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 spreekt met Maxim Bar Kogan, medeoprichter en CEO van Onyx Security, over wat er werkelijk voor nodig is om AI-agents op enterprise-schaal te beveiligen. Maxim betoogt dat traditionele maatregelen — proxies, identiteitsbeperkingen, menselijke controle — bezwijken zodra agentacties exponentieel toenemen, en dat de enige levensvatbare route is het trainen van gespecialiseerde kleine modellen die weten wanneer ze naar een zwaarder toezichtsmechanisme moeten escaleren. Het gesprek gaat over het "secure control plane"-product van Onyx, de kosten- en latentierekening achter het trainen van eigen modellen, waarom labs hun eigen modelveiligheid niet geloofwaardig zelf kunnen certificeren, en Maxims overtuiging dat AGI eraan komt en dat onafhankelijk AI-toezicht een markt van honderd miljard dollar zal worden. ## [00:00] Koude opening Maxim opent midden in een gedachte: naarmate ondernemingen meer doen met AI-agents, zullen slechte acties volgen — agents die per ongeluk inloggegevens publiceren, ongeautoriseerde netwerkverzoeken doen, onomkeerbare stappen zetten. Ondernemingen weten al dat de adoptiegolf niet te stoppen is; wat ze missen is een manier om een legitieme agentactie van een illegitieme te onderscheiden. Het fragment legt de kern van de Onyx-these neer voordat de intro begint. > *"Zeker, ondernemingen beginnen te beseffen dat dat risico exponentieel is gegroeid en dat ze geen enkele manier hebben om de adoptie te stoppen. Ze moeten nu gewoon iets doen om de kans te verkleinen dat die agentacties onrechtmatig of onjuist zijn."* ## [00:45] Introductie van Maxim Bar Kogan Sarah introduceert Maxim als medeoprichter en CEO van Onyx Security, een in Israël gevestigde startup met onderzoekers, wiskundigen en ingenieurs — beschreven als het bouwen van agents om de AI-agents te bewaken. Het bedrijf combineert offensieve cyberexpertise met diepgaand AI-onderzoek, waaronder werk aan synthetische data en mechanistische interpretabiliteit. ## [01:10] AutoGPT en gokken op agentacties Het risicoverhaal dat twee jaar geleden centraal stond in enterprise-beveiliging was DLP voor chatbots — medewerkers die gevoelige data in ChatGPT plakten. Dat beeld is inmiddels verschoven naar bijna-paniek over autonome agentacties. Maxim herleid Onyx's gok naar AutoGPT: de eerste agent waarbij een LLM kon beslissen wat te doen, een tool aanroepen en herhalen — niet alleen tekst genereren. De demo bewees dat agents zelfstandig acties in de echte wereld konden ondernemen, en Maxim concludeerde direct dat iemand die acties op schaal zou moeten bewaken. > *"AutoGPT liet ieders verbeelding, inclusief de onze, de vrije loop nemen, omdat het de eerste echt autonome agent was die op LLM's draaide — een agent waarbij een LLM niet tekst genereerde maar besliste wat te doen, en die agent API-toegang kreeg om dat te doen."* ## [05:17] Wat het Onyx-product doet Onyx doet twee dingen: modellen trainen en agents bouwen die andere agents bewaken, en die mogelijkheid verpakken als een "secure control plane" die ondernemingen in hun AI-stack kunnen inpluggen. Het controlevlak monitort agentacties op legitimiteit — in real time beslissen of een bepaalde actie binnen de grenzen valt — terwijl het de afweging tussen latentie, kosten en betrouwbaarheid beheert. Maxim positioneert de langetermijnvisie voorbij enterprise-beveiliging: elk bedrijf dat AI-agents inzet heeft een leverancieronafhankelijke partij nodig om te certificeren wat die agents doen. > *"Het aantal van deze acties groeit exponentieel. Dingen die we in het verleden nuttig achtten, zoals een mens in de lus — nu je 100x, duizend keer, een miljoen keer zoveel van die acties gaat hebben — dat gaat niet werken."* ## [07:47] De staat van implementatie bij grote ondernemingen In een gemiddelde grote onderneming ziet Maxim vandaag drie categorieën AI-inzet: low-code SaaS-automatisering (drag-and-drop, niet echt autonoom), eigen agents die intern zijn gebouwd of als klantgerichte producten, en autonome codeeragents en -assistenten. Van die drie nemen codeeragents inmiddels meer dan 50% van het AI-gebruik voor hun rekening. De meest volwassen sectoren — financiële dienstverlening, gezondheidszorg — hebben de strengste controles, maar zelfs de meest voorzichtige bedrijven zijn gestopt met het volledig verbieden van AI en gaan nu over op het beheren ervan. > *"Meer dan 50% zijn de autonome codeeragents en -assistenten in de gemiddelde onderneming."