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 s'entretient avec Maxim Bar Kogan, co-fondateur et PDG d'Onyx Security, sur ce qu'implique concrètement la sécurisation des agents IA à l'échelle d'une grande entreprise. Maxim soutient que les contrôles traditionnels — proxies, restrictions d'identité, supervision humaine — s'effondrent dès lors que les actions des agents se multiplient de façon exponentielle, et que la seule voie viable est d'entraîner des modèles spécialisés qui savent quand escalader vers un superviseur plus puissant. La conversation aborde le produit "plan de contrôle sécurisé" d'Onyx, l'arbitrage coût-latence de l'entraînement de modèles sur mesure, les raisons pour lesquelles les labs ne peuvent pas certifier eux-mêmes la sécurité de leurs propres modèles, et la conviction de Maxim que l'AGI arrive et que la supervision indépendante de l'IA deviendra une industrie de centaines de milliards de dollars. ## [00:00] Ouverture Maxim entre dans le vif du sujet : à mesure que les entreprises confient davantage de tâches à des agents IA, des actions indésirables suivront inévitablement — un agent publiant accidentellement des identifiants, effectuant des appels réseau non autorisés, ou posant des actes irréversibles. Les entreprises savent déjà qu'elles ne peuvent pas freiner cette vague d'adoption ; ce qui leur fait défaut, c'est tout mécanisme permettant de distinguer une action légitime d'une action illégitime. Ce passage pose la thèse centrale d'Onyx avant même le générique. > *"Les entreprises commencent vraiment à réaliser que ce risque croît de façon exponentielle et qu'elles n'ont aucun moyen d'arrêter l'adoption. Elles doivent maintenant trouver comment réduire la probabilité que ces actions d'agents soient illégitimes ou incorrectes."* ## [00:45] Présentation de Maxim Bar Kogan Sarah présente Maxim comme co-fondateur et PDG d'Onyx Security, une startup basée en Israël composée de chercheurs, de mathématiciens et d'ingénieurs — dont la mission est de construire des agents pour surveiller les agents IA. L'entreprise mêle expertise offensive en cybersécurité et recherche approfondie en IA, notamment sur les données synthétiques et l'interprétabilité mécaniste. ## [01:10] AutoGPT et le pari sur les actions des agents Pendant deux ans, le risque dominant dans la sécurité des entreprises était le DLP pour les chatbots — des employés collant des données sensibles dans ChatGPT. Cette grille de lecture a depuis laissé place à une quasi-panique autour des actions des agents autonomes. Maxim retrace la genèse du pari d'Onyx jusqu'à AutoGPT : le premier agent qui permettait à un LLM de décider quoi faire, d'appeler un outil et de boucler — sans se contenter de générer du texte. Cette démonstration a prouvé que les agents pouvaient agir de manière autonome dans le monde réel, et Maxim a immédiatement conclu que quelqu'un devrait superviser ces actions à grande échelle. > *"AutoGPT a libéré l'imagination de tout le monde, y compris la nôtre, parce que c'était le premier vrai agent autonome fonctionnant sur des LLMs — un agent qui permettait à un LLM non pas de générer du texte, mais de décider quoi faire, puis de lui donner un accès API pour le faire."* ## [05:17] Ce que fait le produit Onyx Onyx fait deux choses : entraîner des modèles et construire des agents qui supervisent d'autres agents, puis packager cette capacité sous forme d'un "plan de contrôle sécurisé" que les entreprises branchent sur leur infrastructure IA. Ce plan de contrôle surveille en temps réel la légitimité des actions des agents, tout en gérant le compromis entre latence, coût et fiabilité. Sur le long terme, Maxim vise au-delà de la sécurité d'entreprise : toute organisation déployant des agents IA aura besoin d'un tiers indépendant pour certifier ce que ces agents font. > *"Le nombre de ces actions croît de façon exponentielle. Ce qu'on pensait utile par le passé — un humain dans la boucle — ne fonctionnera plus quand il y aura cent fois, mille fois, un million de fois plus d'actions."* ## [07:47] État du déploiement dans les grandes entreprises Dans une grande entreprise typique aujourd'hui, Maxim distingue trois catégories de déploiement IA : les automatisations SaaS low-code (glisser-déposer, pas vraiment autonomes), les agents internes développés en interne ou comme produits orientés clients, et les agents de développement autonomes et les assistants de code. Parmi ces trois catégories, les agents de code représentent désormais plus de 50% de l'usage IA. Les secteurs les plus matures — services financiers, santé — ont les contrôles les plus stricts, mais même les entreprises les plus prudentes ont cessé d'interdire l'IA et se concentrent désormais sur sa gestion. > *"Plus de 50% correspondent aux agents de développement autonomes et assistants dans l'entreprise moyenne."