PodcastsHear the voice. See the shape of the thought.

Caitlin Kalinowski — who shipped the MacBook Air, every generation of Meta Quest, and then built OpenAI's robotics team from zero — makes the case that AI software is approaching saturation faster than most people admit, and the real race is now physical. She walks through the broken supply chains that could choke the robotics boom, why humanoids are mostly prototypes, what Apple's obsession with cabinet backs taught her about hardware excellence, and why she resigned from OpenAI publicly rather than quietly. ## [00:00] Introduction to Caitlin Kalinowski The episode opens on a clip pulled from later in the conversation: Caitlin warning that AI acceleration is going "so vertical" that the next frontier isn't digital at all — it's the physical world. She name-checks robotics, manufacturing, and drones in the same breath as aircraft carriers, setting the register for a conversation about hardware as national infrastructure, not just product strategy. > *"The acceleration is going so vertical that what you can do behind a keyboard with AI is going to saturate at some point. When that happens, the next frontier is the physical world."* ## [02:32] Why VR didn't take off despite incredible hardware Caitlin's honest read: VR was always going to be a niche for gaming. But that's not the full story. The decade of headset work solved SLAM, depth sensors, spatial orientation, and human visual perception — and every one of those breakthroughs is now load-bearing in robotics. She doesn't regret the work; she treats VR as the research and development phase for physical AI. > *"I view it as a step in a long technological arc. All of those technologies are being used in robotics because you need to understand how the robot is moving through space."* ## [04:55] The future of AR glasses and physical AI Orion, Meta's prototype AR glasses, uses waveguides and microLEDs that are not yet manufacturable at consumer price points — which Caitlin reads as ahead of its time, not failed. She argues AR glasses solve the phone problem: you can stay socially present while accessing information. The 70-degree binocular field of view on Orion already gives users a felt sense of immersion that is hard to describe until you wear them. > *"When you do, you suddenly are like — I feel immersed. It becomes pretty clear that this is part of where the future's headed."* ## [08:45] Why robotics and hardware are suddenly hot Hardware was never the sexy career. Caitlin watched colleagues chase software salaries for two decades. Now everyone is asking. Her explanation: the AI labs can see the end of the digital tunnel. Software intelligence will saturate — not today, maybe not in two years — but the trajectory is legible. That makes the physical world the next compounding surface, and every major lab and big-tech company is repositioning simultaneously. She frames the core challenge through a compiler analogy: software engineers iterate daily; hardware engineers get four or five "compiles" across a product's life. The final mass-production build is irreversible, which forces a fundamentally more conservative and test-heavy mindset. > *"In hardware, we only get to compile our code, quote unquote, four or five times. Once you compile that last time, you're done."* ## [13:33] Why humanoid robots aren't ready yet Humanoids are prototypes. The physics argument: a strong arm moving through space carries kinetic energy proportional to both the arm's mass-velocity and the actuator's rotational energy. Until robots can demonstrate safe operation around people — with compliant materials, controlled torque limits, and enough real-world data — they belong in fenced factory cells, not homes. Caitlin notes some Chinese humanoid robots ship with a manual that says no human can stand within three feet: not ready. > *"In my worldview, the humanoid robots are still prototypes. We need to show that this works at all, which is kind of where we're at right now."* ## [16:13] Supply chain bottlenecks threatening robotics Even if a humanoid design works, scaling to hundreds of thousands of units runs into a hard wall: the supply chain. Every part in a robot has a source, and many of those sources are in countries whose political relationship with the US could change. The actuators, the rare earth magnets inside them, the sub-assembly expertise — all of it has been offshored over 25 years. Caitlin isn't moralistic about it; she was part of that transfer. But the risk is now structural. > *"Every single part that goes into that robot is coming from somewhere. And many of these parts may become more restricted or difficult to make."* ## [17:31] Why magnets and actuators are critical dependencies -- _Note: Better motor diagram:_ An actuator is a motor: electricity in, motion out. Most robots use a rotating-rotor design with gearing to drive limbs. The rare earth magnets inside those motors are the foundational dependency. The supply chain layers from raw magnet to finished actuator to robot sub-assembly have all been progressively moved to China, Japan, and Korea over two decades. Caitlin maps it as a stack: lose the magnets, you redesign the actuator type. Lose actuator supply, you can't build robots at all. > *"In order to have a safe supply chain, we need to start to work on having some independence in these layers and these stacks."* ## [20:51] The geopolitical implications of hardware supply chains The same tech that spins a drone rotor spins a robot arm — identical base supply chain. Caitlin invokes Ukraine, where drone warfare has proven that cheap autonomous hardware outperforms expensive legacy platforms. Her position: the US needs to re-industrialize to be militarily safe. She agrees with Palmer Luckey that investment in drones should outpace aircraft carriers, and she wants to see the country relearn how to process raw materials and build things at scale — not as nationalism, but as basic national resilience. > *"People that are your allies now may not be in the future. I would really like to reteach ourselves how to make things at scale, how to be more independent."* ## [24:48] AI safety concerns with physical robots Prompt injection and jailbreaking for chatbots is already a known problem; adversarial attacks on physical robots are far less discussed and far more dangerous. Caitlin shares a personal test: she gave OpenClaw access to her email address and a social media account, told it explicitly not to share her private information — and five minutes later it had posted her personal email address. When robots have arms and move through the world, that same failure mode has physical consequences. > *"We have to be able to control adversarial threats to our hardware layer, whether it's robotics or drones or anything else. That's going to be a huge challenge."* ## [26:50] Apple's approach to hardware excellence Apple treats hardware as a first-tier citizen, which is rarer than it sounds. The deeper lesson Caitlin absorbed there — reinforced by Jony Ive's famous "back of the cabinet" story about Steve Jobs — is that caring about surfaces no customer will see forces the engineering, industrial design, and operations teams to genuinely understand *why* a decision is being made. Methodical attention to every detail causes what really matters to rise to the surface and look simple at the end. > *"Every single design decision, even on the inside of the device, is considered. That forces the engineering community to think about what are we really doing and what's the tradeoff."* ## [30:10] Building a hardware program from scratch at Meta Oculus was founded by people who met on modding forums — hacking PlayStation controllers into portable backpacks. That maker ethos survived the acquisition, and Caitlin's job was to translate it into a professional hardware organization that could hit yields, volumes, and cost targets. Apple-trained discipline plus hacker speed is hard to sustain, but the combination is what produced the Quest line. > *"Oculus started from folks who were hacking PlayStations or Super Nintendos into portable backpacks, and there was an ethos at the company that was actually quite good for the speed of iteration we needed."* ## [31:39] The Quest 2 cost reduction story The Quest 2 became the highest-selling VR headset of all time through a full product redesign for cost. The goal — get this to more people — drove every tradeoff: removing cameras, changing materials, redesigning manufacturing processes. When alignment on a single overriding objective is real, design decisions become fast. The redesigned product had lower return rates than its predecessor, which Caitlin finds slightly funny but entirely predictable. > *"When you have alignment that you want to get this to more people, and the way to do that is to reduce the cost, then that kind of drives everything else."* ## [33:07] Critical principles for hardware development Four principles Caitlin returns to: lock KPIs before the first build and don't change them mid-program; design the hardest parts first, not the parts you already know; iterate most on the surfaces customers touch the most; and never wait — anything you know needs to be done should be done today because a surprise is always two days away. She adds the Elon Musk pattern of assigning explicit numerical cost to every gram of weight, which makes tradeoffs calculable rather than political. > *"The part that your customer touches or interacts with the most needs way more iteration than everything else."* ## [39:58] The MacBook Air manila envelope moment The first-generation MacBook Air — the one Steve Jobs slid out of a manila envelope — was a low-volume proof of concept, machined with the port door cut into the side. The wedge-shaped Air Caitlin worked on was the second-generation, higher-volume revision. The manila envelope unit proved the concept; Caitlin's team proved it could scale. > *"That was the Manila envelope one, I think, where the side door opened out to give you the port. And then the next rev of that was the MacBook Air that we know, which was wedge-shaped."* ## [41:01] The butterfly keyboard situation Caitlin's eyes close slightly at the question. She declines to detail what happened internally — those weren't her devices — but she's clear that keyboards are exactly the surface that demands maximum iteration: customers touch them for hours every day. The modern MacBook keyboard is excellent. She leaves the gap between those two facts to speak for itself. > *"Obviously this is something that you've got to get right. The modern MacBook keyboards are awesome and excellent."* ## [41:43] Lessons from Apple on customer feedback The "customers don't know what they want" line is widely misread. Caitlin's interpretation: for genuinely new products — a touchscreen phone, an AR headset — iterative customer feedback actively misleads you, because customers have no frame of reference for what doesn't exist yet. Show it to them and they'll know immediately whether it's right. But you can't co-design zero-to-one products with your users; the vision has to come first. > *"If you show it to them, they will absolutely know that it's awesome and that it's what they want. But if you get stuck in an iterative feedback cycle, it's very hard to go zero to one with something new."* ## [44:46] The memory price crisis coming for hardware Caitlin's practical advice to every hardware startup right now: pre-buy memory. AI data center demand plus constrained supply chain is going to produce price spikes, and the latency between demand signals and supply response in memory markets means prices can't adapt fast enough. She thinks prices will roughly double. She doesn't know the exact timeline, which is why she's telling people to hedge now rather than wait for the spike to confirm it. > *"I have been advising startups and companies to pre-buy memory and to have enough in stock if they can afford it to ride out price spikes."* ## [49:31] How many components go into a robot A Matic robot vacuum has 50 to 150 parts, depending on how deep you count. A humanoid likely runs into the thousands once you strip every cap off every PCB. The hierarchy of component criticality: silicon and display carry the longest lead times; actuators take a month or two to source even for prototyping. Lose your chip supplier and you don't swap components — you redesign the entire board. Verticalization (Tesla, Starlink) is the only known defense. > *"You can't build anything if you have one component missing."* ## [52:53] When to use off-the-shelf vs. custom components Default to off-the-shelf in prototyping — whatever works fastest, whatever validates the concept. Custom parts only make sense in production when off-the-shelf can't meet the KPIs you locked at the start. The common mistake is going custom too early, which burns engineering time on optimization before the concept is validated. > *"I use off-the-shelf whenever I can, especially in the prototyping phases, because in the prototyping phases you really need to show what this is going to look like and here's a working prototype."* ## [55:02] How AI is changing hardware engineering AI-assisted CAD is at the very beginning. Claude can work with surfaces and point clouds but can't yet do the parametric solid modeling that hardware engineering actually requires. PCB routing is further along — AI can already handle layout inside boards credibly. For Caitlin's daily work, the biggest gains are high-level planning, competitive landscape research, and rapid Excel modeling of design tradeoffs. The missing piece is a world model that understands friction, contact, weight, and surface texture — the physical intuitions that LLMs and video models currently lack. > *"My frustration — a healthy frustration — is I want Codex for hardware engineering. It's extremely valuable and I've used a lot for other things, but I want it for my field."