跳转至

Kavak 的打法：把一家公司围绕 AI 重建（a16z，2026-08-10）

  • 嘉宾: Ali Massa（Kavak AI 负责人，前 Opy Analytics 创始人）
  • 主持: a16z 的两位主持人——其中一位在片中被称作 "Gabe"（[00:13:16]），另一位全程未被点名。⚠️ 本库不做认定。
  • 来源: YouTube · 37 分钟（自动字幕）
  • 转录稿: sources/a16z/20260810-n34CIw3gk1k

⚠️ 自动字幕专名错误较多，对照表（本库照录原文、在此列出判读）：

转录稿写法 判读
Cabal（[00:03:06]）、Cazoo（[00:06:08]） 均指 Kavak
Opy Analytics 嘉宾前一家公司，⚠️ 拼写未核实
psychic（[00:18:20]） 按上下文（Ratatouille 类比、"告诉技师怎么检查车"）疑为 "sidekick"；⚠️ 本库不裁决
El Mike 该助手的内部代号，⚠️ 拼写未核实
Fable 10 / GPT 10（[00:03:06]）、Opus 4.5（[00:28:27]） 照录

嘉宾姓名 "Ali Massa" 来自自动字幕，本库未核实拼写。

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 = Ali Massa（嘉宾，83.9%）；SPEAKER_01（5.7%）与 SPEAKER_00（10.4%）是两位主持。 依据：SPEAKER_01 念开场"Today we have Ali Massa, the head of AI at Kavak… Thank you, Ali, for being with us today"（[00:01:03]，67–100%）； SPEAKER_02 以第一人称讲加入 Kavak 的经过（[00:02:06] 块，100%）。 关于页头提到的 "Gabe"：说出"as Gabe said"的是 SPEAKER_00（00:13:17–00:14:04 这一轮），所以 SPEAKER_00 不是 Gabe； Gabe 较可能是开场的 SPEAKER_01——推定，未确认。SPEAKER_01 的若干块纯度低于 50%，混有嘉宾发言。

概要

这是本库第一份"传统实体企业把自己整个重建成 agent 公司"的一手内部叙述——而且不是试点、不是 pilot，是已经跑到 96% 交互与 95% 交易由 agent 完成的规模。Kavak 是拉美的二手车市场（买车、翻新、卖车、放贷），为此还自建了金融科技、物流和一套 Carfax——嘉宾说这些基础设施在拉美"根本不存在"，只能垂直自建（[00:02:06]–[00:03:06]）。

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。这一期是买方兼自建方，而且是非科技行业、拉美市场、有大量物理作业（800 名技师）的公司。这个位置本身就是本库缺的。

本期最该被单独引用的五条：

  1. ⚠️ "每个客户一个 agent"，不是"每个任务一个 agent"——每个客户被分配一个带独立虚拟机的长期 agent，记住这个客户多年的交互、自己定长期目标（最大化 LTV），每天实例化 10 万–20 万个，"有时工作 3 分钟，有时 8 小时，有时 3 天，然后给下一个任务定个闹钟再去睡觉"（[00:08:12]、[00:29:28]）。
  2. ⚠️ Opus 4.5 出来之后，他们把跑了两年、已经带来盈利的多 agent 系统全部推倒重来——理由是"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"（[00:28:27]–[00:29:28]）。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。
  3. ⚠️ 他们让 agent 当了一个城市的 CEO——在墨西哥 Cuernavaca 圈出一块业务交给 agent，第一个月目标是利润翻倍，没达到，做到了 1.5 倍（[00:16:18]–[00:17:19]）。本库对"AI 能不能做管理岗"此前只有推测，这是第一个带数字的实施样本。
  4. ⚠️ "token 的三个层级"——一套用来判断 AI 支出是否真在产生回报的框架，落点是"不只是采用率的问题"（[00:26:26]–[00:27:26]）。这是本库 token 经济学 条线里第一个由买方自己提出的分级度量。
  5. 对"为什么大公司做不到"的历史论证：电力技术在 1879–1881 年就齐了，福特的流水线本可以早 40 年建成；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% 的效率提升"——要拿到 3 倍，必须把工厂拆掉、在平地上重建（[00:32:28]–[00:34:28]）。