* ## [09:58] Sécuriser les agents Les entreprises dépensent déjà environ 100 milliards de dollars par an en sécurité — endpoints, réseau, cloud, identité. Sarah demande quelle part de cela est transposable à la sécurité des agents. La réponse de Maxim : presque rien. Les contrôles d'identité, couche la plus fondamentale, échouent parce que les agents ont besoin de permissions larges et dynamiques qu'on ne peut pas cadrer à l'avance. Un agent qui écrit du code dans un dépôt ou envoie des e-mails au nom d'un dirigeant ne peut pas être cantonné à un ensemble de permissions étroit comme un processus logiciel statique. La surface d'attaque, c'est l'intention — et les outils existants ne savent pas lire les intentions. > *"Avec ces IA autonomes, ces assistants, ces agents de code, on ne peut vraiment pas savoir à l'avance quelles permissions leur accorder."* ## [12:45] Pourquoi les proxies ne fonctionnent pas L'intuition de Sarah, issue de son expérience en sécurité : cela ressemble à un problème pour un proxy doté d'un moteur de politique plus intelligent. Maxim reconnaît que les proxies peuvent servir de point d'intégration dans certaines architectures, mais soutient qu'ils ratent complètement le problème central. Un proxy vous donne le flux de données ; il ne dit pas si l'action dans ce flux est légitime. Ce jugement exige de comprendre le contexte — l'objectif de l'agent, son historique, ce que l'entreprise a autorisé — et aucun moteur de règles ne sait évaluer cela à travers des comportements d'agents arbitraires. > *"Le vrai problème, c'est de savoir si ce que je dois faire maintenant est acceptable ou non. Dans le cas des systèmes IA, c'est la question difficile."* ## [14:11] Pourquoi Onyx entraîne ses propres modèles La solution naïve — utiliser Claude Code pour surveiller Claude Code — achoppe sur le coût et la latence. Faire tourner un agent de modèle frontier pour chaque agent d'entreprise rendrait la couche de sécurité plus coûteuse que l'IA qu'elle surveille. La réponse d'Onyx : des modèles petits et hautement spécialisés qui font exactement une chose — décider si l'action en cours justifie une escalade vers un superviseur plus puissant. Sarah fait l'analogie avec les échecs en blitz : les grands maîtres jouent intuitivement sur les coups rapides et s'arrêtent seulement aux bifurcations critiques. Maxim valide l'analogie — concentrer l'intelligence là où le risque est le plus élevé, et rester léger partout ailleurs. > *"Il faut essayer d'entraîner des modèles qui n'excellent que dans une seule chose. Ils sont très petits. Ils ne savent presque rien faire d'autre que répondre à la question : 'Est-ce qu'un agent plus intelligent devrait regarder ça ?'"* ## [18:38] La culture des talents chez Onyx Les talents en sécurité formés en Israël — au sein d'unités comme la 8200, dans des entreprises comme Armis et Wiz — sont réputés dans le monde entier. L'ADN d'Onyx est différent : le co-fondateur Gil vient des données synthétiques et de NVIDIA, pas de la cyber offensive. L'essentiel de l'ingénierie recherche d'Onyx provient d'une unité de renseignement israélienne centrée sur les mathématiques et la cyber à leur intersection. Maxim voit ce mélange comme délibéré — le problème à long terme qu'Onyx cherche à résoudre n'est pas seulement la sécurité d'entreprise, mais comment contrôler une IA avancée, tout simplement. Cela exige une expertise profonde en IA autant qu'en sécurité. Israël dans son ensemble rattrape rapidement son retard en IA : modèles du monde, infrastructure IA, puces. > *"Le problème n'est pas seulement la cybersécurité. Le problème, c'est comment contrôler l'IA avancée à long terme — et ce problème, même en oubliant les lacunes de la sécurité en entreprise, semble vraiment crucial."* ## [21:24] Interprétabilité mécaniste Maxim est convaincu que l'interprétabilité mécaniste — comprendre ce qui se passe réellement dans les poids et activations des modèles — est à la fois possible et nécessaire. Sa thèse contre-intuitive : à mesure que les modèles surpasseront les humains dans des domaines clés, ils seront mieux armés que nous pour percer la structure interne d'autres modèles. Onyx finance activement la recherche dans ce domaine, non seulement comme outil de sécurité, mais comme fenêtre sur la nature de l'intelligence elle-même. Sarah valide ce pari, notant l'opportunité de comprendre non seulement l'IA, mais la cognition au sens large. > *"À mesure que nous disposerons de modèles bien plus intelligents que nous, du moins dans certains domaines importants, nous pensons pouvoir commencer à déchiffrer la mécanique interne de manière bien plus efficace."* ## [23:35] Comment Onyx gagne la confiance de ses clients Les entreprises du Fortune 10 et 20 ne travaillent normalement pas avec des startups de moins de deux ans et de moins de 100 personnes. Ce qui brise cette règle, c'est la douleur : des RSSI confrontés quotidiennement à des incidents liés aux agents n'ont aucun acteur établi à appeler, parce que le problème n'existait pas il y a trois ans. Onyx reçoit des demandes entrantes d'entreprises qui les ont trouvés à leur sortie du stealth mode parce que la description du problème correspondait exactement à ce qu'elles géraient en urgence. Maxim voit cela comme une fenêtre d'opportunité étroite et temporaire — les acheteurs en entreprise savent que les jeunes startups grandissent, et ils préfèrent être des clients précoces qui façonnent le produit plutôt que des adopteurs tardifs. > *"C'est une ouverture qui ne survient que lorsque la douleur est très forte. Leur douleur est telle qu'ils se disent : 'Je viens de voir cette entreprise sortir du stealth mode, mais c'est un problème que j'ai chaque jour, alors je vais les appeler.'"