跳转至

Lassie：把牙医诊所的行政工作交给 agent（a16z，2026-07-30）

⚠️ 转录稿只有 >> 换人标记、无说话人标签，且部分换人处漏标（Frédéric 的几段回答与主持人提问连在一起）。四人对谈，归属按内容与提问/回答关系判断。

⚠️ 自动字幕把大量专有名词转错，本页按公开信息（含视频简介，点名四位与会者）校正。对照表： Stein = Steijn Pelle；Frederick = Frédéric Renken；Sigma = Cigna（保险公司）；Saber = Sabre；Peopleoft = PeopleSoft；Netswuite = NetSuite；Lexus Nexus = LexisNexis；Teo = TiVo；Robin Hood = Robinhood；Superhum = Superhuman；Replet / repling = Replit；Charles CH swap = Charles Schwab；Ideal Lab = Idealab；Yogi Barra = Yogi Berra；Paduka Kentucky = Paducah, Kentucky；chat GBT = ChatGPT。 另有两处普通词被转错、影响读句：heart problem 实为 hard problem（[00:01:00]、[00:03:01]），glass mile 实为 last mile（[00:30:19]）。 人名 Dr. Quan / Dr. Guan / Dr. Guam 是同一人（Steijn 的牙医）；Dr. Sloop / Dr. loop / Dr. the loop / Dr. Mac 是同一人（Alex 的牙医 Ronald Sloop），全篇被当作"典型小企业主"的代称使用。

本页是本库第一份来自已在收钱的垂直 agent 公司的部署侧一手材料（此前最接近的是 DoorDash 与 Applied Intuition，但那是平台与供应商视角）。最值得记的不是 agent 本身，而是两条"模型能力不是瓶颈"的证据：模型不知道这份工作怎么做（工作流不在互联网上），以及联邦法规先把纸质支票赶走，AI 才有东西可自动化。

说话人映射（据补做分离的 speakers.md；转录稿本身无标签，此处认人属 wiki 层编辑判断）： 两位创始人 + 两位主持，靠互相第三人称提及逐个排除：

标签 占比 认定 依据
SPEAKER_03 45.6% Steijn Pelle "And by the way, Frederick worked at Superhuman on…"（[00:04:02] 块，100%）、"to Alex's point"（[00:15:10] 块，100%）——既不是 Frédéric 也不是 Alex，又以创始人口吻谈"we've built this agent"（[00:56:41]）
SPEAKER_01 16.0% Frédéric Renken 排除法；高纯度块以创始人口吻谈"spending the time in offices doing the work ourselves"（[00:18:11]，100%）
SPEAKER_02 30.5% Alex Rampell（主持） "guarded by Stein and Frederick"（[00:09:06] 块）、"make sure that Frederick didn't commit any crime"（[00:10:07] 块，均 100%）——不是两位创始人；又以"ChatGPT 之前/之后"的分界做宏观评点（[00:45:32]）
SPEAKER_00 7.9% Olivia Moore（主持） 点名发问"So, Stein, this whole company started…"（[00:01:00] 块，82%），并说"which Alex, I would say you were…"（[00:07:04] 块，100%），所以不是 Alex

概要

Lassie 做的是美国牙科诊所的行政自动化——保险理赔申报、患者账单、保险回款对账。公司 2020 年创立（[00:05:03]），起点是 Steijn 在自己牙医 Dr. Quan 那里看到的场景：一位 Yelp 上评分第一的医生，每月花 200 小时在文书工作上，手工提交理赔单（[00:02:00]）。两位创始人此前分别在 Robinhood 做增长/推荐、在 Superhuman 做产品（[00:04:02]），却先跑去客户办公室里亲手干了几个月这份活——Dr. Quan 让 Steijn"坐在这儿干"，宾州 Scranton 的 Dr. Shah 直接把财务权限全给了他（[00:05:03]）。

现状：已服务数百家诊所（[00:14:10]），首个 agent 达到 98% 自动化（[00:17:10]），增长主要靠牙医之间的口碑（[00:17:10]）。

