Elena Burger

Angela Strange 将 a16z 最初的国际化策略追溯到 Nubank 的 David Vélez 说过的一句话（由她的兄弟转述）：“与其竞争成为美国每位客户的第5家金融服务商，不如进入那些只有‘5家吃得饱、过得安逸的银行，却只服务20%人口’的市场。” 这套判断促成她在 a16z 开出的第一张支票——投给 Santiago Suarez 的 Addi，如今已覆盖哥伦比亚25%的人口，提供银行和支付服务；后来又与 Gabriel Vasquez 将当时拉美仅有的30家独角兽纳入 WhatsApp 社群的做法交汇。

Gabriel 概括了 AI 的两面性：这项技术“非常民主……它把获取技术的能力分发到世界任何地方”，但也把快速行动的中心聚集在湾区。 流向随之反转：不再是 a16z 飞往巴西和哥伦比亚，而是世界各地的创始人都想来到湾区；各国同乡网络也成为进入湾区的入口。Elena Burger 认为，这些网络的力量可能甚至超过名校校友网络；Strange 则说，它们往往缺乏组织。

讨论认为，无国界创始人可以利用3项先天优势——差异化人才池、政府背书的品牌和企业客户渠道——加速形成优先吸附效应。 Vasquez 将其称为“AI 奥运会”：每个国家都想要奖牌得主，因此波兰政府投资了 ElevenLabs，瑞典政府支持 Lovable 和 Legora，让它们在本国及邻近市场的企业验证上抢得先机。Strange 补充说，在美国“没人想成为第一家银行或第一家保险公司”，但无国界网络可以更快地在海外拿下首个客户 logo。

这座桥是双向的：Cognition 早期的市场拓展始于巴西，巴西占其早期收入的比例“非常高”，因为巴西企业希望快速采用 AI，而当地供应商更少。 更不直观、但新近显现的力量，是不同同乡网络之间的交叉连接——一家德国公司的首个设计合作伙伴是西班牙最大的企业集团；Vasquez 认为，这种能力“可能没有其他投资人”能从一开始就提供。

连续创业者是有意设计的获客切口：第一波本土创业者往往在没有把愿景走到底的情况下，已经做到10亿至50亿美元规模，“这个50亿美元的结果对我来说还不够”正推动他们开启第二次创业。 Frederik G. M. 的 Pip.com 尽管已有其他投资人关系，仍选择了 a16z，因为后者曾组织它与 DoorDash、Lyft 及被投公司的顶级高管共同构思；差异化来自共同构思，而非支票金额。

给国际创始人的实操建议是先解决签证问题——a16z 已投资 O-1 签证公司 Extraordinary——再在硅谷至少待3–6个月，而不是只停留几周。 Strange 说：“我从没见过一个来过硅谷的人说，‘这趟太浪费时间了。’” 真正的产品是速度校准：在人的行动速度上，“硅谷仍然领先于其他所有生态系统”。

长期来看，a16z 40%的投资投向国际创始人，其中一半在美国、另一半在其他国家。 Vasquez 希望，由硅谷以外公司贡献的风险投资回报占比从10%提升至20–30%。他认为，这个统计并不能完整讲述事实：许多无国界公司注册在硅谷，但工程团队的大部分成员可能仍留在创始人的祖国，因此这些公司可以同时被两个国家认作本国企业。

🔗 原始收听与视频来源： 初创企业的新地理格局

Joe Schmidt 的 2x2 框架，为评估企业级 AI 的两套销售打法提供了坐标：灯塔战略（买方暴露度高、案例背书会跨客户传播，适用于受监管行业和可触达客户数量有限的市场）与圈地战略（买方暴露度低、预算已存在且 ROI 可被证明）。 整个框架可以压缩成一句话：“证明在象限右上，算式在象限左下”——灯塔依赖能够迁移的标杆客户背书；圈地则是把买方当前为人工或软件方案支付的成本算清楚。

