ポッドキャスト世界の声を聴き、思考の刻みを見る。

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がOnyx SecurityのCo-founderかつCEOのMaxim Bar Koganと対話し、エンタープライズ規模でAIエージェントを守るために何が必要かを探る。Maximは、プロキシや権限制限、人間によるレビューといった従来の管理手法は、エージェントの行動が指数的に増えると崩壊すると主張する。唯一の現実的な道は、より重いオーバーシーアへのエスカレーションが必要かどうかを判断できる、特化型の小型モデルを訓練することだという。会話はOnyxの「セキュアコントロールプレーン」、カスタムモデル訓練のコストとレイテンシのトレードオフ、ラボが自社モデルの安全性を自己証明できない理由、そしてAGIは必ずやって来るという確信と、独立したAI監視は数千億ドル規模のビジネスになるというMaximの見通しまで幅広く展開する。 ## [00:00] 冒頭 Maximは途中から話し始める。企業がAIエージェントでできることが増えるにつれ、問題のある行動も増える——エージェントが誤って認証情報を公開したり、許可されていないネットワーク呼び出しをしたり、取り消しのきかない操作を実行したりといった事例だ。企業は既に、この導入の波を止められないことを認識している。欠けているのは、エージェントの正当な行動と不正な行動を区別する仕組みだ。このクリップはイントロの前にOnyx全体のテーゼを提示する。 > *「企業はリスクが指数的に高まっていることに気づき始めており、導入自体を止める手段を持ちません。今やるべきことは、エージェントの行動が不正または誤りである確率を下げることです。」* ## [00:45] Maxim Bar Koganの紹介 SarahはMaximをOnyx SecurityのCo-founderかつCEOとして紹介する。イスラエルを拠点とするスタートアップで、研究者、数学者、エンジニアが揃う——AIエージェントを監視するためのエージェントを作っていると説明される。同社は攻撃的なサイバーセキュリティの知見と深いAI研究を融合させており、合成データや機械論的解釈可能性の研究も手がける。 ## [01:10] AutoGPTとエージェント行動への賭け エンタープライズセキュリティにおける2年前のリスクの定説は、チャットボット向けDLP——社員がChatGPTに機密情報を貼り付けること——だった。その枠組みは今や崩れ、自律エージェントの行動をめぐる危機感に変わっている。MaximはOnyxの賭けをAutoGPTに遡って説明する。LLMが「何をすべきかを決め、ツールを呼び出し、ループする」ことを初めて可能にした、最初の自律エージェントだ。テキスト生成ではなく自律的な現実世界の行動を実証したこのデモを見て、Maximはすぐに「誰かがそれをスケールで監視しなければならない」と確信した。 > *「AutoGPTはLLMにテキストを生成させるのではなく、何をすべきかを決めさせ、APIアクセスを与えてそれを実行させた、本当に最初の自律エージェントでした。私たちを含め、あらゆる人の想像力を解き放ちました。」* ## [05:17] Onyxプロダクトの概要 Onyxがやることは二つ。モデルを訓練し、AIエージェントを監視するエージェントを構築すること、そしてその能力を「セキュアコントロールプレーン」としてパッケージ化し、企業のAIスタックに組み込めるようにすること。コントロールプレーンはリアルタイムでエージェントの行動の正当性を判断しながら、レイテンシ・コスト・信頼性のトレードオフを管理する。Maximが描く長期ビジョンはエンタープライズセキュリティにとどまらない。AIエージェントを運用するすべての企業に、そのエージェントが何をしているかをベンダーに依存せずに証明できる第三者が必要になる。 > *「エージェントの行動数は指数的に増加しています。過去に役立ったと思われていたもの——たとえばヒューマン・イン・ザ・ループ——も、100倍、1000倍、100万倍のアクションになれば機能しなくなります。」* ## [07:47] 大企業における導入の現状 大企業のAI導入は今、三つのカテゴリに分かれるとMaximは見る。ローコードSaaSの自動化（ドラッグアンドドロップ型で真の自律性はない）、社内または顧客向けに自社開発した第一者エージェント、そして自律的なコーディングエージェントとアシスタントだ。その中で、コーディングエージェントが現在AI使用量の50%以上を占める。成熟度の高い金融や医療セクターは統制が厳しいが、最も慎重な企業でもAIを全面禁止するフェーズは終わり、管理・活用へと移行している。 > *「平均的な企業において、50%以上を占めるのは自律的なコーディングエージェントとアシスタントです。」