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 habla con Maxim Bar Kogan, cofundador y CEO de Onyx Security, sobre lo que realmente implica proteger agentes de IA a escala empresarial. Maxim argumenta que los controles tradicionales — proxies, restricciones de identidad, revisión humana — se rompen cuando las acciones de los agentes se multiplican de forma exponencial, y que el único camino viable es entrenar modelos pequeños y especializados que sepan cuándo escalar a un supervisor más potente. La conversación abarca el producto "plano de control seguro" de Onyx, la aritmética de coste y latencia detrás del entrenamiento de modelos propios, por qué los laboratorios no pueden certificar de forma creíble la seguridad de sus propios modelos, y la convicción de Maxim de que la AGI está en camino y de que la supervisión independiente de IA será un negocio de cientos de miles de millones de dólares. ## [00:00] Apertura directa Maxim arranca en medio de la acción: cuanto más usan las empresas los agentes de IA, mayor es el riesgo de acciones indeseadas — agentes que publican credenciales por error, realizan llamadas de red no autorizadas o toman medidas irreversibles. Las empresas ya saben que la ola de adopción no tiene freno; lo que les falta es cualquier mecanismo para distinguir una acción legítima de una ilegítima. El fragmento expone la tesis central de Onyx antes de que comience la introducción. > *"Las empresas están empezando a darse cuenta de que ese riesgo crece de forma exponencial y de que no tienen manera de frenar la adopción. Solo pueden hacer algo para reducir la probabilidad de que esas acciones de los agentes sean ilegítimas o incorrectas."* ## [00:45] Presentación de Maxim Bar Kogan Sarah presenta a Maxim como cofundador y CEO de Onyx Security, una startup israelí formada por investigadores, matemáticos e ingenieros, descrita como la empresa que construye agentes para vigilar a los agentes de IA. La compañía combina experiencia en ciberataques ofensivos con investigación profunda en IA, incluido trabajo en datos sintéticos e interpretabilidad mecanicista. ## [01:10] AutoGPT y la apuesta por las acciones de los agentes Durante dos años, el gran riesgo en seguridad empresarial era la fuga de datos vía chatbots — empleados pegando información sensible en ChatGPT. Ese marco ha quedado superado por la preocupación por las acciones autónomas de los agentes. Maxim rastrea la apuesta fundacional de Onyx hasta AutoGPT: el primer agente que permitió a un LLM decidir qué hacer, llamar a una herramienta y repetir el ciclo en bucle, sin limitarse a generar texto. La demo demostró que los agentes podían actuar de forma autónoma en el mundo real, y Maxim concluyó de inmediato que alguien tendría que supervisar esas acciones a escala. > *"AutoGPT desató la imaginación de todos, incluida la nuestra, porque fue el primer agente verdaderamente autónomo sobre LLMs — un agente que no generaba texto sino que decidía qué hacer y luego tenía acceso a APIs para hacerlo."* ## [05:17] Qué hace el producto de Onyx Onyx hace dos cosas: entrenar modelos y construir agentes que supervisen a otros agentes, y empaquetar esa capacidad como un "plano de control seguro" que las empresas integran en su infraestructura de IA. El plano de control monitoriza las acciones de los agentes en tiempo real para determinar su legitimidad, gestionando al mismo tiempo el equilibrio entre latencia, coste y fiabilidad. Maxim sitúa la visión a largo plazo más allá de la seguridad empresarial: cualquier empresa que use agentes de IA necesita una parte independiente del proveedor que certifique lo que esos agentes hacen. > *"El número de estas acciones crece de forma exponencial. Cosas que antes parecían útiles, como un humano en el bucle — cuando vas a tener cien veces, mil veces, un millón de veces más de estas acciones — eso no va a funcionar."* ## [07:47] Estado del despliegue en grandes empresas En una gran empresa típica hoy, Maxim distingue tres categorías de despliegue de IA: automatizaciones SaaS de bajo código (drag-and-drop, no verdaderamente autónomas), agentes propios desarrollados internamente o como productos para clientes, y agentes de codificación autónomos y asistentes. De las tres, los agentes de codificación ya representan más del 50% del uso de IA. Los sectores más maduros — servicios financieros, sanidad — aplican los controles más estrictos, pero incluso las empresas más cautelosas han dejado de prohibir la IA y han pasado a gestionarla. > *"Más del 50% corresponde a los agentes de codificación autónomos y asistentes en la empresa media."* ## [09:58] Cómo asegurar los agentes Las empresas ya gastan unos 100 000 millones de dólares al año en seguridad — endpoint, red, nube, identidad. Sarah pregunta cuánto de eso sirve para la seguridad de los agentes. La respuesta de Maxim: casi nada. Los controles de identidad, la capa más básica, fallan porque los agentes necesitan permisos amplios y dinámicos que no pueden definirse de antemano. Un agente que escribe código en todo un repositorio o envía correos en nombre de un directivo no puede restringirse a un conjunto de permisos estrecho como sí puede hacerse con un proceso de software estático. La superficie de ataque es la intención, no el acceso — y las herramientas existentes no pueden leer la intención. > *"Con estas IAs autónomas, con estos asistentes, con estos agentes de codificación, no puedes saber de antemano qué permisos darles."