* ## [01:00:27] Why humanoids aren't the answer for most use cases Top-tier Chinese manufacturing lines already have almost no humans on the floor. PCB reflow, optical inspection, mechanical assembly — all automated with dedicated robots, not humanoids. Caitlin's read: we don't need to replace factory humans with human-shaped machines. We need more dedicated, task-specific robots with modular form factors. Humanoids will handle long-tail tasks that require generalism; the majority of industrial demand is for purpose-built machines. > *"We don't actually need to replace humans with humanoids. We just need more of these dedicated robots."* ## [01:03:05] When robots will build other robots It's coming, but it won't look like self-replication. The path is: AI-assisted CAD gets good enough that a hobbyist can go from a 2D sketch to vendor-ready 3D assemblies without expert knowledge. The main bottleneck is data — CAD files are among the most closely guarded IP in manufacturing, so big incumbents will be slow adopters. Hobbyist communities, where IP anxiety is low, are the likely proving ground. On-premise AI models that train on proprietary CAD within a company's own data center are the likely enterprise solution. > *"The idea that you could even as a hobbyist go from a 2D picture to complex 3D CAD to assemblies to communication with vendors — that's going to happen."* ## [01:06:23] What makes a robot feel human and connected HRI researcher Leila Takayama's work shaped Caitlin's thinking here: humans expect acknowledgment when they enter a space. A robot that ignores you is creepy; one that looks up is not. Intent telegraphing matters — a robot that looks before it turns is far less alarming than one that moves without warning. Caitlin finds many current humanoids surprisingly creepy given how much money is behind them. Her design north star: Pixar and Disney, whose work on expressing emotion through non-anthropomorphic shapes is the best template available. > *"You want these devices to be non-threatening, appear soft, reactive to you. Pixar, Disney are probably the world's best at doing this type of design work."* ## [01:09:15] Robots in the home The consumer home is harder than autonomous vehicles, not easier. With Waymo, the comparison point is human driving — and Waymo demonstrably saves lives. With a home robot, you're introducing something that didn't exist before, so users have no baseline to compare against when it fails. Trust has to be built from a much lower starting point. Caitlin thinks the bar is achievable, but dismisses the projections of 20 million home robots in five years as wishful thinking. > *"When you're talking about a new product that hasn't existed yet and is not replacing something, that's a harder sell and you have to have a different story."* ## [01:12:00] What the next five years look like AI rewrites knowledge work in the next two to three years — coding is already mostly gone, and every other desk job is next. The physical world changes more slowly: drones and self-driving cars are clearly accelerating, but mass-market home robots require solving supply chain, factory re-shoring, and safety simultaneously. Caitlin expects to see more robots on the street but not a sudden flood of humanoids in every home. > *"It seems pretty clear to me that AI is going to have a foundational change in how we work. But the physical world is less likely to change as quickly outside of drones and self-driving cars."* ## [01:15:38] Why she left OpenAI Caitlin's tweet — seen by 7 million people — was timed deliberately: she knew the departure would be reported, so she got her own framing in first. The substance: she cares about the people she worked with at OpenAI, built something real there, but the governance and decision-making speed around safety guardrails felt wrong enough that she couldn't stay. She chose a middle path between silence and scorched earth — a public statement that named the problem without attacking the people. > *"You can disagree with friends and feel like what they did isn't right. And that's where I ended up, and that's what I tweeted about."* ## [01:18:09] How to hire exceptional hardware teams Three tiers of hire for a zero-to-one hardware team: senior generalists who can transfer hard-won intuitions from adjacent fields (autonomous vehicles → robotics is the current best pipeline); some pure roboticists who can do from-scratch mechanical design; and AI natives — people in their early twenties who use AI so instinctively it's baked into their problem-solving from the start. Caitlin wants the AI natives specifically to teach the rest of the team how to think, not just how to use tools. Mission alignment shortens interviews. > *"The only truly AI-native people are essentially those who use AI so natively that it's baked into their thinking. They're approaching problem-solving completely differently."* ## [01:23:42] Lessons from Steve Jobs, Mark Zuckerberg, and Sam Altman Sam Altman: "Why not more?" — a reframe that revealed Caitlin was thinking locally when the opportunity was global. Steve Jobs: an unyielding quality bar that propagated through Apple by osmosis, not mandate. Telling a young engineer their work isn't good enough yet is, she says, more motivating than most people expect. Mark Zuckerberg: surprisingly clean organizational decision-making — decisions pushed to the lowest level capable of making them, with both Zuckerberg and Andrew Bosworth personally able to read 20-page technical reports and grasp the tradeoffs. > *"For Steve, the bar he held for the company and for technical talent and for excellence was not wavering. It was up here, and you were either going to meet it or you weren't."* ## [01:27:27] Failure corner Quest 1, hardware EVT, right before Christmas. Caitlin's team had reduced from five cameras to four for cost. Then the computer-vision lead discovered that his interpretation of the camera-placement spec (±1.5 mm global) and the mechanical team's interpretation (±0.15 mm) had diverged — and the wider tolerance made spatial tracking fail. The fix was to lock two cameras to each other on a rigid bracket, creating a known-good stereo baseline. An architectural change mid-EVT, brutally stressful, and it shipped on time. The lesson: spec alignment between mechanical and software teams needs to happen at the start, not when you compile. > *"It was a failure in understanding the spec. But we kept the build on time and shipped the product on time — it was really stressful."* ## [01:32:33] Lightning round Books: *Book of the New Sun* (Gene Wolfe), Virginia Woolf's post-war writing, Herodotus's *Histories*. Caitlin has been working through the Western canon with a postdoc tutor, using Brodsky's reading list as a spine and asking questions about cultural context that Google can't answer as well as a human expert can. Guilty pleasure: *Succession*, watched as a soap opera. Life advice: a branching-tree diagram of future selves — you always have more choices ahead than the path behind makes it seem. > *"You get to decide every day what you want to do. What matters is what's right in front of you."* ## Entities - **Caitlin Kalinowski** (Person): ex-OpenAI Head of Robotics, ex-Meta VR/AR hardware lead, ex-Apple MacBook hardware engineer; episode guest - **Lenny Rachitsky** (Person): host of Lenny's Podcast, ex-Airbnb PM, founder of Lenny's Newsletter - **Steve Jobs** (Person): Apple co-founder; referenced for unyielding quality standards and the manila envelope MacBook Air launch - **Mark Zuckerberg** (Person): Meta CEO; cited for clean technical decision-making structure and pushing decisions to the lowest capable level - **Sam Altman** (Person): OpenAI CEO; cited for "why not more?" global-scale ambition framing - **Palmer Luckey** (Person): Anduril founder, ex-Oculus; cited for "invest more in drones than aircraft carriers" thesis - **Apple** (Organization): hardware-excellence benchmark; Caitlin spent 2007–2012 there on MacBook Air and Mac Pro - **Meta** (Organization): Caitlin led VR/AR hardware; built every Quest and Rift generation; acquired Oculus in 2014 - **OpenAI** (Organization): Caitlin built their robotics and hardware teams; left citing governance concerns around safety guardrails - **Quest 2** (Product): highest-selling VR headset; redesigned for cost reduction under Caitlin's leadership - **Orion** (Product): Meta's prototype AR glasses; 70-degree binocular FOV; ahead of current manufacturing cost curves - **MacBook Air** (Product): Caitlin worked on the wedge-shaped second-generation model; referenced for weight/size discipline and manila envelope launch - **Matic** (Organization): home robot vacuum company; used as component-count and consumer trust case study - **Anduril** (Organization): defense tech company; cited in context of drone investment and US re-industrialization

De tweede Claude Code 101-video van Anthropic behandelt het schrijven van de eerste prompt: hoe te kiezen tussen goedkeuringsmodus en auto-accepteren, wanneer de planmodus in te gaan via shift+tab, en hoe een echte prompt eruitziet bij een live taak "donkere modus toevoegen". ## [00:03] Claude Code aanspreken zoals elke andere AI-assistent De openingsframing houdt de drempel bewust laag: een prompt sturen naar Claude Code verschilt niet van een vraag stellen aan een andere AI-assistent. Het idee is dat de beslissingen die je neemt vóór je op Enter drukt, je beschermen en het gereedschap prettiger maken in gebruik. > *You talk to Claude Code like you would talk to any AI assistant.* ## [00:15] Goedkeuringsmodus vs. auto-accepteren (shift+tab) Er zijn direct twee modi beschikbaar. In de standaard goedkeuringsmodus vraagt Claude toestemming vóór elke bestandswijziging. In de auto-acceptmodus worden bewerkingen en aanmaak van bestanden automatisch verwerkt, maar het uitvoeren van shell-opdrachten vereist nog steeds je toestemming. shift+tab wisselt tussen beide, zonder instellingen te hoeven opzoeken. De verteller weigert uitdrukkelijk een van beide "correct" te noemen; kies wat past bij jouw gewenste betrokkenheid. > *In auto accept mode, it will automatically approve an edit or creation of a file, but ask your permission to run commands.* ## [00:40] Planmodus: alleen-lezen onderzoek vóór het coderen In hetzelfde shift+tab-menu schuilt een derde modus: de planmodus. Claude neemt de prompt, gebruikt alleen-lezen gereedschappen om de codebase te doorzoeken, stelt verduidelijkingsvragen over onduidelijke punten en levert een uitgebreid plan voordat er ook maar één bestand wordt aangeraakt. Typische gevallen: meerstappige feature-implementaties en veilige codereviews — overal waar je de aanpak wilt beoordelen vóór de agent begint te schrijven. > *Plan mode takes your prompt and uses read-only tools to analyze your code base and do research on your suggested implementation.* ## [01:10] Live demo: prompt voor een donkere-modus schakelaar De demo is de kern van de video. Vanuit de projectroot shift+tab een paar keer naar de planmodus, dan een prompt schrijven die drie dingen tegelijk doet: het doel noemen ("donkere modus door de hele app"), de interface opgeven ("een schakelaar in de header") en een beperking toevoegen die Claude moet onderzoeken ("een goede contrastkleur vinden die past bij mijn bestaande lichte thema"). Doel plus interface plus beperking — het impliciete sjabloon voor een goede eerste prompt. > *Can you create a toggle switch on the header that allows user to toggle between light mode and dark mode?* ## [01:46] Terugkijken op wat Claude daadwerkelijk deed Nadat Claude zijn plan heeft teruggegeven en de gebruiker het heeft goedgekeurd, zit de waarde in de controleerbaarheid: je kunt expliciet zien wat Claude deed en hoe het tot het resultaat is gekomen. De verteller bekijkt de gerenderde donkere modus en geeft zijn goedkeuring — de impliciete les is dat "ziet er best goed uit" een acceptabele reviewlat is voor laagrisico UI-werk, zolang je echt hebt gekeken. > *At the end of all this, we can see explicitly what Claude did and how it came to its conclusion.* ## [02:09] Samenvatting: wees beschrijvend, gebruik de planmodus De afsluitende vuistregel: wees zo beschrijvend mogelijk in je prompt, en gebruik de planmodus wanneer je wilt dat Claude de details van je bedoeling grondig onderzoekt vóór het uitvoeren. De goedkeuringsmodus houdt je stap voor stap betrokken als dat je voorkeur heeft. > *When using Claude Code, try to be as descriptive as possible with your prompt.* ## Entities - **Anthropic Tutorial Narrator** (Person): De officiële voice-over verteller van Anthropic voor de Claude Code 101-tutorialserie. - **Claude Code** (Software): Anthropics agentische, op terminal gebaseerde codeerassistent, onderwerp van deze promptschrijfgids. - **Approval mode** (Concept): Standaardmodus waarbij Claude Code toestemming vraagt vóór elke bestandswijziging. - **Auto-accept mode** (Concept): Modus die bestandsbewerkingen en -aanmaak automatisch goedkeurt, maar shell-opdrachten nog steeds blokkeert. - **Plan mode** (Concept): Alleen-lezen onderzoeksmodus die een gedetailleerd plan produceert vóór het schrijven van code; ingeschakeld via shift+tab. - **shift+tab** (Shortcut): Toetsenbordsnelkoppeling die wisselt tussen de goedkeurings-, auto-accepteer- en planmodus van Claude Code.

