成授信。

🔗 原始收听与视频来源： 为什么 AI 智能体终于可能重塑信用卡

Lassie 切入的并不是牙科软件，而是人手不足对应的人工预算：美国约16万家牙科诊所每家每年在行政事务上支出约20万美元。 尽管 Dr. Quan 是 Yelp 评分最高的医生，他每月仍要花200小时处理文书；Lassie 已经开始按五位数价格，向客户提供每月约30小时工作量的智能代理。Olivia 将这种落差概括为：「AI 在硅谷被过度炒作，在爱荷华州却被低估」（“AI is overhyped in Silicon Valley but underhyped in Iowa”）。

产品的核心判断是，软件必须直接完成工作，而不只是把文件柜数字化。 Alex Rampell 认为，传统系统只是存储记录，人员规模基本没有减少；如今智能代理可以编辑记录、追缴发票、解释保险福利，或完成入职流程。金融科技曾通过支付扩大软件市场——以 Toast 为例，一家年收入500万美元的餐厅按2%抽成就能贡献10万美元收入——但如果软件直接对人工劳动收费，机会空间将“大出几个数量级”。

Lassie 先让创始人亲自完成工作，再“自动化掉自己的问题”，最终实现了约98%的自动化。 公司从2020年开始搭建上下文层和执行工具，当时推理模型还没有今天的能力；随着模型进步，再逐步升级智能层。Frédéric Renken 希望在推出一项新工作前达到约95%以上的自动化率，接受一个小规模例外队列，而不是等待事实上无法实现的100%。

Lassie 的护城河在于替代一名缺席的员工，而不是给现有平台添一个 AI 功能。 Alex 的说法是：“原来的员工叫 Betty，而她两周前辞职了”（“The incumbent was named Betty, and she quit two weeks ago”）；要复刻 Betty，需要对所有相关系统进行读写集成、在不一致的系统之间建立共享业务本体、积累历史工作流数据，并让智能代理获得自主执行的信任。他反复强调的规则仍是：“每家初创公司与 incumbent 的竞争，最终都取决于初创公司能否在 incumbent 获得创新之前拿到分发。”

将智能代理带入主流小企业，真正的约束可能是分发和实施，而不是模型访问权限。 一名牙医可能不在 LinkedIn 或传统 SaaS 数据库里，如果产品几个月内无法工作，也可能直接放弃。Lassie 因此正把接入流程推向自助化：连接银行、诊所管理系统和保险门户，确认业务资料，再在后台配置智能代理。其消费产品标杆更为激进：在 Robinhood 或 Superhuman，用户大约只有48小时来感受到核心价值。

扩张路径是先做牙科，其次进入另一类服务不足的医疗诊所，最终覆盖每一家小企业。 Steijn Pelle 估算，仅牙科就是一个约10亿美元的经常性收入市场；再往后，各行业都可复用同一组基础模块：记录系统、客户、预约、支付和沟通。最终，企业智能代理将与消费者的个人代理以及交易对手方的代理交互——“每家小企业都应该自己运转”。

剩余的技术前沿，是积累专有工作流知识，并把顽固的线下流程数字化。 大模型仍不了解不同付款方的具体流程，也不了解诊所经理掌握的隐性经验；Steijn 表示，目前约70%的支付仍以纸质方式完成。联邦层面对直接存款选项和数字化文件格式的新要求，叠加能力更强的模型，正在共同降低自动化门槛；这也可能释放供给能力，因为牙医、水管工和基层医疗医生的需求都超过了现有供给。

🔗 原始收听与视频来源： “每家小企业都应该自己运转” | Lassie with a16z

Horowitz 表示，AI 已让软件业的两条旧定律失效：钱可以买到速度，而拥有既有资产也不再能保护老牌企业。 只要资金、优质数据和 GPUs 足够，落后者也能“基本解决软件中的任何问题”；可复制的代码、可迁移的数据和由 AI 驱动的界面，正在削弱迁移、数据和 UI 锁定。定价必须绑定真正差异化的价值，因为正如 Rampell 所说，一款产品的领先窗口可能从几年缩短到“5周”。

所谓“SaaS 末日”，本质上是一场终值危机，但 Horowitz 拒绝对传统软件一概判死刑。 CEO 必须分清，客户将支出转向别处——这可能要求公司“大幅削减并转向”——与估值压缩掩盖了业务正在增强，是两种不同情形。Navan 仍具备防守性，靠的是全球差旅关系和预算管理集成；OpenAI 和 Anthropic 都没有天然动力向差旅管理者销售，而智能体驱动的差旅体验目前“比想象中复杂得多”。

AI 的可投资稀缺资源正在从 GPUs 延伸至电力、内存、稀土矿产、制造能力和电网设备。 a16z 已为7支基金中的4支合计募得150亿美元，首支基金规模则为300美元；部分原因是美国必须“现在就”重建基础设施。Horowitz 预计，NVIDIA 可能远早于整个系统拥有足够电力或内存时就生产出足够芯片；新建一座 DRAM 工厂需要5年。

