PodcastsHear the voice. See the shape of the thought.

Recorded live at Microsoft Build, this crossover episode between No Priors and Latent Space brings Sarah Guo, Elad Gil, and swyx together for a wide-ranging conversation with Satya Nadella. Satya argues that the platform shift now underway is defined by a single test: can every company operate at the frontier using their own frontier intelligence — their own private evals, their own trained harness, their own context? Across 42 minutes he walks through Microsoft's MAI model lineage strategy, why the enterprise harness (not the model) is the durable moat, how SaaS business models will unbundle and rebundle, and why the "hyper-leveraged generalist" — the full-stack builder who can design, code, and ship — is the defining role of this era. ## [00:00] Satya Nadella Introduction The episode opens with a clip that actually comes from late in the interview: Satya's assertion that the world will grow skeptical of any tech company asking for blind trust, and that the industry must deliver tangible, measurable benefits to earn permission to operate at scale. Sarah Guo and swyx welcome him to the crossover stage at Build, where Satya says he listens to both podcasts regularly. > *"The world is going to be very skeptical of tech and tech companies that say, 'Trust us, we've got it. The future is going to be glorious.' You kind of have to deliver tangible benefits because it's too important this time around."* ## [01:48] Reflections from Microsoft Build Satya's single biggest takeaway from the Build keynote: stop thinking about this as a model race and start thinking about it as an ecosystem play. Every prior Microsoft platform shift — Windows, Azure, Office — succeeded because it created more value above the platform than Microsoft captured inside it. The morning's keynote, he says, was about giving any company — AI-native or legacy enterprise — a clear recipe to become a first-class participant who points to AI *they created*, not just AI they rented. > *"A platform is defined by fundamentally its ability to create more value above the platform versus what's captured in the platform."* ## [03:12] Microsoft's AI Training Strategy The MAI model family started with a deliberate obsession over pre-training data quality — ablating out the noise that makes many open-weight models look strong on benchmarks but brittle in practice. Satya introduces the "hill climbing scaffold": a company takes a frontier model like GPT-5, collects traces from real workflows, then uses those traces to train a small 5B reasoning model that surpasses the larger model on the company's *private* eval. The Lando Lakes demo shown at Build used exactly this approach. His conclusion: private evals have become more strategically important than any publicly available benchmark, because public evals can all be maxed. > *"Each company will have its own private eval. And so that end-to-end platform story around our models is sort of what I think is interesting."* ## [05:48] Complexity of Real-World Deployment of AI Elad Gil asks what Satya would tell himself two or three years ago. His answer: the scaling laws worked, and capability has climbed — "intelligence is log of compute" turned out to be roughly right. What the industry underestimated was the real-world complexity of deployment: getting models to deliver measurable value outside benchmark conditions. The symptom he points to is the "I don't want a token max" complaint from customers, which he reads as evidence that the industry built token-burning products before building token-earning workflows. > *"The true eval is when people out there are able to do unique things that they only can value and it's very measurable — that I wish we had sort of even like had more in our consciousness."* ## [07:33] Augmenting Human Capital Sarah Guo asks beyond coding — what use cases are creating the most value. Satya notes coding worked so well it forced a redesign of the IDE itself: 100 parallel agent sessions generate so much cognitive load that a new UI (canvas, not just chat) became necessary. Beyond coding, the pattern he is watching is "glue work" automation — the coordination, status-tracking, and handoff work that ties together human judgment. Autopilot-class agents running overnight with delegated authority, then surfacing a morning digest of what they completed, compress entire workflow cycles. The bottleneck shifts from execution to review. > *"If you now can augment that with tokens slash agents that are long-running, durable — then your ability to scale even what is still judgment and glue work gets amplified like coding does."* ## [09:37] Harnesses for Enterprise swyx surfaces the key architectural question: if the coding agent needs a harness (environment, context, tools), what is the equivalent harness for broad enterprise productivity? Satya's answer: Microsoft's GitHub harness is now the spine across GitHub Copilot, Security Copilot, and the Discovery for Science products — all multi-model, all with progressive tool disclosure to keep token budgets manageable. The magic, he says, is in the context layer: getting the right context into the plan executor is where most real-world performance comes from. He uses the MDaS security product as existence proof that a multi-model harness can find vulnerabilities that specialized models missed. > *"The amount of work you need to do to prep the context layer such that your plan can execute in the most efficient way is where the magic is."* ## [11:49] Developer Value Sarah Guo sharpens the tension: frontier labs build first-party products that capture most of their revenue — where does the independent developer capture value in that model? Satya's argument is that the network effects of intelligence are not winner-take-all the way Windows was, because models learn from small, novel samples — not from data volume monopolies. That means the developer's durable asset is the private eval that lets them hill-climb on any frontier model and switch providers without losing ground. An open harness plus private evals plus curated context is the new platform investment for any AI-native company. > *"Every company having private eval maybe the biggest IP right now — I think about it like what's that private eval that you can then use even a frontier model to hill climb on and not leak the traces."* ## [15:09] Can Everybody Operate at the Frontier with Their Frontier Intelligence? Satya crystallizes the developer conference thesis: the whole point of a platform is to let someone else extend and build their own intelligence layer on top. Without that, a developer conference is just a showcase for one model. He uses the NVIDIA/CUDA parallel — he jokingly tells Jensen he wishes Microsoft had built CUDA — to underscore that the most powerful platform moves are when an infrastructure layer enables others to run far beyond what the platform vendor imagined. > *"Without it, why have a developer conference? I can just come and have you all sort of just worship at the altar of one model. But that's not a developer conference."* ## [15:51] Modern Definition of IP A backstage conversation before the taping surfaced the question of what IP means now. Satya's answer: human capital used to be the irreducible tacit knowledge — impossible to put on a balance sheet. Agent traces change that. Every interaction between a human and an agent inside Teams or GitHub or M365 is a trace that can train a company-specific "veteran agent" — not a generalist, but one that has absorbed how *this* company creates value. That trained agent should, Satya argues, go on the balance sheet the way patents do today. > *"When a company says it should in fact go onto the balance sheet is how I think about it — the agents that have learned through time through all the traces."* ## [17:38] Future of Vendor vs. Enterprise Agents Sarah Guo raises the "end of software" debate: if workflows are cheap to generate, what survives of the SaaS stack? Satya deconstructs the SaaS vertical: the data model at the bottom (the general ledger, the entity relationships) remains valuable and stable — nobody wants a new schema for their general ledger. Business logic encapsulated in something like PowerBI's semantic model also survives. What changes is the UI and configurability layer, which can be dynamically generated. The result is unbundling and rebundling, not wholesale replacement. He points to Work IQ (the M365 graph exposed as an agent-accessible database) as the example: a GitHub repo can now query meeting transcripts from the previous week and generate a code-change plan — a use case that was structurally impossible before. > *"I go to a GitHub repo and I say, 'Hey, I attended a bunch of design meetings last week related to this repo. Can you capture all that and tell me what changes I should make?' It literally can go look at all those transcripts, come back with a plan to change a code base."