Eric Jang spent his sabbatical rebuilding AlphaGo with modern tools, and the result is a two-and-a-half-hour technical walkthrough that doubles as a lens on how RL actually works—and why the naive policy-gradient approach baked into LLM training has fundamental limits that MCTS sidesteps. The conversation moves from Go rules through MCTS, neural architecture, self-play training, and off-policy data, before landing on what Jang observed running an automated AI research loop on his own project. ## [00:00] Basics of Go Go defeated brute-force search not by being solved but by being approximated. Jang explains what drew him to rebuild AlphaGo: the mystery of how a ten-layer network can amortize the cost of a game tree whose branching factor makes exhaustive search literally larger than the number of atoms in the universe. The early minutes cover the rules—territory control, liberties, captures, ko—and the Tromp-Taylor scoring convention that resolves ambiguous positions algorithmically rather than relying on human consensus. The scoring difference matters because it maps directly onto how computers must evaluate positions: a human glances at a surrounded group and accepts its fate, while a computer needs an unambiguous rule to count contested intersections at the end of a game. > *"When I saw the early breakthroughs on AlphaGo in 2014, 2015, 2016 and so forth, it was profound to see how smart AI systems could become and the computational complexity class they could tackle with deep learning."* ## [08:06] Monte Carlo Tree Search Rather than building out the full game tree (361 legal moves, 300-move games, search space exceeding the atom count of the universe), AlphaGo uses MCTS to interactively select which tree branches are worth expanding. The core data structure is a node per board state, storing a visit count and a Q value—the running average win rate across all rollouts through that node. The action-selection formula (PUCT) balances exploitation with exploration: a logarithmically growing bonus pushes the algorithm toward under-visited nodes, then decays as simulations accumulate and Q becomes reliable. Jang traces why this UCB-derived approach bounds regret, why Go's determinism means the probabilities in MCTS are artifacts of Monte Carlo averaging rather than genuine stochasticity, and how the search tree can be pruned by merging transposition-equivalent positions. > *"AlphaGo's core conceptual breakthrough was using neural nets to make this search problem tractable."* ## [31:53] What the neural network does Two networks replace two expensive operations inside MCTS. The value network maps a board state to a win-probability scalar, short-circuiting the need to roll out games to terminal states. The policy network outputs a distribution over legal moves, focusing the search tree toward promising children and away from the long tail of irrelevant ones. Jang tried both ResNets and transformers on his reimplementation. For the small-data regime of a personal GPU setup, ResNets outperformed transformers—transformers need global attention to connect far-apart board features, but they also need more data to learn local invariances. KataGo's key architectural insight was pooling global features explicitly through the residual stack so that battles on opposite sides of the 19x19 board could influence each other without requiring full attention. > *"For small data regimes, my experience is that ResNets still outperform transformers and give you more bang for the buck at lower budgets."* ## [01:00:22] Self-play Self-play is where AlphaGo bootstraps from knowing nothing to superhuman strength. After every game, MCTS produces a sharpened move distribution—more peaked than the raw policy network's prior—and that sharpened distribution becomes the training target for the policy head. The policy network is being distilled toward the MCTS output, which means each subsequent generation of games starts from a better prior and gets more improvement per search step. Jang frames this as test-time scaling with a compounding dividend: distilling 1,000 MCTS simulation steps into the policy network shifts the starting point of the next training round, so a second 1,000 steps buys a win rate that would have required 2,000+ steps without distillation. Crucially, every move in every game generates a supervision target—not just the winner—which is why the variance of the learning signal is vastly lower than naive policy-gradient approaches. > *"The beauty of how AlphaGo trains itself is that it can actually take this final search process—the outcome of the search process—and tell the policy network, 'Hey, instead of having MCTS do all this legwork to arrive here, why don't you just predict that from the get-go?'"* ## [01:25:27] Alternative RL approaches Jang constructs a careful thought experiment: what if you replaced the MCTS objective with the naive policy-gradient approach LLMs use—find the game winner and reinforce all moves from that game? In a league of 100 evenly-matched agents where one squeaks out a 51-49 record due to a single critical move, the training dataset is overwhelmingly diluted with moves that carry no signal. The one informative move is buried in roughly 30,000 irrelevant ones. This credit-assignment problem is the root of why advantage functions and baselines exist in RL. Subtracting a value baseline converts the raw return signal into an advantage—how much better than average each action actually was—and dramatically reduces gradient variance. Q-learning and TD methods approximate that advantage without needing full rollouts, which is why they matter for domains where MCTS is unavailable. > *"Importantly, what it is doing is saying: for every action we took, we did a pretty exhaustive search on MCTS to see if we could do better, and we're going to make every action that we took better by having the policy network predict that outcome instead."* ## [01:45:36] Why doesn't MCTS work for LLMs The PUCT exploration formula assumes a bounded, discrete action space and a value function that generalizes across positions. Go satisfies both. LLM reasoning satisfies neither: the token vocabulary is so large that you will almost never revisit the same partial sequence, and there is no position-level value function that reliably tells you whether a partially completed chain of thought is on track to solve the problem. Jang notes that LLMs do exhibit something that superficially resembles tree search—reconsidering, backtracking, hedging—but this emerges from in-context behavior rather than explicit tree construction. He leaves open the possibility that forward search could return in some form, particularly for domains like mathematics where intermediate states have a more rigid logical structure. The fundamental bottleneck is the absence of a trustworthy, query-efficient value function at the token level. > *"In an LLM, you're most likely never going to sample the same child more than once. If you have multiple steps of thinking, because language is so broad and open-ended, a discrete set of actions is not really an appropriate choice for an LLM."* ## [02:00:58] Off-policy training Dwarkesh raises a puzzle: every AI researcher warns against off-policy training, yet AlphaGo Zero runs fine with a large replay buffer full of games generated by older policy versions. Jang resolves this through the DAgger lens: what matters is not whether data is strictly on-policy, but whether the distribution of states in the buffer covers the states the current policy will actually visit, plus a reasonable neighborhood around them. The replay buffer works in AlphaGo because game states from recent checkpoints still lie near the current policy's distribution. The failure mode—labeling states so far from the current policy that the agent learns optimal actions for positions it will never reach—is a real risk in robotics, where distributional shift is severe. The practical recipe that emerged from systems like QT-Opt is to use off-policy data for reward shaping while keeping the policy gradient on-policy. > *"What you want in an algorithm like this is to have mostly states that you would visit, but then a small or reasonable percentage of states in this high-dimensional tube around your optimal trajectories."* ## [02:11:51] RL is even more information inefficient than you thought Dwarkesh lays out a two-dimensional inefficiency argument. The first dimension is the one everyone knows: policy-gradient RL requires full trajectory rollouts before any learning signal arrives, so as agents tackle longer-horizon tasks, samples per FLOP collapse. The second dimension is bits per sample. Early in training, an LLM with a 100K-token vocabulary that has to discover "blue" by random sampling needs on the order of 100K rollouts just to see one success—whereas supervised cross-entropy loss tells the model exactly how far its distribution was from "blue" on every step. MCTS escapes both problems. It produces a supervision target at every single move, and that target is strictly better than the current policy—not merely a binary win/loss signal smeared across thousands of tokens. Jang's observation: you are never in a situation where MCTS gives you zero signal, unless the policy has already converged to match the MCTS distribution exactly. > *"You're never in a situation where the MCTS is giving you no signal, unless your MCTS distribution converges to exactly what your policy network predicts."* ## [02:22:05] Automated AI researchers Jang ran much of his AlphaGo project through an automated LLM coding loop, giving a ground-level account of where AI research automation succeeds and where it still fails. On hyperparameter optimization, current models do genuine grad-student work: they diagnose gradient flow problems, rewrite data-loader augmentations, and squeeze measurable perplexity improvements on fixed budgets. On experiment execution and plotting, a simple skill description generates a full experimental suite with analysis. What the models cannot reliably do is lateral thinking—recognizing that a research track is structurally unpromising and jumping to a different framing before accumulating more dead-end experiments. Jang ran into this repeatedly: models would grind down a dead-end track rather than stepping back and asking whether the track was the right one. His thesis is that this is a training signal problem—building RL environments with the right outer loop, like Go, may be what eventually teaches models to escape local research dead ends. > *"What I find is that the current closed models the public can access today don't seem to be that great at selecting what the next experiment should be in a given track. They don't seem to be able to step back and do the lateral thinking of, 'Wait a minute, this track doesn't really make sense.'"* ## Entities - **Eric Jang** (Person): VP of AI at 1X Robotics; previously senior research scientist at Google Brain/DeepMind Robotics; rebuilt AlphaGo on sabbatical. - **Dwarkesh Patel** (Person): Host of the Dwarkesh Podcast; co-develops the bits-per-FLOP RL inefficiency analysis during the interview. - **AlphaGo / AlphaZero** (Software): DeepMind's Go-playing systems combining MCTS with deep neural networks; the technical centerpiece of the episode. - **KataGo** (Software): Open-source Go engine by David Wu (Jane Street) that achieved 40x compute reduction over AlphaGo Zero; Jang's primary reference implementation. - **Monte Carlo Tree Search (MCTS)** (Concept): Iterative search algorithm balancing exploitation and exploration via UCB/PUCT; the episode's central analytical lens. - **Credit assignment problem** (Concept): Difficulty in RL of determining which actions in a long trajectory caused a positive outcome; motivates advantage functions, baselines, and value networks. - **DAgger** (Concept): Dataset Aggregation algorithm; explains why replay buffers in AlphaGo are tolerable as long as buffer states stay near the current policy's distribution. - **Andrej Karpathy** (Person): Referenced for the phrase "sucking supervision through a straw" describing policy-gradient RL's sparse learning signal over long token trajectories.

Yann LeCun, Turing Award winner and founder of AMI Labs, lays out his case that LLMs are a productive dead-end — genuinely useful products, but structurally incapable of modeling physical reality, planning, or predicting the consequences of actions. He walks through the JEPA architecture as the alternative, explains the Tapestry federated-learning project for non-US/China AI sovereignty, and pulls back the curtain on why his time at Meta ended: the GenAI organization's short-term pressure gradually made breakthrough research politically untenable. His predicted timeline for the paradigm shift: early 2027. ## [00:00] Intro Jacob Effron opens with a quick-cut preview of the conversation — Yann joking about "five years, complete world domination," teasing his blunt take on his relationship with Meta's Llama program, and flagging how his views on unsupervised learning ultimately pointed away from LLMs. Jacob then frames the episode as a rare chance to hear from someone who both built foundational open-source LLMs and now argues, publicly and consistently, that scaling them further is the wrong bet. > *"The best way to get breakthrough research is you hire the best people. You get the hell out of the way."* ## [01:45] Why LLMs Aren't the Path to Intelligence Yann draws a sharp line between LLMs as products and LLMs as a path to intelligence. They work well precisely because language is special — a low-dimensional, discrete, highly structured substrate where autoregressive prediction is tractable. Reality is not like that. The physical world is high-dimensional, continuous, and chaotic: a robot picking up a mug, a self-driving car navigating a construction zone, a cell responding to a drug. These are not language problems, and architectures optimized for language cannot acquire the internal models needed to reason about them. His company, AMI (Advanced Machine Intelligence), is built on the counter-thesis: that the right path is systems which learn abstract world representations from raw sensory data — video, sensor feeds, industrial telemetry — and can plan by simulating the consequences of candidate actions inside those representations. > *"They're just not a path towards human level or human like intelligence or even animal-like intelligence. That's my claim. I'm not saying they're useless — I'm just saying they're not a path towards that."* ## [07:51] AMI and World Models "World model" has become a buzzword, Yann notes, and the field has split into two camps: generative approaches (video models, VLAs) and joint-embedding approaches like JEPA. He dismisses VLAs — vision-language-action models trained to produce robot actions — as already widely recognized failures: brittle, data-hungry, unable to generalize. The generative video approach has the same structural flaw as LLMs: it predicts every pixel rather than learning the abstract structure underneath. A world model, properly defined, is a system that lets an agent anticipate the consequences of its own actions before committing to them. Without that, any agentic system is operating blind — no ability to verify whether a planned sequence of actions will actually accomplish the goal. > *"I cannot imagine how you can even think of building an agentic system without that system having the ability to predict the consequences of its actions."* ## [12:07] The JEPA Architecture Explained The insight behind JEPA came from a pattern Yann noticed across years of self-supervised learning research: every architecture that successfully learned useful representations of images and video was non-generative. Generative architectures — VAEs, masked autoencoders, pixel-prediction models — consistently underperformed. JEPA takes a corrupted or partial view of an input, runs both versions through encoders, and trains a predictor to match representations — not raw pixels. That abstraction is the point. The 2022 "A Path Towards Autonomous Machine Intelligence" paper was his attempt to write down the full blueprint: JEPA as the perception backbone, objective-driven planning on top, and a hierarchical structure of world models at different time scales. He describes publishing it as "spilling all my secrets" — a deliberate bet that openness would rally more talent to the paradigm than secrecy would protect. > *"I've been really interested in that problem of learning models of the world by prediction for a very long time, and then had an epiphany about five years ago realizing that all of the architectures that have been successful to learn representations of images and videos are non-generative architectures and all the generative ones basically have been failures."