Andy McCall 讲的 Samsara 故事，是圈地战略的典型案例：2016—2019 年分阶段落地的 ELD 强制要求，迫使卡车运输行业同时寻找预算；面对 AT&T、Verizon 以及营收已达数亿美元、最高5亿美元的既有玩家，这家新进入者通过销售中端市场获得了助力。 他坦承：“没太多战略……谁愿意付钱给我们？”作为一家成立仅18个月的公司，打电话给最大的卡车运输企业，得到的回答是“我们不买”；而中端市场对社会证明的要求更低，也能快速反馈产品。

可交易的宏观判断是：楔子产品/PLG 时代是上一轮周期的产物，而现在“正是重新销售大型软件的时点”。 Joe 的逻辑是，2000—2008/10 年间的云平台（CRM、人力资源、ITSM、安全）赢下了平台层，后来者只能依靠楔子产品和先切入再扩张，因为云到云切换本质上只是“按钮是绿色还是蓝色”的无差别选择；但 AI“不是拟物化的一对一替代”，代理可以接管重复性工作，公司甚至能够重新思考基础平台。

这套组合图谱中，圈地型公司包括 Stuut（AI 应收账款——以“人加 AI”的催收模式，面向中端市场按营运资本算账）和 Pylon（原生 AI 客服，正沿着 ACV 阶梯上行）；灯塔型公司包括 Harvey（拿下最初几家关键律所后，“这个背书传播得非常远”）和 FurtherAI（面向最大的几家保险公司，以治理优先、前置部署团队切入）。 Decagon 则是客户导入的范例：“这是我们承诺要达到的基准”，然后“他们真的达到了”——发生在一个高风险、高暴露度的市场。

Andy 的 ACV 纪律是：“你会花很多时间思考它，然后尽量完全不再想它。” 交易必须先过单位经济门槛；过了之后就停止优化——如果你的销售引擎靠1.5万美元 ACV 运转，就不要接8000美元的单子，但所有1.5万美元的单子都应拿下，建立可复制的引擎，“给火堆不断添燃料”，再随着时间推移逐步向更高客单价上行。

AI 时代的 POC 规范是：考虑产品复杂度，为每次试用设定明确的截止日期（30/45/60天，“到期即止，没别的”）并预先定义成功标准，否则就会变成“科学项目”——由于模型每天都在进步，对“它还能做这个吗？” 的回答通常是“大概可以”。 Elena 补充说，在自动化此前从未被自动化的工作流时，配置本身需要付费，而且“产品能运行”与“产品被正确使用”可能是两回事。创始人应明确界定自己究竟承诺做什么、不承诺做什么。

创始人最大的错误，是过度谋划销售打法本身：只花1%的时间制定战略，99%的时间拿去执行；同时还会因为虚荣而选择目标客户——向 JPMorgan Chase 销售听起来比向 Morgan Chase 销售“性感得多”。 几乎所有大型公司最终都会同时采用两套打法：Moroi 和 Samsara 都从圈地开始，成熟后再垂直化为灯塔——前者进入学区，后者进入公共部门。

🔗 原始收听与视频来源： 选择销售战略：灯塔还是圈地

vLLM 已成为连接开放权重模型与主流加速器的广泛采用的执行层。 据介绍，它在任何时点都运行于50万块 GPU 上，支持超过1,000种活跃模型架构；NVIDIA、AMD、Google、Amazon、Intel 等厂商确保新芯片能够运行 vLLM，且往往以其作为基准。Simon 将其定位为 AI 的“数据库和操作系统”。

当应用公司需要超越专有模型套壳的差异化能力时，开放权重便从极客领域转向战略基础设施。 Matt Bornstein 提到，Cursor、Decagon、Harvey 等初创公司需要自有的中期训练、后训练、推理和部署技术。闭源 API 无法提供这种访问权限，因此开源深度嵌入应用栈；不过 Matt 也指出，OpenAI 和 Anthropic 的模型整体上仍然更常用、也更关键。

经济账越来越取决于可控的性能、可靠性和数据，而不只是更便宜的 token。 语音代理公司可以掌控基础设施，并确保延迟达到 SLA。Kimi K2 覆盖了近10倍的价格差距，价格低于 Claude 或 GPT-5，同时将 Opus 4.1 级别的模型带到用户可以自行运行和微调的基础设施上。开放权重服务商可能提供10档速度，包括在部分工作负载下达到每秒400–500个 token，而专有服务商通常只有普通和快速两种模式。