* ## [09:58] AIエージェントのセキュリティ 大企業はすでに年間約1000億ドルをセキュリティ——エンドポイント、ネットワーク、クラウド、IDに費やしている。Sarahはそのどれだけがエージェントセキュリティに転用できるかを問う。Maximの答えはほぼゼロだ。最も基本的な層であるID管理は、エージェントが事前にスコープを定めることができない広範で動的な権限を必要とするため機能しない。コードベース全体を書き換えたり、幹部に代わってメールを送ったりするエージェントを、静的なソフトウェアプロセスのように狭い権限セットで縛ることはできない。攻撃対象は「アクセス」ではなく「意図」であり、既存のツールは意図を読み取れない。 > *「自律型AIやコーディングエージェントには、事前にどのような権限を与えるべきかを知ることが実質的にできません。」* ## [12:45] プロキシが機能しない理由 Sarahはセキュリティのバックグラウンドから「より賢いポリシーエンジンを持つプロキシで解決できないか」と問う。Maximはプロキシが一部のアーキテクチャで統合ポイントとして機能することは認めながら、本質的な問題を解決できないと言う。プロキシはデータストリームを得られるが、そのストリームの中のアクションが正当かどうかは教えてくれない。その判断にはコンテキストの理解——エージェントの目標、履歴、企業が承認した範囲——が必要であり、任意のエージェント行動を横断してそれを評価できるルールエンジンは存在しない。 > *「難しい問題は、今この行動が適切かどうかを理解することです。AIシステムにおいてはそれがまさに難問です。」* ## [14:11] Onyxが独自モデルを訓練する理由 「Claude CodeでClaude Codeを監視する」という単純な発想は、コストとレイテンシで破綻する。フロンティアモデルのエージェントを企業のすべてのエージェントに対して走らせると、セキュリティレイヤーが監視対象のAIより高コストになってしまう。Onyxの答えは、「現在の行動をより重いオーバーシーアにエスカレーションすべきかどうか」をただ一つ判断することに特化した、小さく高度に専門化されたモデルだ。Sarahはブリッツチェスに例える。グランドマスターは早い手では直感で指し、重要な分岐点でだけ立ち止まる。Maximはこの例えが正確だと言う——リスクが最も高い場所に知性を集中させ、他はリーンに保つのが鍵だ。 > *「ただ一つのことが得意な、非常に小さなモデルを訓練することを目指しています。そのモデルにできることはほぼこれだけです——『これはより賢いエージェントに見せるべきか？』と判断することです。」* ## [18:38] Onyxの人材文化 イスラエルのセキュリティ人材——8200、Armis、Wizといった組織が育てた——は広く知られている。OnyxのDNAは異なる。共同創業者Gilのバックグラウンドは合成データとNVIDIAで、攻撃的サイバーセキュリティではない。Onyxの研究エンジニアリング部門の多くは、数学とサイバーの交点に特化したイスラエルの情報部隊出身だ。Maximはこの組み合わせを意図的なものと見る。Onyxが長期的に解こうとしているのはエンタープライズセキュリティだけでなく、高度なAIをいかに制御するかという問題全体だからだ。それには深いAI専門知識とセキュリティの感覚が両方必要になる。イスラエル全体としても、ワールドモデル、AIインフラ、チップといった分野でAIの力をつけつつある。 > *「問題はサイバーセキュリティだけではありません。長期的に高度なAIをどう制御するか——エンタープライズセキュリティの話を抜きにしても、それだけで非常に重要に聞こえます。」* ## [21:24] 機械論的解釈可能性 Maximは、機械論的解釈可能性——モデルの重みと活性化の内部で実際に何が起きているかを理解すること——は可能であり必要だと確信している。彼の逆説的なテーゼはこうだ。モデルが重要な側面で人間より賢くなるにつれ、他のモデルの内部構造を解析する能力も人間より高まる。Onyxはこの方向の研究に積極的に投資しており、単なるセキュリティツールとしてではなく、知性そのものへの窓として位置づけている。Sarahはこの賭けを支持し、AIだけでなく広く認知を理解する機会があると指摘する。 > *「少なくともいくつかの重要な側面で、私たちよりはるかに賢いモデルを手にし始めると、機械論的な能力をよりうまく解析できるようになると思います。」* ## [23:35] Onyxが顧客の信頼を築く方法 Fortune 10やFortune 20の企業が通常、社員100人以下の設立2年のスタートアップと組むことはない。その常識を覆しているのは「痛み」だ。日々エージェントのインシデントに直面しているCISOには、3年前には存在しなかった問題なのだから、頼れる既存ベンダーがいない。Onyxはステルスから出てきたタイミングで、まさに自分たちが抱えている問題の説明に当てはまるとして、企業からのインバウンドを受ける。