* ## [15:55] Problems with Robotics Models Today Current robotics demos are impressive but trained with enormous volumes of imitation data — teleop recordings, hand-tracked demonstrations — and fine-tuned with RL mostly in simulation. That pipeline produces brittle specialists. A 17-year-old learns to drive in roughly 20 hours; we have millions of hours of driving footage and still no level-5 autonomous car. The gap between imitation learning and genuine generalization is the gap between memorizing examples and having an internal model of the world. Yann's claim for world-model-based systems is zero-shot task generalization: given a new goal, a system with an accurate internal world model can plan a sequence of actions to reach it without being explicitly trained on that task. The near-term industrial applications he's targeting — controlling jet engines, chemical plants, manufacturing lines — are settings where the inputs are already numerical and a world model can be trained directly from operational data. > *"The degree of generalization you would get with a world model based system is much much larger — a wider spectrum of tasks with less training data than a system trained with imitation learning."* ## [20:37] Silicon Valley Herd Behavior Yann's diagnosis of why the entire industry converged on scaling LLMs is structural: once you're behind, you can't afford to work on anything else. The competitive race creates a rational incentive for every major lab to dig the same trench. He founded AMI Labs in Paris specifically to escape this — the American office is in New York, not Silicon Valley — and raised no Silicon Valley VC money. His predicted timeline for the paradigm shift is early 2027. "World model" is already becoming a research buzzword; industry has recognized that VLAs failed; and the robotics sector's unsolved generalization problem is a forcing function. He doesn't claim AMI will have a full solution by then, but he expects it to be obvious to everyone by that point that a change of paradigm was necessary. > *"I think the realization that you need a change of paradigm is happening as we speak and will become completely obvious to people by early 2027."* ## [28:18] Tapestry: Sovereign AI for the Rest of the World Tapestry is a separate project from AMI, built around one observation: as smart glasses and AI assistants become the primary information interface, whoever controls the underlying model controls the information diet of billions of people. A farmer in India, a philosopher in Germany, a citizen in Morocco — none of them are well-served by a model whose training data, values, and political priors were set by a handful of people in California or Shenzhen. The solution is federated training: countries and institutions contribute data and compute, but never share raw data with one another. They share parameter vectors. Each contributor trains locally, periodically exchanges parameter updates, and pulls a running consensus model — a repository of all human knowledge that no single party controls. Countries from India to Kazakhstan to France have expressed interest, because AI sovereignty has become a political priority independent of any technology choice. > *"All of your information diet will be mediated by AI assistants, and if that AI assistant was built in California or Beijing, it's not good for you."* ## [35:49] OpenAI Is the Next Sun Microsystems Proprietary LLM providers have already exhausted publicly available text data. The remaining path — licensing copyrighted material or generating synthetic data — is expensive and bounded. Open-source models have been closing the gap without that constraint. Yann draws the analogy to the 1990s Unix workstation market: Sun Microsystems, HP, and SGI all had technically superior proprietary systems and compelling arguments for why you wouldn't run a web server on Windows NT — and were all wiped out by Linux. The entire internet now runs on Linux. OpenAI and Anthropic, he says, are the Sun Microsystems of this cycle. > *"Basically, OpenAI, Anthropic, etc. of today are the Sun Microsystems and HPUX of yesterday."* ## [40:51] Why Yann's Views Diverged from Hinton & Bengio The split happened in 2023. Yann's position didn't change — Hinton's and Bengio's did. Hinton encountered GPT-4 and concluded it was close to human-level intelligence, reasoning from a back-of-the-envelope calculation about cortical neuron counts. Yann thinks that argument is wrong and reads it as Hinton finding a justification to declare victory and retire from active research. Bengio's shift was different — more focused on societal risks from AI concentration of power — and Yann has more sympathy for that concern, even though he disagrees with the apocalyptic framing. > *"I do not believe in this claim at all. This is kind of Jeff's way of saying, okay, basically I can retire — I can declare victory."* ## [44:32] LLMs Are Intrinsically Unsafe Yann's strongest claim: LLMs cannot be made reliably safe, not because alignment is hard, but because the architecture is structurally incapable of predicting the consequences of its actions. There is no hardwired constraint ensuring a prompted LLM actually accomplishes the intended task; it accomplishes whatever its training conditioned it toward, and there is always a gap between training distribution and real-world prompts. Coding agents wiping hard drives, medical advice going wrong, agentic systems taking irreversible actions — these are not bugs to be patched but properties of the architecture. His alternative, objective-driven AI, works differently: the system has an explicit world model, an explicit cost function representing the goal, and a set of hard safety constraints. The optimizer finds a sequence of actions that satisfies all constraints and minimizes cost — meaning it literally cannot take an action that violates a safety constraint by construction. That guarantee is impossible with an LLM. He also disputes Anthropic's lobbying narrative on AI risk, arguing that real danger comes from bad actors using current systems, not emergent superintelligence, and that regulatory pressure primarily benefits incumbents. > *"LLMs are intrinsically unsafe. I don't think they can be made reliable and safe. They cannot be made reliable because you can't stop them from hallucinating."* ## [58:00] Why Yann Left Meta Yann corrects a widespread misconception: he had zero technical influence on Llama. Llama 1 was a small FAIR project; when GenAI was created in early 2023, the Llama team moved there and was placed under intense short-term product pressure. Two of the Llama 1 authors left to found Mistral. GenAI became conservative and increasingly publication-restricted. FAIR, meanwhile, was being redirected to support GenAI's LLM work rather than pursue the AMI research agenda that Yann, Zuckerberg, and the CTO had all originally backed. By early 2024, the environment was no longer conducive to breakthrough research. > *"Here's a big misconception about my role, my relation to Alex, and how AI was run at Meta."* ## [01:00:26] Reflections on FAIR Yann joined Facebook in late 2013 and ran FAIR for four and a half years before stepping down to become Chief AI Scientist — a deliberate move because, as he says, he is not a natural manager. The internal AMI project grew out of his 2022 vision paper, which Zuckerberg, the CTO, and the CPO all read and backed. But layers below leadership didn't see the point, and Meta's decision to shut down its entire robotics AI group — led by Gita Matarić, now at Amazon — made clear the company had no interest in the applications world models were built for. Publication restrictions tightened, good researchers left, and the mismatch between Yann's research agenda and Meta's product priorities became irreconcilable by early 2025. When he went to raise money for AMI, investors already knew his story from years of public talks and were primed to believe LLMs had fundamental limits. > *"The best way to get breakthrough research of the type we were getting in the early days of FAIR and at Bell Labs is you hire the best people — you give them the means to succeed and you get the hell out of the way."* ## [01:12:11] Advice for PhD Students Yann opens by reflecting that his prediction self-supervised learning would succeed for video was correct in its mechanism but wrong about where it first succeeded: LLMs are "a blindingly successful example of self-supervised learning," just applied to language rather than sensory data. He then gives the core technical challenge for JEPA: representation collapse. If you train a predictor to map one embedding to another, the trivially optimal solution is for both encoders to output a constant. Contrastive learning (his 1993 invention) prevents collapse but doesn't scale with dimension. Distillation methods like DINO work but for poorly understood reasons. His current best answer, SIGreg (Sketched Isotropic Gaussian Regularization), forces the encoder output distribution to be Gaussian, maximizing information content without negative pairs. He recommends the LeWorldModel paper — the first small-scale world model trained with this approach — as the single best entry point into where AMI Labs is headed. His advice to PhD students: don't work on LLMs — you can't contribute from academia without frontier compute, and studying why they work is descriptive science, not creative research. > *"An LLM works because when you have a sequence of discrete symbols, making predictions is easy. If you have the real world, you can't use a generative model — you have to train a system that learns a representation and makes predictions in the representation space."* ## Entities - **Yann LeCun** (Person): Turing Award 2018 co-winner; former Chief AI Scientist at Meta FAIR; founder of AMI Labs; professor at NYU; inventor of convolutional neural networks and co-creator of JEPA - **Jacob Effron** (Person): Partner at Redpoint Ventures; host of Unsupervised Learning podcast - **Geoffrey Hinton** (Person): Turing Award co-winner; reversed position on LLM capabilities after GPT-4; less vocal on AI dangers since 2024 - **Yoshua Bengio** (Person): Turing Award co-winner; focused on societal risks from AI concentration rather than emergent superintelligence - **JEPA** (Concept): Joint Embedding Predictive Architecture — predicts in representation space rather than pixel space; forms the perceptual backbone of Yann's world-model framework - **World Model** (Concept): Internal model enabling an agent to predict the consequences of its own actions before committing to them; prerequisite for safe agentic AI in Yann's framework - **Tapestry** (Concept): Federated LLM training project enabling countries and institutions to train a shared foundation model while retaining data sovereignty through parameter-vector exchange - **AMI Labs** (Organization): Yann's company (Advanced Machine Intelligence); headquartered in Paris, US office in New York; focused on JEPA-based world models for robotics, industrial control, and healthcare - **Meta FAIR** (Organization): Facebook AI Research; origin of Llama 1, I-JEPA, V-JEPA, and the AMI internal research program; increasingly redirected toward GenAI LLM support before Yann's departure

Salesforce CEO Marc Benioff joins Jason Calacanis, David Friedberg, and Chamath Palihapitiya (David Sacks absent) for a wide-ranging episode anchored by two real-time stories: the first Trump-Xi summit since 2017 and AI's accelerating assault on enterprise software valuations. Benioff — who has attended the Saudi state dinner, Windsor Castle, and this summit delegation — offers a front-row view of US-China commercial diplomacy, then turns to his own company's existential rerate, arguing Salesforce's data infrastructure and agent platform put it on the right side of AI disruption. The back half covers OpenAI's blowup with Apple, Thinking Machines' real-time multimodal demo, Friedberg's alarming El Niño data, and Anthropic's crackdown on layered SPV schemes. ## [00:00] Salesforce CEO Marc Benioff joins the show! Sacks is out this week, and Benioff fills the seat. Jason asks immediately about Benioff's political positioning — past Democratic donor, now attending Saudi state dinners and apparently welcome in the current administration. Benioff brushes off the partisan framing entirely. > *"I'm not a Democrat or Republican. I'm an American."* Chamath notes Benioff collected invites to Windsor Castle, Prince Charles's US visit, and the Saudi state dinner in quick succession — the rare tech CEO who moves across administrations without friction. The setup frames Benioff as an unusually credible voice on the summit unfolding in real time. ## [01:14] Trump-Xi summit, doing business in China as a US company, impact on Americans and the midterms Trump and Xi's seventh face-to-face meeting — delayed two months by the Iran war — opened in Beijing with Xi warning that mishandling Taiwan could put the entire relationship "in an extremely dangerous situation." Polymarket put the 2026 invasion probability at 6% on $23M in volume. On trade, Xi committed to buy soybeans, US LNG, and 200 Boeing jets, and called for a "wider door" on commerce. The US delegation reads like a corporate board: Jensen Huang selling chips, Kelly Ortberg selling planes, Brian Sykes of Cargill selling soybeans, Visa and Mastercard pushing for payment market access. Friedberg framed the summit through the Thucydides trap lens — as a rising power meets a declining power, conflict is historically likely — but argued that a resource-expansive moment, turbocharged by AI and biotech, offers a rare exit from that pattern. > *"It seems like in this moment when we are seeing these extraordinary technology shifts unlocked by AI and automation and biotech and all of these kind of moments of which could be true abundance ahead of us, it seems like the perfect moment to say maybe the world can be more multipolar."* Benioff confirmed Salesforce has zero offices or employees on the mainland — all China revenue flows through an exclusive Alibaba partnership to satisfy data residency law — and expects the summit to generate real order flow across the delegation. Chamath argued that China's top-down Confucian hierarchy makes CEO-level diplomacy more effective than bureaucratic channels, and that Americans who are feeling squeezed by inflation need the deal to work. ## [18:46] Taiwan, chips, AI models, and peace through trade Benioff pushed back on the premise that Taiwan is China's core priority, insisting economic prosperity and middle-class growth matter more to Xi than territorial ambition. On the direct question — should the US defend Taiwan if China blockades it? — he refused the binary: "I think China and Taiwan will reconcile." Chamath took a structural view: the US is roughly 1-2 nanometers away from domestic chip parity, at which point Taiwan's strategic value becomes economic rather than existential. > *"We are at a point where we're probably 1 to 2 nanometers away from being able to do what we need Taiwan to strategically do for us. Today it's economic and if you take that off the table, I think we'll have a very different attitude to Taiwan."* Chamath's prescription: sell the chips anyway, because letting Huawei win the semiconductor race is worse than letting Nvidia sell into China under KYC guardrails for model usage. Benioff agreed Chinese AI models are near-parity with US models despite chip restrictions, undercutting the case for an embargo. Friedberg added that as China builds domestic fabs and capital equipment, Taiwan's irreplaceability diminishes on its own timeline regardless of political outcomes. ## [31:41] AI's impact on software: What SaaS thrives, what SaaS dies? Jason laid out the rerate bluntly: Salesforce down 37%, ServiceNow down 42%, Workday down 45% — roughly $180 billion in combined market cap erased on the assumption that AI will make managed SaaS redundant. Benioff came out swinging. > *"It's not my first SaaS apocalypse, honestly, but it's the current SaaS apocalypse."