核心观点

一、架构：一个客户一个 agent，一个 agent 一台虚拟机

  • 他们问自己的问题（[00:03:06]）："如果用 2035 年 Fable 10 或 GPT 10 级别的智能，我们会怎么建 Kavak？" 答案与他们已经建成的公司"非常不一样"，所以就照着那个答案重建。
  • 客户进来时发生什么（[00:03:06]–[00:04:07]）：为这个客户生成一个专属 agent，带自己的虚拟机；它记得这个客户多年来的交互——访问过网页的哪些地方、两年前打过什么电话——然后自己想出策略、设定一个最大化这个客户终身价值的长期目标。
  • ⚠️ 他明确把这条与业界主流做法对立起来："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（hard goals）的长期运行 agent、而不是工作流，才能最大化客户满意度。"（[00:04:07]）
  • 规模（[00:08:12]）：96% 的交互、95% 的交易完全由 agent 处理，"没有人类在里面"；只有取车时会见到一个人递钥匙。
  • ⚠️ 一处自报数字的内部不一致，照录不裁决：片头字幕说"每天有 10 万到 20 万 个 agent 被实例化"（[00:00:00]），正文 [00:08:12] 说"每天 10 万 个 agent 被实例化"，[00:12:16] 又提到"其他 20 万个 agent 会从这个错误里学到"。本库并列记录，不取其一。

推倒重来那一段（[00:28:27]–[00:29:28]）值得完整引用，因为它是本页最硬的一条：

"我们去年 12 月还有几万个这样的 agent 在规模化地运行业务。然后 Opus 4.5 出来了。我意识到这已经不是对的范式了——智能已经不需要那个图、那套多 agent 的格架和 harness 了，因为它会约束这个级别的智能。所以我们决定把我们建了两年、正在工作、带我们走到盈利、带来惊人增长的东西全部摧毁，从头开始建一个我们认为足够健壮、可扩展、并且能利用递归自我改进的 harness。"

新形态是：一台虚拟机 + 一个 agent + 记忆 + evals + 一个能访问公司里每个工具和每个 API 的 CLI + 一个长期目标（[00:29:28]）。

  • ⚠️ 他对 RSI 的重定向，是本库这条线里的一个新落点（[00:30:28]）："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、想放进那个循环里的，是能交付更多经济价值的那个组织。"——他称之为 the self-improving organization。

二、三个必须同时发生的决策

（[00:05:07]–[00:07:09]）他把"为什么大部分公司卡住"归结为只做了第一步：

  1. ⚠️ 不能保留原有结构："第一反应是'好，我们采用 AI'，然后你原封不动地保留你的结构，只是把 ChatGPT 或 Claude 发给团队——于是没有任何效率提升，你的客户还是那些问题，什么都没发生。"必须围绕 agent 和未来的能力重新设计整个公司，这意味着重建大部分 API、重建你的系统让 agent 能用它们来干活。
  2. 超人 agent 这个赌注：目标是"在每一个重要维度上——转化率、终身价值、客户体验——我们的 agent 都要胜过我们雇过的最好的人"，并且把它们放到最难的问题前面。教它们的唯一方法是"把它们放出去、放到客户面前、拿到那些数据、拿到那些 eval，然后训练你的 agent"。
  3. 换掉衡量公司成功的方式：从交易型公司（买了几台车、卖了几台车、要买多少刹车片）换成关系型公司——"我数据库里有 1000 万客户，其中大部分都分配了一个以最大化其终身价值为任务的 agent"。他给的量级：只要激活这个客户基数的 1%，就是几亿美元（[00:06:08]–[00:07:09]）。