Maximはこれを「狭く、一時的な窓」として捉える——新興スタートアップも成長すると企業は知っており、遅れた採用者になるより、製品を形作れるアーリーカスタマーを選ぶ。 > *「痛みが非常に強いときにしか開かない窓です。彼らの痛みはあまりに強く、ステルスから出てきたばかりの会社でも、毎日直面している問題であれば電話をかけてきます。」* ## [25:10] リスクを根本から抑制する CISOが次に直面しているパニック——エージェントの行動を超えたもの——は、自動化された脆弱性調査のコストが急落していることだ。コーディングツールは今や、数年前には何十年も先の話に思えた規模で脆弱性を発見・悪用できる。Maximは市場の過剰反応ではなく、真の構造的変化だと言う。正しい対応は二段構えだ。今すぐの高速パッチと緩和策、そして堅牢なID管理、ファイアウォール、エンドポイント検知への投資——攻撃者のツールが何であれ悪用可能な攻撃面を減らす基盤を整えることだ。 > *「本当の解決策は、大企業のセキュリティリーダー全員が知っています——リスクを避けるために基礎的な仕組みを整備することです。」* ## [27:45] GlasswingとDaybreakの段階的展開 AnthropicのGlasswingとOpenAIのDaybreakによる、より高度なモデルへの管理された段階展開についてMaximは条件付きの見方を示す。段階的展開はグローバルに協調されているなら理想的だ——プレイブックを構築し、知識を共有し、電力網や航空会社での壊滅的な障害を防ぐ時間を稼げる。しかし段階的スケジュールより先に同等の能力を持つモデルを誰かがリリースしてしまえば、段階的アプローチは逆に負債になる。早期アクセスを得られなかった企業が、準備の機会すらなかった脅威にさらされるからだ。彼の推奨は、より多くの組織が並行して防御を構築できるよう、アクセスを幅広く提供することだ。 > *「誰かが先にメソッドレベルのモデルに到達したなら、後から振り返れば大きな過ちに見えるでしょう——少なくとも企業に、早急に動く選択肢を与えるべきでした。」* ## [29:11] AI導入に消極的な大企業 2年前、一定数の大企業がAIを単純に禁止していた。今やMaximはそれをほとんど見かけない。金融セクターはまだ制約を課す——エージェントは許可するが使えるツールを限定するなど——しかし全面禁止は消えた。これは正しい方向性だとMaximは言う。ツールのベンダーロックインそれ自体がリスクだからだ。このスピードで動く市場で一社のモデルだけに賭けると、世代交代で順位が変わったときに対応できなくなる。幅広いツールを許可しながらしっかり管理する企業が、過度に制限する企業を追い抜いていく。 > *「1年前にOpenAIに賭けていたら、それが世界で最も安全な賭けだったでしょう。しかし突然、Anthropicのモデルとツールの方がはるかに優れてきました。」* ## [30:46] OnyxとAIセキュリティ市場全体 AIセキュリティは新しいベンダーと新しい攻撃対象であふれている。Maximはプロダクトスコープへの不安に対してこう反論する。2026年AIの二つのコアプリミティブ——トランスフォーマー基盤モデルとツール呼び出しエージェントループ——は数年間で根本的に変わっていない。その安定性により、Onyxはコア技術をリーンに保ちながら多くのエージェントアプリケーションに対応できる。アーキテクチャの変化に対する本当のヘッジは、単一のモデルパラダイムに製品を賭けるのではなく、迅速に再訓練・適応できる研究者への投資だ。 > *「2026年のAIの動き方の二つの核心的な柱は、ここ数年で変わっていません。私たちは今もLLM基盤モデルを使い、ほぼ同じ方法でエージェントを構築しています。」* ## [32:36] AIラボはモデルの信頼性とガバナンスに取り組むべきか？ ベイエリアで今議論されている問いがある——ラボはいずれ信頼性とガバナンスの問題を自分たちで抱え込むようになるのか？Maximの構造的な反論はこうだ。車を売った相手に車を認定させたくはない。セキュリティチームが必要としているのは、事業モデル全体が「正しいかどうかを判断すること」に依存している独立した第三者であり、自社製品の評判を守るベンダーではない。買い手の心理を超えて、Maximは「ぎざぎざの知性」ミス——モデルが強くなれば自然に改善する凡ミス——と、意図レベルの失敗——敵対的な操作、目標のずれ、目的のドリフト——を明確に区別する。ラボは前者を修正する。後者に対応できるのは、構造的に独立したオーバーシーアだけだ。 > *「製品のベンダーが、その製品があなたの環境を壊さないと保証することを信用しないでしょう。自分たちのビジネス全体が、それが正しいと伝え続けることにかかっている独立した第三者が必要です。」* ## [36:56] セキュリティに必要なこと Sarahはラボを含む広いテック・研究コミュニティが、セキュリティの観点から何を見落としているかを問う。