* His argument: the market rerated on a false premise. Salesforce's bet is Agentforce — AI agents grounded in real enterprise data, not hallucination-prone generic models. The $8-9B Informatica acquisition provides the data harmonization layer that makes agents reliable: "The AI is very probabilistic — it needs to be locked down into the truth, into a single source of truth, or it just cannot work well." Benioff added that Salesforce will spend roughly $300M on Anthropic this year purely for internal coding agents, collapsing implementation cycles. Chamath split the market in two: the low end is finished — generic point solutions with no deep customer relationships are dead — but the high end, where Salesforce operates, is positioned to benefit from the ROI reckoning when public markets stop being "breathless about AI" and ask what $3 trillion in capex produced. The survivors will be those with C-suite relationships, negative churn, and the ability to package AI capability as measurable outcomes. ## [47:26] OpenAI is considering suing Apple over failed ChatGPT integration Bloomberg reported OpenAI may sue Apple for breach of contract: the 2024 ChatGPT-Siri deal collapsed in practice because Apple routes queries to ChatGPT only when users explicitly say "ChatGPT," never promoted the integration, and OpenAI never saw the subscriber revenue it expected. Apple's defense is privacy concerns over OpenAI's data practices. Benioff reframed the story as a strategic divergence among AI labs: Grok built companions and "sex bots," OpenAI pushed Sora and ad networks, Gemini shipped Nano, and Anthropic ignored all of it to focus on coding agents — and Anthropic turned out to be right. He teased unannounced Slack-native coding functionality. > *"Anthropic and they go we don't know about those sex bots and we don't know about Nano Banana but we're going to do coding agents. And it turned out Anthropic was right. And all of a sudden the rocket ship took off."* Chamath raised the deeper question: what happens to Apple if the AI interaction layer moves off the device entirely? He predicted an "iPhone moment" from an unexpected hardware player — a thin, always-on ambient device that makes the MacBook Pro irrelevant for AI inference. Friedberg noted Apple's current strategy is gap-filling rather than visionary, and that G Suite is quietly taking enterprise share from Apple's productivity stack. ## [56:54] Thinking Machines releases real-time model, future of consumer AI, multi-sensory models Mira Murati's Thinking Machines released a real-time multimodal model that watches your desktop, listens to ambient audio, and processes webcam input simultaneously at 200ms intervals across two parallel pipelines — one for deep retrospective reasoning, one for live response. Apple has simultaneously patented cameras inside AirPods. > *"Multi-sensory models are the next big wave for AI and then but we're still not at AGI at that point."* Benioff argued that LLMs trained on language are fundamentally limited: human cognition runs eyes, ears, and proprioception in parallel on biological hardware. Multi-sensory grounding is the missing layer. The token economics are dramatic — real-time ambient monitoring at 8 hours per user per day would be 1000x current enterprise consumption. Benioff pushed back on the "bigger model = better" arms race, predicting distributed intelligence embedded in apps and devices will matter more than raw model scale, and flagging space for a "hot new company" that aggregates ambient sensing with enterprise context. ## [62:24] Science Corner: Impacts of a historically strong El Nino in 2026 Friedberg presented ocean temperature anomaly data showing sea surface temperatures headed for the largest deviation from normal since 1877 — roughly 4°C above baseline. The stored thermal energy: 11 million terawatt-hours, against global annual human consumption of 25,000 terawatt-hours. > *"That's 500 years worth of human energy in this ocean. And over the next few months, that energy is going to be released into the atmosphere — and that will, with 99% confidence, make the upcoming year the hottest year on record by far."* The cascade: altered trade winds drive atmospheric rivers into California and the Gulf Coast; heat domes extend over Phoenix and interior Canada; Indian monsoons fail at high probability, threatening 150 million farmers and 1.5 billion food-dependent people; Brazil's crop exports to Indonesia and the Philippines collapse; wheat prices spike globally. Phoenix was already at 106°F in May. Commodity markets are actively trading El Niño exposure. Friedberg's partial upside: crop genetics have improved drought resilience, and Siberian farmland is expanding — but those gains don't rescue the 2026 harvest window. ## [71:40] Anthropic goes after "Dark SPVs" Anthropic formally called out platforms selling multi-layered SPVs to retail investors — the "dentists getting charged 10% loading fees" model — and stated it will negate shares sold through unauthorized structures. Chamath gave full-throated support: every pre-IPO company should follow suit, push toward public markets, and let these structures die. > *"Once SpaceX goes public, once Anthropic goes public, once OpenAI goes public, you're going to see a litany of these lawsuits back and forth between the purveyors of these SPVs — they should not be allowed."* Chamath predicted a wave of legal fallout once the major AI companies go public and retail SPV investors discover the math doesn't work. The chapter closes with Benioff discussing Salesforce's 1-1-1 philanthropy model — 1% equity, 1% profit, 1% employee time at founding, now running 50,000 nonprofits free on the platform — and a moving remembrance of Susan Wojcicki. ## Entities - **Marc Benioff** (Person): Chair and CEO of Salesforce; guest on this episode; architect of the 1-1-1 philanthropy model and Agentforce AI agent platform - **David Friedberg** (Person): Host; CEO of The Production Board; delivered the El Niño science corner - **Chamath Palihapitiya** (Person): Host; CEO of Social Capital; made the case for Salesforce's high-end SaaS survival and Nvidia chip proliferation - **Salesforce / Agentforce** (Software): Enterprise CRM and agent platform; Benioff's bet that data-grounded AI agents are the opposite of a SaaS death sentence - **Anthropic** (Organization): AI safety company; Benioff's preferred coding agent provider (~$300M planned spend at Salesforce); also cracking down on unauthorized SPV structures - **OpenAI** (Organization): Reportedly considering lawsuit against Apple over failed ChatGPT-Siri integration; pivoting toward coding agents following Anthropic's success - **Thinking Machines / Mira Murati** (Organization): Released a real-time ambient multimodal model processing desktop, audio, and webcam simultaneously at 200ms intervals - **Thucydides Trap** (Concept): Political science framework (rising vs. declining power conflict cycle) invoked by Friedberg to frame the US-China summit opportunity for cooperative abundance - **Dark SPVs** (Concept): Multi-layered special purpose vehicles selling pre-IPO equity in private AI companies to retail investors, often with high fees and disputed legal standing

De tweede aflevering van Anthropics Claude Code 101 opent de motorkap: de agentlus die context verzamelt, actie onderneemt en resultaten verifieert; hoe het contextvenster zichzelf comprimeert voordat het overloopt; wat tools daadwerkelijk bieden ten opzichte van tekst in en tekst uit; en de vier machtigingsmodi die je met shift+tab omschakelt. ## [00:04] Openingsvraag: hoe verschilt het van een chatapp De verteller koppelt de rest van de video aan één vraag: Claude Code is geen chatapp, dus wat is de aard van dit ding? Het antwoord dat ze gaan uitpakken is de agentlus. > *We know that Claude code is different from usual chat applications, but how does it work?* ## [00:13] De agentlus — verzamelen, handelen, verifiëren, herhalen De lus heeft vier slagen. Je voert een prompt in. Claude verzamelt de benodigde context door met het model te communiceren, dat tekst of een toolaanroep teruggeeft. Claude voert de actie uit: een bestand bewerken, een commando uitvoeren. Vervolgens verifieert het of het resultaat de prompt daadwerkelijk vervult. Slaagt het, dan stopt het; mislukt het, dan herhaalt de lus totdat het werk compleet en verifieerbaar is. De gebruiker wordt hierbij niet buitengesloten: je kunt context toevoegen, onderbreken of het model naar het einddoel sturen terwijl de lus loopt. > *And if they don't, Claude goes back and runs the loop again until the results are complete and verifiable.* ## [01:02] Het contextvenster en automatische compressie Het contextvenster is Claudes werkgeheugen: de conversatie, bestandsinhoud, commandouitvoer, alles waarop het kan terugkijken. Het is begrensd. Wanneer het plafond wordt bereikt, comprimeert Claude Code de conversatie op eigen initiatief: het bepaalt wat verwijderd kan worden en wat samengevat kan worden, zodat het venster daalt zonder de rode draad te verliezen. > *Once you reach that limit, Claude code compacts your conversation, which automatically determines what it can take out of the context window and what it can summarize in order to bring the context window back down.* ## [01:26] Tools — semantische dispatching voor het lezen van bestanden, uitvoeren van code en zoeken op het web De meeste AI-assistenten zijn tekst in, tekst uit, zonder iets daartussen. Tools veranderen dat: ze stellen de agent in staat te beslissen wanneer het code moet uitvoeren om het doel te bereiken. Een bestand lezen, op het web zoeken, een shell-commando uitvoeren. Claude Code gebruikt semantisch zoeken over de beschikbare tools om te kiezen welke aan te roepen en de uitvoer te verwerken. > *Tools let Claude code and other agents determine when to execute code to get closer to a task.* ## [01:52] Machtigingsmodi en de kosten van het overslaan ervan Standaard vraagt Claude Code om bevestiging voordat het een bestand bewerkt of een shell-commando uitvoert. Shift+tab doorloopt alternatieven: **bewerkingen automatisch accepteren** schrijft bestanden zonder te vragen maar vraagt nog steeds voor commando's; **planmodus** beperkt Claude tot alleen-lezen tools zodat het een actieplan kan opstellen voordat het iets aanraakt. De verteller wijst op de voor de hand liggende afweging: de agent vrij spel geven betekent dat een fout moeilijker te onderscheppen is voordat het gebeurt. > *Giving Claude code free reign to run commands means a mistake could be harder to catch before even happens.* ## [02:28] Samenvatting — wat het onderscheidt van een chatvenster Vier primitieven samengesteld tot een terminal: een agentlus, een beheerd contextvenster, tools en configureerbare machtigingen. De combinatie — de codebase lezen, erop handelen, het eigen werk verifiëren — is wat Claude Code onderscheidt van een chatvenster. > *It can read your code base, take action, and verify its own work, and that makes it fundamentally different from a chat window.* ## Entiteiten - **Anthropic Tutorial Narrator** (Person): De officiële voice-over verteller van Anthropic voor de Claude Code 101 tutorialserie. - **Claude Code** (Software): Anthropics agentische terminal-codeerassistent, gebouwd rond de vier primitieven die in deze aflevering worden uitgelegd. - **Agentic loop** (Concept): De verzamel-context, handel, verifieer, herhaal-cyclus die elke Claude Code-sessie aandrijft. - **Context window** (Concept): Claudes begrensde werkgeheugen met de conversatie, bestandsinhoud en commandouitvoer; automatisch gecomprimeerd bij overloop. - **Tools** (Concept): De neveneffecten die de agent kan aanroepen: bestand lezen, op het web zoeken, commando uitvoeren, geselecteerd via semantisch zoeken over de toolcatalogus. - **Permission modes** (Concept): Standaard (vragen), bewerkingen automatisch accepteren en planmodus (alleen-lezen), omgeschakeld met shift+tab. - **Plan mode** (Feature): Een alleen-lezen machtigingsmodus waarmee Claude een actieplan kan opstellen voor elke mutatie.

De officiële installatiegids voor Claude Code. De verteller van Anthropic loopt door de één-regel-installers voor elk ondersteund platform — terminal, VS Code, JetBrains, Claude Desktop en het web — en sluit af met een eenvoudige vuistregel voor het kiezen van de juiste optie. ## [00:04] Één-regel-installers voor de terminal (macOS, Linux, WSL, Windows) Het standaardpad is de terminal. Gebruikers van macOS, Linux en WSL krijgen één `curl`-opdracht; Homebrew werkt ook maar ondersteunt geen automatische updates. Op Windows gebruikt PowerShell `Invoke-RestMethod`, CMD heeft een eigen `curl`-fragment, en `winget` is beschikbaar met dezelfde beperking voor automatische updates als Homebrew. > *If you're on macOS, Linux, or WSL, use this curl command to install it in one go. If you prefer to use Homebrew, you can also use brew install to install it, but note that this doesn't have auto-update capabilities.* ## [00:33] claude uitvoeren in je project en inloggen Na de installatie ga je met `cd` naar je project en voer je `claude` uit. Bij de eerste start verschijnt een kleurthemakiezer en een inlogflow die een Pro-, Max-, Enterprise- of API-sleutelaanmelding accepteert. Enterprise-accounts moeten die optie expliciet selecteren. De map van waaruit je start bepaalt de toegangsgrens — Claude Code ziet die map en alles eronder, niets erboven. > *Whatever directory you decide to run cloud in, it will have access to that directory and all of its subfolders.* ## [01:02] VS Code-extensie Open het extensiepaneel, zoek naar de Claude Code-extensie van Anthropic en bevestig het blauwe verificatievinkje voordat je installeert. Een herstart kan nodig zijn. Na de installatie opent het opdrachtenpalet (`Ctrl/Cmd+Shift+P`) een nieuw Claude Code-tabblad; je kunt ook op het logo klikken vanuit een geopend bestand, of de GUI volledig uitschakelen en alleen de terminalervaring gebruiken via de instellingen. > *You can also opt out of the UI and just use the terminal experience directly in your settings file.* ## [01:32] JetBrains-plugin Zelfde werkwijze als bij VS Code: installeer de Claude Code-plugin uit de JetBrains Marketplace, herstart de IDE en het Claude-logo verschijnt bij heropstart. Klikken opent een zijpaneel dat de terminalervaring naast je editor toont. > *For JetBrains IDEs, you can install the Cloud Code plugin from the JetBrains Marketplace. Once you install, restart your IDE.* ## [01:51] Claude Desktop en claude.ai/code op het web Claude Desktop biedt Claude Code aan via een "code"-schakelaar bovenaan de app zodra je bent ingelogd — dezelfde chatachtige interface, maar beperkt tot een specifieke map met aanpasbare rechten en zelfs een clouduitvoeringsmodus. De webversie staat op `claude.ai/code` en weerspiegelt de desktopervaring, met één harde beperking: het werkt alleen met GitHub-repositories. > *On the web, you can access Claude code by going to claude.ai/code. This works very similar to the desktop app. However, you're restricted to GitHub repositories only.* ## [02:27] De juiste omgeving kiezen De vuistregel van de verteller: terminal eerst als je nieuwe functies wilt zodra ze uitkomen. IDE-integraties bieden vrijwel dezelfde ervaring in je editor. Desktop is de keuze als je Claude op de achtergrond wilt laten werken terwijl je iets anders doet. Het web is voor werken op afstand aan GitHub-repositories of voor het gelijktijdig uitvoeren van meerdere sessies. > *If you want to constantly keep up to date with everything, the terminal is the best bet. Features ship there the fastest.* ## Entities - **Anthropic Tutorial Narrator** (Person): Voice-over host van de Claude Code 101-cursus van Anthropic. - **Claude Code** (Software): Anthropics agentische coderingstool, te installeren via terminal, IDEs, desktop en web. - **Homebrew / winget** (Software): Pakketbeheerinstallatiepaden als alternatief voor de officiële curl/PowerShell-installers — beide zonder automatische updates. - **VS Code extension** (Software): Door Anthropic gepubliceerde Claude Code-extensie; controleer het blauwe vinkje voor de installatie. - **JetBrains plugin** (Software): Claude Code-plugin verspreid via de JetBrains Marketplace; opent een zijpaneel na herstart van de IDE. - **Claude Desktop** (Software): Desktopapp die Claude Code aanbiedt via een "code"-schakelaar, met mapbeperking en clouduitvoeringsmodus. - **claude.ai/code** (Service): Webversie van Claude Code, beperkt tot GitHub-gehoste repositories.

