跳转至

Netic（Melisa Tokmak）：给"让世界运转的生意"造自主企业（No Priors，2026-07-31）

  • 嘉宾: Melisa Tokmak（Netic 创始人兼 CEO；前 Scale AI 工程总监 / go-to-market，更早在 Meta。转录稿自动字幕将其名误记为 "Melissa Takmack"，公司名在多处被误记为 "Ned"/"Etek"/"ETIC"/"NetIC"）
  • 主持: No Priors——本期由 Elad Gil 主问（他在 [00:06:12] 自陈"我是 Netic 的投资人"，并在 [00:15:16] 自述"四年前我在投 Harvey、Perplexity，稍晚是 Decagon 和 Abridge"）；另有一位主播参与提问（问 agency 筛选与 PE 那几段）。⚠️ 转录稿只有 >> 换人标记、无说话人标签，第二位主播未被点名，本库不做认定。
  • 来源: YouTube · 34 分钟（自动字幕）
  • 转录稿: sources/no-priors/20260731-wWbX3NL6_Uo

本期与同一天的 Decagon 那期 构成一组罕见的同日对照：两家都在做"企业与其客户之间的那一层 agent"，都被问了同一个问题——实验室会不会把你吃掉——给出的答案在结构上一致（模型不是瓶颈，harness/编排/业务逻辑才是），但落点完全不同：Decagon 押横向（客服→AI concierge，跨行业通吃），Netic 押垂直的实体服务行业（HVAC、管道、电气、宠物、健身、酒店、汽车）。

本期真正的独特价值有两条，都不在 agent 本身：① 一个正在这些行业里真实部署的人，对机器人时间表给出了明确的看空理由——"如果机器人要做我们今天做的事，外面每一栋楼都得被 3D 打印出来、或者完全标准化"；② 她把"实验室能不能做这个"这个问题的常见答法反过来讲——不是"我们有数据护城河"，而是"当我们拿到 AGI 再去问它怎么解决基础服务业——这在运营上和智识上都有点懒惰"。

⚠️ 利益相关：主问者自陈是 Netic 投资人。本页按"X 认为"记录，公司自报数字（70%、6 亿美元）均无第三方来源。

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）： SPEAKER_02 = Melisa Tokmak（嘉宾，81.5%）、SPEAKER_00 = Elad Gil（主持，16.9%）。 依据：SPEAKER_00 念开场"Today in No Priors we're joined by Melissa…"与"Welcome to No Priors, Melissa"（[00:00:05]，100%）， 与页头"本期由 Elad Gil 主问"一致。SPEAKER_01（33 秒）为碎片。

概要

Netic 做的是"运转着这个世界的数百万实体生意"的 AI：它坐在企业与它的终端客户之间，从理解客户需求、匹配业务运营规则、一直到调度服务与劳动力，全部在 Netic 上发生（[00:00:05]–[00:01:05]）。目标客户不是小店，而是年收入十亿美元级别的家庭服务/健康/酒店/汽车/宠物企业，其中很多由私募股权持有。

她给的场景是本期最好的入口（[00:02:06]）：零下 20 度、你家暖气坏了，你要在众多服务商里挑一个信得过又能来的。如果这家用了 Netic，你打电话、发短信、上网站，接你的都是 Netic 的 agent——问你住什么样的房子、有没有你的历史记录。而后面的判断远比"Eli 家暖气坏了→派 Melissa 去"复杂：你家是什么机组、需求是什么、今天还是明天、你的客户终身价值是多少、该不该今天就派那个只会修锅炉或只会修新式系统的最好师傅（[00:03:08]）。

核心观点

一、被替代的"在位者"是人，不是软件

  • "在我们之前，他们主要是靠人做这件事。" 这些公司极大，而且恰恰因为要不停往人身上投钱才能谈增长，所以长不动；它们是 EBITDA 生意，很多由私募股权持有，必须在意利润率（[00:04:09]）。
  • 她给出的资源分配论证：这些生意很多是商品化的——"你不接我电话，我就去 Google 的下一条搜索结果"；所以钱应该投在蓝领劳动力（真正交付的人）身上，而不是投在支撑工作流的几百号人身上。
  • 本期最具体的一手场景（[00:05:10]）：一家十亿美元收入的公司里的一天——生意早上 4 点或 5 点开始，那时公司里一个人都没有；技师 6 点上工，但在那之前无人接应；你作为经理来上班，发现那天有至少三个人辞职、五个人没来；而因为全国正在热浪，客户从 6 点起就在堆积。这些还是周期性生意（冬夏、假日季、健身季），旺季没接住就撑不住全年。
  • 当前渗透状态（公司自报，[00:06:12]）：最初很多客户是拿 Netic 接溢出话务；今天超过 70% 的客户是"AI first"（她们内部叫 "netic first"、"N1"），且超过 70% 的情况下终端客户与这家公司的第一次接触就是 Netic 的 agent。