Maximの答えは、技術的なギャップではなく「共感のギャップ」だ。セキュリティプロダクトを作るには、セキュリティチームが実際にどう動いているか——組織構造、責任範囲、情報の流れ——を深く理解する必要がある。イスラエルが優れたセキュリティ人材を輩出する理由の一つは、軍での経験がエンジニアに「後で自分が作る製品のエンドユーザーとしての一次体験」を与えるからだ。ラボは、実際に展開・防御しなければならない組織の現実に十分な注意を払わずに能力を構築している——そう彼は示唆する。 > *「どんな技術的問題を解いていても、それは特定の構造を持つ組織や人々のためのツールです。技術的な問題を解くだけでなく、そのユーザーが本当に気に入るプロダクトを作るのは本当に難しい。」* ## [39:14] MaximがAGIを確信する理由 Sarahはこのまとめとして、Maximが人間のセキュリティチームがしばらく存在し続けると暗黙的に信じていることを指摘する。Maximはそれを肯定しながらも、タイムラインを示す。ほとんどのナレッジワークがそうなるように、セキュリティチームも近い将来、完全にAIエージェントで運営されるようになる。AGI楽観主義の彼の地に足のついたバージョンはこうだ——優れたプロダクトを作る仕事の本質は変わらない。常にエンドユーザーが誰かを知り、そのエクスペリエンスを最適化すること。今は、数体のエージェントを傍らに持つ人間向けに売っている。その比率が逆転したとき、同じ原則がそのまま当てはまる——ダッシュボードではなくコンテキストウィンドウを読むエージェントに向けて。 > *「今日プロダクトを売るとき、私は少数のエージェントを従えた人間のオーディエンスに売っています。そのオーディエンスが人間よりエージェントの方が多くなったとき、私たちも進化して、エージェントが仕事をする環境でうまく機能させることが重要になります。」* ## 登場人物 - **Maxim Bar Kogan** (人物): Onyx SecurityのCo-founderかつCEO。元イスラエル諜報機関出身、数学と攻撃的サイバーセキュリティが専門。 - **Sarah Guo** (人物): No Priorsのホスト。ConvictionのFounder兼GP。 - **Onyx Security** (組織): AIエージェントの監視インフラを構築するイスラエルのスタートアップ。特化型の小型モデルを訓練し、エンタープライズAIエージェントの監視とガバナンスを担う。 - **AutoGPT** (ソフトウェア): 初期のオープンソース自律LLMエージェント。エージェントリスクを具体化した転換点としてMaximが引用。 - **Glasswing / Daybreak** (ソフトウェア): フロンティアモデルへのアクセスを管理するAnthropicとOpenAIそれぞれの管理展開プログラム。 - **Mechanistic Interpretability** (概念): ニューラルネットワークの重みと活性化の内部構造を理解するための研究プログラム。OnyxはこれをAI監視の長期的な柱として位置づけている。 - **Secure Control Plane** (概念): Onyxのプロダクトカテゴリ——エージェントの権限、行動の正当性、行動履歴をリアルタイムで監視するベンダー非依存のレイヤー。 - **8200** (組織): イスラエルの情報部隊。Onyxエンジニアを含む、イスラエルのトップセキュリティ・テック人材の多くを輩出したとされる。

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

米国国務次官Jacob HelbergがNo Priorsに再登場し、パックス・シリカを発表した。これはAIサプライチェーン全体をチップからレアアースマグネット、ロボットアクチュエーターまで確保するための14カ国経済安全保障連合だ。主力プロジェクトはフィリピンの4000エーカー（マンハッタンの3分の1）で、米国に「前方展開産業基地」として付与された。自由民主主義的な資本主義のために、中国の一帯一路が国主導のインフラに対して行ったことを、国有企業ではなく民間企業とベンチャーキャピタルが主導して実現しようとする構想だ。Sarah GuoとElad Gilが、政権をまたぐ政策の持続性、VCの役割、そしてHelbergが「グローバルなアンダードッグ」とアメリカを表現した理由について問い質した。 ## [00:00] コールドオープン Helbergはパックス・シリカの哲学的な核心を語る。米国は国家運営の工場でサプライチェーン競争に勝つことはできない。その強みは民間セクターと企業にある。Steve Jobsの「魅了し喜ばせる」を世界中に届けてきたのがそれだ。戦略はしたがって、アメリカの建設者と緊密に連携してプラットフォームを構築し、最終的には政府の外で商業サービスとして機能させることだ。 > *政府が運営するサプライチェーンを構築するつもりはありません。それは私たちの国としての輝き方ではないからです。私たちの超大国は本当に民間セクターと企業にあるのです。* ## [00:41] Jacob Helbergの紹介 SarahとEladがHelbergを再紹介した。前回の会話から就任が確定し、現在は国務次官(経済担当)として活動している。この回のテーマはパックス・シリカ、すなわち米国とその同盟国のためにAIサプライチェーンを確保するための多国間の取り組みだ。 > *Jacob、本日はありがとうございます。ええ、参加できて嬉しいです。お招きいただきありがとうございます。* ## [01:02] パックス・シリカのミッション HelbergはパックスシリカがHudson Instituteでの演説に由来することを説明した。その演説はサプライチェーンへの「エコシステムベース」のアプローチを概説するものだった。連合は現在14カ国に拡大している。最初の具体的な成果はフィリピンとの取り決めで、4000エーカーが前方展開産業基地として米国に付与された。アメリカのコモンローの予測可能性とフィリピンの産業上の比較優位を組み合わせるかけとして提示し、サンフランシスコでの発表は建設者と直接対話するためのものと位置づけた。 > *パックス・シリカは現在14カ国が参加する経済安全保障連合です。考え方はサプライチェーン、特にAIサプライチェーンに対してエコシステムベースのアプローチを持つことです。* ## [03:51] AIチップのサプライチェーンへの投資 AIサプライチェーンは半導体チップよりもはるかに広範で、「精密リデューサー、サーバーモーター、レアアースマグネット、アクチュエーターなど数千の部品」を含んでいる。米国はほぼすべての部品において集中リスクが高い。Helbergの枠組みは、すでに固有の産業的深みと価値観の一致がある地域を選ぶことだ。フィリピンは両方を満たしている。アジアで最も古い米国の同盟国であり、深い製造エコシステムを持つ。ロボティクスは半導体の次のボトルネックとして明示的に言及された。 > *AIサプライチェーンには実際に精密リデューサー、サーバーモーター、レアアースマグネット、アクチュエーターなど数千の部品が含まれており、これらのほぼすべてにおいて私たちの集中リスクは非常に高い。* ## [05:43] パックス・シリカと中国の一帯一路の比較 自然な比較であり、Helbergはそれに向き合う。一帯一路は25年間の国有企業による政府運営の道路、橋、鉄道、鉱山、加工施設の海外建設であり、インフラを外交政策の手段として使うものだと説明した。パックス・シリカはそのモデルを意図的に逆転させる。資産は民間所有で商業的に成立し、政府の役割は摩擦を減らし同盟国を調整することで、目標は政治的なレバレッジではなく強固な経済的相互依存だ。これはより持続可能でより透明性が高く、受け入れ国は債務の罠ではなく真の成長を得ると主張した。 > *根本的にそれが何であったかというと、国有企業が政府運営の鉄道、政府運営の鉱山を建設するものでした。* ## [12:38] パックス・シリカの価値提案 パートナー国へのピッチはシンプルだ。AIはすでに米国GDP成長の3分の1以上を牽引しており、銅、コバルト、電気技師、データセンターに入るあらゆる部品への記録的な需要を生み出している。そのサプライチェーンのさまざまな層で実質的なポジションを取る国は、他の方法では得られない成長を享受できる。Helbergは技術の変曲点の非ゼロサムの性質を活用し、テーブルにいる全員が勝てるほどパイが急速に成長すると主張した。 > *パイは本当に急速に成長します。ですから、実際にはゼロサムではなく、それが非常に相互利益的な関係を構築するのに適しているのです。* ## [14:38] 米国製造とパートナー製造の比較 Eladが当然の問いを提起した。何が米国に留まり、何がパートナーシップに回るのか？ Helbergの枠組みは消費対生産だ。米国は世界人口の4%だがほとんどのカテゴリーで世界消費の20〜30%を占め、生産はそれをはるかに下回る。このギャップを縮めることが即ち米国の再工業化だ。最先端のファブや防衛上重要な能力は国内でなければならない。鉱物処理や特定の部品は地理的条件と産業基盤が既にある場所でパートナーシップを組む方が良い。本能は自国内完結ではなく、サプライチェーンを同盟国全体に意図的に再配分し、最も戦略的に重要な層を米国が担うことだ。 > *アメリカは任意の四半期において世界消費の20〜30%を占めています。* ## [19:10] レアアース鉱物の価格設定 Eladがレアアースについて掘り下げた。実際には希少でなく、総市場規模は数十億ドルに過ぎず、中国が支配のレバーとして大幅に補助していることを指摘した。Helbergはそれに同意し、経済性を再定義した。レアアースの競争力を決めるのは希少性ではなく、エネルギー強度と採掘品質グレードだ。