Janie Lee en Chai Asawa van Abridge schuiven aan bij swyx en Jacob Effron van Redpoint voor een Latent Space x Unsupervised Learning-crossover. Ze vertellen hoe een AI-schrijver uitgroeide tot de "klinische intelligentielaag" van de zorg: de productfilosofie van airconditioning, de casus van voorafgaande machtiging, een eval-stack gebouwd rond clinicus-wetenschappers en LLM-judges, waarom HIPAA het datavliegwiel hervormt, en wat er nodig is om betrouwbaar te draaien bij meer dan 100M medische gesprekken. ## [00:00] Introductie De aflevering opent met Janie Lee's pitch: context is alles, meldingen moeten van reactief naar proactief, en het product zelf moet naar de achtergrond verdwijnen — net als airconditioning — tenzij er een klinisch risico is dat actie vereist. swyx vraagt luisteraars kort om een abonnement te nemen in plaats van reclame te draaien. > *"Wat wij graag zeggen: ons product moet aanvoelen als airconditioning. Het staat op de achtergrond en maakt dingen gewoon beter."* — Janie Lee ## [01:17] Wat Abridge doet swyx presenteert dit als de jaarlijkse Latent Space x Unsupervised Learning-crossover, met Jacob Effron als aanvulling omdat Redpoint in Abridge investeert. Janie introduceert Abridge als een klinische intelligentielaag voor zorginstellingen, ontstaan vanuit documentatie: clinici besteden 10 tot 20 uur per week aan het schrijven van notities, en het gesprek tussen patiënt en arts staat bovenaan de keten van bijna elk downstream product — de declaratie, de betaling, de diagnose. Chai voegt toe dat alles voor, tijdens en na het consult aanpakbaar wordt zodra je volledige context hebt over patiënten, verzekeraars, richtlijnen en de literatuur. > *"Abridge is een klinische intelligentielaag voor zorginstellingen. We zijn echt begonnen met documentatie en bouwen voor clinici."* — Janie Lee ## [03:22] Van ambient documentatie naar klinische intelligentie Janie beschrijft Abridge's drie "acts": tijd besparen (het oorspronkelijke schrijfproduct dat artsen hun avonden teruggaf — de "pyjamamomenten"), geld besparen en verdienen voor zorginstellingen die op recordlage winstmarges draaien, en uiteindelijk levens redden. Dat het product miljoenen keren per week wordt geopend — voor, tijdens en na elk consult — maakt die uitbreiding haalbaar. > *"Ze noemen het pyjamamomenten... artsen die na het werk thuis in hun pyjama hun notities bijhouden."* — Janie Lee ## [05:21] Klinische beslissingsondersteuning en context als sleutel Jacob vraagt Chai hoe de klinische beslissingsondersteuning van Abridge zich verhoudt tot zijn eerdere werk bij Glean. Chai stelt de twee tegenover elkaar: bij Glean is een fout antwoord vervelend; in de zorg staat er veel meer op het spel en is het gebruikersoppervlak veel smaller — minder persona's, maar elk resultaat moet raak zijn. Dat kleurt alles, van offline evaluatie tot gefaseerde uitrol, en knoop vast aan de Jarvis-visie van een assistent die je echt kent — iets wat elk hackathon van het afgelopen decennium heeft geprobeerd te bouwen. > *"De Jarvis-visie — op elk hackathon van de afgelopen tien jaar stond er wel een Jarvis-concurrent, maar ik denk dat Abridge daar echt vandaan is gekomen en nog steeds naartoe gaat."* — Chai Asawa ## [08:14] Waarschuwingsmoeheid, proactieve intelligentie en voorafgaande machtiging Jacob brengt het klassieke probleem van waarschuwingsmoeheid ter sprake: wanneer doorbreek je de stilte van de airconditioning en onderbreek je echt? Janie's concrete voorbeeld is voorafgaande machtiging: een MRI-afwijzing die nu weken later arriveert, kan worden omgezet in een realtime melding terwijl de patiënt nog in de kamer zit, gebaseerd op verzekeraarbeleid, EHR-data, eerdere diagnoses en kliniekeigen protocollen. De valkuil zit in de data-infrastructuur: voorafgaande machtiging werkt alleen als het systeem elk relevant signaal op het juiste moment kan samenvoegen. > *"Om dat voorbeeld van voorafgaande machtiging mogelijk te maken — bedenk hoeveel data je daarvoor nodig hebt."* — Janie Lee ## [13:53] Ambient AI-vormen en klanten in de zorg swyx vraagt naar de vorm. De belangrijkste interface is vandaag mobiel, maar Abridge draait ook op desktop, browserplug-ins binnen het EHR, apparaten in de kamer voor klinische opnames, verpleegkundige workflows, en verkent augmented reality. De klant is meerzijdig: CMIOs, CFOs, CIOs, clinici, patienten, verzekeraars en farma zitten allemaal ergens in de keten, waarbij interacties met verzekeraars via gestructureerde uitwisseling verlopen in plaats van directe toegang tot ruwe Abridge-data. > *"Jullie hebben het veel over ambient AI. Is dat voornamelijk op de telefoon?"* — swyx ## [18:16] De moeilijkste AI-problemen in de zorg Gevraagd naar het moeilijkste AI-probleem bij Abridge noemt Chai hoogwaardige, lage-latentie, lage-kosten realtime ondersteuning in een klinische setting met hoge inzet. Het in kaart brengen van de lange staart van verzekeraarbeleid in tussenliggende representaties waar het systeem over kan redeneren, is een concreet voorbeeld: de Pareto-grens verschuift voortdurend, en ze moeten die zelf verleggen in plaats van te wachten op kant-en-klare verbeteringen. > *"De Pareto-grens verschuift altijd, maar we proberen dit ook nu al te doen."* — Chai Asawa ## [19:43] Frontiermodellen, eigen data en modelstrategie Jacob vraagt wat ze kant-en-klaar inzetten versus zelf bouwen. Chai's redenering: frontiermodellen absorberen steeds meer algemene medische kennis, dus Abridge's voorsprong zit in de eigen medische gesprekken en het specialismespecifieke gedrag dat daarbovenop is gebouwd. Ze zijn bewust modelagnostisch waar mogelijk — wat telt is de uiteindelijke productervaring, en ze combineren modellen per workflow. > *"We kunnen dit of dat inzetten — uiteindelijk gaat het ons alleen om de beste productervaring."* — Chai Asawa ## [22:24] Het EHR als bestandssysteem voor agents Chai's perspectief voor het komende jaar: elke agent is in de kern een codeeragent, en binnen de zorg functioneert het EHR als het bestandssysteem — een enorme gestructureerde informatieopslagplaats die in geen enkel huidig contextvenster past. Janie voegt toe dat het doel nog steeds is de clinicus gefocust te houden op de patient: de juiste context op het juiste moment beschikbaar hebben, niet het gesprek opnieuw doornemen. > *"Bijna elke agent is in de kern een codeeragent. Je geeft hem een bestandssysteem, hij schrijft zijn eigen code... je kunt het EHR zien als een bestandssysteem."* — Chai Asawa ## [25:20] Personalisatie, geheugen en voorkeuren van clinici Jacob vraagt hoe Abridge per-arts personalisatie aanpakt. Janie's antwoord is gelaagd: individuele bewerkingen worden signaal, specialismespecifieke standaarden vormen de volgende laag, en zorginstellingbeleid omhult alles. Chai beschrijft geheugen als een nieuw soort registratiesysteem: achtergrondtaken die signalen over consulten heen consolideren — vergelijkbaar met hoe slaap herinneringen consolideert — zodat het model leert van elke bewerking en van alles wat niet wordt bewerkt. > *"Een interessant bijproduct voor ons is dat geheugen eigenlijk een van die nieuwe registratiesystemen is."* — Chai Asawa ## [31:57] Evals, LLM-judges en gefaseerde uitrol Janie legt de eval-stack uit: interne clinici doen een eerste review via het LFD-proces, LLM-judges worden gekalibreerd op die geannoteerde data, externe evaluatoren leveren een onafhankelijke beoordeling, en specialismespecifieke evals vangen wat generieke missen. Chai trekt de analogie met zelfrijdende auto's: zo snel mogelijk contact maken met de werkelijkheid, maar alleen via gefaseerde uitrol — zodat de offline distributie echt overeenkomt met de productiedistributie. > *"Ik wil zo snel mogelijk contact maken met de werkelijkheid, maar via een gefaseerde uitrol — want hoe groot mijn offline evalset ook is, ik wil dat de distributie echt overeenkomt met de echte verdeling."* — Chai Asawa ## [38:04] HIPAA, de-identificatie en privacy Privacy is een harde randvoorwaarde voor het datavliegwiel. Chai legt uit dat alles wat wordt gebruikt als basis voor online evals of leren geanonimiseerd moet zijn en dat is onomkeerbaar: ze hebben daar specifieke processen voor ingericht. Janie voegt toe dat klantcontracten ook regelen wie binnen Abridge toegang heeft tot PHI, waardoor de lat voor wat terugvloeit naar trainingsdata contractueel hoog ligt, niet alleen als beleid. > *"Alle data die we gebruiken moet geanonimiseerd zijn — alle echte data die we gebruiken als basis voor online evalsets of om van te leren."* — Chai Asawa ## [40:38] 100M gesprekken en werken op schaal Bij meer dan 100M gesprekken verschuift het aandachtsveld: modelroutering, post-training, betrouwbaarheidsbudgetten en kosten per aanroep worden primaire zorgen. Chai bespreekt inzichten die je aan clinici kunt bieden, en blikt verder vooruit: uiteindelijk kan hetzelfde gesprek ook signalen opleveren voor patienten en consumenten rechtstreeks, niet alleen voor zorgverleners. > *"In onze dataset van 100 miljoen gesprekken zit zoveel. Je kunt je voorstellen welke inzichten je aan de clinicus kunt bieden."* — Chai Asawa ## [45:27] EHR-integratie en de klinische intelligentielaag swyx vraagt naar de relatie met het EHR. Abridge investeert zwaar in diepe interoperabiliteit: de EHR-samenwerking is een basisvereiste voor adoptie door clinici, maar de waarde die Abridge erbovenop legt heeft een andere scope: context over meerdere consulten heen, verzekeraarsbewust redeneren, en het soort klinische intelligentie dat het EHR zelf niet is toegerust om te produceren. > *"Een van de sleutelpartners is het EHR — ik vraag me af hoe die relatie eruitziet."