* ## [25:10] Réduire les risques au niveau fondamental La deuxième vague de panique chez les RSSI — au-delà des actions des agents — est la chute du coût de la recherche automatisée de vulnérabilités. Les outils de développement peuvent désormais trouver et exploiter des vulnérabilités à une échelle qui aurait semblé hors de portée pour des décennies, il y a encore quelques années. Maxim estime que le marché ne surréagit pas : c'est un véritable changement structurel. La bonne réponse est double : patcher rapidement et mettre en place des contrôles atténuants maintenant, tout en investissant dans des contrôles fondamentaux — identité verrouillée, pare-feux, détection sur les endpoints — qui réduisent la surface exploitable quelle que soit la sophistication des outils de l'attaquant. > *"La vraie solution — et tous les responsables sécurité des grandes entreprises le savent — c'est de disposer des fondations en place pour éviter ces risques."* ## [27:45] Déploiement progressif de Glasswing et Daybreak Sur les déploiements contrôlés Glasswing d'Anthropic et Daybreak d'OpenAI pour des modèles plus capables : Maxim a une position nuancée. Un déploiement progressif est idéal s'il est coordonné à l'échelle mondiale — cela laisse le temps de construire des procédures, de partager les connaissances et d'éviter des défaillances catastrophiques dans des infrastructures critiques comme les réseaux électriques ou les compagnies aériennes. Mais si un acteur publie un modèle d'une capacité comparable avant le calendrier prévu, l'approche progressive devient un handicap : les entreprises qui n'ont pas eu accès tôt se retrouvent exposées à une menace pour laquelle elles n'ont pas pu se préparer. Sa recommandation : élargir l'accès pour permettre à davantage d'organisations de construire leurs défenses en parallèle. > *"Si quelqu'un accède à un modèle de ce niveau plus tôt, avec le recul cela ressemblerait à une énorme erreur — on aurait pu au moins donner aux entreprises la possibilité de commencer à évoluer très rapidement."* ## [29:11] Les grandes entreprises réticentes Il y a deux ans, une partie significative des grandes entreprises avait simplement interdit l'IA. Aujourd'hui, Maxim ne voit presque plus cela. Le secteur financier impose encore des contraintes — autorisant les agents mais restreignant les outils — mais les interdictions totales ont disparu. Il estime que c'est la bonne posture : se lier à un seul fournisseur est lui-même un risque. Miser exclusivement sur les modèles d'un seul acteur à la vitesse où ce marché évolue, c'est s'exposer quand la prochaine génération rebat les cartes. Les entreprises qui autorisent un large éventail d'outils et les gèrent rigoureusement devanceront celles qui restreignent agressivement. > *"Si vous aviez misé sur OpenAI il y a un an, c'était le pari le plus sûr du monde — mais soudainement Anthropic a des modèles et des outils bien meilleurs."* ## [30:46] Onyx et le marché plus large de la sécurité IA La sécurité IA est encombrée de nouveaux acteurs et de nouvelles surfaces d'attaque. Pour contrer l'anxiété liée à l'étendue du périmètre produit, Maxim souligne que les deux primitives fondamentales de l'IA en 2026 — les modèles de fondation à base de transformers et les boucles d'agents avec appel d'outils — n'ont pas fondamentalement changé depuis des années. Cette stabilité permet à Onyx de construire vers de nombreuses applications d'agents tout en maintenant sa technologie de base légère. La vraie protection contre les changements architecturaux est d'investir dans des chercheurs capables de se réentraîner et de s'adapter rapidement, plutôt que de miser sur la pérennité d'un seul paradigme de modèle. > *"Les deux piliers fondamentaux du fonctionnement de l'IA en 2026 n'ont pas changé depuis quelques années. Nous travaillons encore largement avec des LLMs de fondation, et nous construisons des agents de la même manière qu'avant."* ## [32:36] Les labs doivent-ils traiter la confiance et la gouvernance des modèles ? La question brûlante dans la Bay Area : les labs finiront-ils par absorber eux-mêmes le problème de confiance et de gouvernance ? L'argument structurel de Maxim contre cette idée : les acheteurs ne veulent pas que le vendeur d'une voiture certifie la voiture. Les équipes de sécurité ont besoin d'un tiers indépendant dont le modèle d'affaires repose entièrement sur le fait d'avoir raison — pas d'un fournisseur qui protège sa propre réputation produit. Au-delà de la psychologie des acheteurs, Maxim distingue les erreurs liées à une "intelligence fragmentée" (erreurs bénignes qui s'amélioreront avec des modèles plus puissants) des défaillances au niveau de l'intention : manipulation adversariale, objectifs mal alignés, dérive des buts. Les labs régleront la première catégorie. Seul un superviseur structurellement indépendant peut traiter la seconde. > *"Vous ne ferez pas confiance au fournisseur d'un produit pour vous dire que ce produit ne va pas perturber votre environnement. Vous voudrez un tiers indépendant dont toute l'activité dépend de vous dire que ce produit est correct — et d'avoir raison."