AI 生成的身份冒充，让密码学身份和互联网原生货币从加密行业的支线课题变成核心基础设施。 Horowitz 最担心的场景，是一个 AI 版的自己下令转账5亿美元；他要求的技术栈要回答：“你是人类吗？”“你是我吗？”“这段内容是我签的吗？”区块链还可以为每个人提供收款地址，让 AI 智能体借助互联网上的不记名工具成为经济行为主体。

风险投资有两种截然不同的未来，Horowitz 拒绝假装自己知道哪一种会胜出。 AI 可能催生少数超级巨头，重演汽车业从约300家制造商整合为“三巨头”的过程，并让金融家最终演化为银行式机构。或者前沿模型可能触顶或变成公用事业；电力稀缺可能把计算推向边缘，让能力足够强的小模型进入手机。Horowitz 的结论仍悬而未决。

Horowitz 对 AI 焦虑的回答是丰裕，同时坦承转型存在不确定性。 他说，如今可能拥有想法的80亿人，都能把脑中的想法变成代码、音乐或电影，不再受资本或创意准入门槛限制。技术历来会创造新的工作类型，也会让需求不断扩张。他的条件式预测是，15年后，美国几乎所有人——可能全世界也几乎所有人——在奢侈品和信息获取方面的生活水平，都会超过1980年任何人的水平；但要回答孩子应该做什么，仍然“是个难题”。

🔗 原始收听与视频来源： Ben Horowitz 谈 AI 焦虑、大科技转型与初创公司的未来 | a16z

“SaaS末日”首先是对不确定性重新定价，而非软件普遍受损的证据。 Mike Cannon-Brookes 承认，软件业务的风险已经上升，“不是每家 SaaS 公司都能在未来10年持续繁荣”，但他认为，市场正在把未来2-3年的 AI 情景外推，同时假设在位企业不会变化。Atlassian 已交出3个强劲季度；对知识工作这项业务而言，“这是发生在我们业务上的最好一件事”——前提是公司能在转型期执行到位。

Alex Rampell 的“3类框架”区分了会受损的按席位模式，以及 AI 上行空间正被忽视的系统。 Zendesk 式的席位直接对应智能体可能消灭的工作；如果不重新定价，“这条收入流100%会归零”，但按结果收费后，收入也可能变成原来的3倍或4倍。Workday 按员工数收费，席位并不与结果挂钩；Adobe 介于这2种模式之间——Rampell 认为，公开市场投资者没有给这些差异定价。

真正持久的护城河是积累下来的流程知识，包括无法从一个提示词中复原的边缘案例。 Rampell 援引 David Ricardo 的比较优势理论，以及 Indiana 的员工休产假问题：企业理论上可以用 vibe coding 自己写核心软件，就像也可以自己种粮食一样，但在工程师还有其他工作要做时，重建数十年积累的隐性规则既令人恐惧，经济上也不划算。Cannon-Brookes 更尖锐的说法是，企业是流程的集合，而不是数据库。

AI 对输入受限型和产出受限型工作的影响并不相同。 客服和法律团队面对固定流入的任务队列，因此处理速度更快可以提升效率、降低成本；营销、创意工作和软件开发则可以把效率提升转化为更多产出。这个分野很重要，因为同一种 AI 能力可能在一个工作流中压缩席位，却在另一个工作流中扩大活动量和软件价值。

Vibe coding 更像核心系统的扩展引擎，而不是替代核心系统。 Cannon-Brookes 称，自己搭建并运行 Workday “令人害怕”，但在 Workday 的数据和规则之上，低成本生成一个供迈阿密20人使用的应用，价值巨大。Erik Torenberg 将其概括为：这会让底层平台“在企业里更具粘性、价值更高”，即使定制化界面会大量涌现。

软件定价仍由公平感、可控性和可预测性决定，而非技术上的纯粹性。 客户能够选择计费单位时，通常能接受按用量收费，例如 Splunk 的日志或 S3 的存储；但 AI credits 更像供应商通过增加功能就能消耗的不透明“赌场筹码”。按结果收费也有另一个缺陷：软件把支持成本从20美元降到10美元后，客户会把10美元重置为基准，并要求进一步降到5美元。

短期内 AI 的瓶颈在产品设计和信任，而不在模型能力。 Cannon-Brookes 说，“给人一个能力无限的聊天框，他们会说：‘给我讲个冷笑话’”；模型能力远远领先于已经兑现的价值，因为用户需要有上下文的工作流、可理解的智能体行为，以及时机合适的人工确认节点。Atlassian 正通过 AI gateway、Teamwork Graph、工作流摘要、智能体集成和 Rovo 的文档与聊天混合界面应对这一问题。