* ## [21:48] Near-Term Predictions on Model Pricing Satya maps the pricing evolution: per-user subscriptions persist because enterprise budget owners need certainty and entitlements. Consumption tiers layer on top as agent intensity grows. Outcome-based pricing is conceptually attractive but psychologically unstable — customers who love it in theory balk when the invoice arrives, because paying on outcomes feels like giving away royalty. His concrete example: GitHub Copilot was priced as a per-user interactive tool, but agentic workloads running 10,000 parallel sessions all day require a consumption meter alongside the per-user base. > *"Most people love outcomes until they have an outcome. Because once you have an outcome, it's like giving away royalty."* ## [24:02] Durability of SaaS The "agent euphoria" phenomenon inside enterprises — teams convinced they can rebuild their SaaS stack in six months — will, Satya predicts, run into the maintenance reality after one budget cycle. The build-vs-buy calculus is quantifiable: acquire when the marginal cost of building and maintaining exceeds the vendor price. Maintenance includes security patching (AI will find vulnerabilities faster, which means you have to fix them faster), and fixing costs tokens. The net result: SaaS survives as a category but vendors who won't expose flexible pricing and open agent interoperability will lose accounts to those who do. > *"I think we've gone through the excitement that I can generate a lot of software. I think the next thing would be what software do I really want to generate? What software do I want to use from others?"* ## [25:58] What Satya's Building Elad Gil asks what Satya is personally building. He describes a chief-of-staff autopilot agent he built in a week using Work IQ, Azure Foundry long-running agents, and Rayfin for memory storage. The agent monitors his context continuously, and when he published it to Teams, it deployed automatically. His broader point: GitHub Copilot Sessions has made it possible even for a CEO to have meaningful agency over codebases — not to replace engineers but to inspect, learn, and have a full-stack view of what his organization is building. > *"I could say publish to teams and it published the damn thing to teams. The ability to have a you know some end-to-end project like this complete is just pretty miraculous."* ## [28:18] Future of Engineering Roles swyx asks whether the "four engineering roles" thesis — agent managers, forward-deployed engineers, security engineers, and large-scale infrastructure owners — captures the future. Satya points to what LinkedIn already did structurally: created a "full-stack builder" discipline that merges design, product management, and front-end engineering while preserving individual domain edges. The role expands scope without erasing specialization. He flags infrastructure as the other growth area — building the reward learning environments (RLEs) for models like Excel's agent is a distributed systems problem, not a product problem. But his highest-conviction bet is on the hyper-leveraged generalist: the person who used to produce Word documents and spreadsheets and can now, in the same cognitive breath, ship an application. > *"The generalist role is going to be the most exciting right because the leverage of a generalist is where we are going to see the maximum returns."* ## [30:54] How Microsoft Can Be More Ambitious Sarah Guo cites her partner's essay arguing this is the moment for radical ambition. Satya's framework: the key move is to give yourself permission to do "meta work" — not to do the task, but to build the agentic system that does the task. He uses the Azure network team as the central example: faced with building more Azure capacity in 15 months than in the first 15 years, the network engineers said their job was no longer fiber operations — it was building the agentic system ("Miles") that does fiber operations. They told Satya they didn't need more headcount, they needed more tokens. That reconceptualization is the ambition unlock — analogous to how the PC era was never really about typing, it was about knowledge work. > *"Our job is not to do Azure networking. Our job is to build the agentic system that does Azure networking."* ## [34:36] Data Centers and Community Impact Elad Gil raises the community-level stakes of the data center buildout. Satya is direct: unless communities see tangible local benefits — stable or lower energy prices, water replenishment through closed-loop systems, construction jobs, post-construction tax base — the industry will lose the social license to operate. He frames it historically: technologies that consumed large amounts of energy while creating broad societal value have had good outcomes; those that didn't, haven't. The token economy needs the same proof: productivity gains, economic growth, and broad participation visible at the community level, not just in enterprise earnings. > *"Unless we as an industry are very principled about ensuring that the benefits of all the stuff we're talking about are felt in real ways at the community level — it has to be real."* ## [38:01] AI's Impact on Society swyx asks what Satya has most updated his personal models on regarding societal impact. His answer: the most critical thing in the next 12–18 months is making it legible to ordinary people that they have a real shot as first-class participants in the AI economy — through health outcomes, startup formation, running a local business more efficiently. The abstract promise ("trust us, it'll be great") has already exhausted its credit. The test is whether politicians who advocate for AI-driven productivity gains can win elections because their constituents saw real benefits, not just stock returns. > *"I think the world is going to be very skeptical of tech and tech companies that say trust us we've got it the future is going to be glorious — you kind of have to deliver tangible benefits."* ## [39:52] AI and Education Sarah Guo notes education as an area where AI's impact has been slower than expected. Satya points to his visit with the founders of Alpha School as an example of genuinely rethinking pedagogy — not just digitizing old curricula. He flags a Stanford CS course that still teaches students when to apply softmax correctly (concept-first) rather than just prompting agents to fix training runs, as evidence that conceptual foundations remain necessary. But the credentialing system, the incentive structures for learning, and the link between credentials and employment opportunity all need to change together. His closing bet: the next big startup success story might be someone who builds a new university or a new curriculum-to-employment pipeline. > *"Maybe the next big startup and success story could be someone who builds a new university or a new pedagogy even of how to get someone to go through a curriculum and find economic opportunity."* ## Entities - **Satya Nadella** (Person): Microsoft Chairman & CEO; the primary guest throughout. - **Sarah Guo** (Person): GP at Conviction and No Priors co-host; interviewer. - **Elad Gil** (Person): Independent investor and No Priors co-host; interviewer. - **swyx** (Person): Latent Space host; interviewer for the Microsoft Build crossover. - **Microsoft** (Organization): Publisher of Azure, GitHub, Microsoft 365, and the MAI model family. - **GitHub Copilot** (Software): Microsoft's AI coding assistant; the anchor product for the multi-model harness strategy. - **Azure Foundry** (Software): Microsoft's platform for deploying long-running agentic workflows and custom model fine-tuning. - **Work IQ** (Software): Microsoft 365 graph exposed as an agent-accessible database, enabling cross-product context queries. - **MAI models** (Concept): Microsoft's in-house model family, built with a clean pre-training lineage and designed for enterprise hill-climbing via private evals. - **Private eval** (Concept): A company's proprietary benchmark capturing its unique workflows; Satya argues this is now the most important form of intellectual property. - **Multi-model harness** (Concept): An orchestration layer that routes across multiple models, tools, and context sources — the durable enterprise moat vs. any single model. - **Full-stack builder** (Concept): LinkedIn's structural role combining design, product, and engineering into a generalist with broader scope and higher AI leverage. - **Alpha School** (Organization): Education startup whose founders Satya met with while rethinking AI's role in pedagogy. - **MDaS** (Software): Microsoft's security product that demonstrated multi-model harness performance superiority over specialized models in vulnerability detection.