* ## [36:56] Ce qui manque encore en sécurité Sarah demande ce que la communauté tech et de recherche — les labs en particulier — ne voit pas encore du point de vue de la sécurité. La réponse de Maxim : ce n'est pas un manque technique, c'est un manque d'empathie. Construire des produits de sécurité exige de comprendre en profondeur comment les équipes de sécurité fonctionnent réellement — leur structure organisationnelle, leurs responsabilités, leurs flux d'information. Israël produit de solides talents en sécurité en partie parce que le service militaire donne aux ingénieurs une expérience directe d'être l'utilisateur final qu'ils construisent ensuite pour eux. Les labs, laisse-t-il entendre, développent des capacités sans accorder suffisamment d'attention à la réalité opérationnelle des organisations qui devront les déployer et s'en défendre. > *"Quel que soit le problème technique que vous résolvez, vous construisez un outil pour des gens, pour une organisation qui a une certaine structure. Créer un produit pour ce public qui ne résout pas seulement le problème technique mais que les gens adorent vraiment — c'est très difficile."* ## [39:14] Pourquoi Maxim est convaincu par l'AGI Sarah conclut en notant la conviction implicite de Maxim que les équipes de sécurité humaines existeront encore quelques années. Il le confirme — mais avec un horizon temporel : les équipes de sécurité seront entièrement pilotées par des agents IA dans un avenir proche, tout comme la majorité du travail intellectuel le sera. Sa version pragmatique de l'optimisme autour de l'AGI : le métier de construire de grands produits ne change pas — toujours savoir qui est l'utilisateur final et optimiser pour son expérience. Aujourd'hui, ce sont des humains accompagnés de quelques agents. À mesure que le ratio s'inverse, le même principe s'applique — simplement à des agents qui lisent des fenêtres de contexte plutôt que des tableaux de bord. > *"Aujourd'hui, quand je vends un produit, je le vends à un public humain avec quelques agents, et à mesure que ce public devient majoritairement composé d'agents plutôt que d'humains, il sera important pour nous d'évoluer et de faire en sorte que cela fonctionne vraiment bien pour les agents qui font le travail."* ## Entités - **Maxim Bar Kogan** (Personne) : Co-fondateur et PDG d'Onyx Security ; ancien renseignement militaire israélien, formation en mathématiques et en cyber offensive. - **Sarah Guo** (Personne) : Animatrice de No Priors ; fondatrice et associée gérante chez Conviction. - **Onyx Security** (Organisation) : Startup basée en Israël qui construit une infrastructure de supervision IA — entraîne des modèles spécialisés de petite taille pour surveiller et gouverner les agents IA en entreprise. - **AutoGPT** (Logiciel) : Premier agent LLM autonome open-source ; cité par Maxim comme le point d'inflexion qui a rendu concret le risque des agents. - **Glasswing / Daybreak** (Logiciel) : Programmes de déploiement contrôlé d'Anthropic et d'OpenAI respectivement pour l'accès aux modèles frontier. - **Mechanistic Interpretability** (Concept) : Programme de recherche visant à comprendre la structure interne des poids et activations des réseaux de neurones ; Onyx le traite comme un pilier à long terme de la supervision IA. - **Secure Control Plane** (Concept) : Catégorie produit d'Onyx — une couche indépendante du fournisseur qui surveille en temps réel les permissions des agents, la légitimité des actions et l'historique comportemental. - **8200** (Organisation) : Unité de renseignement israélienne largement créditée de former les meilleurs talents en sécurité et en technologie d'Israël, dont de nombreux ingénieurs d'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

Jacob Helberg, Sous-Secrétaire d'État américain aux Affaires économiques, revient sur No Priors pour dévoiler Pax Silica, une coalition de sécurité économique regroupant 14 pays, conçue pour sécuriser l'ensemble de la chaîne d'approvisionnement IA, des puces aux aimants en terres rares en passant par les actionneurs robotiques. Le projet phare : 4 000 acres aux Philippines (un tiers de Manhattan) accordés aux États-Unis pour une « base industrielle de déploiement avancé », destinée à faire pour le capitalisme libéral-démocratique ce que la Ceinture et Route a accompli pour l'infrastructure pilotée par l'État, mais avec des entreprises privées et du capital-risque plutôt que des entreprises d'État. Sarah Guo et Elad Gil interrogent Helberg sur la durabilité des politiques entre administrations, le rôle des capital-risqueurs et pourquoi il qualifie l'Amérique d'« outsider mondial ». ## [00:00] Introduction à froid Helberg expose le cœur philosophique de Pax Silica : les États-Unis ne gagneront pas la compétition sur les chaînes d'approvisionnement avec des usines gérées par l'État. Leur avantage, c'est le secteur privé et les entreprises, « enchanter et ravir » des milliards d'utilisateurs à la façon de Steve Jobs. La stratégie consiste donc à construire des plateformes en collaboration étroite avec les bâtisseurs américains, plateformes qui pourront à terme fonctionner comme des services commerciaux en dehors du gouvernement. > *Nous n'allons pas gérer des chaînes d'approvisionnement opérées par le gouvernement, car ce n'est pas ainsi que nous excellons en tant que pays. Notre superpuissance, c'est vraiment notre secteur privé et nos entreprises.