二、为什么不做 rollup——三条理由，第三条最有价值

被问到"为什么不像 Long Lake 那样直接买下这些生意再用 AI 优化"（[00:06:12]），她给了三条（[00:06:12]–[00:10:15]）：

  1. 想在世界上造什么：她在 Scale AI 待了约四年，建过政府事业部和物流/制造/金融/医疗的大企业事业部；"能在世界上造成的有形影响是不可思议的"。她加了一段个人史：在土耳其一个很小的镇上长大、一无所有，拿到斯坦福全奖来美国之前连电脑都没有，"我整个镇子的人干的就是这类行业"（[00:08:14]）。她的观察是——硅谷谈影响力，但"绝大多数公司真正服务的只是别的创业公司或科技公司"。
  2. 技能匹配：rollup 里最重要的事是 M&A 本身——"我不是做 M&A 的人，我是 builder、工程师、产品的人。我不想建一个'我能提供的东西显然不是最重要的东西'的生意。"（[00:09:14]）
  3. ⚠️ 产品的规模上限（这条最像结构性论证）：tech-enabled rollup 里"你造的所有产品都是为你刚买下的那家公司造的，没法真正应用到别的公司"。所以做 rollup 等于把自己锁死在已买下的那几家、那几个行业上；而她要的是"每一家实体生意都能跑在 Netic 上"（[00:10:15]）。

她还给了一条技术上的自私动机（[00:08:14]）：AI 已经很擅长辅助消费者、做 co-pilot，"下一个最未解的问题是：怎么把 AI 用在 mission-critical 的工作流里？完全自主执行的系统长什么样？"

三、机器人：同一本书的不同章节（本期最该被单独引用的一段）

这是本库里第一份来自"机器人本该去做的那些活"的实际承包方的时间表判断（[00:10:15]–[00:12:16]）：

  • "你大概是在看同一本书，但是不同的章节。我们现在谈的是接下来几十年的章节。未来确实有一个章节全是机器人。但在我合作的一些行业里，那个章节相当遥远。"
  • ⚠️ 她的核心论证是环境标准化，不是本体能力：

    "如果我们往窗外看，看每一栋楼——如果机器人要做我们今天替这些公司做的事，那每一栋楼都得要么被 3D 打印出来、要么被完全标准化。我看不到那件事会发生。"

  • 补充的能力侧理由：灵巧性还差得远——不同类型的螺丝怎么处理、什么样的房子、怎么进到狭小空间；而且"很多时候根本看不清要修什么，你得先把整面墙打开"。
  • ⚠️ 第三条理由是本库此前没有的角度——人的因素："很多人跟这些行业打交道的时候，那是他们人生中最糟糕的一天"——家里被淹了，或者只是想减压去 Bay Club 打个网球。她的意思是这类交互里有一个情绪/信任成分，不是把执行动作做出来就完事。
  • 她自己公司的方法论对照：她强调"我们公司每一个工程师都必须去客户现场，才能回到旧金山造出对的产品"（[00:10:15]）。

四、"实验室能不能做这个"——她的三段回答

被问到 OpenAI / Anthropic / Google / Meta 会不会吃掉这块（[00:12:16]–[00:15:16]）：

  • 先把问题降温："我对这个问题有点想笑，因为 10 年前一模一样的问题是'Google 能不能做这个'，现在变成了'实验室能不能做这个'。" 有些核心能力他们当然能做，但有些他们根本不投。
  • ⚠️ 焦点论证（她给的最锋利的一条）：

    "这对这些企业来说会是个好笑的问题——OpenAI 造好产品造得非常快，但它砍产品也砍得非常快。我不认为这些行业的企业在找'非常快'这件事。" 反例是 Anthropic："硅谷已经收敛到一个共识——它是因为专注才在编码 agent 上跑出来的。但在企业侧你看到的恰恰相反，那里有大约 20 个产品，到底在发生什么？"