Sarah Guo spricht mit Maxim Bar Kogan, Mitgründer und CEO von Onyx Security, darüber, was es wirklich braucht, um KI-Agenten auf Unternehmensebene abzusichern. Maxim argumentiert, dass klassische Kontrollen — Proxies, Identitätsrestriktionen, menschliche Prüfung — versagen, sobald Agentenaktionen exponentiell zunehmen, und dass der einzige tragfähige Weg darin besteht, spezialisierte kleine Modelle zu trainieren, die erkennen, wann ein mächtigeres Überwachungssystem eingreifen muss. Das Gespräch beleuchtet Onyxs Produkt "Secure Control Plane", die Kosten-Latenz-Rechnung hinter eigenem Modelltraining, warum Labs ihre eigenen Modelle nicht glaubwürdig als sicher zertifizieren können — und Maxims Überzeugung, dass AGI kommt und unabhängige KI-Aufsicht ein Hundert-Milliarden-Dollar-Geschäft werden wird. ## [00:00] Kaltstart Maxim steigt mitten in einen Gedanken ein: Je mehr Unternehmen KI-Agenten einsetzen, desto mehr werden Fehler folgen — Agenten, die versehentlich Zugangsdaten veröffentlichen, unerlaubte Netzwerkaufrufe starten, irreversible Schritte einleiten. Die Unternehmen wissen, dass die Einführungswelle nicht zu stoppen ist; was ihnen fehlt, ist jede Möglichkeit, eine legitime Agentenaktion von einer illegitimen zu unterscheiden. Der Einstieg umreißt die Kernthese von Onyx, noch bevor das Intro läuft. > *"Unternehmen beginnen definitiv zu begreifen, dass dieses Risiko exponentiell gewachsen ist und dass sie keine Möglichkeit haben, die Einführung zu stoppen. Sie müssen jetzt etwas tun, um die Wahrscheinlichkeit zu verringern, dass diese Agentenaktionen illegitim oder fehlerhaft sind."* ## [00:45] Vorstellung von Maxim Bar Kogan Sarah stellt Maxim als Mitgründer und CEO von Onyx Security vor, einem in Israel ansässigen Startup mit Forschern, Mathematikern und Ingenieuren — beschrieben als ein Team, das Agenten baut, die KI-Agenten beobachten. Das Unternehmen verbindet offensive Cyber-Expertise mit tiefgreifender KI-Forschung, einschließlich Arbeiten zu synthetischen Daten und mechanistischer Interpretierbarkeit. ## [01:10] AutoGPT und die Wette auf Agentenaktionen Das noch vor zwei Jahren dominante Sicherheitsthema in Unternehmen war DLP für Chatbots — Mitarbeiter, die sensible Daten in ChatGPT einfügen. Dieses Bild hat sich seitdem in fast panische Sorge um autonome Agentenaktionen verwandelt. Maxim führt Onyxs Ausgangspunkt auf AutoGPT zurück: den ersten Agenten, bei dem ein LLM selbst entschied, was zu tun war, ein Werkzeug aufrief und in einer Schleife weiterarbeitete — statt nur Text zu erzeugen. Die Demo bewies, dass Agenten eigenständig in der realen Welt handeln können, und Maxim erkannte sofort: Jemand muss diese Aktionen im großen Maßstab überwachen. > *"AutoGPT hat die Fantasie aller beflügelt — auch unsere — weil es der erste wirklich autonome Agent war, der auf LLMs lief: ein Agent, der ein LLM nicht Text generieren ließ, sondern entscheiden ließ, was zu tun ist, und ihm dann API-Zugang gab, um genau das zu tun."* ## [05:17] Was das Onyx-Produkt leistet Onyx tut zwei Dinge: Modelle trainieren und Agenten bauen, die andere Agenten überwachen — und diese Fähigkeit als "Secure Control Plane" verpacken, die Unternehmen in ihren KI-Stack einhängen. Die Control Plane prüft Agentenaktionen in Echtzeit auf Legitimität und managt dabei den Zielkonflikt zwischen Latenz, Kosten und Verlässlichkeit. Langfristig sieht Maxim die Vision über Unternehmenssicherheit hinaus: Jedes Unternehmen, das KI-Agenten betreibt, braucht eine herstellerunabhängige Stelle, die zertifiziert, was diese Agenten tun. > *"Die Zahl dieser Aktionen wächst exponentiell. Was früher nützlich erschien — etwa ein Mensch in der Schleife — funktioniert nicht mehr, wenn man das Hundertfache, Tausendfache, Millionenfache dieser Aktionen hat."* ## [07:47] Stand der KI-Einführung in Großunternehmen In einem typischen Großunternehmen sieht Maxim heute drei Kategorien von KI-Einsatz: Low-Code-SaaS-Automatisierungen per Drag-and-Drop (nicht wirklich autonom), intern entwickelte oder kundenorientierte Agenten, und autonome Coding-Agenten und -Assistenten. Von diesen drei macht der Bereich Coding-Agenten inzwischen über 50% des KI-Einsatzes aus. Die reifsten Sektoren — Finanzdienstleistungen, Gesundheitswesen — haben die strengsten Kontrollen, aber selbst die vorsichtigsten Unternehmen haben aufgehört, KI pauschal zu sperren, und sind dazu übergegangen, sie zu managen. > *"Über 50% entfallen auf autonome Coding-Agenten und Assistenten im durchschnittlichen Unternehmen."* ## [09:58] Agenten absichern Unternehmen geben bereits rund 100 Milliarden Dollar pro Jahr für Sicherheit aus — Endpunkte, Netzwerke, Cloud, Identität. Sarah fragt, wie viel davon auf Agentensicherheit übertragbar ist. Maxims Antwort: praktisch nichts. Identitätskontrollen, die grundlegendste Schicht, versagen, weil Agenten breite, dynamische Berechtigungen brauchen, die sich nicht im Voraus eingrenzen lassen. Ein Agent, der Code in einem Repository schreibt oder E-Mails im Namen eines Managers sendet, lässt sich nicht auf ein enges Berechtigungsset beschränken wie ein statischer Softwareprozess. Die Angriffsfläche ist die Absicht — und bestehende Werkzeuge können Absichten nicht lesen. > *"Bei diesen autonomen KIs, diesen Assistenten, diesen Coding-Agenten kann man wirklich nicht im Voraus wissen, welche Berechtigungen man ihnen geben soll."* ## [12:45] Warum Proxies nicht funktionieren Sarahs Instinkt aus ihrer eigenen Sicherheitsvergangenheit: Das klingt nach einem Problem für einen Proxy mit einer intelligenteren Policy-Engine. Maxim stimmt zu, dass Proxies als Integrationspunkt in manchen Architekturen funktionieren — aber das eigentliche Problem verfehlen sie. Ein Proxy liefert den Datenstrom; er sagt nicht, ob die Aktion in diesem Strom legitim ist. Dieses Urteil erfordert, den Kontext zu verstehen — das Ziel des Agenten, seine Geschichte, was das Unternehmen autorisiert hat — und kein Regelwerk kann das bei beliebigem Agentenverhalten leisten. > *"Das eigentliche Problem ist zu verstehen, ob das, was ich jetzt tun soll, in Ordnung ist oder nicht. Bei KI-Systemen ist das die entscheidende Frage."* ## [14:11] Warum Onyx eigene Modelle trainiert Die naive Lösung — Claude Code mit Claude Code überwachen — scheitert an Kosten und Latenz. Einen Frontier-Modell-Agenten für jeden Unternehmensagenten zu betreiben, würde die Sicherheitsschicht teurer machen als die überwachte KI selbst. Onyxs Antwort sind kleine, hochspezialisierte Modelle, die genau eine Aufgabe erfüllen: entscheiden, ob die aktuelle Aktion eine Eskalation an ein stärkeres Überwachungssystem rechtfertigt. Sarah vergleicht es mit Blitzschach: Großmeister spielen bei schnellen Zügen intuitiv und halten nur an kritischen Punkten inne. Maxim bestätigt die Analogie — man will Intelligenz genau dort konzentrieren, wo das Risiko am höchsten ist, und überall sonst schlank bleiben. > *"Man will Modelle trainieren, die wirklich gut in einer Sache sind. Sie sind sehr klein. Sie können kaum etwas anderes, außer zu sagen: 'Soll ein klügerer Agent das hier anschauen?'"