🔗 原始收听与视频来源： Atlassian CEO 谈“SaaS末日”、AI智能体与接下来会发生什么

AI 正在成为完整的软件产品周期，而不再只是单一模型周期，因为它叠加了 PC、互联网、云和移动等此前每一层，并通过智能手机触达数十亿潜在用户。 Rampell 表示，如今软件行业“绝大多数新增收入”都来自 AI，覆盖基础设施和应用层；短短2年间，能力也从文本、图像和基础推理推进到原生音频与实时交互。对投资者而言，这意味着应用市场可以建立在已部署的分发基础上，而不必等待一批新设备出现。

采用证据正在从新奇体验转向投资回报：Ramp 的客户支出数据在2025年1月出现拐点，一批软件公司在1到2年内从零做到1亿美元收入，全球约15%的成年人每周使用 ChatGPT。 Rampell 的行为学概括是，人们想要“更富、更懒”；如今“魔术真正进入了企业”，因为 AI 已经能够节省时间、降低成本或创造收入，无论当前估值是贵还是便宜。

AI 原生替代品最好的切入口在于绿地场景，而已有的记录系统让棕地替代极其困难，也让 incumbent 能够从被其工作流锁定的用户身上变现。 一家拥有50名员工、3个实体和2种货币的公司需要摆脱 QuickBooks 时，Rillet 有机会胜出；但“AI NetSuite”或 Mailchimp 克隆品会面临巨大的迁移摩擦。Rampell 有意说得尖锐：“最好的公司拥有的是人质，不是客户。”不过，他区分了持久护城河和让用户厌恶的生意。

最大的新增 TAM 来自把劳动力变成软件，但最有说服力的销售话术往往是创造收入，而不是削减员工人数。 据报道，Salient 能帮助汽车贷款机构多收回50%的款项，支持21种语言，跟踪全部50个州、有时甚至县级的法律要求，并为一家员工年流失率达40%-70%、规模5000万美元的呼叫中心自动化工作。“我们会让你赚更多钱，而且成本更低”比单纯讲节省成本更有力。

AI 能力是差异化因素，不是防御性壁垒；真正的护城河在于掌握端到端工作流，并让私有结果数据持续复利。 EvenUp 让“几乎100%”的案件都经过线索接入、证据收集、医疗时间线、索赔函和诉状等环节，随后学习哪些案件可能值5万美元、哪些可能值500万美元，从而有机会把可行案件的最低价值门槛从5万美元降到5000美元。Haber 称这一闭环是“拿枪参加刀战”。

封闭式数据业务如果出售加工完成的答案，而不是授权原始信息，能够捕获大得多的价值。 OpenEvidence 将独家医学期刊授权与类似 ChatGPT 的界面结合，据报道每周有三分之二的美国医生使用；VLex 聚合法律记录26年后加入 AI，收入据报道增长至原来的5倍；Ask Leo 则利用通常无法获得的合同历史，例如50份 Deloitte 协议。Rampell 的比喻是：掌握稀缺的“蔬菜”，再出售做好的成品菜。

即使 incumbent 强大，创业机会依然存在，但筛选标准会转向模型聚合器、专有语料库、垂直操作系统，以及一次性买下分发渠道的并购，而不是无休止地滚动收购服务公司。 Acharya 认为，聚合器可以在专业模型之间提供“单一视图”，不像绑定第一方模型的实验室；Rampell 更愿意以3倍 EBITDA 收购一家拥有5个蓝筹客户、规模正在收缩的服务商，而不是整合200家会计师事务所。早期企业客户留存被描述为强劲，随着客户开始询问创业公司 AI 应该落地在哪里，支出正转向前置部署工程。

🔗 原始收听与视频来源： 超越模型本身的 AI 机会

Andre Horowitz 筹得 150亿美元，是在押注“中间地带的死亡”：做风投，要么成为大型综合机构，要么成为小型专业机构。 中型综合机构“基本上会输给大型综合机构或小型专业机构”。Rampell 的 LP 数学题是：与其在 5000万美元上拿到 5 倍回报，不如在 10亿美元上拿到 3 倍回报——“真正更难的事情，就是单纯把毛美元数返还出来。”他个人投在 Ribbit 首支基金上的约 55 倍回报（基金规模约 8500万美元），以及 AngelPad 800万美元基金的 120 倍 DPI，他承认，这种成绩放大到 200亿美元规模大概无法复制。

他在一份内部备忘录中总结的人才框架是：押注能够“凭空调动劳动力、资本和客户”的创始人。 明天就能让 5个人跟着你、接受 50% 的降薪；下一轮融资越来越容易；即使只剩“一周现金、0个客户”，也能拿下首批客户（Toast 测试）——此外还要深谙行业历史，并具备《基督山伯爵》式的复仇动机：“1亿美元对一个 18岁的人来说是颠覆性的。拒绝它的人要么是蠢货，要么就是想要复仇。”