核心观点

"软件从来没干过活"：Alex Rampell 的软件史框架

这是本期最完整的一条论证（[00:07:04]–[00:10:07]）：

  • 软件的起源是把文件柜放进数据库。零点是 Sabre Systems（IBM 与 American Airlines 的合资项目，故拼作两个 a），因为航空公司当时把订座记录存在文件柜里（[00:07:04]）。此后每个文件柜都对应出一家公司：HR 文件柜 → PeopleSoft，法律文件柜 → LexisNexis，会计文件柜 → QuickBooks / NetSuite（[00:08:05]）。
  • ⚠️ 但他的结论是反直觉的：世界并没有因为软件变得多有效率。"同样规模的公司，1950 年和 2000 年在 HR 部门工作的人数差不多"——只不过看守文件柜的人换成了 IT 部门和 CISO（[00:08:05]–[00:09:06]）。他自己注明"为了效果有所夸张"。
  • 变化在于软件现在能编辑文件柜，而不只是存储（[00:09:06]）。HR 不再只是存档案，而是去做背景调查、做入职、给人解释福利；会计不再只是显示逾期发票，而是打电话去催款——"这才是文件柜该做的事，而不是只把信息给你"。
  • 由此推出核心命题："工作的体量比工作所依附的信息存储大好几个数量级。"（[00:09:06]）
  • 市场扩张的两级台阶（[00:10:07]–[00:12:08]）：
  • 第一级是 fintech 的捆绑效应。以 Toast 为例：Toast 本可以在 1985 年就存在——大家都有 IBM PC，MS-DOS 也够用。没出现的原因一是太难用，二是 CAC——年流水 500 万美元的餐厅不会为一套 MS-DOS 软件付 10 万美元。但把支付处理捆进来，你实际上就是在收那 10 万美元（假设抽 2% 的 vig）。所以 fintech 把很多非金融市场的软件市场做大了。
  • 第二级是软件开始干活，"相比之下 fintech 只是让市场大了一点点"。因为现在可以按工作收费，而且比人更便宜、比人更好。
  • ⚠️ 但他立刻说这两条都低估了机会——"因为很多情况下你根本找不到一个人"（[00:12:08]）。

"市场失灵"框架：AI 打开的是供需均衡点右边的那一整片

这是本期在就业问题上最值得记的一条，因为它是经济学形式的、可证伪的表述，而非态度表态（[00:13:09]–[00:14:10]）：

"想象有一样东西，地球上每个人都愿意为它付 1 美元，但制造成本是 100 美元。你就有了一个市场失灵。我把这叫做econ 101 图上供需均衡点右边的所有东西。"

  • 具体例子：为什么美国每家牙医诊所没有一个说荷兰语的前台？因为只有百分之一的概率会来一个只说荷兰语的病人，而你得给这个人付 4 万欧元。"但如果它是免费的，或者只要 1 美元，那每个牙科前台都会配一个荷兰语搭档。"（[00:13:09]–[00:14:10]）
  • 同心圆的市场尺度（[00:14:10]）：软件市场约 1 万亿美元（"其实也不算小"）→ 外面一圈是金融交易（"所以 Visa 市值很大"）→ 再外面一圈的劳动"真的要大好几个数量级"。
  • 佐证是 Alex 自己牙医的故事（[00:12:08]–[00:13:09]）：Ronald Sloop 医生退休，部分原因是管账的关键员工走了，他招不到人，于是把诊所卖给了年轻医生。看到 Lassie 发布后他说"如果这东西早点有，我就不会退休"。Alex 的结论："不是说 AI 要抢走工作。很多情况下你根本找不到人。"（[00:13:09]）

SMB 与企业的根本差别：没有人来用这个工具

这是本期对产品形态最有解释力的一条，也是 Lassie 被迫做成全自主 agent 的原因（[00:18:11]）：

"SMB 和企业之间一个巨大的差别是，在 SMB 里没有人来用这些工具。你可以造一个工具，但没有人坐在那儿会去用它。"

  • 因此他们从第一天起的目标就是"把生意放到自动驾驶上"，而不是给客户造工具（[00:06:04]、[00:07:04]）。
  • 落到工程上的后果是不能有 human in the loop：Steijn 明确说"一个人可以说，很多 AI 公司其实还是那样——回路里有人，最终是软件工程师决定什么被部署。我们不能那么做"，所以必须造一个"宁可偏向正确"（errs on the side of correctness）的 agent，这也是它花了好几年的原因（[00:16:10]–[00:17:10]）。
  • 起步方式："最初我们自己就是回路里的人。我们把自己的问题自动化掉了。"（[00:00:00]、[00:18:11]）他们先把活全接过来人工做，自动化率够高了再把剩余部分交还诊所。
  • Frédéric："如果我们不知道这活怎么干，我不认为我们能造出现在这么好用的产品。"（[00:18:11]）

