0907：Anish Acharya X Lenny’s Podcast：公司正在变成一串循环

用户9970

9月7日修改

今天看到 Anish Acharya 去了 Lenny’s Podcast 的播客。

Anish 是 a16z 普通合伙人，长期关注消费科技。他连续创办过 SocialDeck 和 Snowball，先后卖给 Google 与 Credit Karma，后来又在 Credit Karma 做到产品副总裁，并负责消费产品和信用卡业务。​

这期播客总共录了 79 分钟，Anish 谈到了 14 个有趣的观点：

1、AI 制造“永久底层”的说法，更像硅谷集体编出来的黑暗幻想。上一轮移动互联网依靠网络效应，把价值集中到少数平台；这一轮从基础模型、开放权重到编程 Agent，每层都有十几二十个有效玩家。竞争格局越分散，一个玩家领先几个月就永久锁死市场的概率越低。​

2、技术进步很快，经济扩散依然很慢。Anish 回到自己长大的小镇，发现普通人的生活几乎没有变化。企业还受流程、供应链、资本、监管和组织惯性约束，即使给 FedEx 或 Domino’s 配上一座装满博士的数据中心，包裹和披萨也不会立刻指数级增长，许多现实问题并不受智力上限制约。​

3、真正的分水岭，是公司愿不愿意围绕 AI 重组。给现有岗位配一个助手，只相当于工厂把煤换成电；围绕电力重新设计厂房，历史上花了约 40 年。Kavak 在墨西哥卖二手车，却让包括维修技师在内的员工参加六周“绝地学院”，结业要求是上线一个真实 Agent，这种改造已经越过了工具培训。​

4、公司会逐渐变成层层嵌套的循环。个人有自己的循环，销售、工程、客服、法务各有职能循环，业务单元再把它们接成更大的循环。一次 Bug 报告可以自动触发复现、修复、审查、上线和客户通知；一次产品决策也会继续触发营销、销售、合规与沟通工作。​

5、Agent 擅长把团队推到局部最优，人负责寻找下一座山。增长实验可以自动生成所有版本、测量结果、达到统计显著后上线胜者，再进入下一轮，可它最终会在同一套假设里停住。人类的价值落在分布之外的判断：发现旧目标已经不够好，重新定义问题，把循环搬到新的起点。​

6、AI 会让组织里的“好点子政治”变少。过去很多方案赢下来，靠的是提案人更会说服高管，或者刚好抢到了稀缺工程资源。执行成本下降后，团队可以把更多想法真正做出来并模拟用户反应，结果会暴露谁擅长从零到一，也会让人更安心地参与别人的好创意。​

7、每次 Agent 卡住，都在暴露一块缺失的知识或数据。Kavak 给每位客户配 Agent，遇到无法处理的情况就呼叫人类；人类解决问题后，完整轨迹会被记录，下一次同类问题便可以自动完成。管理 Agent 的关键动作，是持续找到它不知道的东西，并把经验变成可复用上下文。​

8、模型采购会按任务上限分层。发现新药有近乎无上限的回报，多一点智能也可能带来万亿美元结果，使用最贵的前沿模型仍然划算；关账一类任务有明确上限，完成得正确以后，很难再好一百倍，更适合便宜、稳定、经过专项强化的模型。企业最后会同时使用多种模型架构。​

9、理解模型差异，靠持续做东西。Anish 给自己定了一个规则：每个新模型发布后，都用它交付一个作品。他观察到 Qwen 擅长长任务和叙事，GLM 更偏精确和谨慎；这些“思维形状”只有在长时间执行、修改和交付中才会显现，跑几道标准题很难形成产品直觉。​

10、消费 AI 最大的机会，可能是一条“让我更快乐”的循环。多数消费者更愿意把时间花得开心，全球最大的消费产品也集中在社交和娱乐。健康、陪伴、亲密关系、创造和乐趣都可以被持续观察、反馈和改善，眼下的瓶颈主要落在产品设计与交互方式。​

11、聊天框要求用户具备很强的主动性，大众界面更接近 TikTok。消费 AI 需要找到聊天框和信息流之间的新形态，让产品主动理解情境、给出选择并形成连续体验。开放权重模型降低了免费产品的推理成本，个人 Agent 和新界面也开始补齐过去两年的缺口。​

12、护城河通常在产品跑起来以后才被发现。Cursor 早期依靠高频使用和高 NPS 获得时间，随后积累推理轨迹并训练自己的模型；很多大创意也由十几个外部看不到的小决策共同支撑。网络效应、规模优势、品牌和专有数据仍然有效，创始团队需要先做出让客户持续使用的产品。​

13、今天很多“增长问题”其实是想象力不足。自然口碑重新变得重要，因为现有社交网络都在阻止第三方借自己的网络长出新网络。产品若能提供足够强的功能价值或情绪价值，消费者已经愿意支付每月 200 美元，企业也敢签百万美元年费合同；定价可以反过来逼团队设计更大胆的产品。​