* ## [09:58] Agents beveiligen Ondernemingen geven al zo'n 100 miljard dollar per jaar uit aan beveiliging — endpoint, netwerk, cloud, identiteit. Sarah vraagt hoeveel daarvan van toepassing is op agentbeveiliging. Maxims antwoord: vrijwel niets. Identiteitscontroles, de meest fundamentele laag, falen omdat agents brede, dynamische rechten nodig hebben die niet van tevoren afgebakend kunnen worden. Een agent die code schrijft over een repository of namens een leidinggevende e-mails verstuurt, kan niet worden vastgezet aan een beperkte reeks rechten zoals een statisch softwareproces dat kan. Het aanvalsoppervlak is intentie, niet toegang — en bestaande tooling kan intentie niet lezen. > *"Met deze autonome AI's, met deze assistenten, met deze codeeragents, kun je niet van tevoren weten welke rechten je ze moet geven."* ## [12:45] Waarom proxies niet werken Sarah's instinct vanuit haar eigen beveiligingsachtergrond: dit klinkt als een probleem voor een proxy met een slimmere beleidsmotor. Maxim beaamt dat proxies als integratiepunt in sommige architecturen werken, maar zegt dat ze het harde probleem volledig missen. Een proxy geeft je de datastroom; die vertelt je niet of de actie in die stroom legitiem is. Dat oordeel vereist begrip van context — het doel van de agent, zijn geschiedenis, wat de onderneming heeft geautoriseerd — en geen regelmotor weet hoe hij dat over willekeurig agentgedrag heen moet evalueren. > *"Het harde probleem is begrijpen of wat ik nu moet doen oké is of niet. In het geval van AI-systemen is dat de harde vraag."* ## [14:11] Waarom Onyx zijn eigen modellen traint De voor de hand liggende oplossing — Claude Code gebruiken om Claude Code te bewaken — loopt vast op kosten en latentie. Een frontier-model-agent draaien voor elke enterprise-agent zou de beveiligingslaag duurder maken dan de AI die wordt beveiligd. Onyx's antwoord zijn kleine, sterk gespecialiseerde modellen die precies één ding doen: beslissen of de huidige actie escalatie naar een zwaarder toezichtsmechanisme rechtvaardigt. Sarah vergelijkt het met blitschaak: grootmeesters spelen intuïtief bij snelle zetten en pauzeren alleen op kritieke momenten. Maxim zegt dat de schaakanalogiek klopt — je wilt intelligentie precies concentreren waar het risico het grootst is en overal elders lean blijven. > *"Je wilt proberen modellen te trainen die maar goed zijn in één ding. Ze zijn heel klein. Ze kunnen vrijwel niets anders dan zeggen: 'Moet een slimmere agent hier naar kijken?'"* ## [18:38] Talentcultuur bij Onyx Israëls beveiligingstalent — gevormd door eenheden als 8200, bedrijven als Armis en Wiz — is algemeen bekend. De DNA van Onyx is anders: de achtergrond van medeoprichter Gil ligt in synthetische data en Nvidia, niet in offensieve cyber. Het grootste deel van Onyx's onderzoeksteam komt uit een Israëlische inlichtingeneenheid die is gericht op wiskunde en cyber op hun kruispunt. Maxim ziet deze mix als bewust — het langetermijnprobleem dat Onyx oplost is niet alleen enterprise-beveiliging, maar hoe geavanceerde AI in zijn geheel te besturen. Dat vereist diepe AI-expertise naast beveiligingsintuïtie. Israël als geheel haalt snel in op AI: wereldmodellen, AI-infrastructuur, chips. > *"Het probleem is niet alleen cyberbeveiliging. Het probleem is hoe we geavanceerde AI op de lange termijn beheersen — en dat probleem, zelfs als je de enterprise-beveiligingsgaten vergeet, klinkt gewoon heel belangrijk."* ## [21:24] Mechanistische interpretabiliteit Maxim gelooft dat mechanistische interpretabiliteit — begrijpen wat er werkelijk gebeurt in modelgewichten en -activaties — zowel mogelijk als noodzakelijk is. Zijn contra-intuïtieve these: naarmate modellen op belangrijke vlakken slimmer worden dan mensen, zijn ze beter uitgerust om de interne structuur van andere modellen te kraken dan wij. Onyx financiert actief onderzoek in deze richting, niet alleen als beveiligingstool maar als venster op wat intelligentie zelf is. Sarah onderschrijft de gok en wijst op de kans om niet alleen AI maar ook cognitie in bredere zin te begrijpen. > *"Nu we modellen beginnen te hebben die in ieder geval op sommige belangrijke manieren veel slimmer zijn dan wij, denken we dat we mechanistische mogelijkheden veel effectiever kunnen gaan kraken."* ## [23:35] Hoe Onyx klantvertrouwen opbouwt Fortune 10- en 20-bedrijven werken normaal gesproken niet met twee jaar oude startups van minder dan 100 mensen. Wat deze regel doorbreekt is pijn: CISO's die dagelijks te maken hebben met agentactie-incidenten hebben geen incumbent om naar te bellen, want het probleem bestond drie jaar geleden nog niet. Onyx krijgt inbound van ondernemingen die hen vonden toen ze uit stealth kwamen, omdat de probleemomschrijving iets trof waarmee ze al dagelijks bezig waren. Maxim beschouwt dit als een smal, tijdelijk venster — enterprise-kopers weten dat nieuwe startups groter worden, en ze zijn liever vroege klanten die het product meevormgeven dan late volgers. > *"Het is een opening die alleen ontstaat als de pijn heel sterk is. Hun pijn is zo sterk dat ze zeggen: 'Ik zag dit bedrijf net uit stealth komen, maar het is een probleem dat ik dagelijks heb, dus ik bel ze gewoon.'"