* ## [12:45] Por qué los proxies no funcionan El instinto de Sarah, con su experiencia en seguridad, es que esto parece un problema para un proxy con un motor de políticas más inteligente. Maxim coincide en que los proxies sirven como punto de integración en algunas arquitecturas, pero dice que esquivan el problema de fondo. Un proxy te da el flujo de datos; no te dice si la acción en ese flujo es legítima. Ese juicio requiere entender el contexto — el objetivo del agente, su historial, lo que la empresa ha autorizado — y ningún motor de reglas sabe evaluar eso ante comportamientos de agente arbitrarios. > *"El problema difícil es entender si lo que debo hacer ahora está bien o no. En el caso de los sistemas de IA, esa es la pregunta difícil."* ## [14:11] Por qué Onyx entrena sus propios modelos La solución obvia — usar Claude Code para monitorizar Claude Code — se rompe por coste y latencia. Ejecutar un agente de modelo frontier por cada agente empresarial haría que la capa de seguridad fuera más cara que la IA a la que protege. La respuesta de Onyx son modelos pequeños y altamente especializados que hacen exactamente una cosa: decidir si la acción actual justifica escalar a un supervisor más potente. Sarah lo compara con el ajedrez relámpago: los grandes maestros juegan por intuición en las jugadas rápidas y solo se detienen en los momentos críticos. Maxim dice que la analogía es acertada — hay que concentrar la inteligencia donde el riesgo es mayor y mantenerse ágil en el resto. > *"Quieres entrenar modelos que sean muy buenos en una sola cosa. Son muy pequeños. Casi no pueden hacer nada más que decir: '¿Debería un agente más inteligente revisar esto?'"* ## [18:38] La cultura de talento de Onyx El talento en seguridad de Israel — forjado en unidades como la 8200 y empresas como Armis y Wiz — es bien conocido. El ADN de Onyx es diferente: el cofundador Gil viene de datos sintéticos y Nvidia, no de ciberofensiva. La mayor parte de la ingeniería de investigación de Onyx procede de una unidad de inteligencia israelí especializada en matemáticas y ciberseguridad en su intersección. Maxim ve esta combinación como algo deliberado — el problema a largo plazo que Onyx resuelve no es solo la seguridad empresarial, sino cómo controlar la IA avanzada en general. Eso exige experiencia profunda en IA junto a instintos de seguridad. Israel en su conjunto está avanzando rápidamente en IA: modelos del mundo, infraestructura de IA, chips. > *"El problema no es solo la ciberseguridad. El problema es cómo controlamos la IA avanzada a largo plazo — y ese problema, incluso si olvidamos las brechas de seguridad empresarial, parece muy importante."* ## [21:24] Interpretabilidad mecanicista Maxim cree que la interpretabilidad mecanicista — entender qué ocurre realmente dentro de los pesos y activaciones de un modelo — es posible y necesaria. Su tesis contraintuitiva: a medida que los modelos se vuelven más inteligentes que los humanos en aspectos clave, estarán mejor equipados para descifrar la estructura interna de otros modelos de lo que lo estamos nosotros. Onyx financia activamente investigación en esta dirección, no solo como herramienta de seguridad sino como ventana a qué es la inteligencia en sí misma. Sarah respalda la apuesta, señalando la oportunidad de entender no solo la IA sino la cognición en sentido amplio. > *"A medida que empezamos a tener modelos mucho más inteligentes que nosotros, al menos en algunos aspectos importantes, creemos que podremos empezar a descifrar la capacidad mecanicista de forma mucho más efectiva."* ## [23:35] Cómo Onyx construye confianza con sus clientes Las empresas del Fortune 10 y 20 no suelen trabajar con startups de dos años y menos de cien personas. Lo que rompe esa regla es el dolor: los CISOs que enfrentan incidentes diarios relacionados con acciones de agentes no tienen ningún proveedor establecido al que llamar, porque el problema no existía hace tres años. Onyx recibe llamadas entrantes de empresas que los encontraron al salir del sigilo porque la descripción del problema coincidía con algo que ya estaban combatiendo. Maxim trata esto como una ventana estrecha y temporal — los compradores empresariales saben que las startups nuevas maduran, y prefieren ser clientes tempranos que dan forma al producto antes que adoptarlo tarde. > *"Es una oportunidad que solo surge cuando el dolor es muy intenso. Su dolor es tan fuerte que dicen: 'Acabo de ver a esta empresa salir del sigilo, pero es un problema que tengo a diario, así que les voy a llamar.'"