三、Evals 是刹车，不是事后补的东西

这一节是本期对 评估与 Benchmark 最有用的部分（[00:08:12]–[00:10:13]）。

  • 他的比喻："我喜欢跑得极快，但要跑得快你得有刹车。想象一辆车——只有刹车对，你才会去踩油门。我见过很多公司在这件事上搞反了：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："我们花在建 eval 上的工程师时间、token 和钱，和花在建 agent 上的大致一样多。"（[00:09:12]）
  • 测什么：第一位是业务本身的结果——客户高不高兴、会不会买车、贷款批没批下来、转化了没有。"大多数东西就是在这里崩掉的。"
  • ⚠️ 他点名批评的反面做法："我看到公司在测通话次数、通话分钟数这类表面 KPI——它们给你一些信息，但并不真的有用。重要的是这个客户转化了吗？给客户带来价值了吗？过一段时间客户还愿意再来吗？"
  • 反馈回路：agent 犯了错，"它学到了，而第二天不只是它、另外 20 万个 agent 都会从那个错误里学到"（[00:12:16]）。

四、agent 真的在卖东西，而且是在做受监管的金融业务

这是本期与本库既有材料差别最大的一条——本库此前所有 agent 落地案例的最高杠杆动作都是客服，不是销售。

  • ⚠️ "我们从来没建过客服或客户支持 agent，我们建的是销售 agent。"（[00:10:13]）
  • 为什么难：在拉美卖一台车，客户要在约 20000 个 SKU 里挑，然后走融资流程、保险、保障，还大概率要置换旧车所以得给旧车报价。2020/2021 年 Kavak 的做法是你得在 15 件不同的事上都极其擅长、要有 15 个团队里的 15 个专家，客户依次跟融资专家、购车顾问、收购专家、保险专家谈，拼出一个方案（[00:11:15]）。
  • 他们做的事：先让 agent 在每一项上都强过那一项的专家，然后合成一个"mega expert"放到客户面前（[00:11:15]–[00:12:16]）。
  • ⚠️ 结果数字（自报）：NPS 与客户满意度翻了三倍；转化率一开始比人类团队高 50%，现在是 2.1 倍（[00:12:16]）。
  • 主持人给出的框架（[00:13:16]）很值得记：世界已经接受"AI 能做客服"；下一层的怀疑是"客户不会从 AI 手里买贵东西"——你们在证伪它；再下一层是"端到端的受监管金融服务不可能交给 AI"——但你们在给薄档案或无档案客户做核保、定价、以及后续服务。
  • 金融侧的数字（[00:13:16]–[00:15:17]）：第一个金融产品是车贷。墨西哥等新兴市场通常要两个月甚至更久才批下来，他们通常三分钟内批。另外一条设计上的说明：如果客户还不起了，可以把车退回来换一台更便宜的，月供降下来——他把这个能力归因于业务的垂直整合。
  • 他对"为什么关系比交易重要"的解释：买车+贷款这种决定，客户通常要三到四个月才拿定主意；如果你在这个过程里认识了这个客户、并把流程做简单，"转化率和留存率就开始爆表"，而且能对利率、风险、贷款上限做很深的个性化（[00:14:17]–[00:15:17]）。

五、AI CEO：在一个城市里跑了六周

（[00:15:17]–[00:17:19]）这段是被问"哪个 eval 最难设计"时给出来的，回答方式很典型：他没答难点，直接给了最激进的实施。

  • 提问的起点：重新设计公司时要问"AI 能不能做这份工作——甚至 CEO 的工作、领导层的工作？"他的答案是"说实话大概率能，以这个改进速度，到 2035 年它会做得到。我们说，那就现在试试。"
  • 做法：圈出墨西哥的一座城市 Cuernavaca，把一个 agent 放进他们的 harness 里当 CEO，让它开始学习、开始做决策、并对这些决策做评估。
  • ⚠️ 结果（自报）：只跑了六周；第一个月的目标是让 Cuernavaca 的利润翻倍，没达到，但做到了 1.5 倍。他的评论："人们本来说 CEO 是 AI 最后才会碰的岗位——不，真不是。"
  • 它是怎么做到的（[00:17:19]）：像"一个菲尔兹奖级别聪明的人，钻进每一个数字、每一个客户，做出完美的预测，然后去微观管理每天需要被执行的每一件事"——它直接给 Cuernavaca 的所有一线工人发消息，给出当天的计划，并要求他们发语音条回来汇报进度。
  • 报出的改善项：客户满意度上升、库存更好、周转更快、融资渗透率更高，"每一个 KPI 都开始改善"。