14、每周交付一个小作品，是建立 AI 直觉的可行频率。Anish 曾让 Codex 读取照片和短信，为妻子做了一份 20 页的母亲节幻灯片，还配上两人早年交往的消息和音乐。作品可以只服务一个人，也可以做完就丢掉；交付本身已经完成了学习，并让 AI 从抽象能力变成一次真实的快乐。​

---

精华片段

断断续续看完这期，我最喜欢的地方，是 Anish 把“AI 焦虑”拆成了几个很具体的组织问题：任务的上限在哪里，循环在哪里停住，人要补什么判断，以及产品究竟给普通人的生活增加了什么。​

他谈的乐观也很务实。模型继续进步，企业仍得改流程，产品仍得找到交互，个人仍得靠一次次交付形成直觉。下面按八个主题，把这次对话重新整理一遍。​

原节目：https://www.youtube.com/watch?v=LdIyXiq2DTY

官方逐字稿：https://www.lennysnewsletter.com/p/why-companies-are-becoming-a-series

#01 “永久底层”是一场硅谷黑暗幻想

主持人：很多人担心自己没跟上最新工具，就会掉进一个再也追不回来的阶层。这种恐惧有多真实？​

Anish：几乎不需要认真对待。上一代最好的生意是网络效应产品，它们天然走向集中；今天每一层都有大量有效竞争者。基础模型有多个实验室和开放权重路线，编程 Agent 里 Claude Code、Codex、Lovable、Replit 等产品也都在增长。​

主持人：模型能力仍在快速推进，突然起飞的风险呢？

Anish：很多快速起飞叙事都在同一个位置跳步：先描述已经发生的一切，再假定某个无法说清的事件突然到来。现实里还隔着漫长的经济扩散。更重要的是，真实经济里有大量问题受物理系统、组织和供给约束，智力只是其中一个变量。​

我觉得这里最值得记住的，是“技术速度”和“生活速度”可以同时成立。模型每周都在刷新体验，普通公司的预算、权限和流程仍按季度运转。把两条速度混成一条线，焦虑就会被放大。​

#02 使用 AI 与重组公司，中间隔着一座工厂

主持人：公司内部会出现熟练使用 AI 的人和拒绝使用的人之间的分化吗？​

Anish：大家低估了普通员工改善工作的意愿。Kavak 的“绝地学院”让维修技师也学习新工具，六周后要把 Agent 放进生产环境。真正的大变化，是整个组织开始围绕模型重新设计。​

他用了电力的例子。早期工厂只是用电动机替换蒸汽动力，生产布局没有变化；后来企业才重建厂房，让每台机器按需要获得动力。AI 助手对应前一个阶段，循环化组织对应后一个阶段。​

主持人：自动化提高效率以后，岗位还会留下吗？

Anish：大型公司追求的通常是更大规模。Google 的管理者看到两年路线图压缩到三个月，接下来最难的问题会变成往路线图里加入什么。生产能力上升，会推高组织对新目标的需求。​

#03 一家公司，会变成一串会自我推进的循环

主持人：所谓“循环公司”具体长什么样？

Anish：先看工程。Bug 进来后，Agent 复现问题、提交修复、完成审查；高风险改动交给人确认，低风险改动直接上线，随后通知客户。营销、销售、客服和法务都可以形成类似闭环，最后由业务级循环协调它们。​

主持人：增长团队也能这样运行？

Anish：增长循环可以生成所有实验版本，自动测量，在结果达到统计显著时上线胜者，并保留长期对照组。循环会一直爬坡，直到抵达局部最优。此时需要人提出新的方向，让系统从另一座山脚重新开始。​

这个分工很清楚：机器负责密集搜索，人负责更换搜索空间。人的判断很难被写成固定步骤，可一旦判断产生了稳定结果，后续执行又能被装回循环。​

#04 管理 Agent，就是处理它下一次不该再问的问题

主持人：职能变成循环后，人每天还要做什么？

Anish：销售、支持、战略和异常处理依然关键。模型遇到新情况时，需要有人判断缺的是知识还是数据。Kavak 的客户 Agent 卡住后会呼叫员工，员工一边解决当前问题，一边留下完整轨迹供系统学习。​

主持人：所以人类介入也应该产生复利？

Anish：对。同类问题下一次出现时，Agent 应该已经拥有足够上下文。人继续处理更少见、更模糊的新异常。​

这套方法把“帮 Agent 擦屁股”变成了知识建设。若同一问题每周都回到人手里，团队首先该补齐把经验整理成数据、规则、权限和评估的能力，单纯换更聪明的模型很难解决。​

#05 每个模型都有自己的思维形状

主持人：大家叫 Anish“模型侍酒师”。怎么判断每个模型擅长什么？​

0907：Anish Acharya X Lenny’s Podcast：公司正在变成一串循环​

0907：Anish Acharya X Lenny’s Podcast：公司正在变成一串循环