  • ⚠️ "研究员想解最可泛化的那个问题"这条，是本页最该被引用的一句（[00:14:16]）：

    "研究员真正在乎的是解掉那个问题最可泛化的形式。放到我们要解的问题上，答案就成了'等我们拿到 AGI 了，再去问它怎么替基础服务业解决这件事'。我觉得这在运营上和智识上都有点懒惰。"

  • 落点是三层都得好（[00:15:16]）：要服务全国上百万有完全不同顾虑、口音、语境的人，还要让他们回头再买，"有相当长的一段 last mile，那不只来自模型，必须来自你的 harness 与编排、来自你在上面造的软件和产品。所以像我们这样的公司必须在三层上都做得好"。（⚠️ 转录稿此处把 "last mile" 误记为 "lost mile"。）

五、创业心态：为什么现在的创始人过度害怕实验室

这是 Elad Gil 抛出的一个观察，她的回答是本期最像"文化诊断"的一段（[00:15:16]–[00:18:20]）：

  • Elad 的观察：四年前他投 Harvey、Perplexity，稍晚是 Decagon、Abridge；"现在的创始人几乎有点太担心实验室了，所以不进新垂直、躲开自认为在实验室路线图里的东西——放在传统年代人们会更硬碰硬一点。这有点出乎意料。"
  • 她的归因："因为现在有很多建设是围绕'我怎么能马上退出'展开的。"
  • ⚠️ "做创始人以前是件更体面的事"：她自陈在创业前真的去找过工作——先问有没有我想造的东西、有没有我更想帮的使命，"做创始人是件非常难的事，你得投入自己接下来几十年的整个人生。这不是可以轻率决定的事。"
  • ⚠️ 她对 Gen Z 心态的诊断（本页最可能被引用的一句社会观察）（[00:17:20]）：

    "尤其是 Gen Z，最近我在招人时看到的是一种'永久底层'心态（permanent underclass mentality）：如果我不在接下来 18 个月里赚到钱、不在接下来 6 个月里学完世上所有东西，我就永远穷了；或者是一种 AGI-pill 的看法——18 个月后 AI 就会吸收掉大量人的技能，所以你的价值在下降。" "我认为这其实是一种非常危险的心态。事实上真正好的东西要花非常长的时间才造得出来。"

六、招聘：agency + 跟进（follow-through）

  • 她要的信号不是"一个 agency 的例子"，而是"只要你活着、有意识以来，你在做的事情上是不是持续在展现 agency，以及你有没有一直坚持下去"（[00:19:21]–[00:20:22]）。对应届生她会挖："大学里做过什么？为了进大学做过什么？有没有一个你真的在乎的项目？不是'我做了一个周末'，而是你有没有一直做下去？"
  • 她只问一个问题然后往深里挖："你这辈子做过的最难的事是什么"——可以是人生里任何事，很多时候会听到别人的私人经历，"重点不是他们选没选那件事，而是他们怎么反应、控制了什么、怎么把能控制的东西抓在手里去改变未来"。
  • ⚠️ 一个有意思的分歧：Elad 说他过去问过同一个问题，因为回答太差而不再问了（"至少在我当时看的那个招聘池里"）；她说她拿到的答案很好，只是非常不同（[00:20:22]）。同一道题在两个人手上效果相反，这本身值得记。
  • 她举的那个"第一次有人这么答"的例子（[00:21:22]）：一个刚入职的人说"我过着非常简单的生活，我深切在乎我的工作，我对健康有一套近乎疯狂的作息……最难的事就是我把这套坚持了十五年以上，每天，不厌倦、不想别的"。她的判据是"每个人的故事都不一样。你是怎么造出你自己的故事的？"
  • 她的反面标签："我们很努力地避开 shiny object seekers（追亮闪闪东西的人）。" 配一个她读到的、归给马丁·路德的说法（[00:18:20]）：基督徒鞋匠荣耀上帝，不是靠在鞋上缀小十字架，而是靠做出最好的鞋——因为上帝在意的是手艺。