* ## [25:10] Mitigar el riesgo en el nivel fundacional La segunda oleada de preocupación entre los CISOs — más allá de las acciones de los agentes — es el desplome del coste de la investigación automatizada de vulnerabilidades. Las herramientas de codificación ya pueden encontrar y explotar vulnerabilidades a una escala que hace pocos años habría parecido lejana décadas. Maxim dice que el mercado no está exagerando: es un cambio estructural genuino. La respuesta correcta es en dos frentes: parchear rápido y aplicar controles mitigadores ahora, más inversión en controles fundacionales — identidad blindada, cortafuegos, detección en endpoints — que reduzcan la superficie explotable independientemente de lo que puedan hacer las herramientas del atacante. > *"La solución real — y todo responsable de seguridad en grandes empresas lo sabe — es que necesitamos tener las piezas fundacionales en su lugar para evitar esos riesgos."* ## [27:45] Despliegue por fases de Glasswing y Daybreak Sobre los despliegues controlados de Glasswing de Anthropic y Daybreak de OpenAI para modelos más capaces: Maxim tiene una posición condicional. El despliegue gradual es ideal si está coordinado globalmente — da tiempo para construir manuales, compartir conocimiento y evitar fallos catastróficos en redes eléctricas o aerolíneas. Pero si algún actor lanza un modelo de capacidad comparable antes del calendario gradual, el enfoque progresivo se convierte en un pasivo: las empresas que no tuvieron acceso temprano quedan expuestas a una amenaza para la que no tuvieron oportunidad de prepararse. Su recomendación es ampliar el acceso de forma amplia para que más organizaciones puedan construir defensas en paralelo. > *"Si alguien llega a un modelo de nivel method antes, en retrospectiva parecería un error enorme — al menos podríamos haber dado a las empresas la opción de empezar a moverse muy rápido."* ## [29:11] Grandes empresas que aún se resisten Hace dos años, un grupo significativo de grandes empresas simplemente prohibió la IA. Hoy Maxim apenas lo ve. El sector financiero sigue imponiendo restricciones — permite agentes pero limita qué herramientas — pero las prohibiciones totales han desaparecido. Argumenta que esto es correcto: el bloqueo a un proveedor concreto es en sí mismo un riesgo. Apostar exclusivamente por los modelos de un solo proveedor en un mercado que evoluciona a esta velocidad significa quedar expuesto cuando la próxima generación cambia los rankings. Las empresas que permiten herramientas amplias y las gestionan con rigor superarán a las que restringen de forma agresiva. > *"Si hubieras apostado por OpenAI hace un año, habría sido la apuesta más segura del mundo, pero de repente Anthropic tiene modelos y herramientas mucho mejores."* ## [30:46] Onyx y el ecosistema de seguridad de IA La seguridad de IA está llena de nuevos proveedores y nuevas superficies de ataque. El argumento de Maxim frente a la ansiedad por el alcance del producto: los dos primitivos centrales de la IA de 2026 — modelos de base transformer y bucles de agentes con llamadas a herramientas — no han cambiado fundamentalmente en años. Esa estabilidad permite a Onyx construir para muchas aplicaciones de agentes manteniendo su tecnología central ágil. La cobertura real ante cambios arquitectónicos es invertir en investigadores que puedan reentrenar y adaptarse rápidamente, en lugar de apostar a que cualquier paradigma de modelo concreto durará para siempre. > *"Los dos pilares centrales de cómo funciona la IA de 2026 no han cambiado en los últimos años. Seguimos usando en gran medida modelos de base LLM y seguimos construyendo agentes prácticamente de la misma forma."* ## [32:36] ¿Deben los laboratorios asumir la confianza y gobernanza de modelos? La pregunta urgente en el ecosistema tecnológico: ¿acabarán los laboratorios absorbiendo ellos mismos el problema de confianza y gobernanza? El argumento estructural de Maxim en contra: los compradores no quieren que el vendedor del coche certifique el coche. Los equipos de seguridad necesitan una parte independiente cuyo modelo de negocio dependa enteramente de acertar — no un proveedor que protege la reputación de su propio producto. Más allá de la psicología del comprador, Maxim traza una línea entre los errores de "inteligencia irregular" (equivocaciones absurdas que mejorarán con modelos más potentes) y los fallos a nivel de intención: manipulación adversarial, objetivos desalineados, deriva de metas. Los laboratorios resolverán la primera categoría. Solo un supervisor estructuralmente independiente puede abordar la segunda. > *"No vas a confiar en el proveedor de un producto para que te diga que ese producto no va a dañar tu entorno. Vas a querer una parte independiente cuyo negocio entero depende de decirte que esto es correcto y de tener razón."