* ## [00:41] Présentation de Jacob Helberg Sarah et Elad réintroduisent Helberg, désormais confirmé comme Sous-Secrétaire d'État aux Affaires économiques depuis leur dernière conversation avant sa confirmation. Le cadre de l'heure : Pax Silica comme effort multinational pour sécuriser la chaîne d'approvisionnement IA pour les États-Unis et leurs alliés. > *Jacob, merci infiniment d'être là. Oui, merci de nous rejoindre. Merci de m'avoir invité.* ## [01:02] La mission de Pax Silica Helberg retrace Pax Silica jusqu'à son discours à l'Hudson Institute, qui a défini une approche « basée sur les écosystèmes » des chaînes d'approvisionnement. La coalition compte désormais 14 pays. Le premier déploiement concret : l'accord avec les Philippines, 4 000 acres accordés aux États-Unis pour une base industrielle de déploiement avancé. Il présente ce pari comme combinant la prévisibilité du droit commun américain avec les avantages comparatifs industriels des Philippines, et le cadre explicitement comme l'équivalent d'un lancement de produit pour la chaîne d'approvisionnement IA, organisé à San Francisco pour parler directement aux bâtisseurs. > *Pax Silica est une coalition de sécurité économique qui compte désormais 14 pays, et l'idée est vraiment d'adopter une approche fondée sur les écosystèmes pour nos chaînes d'approvisionnement, et plus particulièrement la chaîne d'approvisionnement en AI.* ## [03:51] Investir dans les chaînes d'approvisionnement en puces IA La chaîne d'approvisionnement IA est bien plus large que les puces : « des milliers d'intrants comme les réducteurs de précision, les moteurs de serveur, les aimants en terres rares et les actionneurs », et le risque de concentration américain est élevé pour presque tous. Le cadre de Helberg : choisir des géographies ayant déjà une profondeur industrielle indigène et un alignement de valeurs. Les Philippines répondent aux deux critères : un écosystème manufacturier profond et le plus vieil allié des États-Unis en Asie. La robotique reçoit une attention particulière comme prochain goulot d'étranglement après les puces. > *La chaîne d'approvisionnement en AI comprend en réalité des milliers d'intrants comme les réducteurs de précision, les moteurs de serveur, les aimants en terres rares et les actionneurs, et notre risque de concentration en tant que pays est incroyablement élevé pour pratiquement tous ces intrants.* ## [05:43] Pax Silica face à l'Initiative Ceinture et Route La comparaison naturelle, et Helberg l'assume pleinement. La Ceinture et Route, explique-t-il, fut 25 ans d'entreprises d'État construisant à l'étranger des routes, ponts, voies ferrées, mines et usines de traitement gérés par l'État, l'infrastructure comme outil de politique étrangère. Pax Silica inverse délibérément le modèle : les actifs sont privés et commercialement viables, le rôle du gouvernement est de réduire les frictions et d'aligner les alliés, et l'objectif est une interdépendance économique durable plutôt qu'un levier politique. Helberg soutient que c'est à la fois plus durable et plus transparent : les pays partenaires obtiennent une vraie croissance plutôt que des pièges à dette. > *Fondamentalement, c'était des entreprises d'État construisant des chemins de fer gérés par l'État, des routes et des ponts construits par l'État.* ## [12:38] La proposition de valeur de Pax Silica Pour les pays partenaires, l'argument est simple : l'IA alimente déjà plus d'un tiers de la croissance du PIB américain et crée une demande record pour le cuivre, le cobalt, les électriciens et tous les intrants d'un centre de données. Les pays qui prennent des positions significatives dans différentes couches de cette chaîne captent une croissance qu'ils n'auraient pas autrement. Helberg insiste sur la nature non nulle des points d'inflexion technologiques pour soutenir que cela peut être mutuellement bénéfique : la tarte grossit assez vite pour que tout le monde à la table soit gagnant. > *La tarte grossit vraiment vite. Ce n'est donc vraiment pas un jeu à somme nulle, ce qui le rend incroyablement propice à forger des partenariats très mutuellement bénéfiques.* ## [14:38] Fabrication aux États-Unis vs partenariats Elad pose la question évidente : qu'est-ce qui reste aux États-Unis par rapport à ce qui est confié à des partenaires ? Le cadre de Helberg : consommation vs production. Les États-Unis représentent 4 % de la population mondiale mais consomment 20 à 30 % de la production mondiale dans la plupart des catégories, et produisent bien moins. Combler cet écart réindustrialise par définition l'Amérique. Certaines choses (les fabs de pointe, les capacités critiques pour la défense) doivent rester domestiques. D'autres (le traitement des minéraux, certains composants) sont mieux confiées là où la géographie et la base industrielle le favorisent. L'instinct n'est pas l'autarcie mais une redistribution délibérée de la chaîne d'approvisionnement entre alliés, les États-Unis conservant les couches les plus stratégiquement sensibles. > *L'Amérique représente environ 20 à 30 % de la consommation mondiale à tout moment.