David Haber

Blankfein 对风险管理的核心判断是，投资者必须承担风险，同时提前规划并买入廉价的对冲工具。 与其执着于预测，不如追问可能发生什么、投资组合会如何反应，以及在“飓风逼近”前有哪些保护措施可用。周密的预案能让公司行动快到看起来像未卜先知：“我希望所有人都因为抢跑而被叫停”（“I want everybody to be called for a false start”）。

金融业会激进采用AI，但近乎为零的容错空间意味着其采用曲线不同于Silicon Valley；Goldman在测试替代系统时仍让已获验证的系统继续运行，有时要跑足50x，并确保“最后49次”全部完美，才会切换。 技术因此在初期反而推高成本；受监管机构不能在上线失败后靠道歉收场。

AI最被低估的危险，不是机器智能压过人类，而是不透明、规模巨大且高度杠杆化的执行。 软件可能在没有人类直觉、也没有可见推理链的情况下执行70,000笔交易，而过去交易室一旦有人报出错误价格，整个房间就会立刻停下来。监管或许需要放慢部署，“不是因为它比我们聪明、会把我们变成宠物”，而是因为机构目前还无法检验输出是否正确。

AI“将变得非常、非常重要”，但这并不意味着每个模型或每家公司都会成为赢家。 Blankfein认为，由创始人主导的超大规模云服务商押上自己的财富与自尊，确实体现了强烈信念，但信念不等于正确。他认为，世界可能只需要4个大型语言模型，而不是10个；其中2个可能成为超级赢家，最终赛道甚至可能收缩到2个。

Goldman上市后仍保留了合伙制的行为逻辑：让员工对整个公司负责，再按公开市场的数学重塑盈利。 Glass-Steagall废除后，更大的资产负债表变得必要，但股东看重的是盈利稳定性：“私营公司看E，上市公司看P/E。”将自营风险转入基金，相当于把“100美分美元”变成风险更低的“20美分美元”，需要更大业务规模，却有助于获得更高的P/E和股本回报率。

Goldman在金融危机中的优势，来自在现实迫使公司就范前，先把估值打回现实。 独立估值团队要求交易员“出去卖点东西——卖掉一部分”，从所谓AAA资产中暴露出已经消失的买盘，并在仓位被迫出售前先把损失计入账面。Goldman还完全对冲了AIG敞口、要求抵押品，并履行了Chrysler等客户的承诺——但“不会更多”，也“不会提前”。

具有系统重要性的AI公司，应在舆论反弹到来前建立公众认可。 Goldman直到危机来临才意识到自己已经“太重要、太有影响力、太庞大，不能继续匿名”，但此前没有面向消费者的关系为其声誉提供锚点。Blankfein建议OpenAI、Anthropic等机构的领导者尽早解释自身的经济功能，因为当公众认定出了问题时，再保持谦逊和隐身就会变成负债。

🔗 原始收听与视频来源： Goldman Sachs董事长谈金融业为何以不同方式采用AI｜a16z

Jennings表示，12月第一周打破了延续数十年的员工人数与公司产出之间的联系。 Opus 4.6 和 Codex 5.3 突然具备在复杂既有代码库中工作的能力，让1-2名工程师的生产效率提升至“10倍、20倍或100倍”。Q1复盘后，Block裁减了略多于40%的员工。

这次裁员的构成，反驳了“这不过是清理2021年过度招聘”的说法。 开发部门的减员幅度远大于其他部门，而外呼销售和客户管理几乎未受影响；Block还保留了合规和合规技术职能。Jennings说得斩钉截铁：“我们已经不再手写代码了。这已经结束了。彻底结束了。”（“We’re not writing code by hand anymore. That’s over. That’s done.”）

Block用小团队监督大量机器劳动力，取代了功能团队模式。 Money Bot的团队从约15人变成4人，外加2,000美元的 tokens；Jennings表示，他如今会在最多14个并行生成PR的智能体之间切换上下文。会议数量下降70-80%，开发层级减少约50-60%，小队现在每组1-6人。

运营杠杆已从软件开发延伸至确定性业务流程。 Block的聊天机器人和AI电话客服已经自动处理大多数咨询。Block目前在风险和合规环节保留人工介入，但Jennings预计，系统最终处理这些队列的效率会超过“1,000名人工客服”。