* ## [36:56] Qué hace falta en seguridad Sarah pregunta qué le falta a la comunidad tecnológica e investigadora en general — los laboratorios en particular — desde una perspectiva de seguridad. La respuesta de Maxim: no es una brecha técnica, es una brecha de empatía. Construir productos de seguridad exige entender en profundidad cómo operan realmente los equipos de seguridad — su estructura organizativa, responsabilidades, flujos de información. Israel produce talento sólido en seguridad en parte porque el servicio militar da a los ingenieros experiencia directa siendo el usuario final para el que luego construyen. Los laboratorios, implica, desarrollan capacidades sin prestar suficiente atención a la realidad operativa de las organizaciones que tendrán que desplegarlo y defenderse de ello. > *"No importa qué problema técnico estés resolviendo, estás construyendo una herramienta para personas, para una organización que tiene una estructura determinada. Crear un producto para este público que no solo resuelva el problema técnico sino que les encante de verdad es muy difícil."* ## [39:14] Por qué Maxim cree en la AGI Sarah cierra señalando la creencia implícita de Maxim de que los equipos de seguridad humanos seguirán existiendo durante algunos años. Él lo confirma — pero con un horizonte temporal: los equipos de seguridad funcionarán en modo totalmente de agentes de IA a corto plazo, igual que la mayor parte del trabajo del conocimiento. Su versión fundamentada del optimismo sobre la AGI es que la tarea de construir grandes productos no cambia: siempre hay que saber quién es el usuario final y optimizar para su experiencia. Ahora mismo ese es un humano con algunos agentes a su lado. A medida que la proporción se invierte, el mismo principio aplica — solo que a agentes que leen ventanas de contexto en lugar de paneles de control. > *"Hoy cuando vendo un producto lo vendo a una audiencia humana con algunos agentes, y a medida que esa audiencia se convierte en más agentes que humanos, será importante que evolucionemos y lo hagamos funcionar muy bien para los agentes que hacen el trabajo."* ## Entidades - **Maxim Bar Kogan** (Persona): Cofundador y CEO de Onyx Security; ex inteligencia israelí, formación en matemáticas y ciberofensiva. - **Sarah Guo** (Persona): Presentadora de No Priors; fundadora y GP en Conviction. - **Onyx Security** (Organización): Startup israelí que construye infraestructura de supervisión de IA — entrena modelos pequeños especializados para monitorizar y gobernar agentes de IA empresariales. - **AutoGPT** (Software): Primer agente LLM autónomo de código abierto; citado por Maxim como el punto de inflexión que hizo concreto el riesgo de los agentes. - **Glasswing / Daybreak** (Software): Programas de despliegue controlado de Anthropic y OpenAI respectivamente para acceso a modelos frontier. - **Mechanistic Interpretability** (Concepto): Programa de investigación orientado a entender la estructura interna de pesos y activaciones de redes neuronales; Onyx lo trata como pilar a largo plazo de la supervisión de IA. - **Secure Control Plane** (Concepto): Categoría de producto de Onyx — una capa independiente del proveedor que monitoriza permisos de agentes, legitimidad de acciones e historial de comportamiento en tiempo real. - **8200** (Organización): Unidad de inteligencia israelí ampliamente reconocida por producir el mejor talento tecnológico y de seguridad de Israel, incluyendo a muchos ingenieros de Onyx.

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

El Subsecretario de Estado Jacob Helberg regresa a No Priors para presentar Pax Silica, una coalición de seguridad económica de 14 países diseñada para asegurar toda la cadena de suministro de IA, desde chips hasta imanes de tierras raras y actuadores de robots. El proyecto insignia: 4.000 acres en Filipinas (un tercio de Manhattan) cedidos a EE.UU. para una "base industrial de despliegue avanzado", concebida para hacer por el capitalismo democrático liberal lo que la Iniciativa Belt and Road de China hizo por la infraestructura estatal, pero impulsada por empresas privadas y capital de riesgo en lugar de empresas estatales. Sarah Guo y Elad Gil interrogan a Helberg sobre la durabilidad de la política entre administraciones, el papel de los fondos de capital de riesgo y por qué llama a América un "underdog global". ## [00:00] Apertura Helberg abre con el núcleo filosófico de Pax Silica: EE.UU. no ganará la competencia en cadenas de suministro con fábricas estatales. Su ventaja es el sector privado y sus empresas: el "encantar y deleitar" de Steve Jobs exportado por miles de millones. La estrategia consiste en construir plataformas junto a los creadores americanos que puedan operar como servicios comerciales fuera del gobierno. > *No vamos a gestionar cadenas de suministro desde el gobierno porque así no destacamos como país. Nuestro superpoder es realmente nuestro sector privado y nuestras empresas.* ## [00:41] Introducción de Jacob Helberg Sarah y Elad reintroducen a Helberg, ya confirmado como Subsecretario de Estado para Asuntos Económicos tras su última conversación previa a la confirmación. El marco de la hora: Pax Silica como un esfuerzo multinacional para asegurar la cadena de suministro de IA para EE.UU. y sus aliados. > *Jacob, muchas gracias por estar aquí. Sí, gracias por unirte a nosotros. Gracias por invitarme.