七、这些行业不是"守旧"：原始与超前并存

  • ⚠️ 她认为"这些行业老派"是一个大误解（[00:23:23]–[00:24:23]）："我见过的最技术前倾的生意人/老板/创始人里，有一些恰恰在这些行业。"因为服务的是大企业，它们极度看重价值、也必须技术前倾。
  • 一条可核验的销售速度数据（公司自报）：刚签下的一单大约 50 万美元合同，从头到尾走了 14 天——"不是因为我是什么神药，而是他们对该做什么非常有想法、也在核对价值确实存在，连买东西的行为都是如此"（[00:24:23]）。
  • ⚠️ "极度原始又极度技术前倾"的那个例子（本节最好的具体案例）（[00:24:23]–[00:26:24]）：一家大型屋顶公司仍然需要 door knockers——挨家挨户敲门聊屋顶和太阳能；而与此同时在 Netic 上，他们接入卫星数据来判断不同社区的飓风对不同屋顶的影响、该考虑什么材料，并把这些自动喂进 agent 的上下文——不只是让对话时更有准备，还能定位该去敲谁的门。她强调这些数据/需求他们本来就在琢磨（用别的工具或人工筛），Netic 做的是把它收进一个平台。

八、私募股权侧：playbook 已经变了

  • ⚠️ PE 老打法失效（[00:27:24]）："以前是我们去找一颗有惊人倍数的宝石，换掉团队、创造价值、再卖掉。但那种未被发现的宝石现在基本不存在了。" 所以打法转向"怎么在我们已经持有的这些生意里创造出有形价值"。
  • 她观察到的两类偏差：一类倾斜得太狠——"把所有东西都当软件来试"，用一周试完就下判断；她的反命题是"AI 产品的第一周不该是你评估平台的方式，那应该是关系的开始——你要确认那些结果全年都在，而且越来越好、不是越来越差"（[00:27:24]–[00:28:24]）。另一类则动得慢。
  • 她卖东西的方式是给活的部署，不是给 demo（[00:29:25]）："我们不放 demo，我们拉出一个正在跑的部署……你问我北极星——到目前为止我们已经为客户创造了超过 6 亿美元，全部来自 AI 处理的交互。"（公司自报数字，无第三方来源。）
  • ⚠️ 她对 PE 关系的边界很清楚："私募股权更多是对它持有的公司的指导，很多时候不存在那种能把东西硬塞进公司喉咙的关系，但你可以做一个好的顾问，告诉公司该看什么。"（[00:29:25]）
  • ⚠️ 本期最该记的价值主张分歧（[00:30:26]）：

    "第一次对话总是非常聚焦在砍成本上……我不是来给你砍成本的。当然那也在以某种方式发生，但我真正感兴趣的是你要怎么赚到全新的收入。……如果我们只把 AI 用来砍成本，那会挺可悲的。"

九、她最期待的：教育，以及紧跟着的一个反转

  • 教育（[00:30:26]–[00:31:28]）：接回她自己的故事——当年她能做的"技术"，就是找到一两个从她高中毕业、已经在美国读大学的人，用 Facebook Messenger 请他们看看自己的文书。"我会回答教育，因为它会改变太多原本根本不会想到这个世界存在的人的人生。"结论句是"我们把世界变得更关于 agency 了"。
  • ⚠️ 但她紧接着自己泼了一盆冷水（这段比前半段更值得引用）（[00:32:28]）：Elad 说"最大的一课就是你可以直接去做事，你不需要许可"；她的回应是——

    "但这也让它变得有点吓人：当你看到人们不去做事的时候，那就是这件事的反乌托邦版本。因为在任何一个时代、任何一种技术下，你本来就一直可以去做事。最后它落在你必须做的那个选择上。我们把这个选择变得越来越容易、越来越容易——但我向你保证，世界上大多数人仍然不会做那个选择。" 她保留的乐观是："至少我们把资源这件事从问题里拿掉了。"

  • 第二件她期待的事：现在美国（乃至普遍）关于 AI 的主流叙事非常负面；而她做的用例往往正是"人生中最糟糕的一天"、或者教育、或者看懂自己的健康记录——她希望人们与 AI 的第一次接触不只是"XYZ 要消失了、工作要没了"（[00:32:28]–[00:33:29]）。