* ## [19:10] Le prix des minéraux de terres rares Elad insiste sur les terres rares : pas vraiment rares, marché total de quelques milliards de dollars seulement, fortement subventionné par la Chine comme levier de contrôle. Helberg acquiesce et recadre l'économie : ce qui détermine la compétitivité des terres rares, c'est l'intensité énergétique et la qualité de l'extraction, pas la rareté géologique. La question politique porte donc sur l'abondance d'énergie et la capacité de traitement, pas sur la découverte de nouveaux gisements. L'implication : les États-Unis peuvent gagner dans cette catégorie s'ils résolvent l'équation de l'énergie bon marché, ce que la politique d'approvisionnement énergétique plus large de l'administration est censée permettre. > *Ce qui détermine vraiment l'économie de ces industries, c'est la quantité d'énergie qu'il faut injecter dans le sol pour extraire un minéral donné à un niveau de qualité donné.* ## [22:16] Le rôle du capital-risque dans Pax Silica Sarah demande, « pour un ami », quel est le rôle du capital privé. La réponse de Helberg est inhabituellement directe pour un responsable du Département d'État : les capital-risqueurs sont meilleurs que le gouvernement pour évaluer les fondateurs et les opérateurs, et la capacité d'exécution est ce qui détermine si les projets ambitieux survivent au contact de la réalité. Il veut l'écosystème du capital-risque comme couche de signal, l'allocation gouvernementale pouvant s'appuyer sur là où des opérateurs crédibles vont déjà, plutôt que le gouvernement essayant seul de choisir les gagnants. La collaboration est explicitement bilatérale. > *Vous êtes en quelque sorte câblés pour évaluer beaucoup des attributs de personnalité des fondateurs et des opérateurs.* ## [24:50] Priorités à court et long terme Comment équilibrer les échéances 2027-2028 face aux jeux sur cinq ans ? La réponse de Helberg : façonner l'environnement plutôt que choisir des calendriers. L'approche de l'administration consiste à façonner le macro-environnement pour que l'itération à court terme et les jeux à long terme à forte intensité capitalistique deviennent plus faciles : réduire les formalités administratives, développer l'approvisionnement énergétique domestique, quadrupler le nucléaire. Il cite l'un des premiers décrets exécutifs signés par Trump sur le quadruplement du nucléaire domestique comme un catalyseur structurel bénéfique aux deux horizons. > *Contribuer à façonner l'environnement, créer un macro-environnement qui rend fondamentalement l'innovation, l'itération des innovations ainsi que le déploiement des innovations beaucoup plus faciles et moins coûteux.* ## [27:09] Rendre les politiques IA durables Elad soulève le problème des décrets exécutifs : chaque administration annule ceux de la précédente. Comment Pax Silica survit-elle à une transition ? Helberg note que certaines choses, comme la réforme fiscale, sont très tenaces, et que son rôle lui interdit de commenter la politique électorale. Il ne répond pas pleinement à la question de la durabilité, ce qui est lui-même la réponse : la durabilité doit venir de la législation et des faits sur le terrain (la base industrielle aux Philippines, les partenariats de fabrication) qu'il est difficile de défaire. > *La réforme fiscale est très tenace.* ## [28:09] L'impact des politiques sur les entrepreneurs Pour les propriétaires et opérateurs d'entreprises américains, Pax Silica est positionnée comme une plateforme d'accès au marché, élargissant ce que les entreprises américaines peuvent vendre dans des marchés alliés comme le Japon, la Corée du Sud, l'Inde et Singapour, où même des partenaires commerciaux amis imposent souvent des frictions significatives. Helberg veut des retours des opérateurs sur les partenariats déjà en cours, les décisions de chaîne d'approvisionnement que les dirigeants prennent maintenant plus délibérément, et les corrections de politique qui débloqueraient la collaboration transfrontalière. > *Nous voulons l'utiliser comme plateforme pour élargir l'accès au marché pour nos entreprises.* ## [31:00] L'administration entrepreneuriale de Trump Interrogé sur ce qui l'a le plus surpris depuis son entrée au Département d'État, Helberg souligne la vitesse et l'appétit pour le risque de l'administration : « Trump time », la blague courante avec les homologues étrangers. Il l'attribue à un président qui a passé la majeure partie de sa vie dans le secteur privé et à un cabinet (Bessent, Lutnick, et d'autres) qui opère selon les instincts du secteur privé plutôt que les instincts bureaucratiques. > *Nous aimons bouger au rythme de Trump.* ## [33:00] Pourquoi l'Amérique est un outsider mondial Sarah revient sur le cadrage de Helberg qui présente l'Amérique comme un « outsider mondial », contre-intuitif alors que les États-Unis sont habituellement décrits comme la puissance établie. Helberg invoque le *Piège de Thucydide* de Graham Allison et rejette ce cadrage : l'identité de l'Amérique depuis sa fondation a toujours été celle d'une nation d'outsiders, 13 colonies désorganisées se rebellant contre l'empire de la bonne société, répétitivement annoncées en déclin, répétitivement démenties. L'argument conclut comme une défense de la culture du risque américaine. > *Nous avons toujours été une nation d'outsiders.