* ## [18:38] Onyxs Talentkultur Israels Sicherheitstalent — geformt durch Einheiten wie 8200, Unternehmen wie Armis und Wiz — ist bekannt. Onyxs DNA ist anders: Mitgründer Gils Hintergrund liegt in synthetischen Daten und Nvidia, nicht im offensiven Cyber-Bereich. Der Großteil von Onyxs Forschungsteam kommt aus einer israelischen Geheimdiensteinheit, die an der Schnittstelle von Mathematik und Cyber arbeitet. Maxim sieht diese Mischung als bewusste Entscheidung — das langfristige Problem, das Onyx löst, ist nicht nur Unternehmenssicherheit, sondern die Frage, wie fortgeschrittene KI überhaupt kontrolliert werden kann. Das erfordert tiefe KI-Kompetenz neben Sicherheitsinstinkt. Israel als Ganzes holt in der KI schnell auf: Weltmodelle, KI-Infrastruktur, Chips. > *"Das Problem ist nicht nur Cybersicherheit. Das Problem ist, wie wir fortgeschrittene KI langfristig kontrollieren — und dieses Problem klingt wichtig, selbst wenn man die Sicherheitslücken im Unternehmen völlig außer Acht lässt."* ## [21:24] Mechanistische Interpretierbarkeit Maxim ist überzeugt, dass mechanistische Interpretierbarkeit — zu verstehen, was tatsächlich in den Gewichten und Aktivierungen eines Modells vorgeht — sowohl möglich als auch notwendig ist. Seine kontraintuitive These: Je klüger Modelle in bestimmten Bereichen werden, desto besser werden sie geeignet sein, die innere Struktur anderer Modelle zu entschlüsseln, als wir es je könnten. Onyx finanziert aktiv Forschung in diese Richtung — nicht nur als Sicherheitswerkzeug, sondern als Fenster in die Natur von Intelligenz selbst. Sarah unterstützt die Wette und verweist auf die Möglichkeit, nicht nur KI, sondern Kognition insgesamt besser zu verstehen. > *"Da wir anfangen, Modelle zu haben, die uns zumindest in einigen wichtigen Bereichen weit überlegen sind, glauben wir, dass wir mechanistische Fähigkeiten viel effektiver erschließen können."* ## [23:35] Wie Onyx Kundenvertrauen aufbaut Fortune-10- und Fortune-20-Unternehmen arbeiten normalerweise nicht mit zwei Jahre alten Startups unter 100 Mitarbeitern. Was diese Regel bricht, ist der Schmerz: CISOs, die täglich mit Agentenvorfällen konfrontiert werden, haben keinen etablierten Anbieter, den sie anrufen können — das Problem gab es vor drei Jahren nicht. Onyx bekommt Anfragen von Unternehmen, die das Startup beim Verlassen der Stealth-Phase entdeckten, weil die Problembeschreibung genau zu etwas passte, das sie bereits täglich bekämpften. Maxim sieht das als enges, vorübergehendes Fenster: Unternehmenskunden wissen, dass neue Startups wachsen werden, und sind lieber frühe Kunden, die das Produkt mitgestalten, als späte Nachzügler. > *"So eine Öffnung entsteht nur, wenn der Schmerz sehr stark ist. Der Schmerz ist so groß, dass sie sagen: 'Ich habe gerade dieses Unternehmen beim Verlassen der Stealth-Phase gesehen, aber es ist ein Problem, das ich täglich habe — ich ruf einfach an.'"* ## [25:10] Risikominderung auf grundlegender Ebene Die zweite Welle der CISO-Panik — jenseits der Agentenaktionen — ist der rapide sinkende Kostenboden für automatisierte Schwachstellenforschung. Coding-Tools können heute Schwachstellen in einem Ausmaß finden und ausnutzen, das noch vor wenigen Jahren Jahrzehnte entfernt gewirkt hätte. Maxim sagt, der Markt reagiert nicht über: Das ist eine echte strukturelle Verschiebung. Die richtige Antwort ist zweigleisig: schnelles Patchen und Sofortmaßnahmen jetzt, plus Investitionen in grundlegende Kontrollen — abgesicherte Identitäten, Firewalls, Endpunkterkennung — die die angreifbare Fläche unabhängig davon verkleinern, was die Werkzeuge des Angreifers leisten können. > *"Die echte Lösung — und das weiß jede Sicherheitsverantwortliche in Großunternehmen — ist, dass wir die grundlegenden Bausteine haben müssen, um diese Risiken zu vermeiden."* ## [27:45] Stufenweiser Rollout von Glasswing und Daybreak Zu Anthropics Glasswing und OpenAIs Daybreak — den kontrollierten Rollouts für leistungsfähigere Modelle: Maxim hat eine differenzierte Sicht. Ein schrittweiser Rollout ist ideal, wenn er global koordiniert ist — er gibt Zeit, Playbooks zu entwickeln, Wissen zu teilen und katastrophale Ausfälle in Stromnetzen oder Fluggesellschaften zu verhindern. Aber wenn ein Akteur ein vergleichbar leistungsfähiges Modell vor dem geplanten Zeitplan veröffentlicht, wird der schrittweise Ansatz zur Belastung: Unternehmen ohne frühen Zugang stehen nun einer Bedrohung gegenüber, auf die sie sich nicht vorbereiten konnten. Seine Empfehlung: den Zugang breit ausweiten, damit mehr Organisationen parallel Abwehrmaßnahmen aufbauen können. > *"Wenn irgendjemand früher an ein methodennahes Modell gelangt, wird es im Rückblick wie ein riesiger Fehler aussehen — wir hätten Unternehmen zumindest die Wahl lassen können, sehr schnell anzufangen."* ## [29:11] Nachzügler unter den Großunternehmen Vor zwei Jahren hatte ein erheblicher Teil großer Unternehmen KI schlicht verboten. Heute begegnet Maxim dem kaum noch. Der Finanzsektor schränkt immer noch ein — Agenten erlaubt, bestimmte Werkzeuge nicht —, aber vollständige Verbote sind verschwunden. Er hält das für richtig: Werkzeugbindung ist selbst ein Risiko. Wer bei der Geschwindigkeit dieses Marktes ausschließlich auf die Modelle eines einzigen Anbieters setzt, steht schlecht da, wenn die nächste Generation die Rangfolge verschiebt. Unternehmen, die breite Werkzeugnutzung erlauben und rigoros managen, werden jene überholen, die aggressiv einschränken. > *"Wer vor einem Jahr auf OpenAI gesetzt hätte, hätte die sicherste Wette der Welt gemacht — und plötzlich hat Anthropic viel bessere Modelle und Werkzeuge."* ## [30:46] Onyx und der größere KI-Sicherheitsmarkt Der KI-Sicherheitsmarkt ist voll mit neuen Anbietern und neuen Angriffsflächen. Maxims Gegenargument zur Sorge um den Produktumfang: Die beiden Kernbausteine der KI von 2026 — Transformer-basierte Foundation Models und werkzeugnutzende Agentenschleifen — haben sich seit Jahren nicht grundlegend verändert. Diese Stabilität erlaubt Onyx, auf viele Agenten-Anwendungen hin zu bauen und dabei die Kerntechnologie schlank zu halten. Die eigentliche Absicherung gegen Architekturwechsel liegt in der Investition in Forscher, die schnell umtrainieren und anpassen können — statt das Produkt auf eine einzige Modellparadigma-Dauerhaftigkeit zu wetten. > *"Die zwei Grundpfeiler, wie KI 2026 funktioniert, haben sich in den letzten Jahren nicht verändert. Wir setzen noch immer weitgehend auf LLM Foundation Models und bauen Agenten noch immer auf sehr ähnliche Weise."* ## [32:36] Sollten Labs Modellvertrauen und Governance übernehmen? Die drängende Frage in der Bay Area: Werden die Labs das Vertrauens- und Governance-Problem irgendwann selbst absorbieren? Maxims strukturelles Argument dagegen: Käufer wollen nicht, dass der Autohändler das Auto zertifiziert. Sicherheitsteams brauchen eine unabhängige Partei, deren Geschäftsmodell vollständig davon abhängt, Recht zu haben — keinen Anbieter, der seinen eigenen Produktruf schützt. Über die Käuferpsychologie hinaus zieht Maxim eine Linie zwischen "zackiger Intelligenz"-Fehlern (alberne Fehler, die mit stärkeren Modellen verschwinden) und absichtsbedingten Ausfällen: Manipulationsangriffe, fehlausgerichtete Ziele, Zieldrift. Die Labs werden die erste Kategorie beheben. Nur eine strukturell unabhängige Aufsicht kann die zweite angehen. > *"Man wird dem Verkäufer eines Produkts nicht vertrauen, wenn er einem sagt, dass dieses Produkt die eigene Umgebung nicht beeinträchtigen wird. Man will eine unabhängige Partei, deren gesamtes Geschäft davon abhängt, einem zu sagen, dass das Produkt korrekt ist — und dabei Recht zu behalten."