Block押注，静态金融应用界面将在6个月内开始消失。 Goose是其不绑定模型的框架，可调用大约120个模型，为 Cash App 的 Money Bot 和 Square 的 Manager Bot 提供底层支持。生成式UI可以按需生成针对具体客户的图表，甚至餐厅排班应用；这既带来用户参与度的上行空间，也带来覆盖数千万用户的QA问题，可能“是一场噩梦”。

短期护城河仍包括分发、监管、网络效应和硬件；长期护城河则转为专有认知。 任何人都可能在1周内做出点对点软件，但不可能“vibe code”出5,000万-6,000万月活用户。Block要建立的护城河，是围绕其独特信号——买家和卖家如何参与经济活动——形成快速反馈闭环；因为那些说不清自己独有认知的公司，“可能会被 vibe code 掉”。

AI转型尚未解决Block与公开市场之间的脱节。 Haber指出，过去6-7年里，业务和人均毛利都在增长，但股价大致持平；Jennings承认，2021年约260美元的股价“有一点不理性”。他的回答刻意放眼长期：市场现在是投票机，之后才是称重机（“markets are voting machines now, weighing machines later”），所以“只管把东西做出来”。

🔗 原始收听与视频来源： AI 改变一切后，如何重组组织｜Block 的 Owen Jennings 做客 a16z Show

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

金融科技已从初创企业类别，变成金融服务的运营底层，但其资本周期依然极度季节性。 2020年中至2022年初的“大EDM狂欢夏季”（“big EDM pumping summer”）期间，约25%的风险投资资金流入金融科技；2022年下半年则“基本为0%”。David Haber认为当前周期处于“初春到仲春”：更强的幸存者、新创公司，以及借贷和整体经济中尚未消退的积雪。

第一轮金融科技浪潮解决了可得性问题，下一轮必须改善金融产品本身。 数字化如今可以让用户在1小时内拿到30份房贷报价，或在5分钟内完成Rocket申请，但正如Perret所说：“我们让它数字化了，但不一定让它变得出色。” 基于现金流的授信、更强的反欺诈控制、嵌入式金融和全栈产品组合，将成为下一批价值洼地。

短期内，AI在机构端最清晰的角色可能是自动化劳动力，而不是推出自主运行的消费金融。 Haber认为，金融机构正从防御式的内部开发，转向采购“真正能干活”的外部软件，覆盖合规、风控、服务、资金管理和交易。能够用50种语言工作的语音代理，展示了新的经济学： “总可服务市场主要就是劳动力”（“The TAM is largely labor”）。

消费金融代理仍是一个披着技术机会外衣的信任问题。 Perret希望有一款应用，能自动把工资分配到日常支出、高收益储蓄和投资中，但他怀疑普通用户是否会接受无法解释的资金流动：“我的钱在哪？这是怎么回事？” Plaid的策略是做基础设施：让用户安全连接数据并授权操作，同时观察新行为的形成，并防范由此出现的新风险。

AI已经让对手的扩张速度超过了防守方。 金融欺诈正以18%至20%的年速度增长，Perret对2026年的悲观判断是：“现在赢的是老鼠”，即便猫最终会获胜。AI已经取代了部分“杀猪盘”操作中原本由人工工厂完成的工作，而Plaid Protect则结合银行、设备和跨网络行为，对用户、账户和操作进行评分。

加密货币走向主流，靠的是熟悉的金融行为，而不一定是另起炉灶的系统。 Perret认为，投机、预测、储蓄、投资和消费都是持久的消费者需求，变化的只是产品形态。Haber预计核心金融服务与USDC等稳定币之间会出现一定程度的融合；Perret则不确定加密货币是否会与银行合流，Haber仍为其更去中心化的前沿方向留下空间。

Plaid的下一轮增长，建立在只有网络规模足够大之后才可能诞生的产品上。 Protect以及基于收入和支出的Lens Score，被定位为2026年的主要增长驱动；此前Plaid经历了11至13年的发展，包括签署出售给Visa的文件、交易逆转、金融科技寒冬和数次“重新创业”时刻。Perret认为，真正带来纪律和数据基础、从而加速产品开发的，是下行周期，而非繁荣期。

🔗 原始收听与视频来源： AI将如何重塑2026年的金融科技

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）

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