* ## [25:10] Risico beperken op fundamenteel niveau De tweede golf van CISO-paniek — naast agentacties — is de sterk dalende kosten van geautomatiseerd kwetsbaarheidsonderzoek. Codetools kunnen nu kwetsbaarheden vinden en uitbuiten op een schaal die slechts enkele jaren geleden decennia ver leek. Maxim zegt dat de markt niet overdrijft: dit is een echte structurele verschuiving. De juiste reactie is tweesporig: snel patchen en mitigerende maatregelen nu, plus investering in fundamentele controles — vergrendelde identiteit, firewalls, endpoint-detectie — die het aanvalsoppervlak verkleinen ongeacht wat de aanvaller kan. > *"De echte oplossing — en elke beveiligingsleider bij grote ondernemingen weet het — is dat we de fundamentele bouwstenen op zijn plek moeten hebben om die risico's te vermijden."* ## [27:45] Gefaseerde uitrol van Glasswing en Daybreak Over de gecontroleerde uitrols van Glasswing (Anthropic) en Daybreak (OpenAI) voor krachtigere modellen: Maxim heeft een genuanceerd standpunt. Gefaseerde uitrol is ideaal als die wereldwijd gecoördineerd is — het biedt tijd om draaiboeken op te bouwen, kennis te delen en catastrofale fouten bij energienetten of luchtvaartmaatschappijen te voorkomen. Maar als een actor een vergelijkbaar krachtig model eerder uitbrengt dan gepland, wordt de gefaseerde aanpak een risico: bedrijven die geen vroege toegang kregen zijn nu blootgesteld aan een dreiging waartegen ze zich niet hebben kunnen voorbereiden. Zijn aanbeveling: breid de toegang breed uit zodat meer organisaties tegelijkertijd verdedigingen kunnen opbouwen. > *"Als iemand eerder bij een model op methode-niveau komt, zou het terugkijkend een enorme fout lijken — we hadden bedrijven op zijn minst de keuze kunnen geven om heel snel te beginnen bewegen."* ## [29:11] Grote ondernemingen die achterblijven Twee jaar geleden verbood een betekenisvolle groep grote bedrijven AI simpelweg. Vandaag ziet Maxim dat vrijwel niet meer. De financiële sector legt nog steeds beperkingen op — agents toestaan maar de toolkeuze beperken — maar volledige verboden zijn verdwenen. Hij betoogt dat dit correct is: leveranciersafhankelijkheid is op zichzelf een risico. Exclusief inzetten op de modellen van één leverancier in de snelheid waarmee deze markt beweegt, betekent worden verrast wanneer de volgende generatie de ranglijst verschuift. Bedrijven die brede tooling toestaan en die zorgvuldig beheren, zullen degenen die restrictief optreden voorbijstreven. > *"Als je een jaar geleden op OpenAI had gewed, zou dat de veiligste gok ter wereld zijn geweest, maar ineens heeft Anthropic veel betere modellen en tools."* ## [30:46] Onyx en de bredere AI-beveiligingsmarkt De AI-beveiligingsmarkt zit vol nieuwe leveranciers en nieuwe aanvalsoppervlakken. Maxims tegenwicht voor productscope-angst: de twee kernprimitieven van AI in 2026 — op transformer-gebaseerde basismodellen en tool-calling agentlussen — zijn in jaren niet fundamenteel veranderd. Die stabiliteit laat Onyx toe te bouwen naar vele agentapplicaties terwijl de kerntechnologie lean blijft. De echte bescherming tegen architectuurverschuivingen is investeren in onderzoekers die snel kunnen hertrainen en aanpassen, in plaats van het product te verwedden op één modelparadigma dat eeuwig duurt. > *"De twee kernpijlers van hoe AI in 2026 werkt, zijn de afgelopen jaren niet veranderd. We werken nog steeds grotendeels met LLM-basismodellen, en we bouwen agents nog steeds op vrijwel dezelfde manier."* ## [32:36] Moeten labs het vertrouwen en bestuur van modellen aanpakken? De prangende vraag in de Bay Area: zullen de labs het vertrouwens- en bestuursprobleem uiteindelijk zelf absorberen? Maxims structurele argument ertegen: kopers willen niet dat de autoverkoper de auto keurt. Beveiligingsteams hebben een onafhankelijke partij nodig waarvan het bedrijfsmodel volledig afhangt van het gelijk hebben — niet een leverancier die zijn eigen productreputatie beschermt. Naast de koperspsychologie trekt Maxim een lijn tussen "gekartelde intelligentie"-fouten (domme vergissingen die verbeteren met sterkere modellen) en intentieniveau-fouten: adversariale manipulatie, verkeerd uitgelijnde doelstellingen, doeldrift. De labs lossen de eerste categorie op. Alleen een structureel onafhankelijke toezichthouder kan de tweede aanpakken. > *"Je gaat de leverancier van een product er niet op vertrouwen dat dat product je omgeving niet in de war brengt. Je wilt een onafhankelijke partij waarvan het volledige bedrijf ervan afhangt dat ze je vertellen dat dit ding correct is — en dat ze daarin gelijk hebben."