Ali Massa（Kavak）¶

背景: Kavak AI 负责人。此前创办 Opy Analytics（约 2013 年，前 transformer 时代的机器学习公司，自称服务过约 14500 家公司，做风险算法、物流、预测、营销）；ChatGPT 时刻之后与 Kavak CEO Carlos 一起加入 Kavak 做转型。
⚠️ 姓名与前公司名均来自自动字幕，本库未核实拼写。
Kavak 是什么: 拉美的二手车市场——买车、翻新、卖车并提供融资。为此还自建了金融科技、物流和一套 Carfax，因为"这些基础设施在拉美根本不存在"，只能垂直自建。
本库收录起点: 2026-08-10 a16z ACC podcast 访谈（37 分钟）

他在本库中的位置¶

⚠️ 这是本库第一个"传统实体企业把自己整个重建成 agent 公司"的一手内部叙述，而且已跑到 96% 交互、95% 交易由 agent 完成的规模。

本库此前关于 AI 落地的材料几乎全部来自卖方——Decagon、Netic、Lassie、Retell AI 都是把 agent 卖给企业的公司。他是买方兼自建方，而且是非科技行业、拉美市场、有大量物理作业（约 800 名技师）的公司。

⚠️ 由此产生一条本库应当反复引用的差异：卖方的诊断天然指向"我们来帮你做"（集成、FDE、落地服务）；他这个买方的诊断指向"没人能替你做"——难点是你不肯拆掉自己的组织。

他们问自己的问题："如果用 2035 年 Fable 10 或 GPT 10 级别的智能，我们会怎么建 Kavak？"然后照那个答案重建。
客户进来时生成一个专属 agent，带自己的虚拟机，记得该客户多年交互，自己定策略、设定最大化其终身价值的长期目标。
⚠️ 他明确与业界主流对立："人们还在用专家式的多 agent 系统在建，而我们醒悟得太晚才发现，有硬目标的长期运行 agent、而不是工作流，才能最大化客户满意度。"
⚠️ Opus 4.5 发布后，他们把跑了两年、已带来盈利的系统全部推倒重建——"智能已经不需要那个图和多 agent 的格架与 harness 了，因为它会约束这个级别的智能"。这是本库第一条"模型进步导致已盈利架构被主动作废"的一手记录，也是 swyx"能力过剩会吞掉自建脚手架" 那条判断迄今成本最高的一个实例。
⚠️ "self-improving organization"："人们现在都痴迷于 RSI，这会改进模型。但过去四千年里，人类的经济价值是由组织交付的，不是由个人交付的。所以你想要自我改进的，是能交付更多经济价值的那个组织。" ⚠️ 本库标注：这是一句主张，不是被验证的机制。

"我喜欢跑得极快，但要跑得快你得有刹车。我见过很多公司搞反了：他们因为没有对的刹车所以试图慢慢来。我反过来想：我们能跑多快？取决于我们 evals 的质量。"
⚠️ 一条可直接引用的经验法则：花在建 eval 上的工程师时间、token 和钱，与花在建 agent 上大致相同（约 1:1）。
测什么：第一位是业务结果——转化了没有。"大多数东西就是在这里崩掉的。"他点名批评测通话次数、通话分钟数这类表面 KPI。

⚠️ 本库 token 经济学条线里第一个由买方提出的分级度量：

层级	定义	他的评价
Tier 3（最有价值）	能算出每个具体 token 的 ROI 的 agent	"我现在能做到，因为它们流向的是在执行组织本职工作的 agent"
Tier 2	只能间接衡量	"我看到开发者在代码库里，至少能间接评估"
Tier 1（大多数公司在这）	人们只是在用 ChatGPT / 各种 coding 工具	"那些 token 后来怎么样了？我完全不知道。"

落点："这不只是采用率的问题。" ⚠️ 与 Elad Gil 的"投出去的 token 的回报率" 是同一诉求的两侧——Elad Gil 从投资人侧指出这个指标缺失，他从买方侧给出了可操作的分级。

⚠️ Jedi Academy：公司内部培训项目，从 CEO 到 AI 工程师到技师全员参加，由他本人设计并不断更新（"你没法把这些人送去斯坦福学，因为这是新东西"）。产出标准很硬：六周后向生产环境发布 AI agent。
⚠️ 他给员工的话，本库照录："各位，没有回头路……你可以选择去训练、去获得在这个新现实里胜任的技能，也可以选择离开 Kavak，如果这不适合你——但我们就是要往这走。"
⚠️ "为 agent 工作"是本库 AI 与就业的一个新象限：岗位没变，指挥链变了。
他先否定主流的 human-in-the-loop：agent 撞墙就丢给二线支持然后忘掉——"这不管用，因为你没有闭合回路，就没有产生能训练 agent 的数据"。
他们的做法：agent 调用一个 API 说"我需要帮助"，而另一边不是 agent 也不是软件，是一个人在帮它。
"如果你把这个画成组织架构图，那就是一支支人类团队，头上有一个 agent。"
还在招人的岗位在物理世界：墨西哥约 800 名技师，"有大量的灵巧性和感官，极难替代"。给他们配的是同一套 harness 下的助手（Ratatouille 式的"耳边搭档"）。

熊彼特的创造性破坏：创新冲击经济的方式不是在位公司采用新技术，而是在位公司维持原样、被新公司摧毁。
⚠️ 电力/福特的类比（本库最好用的一个历史锚）：福特流水线所需的技术在 1879 和 1881 年就齐了，工厂本可以早 40 年建成。但当时的人只是把煤机换成电机、保留四层楼加传动轴与皮带的老厂房——"是的，那能带来收益，但只有 6% 的效率。"要拿到那个支撑了美国整个 20 世纪的 3 倍生产率提升，必须把工厂拆掉、在平地上重建。
落点："计算机时又发生了一次。今天又在发生。人们想采用它，但不愿意重新设计整个公司……最后给你的是 6% 或 10%，不是 10 倍。这是产业规模上的创新者窘境。"

96% 的客户交互、95% 的交易完全由 agent 处理。
每天实例化 10 万个 agent（⚠️ 片头字幕作 10 万–20 万，正文另一处提到"另外 20 万个 agent"，数字前后不一致）。
数据库中约 1000 万客户；激活 1% 即"几亿美元"量级。
NPS / 客户满意度提升 3 倍；agent 转化率起初比人类团队高 50%，现为 2.1 倍。
车贷通常 3 分钟内批准（对照墨西哥等市场常规的两个月以上）。
⚠️ AI CEO 在墨西哥 Cuernavaca 运行 6 周：首月目标利润翻倍，实际 1.5 倍。⚠️ 样本极小、时间极短，且这是未达标的结果，被讲述为成功——本库保留这个落差。
技师助手上线后保修下降约 20–26%（⚠️ 原话为含糊区间，照录不收窄）。

日期	视频	主持
2026-08-10	Kavak 的打法：把一家公司围绕 AI 重建	a16z（ACC podcast，其中一位被称作 "Gabe"）