“最好的公司手里握的是人质，不是客户。” “绿地市场宾果”理论是：不要试图抢走 Workday 手里的“人质”，而要把更好的产品卖给新公司；因此只有在新公司诞生速度足够快的市场里，这套打法才成立（Stripe；Mercury——Alex 不认为它在 SVB 倒闭前从 SVB 手里抢走过客户），在新公司增长缓慢的市场里则会失败（更好的 EHR 也没用，因为“新医院的创建速度太慢”）。

早期风投本质上是在“买价外看涨期权”。 一家年收入 100万美元、每年亏损 1000万美元的 Series A 公司，“当然不值 1亿美元”；投资人买下 15%-20%，希望这份期权最终价内到期。组合投资规则是：“我们要么买下某个已经绝对跑通的东西的任意比例，要么买下某个可能跑通的东西的高比例。”如果你以很低的持股比例赢下 100% 的交易，“那你可能根本没有测试自己能把边界推到多远。”

竞争压缩如今已经残酷至极——VisiCalc 花了约 5年才从 100% 市占率跌到 50%，Lotus 花了约 15年才消亡，但到了 2025年，“这可能只需要几周，简直不可思议”。 而在很少独角兽能通过 Rule of 40 的情况下，Rampell 判断：“独角兽这一代里，可能只有 5% 最终有能力上市。”他“讨厌大额老股转让”，因为这会制造道德风险：一家 2021年的基金曾想把自己在某公司的持股从 4% 加倍到 8%，这可能让创始人富到不再关心其他人的流动性。

AI 应用的打法，是把“替代劳动力的软件”规模化，并最终回溯进入系统记录，或者建立一个掌握专有数据的围墙花园。 Eve 让原告律师能够接下 1000美元的风险代理案件；2万美元的软件替代了原本想雇却雇不到的 8万美元员工。vLex 在把 AI 加到 25年的西班牙法律记录后，规模增长了约 5 倍。与其要一个没有任何数据的有感知实体，“我宁愿要 GPT-3.5，加上关于医学科学周边一切事物的无限数据”。

出售一家公司的过程，是一个要提前数年启动的“cron job”。 CEO 应该拿出约 5% 的时间，与 3-4家潜在收购方建立真实的合作关系，永远不要去向企业发展部门推销，因为“他们执行的是交易”。毕竟“每一次并购谈话、每一次融资谈话，第一个问题都是：你上一轮的价格是多少？”价格离谱，谈话就结束了。

他最大的失误，是在 Plaid 的 Series B 上与 Zach 为 1.3亿美元和 1.35亿美元讨价还价。 Goldman 当时愿意出 2亿美元，他后来在 Series C 以 24亿美元买回了这个错误。更高阶的教训是：“作为投资人，你能拥有的最有价值的洞察，就是反思并承认：我是个蠢货。”对于那些 a16z 在前一轮放弃、下一轮却高价追入的交易：“我宁愿变富，也不愿证明自己是对的。”

🔗 原始收听与视频来源： Alex Rampell：最优秀的创始人能够凭空调动资本、客户与劳动力｜风投的未来

AI 正在把软件从争夺 IT 预算，变成争夺劳动力支出，因为产品如今能够直接完成工作。 David Haber 举的标志性例子是：一套软件可以合规地、全天候用 50 种语言工作；Alex Rampell 的说法更直接：「我从来没法花1美元雇到一个人，现在却能花1美元雇一套软件。」这应当创造新的软件消费，而不只是消灭就业岗位。

AI 能力可以让产品脱颖而出，但本身并不能保护一家公司。 Haber 认为，真正持久的护城河仍然是那些熟悉的东西：掌握端到端工作流，掌握产品所处的业务语境，成为记录系统，形成网络效应，以及深度嵌入到客户离不开产品的程度。「AI 是令人难以置信的差异化工具」，但它无处不在，因此作为单独护城河的效力很弱。

AI 正在降低软件生产成本，却让争夺可防御规模的竞争更加残酷。 Rampell 用反欺诈作类比：4个客户比3个客户多不了多少信息，但观察到40亿个客户而不是10亿个客户，确实可以带来数据优势。当市场上有「900万个小咬人者」围绕显而易见的想法竞争时，势能就变得关键，因为它提供了通往「引力规模」的最佳路径。

按席位收费的 SaaS 面临的是定价模式问题，不一定是灭绝事件。 当 AI 减少每个席位对应的劳动力时，Adobe 或 Zendesk 可能卖出更少席位，但也可能通过按结果收费，把收入提高4倍。更可信的颠覆集中在那些昂贵却未被充分使用的全员授权软件上；像 payroll 这样收费直接与实际使用挂钩的软件，则很难被合理地砍掉。

最好的切入市场，既要能创造新客户，也要有耐心的创始人。 ADP 和 Paychex 处在「无关紧要的 Goldilocks 区间」：相对 payroll 本身，薪资服务费太小，不值得客户折腾切换，因此进入困难、留存却很好。新的 EHR 面临相反的问题——几乎没有新建的医院系统，所以即使软件更好，也没有清晰的滩头阵地。