* ## [01:02] La misión de Pax Silica Helberg traza Pax Silica a partir de su discurso en el Hudson Institute, que estableció un enfoque "basado en ecosistemas" para las cadenas de suministro. La coalición abarca ahora 14 países. El primer producto concreto fue el acuerdo con Filipinas: 4.000 acres cedidos a EE.UU. para una base industrial de despliegue avanzado. Presenta la apuesta como la combinación de la predictibilidad del derecho común americano con las ventajas comparativas industriales de Filipinas, enmarcándola explícitamente como el equivalente al lanzamiento de un producto de IA en cadena de suministro, celebrado en San Francisco para hablar directamente con los creadores. > *Pax Silica es una coalición de seguridad económica que ahora tiene 14 países y la idea es tener un enfoque basado en ecosistemas para nuestras cadenas de suministro y específicamente la cadena de suministro de IA.* ## [03:51] Inversión en cadenas de suministro de chips de IA La cadena de suministro de IA es mucho más amplia que los chips: "miles de insumos como reductores de precisión, motores de servidor, imanes de tierras raras y actuadores", y el riesgo de concentración de EE.UU. es alto en prácticamente todos. El enfoque de Helberg es elegir geografías con profundidad industrial indígena y alineación de valores. Filipinas cumple ambas: un ecosistema manufacturero profundo y el aliado más antiguo de EE.UU. en Asia. La robótica recibe atención explícita como el próximo cuello de botella tras los chips. > *La cadena de suministro de IA incluye miles de insumos como reductores de precisión, motores de servidor, imanes de tierras raras y actuadores, y nuestro riesgo de concentración como país es increíblemente alto para básicamente todos esos insumos.* ## [05:43] Comparación entre Pax Silica y la Iniciativa Belt and Road de China La comparación natural, y Helberg la abraza. La Iniciativa Belt and Road, explica para la audiencia, consistió en 25 años de empresas estatales construyendo carreteras, puentes, ferrocarriles, minas e instalaciones de procesamiento operados por el gobierno en el extranjero: infraestructura como herramienta de política exterior. Pax Silica invierte deliberadamente el modelo: los activos son privados y comercialmente viables, el papel del gobierno es reducir la fricción y alinear a los aliados, y el objetivo es una interdependencia económica duradera en lugar de influencia política. Helberg argumenta que esto es más duradero y transparente: los países receptores obtienen crecimiento real en lugar de trampas de deuda. > *Fundamentalmente, eran empresas estatales construyendo ferrocarriles operados por el gobierno, carreteras y puentes construidos por el gobierno.* ## [12:38] La propuesta de valor de Pax Silica Para los países socios, el argumento es simple: la IA ya impulsa más de un tercio del crecimiento del PIB de EE.UU. y genera una demanda récord de cobre, cobalto, electricistas y cada insumo que va a un centro de datos. Los países que toman posiciones significativas en diferentes capas de esa cadena de suministro capturan un crecimiento que de otro modo no pueden. Helberg enfatiza la naturaleza de suma no nula de los puntos de inflexión tecnológica para argumentar que esto puede ser mutuamente beneficioso: el pastel crece lo suficientemente rápido como para que todos en la mesa ganen. > *El pastel crece muy rápido. Y por eso realmente no es de suma cero, lo que lo hace increíblemente propicio para forjar relaciones muy mutuamente beneficiosas.* ## [14:38] Manufactura en EE.UU. versus en países asociados Elad plantea la pregunta obvia: qué se queda en EE.UU. versus qué se externaliza a socios. El enfoque de Helberg es consumo versus producción. EE.UU. es el 4% de la población mundial pero consume entre el 20 y el 30% de la producción global en la mayoría de las categorías, y produce mucho menos. Cerrar esa brecha reindustrializa América por definición. Algunas cosas (fábricas de última generación, capacidades críticas de defensa) deben ser domésticas. Otras (procesamiento de minerales, ciertos componentes) son mejor externalizadas donde la geografía y la base industrial ya favorecen. El instinto no es la autarquía sino una redistribución deliberada de la cadena de suministro entre aliados, con EE.UU. manteniendo las capas más estratégicamente sensibles. > *América representa, en algún lugar entre el 20 y el 30% del consumo global en cualquier trimestre.* ## [19:10] Precios de minerales de tierras raras Elad profundiza en las tierras raras: no son realmente raras, el mercado total es solo unos pocos miles de millones de dólares, fuertemente subsidiadas por China como palanca de control. Helberg está de acuerdo y reencuadra la economía: lo que determina la competitividad de las tierras raras es la intensidad energética y la calidad del grado de extracción, no la escasez geológica. Eso convierte la pregunta de política en abundancia energética y capacidad de procesamiento, no en encontrar nuevos yacimientos. La implicación es que EE.UU. puede ganar en esta categoría si resuelve el lado de la energía barata, que es en parte lo que el impulso más amplio de la administración hacia la oferta energética pretende posibilitar. > *Lo que realmente impulsa la economía de esas industrias es cuánta energía necesitas bombear en el suelo para extraer un mineral determinado con un grado de calidad determinado.