⚠️ 本库必须标注的三点：① 全部为自报，无外部验证；② 六周、单城市，样本极小且时间极短；③ "利润 1.5 倍"是未达标的结果，被讲述为成功，本库照录并保留这个落差。

六、还在招人的岗位在物理世界，而那里的形态是"耳边的助手"

  • Kavak 在墨西哥有约 800 名技师（mechanics）。他说这里"有大量的灵巧性和感官，极难替代"，所以这一侧仍在训练和雇人（[00:17:19]–[00:18:20]）。
  • 给技师配的东西用的是同一套 harness：他用 Ratatouille（《料理鼠王》）打比方——"那只其实是厨师的老鼠，和一个人类协作"，他们管这个助手叫 El Mike（⚠️ 转录稿写作 psychic，疑为 sidekick，拼写未核实）。它告诉技师怎么检查一台车、给出提示、示范做法。
  • ⚠️ 结果数字（自报）：检查质量"再次爆表"，检查更快、维修更快、更便宜，"但最重要的是我们交付的车质量更高"——保修（warranties）自上线以来下降了约 20–26%（[00:18:20]–[00:19:20]）。⚠️ 原话为 "around like 20 26%"，是一个含糊的区间，本库照录不收窄。

七、组织：Jedi Academy、扁平化、以及"人给 agent 打工"

这是本期对 AI 与就业 的主要贡献（[00:19:20]–[00:24:25]）。

  • 他们三年前就把这个问题当真了，结论是"每个人的工作都会变"。
  • ⚠️ Jedi Academy：一个公司内部的培训项目，从 CEO 到 AI 工程师到技师，所有人都进。由他本人设计，并且必须不断更新，"因为一切变得太快"。你没法把这些人送去斯坦福学，因为这是新东西。
  • 产出标准很具体：六周之后他们把最先进的 AI agent 发布到生产环境。"是技师、是财务的人、是工程师——每个人都能做到。"
  • 它的真实目的不是转岗："也许这个人不会变成 AI 工程师——有些人变成了——但他们知道怎么和这项新技术协作。"
  • ⚠️ 他给员工的话，本库照录，因为它是本页伦理上最需要被完整呈现的一段（[00:21:22]）：

    "各位，没有回头路。这就是 Kavak 要走的路，公司会变成这样。工程团队、财务团队、产品团队的变化分别是这些。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。"

  • 组织形态（[00:22:24]）：非常扁平的团队、非常资深的团队、高度授权；一个团队里工程、AI、运营"什么都有"，他们要么在建 agent、要么在为 agent 工作、要么在物理世界里面对客户。
  • ⚠️ "为 agent 工作"是什么意思——这段是本页最反直觉的一条（[00:23:25]–[00:24:25]）：
  • 他先否定了主流的 human-in-the-loop：现在大规模 agent 系统的通常做法是 agent 撞墙了就把这个 case 丢给二线支持然后忘掉它。"这不管用，因为你没有闭合回路，所以你没有产生能训练 agent 把这件事做得更好的数据。"
  • 他们的做法：agent 撞墙或要取消什么的时候，它调用一个 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。"
  • 落点："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。"（原话 "it's really human teams that have an agent"）他自己的评价是"我拿到了更好的结果，这非常清楚，这说得通"。
  • 他在 [00:21:22] 也直说过："有时 agent 是人的老板，有时人在设计 agent。"

八、给其他公司领导者的两条建议

（[00:24:25]–[00:27:26]）主持人的引子是："理性上很多公司领导者直觉上理解这件事。但在组织里部署 AI 依然很难——模型已经够好了，你知道的，这是组织问题、是心理学问题。"

第一条：必须自上而下。

  • "如果你只是去搞采用率，它哪儿也去不了，因为很难产生这种品味或战略、让人们自下而上地决定该建什么不该建什么、并且拼出对公司有用的东西。"
  • ⚠️ 他点名了一种失败模式："我见过太多公司就是'哦我们搞个 hackathon，大家提用例，我们赞助其中一些'——那不管用。"应该做的是"非常清楚地说明公司三到五年后是什么样，然后开始建那个东西，并且非常垂直地引导你的部队走向它"。
  • 他的军队类比："如果每个人都自己想战略和战术，然后跑到战场上各干各的，一支军队是不成立的。"