したがって政策の問いはエネルギーの豊富さと処理能力についてであり、新しい鉱床の探索ではない。政権の広範なエネルギー供給拡大の取り組みが部分的にこれを可能にするという示唆もあった。 > *それらの産業の経済性を本当に左右するのは、特定の品質グレードの鉱物を採掘するために地中にどれだけのエネルギーを投入する必要があるかです。* ## [22:16] パックス・シリカにおけるベンチャーキャピタルの役割 Sarahが「友人のために」民間資本の役割を尋ねた。Helbergの答えは国務省高官としては珍しいほど率直だ。VCは創業者や経営者の評価において政府より優れており、実行能力が野心的なプロジェクトが現実に耐えられるかどうかを決める。彼はベンチャーエコシステムをシグナル層として活用したい。政府の配分は、政府単独で勝者を選ぼうとするのではなく、信頼できる経営者がすでに向かっている方向の上に乗ることができる。協力は明示的に双方向だ。VCは実行力のある企業を発掘し、政府は需要と政策支援を提供する。 > *皆さんは創業者や経営者の人格的な属性を評価するために生まれつき適しています。* ## [24:50] 近期と長期の優先事項 2027〜2028年の成果と5年後のプレイをどうバランスさせるのか？ Helbergの答えは特定のタイムラインを選ぶのではなく環境設定だ。政権のアプローチは、短期的なイテレーションと長期的な資本集約的プレイの両方が容易になるようマクロ環境を整えることだ。縦割りを排除し、国内エネルギー供給を拡大し、原子力を4倍にする。Trumpが署名した最初の大統領令の一つである国内原子力4倍化を、両方の時間軸に対して効果を発揮する構造的なイネーブラーとして挙げた。 > *環境を整えることを支援し、イノベーション、イノベーションの反復、そしてイノベーションの展開をより簡単で低コストにするマクロ環境を基本的に作ること。* ## [27:09] AI政策の持続性を高める方法 Eladが大統領令の問題を提起した。各政権は前の政権の命令を取り消す。パックス・シリカはどうやって政権交代を乗り越えるのか？ Helbergは税制改革のように非常に定着しやすいものがあると指摘しつつ、自分の役割が選挙に関するコメントを禁じていると述べた。持続性の問いに完全には答えていないが、それ自体が答えだ。持続性は立法と現場の事実（フィリピンの産業基地、パートナー製造）から来なければならず、それらは撤回が難しい。 > *税制改革は非常に定着しやすいです。* ## [28:09] 政策が起業家に与える影響 アメリカのビジネス人や経営者にとって、パックス・シリカは市場アクセスプラットフォームとして位置づけられている。日本、韓国、インド、シンガポールなど友好的な貿易相手国でさえ意味のある摩擦が生じることがある同盟国市場へのアクセスを拡大するものだ。Helbergは特に、すでに進行中のパートナーシップ、経営幹部が今より意識的に行っているサプライチェーンの意思決定、そして国境を越えた協力を促進する政策改善についてのフィードバックを求めている。 > *それを私たちの企業の市場アクセスを拡大するためのプラットフォームとして活用したい。* ## [31:00] トランプ政権の起業家的アプローチ 国務省に着任して最も驚いたことを問われたHelbergは、政権のスピードとリスク選好を挙げた。「トランプ時間」は海外のカウンターパートとの冗談になっている。ほとんどのキャリアを民間セクターで過ごした大統領と、官僚的な本能ではなく民間セクター的な本能で動く内閣（Bessent、Lutnick等）の組み合わせによるものだと説明した。建設者へのメッセージは、新しいことを試みる意欲が今異常に高く、パックス・シリカはその恩恵を受けているということだ。 > *私たちはトランプ時間で動きます。* ## [33:00] アメリカはなぜグローバルなアンダードッグなのか Sarahがアメリカを「グローバルなアンダードッグ」と表現したHelbergの発言を問い詰めた。米国が確立した大国とされる中では直感に反する表現だ。HelbergはGraham AllisonのThucydides Trapを引用しつつ、その枠組みに反論する。アメリカのアイデンティティはその建国以来、アンダードッグの国だった。礼儀正しい社会の帝国に反旗を翻した13の無秩序な植民地、衰退を繰り返し告げられながら、確立されたエリート層の予測を繰り返し覆してきた。その議論はアメリカのリスクテイク文化の擁護として、そして締めのピッチとして着地する。この国は既得権益を守るのではなく、アンダードッグとして振る舞うことで勝つ。 > *私たちは常にアンダードッグの国でした。* ## 登場人物 - **Jacob Helberg** (人物)：米国国務次官（経済担当）、パックス・シリカの設計者。 - **Sarah Guo** (人物)：No Priorsホスト、Convictionファウンダー兼GP。 - **Elad Gil** (人物)：No Priorsホスト、独立投資家・連続起業家。 - **Pax Silica** (概念)：米国国務省が主導する14カ国経済安全保障連合。前方展開産業基地と民間セクターパートナーシップを通じてAIサプライチェーンを確保することを目的とする。 - **Belt and Road Initiative** (概念)：中国の25年間にわたる国主導の海外インフラプログラム、パックス・シリカが対比する参照先。 - **Philippines Forward-Deployed Industrial Base** (プロジェクト)：産業建設のために米国に付与された4000エーカー、パックス・シリカ最初の主力プロジェクト。 - **Thucydides Trap** (概念)：米中関係を確立された大国対台頭する大国として特徴づけるGraham Allisonの枠組み、Helbergはこの大国の枠組みを否定する。 - **Trump Administration** (組織)：パックス・シリカの政策スピードとリスク選好（「トランプ時間」）を形成、主要閣僚としてScott BessentとHoward Lutnickが言及される。

Long Lake Management共同創業者兼CEO Alexander TaubmanがElad Gilと共に、同社が63億ドルでAmerican Express Global Business Travelを買収するAI主導のテイク・プライベート取引を語る。TaubmanはLong LakeのホリゾンタルAIプラットフォームNexusが、コスト削減ではなく成長促進のためにサービス業各分野に展開されていることを解説。Berkshire Hathaway流の長期保有戦略で、AIによる生産性向上の複利効果を数年にわたって積み上げることを目指す。 ## [00:00] Alexander Taubmanの紹介 Elad GilはLong Lakeが約30件の買収を経たのちに、世界最大の法人向け旅行プラットフォームであるAmex GBTを63億ドルで取得すると発表した点を取り上げ、世界初のAIテイク・プライベートと位置づける。 > *「Long Lakeは最近、63億ドルでAmerican Express Global Business Travelを買収する意向を発表しました。これは私が考える世界初のAIテイク・プライベートです。」* ## [00:30] Long LakeのNexusプラットフォーム Nexusはモデル非依存型で、ファウンデーションモデルと各買収企業のデータソース・スキル・ワークフローの間に位置する。インフラの約80%は業種を横断して共有され、残り20%はワークフローのマッピング、データソースのクリーニング、エンジニアの現場展開などの作業に充てられる。かつては1年以上かかっていた立ち上げが、今では買収クロージングから数日以内に完了し、即座に得られる時間削減効果をコスト削減ではなく成長投資に回している。 > *「私たちはコスト削減にそれほど注力していません。成長と顧客体験の向上に集中しています。これが私たちの根本的な考え方です。AIは本質的にポジティブサムだと信じているからこそ、それが強力なモデルになっています。」* ## [03:35] 社員定着とタレント・フライホイール Nexusを活用した社員は、より多くの顧客を担当しミスも減り報酬も上がる。退職すれば、Nexusが排除してくれた単純作業に逆戻りせざるを得ない。その摩擦が、真の人材マグネットへと変わりつつある。年率0〜5%で成長していたポートフォリオ企業が、今では20%超の有機成長を遂げている。 > *「Long Lakeやパートナー企業を辞めて競合他社に移れば、1日の25〜30%を占めていた単純作業を再び自分でこなさなければなりません。それを考えると、メールを手放すようなものです。」* ## [05:01] 買収 vs. ソフトウェア提供 サービス企業にソフトウェアを売るだけでは、フィードバックループが薄くチェンジマネジメントへの関与も限られる。企業を保有することで、Long Lakeのエンジニアは現場社員と同じ場所に常駐し、課題解決のサイクルを数カ月から数日へと短縮できる。スカンクワークス型の共同配置がそのループを大幅に締め上げる。 > *「私たちのチームは、現場の社員・チームメンバーを顧客と見なしています。社内のフィードバックループがはるかに密であること、これがもう一つの重要な点です。」* ## [06:57] Long Lake創業チームの構築 Long Lakeはプライベートエクイティのディールソーシング、応用AIエンジニアリング、チェンジマネジメントという三つの専門性を融合するために、設立当初から意図的に設計された。最初の20名はすべてネットワーク採用で、サービス業界への販路開拓に苦戦していた応用AIスタートアップの共同創業者やCTO経験者が多い。