* ## [36:56] Was in der Sicherheit passieren muss Sarah fragt, was der breiteren Tech- und Forschungsgemeinschaft — insbesondere den Labs — aus einer Sicherheitsperspektive fehlt. Maxims Antwort: Es ist keine technische Lücke, sondern eine Einfühlungslücke. Sicherheitsprodukte zu bauen erfordert ein tiefes Verständnis davon, wie Sicherheitsteams wirklich arbeiten — ihre Organisationsstruktur, Verantwortlichkeiten, Informationsflüsse. Israel produziert starkes Sicherheitstalent teilweise deshalb, weil der Militärdienst Ingenieuren direkte Erfahrung als der Endnutzer verschafft, für den sie später bauen. Die Labs, so seine Andeutung, bauen Fähigkeiten auf, ohne ausreichend auf die operative Realität der Organisationen zu achten, die sie einsetzen und gegen die sie sich verteidigen müssen. > *"Egal welches technische Problem man löst — man baut ein Werkzeug für Menschen, für eine Organisation mit einer bestimmten Struktur. Ein Produkt für dieses Publikum zu schaffen, das nicht nur das technische Problem löst, sondern das die Leute wirklich lieben, ist wirklich schwer."* ## [39:14] Warum Maxim an AGI glaubt Sarah schließt ab und vermerkt Maxims implizite Überzeugung, dass menschliche Sicherheitsteams noch einige Jahre existieren werden. Er bestätigt es — aber mit einem Zeithorizont: Sicherheitsteams werden in naher Zukunft vollständig von KI-Agenten geführt werden, so wie die meiste Wissensarbeit. Seine nüchterne Version von AGI-Optimismus: Die Aufgabe, großartige Produkte zu bauen, ändert sich nicht — man muss immer wissen, wer der Endnutzer ist, und für dessen Erfahrung optimieren. Heute sind das Menschen mit einigen Agenten an ihrer Seite. Wenn sich das Verhältnis umkehrt, gilt dasselbe Prinzip — nur für Agenten, die Kontextfenster lesen statt Dashboards. > *"Heute, wenn ich ein Produkt verkaufe, verkaufe ich es an ein menschliches Publikum mit einigen Agenten — und wenn dieses Publikum mehr Agenten als Menschen wird, wird es wichtig sein, dass wir uns weiterentwickeln und es für Agenten, die die Arbeit machen, wirklich gut funktioniert."* ## Entitäten - **Maxim Bar Kogan** (Person): Mitgründer und CEO von Onyx Security; ehemaliger israelischer Geheimdienst, Hintergrund in Mathematik und offensivem Cyber. - **Sarah Guo** (Person): Moderatorin von No Priors; Gründerin und GP bei Conviction. - **Onyx Security** (Organisation): In Israel ansässiges Startup, das KI-Überwachungsinfrastruktur aufbaut — trainiert spezialisierte kleine Modelle zur Überwachung und Steuerung von KI-Agenten in Unternehmen. - **AutoGPT** (Software): Früher quelloffener autonomer LLM-Agent; von Maxim als Wendepunkt genannt, der Agentenrisiken greifbar machte. - **Glasswing / Daybreak** (Software): Kontrollierte Rollout-Programme von Anthropic bzw. OpenAI für den Zugang zu Frontier-Modellen. - **Mechanistic Interpretability** (Konzept): Forschungsprogramm, das darauf abzielt, die interne Gewichts- und Aktivierungsstruktur neuronaler Netze zu verstehen; Onyx behandelt es als langfristigen Pfeiler der KI-Aufsicht. - **Secure Control Plane** (Konzept): Onyxs Produktkategorie — eine herstellerunabhängige Schicht, die Agentenberechtigungen, Aktionslegitimität und Verhaltenshistorie in Echtzeit überwacht. - **8200** (Organisation): Israelische Geheimdiensteinheit, der weithin zugeschrieben wird, Israels führende Sicherheits- und Tech-Talente hervorzubringen, darunter viele Onyx-Ingenieure.

Andrew Feldman, CEO of Cerebras, details the company's journey from a controversial 'wafer-scale' architecture to a $63 billion public valuation. He explains how their radical hardware design delivers 15-20x faster AI inference than traditional GPUs, enabling new business models and a fundamental reorganization of productivity. ## [00:00] – Cold Open Andrew Feldman compares the impact of AI speed to Netflix's transition from DVD delivery to streaming, noting that extreme speed opens entirely new business models. He predicts a fundamental reorganization of productivity as AI moves beyond basic coding and design tasks. > *that's what happens with speed and I think that's what fast AI does right now [00:10]* ## [00:41] – Andrew Feldman Introduction Host Sarah Guo introduces Andrew Feldman and highlights Cerebras' recent IPO and its current $63 billion market cap. The discussion frames the company's transition from early machine learning research to dominating the foundation model inference market. > *Serbust recently went public and is currently worth about $63 billion in the stock market. [00:54]* ## [00:48] – Cerebras’ Evolution Feldman describes Cerebras as a builder of AI-optimized computers that outperform GPUs by up to 20x in inference tasks across all model sizes. He attributes their recent success to AI models becoming smart enough for daily utility in 2025, leading to massive contracts with OpenAI and AWS. > *we're the the fastest at inference, not by little, but by a lot, 15, 18, 20x faster than GPUs. [01:39]* ## [02:17] – Wafer-Scale Bet Pays Off The conversation explores Cerebras' unique 'wafer-scale' architecture, which utilizes a single chip the size of a dinner plate. Feldman argues that radical performance improvements require radical designs, noting that critics initially dismissed the approach as impossible. > *we chose wafer scale, which means we build a 46,000 square millimeter chip, a chip the size of a dinner plate [03:39]* ## [06:38] – Challenges and Breakthroughs Feldman recounts a high-stakes period between 2017 and 2019 when the team struggled to make the technology work while spending $8 million monthly. He emphasizes that while the technical breakthrough occurred in 2019, market demand only exploded once AI became an essential daily tool. > *We had a period between about 2017... and middle of 2019 where we couldn't build it. [07:34]* ## [08:37] – Crossing the Market Chasm Feldman describes the early years where Cerebras had superior technology but struggled to find a market, eventually finding success in supercomputing labs. A pivotal $1 billion order from sovereign partner G42 provided the capital and scale necessary to battle-test their hardware and prepare for the AI explosion. > *We had a 2 or three year period where we were ahead of the market and absolutely nobody cared that we were blisteringly fast. [09:00]* ## [10:38] – Scaling Software and Hardware Scaling a hardware company involves physical constraints like manufacturing lines, power requirements, and test fixtures that software companies do not face. Feldman also highlights the long-term nature of deep tech development, noting that building a high-quality compiler takes nearly a decade of engineering effort. > *When you're building things... you have to call your manufacturing partner... Each step takes real time and effort to grow. [11:24]* ## [12:03] – Relevance of AI-Generated Coding Cerebras has aggressively adopted AI-generated coding, with token spending per engineer increasing significantly to support the use of autonomous agents. Feldman observes that certain engineers are becoming '100x' contributors by governing multiple agents for coding and QA tasks. > *They've moved their coding style to being one in which they govern agents... they've gone from being sort of 10x guys to being 100x guys. [13:12]* ## [13:31] – Leadership and Hiring Culture With a $20 billion backlog and a growing team of over 800 people, Feldman emphasizes the need to avoid corporate malaise by