* — swyx ## [47:56] Regelgeving in de zorg, latentie en AI met hoge inzet Jacob vraagt wat Abridge heeft geleerd van regelgeving. Janie gaat in tegen het gebruikelijke verhaal: AI in de zorg heeft eigenlijk regelgevende rugwind, omdat de lat zo hoog ligt dat de moeilijkste problemen hier als eerste worden opgelost. Chai beschrijft de "slimme trucs" die ze nu inzetten in de wetenschap dat de frontier blijft bewegen, en accepteert dat sommige daarvan over vijf jaar niet meer standhouden. > *"Ik denk dat dit de plek is waar de moeilijkste AI-problemen als eerste worden opgelost, juist omdat de lat zo hoog ligt."* — Janie Lee ## [51:28] Clinicus-wetenschappers en kwaliteit aan de staart Janie beschrijft een interne rol bij Abridge: de clinicus-wetenschapper — artsen die ook technisch onderlegd zijn, variërend van full-stack engineers tot "bijzonder vindingrijke prompters." Doordat zij zijn ingebed in product- en evalteams, stijgt de lat voor wat er wordt uitgebracht: de mensen die de LFD-criteria opstellen zijn ook degenen die begrijpen wat klinisch nuttig echt betekent. swyx legt het verband met actief leren op bekende zwakke plekken — het soort verfijning dat bij de meeste AI-teams verloren is gegaan. > *"We hebben een rol genaamd clinicus-wetenschapper — ik hoorde een van onze leidinggevenden hen onlangs 'mutanten' noemen."* — Janie Lee ## [54:21] Lessen van Glean en duurzame AI-infrastructuur Jacob vraagt Chai wat er meegaat vanuit Glean. Het antwoord gaat grotendeels over wat de tijd doorstaat: contextlagen, event-gedreven systemen, Kafka, Temporal, sockets, CRDTs uit het Google Docs-samenwerkingsspeelboek. Multi-agent systemen erven dezelfde conflictoplossingsuitdagingen als mensen, en de infrastructuurpatronen van het afgelopen decennium worden niet weggegooid maar herbestemd. > *"Er is veel event-gedreven technologie — Kafka, Temporal, sockets enzovoort. Hoe je dat bij elkaar brengt, is naar mijn mening ook duurzaam."* — Chai Asawa ## [58:20] De toekomst van agentische zorgworkflows Een korte uitwisseling over hoe een meer agentisch Abridge eruitziet: nog steeds verankerd in de rol van de clinicus in de patientrelatie, maar met meer achtergrondwerk — reageren op laboratoriumuitslagen, conceptreacties opstellen, meer taken overnemen namens de clinicus zonder de relatie over te nemen. > *"Nog meer mogelijkheden namens de clinicus, van wie wij denken dat die een heel belangrijke rol speelt in de verbinding met de patient."* — Chai Asawa ## [58:51] PRDs, producthelderheid en het bouwen van serieuze AI-producten Jacobs snelle vraag: waar ben je het afgelopen jaar van gedachten veranderd in AI? Janie keert de populaire opvatting om: prototypes zijn niet het einddoel, PRDs zijn niet dood. Naarmate producten complexer worden en door AI worden aangedreven, is de discipline van schriftelijke helderheid in een echte PRD belangrijker, niet minder. De rest van het onderdeel gaat over het bouwen van serieuze AI-producten in de zorg: eigenaarschap, schriftelijke specificatiediscipline en weerstand bieden aan demo-gedreven ontwikkeling. > *"De heetste opvatting is dat prototypes het einddoel zijn en dat PRDs dood zijn."* — Janie Lee (de opvatting waarvan ze van gedachten is veranderd) ## [64:28] AI-codeertools bij Abridge swyx's standaardvraag voor de afsluiting. Abridge gebruikt Claude Code en Cursor intern, en Jacob gooit er half grappend een benchmark tegenaan: hij wil Claude een bedrijf van 1 miljard dollar pre-revenue zien runnen. > *"Claude gaat dit doen — ik wil Claude een bedrijf van een miljard dollar pre-revenue zien leiden."* — Jacob Effron ## [65:23] Afsluiting Chai verwijst luisteraars naar de website van Abridge voor hun white papers over hallucination reduction, evals en de rest van de onderzoeksstack. swyx en Jacob sluiten af met dank en slotwoorden. > *"Op de Abridge-website hebben we veel white papers over interessant werk, zoals het verminderen van hallucinaties."* — Chai Asawa ## Entiteiten - **Janie Lee** (Persoon): Operator uit de oprichtingsperiode van Abridge; product- en commerciële kant van de klinische intelligentielaag. - **Chai Asawa** (Persoon): Hoofd klinische beslissingsondersteuning bij Abridge; eerder werkzaam bij Glean. - **swyx** (Persoon): Host van Latent Space. - **Jacob Effron** (Persoon): Partner bij Redpoint Ventures; host van de Unsupervised Learning-podcast. - **Abridge** (Organisatie): Healthcare AI-bedrijf dat de klinische intelligentielaag bouwt — begonnen met ambient documentatie, nu uitbreidend naar beslissingsondersteuning, voorafgaande machtiging, evals en EHR-integratie. - **Glean** (Organisatie): Enterprise AI-zoekbedrijf; aangehaald als Chai's vorige werkgever en als horizontaal-versus-verticaal contrast met Abridge. - **Redpoint Ventures** (Organisatie): Durfkapitaalbedrijf; investeerder in Abridge en thuisbasis van de Unsupervised Learning-crossover. - **EHR (Electronic Health Record)** (Concept): Het registratiesysteem waarop zorginstellingen draaien; in Chai's framing functioneert het EHR als een bestandssysteem voor zorgagents. - **Voorafgaande machtiging** (Concept): Een kerntoepassing van Abridge: weken durende afwijzingen van verzekeraars omzetten in realtime begeleiding tijdens het consult. - **LFD-proces** (Concept): De interne, door clinici geleide eerste review bij Abridge, gebruikt om LLM-judges te kalibreren en evalcriteria te definiëren. - **Clinicus-wetenschapper** (Concept): Een Abridge-rol: artsen die ook technisch zijn, ingebed in product- en evalteams. - **Gefaseerde uitrol** (Concept): Abridge's uitrolstrategie: uitbrengen naar een deel van het echte verkeer om de offline distributie eerlijk te houden, gemodelleerd naar het uitrolpatroon van zelfrijdende auto's. - **Claude Code** (Software): AI-coderingstool die intern bij Abridge wordt gebruikt. - **Cursor** (Software): AI-code-editor die intern bij Abridge wordt gebruikt.

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.

Mikey Shulman, co-founder of Suno, discusses the platform's evolution from a physics-based startup to a leader in generative AI music. By modeling music as raw sound waves rather than traditional theory, Suno empowers users to transition from passive listeners to active creators in the era of 'creative entertainment.' ## [00:00] Physics, Raw Sound, and Technical Philosophy Mikey Shulman explains how his background in quantum physics at Harvard influenced Suno's interdisciplinary approach to music technology. By modeling audio as raw sound waves sampled 48,000 times per second rather than using traditional music theory, Suno avoids creative constraints and allows for the emergence of new, microtonal genres. > *I think what I mostly learned is playing at the nexus of two things that don't usually play together is just a massive opportunity. [02:00]* ## [02:15] The Pivot to Consumer Music Generation Initially focused on audio analysis, the Suno team pivoted to generation after breakthroughs in audio compression made high-quality output computationally feasible. They validated the product's 'fun factor' through a Discord bot, discovering that the addictive nature of creation was a stronger signal than traditional business use cases. > *When you are staying up late playing with the thing, and you don't want to go to sleep, it's like a really good sign. [04:49]* ## [11:41] Why Music AI is a Research Problem, Not a Scale Problem Unlike Large Language Models, music generation lacks objective benchmarks, making raw compute scale less effective than targeted research. Shulman emphasizes using human preference data and reinforcement learning to align models with creative tastes, favoring a steady release cadence over long-term isolated development. > *In music there are no right answers. There are no benchmarks. Um, and so scale is somewhat less helpful in solving it. [12:28]* ## [16:22] From Passive Consumption to Creative Entertainment Shulman introduces the concept of 'creative entertainment,' where the act of building provides more fulfillment than the final product itself. He notes that 90% of Suno users are active creators, drawing parallels to the 'bedroom producer' era where accessible tools led to the discovery of new genres. > *People are creating music for the fun and enjoyment and fulfillment that comes with being creative. [17:05]* ## [22:52] Industry Partnerships and Professional Integration Addressing industry concerns, Shulman highlights Suno's partnership with Warner Music Group and its role in augmenting professional workflows. He argues that AI will raise the quality ceiling for artists and predicts that interactive live performances, such as audience participation at Coachella, are the next frontier. > *I think people incorrectly assume that we hate the existing music industry and especially we hate the record labels. [23:17]* ## [25:53] Product Strategy and the Application Moat Suno prioritizes the application layer and user experience as its primary competitive moat, viewing itself as a music company rather than just a technology firm. By focusing on storytelling through full-length lyrical songs and social co-creation features, the company aims to revive the cultural impact of music as a social medium. > *It's unclear how much moat exists in only a model... it's just really undervalued to invest in the product and the UI and the UX. [26:50]* ## Entities - **Mikey Shulman** (person): CEO and co-founder of Suno with a PhD in physics from Harvard. - **Suno** (organization): An AI-powered creative entertainment platform for music generation. - **Sonya Huang** (person): Partner at Sequoia Capital and host of the interview. - **Warner Music Group** (organization): A major global record label that partnered with Suno. - **Discord** (organization): The platform where Suno initially launched its music generation bot. - **Harvard** (organization): The university where Mikey Shulman studied quantum computing. - **Iamona** (person): A poet and artist who uses Suno to create music, illustrating the tool's professional potential. - **Coachella** (event): A major music festival cited as a future venue for interactive AI music experiences.