* ## [36:56] Wat er moet gebeuren in beveiliging Sarah vraagt wat de bredere tech- en onderzoeksgemeenschap — labs in het bijzonder — mist vanuit een beveiligingsperspectief. Maxims antwoord: het is geen technische kloof, het is een empathiekloof. Beveiligingsproducten bouwen vereist een diep begrip van hoe beveiligingsteams werkelijk opereren — hun organisatiestructuur, verantwoordelijkheden, informatiestromen. Israël brengt sterk beveiligingstalent voort mede doordat militaire dienst ingenieurs directe ervaring geeft als eindgebruiker waarvoor ze later bouwen. De labs, zo impliceert hij, bouwen mogelijkheden zonder voldoende aandacht voor de operationele realiteit van de organisaties die ze moeten inzetten en verdedigen. > *"Ongeacht welk technisch probleem je oplost, je bouwt een tool voor mensen, voor een organisatie met een bepaalde structuur. Een product maken voor dit publiek dat niet alleen het technische probleem oplost maar waar ze ook echt van houden, is heel moeilijk."* ## [39:14] Waarom Maxim overtuigd is van AGI Sarah sluit af met de opmerking dat Maxim impliciet gelooft dat menselijke beveiligingsteams nog enkele jaren zullen bestaan. Hij bevestigt het — maar met een tijdlijn: beveiligingsteams zullen op korte termijn volledig door AI-agents worden gerund, net als het meeste kenniswerk. Zijn nuchtere versie van AGI-optimisme is dat het werk van het bouwen van goede producten niet verandert: altijd weten wie de eindgebruiker is en optimaliseren voor diens ervaring. Nu zijn dat mensen met een paar agents naast zich. Naarmate de verhouding omslaat, geldt hetzelfde principe — alleen voor agents die contextvensters lezen in plaats van dashboards. > *"Vandaag verkoop ik een product aan een menselijk publiek met een paar agents, en naarmate dat publiek meer agents dan mensen wordt, zal het belangrijk voor ons zijn om mee te evolueren en het echt goed te laten werken voor agents die het werk doen."* ## Entiteiten - **Maxim Bar Kogan** (Persoon): Medeoprichter en CEO van Onyx Security; voormalig Israëlische inlichtingendienst, achtergrond in wiskunde en offensieve cyber. - **Sarah Guo** (Persoon): Presentatrice van No Priors; oprichter en GP bij Conviction. - **Onyx Security** (Organisatie): In Israël gevestigde startup die AI-toezichtsinfrastructuur bouwt — traint gespecialiseerde kleine modellen om enterprise AI-agents te monitoren en te besturen. - **AutoGPT** (Software): Vroege open-source autonome LLM-agent; door Maxim aangehaald als het kantelpunt dat agentrisico's concreet maakte. - **Glasswing / Daybreak** (Software): Gecontroleerde uitrolprogramma's van respectievelijk Anthropic en OpenAI voor toegang tot frontier-modellen. - **Mechanistische interpretabiliteit** (Concept): Onderzoeksprogramma gericht op het begrijpen van de interne gewichten- en activatiestructuur van neurale netwerken; Onyx beschouwt het als een langetermijnpijler van AI-toezicht. - **Secure Control Plane** (Concept): Onyx's productcategorie — een leverancieronafhankelijke laag die agentrechten, actie-legitimiteit en gedragsgeschiedenis in real time monitort. - **8200** (Organisatie): Israëlische inlichtingeneenheid die algemeen wordt gezien als de bron van Israëls beste beveiligings- en techtalent, inclusief veel Onyx-ingenieurs.

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

US Under Secretary of State Jacob Helberg keert terug bij No Priors om Pax Silica te onthullen: een economische veiligheidscoalitie van 14 landen, ontworpen om de gehele AI-toeleveringsketen veilig te stellen, van chips tot zeldzame-aardmagneten tot robotactuatoren. Het vlaggenschipproject: 4.000 hectare in de Filipijnen (een derde van Manhattan) dat aan de VS is geschonken voor een "forward-deployed industrial base", bedoeld om voor het liberaal-democratisch kapitalisme te doen wat China's Belt and Road deed voor door de staat geleide infrastructuur, maar aangedreven door private bedrijven en durfkapitaal in plaats van staatsbedrijven. Sarah Guo en Elad Gil bevragen Helberg over de duurzaamheid van beleid over administraties heen, hoe durfinvesteerders erin passen en waarom hij Amerika een "mondiale underdog" noemt. ## [00:00] Cold Open Helberg opent met de filosofische kern van Pax Silica: de VS zal de concurrentie in toeleveringsketens niet winnen met door de staat gerunde fabrieken. Het voordeel ligt in de private sector en de bedrijven: Jobs' "betoveren en verrukken" geëxporteerd door de miljarden. De strategie is dan ook platforms te bouwen in nauwe samenwerking met Amerikaanse bouwers die uiteindelijk als commerciële diensten buiten de overheid kunnen functioneren. > *We gaan geen door de overheid beheerde toeleveringsketens opzetten, want zo blinken we niet uit als land. Onze superkracht is echt onze private sector en onze bedrijven.