* ## [22:16] El papel del capital de riesgo en Pax Silica Sarah pregunta, "preguntando por un amigo", cuál es el papel del capital privado. La respuesta de Helberg es inusualmente directa para un funcionario del Departamento de Estado: los fondos de capital de riesgo son mejores que el gobierno a la hora de evaluar a los fundadores y operadores, y la capacidad de ejecución es lo que determina si los proyectos ambiciosos sobreviven al contacto con la realidad. Quiere que el ecosistema de capital de riesgo actúe como capa de señal: la asignación gubernamental puede apoyarse en adónde ya van los operadores creíbles, en lugar de que el gobierno intente elegir ganadores solo. La colaboración es explícitamente bilateral: los fondos de capital de riesgo identifican empresas con capacidad de ejecución, el gobierno proporciona demanda y apoyo de política. > *Ustedes están prácticamente predispuestos a evaluar muchos de los atributos de personalidad de los fundadores y operadores.* ## [24:50] Prioridades a corto versus largo plazo Como se equilibran los entregables de 2027-2028 con los planes a cinco años. La respuesta de Helberg es configurar el entorno más que elegir plazos. El enfoque de la administración es dar forma al entorno macroeconómico para que tanto la iteración a corto plazo como los proyectos intensivos en capital a largo plazo sean más fáciles: reducir burocracia, ampliar la oferta energética doméstica, cuadruplicar la nuclear. Cita uno de los primeros decretos ejecutivos firmados por Trump para cuadruplicar la energía nuclear doméstica como habilitador estructural que rinde frutos en ambos horizontes. > *Ayudar a dar forma al entorno, creando un macro entorno que básicamente hace que la innovación, la iteración de innovaciones y el despliegue de innovaciones sean mucho más fáciles y menos costosos.* ## [27:09] Hacer la política de IA duradera Elad plantea el problema de los decretos ejecutivos: cada administración cancela los de la anterior. Como sobrevive Pax Silica a una transición. Helberg señala que algunas cosas, como la reforma fiscal, son muy duraderas, y que su cargo le impide comentar sobre política electoral. No responde completamente a la pregunta de durabilidad, lo que en sí mismo es la respuesta: la durabilidad tiene que venir de la legislación y de los hechos sobre el terreno (la base industrial en Filipinas, la manufactura asociada) que son difíciles de revertir. > *La reforma fiscal es muy duradera.* ## [28:09] Cómo las políticas afectan a los emprendedores Para los empresarios y operadores americanos, Pax Silica se posiciona como plataforma de acceso al mercado, ampliando lo que las empresas de EE.UU. pueden vender en mercados aliados como Japón, Corea del Sur, India y Singapur, donde incluso los socios comerciales amigos imponen fricciones considerables. Helberg quiere específicamente comentarios de los operadores sobre asociaciones ya en marcha, decisiones de cadena de suministro que los ejecutivos están tomando de manera más deliberada, y correcciones de política que desbloquearían la colaboración transfronteriza. > *Queremos usarla como plataforma para expandir el acceso al mercado para nuestras empresas.* ## [31:00] La administración Trump como gobierno emprendedor Preguntado sobre lo que más le sorprendió al comenzar en el Departamento de Estado, Helberg señala la velocidad y el apetito por el riesgo de la administración: el "tiempo Trump", el chiste recurrente con las contrapartes en el exterior. Lo atribuye a un presidente que pasó la mayor parte de su vida en el sector privado y a un gabinete (Bessent, Lutnick, otros) que opera con instintos del sector privado en lugar de burocráticos. La implicación para los creadores: el apetito por probar cosas nuevas es inusualmente alto ahora mismo, y Pax Silica es uno de sus beneficiarios. > *Nos gusta movernos en tiempo Trump.* ## [33:00] Por qué América es un underdog global Sarah cierra presionando a Helberg sobre su descripción de América como "underdog global", contraintuitiva dado que EE.UU. suele describirse como la potencia establecida. Helberg invoca la Trampa de Tucídides de Graham Allison y rechaza el marco: la identidad de América desde su fundación ha sido la de una nación de underdogs, 13 colonias desorganizadas rebelándose contra el imperio de la sociedad educada, repetidamente anunciadas en declive, repetidamente demostrando equivocadas las predicciones de la clase establecida. El argumento se presenta como una defensa de la cultura de riesgo americana y un cierre de presentación: el país gana comportándose como un underdog en lugar de defender su posición dominante. > *Siempre hemos sido una nación de underdogs.