AI 功能可以异常迅速地做到有意义的收入规模，但仍必须尽快回填成产品和公司。 一名前台正畸诊所接待员看起来可能只是叠加在现有软件上的一个功能，但因为替代了人工，每年可以收费2万美元；Rampell 警告说：「这个功能必须尽快回填成产品，再尽快回填成公司。」Haber 的「混乱收件箱」切口展示了这条路径：先摄取邮件、传真和电话数据，再接管下游排班、福利，最终成为记录系统。

平台和 incumbent 仍然占据优势，但垂直机会太广，不可能由一家供应商全部吞下。 OpenAI 可以同时追求50亿 ChatGPT 用户、开发者后端、编码和大型企业部署，而不必为每个冷门垂直行业搭建工作流。整合仍会淘汰缺乏差异化的第3至第100名；而保住分发渠道并采用 AI 的 incumbent，可能把劳动力替代转化为更高毛利，而不是被颠覆。

🔗 原始收听与视频来源： AI 护城河为何仍然重要（以及它们如何变化）

企业AI的硬约束正从能力转向衡量。 Fradin借用数字广告作类比：Google和Facebook之所以能让预算和收入扩张，背后依靠的是一套成熟的衡量、规划和治理生态。AI也需要类似基础设施。如果行业的乐观情景成立，全球IT支出将从1万亿美元走向10万亿美元，JPMorgan Chase约180亿—190亿美元的IT预算也将显著上升，那么机会就在于建设一套基础设施，“说实话，目的不是阻止任何事情，而是加速它”。

约7000亿美元的企业AI支出，正撞上高管无法证明哪些项目有效的恐惧。 Fradin访谈的350名IT负责人中，约70%认为资金正在被浪费；80%—85%的公司认为，自己只有18个月时间成为领导者，否则就会掉队。一名PE支持企业的高管可以汇报董事会提出的4项指令进展，但谈到AI，“我手里只有我们买了多少东西”——这让工具供应商承受证明使用率或价值的压力。

采购数据大幅高估了受控采用率。 Laridan超过80%的客户发现，员工实际使用的AI工具远多于公司已知或获授权的数量，即便正式的企业使用率仍低于外界想象。影子采用既可能意味着风险，也可能代表值得纳入体系的自下而上需求；第一步是建立可见性，因为“他们不可能同时在完美认知和完美安全的条件下全部重新培训”。

没有单一指标足以证明AI带来了生产力，站得住脚的方法是交叉验证被动使用、工作产出或耗时，以及调查证据。 Harvey案例将名义上的6名用户分成2名从未回来、2名轻度用户和2名重度用户，再比较他们的工作，而不是询问他们是否喜欢这款工具。Rampell提醒说，这就是古德哈特定律：“一旦指标变成目标，它就不再是准确的衡量指标”，无论目标是邮件数量、代码行数还是AI支出。

当员工把8小时的任务压缩成1分钟却对方法保密时，AI就制造了委托—代理问题。 员工拿走了闲暇时间，公司却没有获得额外产出；竞争激烈、股权激励驱动的组织更可能把节省下来的时间重新投入工作，而大型雇主最终可能会调整工作量和人员配置。要推动扩散，就必须“让这个人成为英雄”，记录工作流并安全地推广，而不是只购买更多席位。

治理可以提高采用率，前提是它给员工提供一个安全的试验场，让他们不用担心出丑或被解雇。 Fradin称，一家欧洲银行让1名熟练的28岁员工制作30页演示稿，再向整个投行体系授课，是“指望人们采用改变世界的技术的一种荒谬方式”。Laridan的Nexus在模型外包裹公司特定的安全护栏，但收益仍高度不均：“Cursor让平庸工程师变得优秀，却让顶尖工程师变成了神。”

Fradin不接受大规模AI失业的判断，因为竞争对手会把生产力收益再投资于增长，而不是让多出来的利润毫无防守。 一家1亿美元收入的公司如果解雇90%的员工、赚取9000万美元利润，就可能遭到资金更充足的竞争对手攻击；后者愿意继续招聘、接受10%的利润率——“你的利润就是我的机会”。他承认，千亿美元级的单人企业可能出现，年长的白领也将面临痛苦的持续学习，但预测30年后《财富》500强雇用的人数不会减少，同时承认：“我也可能最终证明自己错了。”

🔗 原始收听与视频来源： 没人谈论的7000亿美元AI生产力难题

住房可负担性正被两股力量撕裂：供给受限，以及资产持有者的财富增速快于靠现金收入的人群。 Varun Krishna指出，购房者年龄中位数已从2010年的30岁升至如今的38岁。Alex Rampell认为，年薪每年增长3%的人无法追上年化约10%复利增长的S&P 500，这也导向了他的直白判断：「老年人手里有所有的钱」，结果是「资产持有者与非资产持有者之间，形成了两个城市的故事」。