自动化阈值：95% 就出货，不等 100%

  • 内部标准是"任何产品做到大约 95%+ 就卖，不一定要 100%"——"我不觉得我们会等一个产品做到 100 再去做下一个"（[00:19:12]）。
  • 判断单位是整个生意而不是单个产品："这个生意有多少能被我们自动化、多少劳动能用软件做掉。一旦我们能接管一份工作就接管它，然后转去下一份，长尾的情况随时间慢慢学。"（[00:19:12]）
  • 为什么 95% 对小企业够用：诊所原本"活在噩梦里"——一周更新 200 次分类账、200 次登保险门户、200 次和银行流水核对；变成一周只需处理少数几笔，就省下 10–20 小时（[00:20:12]）。
  • 剩余的 2% 反过来是数据源："我们有数千名诊所员工在给我们输入"，告诉他们 agent 现在做不了的申诉该怎么做（[00:21:12]）。

⚠️ 单位经济学：定价锚在劳动预算上，不是锚在成本上

本期给出的几个数字可以拼出一张少见的完整图（均为嘉宾原话）：

数字 出处
全美约 160,000 家牙科诊所 [00:14:10]、[00:34:21]
每家每年约 200,000 美元行政成本 [00:14:10]、[00:34:21]
每家每月约 200 小时文书工作 [00:02:00]、[00:16:10]
首个 agent 每月只做 30 小时劳动，已收 五位数（美元） [00:16:10]
牙科常用报销代码 50–60 个、可能到 100 个 [00:50:34]
目标市场规模 10 亿美元 ARR [00:34:21]

两处值得单记：

  1. 收费明确出自 P&L 的劳动预算——"这确实是从劳动预算那一栏里出的"（[00:16:10]）。⚠️ 由上表推算（本库算术，非嘉宾断言）：200,000 美元 ÷ 2,400 小时 ≈ 83 美元/小时的全负担行政人力成本；五位数买 360 小时/年，大致与被替代的人力开支同量级。即价格锚定在人工价格上、而非趋近于边际成本——与 Machina 那期 Jonathan Hurst 关于机器人"价格由人类劳动力设定、因此是非常缺乏弹性的价格" 是同一条结构，此处是软件版。
  2. ⚠️ 他给出的 TAM 比自己的数字保守得多：160,000 × 200,000 = 320 亿美元的行政支出，而他只说"你看到的是 10 亿美元 ARR 的市场"（[00:34:21]）——即隐含约 3% 的捕获率。本库中创始人主动低报 TAM 的情形罕见，值得记下以便日后回看。

护城河：不是分发，是本体论 + 集成 + 监管时点

  • "没有 incumbent"是这类公司的结构性优势（[00:24:14]–[00:27:17]）。Alex 的反例是"给 Workday 做背景调查插件"——好到显而易见的点子，而 Workday 拥有全部客户。而"牙科软件那个巨无霸 incumbent 是谁？"根本不存在同一量级的对象。
  • ⚠️ 他同时指出 AI 让老规则的一半更不利于创业公司："大公司为什么复制不了小公司？原因之一是他们雇很烂的工程师、流程又多。但现在 AI 把一个烂工程师变成一个还行的工程师，所以这条借口有点站不住了。"（[00:24:14]–[00:25:14]）他的老命题保持不变——"创业公司与 incumbent 的战争，取决于创业公司先拿到分发，还是 incumbent 先拿到创新"（[00:00:00]、[00:25:14]）——但 incumbent 拿到创新的速度变快了。
  • 全期最精炼的一句，来自 Alex（[00:27:17]）：

"incumbent 名叫 Betty，她两周前辞职了。那就是 incumbent。"

  • Steijn 补的是护城河的正面构造（[00:28:18]）——恰恰因为没有 incumbent，反而更难建，需要三层叠加：
  • 与各系统之间的读写集成；
  • 一套跨系统可用的数据模型 / 本体论（ontology）——"必须让整个生态里的每个人对'一张理赔单'和'一笔患者付款'的定义达成一致，因为所有这些系统的定义都略有不同"；
  • 上面的 agent，"不实际干过这活是造不出来的"。
  • 另一层是 go-to-market 本身："你需要去敲几百万扇门"（[00:28:18]）。