* ## Personajes - **Jacob Helberg** (Persona): Subsecretario de Estado para Asuntos Económicos de EE.UU.; arquitecto de Pax Silica. - **Sarah Guo** (Persona): Anfitriona de No Priors; fundadora y socia general de Conviction. - **Elad Gil** (Persona): Coanfitrión de No Priors; inversor independiente y emprendedor en serie. - **Pax Silica** (Concepto): Coalición de seguridad económica de 14 países liderada por el Departamento de Estado de EE.UU., orientada a asegurar la cadena de suministro de IA mediante bases industriales de despliegue avanzado y asociaciones con el sector privado. - **Iniciativa Belt and Road** (Concepto): Programa de infraestructura en el extranjero liderado por el Estado chino durante 25 años, el contrapunto frente al cual se posiciona Pax Silica. - **Base Industrial de Despliegue Avanzado en Filipinas** (Proyecto): 4.000 acres cedidos a EE.UU. para desarrollo industrial, el primer proyecto insignia de Pax Silica. - **Trampa de Tucídides** (Concepto): Marco de Graham Allison que caracteriza la relación EE.UU.-China como potencia establecida frente a potencia emergente; Helberg rechaza la caracterización de potencia establecida. - **Administración Trump** (Organización): Enmarca la velocidad y el apetito por el riesgo de Pax Silica ("tiempo Trump"), con los miembros clave del gabinete Scott Bessent y Howard Lutnick referenciados.

Alexander Taubman, cofundador y CEO de Long Lake Management, se une a Elad Gil para hablar sobre el acuerdo de la firma para adquirir American Express Global Business Travel por 6.300 millones de dólares, lo que Elad describe como la primera compra privada impulsada por IA del mundo. Taubman explica cómo la plataforma de IA horizontal de Long Lake, Nexus, se despliega en verticales de servicios para impulsar el crecimiento en lugar de recortar empleos. La firma compra y mantiene sus activos al estilo Berkshire, apostando a que los beneficios acumulativos de la productividad de la IA a lo largo de los años superan cualquier venta a corto plazo. ## [00:00] Presentación de Alexander Taubman Elad Gil abre la conversación señalando que Long Lake ya ha completado cerca de 30 adquisiciones bajo su tesis de transformación por IA antes de llegar a Amex GBT, la plataforma de viajes corporativos más grande del mundo, por 6.300 millones de dólares. > *"Long Lake anunció recientemente su intención de adquirir American Express Global Business Travel por 6.300 millones de dólares en lo que creo es la primera adquisición privada impulsada por IA del mundo."* ## [00:30] La plataforma Nexus de Long Lake Nexus es independiente del modelo y se sitúa entre los modelos de base y las fuentes de datos, capacidades y flujos de trabajo de cada negocio adquirido. Aproximadamente el 80% de la infraestructura es compartida entre verticales; el 20% restante corresponde al trabajo de despliegue: mapear flujos de trabajo, limpiar fuentes de datos e insertar ingenieros en el terreno. Lo que antes tardaba más de un año ahora queda listo en días tras el cierre de una adquisición, generando ahorros de tiempo inmediatos que Long Lake canaliza hacia el crecimiento en lugar de hacia la reducción de costos. > *"En realidad no estamos enfocados en el ahorro de costos. Estamos enfocados en impulsar el crecimiento y la experiencia del cliente. Esa es nuestra gran apuesta, y lo que hemos visto es que es un modelo mucho más poderoso porque nuestra visión de la IA es que es increíblemente positiva para todos."* ## [03:35] Retención y el efecto volante del talento Los empleados que usan Nexus atienden a más clientes, cometen menos errores y ganan más, y abandonar la empresa significa volver al trabajo monótono que Nexus eliminó. Esa fricción se está convirtiendo en un verdadero imán de talento. Las empresas del portafolio que crecían entre un 0% y un 5% anual ahora crecen más de un 20% de forma orgánica. > *"Si ahora dejas Long Lake o una de nuestras empresas asociadas para ir a un competidor, tienes que volver a hacer todo ese trabajo monótono que ocupaba el 25%, el 30% de tu día. Y sólo pensarlo es como renunciar al correo electrónico."* ## [05:01] Adquirir empresas frente a vender software Vender software a empresas de servicios implica aceptar un ciclo de retroalimentación débil y ningún control sobre la gestión del cambio. Ser propietario de la empresa pone a los ingenieros de Long Lake en el mismo espacio, a veces literalmente en el mismo estado, que los trabajadores de campo cuyos problemas están resolviendo. El modelo de coubicación tipo skunk works reduce ese ciclo de meses a días. > *"Nuestro equipo considera a los empleados y miembros en el terreno como el cliente, y ese ciclo de retroalimentación interno es clave. Tenemos un ciclo de retroalimentación mucho más ajustado."