最直接的可负担性杠杆是大幅增加建设，但现有房主在经济上有动力阻止这一点。 Rampell表示，建设1,000万套住房会压低房价；他在Palo Alto的邻居在1960年代花约30,000美元买下的地块，比Rampell在2008年花210万美元买的地还大，这说明现有业主为何偏好NIMBY限制。Varun补充称，平均入门级住房面积已从1950年代约985平方英尺扩大到如今接近2,500平方英尺，而更高的房价和利率正令购房更加困难。

AI近期对住房的回报可能主要来自工作流压缩，而机器人和先进建造技术则是更长期的押注。 Krishna设想，未来3至5年，随着文件收集、承保和资金划转被压缩，贷款资格审核将实现实时化；未来5至7年，更「几何化」的AI可能通过机器人、3D打印和材料科学进入制造业及实体工作。届时，即使按揭利率仍处高位，更高效的建设也可能增加住房库存。

住房所有权不必继续停留在租房与买下整套房产之间的二元选择。 Rampell强调，短租收入、租售结合结构，以及Point出售部分房屋权益的能力，都是让购房或获得流动性更可及的实际方式。他不认可基于区块链的实体房产权利主张，因为法律所有权由县登记信息和执法体系保障；但他追问：一个背负50,000美元信用卡债务、FICO分数为620的房主，为什么必须卖掉整套房子，而不能「卖掉我房子的10%」。

Krishna认为，住房是金融科技的「最后疆域」，因为按揭通常是消费者一生中金额最大的交易，也是决定客户终身价值的重大事件。 按他的口径，住房占GDP的20%，对应5万亿美元市场，但搜索、经纪、贷款发放、产权、估价、交割和服务仍是彼此分离的漏斗。Rocket的投资逻辑是将这些环节连接起来，在降低费用和摩擦的同时改变单位经济模型。

Rocket正利用Redfin和Mr. Cooper，把一个盈利但低频的按揭引擎变成覆盖日常与终身关系的「超级漏斗」。 Redfin带来5,000万月活用户和住房搜索参与度；合并后的服务贷款组合拥有1,000万客户，相当于美国每6笔按揭中就有1笔。Krishna的目标是打造覆盖搜索、融资、服务以及后续房屋净值交易的「终身贷款机构」，两笔收购将使Rocket整体规模增加约60%。

合并后的模式旨在跨越利率周期形成对冲，但执行成败取决于对每笔收购采取不同的整合方式。 利率上升时，服务业务的价值和经常性收入增加；利率下降时，贷款发放和再融资提速——Rampell称之为互相抵消的正弦曲线的「Fourier transform」。Rocket计划保留并强化Redfin自主的消费者品牌，同时对Mr. Cooper进行重塑，并将其贷款发放与服务业务深度融合；Krishna称整合是公司「第一要务」。

🔗 原始收听与视频来源： Rocket Companies CEO：解决住房危机的方法

Hoffman的投资地图，把他大量AI时间投向了硅谷的盲区，越过拥挤的“显而易见视野”。 聊天机器人、编程助手和生产力产品仍然值得投资，但所有人都看得到；更长的增长跑道可能位于软件与生物、原子交汇之处。与此同时，平台迁移不会抹平网络效应或企业集成：“重大变化会发生”，但不是一切都会改变。

生物科技的机会，是一家以“软件的速度”运转的药物发现工厂，但不假装生物学可以被完整模拟。 即使预测系统只有1%的命中率，只要实验能够验证候选结果，也可能创造价值，把寻找“太阳系里的一根针”变成一条可能有用的筛选漏斗。超级智能药物研究员“也许某一天会出现，但不会很快”，监管和生物复杂性仍是现实约束。

劳动市场的采用会从增强开始，先卖给那些想要“更懒、更有钱”的人。 承诺大规模裁员的产品很难推广；承诺减少工时、增加收入的产品则不然。最强激励来自医生、小企业和个体经营者：他们可以把患者量或和解案件量提高5倍，而大公司则面临委托—代理问题。

医学预示了角色分工：AI可以取代持证专业人士作为知识存储器的角色，但专业人士仍保留语境、判断和横向思考。 Hoffman的明确建议是：任何严肃结果都用ChatGPT或同类产品做第二意见；如果它与原结论不一致，就再找第三意见。他仍预计10年或20年后会有医生，但他们将是AI的专家用户，而不是靠记忆知识获得权威的人。

在真实用户中，AI仍然被低估；而预测者经常把“专家曲线”误认成“神化”。 Hoffman的测试把3天分析师工作压缩到10–15分钟，却仍主要复现共识，而不是他需要的横向论证。更可能的路径，是由LLM、扩散模型及其他系统组成、不断进化的织物，而不是“一统天下的单一LLM”。

机器人技术仍由资本开支与人力运营成本的交叉点决定，而不只是由智能决定。 深度研究瞄准的是信息世界里的高价值分析工作；而叠衣服可能需要10万美元硬件，才能与时薪10美元的人竞争。日本劳动力短缺，因此让机器人发放和清洁保龄球鞋是理性的；硬件成本下降后，这个交叉点可能转移到其他领域。