⚠️ 本期最重要的一条：监管拐点是 AI 部署的前置条件

这是本库此前没有的角度（[00:52:36]–[00:54:38]）。Steijn 的原话结构很清楚：

"即使我们有那些模型，几年前你也做不了这件事，因为那才是当时的现状。文件柜真的就是文件柜。"（[00:52:36]–[00:53:37]）

  • 他亲历的场景：为 Dr. Quan 干活时，邮差递来一摞信，他一封封拆开、把 10 万美元的支票存进医生账户，再去处理支票后面附的逐项发票（[00:52:36]）。
  • 解锁点是联邦政府出手：强制这个行业必须向医生提供直接存款（direct deposit）选项，并且必须为逐项发票创建数字文件格式（[00:53:37]）。
  • ⚠️ 他给的数字是这类小企业约 70% 仍然收纸质支票，"正因为这个联邦的监管拐点，行业现在正在经历一场大规模数字化革命"（[00:53:37]）。"即使你五年前就有那些模型，付款还是纸质的。"
  • 而"为什么不是一键搞定"也有具体答案：Dr. Sloop 得花 50 小时分别和 Cigna、Delta 等保险公司搞清楚怎么切换；而且切换后钱进的是诊所主账户，你多半不愿意让员工看到那个账户（房租等其它数据都在里面）（[00:54:38]）。Lassie 把这个转换本身产品化了：给业务信息和税号，他们去做转换——"这可能是个更有意思的护城河"（[00:54:38]）。
  • ⚠️ Frédéric 给出的是需求侧解释，与 Alex 的软件史框架直接咬合（[00:55:39]）：付款至今还在纸上，部分原因是员工本来就更愿意在纸上手工干这活——你数字化之后得到的只是一个 PDF 而不是一张纸，"你还需要工具去用这个 PDF，不如直接在一张纸上干"。所以此前根本没有数字化的激励。

⚠️ 模型"不知道这份工作怎么做"

Frédéric 对"还有什么硬问题"的回答，是本期技术侧最锋利的一条（[00:46:33]–[00:48:34]）：

"模型是在那么多数据上训练的、又那么大，然而它们其实根本不知道怎么干这些活。它们没有以任何形式编码这些工作流。"

  • 他们现在必须去收集 SOP 和文档——比如"该怎么向某个 payer 提交保险理赔"。相当一部分知识编码在办公室主管的脑子里，"很奇怪地在互联网上并不那么容易拿到"（[00:46:33]）。
  • ⚠️ 一处坦白的预期落空："我们开始用后来的那些推理模型时，其实假定它们大概就会干这活了，因为——它们为什么不会呢？但结果是它们并不知道大多数工作流的那些细节。"（[00:47:34]）
  • 他们的替代路径是从客户 ERP 里的历史数据反推工作流（[00:47:34]）。
  • 他个人期待的方向是更小、学得更快、用更少数据就能学的模型，直到"智能散布到所有地方——比如皮克斯那盏有自己性格的台灯"，但"感觉我们离那个还非常远"（[00:47:34]）。
  • 落到产品上的问题是：怎么从人那里拿到"他们过去是怎么干这活的"这类输入，并转成能让 agent 变聪明的形式——他把这明确称为一个产品/UX 问题而非纯模型问题（[00:48:34]）。

"争论的边际成本归零"之后，保险生意会怎样

Alex 提的是本期最好的一个开放性问题（[00:48:34]–[00:50:34]）：Cigna 只寄纸质支票、连线上登记都没有，"他们其实是指望你把支票弄丢、或者不去存，就是这种刻意的拖延"；理赔一侧是"拒、拒、拒"，投保一侧是"假装我家烧掉时里面有一幅毕加索"——两边本来就在互相欺骗，这在保险业不是新鲜事。那么当双方都有了一个成本几乎为零、可以无限争论下去的超级工具，会发生什么？