* ## Personnages - **Jacob Helberg** (Personne) : Sous-Secrétaire d'État américain aux Affaires économiques, architecte de Pax Silica. - **Sarah Guo** (Personne) : Animatrice de No Priors, fondatrice et GP chez Conviction. - **Elad Gil** (Personne) : Co-animateur de No Priors, investisseur indépendant et entrepreneur en série. - **Pax Silica** (Concept) : Coalition de sécurité économique regroupant 14 pays, dirigée par le Département d'État américain, visant à sécuriser la chaîne d'approvisionnement IA via des bases industrielles de déploiement avancé et des partenariats avec le secteur privé. - **Belt and Road Initiative** (Concept) : Programme d'infrastructure d'État chinois sur 25 ans à l'étranger, le repoussoir face auquel Pax Silica se positionne. - **Philippines Forward-Deployed Industrial Base** (Projet) : 4 000 acres accordés aux États-Unis pour un projet industriel, premier projet phare de Pax Silica. - **Thucydides Trap** (Concept) : Cadre de Graham Allison caractérisant les relations États-Unis/Chine comme puissance établie vs puissance montante, que Helberg rejette. - **Trump Administration** (Organisation) : Insuffle la vitesse et l'appétit pour le risque de Pax Silica (« Trump time »), avec les membres clés du cabinet Scott Bessent et Howard Lutnick référencés.

Alexander Taubman, cofondateur et PDG de Long Lake Management, s'entretient avec Elad Gil au sujet de l'accord de 6,3 milliards de dollars conclu par la firme pour acquérir American Express Global Business Travel — ce qu'Elad qualifie de premier rachat d'entreprise par l'IA au monde. Taubman explique comment la plateforme IA horizontale de Long Lake, Nexus, se déploie dans les verticales de services pour stimuler la croissance plutôt que de réduire les effectifs. La firme achète et conserve, à la manière de Berkshire, en pariant que les gains de productivité de l'IA capitalisés sur plusieurs années surpassent n'importe quelle revente à court terme. ## [00:00] Présentation d'Alexander Taubman Elad Gil ouvre l'entretien en rappelant que Long Lake a déjà réalisé environ 30 acquisitions dans le cadre de sa thèse de transformation par l'IA avant de mettre la main sur Amex GBT — la plus grande plateforme mondiale de voyages d'affaires — pour 6,3 milliards de dollars. > *« Long Lake a récemment annoncé son intention d'acquérir American Express Global Business Travel pour 6,3 milliards de dollars, dans ce qui est, à mon sens, le premier rachat d'entreprise par l'IA au monde. »* ## [00:30] La plateforme Nexus de Long Lake Nexus est agnostique en termes de modèles et s'intercale entre les modèles fondamentaux et les sources de données, les compétences et les flux de travail de chaque entreprise acquise. Environ 80 % de l'infrastructure est partagée entre les verticales ; les 20 % restants correspondent au travail de déploiement — cartographier les flux de travail, nettoyer les sources de données et intégrer des ingénieurs sur le terrain. Ce qui prenait autrefois plus d'un an se concrétise désormais en quelques jours après la clôture d'une acquisition, générant des gains de temps immédiats que Long Lake réoriente vers la croissance plutôt que vers des réductions de coûts. > *« Nous ne sommes pas vraiment concentrés sur les économies de coûts. Nous sommes concentrés sur la stimulation de la croissance et de l'expérience client. C'est notre grand pari — et ce que nous avons observé, c'est un modèle bien plus puissant, car notre vision de l'IA est qu'elle est incroyablement positive pour tous. »* ## [03:35] Rétention des talents et effet volant Les employés équipés de Nexus gèrent davantage de clients, commettent moins d'erreurs et gagnent davantage — et quitter la firme signifie retrouver les tâches routinières que Nexus a éliminées. Cette friction devient un véritable aimant à talents. Les entreprises du portefeuille qui affichaient une croissance de 0 à 5 % par an connaissent désormais une croissance organique supérieure à 20 %. > *« Si vous quittez Long Lake ou l'une de nos entreprises partenaires pour rejoindre un concurrent, vous devez recommencer toutes ces tâches routinières qui occupaient 25 à 30 % de votre journée. Et rien que l'idée — c'est comme si on vous demandait de renoncer à l'e-mail. »* ## [05:01] Acquisition plutôt que vente de logiciels Vendre des logiciels aux entreprises de services implique d'accepter une boucle de retour étroite et aucun contrôle sur la conduite du changement. Posséder l'entreprise place les ingénieurs de Long Lake dans la même salle — souvent littéralement dans le même État — que les travailleurs de terrain dont ils résolvent les problèmes. Le modèle de colocalisation en mode skunk works resserre la boucle de feedback de quelques mois à quelques jours. > *« Notre équipe considère nos employés et nos collaborateurs sur le terrain comme le client, et cette boucle de feedback interne — c'est l'autre point. Nous avons une boucle de feedback bien plus resserrée. »* ## [06:57] La constitution de l'équipe fondatrice de Long Lake Long Lake a été conçue sur mesure pour fusionner trois disciplines : le M&A en private equity, l'ingénierie IA appliquée et la conduite du changement. Les 20 premières recrues sont toutes venues par le réseau — des ingénieurs qui avaient été cofondateurs ou CTO de startups d'IA appliquée mais