continuing to take extraordinary risks. He views himself as a 'professional David' who thrives on solving problems that others deem impossible while competing against Nvidia. > *We would much rather fail in pursuit of the extraordinary than succeed in the ordinary. [15:01]* ## [17:16] – When to Quit vs. Persist Andrew Feldman describes himself as a 'professional David' who thrives on competing against larger incumbents through intellectual superiority. He emphasizes that founders must guard against the 'slippery slope' of persistence by using external mentors to hold them accountable to their original hypotheses. > *The slippery slope is a beast... you have to guard against it. [18:32]* ## [19:40] – Why Cerebras Went Public The transition to a public company is framed as a way to reduce the cost of capital and gain legitimacy with large-scale corporate clients. Feldman notes that Cerebras chose the IPO path to differentiate itself as the market's only 'AI pure play' revenue stream. > *For us it was an opportunity to graduate from corporate adolescence to corporate adulthood. [23:22]* ## [22:57] – The OpenAI Deal Feldman recounts the intense four-and-a-half-week period during which Cerebras finalized a $20 billion deal with OpenAI, driven by a sudden demand for fast inference. The deal moved at an unprecedented pace, involving constant work through the holiday season to meet technical requirements. > *For a 20 plus billion dollar deal to do it in four and a half weeks was exceptional. [24:59]* ## [25:54] – Open Source and Post-Trained Workloads Andrew Feldman highlights how the open-source ecosystem sustains market interest and pressures closed-source developers to innovate. He emphasizes that seeing external developers build creative solutions on Cerebras hardware is a core motivation for the company's infrastructure goals. > *You got to love other people's ideas to take flight on on what you built. [28:04]* ## [27:37] – How Speed Opens Up New Business Extreme speed in AI enables fundamental shifts rather than just incremental improvements, using Netflix's transition from DVDs to streaming as a primary example. Feldman argues that the ambition for speed is a competitive advantage, as seen in the rapid construction of data centers. > *when the internet got fast they became a movie studio right that's what happens with speed [28:38]* ## [30:07] – Conclusion Drawing parallels to the PC and cloud revolutions, Feldman predicts that AI will move beyond replacing specific tasks to fundamentally reorganizing how work is performed. This shift is expected to trigger massive jumps in global productivity as new business models emerge around the technology. > *once we start sort of fundamentally reorganizing around this, you're going to see this sort of new business models and fundamental jumps in productivity. [29:53]* ## Entities - **Andrew Feldman** (person): Co-founder and CEO of Cerebras - **Cerebras** (organization): AI hardware company known for wafer-scale engine technology - **OpenAI** (organization): AI research organization that signed a multi-billion dollar deal with Cerebras - **G42** (organization): A sovereign AI and technology holding company that placed a $1 billion order with Cerebras - **Nvidia** (organization): Leading GPU manufacturer and dominant competitor in the AI chip market - **Sarah Guo** (person): Host of No Priors and venture capitalist - **AWS** (organization): Amazon's cloud computing division deploying Cerebras hardware - **Netflix** (organization): Used as an analogy for how speed changes business models from delivery to production

US-Staatssekretär Jacob Helberg kehrt zu No Priors zurück, um Pax Silica vorzustellen: eine 14-Länder-Koalition für wirtschaftliche Sicherheit, die die gesamte AI-Lieferkette sichern soll, von Chips über Seltene-Erden-Magneten bis zu Roboter-Aktuatoren. Das Flaggschiffprojekt: 4.000 Hektar auf den Philippinen (ein Drittel Manhattans) werden den USA für eine vorwärtsgerichtete Industriebasis überlassen. Ziel ist es, das zu tun, was Chinas Belt and Road für staatlich geführte Infrastruktur getan hat, aber durch private Unternehmen und Venture Capital statt durch Staatsunternehmen. Sarah Guo und Elad Gil fragen Helberg nach der Dauerhaftigkeit der Politik, der Rolle von Risikokapitalgebern und warum er Amerika als globalen Underdog bezeichnet. ## [00:00] Kalter Einstieg Helberg eröffnet mit dem philosophischen Kern von Pax Silica: Die USA werden den Lieferkettenwettbewerb nicht mit staatlich betriebenen Fabriken gewinnen. Ihr Vorteil liegt im Privatsektor und in ihren Unternehmen. Steve Jobs' Idee des "Begeisterns und Erfreuens" wird milliardenfach exportiert. Die Strategie besteht darin, gemeinsam mit amerikanischen Entwicklern Plattformen aufzubauen, die letztlich als kommerzielle Dienste außerhalb der Regierung operieren können. > *Wir werden keine staatlich betriebenen Lieferketten aufbauen, denn so glänzen wir nicht als Land. Unsere Stärke ist wirklich unser Privatsektor und unsere Unternehmen.* ## [00:41] Vorstellung Jacob Helberg Sarah und Elad stellen Helberg vor, der seit dem letzten Gespräch als Staatssekretär für Wirtschaftsangelegenheiten bestätigt wurde. Der Rahmen für die Stunde: Pax Silica als multinationaler Versuch, die AI-Lieferkette für die USA und ihre Verbündeten zu sichern. > *Jacob, vielen Dank, dass du heute dabei bist. Ja, danke für die Einladung.* ## [01:02] Mission von Pax Silica Helberg führt Pax Silica auf seine Rede am Hudson Institute zurück, in der er einen "ökosystembasierten" Ansatz für Lieferketten skizzierte. Die Koalition umfasst jetzt 14 Länder. Das erste konkrete Ergebnis: die philippinische Vereinbarung über 4.000 Hektar für eine vorwärtsgerichtete Industriebasis. Er bezeichnet das als Verbindung amerikanischer Common-Law-Verlässlichkeit mit den industriellen Vorteilen der Philippinen und rahmt es als AI-Lieferketten-Produktlaunch ein, der bewusst in San Francisco stattfindet, um Entwickler direkt anzusprechen. > *Pax Silica ist eine wirtschaftliche Sicherheitskoalition mit jetzt 14 Ländern, und die Idee ist, einen ökosystembasierten Ansatz für unsere Lieferketten zu verfolgen, insbesondere für die AI-Lieferkette.* ## [03:51] Investitionen in AI-Chip-Lieferketten Die AI-Lieferkette ist weit mehr als Chips: "Tausende von Komponenten wie Präzisionsgetriebe, Servomotoren, Seltene-Erden-Magneten und Aktuatoren" und das Konzentrationsrisiko der USA ist bei fast allen davon extrem hoch. Helbergs Ansatz: Regionen auswählen, die bereits industrielle Tiefe und Werteausrichtung mitbringen. Die Philippinen erfüllen beide Kriterien: ein tiefes Fertigungsökosystem und der älteste Verbündete der USA in Asien. Robotik wird explizit als nächster Engpass nach Chips genannt. > *Die AI-Lieferkette umfasst tatsächlich Tausende von Komponenten wie Präzisionsgetriebe, Servomotoren, Seltene-Erden-Magneten und Aktuatoren, und unser Konzentrationsrisiko als Land ist für nahezu alle davon enorm hoch.* ## [05:43] Pax Silica im Vergleich zur Belt and Road Initiative Der naheliegende Vergleich, den Helberg nicht scheut. Die Belt and Road Initiative war 25 Jahre staatseigener Unternehmen, die im Ausland staatlich betriebene Straßen, Brücken, Eisenbahnen, Minen und Verarbeitungsanlagen bauten: Infrastruktur als außenpolitisches Instrument. Pax Silica kehrt dieses Modell bewusst um: Die Assets sind privat und kommerziell tragfähig, die Regierung senkt Reibung und koordiniert Verbündete, und das Ziel ist wirtschaftliche Verflechtung statt politischer Hebel. Helberg argumentiert, dies sei sowohl dauerhafter als auch transparenter, die Partnerländer erhalten echtes Wachstum statt Schuldenfall. > *Im Kern waren es staatliche Unternehmen, die staatlich betriebene Eisenbahnen und Straßen bauten.