Steijn 的回答绕开了"军备竞赛"叙事，给了两条现实机制：

  1. 这件事其实规则明确（[00:50:34]）。Cigna 有文档写明：给出这张 X 光片加这段说明，就予以覆盖。难的是人记不住——牙科有 50–60、可能上百个常用报销代码。而 agent 手上有全部文档、有相关 X 光片、知道怎么构建治疗方案，提交后"保险公司照规则办就行"。
  2. ⚠️ 保险公司有一个反直觉的正向激励（[00:51:35]）：Cigna 每年要去说服雇主续保，而雇主会看本地网络内有没有好牙医可去；如果没有，市场有竞争，雇主就换一家保险公司。所以保险公司有动机把好医生留在网络里——这条把"保险公司必然对抗理赔"的默认叙事削弱了一层。

小企业变好开了，会不会反而变得更难做

Alex/Olivia 的提问本身值得记（[00:41:30]–[00:43:30]）：软件很容易被复制（"我在 Replit / Lovable / Claude 上重做了一个"），但"要复制 Dr. Sloop 的诊所难得多"——因为小企业的护城河恰恰是交付最终产品所需要的那一堆人的累积。如果人可以被"凭空变出来"，这条护城河就没了，可能压垮小企业的利润率。Alex 用 Yogi Berra 那句自相矛盾的名言收尾："那儿太挤了，已经没人去了。"

Steijn 的回答是一条明确的可证伪断言（[00:43:30]–[00:44:32]）：

"这假定了需求是有上限的。"

  • 他认为牙科（以及水管工）当前能被满足的需求只有实际需求的一半。"如果美国有五十万个牙医呢？或者同样数量的牙医看两倍的病人？"
  • 他以荷兰的全科医疗做对照：在美国很难找到一个在你社区里、认识你和你家人的好全科医生（[00:43:30]–[00:44:32]）。
  • 结论："这解锁的是人有两倍的时间投在手艺上"——"没人真的会反对帮小企业主清理杂活，他们本该去烤派、修指甲、洗牙"（[00:44:32]）。

招人与组织：两条"一变一不变"

  • 没变的（他自称这是 contrarian take）：还是要"斜率陡"、极有野心、在工程或销售上处在前 5% 分位的人（[00:39:28]）。他用田径做类比——自己差点成为职业运动员、朋友进了奥运——"奥运级别的跑步还是老样子：一天练两次、逼到极限，这在心理和体能上不是每个人都能给出来的"（[00:40:30]）。
  • 变了的：他们专门面试候选人的"AI-pilled 程度"——你是否相信写代码的方式会因这个时代而彻底改变？搭建一个财务部门是否会完全不同？目标是造一个"2026 版本的大组织"，"我们出货是别人两倍、移动速度是四倍"（[00:39:28]–[00:40:30]）。
  • ⚠️ 他把这明确说成一个尚未验证的实验："这是我们正在做的大实验，很好玩——看我们能多快搞定全美所有牙医。"（[00:41:30]）
  • Frédéric 从 Superhuman 带来的是对 ICP 极严格（[00:36:23]）：如果 onboard 错了诊所、结果没法自动化多少活，"我们就卡住了……这比旧世界的产品要痛得多"。onboarding 被设计成"像故事、剧本或电影"，有明确的检查点和时间窗，并且被度量（[00:37:24]）。

产品构建方式的变化：从"能做什么"到"能免掉多少活"

Frédéric 给的是本期最干净的一条产品方法论对照（[00:37:24]–[00:38:26]）：

  • 过去做产品想的是功能，是"让用户能做某件事"；现在只想"我们能自动化什么劳动、能省下哪些时间"。
  • 以患者账单为例：旧做法是造"发送账单"和"接收付款"两个功能。但真正的时间去哪了？——去在"我们要寄给患者的这个金额对不对"，以及账单寄出后患者打电话来问"我为什么欠这个钱？我以为这个是能报销的"。时间花在客户沟通这类模糊的部分上。
  • 因此他们的验收标准是："我们交付患者账单之后，诊所就不应该再在患者账单上花任何时间。"——"这和给他们一个还得自己用的工具非常不同。"