LinkedIn的持久性说明，AI不会废除难以构建的网络，也不会消除经济约束。 这只“乌龟”积累了竞争者无法复制的社区，因此其职业网络得以存续；坦率的负面推荐往往通过在该网络中的私下询问获得。AI初创公司也比Web 2公司更早需要收入，因为指数级增长的使用量会带来指数级增长的算力成本。

AI可能成为极其出色的陪伴者，但Hoffman拒绝称其为朋友，因为友谊是双向的。 朋友会约定互相帮助，成为更好的自己，也允许自己接受帮助，有时还会给予逆耳忠言；系统并不参与这种互惠关系。真正重要的设计问题，是孩子如何围绕AI学习并形成认识论，而不是模型是否声称自己有意识。

🔗 原始收听与视频来源： Reid Hoffman谈AI、意识与劳动的未来

Kaz Nejatian 正在围绕一个品类定位重塑 Opendoor：它是一家打造住房交易市场的软件公司，而不是房地产投资公司。 等待价格错配约20%的资产，或许能支撑一家小型投资机构，却撑不起一个跨代际的平台；他的经营答案是「永远、永远、永远进攻」。

Alex Rampell 的市场平台逻辑是：一小批独家房源，就能吸引几乎全部买方需求。 他回忆，Opendoor 曾买下 Charlotte 价格低于60万美元房屋的近10%；一旦买家必须通过 Opendoor 才能看到这批独家库存，公司就能吸引第三方挂牌，将佣金压向1%，成为全球最大资产市场的“Amazon”。

美国住房交易的经济切口，是一个被5%-6%佣金池和多重委托—代理冲突拖累的市场。 约200万名注册经纪人参与竞争，但典型经纪人每年完成的交易量为0；买方经纪人则在客户支付更高价格时赚得更多。Alex 借用了 George Bernard Shaw 的话：「每个行业都是针对外行的阴谋」。

讨论指向一种可能：利用 Opendoor 的规模，把一次性住房交易变成包含保修、退货、融资和协同交割的长期关系。 Dallas 的7天试住计划允许买家先搬进 Opendoor 房屋，不喜欢就退回；而仅仅把一次出售与下一次购买衔接起来，就可能避免因时间错配损失的「约3笔按揭还款」。

公司的下行周期没有推翻市场平台逻辑，却暴露出在剧烈利率冲击中持有长期库存的风险。 Zillow 最初看起来能赚钱，是因为最好的房子先卖掉，较弱库存仍按 NAV 计价；随后 Opendoor 同时遭遇利率从约0%升至4%、可负担性下降、风险资本撤退和库存亏损。

Kaz 认为公司不应因宏观环境而邀功或归罪，但 Opendoor 放弃最初使命，进一步放大了冲击。 Amazon 和 Carvana 都会甩掉错误、继续前进，Opendoor 却大幅去风险化并等待复苏；他的直白诊断是：「公司不会因为变弱而变得更好」。

Alex 设想的未来模式仍然是有意保留混合形态：Opendoor 会在有助于提升流动性的地方继续承担本金风险，但风险可以落在这条梯度的任何位置。 他设想向卖家保证一个最低价格，剩余风险仍由卖家承担；Kaz 将这一结构与市价单和限价单联系起来，并认同这种模式更接近 Amazon，而不是 eBay。

🔗 原始收听与视频来源： Opendoor CEO：打造住房领域的 Amazon

Google目前的商业搜索地位依然稳固，但AI正在夺走支撑其更广泛使用习惯的免费查询，最终可能重定向这笔“GDP税”。 Alex Rampell观察到，信息类搜索量正在下降，但Google的财务表现仍在上升，这意味着用户正把不可变现的问题交给ChatGPT，而不是把可变现的购物需求也转移过去。真正的风险在于，当代理掌握购物发起权后，“这笔税可能会转移到别处”。

AI在电商领域最适合切入的，是介于无计划冲动消费与高度审慎、大额购买之间的广阔中间地带。 TikTok触发的一件衬衫无需研究，而房子、汽车或婚礼场地往往仍需要线下体验或人的安抚，难以完全代理化。手袋、洗衣液、自行车、沙发和笔记本电脑提供了更好的切入口：更高效的研究、持续比价，以及最终自动完成购买。

一旦买家选定SKU或UPC，代理就可以自动化解决整套“用钱换时间”的优化问题。 它可以搜索价格、配送条款、优惠券、返现计划、联盟返利，甚至最合适的信用卡，并在达到阈值时下单——相当于把CamelCamelCamel的行动闭环补上。Rampell把这个测试称为一道“智商题”：“你是想少花钱买东西，还是多花钱买东西？”