开放权重许可正告别无条件赠送，因为前沿模型训练不可能靠开发者无偿投入的时间维持。 模型实验室需要承担数百万或数十亿美元的算力成本，还要反复面对失败的训练运行，因此开始引入使用量门槛、衍生作品条款和商业协议。Simon 用制药行业作比：发布后的产品必须回流足够收入，支撑下一轮高风险研发。

审核失败可能让开放权重成为高信任、专业化场景的默认选择。 Simon 认为，专有模型的安全护栏仍然任意且容易误报；即使是 GPU 内核调试也可能触发限制，让2小时的工作付诸东流。“如果审核永远无法解决”，用户会偏好那些能针对可信用途自行控制护栏的模型。

Simon 预计，未来1年内开放与闭源之间不会出现实质性的能力差距，因为如今的进步更多取决于环境和算法，而非分发策略。 Moonshot 的前端编程闭环——生成、渲染、检查、迭代——是他的关键例子，这类环境无法简单通过蒸馏复制。他不认为蒸馏是进步的主要解释：真正持久的驱动力是“真正聪明的人”将算力、数据、环境和新方法结合起来。

🔗 原始收听与视频来源： 开源如何成为 AI 的骨干 | Inferact with a16z

UI 正在失去对访问入口的垄断，但系统记录仍然有价值。 Seema Amble 认为 Salesforce 的 Headless 360 基本只是对现有 API 的重新包装，但它至少释放了一个重要信号：agent 可能无需打开 Salesforce，就能调取 CRM 数据。真正持久的资产仍是「数据、逻辑，以及其下存储的一切」（“the data, the logic, everything stored below it”）。

老牌企业软件的护城河，与其说是屏幕，不如说是数十年沉淀并编码其中的业务逻辑与例外情况。 PostgreSQL 数据库加 API 并不能简单替代 SAP：软件部署记录了一家拥有10万名员工、横跨20个国家的公司如何运营、合规和决策。Steven Sinofsky 直言，创始人“严重低估”了客户已经内置于这些系统的复杂程度。

“Agent”这个词掩盖了3种经济意义完全不同的工作：查询、执行和分析。 查询本质上只是更宽容的界面；执行会带来身份、权限、凭证和付费席位问题；分析可以跨系统、跨模型运行，但必须经过验证，因为一旦出现幻觉，后果会变得严重。因此，Headless 访问本身并不能解决企业部署问题。

Agent 面临的核心挑战、也可能孕育新产品价值的，并不是常规流程，而是例外情况的长尾。 地域惯例、客户特定判断、权限和政策，往往存在员工脑中，而不是 CRM 字段里。Agent 可以通过观察通话和电脑操作来收集这些上下文，但“企业里几乎所有有趣的事情都是例外”，所以信任积累得很慢。

自动化更可能扩大企业软件的需求，而不是把一批固定数量的工作做完。 Amazon 的自动化退货创造了新的优化闭环；自动化费用和差旅流程可以催生新的绩效分析；AI 辅助合同可能变得更长、更复杂。Sinofsky 的概括是：“长尾并没有变短，只是换了一种方式变得更长。”

最强的创业切口，往往位于既有品类或组织职能之间，而不是直接挑战成熟巨头。 正面替代成熟系统，意味着要继承客户期待的“8,000件事”；AI 原生的叠加层则可以在销售与财务之间做翻译，把已收集的数据转化为行动，或捕捉过去不可见的现场活动。Sinofsky 的建议很简单：“瞄准中间地带，用新的方式做事。”

企业 AI 最可信的网络效应，可能发生在公司内部，而不是公司之间。 合规与安全要求让外部网络难以建立，但聊天工具只要创造出看得见的成果，就可能在同事间扩散，正如当年高级 Excel 用户会吸引同事围观。连接此前需要人工整合的不同职能，可能催生全新的品类。

🔗 原始收听与视频来源： 与 Steven Sinofsky 谈企业软件的新规则