M&Aリードはそれぞれ、AI未対応の伝統的PEファームであるGTCR、Blackstone、TPG、HIGの出身。 > *「大きなギャップがあると感じていたので、創業チームに集まったメンバーの多くは、テクノロジー分野で以前に創業経験がありました。エンジニアリングチームには、自らスタートアップを立ち上げた人が多数います。」* ## [10:37] American Express Global Business Travelのテイク・プライベート Amex GBTはLong Lakeが注目してきたターゲット業界のホワイトボードに最初から含まれていた。法人出張は事業の根幹を支えるミッションクリティカルな機能であり、失敗コストが高い。1915年にAmerican Expressが第一次世界大戦中の欧州からトラベラーズチェック顧客を退避させるために設立した111年の歴史を持つこのフランチャイズは、既にAI変革ロードマップを公表している。Long LakeのプランはNexusをその既存戦略の上に展開し、すべてのトラベルカウンセラーにAIの超能力を与えることだ。 > *「基本的に、AIのスーパーパワーを持つトラベルカウンセラーをイメージしてください。それがAmex GBTのお客様に対して私たちが描く未来の姿です。」* ## [13:36] Berkshire Hathaway流の経営アプローチ 伝統的PEは負債を積み上げてコストを削り、3〜5年でエグジットする。Long Lakeはそのモデルを明確に否定する。ツールの向上→人材の向上→顧客成果の向上→成長の加速という複利効果が結晶化するまでには2〜5年かかり、その時点で売却すれば蓄積した優位性を手放すことになる。DanaherとTransdigmの運営プレイブックが参照点であり、AIをエッジとして分散したサービス業界を統合していく。 > *「業界最高の会社を作り上げてから、それを売るというのでしょうか。それは私には理解できません。その会社を永遠に持ち続け、数十年にわたってその優位性を複利で積み上げていきたいです。」* ## [16:37] AI戦略がLong Lakeを差別化する理由 エンタープライズAIの実際のユースケースへの浸透率はまだ約1%。売り手がLong Lakeを選ぶのは、永久資本、数年にわたって常駐するエンジニアチーム、初日から展開可能なプラットフォームという三拍子が揃っているからだ。創業者や経営陣は既存株式を新体制に出資して上振れに参加することを推奨している。実績が積み上がるほど資本コストが下がり、価格勝負をしなくても競争力のある入札者であり続けられるとTaubmanは見込む。 > *「長期的な永久資本パートナーを持つこと自体すでに素晴らしいことですが、そのパートナーが深い応用AIエンジニアリング知識を持ち、初日から展開できるプラットフォームを備えているというのは、本当に大きな反響を呼んでいます。」* ## [19:32] AIがサービスをスケールさせる 労働集約型のサービス事業が抱える深刻な成長税がある。売上を20%増やすためには従業員も20%増やす必要があり、増分収益1ドルのうち手元に残るのは20セントにすぎない。Nexusは既存チームの生産性を30〜40%高め、この方程式を打ち破る。数十年にわたって事業を営んできたポートフォリオ企業のCEOたちは、ソフトウェア企業のような高い限界利益を伴う成長をついに実現できているとして、これをキャリア最良の時期と表現している。 > *「既存チームを30〜40%効率化し、より多くの顧客を担当できるようにすると、組織全体のマインドセットが変わります。今や成長しています。高い増分利益率で成長するソフトウェア会社のようになっています。」* ## 登場人物 - **Alexander Taubman** (人物): Long Lake Management共同創業者兼CEO。63億ドルのAmex GBTテイク・プライベートを主導。 - **Elad Gil** (人物): No Priorsホスト。独立系投資家、シリアルアントレプレナー。 - **Long Lake Management** (組織): AI主導の複合買収会社。Nexusを使ってサービス企業を買収・変革する。 - **Nexus** (ソフトウェア): Long LakeのホリゾンタルAIプラットフォーム。モデル非依存型で業種横断の共有インフラが80%。 - **American Express Global Business Travel / Amex GBT** (組織): 創業111年の法人向け旅行プラットフォーム。Long Lakeの63億ドルテイク・プライベートの対象。 - **AIテイク・プライベート** (概念): 上場企業をAI変革を目的に非公開化すること。Long LakeとAmex GBTの取引が初の事例とされる。 - **Danaher / Transdigm** (組織): Long Lakeの長期複合買収戦略の参照モデルとして挙げられる優良運営コングロマリット。