商业世界真正承重的问题不是商品发现，而是归因；而AI可能让今天已经失真的激励机制变得更糟。 现有的最后点击归因体系，已经允许Honey等优惠券插件在结账时拦截客户，并把并非由自己促成的销售据为己有。代理可能成为“21世纪的最后一次点击”，即便它只是Reddit、广告、创作者、门店和既有品牌偏好中的一个影响因素，也会攫取商家的经济利益。

互联网信息供给的劣化，是AI购物的结构性约束，因为模型无法把为联盟营销优化的输入转化为客观建议。 搜索横跨一个个围墙花园，开放网络则充斥着“为SEO优化的垃圾”；Amazon的商品页面和评论同样容易被操纵。未解的问题非常直接：“你不可能把软文垃圾变成诚实分析”，平台究竟要如何给语料“去垃圾化”？

AI可能进一步强化聚合平台，同时暴露那些缺乏差异化的DTC品牌：它们的产品由他人制造，流量则必须花钱购买。 床垫品牌等商品化卖家可以被同一批OEM复制，还必须不断从Google或Facebook获取新客户；时尚品牌也不可能独占每一种潮流。Moore认为，一旦需求已经产生，代理可以把买家导向相应商品，但她和Rampell都指出，在文化让一件商品变得令人向往之前，AI可能很难主动培育需求。

真正持久的机会在于可信的策展、专业化购物代理和商家基础设施，而不只是再做一个横向聊天机器人。 Costco依靠会员费支撑，拒绝销售劣质商品，因此格外“AI-proof”；创业公司则可以打造领域专家、让代理读懂的店铺，以及支持委托购买的支付基础设施。如果AI在消费者到达Amazon之前就接管展示层，Amazon的高毛利广告业务将暴露在风险之下。

🔗 原始收听与视频来源： 搜索的终结：AI时代的购物将如何运作

AI正在把软件从被动的文件柜变成主动的劳动力替代品，打开一个可能远大于软件本身的市场。 Alex Rampell 梳理了从本地数据库、云端记录系统到金融服务赋能的垂直 SaaS 的65年演进；如今，agents 已经可以执行那些系统过去只能记录的工作。新的公式是“输入、咖啡、输出、代码”（“Input, Coffee, Output, Code”）。

可争取的预算正从软件支出转向工资支出：仅美国注册护士一项，每年就对应超过6000亿美元，而全球软件市场总额还不到6000亿美元。 AI 不能做心肺复苏，但可以在结肠镜检查前致电患者、用45种语言交流，并承接医院无法配足人手的工作。关键问题在于，客户会让“自己的软件预算渗入劳动力预算”到什么程度。

按席位收费的老牌软件厂商面临残酷的自我蚕食选择：要么随着 AI 减少席位而损失大部分收入，要么围绕结果重新定价，收入可能增长10倍。 Rampell 以 Zendesk 为例：客户每年软件支出约140万美元，但客服人力成本达5000万美元；copilot 可能把1000个席位削减至100个，而 autopilot 则可能彻底消灭这些席位。对 Salesforce 和 Zendesk 而言，AI“既是防守，也是进攻”。

最强的创业切入口是“混乱收件箱问题”：自动化处理非结构化输入与传统记录系统之间、依赖判断的工作。 David Haber 以医疗行业的 Tennr 为例：该公司据他估计以约400万份文件训练模型，将患者入院管理成本削减了约90%，随后开始逐步切入排期、资格审核和福利核验。AI 能力本身可能商品化，因此长期护城河仍来自对工作流、集成、网络效应以及最终记录系统的掌控——“护城河依然重要”。

一旦软件能够吃到劳动力预算，或将劳动力与好10倍的替代系统捆绑起来，过去无法投资的细分领域也能达到风险投资规模。 合规就是典型案例：据称这是美国增速第四快的职业，工作往往依赖 Excel，且长期人手不足。David Haber 描述了 AI agents 如何清理数万条警报，同时帮助引入更好的交易监控系统；这一案例发生在 TD Bank 因交易监控问题被罚款40亿美元的背景下。

AI 可能自动化白领的常规任务，却让稀缺的人际互动更有价值。 讨论嘉宾预计，至少每一种白领工作都会获得一个 copilot，其中一些岗位将完全由 agents 驱动；Rampell 的极端表述是，人们未来可能要么“告诉计算机该做什么”，要么“被计算机告知该做什么”。但一旦自动化触达无处不在，面对面建立的关系——甚至是“在高尔夫球场上”建立的关系——可能反而获得溢价。

商业基本面不会改变，但成本下降会同时扩大市场规模和竞争风险。 投资者仍需关注留存率、毛利率、管理费用纪律，以及“未来利润的现值”；与此同时，AI 让软件更容易构建，并推动价格不可逆地下行。最值得挖掘的领域，是那些由行业专家理解工作流、现有技术已经足够成熟、且30年前的系统有望变得“好10倍”的冷门行业。

🔗 原始收听与视频来源： AI如何重塑劳动力市场：万亿美元级机会详解