第二条：⚠️ token 的三个层级（本页对 token 经济学的主要贡献）。

他的起点是一个观察："我看到很多公司现在花巨额的钱，然后说'好，我拿到采用率了，我现在每年在 token 上花几亿美元'。那又怎样？token 是有质量之分的。"（[00:26:26]）

层级 定义 他的评价
Tier 3（最有价值） 你能算出每一个具体 token 的 ROI 的那些 agent "我现在能做到这件事，这对我是好消息——因为我在增长，而且我知道每个 token 的 ROI，因为它们流向的是在执行组织本职工作的 agent"
Tier 2 只能间接衡量的 "我看到开发者在代码库里，我至少能间接评估这些 token 的价值，然后把那些推到生产"
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："所以这不只是采用率的问题。是要有非常清晰的愿景，然后衡量你花的每一个 token 都带来了那些收益，然后迭代、迭代、再迭代。"

九、为什么机会在新公司：创造性破坏与"电力用了 40 年"

（[00:30:28]–[00:34:28]）本节是他对"现有公司为什么改不动"给出的历史论证，也是他对创业者的呼吁。

  • 熊彼特（Joseph Schumpeter）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、被带着新技术的新公司摧毁。短期毁灭价值，长期对所有人更好。
  • 为什么这次尤其如此："深度采用 AI 真的很难。对今天一家大公司、尤其是上市公司的 CEO 来说，说'我要全押 AI，公司得变成这样，我要摧毁并重建我过去 40 年建的一切来变成 AI 原生公司'——在规模化的公司里，有几个 CEO 会这么做？"
  • ⚠️ 电力/福特的那段完整论证（[00:32:28]–[00:34:28]），本库记为本页最好用的历史类比：
  • 福特流水线所需的技术在 1879 和 1881 年就被开发出来了；爱迪生在纽约、然后伦敦开始商业化电力，并发明了一台极高效的发电机（dynamo）。所以福特的工厂本可以早 40 年建成，技术全都在那儿。
  • 但人们采用电力的方式是："我把我的工厂保持原样——四层楼、传动轴、皮带——我只是把煤机换成电机。这会带来收益吗？会，但只有 6% 的效率。"
  • 本该做的是：把那个工厂拆掉，在平地上重建，不建在纽约市中心而是建在康涅狄格或新泽西，围绕小型发电机和电力重新设计——然后你才拿到那个支撑了美国整个 20 世纪的 3 倍生产率提升。
  • 他的落点："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，于是只是表面地采用。最后给你的是 6% 或 10% 的改进，不是 10 倍。这是产业规模上的创新者窘境又来了一次。"

十、给创业者的话

（[00:34:28]–[00:35:29]）"这是人类历史上最激动人心的时刻……也是做创始人最激动人心的时刻，因为这是历史上第一次任何人都能用上世界上最强大的工具和智能——几乎免费，或者每月 20 美元。"

他的建议里有一条方法论值得记："想象围绕 AI 的未来是什么样。它甚至不需要是指数——就画一条线性的趋势线。如果 AI 以线性速度持续变好，就为那个未来建。"