* ## [00:41] Introductie Jacob Helberg Sarah en Elad herintroduceren Helberg, nu bevestigd als Under Secretary of State for Economic Affairs na hun vorig gesprek voor zijn bevestiging. Het kader voor het uur: Pax Silica als een multinationale inspanning om de AI-toeleveringsketen voor de VS en zijn bondgenoten veilig te stellen. > *Jacob, bedankt dat je er bent. Ja, bedankt voor je komst. Bedankt voor de uitnodiging.* ## [01:02] De missie van Pax Silica Helberg koppelt Pax Silica aan zijn toespraak bij het Hudson Institute, die een "ecosysteemgebaseerde" aanpak van toeleveringsketens uiteenzette. De coalitie omvat nu 14 landen. Het eerste concrete projectresultaat was de regeling met de Filipijnen: 4.000 hectare geschonken aan de VS voor een forward-deployed industrial base. Hij presenteert de inzet als de combinatie van American common-law voorspelbaarheid met de industriële comparatieve voordelen van de Filipijnen, en positioneert dit expliciet als het AI-toeleveringsketen-equivalent van een productlancering, gepresenteerd in San Francisco om direct met bouwers te spreken. > *Pax Silica is een economische veiligheidscoalitie met nu 14 landen en het idee is een ecosysteemgebaseerde aanpak van onze toeleveringsketens en specifiek de AI-toeleveringsketen.* ## [03:51] Investeren in AI-chiptoeleveringsketens De AI-toeleveringsketen is veel breder dan chips: "duizenden inputs zoals precisie-reducers, servomotoren, zeldzame-aardmagneten en actuatoren", en het concentratierisico van de VS is voor bijna al die inputs hoog. Helbergs kader is het selecteren van geografieën die al inheemse industriële diepgang en waardenafstemming hebben. De Filipijnen voldoen aan beide criteria: een diep productie-ecosysteem en de oudste bondgenoot van de VS in Azië. Robotica krijgt expliciete aandacht als het volgende knelpunt na chips. > *De AI-toeleveringsketen omvat duizenden inputs zoals precisie-reducers, servomotoren, zeldzame-aardmagneten en actuatoren, en ons concentratierisico als land is ongelooflijk hoog voor vrijwel al die inputs.* ## [05:43] Pax Silica vergeleken met China's Belt and Road Initiative De voor de hand liggende vergelijking, en Helberg omarmt die. Belt and Road, zo legt hij uit voor het publiek, was 25 jaar van staatsbedrijven die door de overheid geëxploiteerde wegen, bruggen, spoorwegen, mijnen en verwerkingsinstallaties in het buitenland bouwden, infrastructuur als instrument van buitenlands beleid. Pax Silica keert het model bewust om: de activa zijn privaat en commercieel levensvatbaar, de rol van de overheid is wrijving verminderen en bondgenoten op één lijn brengen, en het doel is duurzame economische onderlinge afhankelijkheid in plaats van politieke druk. Helberg stelt dat dit zowel duurzamer als transparanter is: ontvangende landen krijgen echte groei in plaats van schuldvallen. > *Fundamenteel waren het staatsbedrijven die door de overheid geëxploiteerde spoorwegen en door de overheid gebouwde wegen en bruggen aanlegden.* ## [12:38] De waardepropositie van Pax Silica Voor partnerlanden is de pitch eenvoudig: AI drijft al meer dan een derde van de bbp-groei van de VS aan en creëert een recordvraag naar koper, kobalt, elektriciens en every input die in een datacenter gaat. Landen die betekenisvolle posities innemen in verschillende lagen van die toeleveringsketen, profiteren van groei die ze anders mislopen. Helberg beroept zich op het niet-nulsomkarakter van technologische inflectiepunten om te betogen dat dit wederzijds voordelig kan zijn: de taart groeit snel genoeg dat iedereen aan tafel wint. > *De taart groeit heel snel. En het is dus echt niet nulsomspel, wat het ongelooflijk bevorderlijk maakt voor het smeden van zeer wederzijds voordelige relaties.* ## [14:38] Amerikaanse versus partnerproductie Elad stelt de voor de hand liggende vraag: wat blijft in de VS versus wat wordt uitbesteed aan partners? Helbergs kader is consumptie versus productie. De VS is 4% van de wereldbevolking maar consumeert 20-30% van de wereldproductie in de meeste categorieën, en produceert veel minder. Het dichten van die kloof reindustrialiseert Amerika per definitie. Sommige zaken (geavanceerde fabs, defensiekritieke capaciteiten) moeten binnenlands blijven. Andere (mineralenverwerking, bepaalde componenten) zijn beter uitbesteed waar geografie en industriële basis er al voor geschikt zijn. De instelling is geen autarkie, maar een bewuste herverdeling van de toeleveringsketen over bondgenoten, met de VS die de meest strategisch gevoelige lagen vasthoudt. > *Amerika neemt ergens tussen 20 en 30% van het mondiale verbruik voor zijn rekening in een bepaald kwartaal.