* ## [12:38] Wertversprechen von Pax Silica Für Partnerländer ist das Versprechen klar: AI treibt bereits mehr als ein Drittel des US-BIP-Wachstums und erzeugt Rekordnachfragen nach Kupfer, Kobalt, Elektrikern und allem, was in ein Rechenzentrum eingeht. Länder, die bedeutende Positionen in verschiedenen Schichten der Lieferkette einnehmen, erschließen sich Wachstum, das sie sonst nicht hätten. Helberg betont die Nicht-Nullsummen-Natur von Technologie-Inflexionspunkten: Der Kuchen wächst schnell genug, dass alle am Tisch gewinnen können. > *Der Kuchen wächst wirklich schnell. Und so ist es wirklich kein Nullsummenspiel, was es unglaublich förderlich macht, sehr gegenseitig vorteilhafte Beziehungen zu schmieden.* ## [14:38] US-Produktion vs. Partnerschaftliche Fertigung Elad stellt die naheliegende Frage: Was bleibt in den USA, was wird ausgelagert? Helbergs Rahmen ist Verbrauch versus Produktion. Die USA sind 4% der Weltbevölkerung, konsumieren aber 20-30% des globalen Outputs, produzieren jedoch weit weniger. Diese Lücke zu schließen bedeutet per Definition Reindustrialisierung. Einiges (modernste Fabs, verteidigungskritische Fähigkeiten) muss im Inland bleiben. Anderes (Mineralverarbeitung, bestimmte Komponenten) ist besser dort aufgehoben, wo Geographie und Industriebasis bereits Vorteile bieten. Der Ansatz ist keine Autarkie, sondern eine bewusste Umverteilung der Lieferkette unter Verbündeten, wobei die USA die strategisch sensibelsten Schichten halten. > *Amerika konsumiert etwa 20 bis 30 Prozent des globalen Konsums in jedem Quartal.* ## [19:10] Preisgestaltung bei Seltenen Erden Elad hakt bei Seltenen Erden nach: nicht wirklich selten, Gesamtmarkt nur wenige Milliarden Dollar, von China stark subventioniert als Kontrollinstrument. Helberg stimmt zu und rahmt die Wirtschaftlichkeit neu: Was die Wettbewerbsfähigkeit bei Seltenen Erden bestimmt, ist die Energieintensität und Qualitätsstufe der Förderung, nicht geologische Knappheit. Das macht die Frage zur Frage nach Energieüberfluss und Verarbeitungskapazität, nicht zur Suche nach neuen Vorkommen. Wenn die USA das günstige Energieproblem lösen, können sie in dieser Kategorie gewinnen. > *Was wirklich die Wirtschaftlichkeit dieser Branchen antreibt, ist, wie viel Energie man benötigt, um ein bestimmtes Mineral in einer bestimmten Qualität zu fördern.* ## [22:16] Rolle des Venture Capitals in Pax Silica Sarah fragt "für einen Freund", welche Rolle privates Kapital spielt. Helbergs Antwort ist für einen Staatssekretär ungewöhnlich direkt: Risikokapitalgeber sind besser als die Regierung darin, Gründer und Operatoren zu beurteilen, und Ausführungskapazität ist entscheidend dafür, ob ehrgeizige Projekte die Realität überstehen. Er möchte das Venture-Ökosystem als Signalschicht nutzen: Regierungsallokation kann folgen, wohin glaubwürdige Operatoren bereits gehen, statt dass die Regierung allein Gewinner auswählt. > *Ihr seid darauf ausgerichtet, viele Persönlichkeitseigenschaften von Gründern und Operatoren zu beurteilen.* ## [24:50] Kurz- vs. langfristige Prioritäten Wie balanciert man Ergebnisse für 2027-2028 gegen Fünfjahres-Pläne? Helbergs Antwort ist Umfeldgestaltung statt Zeitplanung. Der Ansatz der Regierung ist, das Makroumfeld so zu gestalten, dass kurzfristige Iteration und langfristige kapitalintensive Projekte leichter werden: Bürokratie abbauen, inländisches Energieangebot ausweiten, Kernenergie vervierfachen. > *Das Umfeld gestalten, ein Makroumfeld schaffen, das Innovation, Iteration von Innovationen und Einsatz von Innovationen deutlich einfacher und kostengünstiger macht.* ## [27:09] AI-Politik nachhaltig verankern Elad spricht das Problem der Präsidialerlasse an: Jede Regierung streicht die Erlasse der letzten. Wie überlebt Pax Silica eine Übergabe? Helberg merkt an, dass manche Dinge, wie Steuerreformen, sehr beständig sind, und dass seine Rolle ihm Wahlkommentare untersagt. Die Frage nach der Dauerhaftigkeit beantwortet er nicht vollständig: Die Dauerhaftigkeit muss aus Gesetzgebung und Fakten vor Ort kommen (Industriebasis auf den Philippinen), die schwer rückgängig zu machen sind. > *Steuerreform ist sehr beständig.* ## [28:09] Wie Politiken Unternehmer betreffen Für amerikanische Unternehmer ist Pax Silica als Marktzugangsplattform positioniert, die den Zugang zu Märkten in Japan, Südkorea, Indien und Singapur erweitert, wo selbst freundliche Handelspartner oft Hürden aufbauen. Helberg will Feedback von Unternehmern zu bestehenden Partnerschaften, Lieferkettenentscheidungen und Politikfixes für grenzüberschreitende Zusammenarbeit. > *Wir wollen es als Plattform nutzen, um den Marktzugang für unsere Unternehmen zu erweitern.* ## [31:00] Trumps unternehmerische Regierung Auf die Frage, was ihn am meisten überrascht hat, nennt Helberg die Geschwindigkeit und Risikobereitschaft der Regierung: "Trump-Zeit", der laufende Witz mit Partnern im Ausland. Er führt das auf einen Präsidenten zurück, der den Großteil seines Lebens im Privatsektor verbracht hat, sowie ein Kabinett (Bessent, Lutnick, andere), das mit privaten Instinkten statt bürokratischen arbeitet. > *Wir bewegen uns gerne in Trump-Zeit.* ## [33:00] Warum Amerika ein globaler Underdog ist Sarah fragt Helberg nach seiner Charakterisierung Amerikas als "globalen Underdog", kontraintuitiv da die USA meist als etablierte Macht beschrieben werden. Helberg greift auf Graham Allisons Thucydides Trap zurück und widerspricht: Amerikas Identität war von Anfang an die einer Underdog-Nation: 13 unorganisierte Kolonien, die gegen das Empire der feinen Gesellschaft rebellierten, immer wieder für im Niedergang befindlich erklärt und immer wieder das Gegenteil beweisend. Das Argument ist eine Verteidigung der amerikanischen Risikokultur. > *Wir waren immer eine Nation der Underdogs.* ## Personen - **Jacob Helberg** (Person): US-Staatssekretär für Wirtschaftsangelegenheiten; Architekt von Pax Silica. - **Sarah Guo** (Person): No Priors-Moderatorin; Gründerin und GP bei Conviction. - **Elad Gil** (Person): No Priors-Moderator; unabhängiger Investor und Seriengründer. - **Pax Silica** (Konzept): Eine 14-Länder-Koalition für wirtschaftliche Sicherheit unter Führung des US-Außenministeriums, die die AI-Lieferkette durch vorwärtsgerichtete Industriebasen und private Partnerschaften sichern soll. - **Belt and Road Initiative** (Konzept): Chinas 25 Jahre staatlich geführtes Auslandsinfrastrukturprogramm, gegen das sich Pax Silica abgrenzt. - **Philippinen-Industriebasis** (Projekt): 4.000 Hektar für den USA überlassen zum industriellen Ausbau, das erste Pax-Silica-Flaggschiffprojekt. - **Thucydides Trap** (Konzept): Graham Allisons Framework, das die USA-China-Beziehung als Konflikt zwischen etablierter und aufsteigender Macht beschreibt; Helberg lehnt die Charakterisierung als etablierte Macht ab. - **Trump-Regierung** (Organisation): Rahmt Pax Silicas Politikgeschwindigkeit und Risikobereitschaft ("Trump-Zeit"); Kabinettsmitglieder Scott Bessent und Howard Lutnick werden erwähnt.