* ## [06:57] Construcción del equipo fundador de Long Lake Long Lake fue concebida para fusionar tres disciplinas: fusiones y adquisiciones de private equity, ingeniería de IA aplicada y gestión del cambio. Las primeras 20 contrataciones llegaron todas por red de contactos: ingenieros que habían sido cofundadores o CTOs de startups de IA aplicada pero que no habían logrado penetrar en la distribución de la industria de servicios. Los responsables de M&A procedían de GTCR, Blackstone, TPG y HIG, atraídos específicamente porque esas firmas no son nativas en IA. > *"Había una brecha enorme, así que muchas de las personas que formaron nuestro equipo fundador fueron fundadores de tecnología anteriormente. Muchos de ellos tenían sus propias startups en el equipo de ingeniería."* ## [10:37] La compra privada de American Express Global Business Travel Amex GBT estaba en la pizarra de industrias objetivo de Long Lake porque los viajes corporativos son de misión crítica y tienen un alto costo por fallo: un viaje perdido es una pérdida de negocio real. Fundada en 1915 por American Express para evacuar a los clientes de Travelers Cheques de Europa durante la Primera Guerra Mundial, la franquicia de 111 años ya tenía trazada públicamente una hoja de ruta de transformación con IA. El plan de Long Lake es desplegar Nexus sobre esa estrategia existente y dar a cada consejero de viajes superpoderes de IA. > *"Imagina a tu consejero de viajes con superpoderes de IA. Eso es básicamente el futuro que vemos para los clientes de Amex GBT."* ## [13:36] El enfoque de gestión de Berkshire Hathaway aplicado a Long Lake El private equity tradicional carga las empresas con deuda, hace recortes y las vende en tres a cinco años. Long Lake rechaza explícitamente ese modelo: los efectos acumulativos de mejores herramientas, mejores personas, mejores resultados para el cliente y crecimiento más rápido tardan de dos a cinco años en cristalizar, y vender en ese punto equivaldría a renunciar a la ventaja. El manual de operaciones de Danaher y Transdigm, que consolida industrias fragmentadas con un sistema diferenciado, es el referente explícito, aplicado a los servicios con la IA como ventaja competitiva. > *"¿Vas a construir la mejor empresa del sector y luego venderla? Eso no tiene ningún sentido para mí. Yo querría ser propietario de esa empresa para siempre y acumular esa ventaja durante décadas."* ## [16:37] Por qué la estrategia de IA diferencia a Long Lake La IA empresarial sigue penetrando en apenas el 1% de los casos de uso reales. Los vendedores eligen Long Lake frente al private equity tradicional porque la oferta incluye capital permanente, un equipo de ingeniería que se instala durante años y una plataforma desplegable desde el primer día. Se anima a los fundadores y equipos directivos a reinvertir su capital accionarial en la nueva estructura para participar en la rentabilidad. A medida que el historial de Long Lake se consolida, Taubman espera que el costo de capital disminuya, haciendo a la firma aún más competitiva sin necesidad de ganar por precio. > *"Tener un socio de capital permanente a largo plazo ya es algo maravilloso, pero tener ese socio con una profunda experiencia en ingeniería de IA aplicada y una plataforma que puedes desplegar desde el primer día ha resonado profundamente."* ## [19:32] La IA permite escalar los negocios de servicios Las empresas de servicios intensivas en mano de obra enfrentan un impuesto brutal al crecer: añadir un 20% más de ingresos suele exigir contratar un 20% más de personal, lo que deja solo 20 centavos por cada dólar incremental de ingreso después de los costos laborales. Nexus eleva la productividad de los equipos existentes entre un 30% y un 40%, rompiendo esa ecuación. Los CEOs de las empresas del portafolio, algunos llevando décadas al frente de sus negocios, describen esta etapa como la mejor de sus carreras porque por fin están creciendo con márgenes incrementales similares a los del software. > *"Cuando haces que tus equipos existentes sean un 30 o un 40% más eficientes y puedan atender a más clientes, cambia toda la mentalidad de la organización. Ahora estás creciendo. Pareces una empresa de software: creces con márgenes incrementales elevados."* ## Entidades - **Alexander Taubman** (Persona): Cofundador y CEO de Long Lake Management; lideró la compra privada de Amex GBT por 6.300 millones de dólares - **Elad Gil** (Persona): Presentador de No Priors; inversor independiente y emprendedor en serie - **Long Lake Management** (Organización): Firma de adquisiciones impulsada por IA; adquiere y transforma negocios de servicios usando Nexus - **Nexus** (Software): Plataforma de IA horizontal de Long Lake; independiente del modelo, con el 80% de infraestructura compartida entre verticales - **American Express Global Business Travel / Amex GBT** (Organización): Plataforma de viajes corporativos con 111 años de historia; objeto de la oferta de compra privada de Long Lake por 6.300 millones de dólares - **AI take-private** (Concepto): Adquisición de una empresa cotizada con el objetivo explícito de transformarla mediante IA; el acuerdo de Long Lake con Amex GBT es descrito como el primero de su tipo - **Danaher / Transdigm** (Organización): Conglomerados operativos citados como modelo para la estrategia de adquisición a largo plazo y acumulación de ventajas de Long Lake