与本库其它观点的关系

  • ⚠️ 与 Decagon 的"FDE 是陷阱" 和 Retell AI 的"签约后要花将近一年" 构成三点对照：三家都在讲同一件事的不同侧面——企业把 agent 真正跑起来到底难在哪。Decagon 和 Retell 是卖方，把难度定位在集成与落地服务；Kavak 是买方兼自建方，把难度定位在"你不肯拆掉自己的组织"。⚠️ 这条差异很重要：卖方的诊断天然指向"我们来帮你做"，买方的诊断指向"没人能替你做"。 本库并列不裁决。
  • ⚠️ 与 Retell AI 的"应用层怎么对抗巨头" 是完全不同的问题：Retell 关心的是应用层公司在前沿实验室面前的护城河；Kavak 根本不在那条赛道上——它是自己的用户，价值捕获问题不存在。这是本库 AI 商业化与价值捕获 里第一个内部化整条价值链的样本。
  • ⚠️ "Opus 4.5 让我们推倒重来"与 swyx 的"能力过剩"框架 是同一现象的两种态度：swyx 说"每一代模型会吞掉一批自建脚手架——我们时不时做次大扫除，这很正常，不该对代码有任何感情"；Kavak 是这条判断在已盈利的生产系统上的极端执行。⚠️ 差别在代价量级：swyx 说的是脚手架，Kavak 扔掉的是两年的、带来盈利的核心系统。本库把它记为 swyx 那条判断迄今成本最高的一个实例。
  • ⚠️ "evals 是刹车"与 Decagon 的"自建 eval 是应用层的真实门槛"、Retell AI 的"评估权在买方" 组成三段完整链条：Decagon 说应用层必须自建 eval；Retell 说最终裁决权在客户的采购尽调；Kavak 是那个客户，而它自己建了 eval，并且把预算配比说清楚了（eval ≈ agent，1:1）。这是本库这条线上第一个把投入比例说出来的样本。
  • ⚠️ "人类团队头上有一个 agent"与 Machina 四家机器人公司的"第四、第五象限" 方向相反但结构互补：后者讲的是被自动化的是"本来就没人做的任务"，人的岗位没被动；Kavak 讲的是人还在做同样的物理工作，但汇报关系反转了——agent 调用 API 求助，人来响应。本库把它记为 AI 与就业 的一个新象限：岗位没变，指挥链变了。
  • "self-improving organization"给 AI for AI / Auto Research 加了一条位置：本库此前的 RSI 材料要么是实验室宣言，要么是生产系统的单点自改进（Decagon 的 Duet、Baseten 的 GLM 自写 kernel、Simon Mo 的 RL 环境观察）。Kavak 的版本是把自改进的对象从模型换成组织——⚠️ 但注意这是一句主张，不是一个被验证的机制，证据强度低于前三条。
  • "token 三层级"与 Elad Gil 的"投出去的 token 的回报率" 是同一诉求的两侧：Elad Gil 从投资人侧提出这个指标缺失；Kavak 从买方侧给出了一个可操作的分级。两条应当并读。

事实性断言与预测（可验证）

以下全部为嘉宾自报，无外部来源，本库未核实。

  • 96% 的客户交互、95% 的交易完全由 agent 处理（[00:08:12]）。
  • 每天实例化 10 万（片头作 10 万–20 万）个 agent，单个 agent 运行时长从 3 分钟到 3 天不等（[00:00:00]、[00:08:12]）。⚠️ 数字前后不一致，已在正文标注。
  • 数据库中约 1000 万客户；激活其中 1% 即"几亿美元"量级（[00:06:08]–[00:07:09]）。
  • 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（[00:12:16]）。
  • 车贷通常在 3 分钟内批准，对照墨西哥等市场的常规两个月以上（[00:13:16]–[00:14:17]）。
  • AI CEO 在 Cuernavaca 运行 6 周；首月目标利润翻倍，实际 1.5 倍（[00:16:18]）。
  • 墨西哥约 800 名技师；上线技师助手后保修下降约 20–26%（[00:17:19]–[00:19:20]）。
  • Jedi Academy：六周后全员（含技师、财务）向生产环境发布 AI agent（[00:20:20]）。
  • eval 上的工程师时间/token/资金投入与建 agent 大致相同（约 1:1）（[00:09:12]）。
  • 2025 年 12 月已有"几万个"agent 在运行业务，Opus 4.5 发布后全部推倒重建（[00:28:27]）。⚠️ 原话为 "back in December"，本库按上传日期推为 2025-12，但转录稿未给年份。
  • 预测（Ali Massa）：到 2035 年，以当前改进速度，AI 能够胜任 CEO 与领导层的工作（[00:15:17]–[00:16:18]）。
  • 预测（Ali Massa）：深度采用 AI 的难度将使新公司而非在位公司成为这一轮创造性破坏的主要受益者（[00:30:28]–[00:32:28]）。