Long Lake Management Co-Gründer und CEO Alexander Taubman spricht mit Elad Gil über die geplante Übernahme von American Express Global Business Travel für 6,3 Milliarden Dollar – was Elad als die weltweit erste KI-getriebene Übernahme eines börsennotierten Unternehmens bezeichnet. Taubman erklärt, wie Long Lakes horizontale KI-Plattform Nexus über verschiedene Dienstleistungsbranchen hinweg eingesetzt wird, um Wachstum zu erzeugen statt Stellen zu streichen. Das Unternehmen kauft und hält – nach dem Vorbild Berkshire – in der Überzeugung, dass die über Jahre kumulierende KI-Produktivitätssteigerung jeden kurzfristigen Weiterverkauf schlägt. ## [00:00] Alexander Taubman Vorstellung Elad Gil eröffnet das Gespräch mit dem Hinweis, dass Long Lake bereits rund 30 Übernahmen unter seiner KI-Transformationsthese abgeschlossen hat, bevor Amex GBT – die weltgrößte Plattform für Geschäftsreisen – für 6,3 Milliarden Dollar ins Portfolio kam. > *"Long Lake hat kürzlich die Absicht bekannt gegeben, American Express Global Business Travel für 6,3 Milliarden Dollar zu übernehmen – in dem, was ich für die weltweit erste KI-getriebene Übernahme eines börsennotierten Unternehmens halte."* ## [00:30] Long Lakes Nexus-Plattform Nexus ist modell-agnostisch und sitzt zwischen den Foundation-Modellen und den Datenquellen, Fähigkeiten und Arbeitsabläufen jedes übernommenen Unternehmens. Rund 80 % der Infrastruktur wird über alle Branchen hinweg geteilt; die verbleibenden 20 % entfallen auf den Deployment-Aufwand – Workflows kartieren, Datenquellen bereinigen und Ingenieure direkt im Betrieb einbetten. Was früher mehr als ein Jahr dauerte, ist heute innerhalb von Tagen nach dem Transaktionsabschluss einsatzbereit und liefert sofortige Zeitersparnisse, die Long Lake in Wachstum statt in Kostensenkungen steckt. > *"Wir sind eigentlich gar nicht auf Kosteneinsparungen fokussiert. Wir sind auf Wachstum und Kundenerfahrung fokussiert. Das ist unser großes Ziel – und was wir gesehen haben, ist ein weitaus kraftvolleres Modell, weil KI aus unserer Sicht unglaublich positiv-summig ist."* ## [03:35] Mitarbeiterbindung und Talent-Flywheel Mitarbeiter, die mit Nexus ausgestattet sind, betreuen mehr Kunden, machen weniger Fehler und verdienen mehr – und wer das Unternehmen verlässt, kehrt zu der monotonen Arbeit zurück, die Nexus eliminiert hat. Diese Hürde entwickelt sich zu einem echten Talentmagneten. Portfoliounternehmen, die zuvor 0–5 % jährlich wuchsen, verzeichnen nun organisches Wachstum von über 20 %. > *"Wenn Sie Long Lake oder eines unserer Partnerunternehmen verlassen, um zu einem Wettbewerber zu gehen, müssen Sie all diese banale Arbeit wieder aufnehmen – 25 %, 30 % Ihres Tages. Der bloße Gedanke daran ist so, als würden Sie auf E-Mail verzichten."* ## [05:01] Übernahme statt Softwareverkauf Software in Dienstleistungsunternehmen zu verkaufen bedeutet, eine dünne Feedbackschleife und keine Kontrolle über das Change Management zu akzeptieren. Wenn man das Unternehmen besitzt, sitzen Long Lakes Ingenieure im gleichen Raum – oft buchstäblich im gleichen Bundesstaat – wie die Mitarbeiter im Betrieb, deren Probleme sie lösen. Das Skunk-Works-Modell der Kolokalisation verkürzt die Schleife von Monaten auf Tage. > *"Unser Team betrachtet unsere Mitarbeiter und Kolleginnen und Kollegen im Feld als Kunden – und diese interne Feedbackschleife: Das ist der andere Punkt. Wir haben eine viel engere Feedbackschleife."* ## [06:57] Aufbau von Long Lakes Gründungsteam Long Lake wurde gezielt geschaffen, um drei Disziplinen zu vereinen: Private-Equity-M&A, angewandtes KI-Engineering und Change Management. Die ersten 20 Einstellungen kamen alle über das Netzwerk – Ingenieure, die Mitgründer oder CTOs von KI-Startups gewesen waren, aber keinen Zugang zur Vertriebsstruktur der Dienstleistungsbranche gefunden hatten. Die M&A-Fachleute kamen von GTCR, Blackstone, TPG und HIG – gezielt, weil diese Firmen nicht KI-nativ sind. > *"Es schien eine riesige, riesige Lücke zu geben, und viele der Leute, die unser Gründungsteam bildeten, waren zuvor selbst Gründer in der Technologiebranche. Viele von ihnen hatten im Engineering-Team eigene Startups."* ## [10:37] American Express Global Business Travel von der Börse nehmen Amex GBT stand auf Long Lakes Whiteboard mit Zielbranchen, weil Geschäftsreisen missionskritisch und fehlerkostenintensiv sind – eine verpasste Reise ist ein echter Geschäftsverlust. Das 1915 von American Express gegründete Unternehmen – ursprünglich dazu, Reisescheckkundschaft während des Ersten Weltkriegs aus Europa herauszubringen – hat bereits öffentlich eine KI-Transformations-Roadmap präsentiert. Long Lakes Plan ist es, Nexus auf dieser bestehenden Strategie aufzubauen und jeden Reiseberater mit KI-Superkräften auszustatten. > *"Stellen Sie sich Ihren Reiseberater mit KI-Superkräften vor. Das ist die Zukunft, die wir uns für die Kunden von AMEX GBT vorstellen."* ## [13:36] Berkshire Hathaways Managementansatz übernehmen Das klassische Private-Equity-Modell belastet Unternehmen mit Schulden, Kürzungen und einem Verkauf nach drei bis fünf Jahren. Long Lake lehnt dieses Modell ausdrücklich ab: Die kumulierenden Effekte besserer Werkzeuge → besserer Mitarbeiter → besserer Kundenergebnisse → schnelleren Wachstums brauchen zwei bis fünf Jahre, um sich zu entfalten, und ein Verkauf zu diesem Zeitpunkt würde den Vorteil aufgeben. Das operative Modell von Danaher und Transdigm – zersplitterte Branchen mit einem differenzierten System zu konsolidieren – ist der explizite Bezugspunkt, hier angewandt auf Dienstleistungen mit KI als Vorsprung. > *"Sie bauen das beste Unternehmen der Branche auf und verkaufen es dann? Das ergibt für mich keinen Sinn. Ich würde dieses Unternehmen für immer besitzen und diesen Vorteil über Jahrzehnte hinweg aufzinsen wollen."* ## [16:37] Wie KI-Strategie Long Lake hervorhebt Enterprise-KI ist in realen Anwendungsfällen nach wie vor bei rund 1 % Durchdringung. Verkäufer wählen Long Lake gegenüber klassischem Private Equity, weil das Angebot dauerhaftes Kapital, ein Engineering-Team, das jahrelang vor Ort bleibt, und eine Plattform umfasst, die ab Tag eins einsatzbereit ist. Gründer und Managementteams werden ermutigt, Eigenkapital in die neue Struktur einzubringen, damit sie am Aufwärtspotenzial teilhaben. Mit wachsender Erfolgsbilanz erwartet Taubman sinkende Kapitalkosten – was Long Lake zu einem noch wettbewerbsfähigeren Bieter macht, ohne über den Preis gewinnen zu müssen. > *"Einen langfristigen Kapitalpartner zu haben ist bereits eine wunderbare Sache – aber diesen Partner mit tiefem angewandtem KI-Engineering-Know-how und einer Plattform zu haben, die man ab Tag eins einsetzen kann, das hat wirklich Widerhall gefunden."* ## [19:32] KI ermöglicht skalierbare Dienstleistungen Arbeitsintensive Dienstleistungsunternehmen zahlen eine harte Wachstumssteuer: 20 % mehr Umsatz bedeutet oft 20 % mehr Personal, und nach Lohnkosten bleiben von jedem zusätzlichen Umsatzdollar nur 20 Cent übrig. Nexus steigert die Produktivität bestehender Teams um 30–40 % und bricht diese Gleichung auf. Portfoliounternehmen-CEOs – einige leiten ihre Betriebe seit Jahrzehnten – beschreiben dies als ihre bisher beste Berufsphase, weil sie endlich mit softwareähnlichen Grenzmargen wachsen. > *"Wenn man seine bestehenden Teams um 30 bis 40 % effizienter macht und sie mehr Kunden betreuen können, verändert das die gesamte Denkweise der Organisation. Man wächst jetzt wie ein Softwareunternehmen – mit hohen Grenzmargen."* ## Entitäten - **Alexander Taubman** (Person): Co-Gründer und CEO von Long Lake Management; leitete die 6,3-Mrd.-USD-Übernahme von Amex GBT - **Elad Gil** (Person): Moderator von No Priors; unabhängiger Investor und Serienunternehmer - **Long Lake Management** (Organisation): KI-getriebenes Roll-up-Unternehmen; kauft und transformiert Dienstleistungsunternehmen mit Nexus - **Nexus** (Software): Long Lakes horizontale KI-Plattform; modell-agnostisch, 80 % gemeinsam genutzte Infrastruktur über alle Branchen - **American Express Global Business Travel / Amex GBT** (Organisation): 111 Jahre alte Plattform für Geschäftsreisen; Zielobjekt von Long Lakes 6,3-Mrd.-USD-Übernahme - **AI take-private** (Konzept): Übernahme eines börsennotierten Unternehmens mit der ausdrücklichen Absicht, es KI-technologisch zu transformieren – Long Lakes Deal mit Amex GBT gilt als erster seiner Art - **Danaher / Transdigm** (Organisation): Operative Konglomerate, die als Vorbild für Long Lakes langfristige, auf Aufzinsung ausgerichtete Akquisitionsstrategie genannt werden