* ## [19:10] Prijsstelling van zeldzame-aardmineralen Elad gaat in op zeldzame aardmineralen: niet echt zeldzaam, totale markt slechts een paar miljard dollar, zwaar gesubsidieerd door China als controlemiddel. Helberg stemt ermee in en herformuleert de economie: wat de concurrentiepositie in zeldzame aardmineralen bepaalt, is energie-intensiteit en extractiekwaliteitsgraad, niet geologische schaarste. Dat maakt de beleidsvraag een kwestie van energieovervloed en verwerkingscapaciteit, niet van het vinden van nieuwe afzettingen. De implicatie is dat de VS deze categorie kan winnen als het de goedkope-energiekant van de vergelijking oplost, wat deels de bedoeling is van de bredere energieaanbodstimulering van de administratie. > *Wat de economie van die industrieën echt drijft, is hoeveel energie je de grond in moet pompen om een bepaald mineraal te winnen op een bepaalde kwaliteitsgraad.* ## [22:16] De rol van durfkapitaal in Pax Silica Sarah vraagt, "voor een vriend", wat de rol van privékapitaal is. Helbergs antwoord is ongewoon direct voor een State Department-functionaris: durfinvesteerders zijn beter dan de overheid in het beoordelen van oprichters en operatoren, en uitvoeringscapaciteit bepaalt of ambitieuze projecten de realiteit overleven. Hij wil het venture-ecosysteem als signaallaag: overheidsallocatie kan meeliftend bovenop gaan waar geloofwaardige operatoren al naartoe gaan, in plaats van dat de overheid alleen winnende partijen probeert te kiezen. De samenwerking is expliciet bilateraal: durfinvesteerders signaleren uitvoeringsrijpe bedrijven, de overheid biedt vraag en beleidssteun. > *Jullie zijn als het ware hardwired om veel persoonlijkheidsattributen van oprichters en operatoren te beoordelen.* ## [24:50] Korte- versus langetermijnprioriteiten Hoe balanceer je deliverables voor 2027-2028 met plays van vijf jaar? Helbergs antwoord is het sturen van de omgeving in plaats van tijdlijnen kiezen. De aanpak van de administratie is de macro-omgeving zodanig te vormen dat zowel kortetermijniteratie als langetermijn kapitaalintensieve plays gemakkelijker worden: rode tape snijden, binnenlandse energievoorziening uitbreiden, kernenergie verviervoudigen. Hij noemt een van de eerste door Trump ondertekende executive orders over het verviervoudigen van binnenlandse kernenergie als een structureel enabler die over beide tijdshorizonten vruchten afwerpt. > *Het helpen vormgeven van de omgeving, het creëren van een macro-omgeving die innovatie, iteratie van innovaties en inzet van innovaties een stuk gemakkelijker en goedkoper maakt.* ## [27:09] AI-beleid duurzaam maken Elad kaart het executive-order-probleem aan: elke administratie annuleert de orders van de vorige. Hoe overleeft Pax Silica een overgang? Helberg merkt op dat sommige zaken, zoals belastinghervorming, zeer persistent zijn, en dat zijn rol hem verbiedt electorair commentaar te geven. Hij beantwoordt de duurzaamheidsvraag niet volledig, wat op zichzelf het antwoord is: de duurzaamheid moet komen van wetgeving en van feiten op de grond (de industriebasis in de Filipijnen, partnerproductie) die moeilijk terug te draaien zijn. > *Belastinghervorming is zeer persistent.* ## [28:09] Hoe beleid ondernemers beïnvloedt Voor Amerikaanse zakenmensen en operatoren is Pax Silica gepositioneerd als een markttoegangplatform: uitbreiding van wat Amerikaanse bedrijven kunnen verkopen op bondgenotenmarkten zoals Japan, Zuid-Korea, India en Singapore, waar zelfs vriendelijke handelspartners vaak betekenisvolle wrijving opleggen. Helberg wil specifiek feedback van operatoren over al lopende partnerschappen, toeleveringsketenbeslissingen die leidinggevenden nu bewuster nemen, en beleidsoplossingen die grensoverschrijdende samenwerking zouden deblokkeren. > *We willen het gebruiken als een platform om markttoegang voor onze bedrijven te vergroten.* ## [31:00] Trumps ondernemende administratie Op de vraag wat hem het meest heeft verrast na zijn start bij State, wijst Helberg op de snelheid en risicobereidheid van de administratie: "Trump-tijd", de interne grap bij buitenlandse tegenpartijen. Hij schrijft dit toe aan een president die het grootste deel van zijn leven in de private sector heeft doorgebracht en een kabinet (Bessent, Lutnick en anderen) dat werkt op basis van private-sectorinstincten in plaats van bureaucratische. De implicatie voor bouwers: de bereidheid om nieuwe dingen te proberen is op dit moment ongebruikelijk hoog, en Pax Silica is een van de begunstigden daarvan. > *We bewegen graag in Trump-tijd.* ## [33:00] Waarom Amerika een mondiale underdog is Sarah sluit af door Helberg te bevragen over zijn karakterisering van Amerika als "mondiale underdog", wat contraproductief lijkt gezien het feit dat de VS doorgaans als de gevestigde macht wordt beschreven. Helberg beroept zich op Graham Allisons Thucydides Trap en wijst de framing af: Amerika's identiteit is van meet af aan die van een natie van underdogs geweest: 13 ongeordende kolonies die in opstand kwamen tegen het keizerrijk van de beschaafde samenleving, herhaaldelijk verteld dat ze in verval waren, en de voorspellingen van de gevestigde klasse herhaaldelijk weerlegden. Het betoog fungeert als verdediging van de Amerikaanse cultuur van risiconeming en een slotpleidooi: het land wint door zich als underdog te gedragen in plaats van zijn gevestigde positie te verdedigen. > *We zijn altijd een natie van underdogs geweest.