最后一公里：怎么把 agent 卖到爱荷华去

  • "AI 在硅谷被高估，在爱荷华被低估。"（[00:00:00]、[00:30:19]）
  • 与当下前沿打法的对比很直接（[00:55:39]–[00:56:41]）：企业侧是"模型够好了，吃几顿牛排晚餐，签个合同，10 万…1000 万 ARR 入账"；而他们要去找成千上万、乃至几十万家小企业。
  • 具体打法是逐户测绘：这些牙医在哪、谁是老板、用什么系统、有没有意向信号（比如在 Indeed 上招人）（[00:56:41]）。
  • ⚠️ 反差最强的一句（[00:56:41]–[00:57:42]）：卖 HR 系统给科技公司的人，是"在 Clay 里找到我、用 Apollo 数据做 enrich、再去 LinkedIn 看我"。"但 Dr. Sloop 不在那个数据库里。他常常根本不在 LinkedIn 上。"
  • onboarding 侧的消费级要求（[00:31:19]）：在 Robinhood 和 Superhuman，"你有 48 小时的时间窗，东西跑不起来、没提供核心产品价值，你就出局"；医生也一样。现在的流程已接近自助：Stripe 式结账 / Replit 式引导 → 接上诊所银行账户 → 接上 system of record → 接上各保险门户 → 确认执业医生信息 → 底层自动配置。他称距离完全自助"还有几个月"（[00:32:20]）。参照系是 Robinhood 当年把开户做成无人工介入（KYC 与绑卡都在底层跑完），"在那之前你得走进营业厅"（[00:32:20]）。

Master plan（三步）

Steijn 主动称之为"master plan"（[00:33:20]–[00:35:22]）：

  1. 终局：每一家小企业都应该自己运行自己，杂活由 agent 干。企业的 agent 去对接消费者的个人 agent，再去对接保险公司或其它相关方的 agent。
  2. 第一步：先吃下牙科（16 万家 × 20 万美元劳动成本，且招不到人），对应约 10 亿美元 ARR 市场。
  3. 第二步：再挑一个同样服务不足、TAM 够大、且同样需要消费级产品的诊所类型。
  4. 第三步：泛化到所有小企业——因为抽象地看，所有小企业都有一个要读写的 system of record、都有客户（在诊所里叫患者）、都围绕付款交易、都要预约（[00:35:22]）。目标地理明确指向爱荷华、肯塔基 Paducah，以及（Steijn 的）阿姆斯特丹和（Frédéric 的）汉堡（[00:35:22]）。

与本库其它观点的关系

  • 对 Steven Sinofsky "企业里所有有趣的事都是例外处理" 的两处修正：① Sinofsky 说例外只在人脑里、不在字段里；Frédéric 的"模型不知道工作流、知识编码在办公室主管脑子里、互联网上拿不到"（[00:46:33]）是同一命题的模型侧证据，而且更强——它说的不是软件抓不住例外，而是前沿模型也没学会这份工作的常规部分。② 但 Lassie 给了 Sinofsky 没给的解法：不追求 100%，95% 就出货，长尾靠部署后从数千名员工那里收（[00:19:12]、[00:21:12]）。
  • 对 Sema Amble 的 headless 软件命题是一个纯粹样本：Lassie 从第一天起就明确"不给他们造工具"（[00:07:04]），而且给出了一个 Amble 没给的必要性论证——SMB 里没人来用工具（[00:18:11]），所以 headless 不是审美选择而是约束。
  • 对 Benedict Evans "模型商品化、价值上移"是本库最直白的一条应用层佐证：他们先建好 context 层和工具层，"模型变好之后我们就把自己的智能替换掉，产品自动变聪明"（[00:06:04]–[00:07:04]）。这正是 Evans 所说"价值向上游走"在被投公司口中的复述。
  • 与 Akshay Nathan / OpenAI 的"万物应用"构成一组护城河对照：OpenAI 把分发当护城河；Lassie 的护城河明确不是分发（他们承认要一扇扇敲门），而是本体论 + 集成 + 监管时点（[00:28:18]、[00:54:38]）。两者都不押模型。
  • 在 AI 与就业 上补第六种象限：此前本库已有"任务重排"（All-In 双访谈）、"本来就没人在干"（Boston Dynamics）、"反事实而非替代"（Mark Cuban）、"自动化更多 = 人更多"（DoorDash）。Lassie 加的是市场失灵的经济学形式（[00:13:09]）——被自动化的不是既有岗位，而是均衡点右边那些以现价永远不会被供给的服务。它与 DoorDash 那条最接近，但论证更硬。
  • 与 Machina 四家机器人公司的定价结构同构：Hurst 说机器人"价格由人类劳动力设定，因此非常缺乏弹性"；Lassie 的五位数定价同样出自劳动预算而非成本加成（[00:16:10]）。两条独立路径得出同一结论，值得日后一并核对。