与本库其它观点的关系

  • 与同日的 Decagon 那期 是一组结构性对照：两人对"实验室会不会吃掉应用层"的回答都落在应用层承担的是模型之外的东西（Netic："必须在三层都好"；Decagon："业务逻辑跟模型本身毫无关系，它必须存在于应用层"）。但赌注相反——Decagon 明确说"我们空间里赢家会是横向的，Salesforce、Zendesk 都很横向"；Netic 押的是深垂直 + 实体劳动力调度。这是本库目前对"垂直 vs 横向 agent"最干净的一次同日并列，已补入 AI 商业化与价值捕获。
  • 与 Lassie 那期 同族但客户规模相反：Lassie 做 SMB（牙医诊所），全自主是约束——"SMB 里没有人来用工具"；Netic 做的是十亿美元收入的大企业，全自主的理由不是没人用工具，而是人力供给本身不可靠（"那天三个人辞职、五个人没来"）。两条独立路径都指向回路里不能有人，但机制不同。
  • ⚠️ 她的机器人时间表是本库目前最强的一条"近期看空"，且来自这些活的实际承包方：与 Machina 四家机器人公司负责人（已部署机器人的单位经济学）、Fei-Fei Li 的空间智能、Applied Intuition 构成正面张力。⚠️ 她的论证轴与他们不在同一维度——他们谈本体能力与数据，她谈环境标准化（"每一栋楼都得被 3D 打印或完全标准化"）。这个轴此前只在 DoorDash 的"落叶扭矩" 里出现过运营版本，此处是需求侧版本。补入 物理 AI 与机器人。
  • "在位者是人不是软件"与 Alex Rampell 的"incumbent 名叫 Betty，她两周前辞职了"、以及他的市场失灵框架（"很多情况下你根本找不到人"）是同一命题的两侧：Rampell 从投资人视角论证品类里没有 incumbent 软件；Netic 从运营视角给出为什么这些岗位的人力供给天然不稳定。补入 AI 与就业。
  • ⚠️ "实验室懒惰论"是本库对"实验室会不会通吃"这个问题的一个新答法：此前的答法多为数据护城河（Mark Cuban 的窄数据集）、集成与监管时点（Lassie）、或行为 vs 智能（Eiso Kant）。她加的是动机层——研究员追求最可泛化的解法，因而"等 AGI 来解"在结构上就不是一条会被认真执行的路线。另加产品寿命层："OpenAI 砍产品也砍得非常快，企业不要'非常快'。"补入 AI 商业化与价值捕获。
  • "只把 AI 用来砍成本会挺可悲的"与 Decagon 的 Jevons 悖论证据（客服需求大于供给、成本降 30% 后企业选择做更多而不是裁掉 60%）是同一天从两家公司拿到的同一条结论，且 Decagon 那条带具体案例。两条一起补入 AI 与就业。
  • "permanent underclass mentality / AGI-pill"是本库第一次记录AGI 叙事对年轻人职业行为的具体影响——恰好与 Decagon 那期主持人转述的"我们会有 AGI，长期不需要职业生涯了"（一位 a16z 同事拒绝留任的理由）是同一现象的两个样本，且两人的反驳角度不同（Tokmak：好东西要花很长时间；Jesse Zhang：大多数工作本来就是层层抽象叠出来的，AGI 之后照样有）。补入 AI 与就业。

事实性断言与预测（可验证）

  • Netic 成立约 两年；服务对象是年收入十亿美元级的家庭服务/健康/酒店/汽车/宠物企业，很多为私募股权持有（断言，[00:01:05]–[00:04:09]）。
  • 超过 70% 的客户是"AI first"；超过 70% 的终端客户与该企业的第一次接触是 Netic agent（公司自报，[00:06:12]）。
  • 累计为客户创造超过 6 亿美元收入，全部来自 AI 处理的交互（公司自报，无第三方来源，[00:29:25]）。
  • 一单约 50 万美元的合同端到端 14 天成交（公司自报，[00:24:23]）。
  • Tokmak 在 Scale AI 约 四年，建过政府事业部与物流/制造/金融服务/医疗大企业事业部；主持人称 Meta 为 Scale 支付约 280–300 亿美元（主持人转述，嘉宾回"差不多，30 亿上下那个量级"——⚠️ 原话为 "Yeahish a little 30 around there"，语义含糊，本库不采信精确数额，[00:07:13]）。
  • 预测（Tokmak）：机器人接手这些实体服务是"接下来几十年之后的章节"，前提条件是建筑被 3D 打印或完全标准化（[00:10:15]–[00:12:16]）。
  • 预测（Tokmak）：PE 的"找未被发现的宝石"打法已经失效，转向在已持有资产里创造有形价值（[00:27:24]）。
  • 预测（Tokmak）：AI 让"去做事"的门槛持续下降，但世界上大多数人仍然不会做那个选择（[00:32:28]）。