* ## Personen - **Jacob Helberg** (Persoon): US Under Secretary of State for Economic Affairs; architect van Pax Silica. - **Sarah Guo** (Persoon): No Priors-host; oprichter en GP bij Conviction. - **Elad Gil** (Persoon): No Priors-host; onafhankelijk investeerder en serieel ondernemer. - **Pax Silica** (Concept): Een door het US State Department geleide economische veiligheidscoalitie van 14 landen, gericht op het beveiligen van de AI-toeleveringsketen via forward-deployed industrial bases en private-sector partnerschappen. - **Belt and Road Initiative** (Concept): China's 25-jarig staatsgeleide overzeese infrastructuurprogramma, de tegenhanger waartegen Pax Silica zich positioneert. - **Filipijns forward-deployed industrial base** (Project): 4.000 hectare geschonken aan de VS voor industriële uitbouw, het eerste vlaggenschipproject van Pax Silica. - **Thucydides Trap** (Concept): Graham Allisons kader dat de VS-China-verhouding kenmerkt als gevestigde-macht-versus-opkomende-macht; Helberg wijst de gevestigde-macht-framing af. - **Trump-administratie** (Organisatie): Vormt de beleidssnelheid en risicobereidheid van Pax Silica ("Trump-tijd"), met key-kabinetleden Scott Bessent en Howard Lutnick die worden aangehaald.

Long Lake Management mede-oprichter en CEO Alexander Taubman schuift aan bij Elad Gil om de overeenkomst van $6,3 miljard te bespreken waarmee de firma American Express Global Business Travel overneemt — wat Elad de eerste AI take private ter wereld noemt. Taubman legt uit hoe Long Lake's horizontale AI-platform, Nexus, wordt ingezet in dienstenverticals om groei te stimuleren in plaats van personeel te snijden. De firma koopt en houdt vast, naar Berkshire-stijl, met de overtuiging dat het jaar op jaar samengesteld optellen van AI-productiviteitswinsten elke kortetermijnverkoop verslaat. ## [00:00] Introductie van Alexander Taubman Elad Gil opent door op te merken dat Long Lake al zo'n 30 overnames heeft gedaan onder zijn AI-transformatiethese voordat het Amex GBT binnenhaalde — 's werelds grootste zakelijke reisplatform — voor $6,3 miljard. > *"Long Lake heeft onlangs hun intentie aangekondigd om American Express Global Business Travel over te nemen voor $6,3 miljard, wat naar mijn mening de eerste AI take private ter wereld is."* ## [00:30] Long Lake's Nexus-platform Nexus is modelonafhankelijk en zit tussen de foundation models en de databronnen, vaardigheden en workflows van elk overgenomen bedrijf. Ongeveer 80% van de infrastructuur wordt gedeeld over verticals; de overige 20% is implementatiewerk — workflows in kaart brengen, databronnen opschonen en engineers in het veld inbedden. Wat vroeger meer dan een jaar kostte, is nu binnen dagen na afsluiting van een overname operationeel, met onmiddellijke tijdsbesparingen die Long Lake inzet voor groei in plaats van kostenreductie. > *"We zijn eigenlijk helemaal niet gericht op kostenbesparing. We zijn juist gefocust op groei en klantervaring. Dat is ons grote — en wat we hebben gezien is dat het een veel krachtiger model is, omdat het onze visie op AI is: het is ongelooflijk positief-soms."* ## [03:35] Retentie en het Talentsvliegwiel Medewerkers die met Nexus werken bedienen meer klanten, maken minder fouten en verdienen meer — en vertrekken betekent terugkeren naar het saaie werk dat Nexus heeft weggenomen. Die drempel wordt een echte talentmagneet. Portfoliobedrijven die 0 tot 5% per jaar groeiden, groeien nu organisch met meer dan 20%. > *"Als je nu Long Lake of een van onze partnerbedrijven verlaat om naar een concurrent te gaan, moet je al dat saaie werk weer gaan doen dat 25%, 30% van je dag in beslag nam — dat moet je weer gaan doen. En de gedachte daaraan — het is als het opgeven van e-mail of zoiets."* ## [05:01] Overname versus Software Aanbieden Software verkopen aan dienstenbedrijven betekent een dunne feedbackloop accepteren en geen controle over verandermanagement. Eigenaar zijn van het bedrijf plaatst Long Lake's engineers in dezelfde ruimte — soms letterlijk dezelfde staat — als de mensen in het veld wier pijnpunten ze oplossen. Het skunkworks-colocatiemodel verkort de cyclus van maanden naar dagen. > *"Ons team ziet onze medewerkers en teamleden in het veld als de klant, en die interne feedbackloop — dat is het andere punt. We hebben een veel strakker feedbackloop."