n'avaient pas réussi à percer dans la distribution des secteurs de services. Les responsables M&A sont issus de GTCR, Blackstone, TPG et HIG, attirés précisément parce que ces firmes ne sont pas nativement IA. > *« Il semblait y avoir un fossé immense, et beaucoup des personnes qui ont constitué notre équipe fondatrice étaient en fait des fondateurs dans la tech. Beaucoup avaient leurs propres startups au sein de l'équipe d'ingénierie. »* ## [10:37] Le rachat d'American Express Global Business Travel Amex GBT figurait sur le tableau blanc des secteurs cibles de Long Lake parce que le voyage d'affaires est essentiel à la mission des entreprises et à coût d'échec élevé — un voyage manqué représente une perte commerciale réelle. Fondée en 1915 par American Express pour rapatrier les clients des Travelers Checks coincés en Europe pendant la Première Guerre mondiale, la franchise vieille de 111 ans a déjà publiquement tracé une feuille de route de transformation par l'IA. Le plan de Long Lake consiste à déployer Nexus en complément de cette stratégie existante et à doter chaque conseiller en voyages de super-pouvoirs grâce à l'IA. > *« Imaginez votre conseiller en voyages doté de super-pouvoirs grâce à l'IA. C'est en quelque sorte le futur que nous envisageons pour les clients d'AMEX GBT. »* ## [13:36] L'approche Berkshire Hathaway appliquée au management Le private equity traditionnel charge les entreprises de dettes, les restructure puis les cède en trois à cinq ans. Long Lake rejette explicitement ce modèle : les effets cumulatifs de meilleurs outils → de meilleures équipes → de meilleures performances pour les clients → d'une croissance plus rapide prennent deux à cinq ans à se cristalliser, et vendre à ce stade reviendrait à sacrifier l'avantage acquis. Le manuel opérationnel de Danaher et Transdigm — consolider des secteurs fragmentés avec un système différencié — est la référence explicite, appliquée aux services avec l'IA comme levier. > *« Vous allez construire la meilleure entreprise du secteur, et ensuite vous allez la vendre ? Ça n'a aucun sens pour moi. Je voudrais posséder cette entreprise indéfiniment et capitaliser sur cet avantage pendant des décennies. »* ## [16:37] Comment la stratégie IA distingue Long Lake L'IA en entreprise reste pénétrée à environ 1 % dans les cas d'usage réels. Les vendeurs choisissent Long Lake plutôt que le private equity traditionnel parce que l'offre comprend un capital permanent, une équipe d'ingénieurs qui s'installe pour plusieurs années et une plateforme déployable dès le premier jour. Les fondateurs et les équipes de direction sont encouragés à réinvestir leurs fonds propres dans la nouvelle structure afin de participer à la hausse. À mesure que le track record de Long Lake se consolide, Taubman s'attend à ce que le coût du capital diminue — rendant la firme encore plus compétitive sans avoir besoin de gagner sur le prix. > *« Avoir un partenaire en capital permanent à long terme est déjà une chose merveilleuse, mais avoir ce partenaire avec une expertise approfondie en ingénierie IA appliquée et une plateforme déployable dès le premier jour — ça a vraiment résonné. »* ## [19:32] L'IA au service de la croissance des entreprises de services Les entreprises de services à forte intensité de main-d'œuvre font face à une taxe de croissance brutale : augmenter le chiffre d'affaires de 20 % exige souvent d'embaucher 20 % de personnel supplémentaire, ne conservant que 20 centimes de chaque dollar de revenu incrémental après les coûts salariaux. Nexus améliore la productivité des équipes existantes de 30 à 40 %, brisant cette équation. Les PDG des entreprises du portefeuille — certains à la tête de leurs sociétés depuis des décennies — décrivent cette période comme la meilleure de leur carrière, car ils croissent enfin avec des marges incrémentales proches de celles d'un éditeur de logiciels. > *« Lorsque vous rendez vos équipes existantes 30 à 40 % plus efficaces et qu'elles peuvent gérer davantage de clients, cela change toute la mentalité de l'organisation. Maintenant vous croissez. Vous ressemblez à une entreprise de logiciels, avec des marges incrémentales élevées. »* ## Personnages - **Alexander Taubman** (Personne) : Cofondateur et PDG de Long Lake Management ; a piloté le rachat d'Amex GBT à 6,3 Md$ - **Elad Gil** (Personne) : Animateur de No Priors ; investisseur indépendant et entrepreneur en série - **Long Lake Management** (Organisation) : Firme de roll-up pilotée par l'IA ; acquiert et transforme des entreprises de services grâce à Nexus - **Nexus** (Logiciel) : Plateforme IA horizontale de Long Lake ; agnostique en termes de modèles, avec 80 % d'infrastructure partagée entre les verticales - **American Express Global Business Travel / Amex GBT** (Organisation) : Plateforme mondiale de voyages d'affaires vieille de 111 ans ; cible du rachat à 6,3 Md$ par Long Lake - **AI take-private** (Concept) : Acquisition d'une société cotée en bourse dans le but explicite de transformer ses opérations par l'IA — l'accord de Long Lake avec Amex GBT est décrit comme le premier du genre - **Danaher / Transdigm** (Organisation) : Conglomérats industriels cités comme modèle pour la stratégie d'acquisition à long terme et capitalisante de Long Lake