* ## [06:57] Long Lake's Oprichtersteam Samenstellen Long Lake was doelgericht opgebouwd om drie disciplines samen te brengen: private equity M&A, toegepaste AI-engineering en verandermanagement. De eerste 20 aanwervingen kwamen allemaal via het netwerk — engineers die mede-oprichters of CTO's van toegepaste AI-startups waren geweest maar de dienstensector niet konden doorbreken. M&A-specialisten kwamen van GTCR, Blackstone, TPG en HIG, specifiek aangetrokken omdat die firma's niet AI-native zijn. > *"Er leek een enorme, enorme kloof te zijn, en dus waren veel van de mensen die samenkwamen voor ons oprichtersteam daarvoor zelf oprichters in de technologie. Velen van hen hadden hun eigen startups in het engineeringteam."* ## [10:37] American Express Global Business Travel van de Beurs Halen Amex GBT stond op Long Lake's whiteboard van doelmarkten omdat zakenreizen bedrijfskritisch zijn en een hoge foutkosten hebben — een gemiste reis is een echt zakelijk verlies. Opgericht in 1915 door American Express om Travelers check-klanten te evacueren uit Europa tijdens de Eerste Wereldoorlog, heeft het 111 jaar oude merk al publiekelijk een AI-transformatieroadmap uitgestippeld. Long Lake's plan is Nexus bovenop die bestaande strategie te implementeren en elke reisadviseur AI-superkrachten te geven. > *"Stel je voor: jouw reisadviseur met AI-superkrachten. Dat is de toekomst die we voor ogen hebben voor de klanten van Amex GBT."* ## [13:36] De Berkshire Hathaway-aanpak van Management Traditionele PE laadt bedrijven vol schulden, snijdt kosten en verkoopt ze binnen drie tot vijf jaar. Long Lake wijst dat model expliciet af: de samengestelde effecten van betere tools, betere mensen, betere klantresultaten en snellere groei hebben twee tot vijf jaar nodig om te kristalliseren, en op dat moment verkopen zou het voordeel weggooien. Het Danaher- en Transdigm-operationele draaiboek — gefragmenteerde sectoren consolideren met een gedifferentieerd systeem — is het expliciete referentiepunt, toegepast op diensten met AI als voorsprong. > *"Je gaat het beste bedrijf in de sector opbouwen en het dan verkopen? Dat slaat voor mij nergens op. Ik zou dat bedrijf voor altijd willen bezitten en dat voordeel decennialang willen laten samengroeien."* ## [16:37] Hoe AI-strategie Long Lake Onderscheidt Enterprise AI is nog maar voor ongeveer 1% doorgedrongen in echte use cases. Verkopers kiezen Long Lake boven traditionele PE omdat het aanbod permanent kapitaal, een engineeringteam dat jaren ingebed blijft en een platform omvat dat op dag één inzetbaar is. Oprichters en managementteams worden aangemoedigd om eigen vermogen in de nieuwe structuur in te brengen zodat ze meedelen in de winst. Naarmate Long Lake's reputatie groeit, verwacht Taubman dat de kapitaalkosten dalen — waardoor de firma nog concurrerender kan bieden zonder op prijs te hoeven winnen. > *"Een langetermijn permanent kapitaalpartner hebben is al een prachtige zaak, maar zo'n partner met diepgaande toegepaste AI-engineeringexpertise en een platform dat je op dag één kunt inzetten — dat heeft echt aangeslagen."* ## [19:32] AI Laat Diensten Schalen Arbeidsintensieve dienstenbedrijven worden geconfronteerd met een meedogenloos groeibel: 20% meer omzet betekent vaak 20% meer personeel aannemen, waarbij maar 20 cent van elke extra omzetdollar overblijft na arbeidskosten. Nexus verhoogt de productiviteit van bestaande teams met 30 tot 40%, waardoor die vergelijking doorbroken wordt. CEO's van portfoliobedrijven — sommigen die al decennia een bedrijf runnen — beschrijven dit als de beste periode van hun carrière omdat ze eindelijk groeien met softwareachtige incrementele marges. > *"Als je je bestaande teams 30 tot 40% efficiënter maakt en ze meer klanten kunnen bedienen, verandert dat de volledige mindset van de organisatie. Nu groei je. Je ziet eruit als een softwarebedrijf, want je groeit nu met hoge incrementele marges."* ## Personen en Entiteiten - **Alexander Taubman** (Persoon): Mede-oprichter en CEO van Long Lake Management; leidde de Amex GBT take-private van $6,3 miljard - **Elad Gil** (Persoon): Presentator van No Priors; onafhankelijk investeerder en serieel ondernemer - **Long Lake Management** (Organisatie): AI-gedreven roll-upbedrijf; verwerft en transformeert dienstenbedrijven via Nexus - **Nexus** (Software): Long Lake's horizontale AI-platform; modelonafhankelijk, 80% gedeelde infrastructuur over verticals - **American Express Global Business Travel / Amex GBT** (Organisatie): 111 jaar oud zakelijk reisplatform; onderwerp van Long Lake's take-private bod van $6,3 miljard - **AI take-private** (Concept): Een beursgenoteerd bedrijf overnemen met het expliciete doel de activiteiten via AI te transformeren — Long Lake's deal met Amex GBT wordt beschreven als de eerste van zijn soort - **Danaher / Transdigm** (Organisatie): Operationele conglomeraten aangehaald als model voor Long Lake's langetermijn, samengestelde overnamestrategie