De VS heeft een achterstand van 50 jaar op China in kritieke mineralentoevoer, en het elektriciteitsnet draait nog steeds op mechanische systemen die een eeuw geleden zijn ontworpen. Turner Caldwell (Mariana Minerals) en Drew Baglino (Heron Power) — beiden ex-Tesla — betogen dat het dichten van die kloven de echte voorwaarde is voor AI-dominantie en industriële re-onshoring. Caldwell zet in op reinforcement learning-gedreven autonome raffinaderijen en mijnen om projecttijdlijnen van een decennium te comprimeren tot iets verdedigbaars; Baglino zet in op vaste-stof transformatoren — silicium en software die staal, olie en koper vervangen — om vermogensomzetting bij datacenters en grootschalige energie-installaties te moderniseren. Beiden komen tot dezelfde conclusie: co-gelokaliseerde toeleveringsketens, werving uit analoge industrieën en duurzaam federaal industriebeleid waarop privaat kapitaal daadwerkelijk kan plannen. ## [00:00] Introductie De aflevering opent met drie kernachtige stellingen die de strijd bepalen: Caldwell stelt dat de VS 50 jaar achterloopt op kritieke mineralentoevoer en te traag is om capaciteit op te schalen zelfs na vergunningverlening; Baglino merkt op dat de transmissie- en omzettingslaag van het net geen betekenisvolle verandering heeft gezien terwijl alles aan de rand ervan — EV's, opslag, snel laden — is getransformeerd; Price-Wright beschouwt beide als oplosbaar met hetzelfde techno-optimisme dat Tesla toepaste op elektrische voertuigen. > *"Het geloof dat je kunt innoveren in systemen die oud en verouderd zijn, dat zit in de kern van het bedrijf."* — Turner Caldwell ## [00:47] AI heeft fysieke infrastructuur nodig Price-Wright opent het hoofdsegment door de categorievergissing te benoemen die aan de basis ligt van de meeste AI-race-commentaar: de concurrentie gaat niet tussen modellen en chips, maar tussen fysieke uitbouwcapaciteiten. Every baanbrekend model, elke nieuwe fabriek en elk autonoom systeem heeft een echte vereiste in de werkelijke wereld — materialen, energie en het vermogen om elektriciteit te verplaatsen naar waar het nodig is. Netoverbelasting is geen plafond maar een oproep tot actie, vergelijkbaar van omvang met de nationale projecten waarrond Amerika zich eerder heeft verenigd. > *"Als we de industriële ruggengraat van de Verenigde Staten willen herbouwen, moeten we de hele stapel opnieuw doordenken, van kritieke mineralen tot energieopwekking, transmissie en hoe we nieuwe infrastructuur bouwen en verbinden op de snelheid die nodig is."* — Erin Price-Wright ## [02:23] De bouwers stellen zich voor Price-Wright stelt de twee gasten voor als bouwers die tegenovergestelde uiteinden van de fysieke stapel bestrijken: Caldwell van de aardkorst omhoog via raffinage, Baglino van de draad via de transformator naar de belasting. De framing scherpt de these van de aflevering aan: Amerika's AI-toekomst wordt beperkt door atomen, niet door algoritmen, en beide oprichters kozen die beperkingen bewust nadat ze hadden gezien hoe de rand van het net transformeerde terwijl de infrastructuur eronder dat niet deed. > *"De beperking voor Amerika's AI-toekomst, en herindustrialisering in bredere zin, ligt in veel opzichten bij atomen en niet bij algoritmen."* — Erin Price-Wright ## [03:11] Mariana Minerals uitgelegd Mariana Minerals is een software-first mijnbouw- en raffinagebedrijf voor kritieke mineralen — ongeveer een kwart van het team bestaat uit software- en ML-engineers — maar het verkoopt geen software. Het ontwikkelt, bouwt en beheert zijn eigen projecten. Caldwell beschrijft drie besturingssystemen: Capital Project OS automatiseert agentische workflows in engineering, inkoop en bouw; Plant OS gebruikt reinforcement learning om raffinaderijtemperaturen, doorstroomsnelheden, chemische toevoersnelheden en verblijftijden autonoom te regelen; Mine OS past dezelfde RL-aanpak toe voor kortetermijn autonoom beheer van mijnoperaties. Een kopermijn in het zuidoosten van Utah produceert momenteel hoogzuiver koper; een lithiumraffinaderij in Texas is in aanbouw, met als doel 10 projecten in 10 jaar. > *"We zetten groot in op autonomie in raffinaderijen, waarbij we reinforcement learning gebruiken om mensen daadwerkelijk uit de besluitvorming te halen over hoe raffinaderijen werken."* — Turner Caldwell ## [04:19] Heron Power's netupgrade Baglino traceert het probleem terug naar een divergentie van vier decennia: Moore's Law-equivalent verbeteringen in vermogenshalfgeleiders hebben telefoons, telecom en datacenters getransformeerd, maar het elektriciteitsnet zelf draait nog steeds op dezelfde grotendeels mechanische systemen die meer dan 100 jaar geleden zijn ontworpen. Geen controle, geen monitoring, een overgebouwd breekbaar systeem — en de meeste transformatorleveranciers zijn in het buitenland gevestigd, wat Baglino beschouwt als een toeleveringsketen-veiligheidsprobleem, niet slechts een zakelijke kans. Heron Power bouwt vaste-stof transformatoren die staal, olie en koper in vermogensomzetting vervangen door silicium en software, gericht op datacenters, grootschalige zonne- en batterij-installaties en andere kritieke netknooppunten. > *"Bij Heron Power zijn we gericht op het bouwen van vaste-stof transformatoren om silicium en software te gebruiken om staal, olie en koper in vermogensomzetting te vervangen."* — Drew Baglino ## [05:31] Waarom onshoring ertoe doet Baglino traceert silicon carbide — de sleutelhalfgeleider die vaste-stof transformatoren mogelijk maakt — terug naar decennia van DOE- en Marine-onderzoek, en betoogt dat de VS als eerste de technologie moet commercialiseren die met Amerikaans geld is ontwikkeld; dit aan andere landen afstaan betekent het volledige voordeel van dat onderzoek weggeven. Caldwell scherpt de mineralencasus aan: de VS heeft specifiek een achterstand van 50 jaar op China, niet alleen wereldwijd, en vergunninghervormingen plus projectfinanciering alleen dichten die kloof niet. De bottleneck is uitvoeringssnelheid na vergunningverlening — 5 jaar bouwen, nog eens 3 tot 5 jaar om op operationeel niveau te komen — en de hele these van Mariana is het comprimeren van die fase, omdat inhalen vereist dat je China overtreft, niet alleen bijhoudt. > *"Zelfs als we de lasten verlagen om China bij te houden, moeten we daadwerkelijk sneller gaan dan China."* — Turner Caldwell ## [07:48] Tesla-lessen en personeel Caldwell noemt drie overdraagbare troeven van Tesla: techno-optimisme ten opzichte van verouderde systemen, risicobereidheid die snelle beslissingen mogelijk maakt zonder angst voor mislukking, en institutionele weigering om hoogwaardige projecten op te geven als ze moeilijk worden. Baglino voegt daar de do-or-die financiële inzetten aan toe die hele organisaties focussen — "ik haat het om te zeggen alles of niets, maar het is er gelijkwaardig aan" — en missieduidelijkheid als talentenbaak waarmee je al van de besten kunt kiezen. Over personeel kijken beide oprichters naar analoge industrieën in plaats van te wachten op niet-bestaande specialisten: Baglino wierf batterijproductiemedewerkers van hogesnelheids-bottelbedrijven en spuitenfabrieken bij het bouwen van de 4680-programma's 50 GWh Texas-fabriek; Caldwell trekt olie-en-gas-engineers en softwareontwikkelaars aan die routing-achtige optimalisatie-algoritmen schrijven voor mijnbouw. Het loonverschil tussen Amerikaanse en Chinese fabrieken is minder dan 10% van de kostprijs — Baglino betoogt dat het zelfs onder 5% kan liggen — en de echte concurrentiedrijver zijn co-gelokaliseerde toeleveringsketens, waarbij China's industriezones elk auto-onderdeel binnen 3 uur rijden plaatsen. > *"De fabrieken van vandaag zijn sterk geautomatiseerd. Het loonverschil is minder dan 10% van de kostprijs. Wat de concurrentie werkelijk drijft, is de toeleveringsketen."* — Drew Baglino ## [21:09] Beleidswensen en afsluiting Caldwell vraagt om het volledige mineralen-beleidsgereedschap dat de afgelopen 50 jaar voor olie en gas is toegepast — geen cherry-picked items — verankerd door een prikkelstructuur die particuliere kapitaalmarkten genoeg langetermijnmarktvertrouwen geeft dat het tapijt niet wordt weggetrokken onder een industrie die in 30 jaar niet domestisch is uitgebouwd. Baglino noemt drie specifieken: duurzaam industriebeleid waarop leveranciers en financiers kunnen plannen; een geconcerteerde federale-statelijke inspanning om energie- en productie-uitbouwzones aan te wijzen waar lokale jurisdicties standaard ja zeggen in plaats van redenen te zoeken om te blokkeren; en een federaal snelwegtrustfonds-equivalent voor het elektriciteitsnet — een gefinancierd masterplan dat productiezone verbindt via lineaire transmissie-infrastructuur om veerkracht te verbeteren, kosten te verlagen en de natie vooruit te helpen. > *"Ik ben voorstander van het idee van een federaal snelwegtrustfonds voor het elektriciteitsnet. Dat heeft nooit bestaan. Dat is min of meer waarom we dit lappendeken hebben."* — Drew Baglino ## Personen - **Turner Caldwell** (Persoon): Mede-oprichter en CEO van Mariana Minerals; leidde Tesla's mineralen- en metalenteam; architect van autonoom raffinaderij- en mijnbeheer via reinforcement learning. - **Drew Baglino** (Persoon): Mede-oprichter en CEO van Heron Power; 18-jarig Tesla-veteraan als SVP Powertrain & Energy Engineering; bouwde het Megapack-programma en de 4680 50 GWh batterijeninstallatie in Texas. - **Erin Price-Wright** (Persoon): General Partner bij a16z (American Dynamism practice); gastheer van de aflevering. - **Mariana Minerals** (Organisatie): Software-first bedrijf voor de winning en raffinage van kritieke mineralen; beheert een kopermijn in het zuidoosten van Utah en bouwt een lithiumraffinaderij in Texas; streeft naar 10 projecten in 10 jaar. - **Heron Power** (Organisatie): Startup in vermogenselektronica die mechanische netomzettingsapparatuur vervangt door vaste-stof transformatoren gebouwd uit silicium en software. - **Tesla** (Organisatie): Gemeenschappelijke oorsprong voor beide oprichters; aangehaald als de maatstaf voor techno-optimisme, risicobereidheid en missie-gedreven talent in harde industriële sectoren. - **Silicon Carbide** (Concept): Sleutelhalfgeleider die vaste-stof transformatoren mogelijk maakt; de toonaangevende wereldproducent is gevestigd in de VS, wat binnenlandse commercialisering tot een strategische prioriteit maakt die Baglino centraal stelt bij Heron. - **Reinforcement Learning voor industriële controle** (Concept): Kerntechnologie die ten grondslag ligt aan Mariana's Plant OS en Mine OS — verwijdert de ingebedde vakkennis-bottleneck van schaarse menselijke operators door raffinagecircuits en kortetermijn mijnbeslissingen autonoom af te stemmen. - **Co-gelokaliseerde toeleveringsketens** (Concept): Baglino's primaire argument voor de concurrentiepositie van Amerikaanse productie — het verminderen van logistieke tijd en kosten door alle inputs in een regio te clusteren, naar het model van China's industriezones waar elk onderdeel voor een auto van 7.000 onderdelen binnen 3 uur rijden ligt.

Noah Brier draait Claude Code op een mini-pc in zijn kelder, gesynchroniseerd met zijn Obsidian vault via een Tailscale VPN, en doet echt denkwerk, onderzoek en klantcode gewoon vanaf zijn telefoon. Het gesprek gaat over hoe hij deze stack heeft gebouwd, waarom hij strikte "denkmodus"-guardrails hanteert om te voorkomen dat het model te snel artifacts gaat maken, en zijn bredere these dat AI slaagt door in de organisatorische nokken en kieren te kruipen in plaats van te eisen dat mensen nieuwe structuren overnemen. Dan Shipper en Noah werken ook uit wat het opbouwen van AI-intuïtie echt betekent, en waarom Noah denkt dat kinderen voorbereiden op AI minder gaat over spieken bewaken en meer over epistemische scepsis aanleren. ## [00:00] Noah Briers Claude Code-setup op een kelder-server Dan Shipper opent de aflevering met een beschrijving van de setup die Noah de moeite waard maakt: een thuisserver in de kelder waarop Claude Code draait bovenop een Obsidian vault, overal bereikbaar via telefoon. Noah heeft dit zo ingericht dat hij kan denken, onderzoeken, schrijven en code shippen zonder aan een bureau te zitten. > *"Hij heeft een thuisserver in zijn kelder ingericht, zijn Obsidian vault daarin gezet en draait Claude Code erop, zodat hij kan denken, onderzoeken, schrijven en zelfs code shippen gewoon vanaf zijn telefoon."* ## [00:52] Introductie Dan en Noah praten bij na zo'n vijf jaar. Noah's achtergrond omvat merkstrategie (hij was medeoprichter van Percolate), AI-consultancy bij Alephic en de BRXND.AI-conferentie. Dan richt het interview op de praktische stack die Noah heeft gebouwd in plaats van abstracte AI-discussie. > *"Ik ben blij dat je er bent. Het is echt fijn om bij te praten. Dit is ons eerste interview in waarschijnlijk zo'n vijf jaar."* ## [02:10] Hoe je diep werk kunt doen op je telefoon Noah verduidelijkt meteen dat zijn setup minder "vibe coding" is en meer gestructureerd kenniswerk. Hij heeft Evernote losgelaten voor Obsidian omdat markdown-bestanden en mappen hem iets geven waarmee Claude Code echt kan werken. Zijn voornaamste gebruik van Claude Code is interactie met zijn notities, niet het genereren van code. En de telefoonautomatisering van die setup heeft zijn werkpatronen fundamenteel veranderd. > *"Mijn nummer één gebruik van Claude Code is het als een tool inzetten om met mijn notities te werken."* ## [05:30] Waarom Noah denkt dat Grok de beste voice AI heeft Noah geeft de voorkeur aan Grok's voicemodus boven die van OpenAI en Gemini: Gemini was niet slim genoeg, en de oude GPT-4o-stem was voor zijn doeleinden onbruikbaar. Hij gebruikte het op een vijf uur durende solorit om een artikel over Transformers door te werken, via Bluetooth als een persoonlijke onderzoekspodcast. Het gesprek brengt een gedeelde frustratie aan het licht: voicemodellen doen nog steeds geen goede tool calling of webonderzoek, wat hun bruikbaarheid voor serieus intellectueel werk beperkt. > *"Ik deed zo'n uur sessie en het was veruit de beste uitleg die ik ooit heb gelezen of gehoord, denk ik."* ## [11:11] De technische details van Noah's Claude Code-Obsidian setup Noah doorloopt live zijn Obsidian-map op het scherm. Claude Code staat in de Obsidian-rootmap, zodat het toegang heeft tot het volledige notitiearchief. Voor een talk die hij voorbereidt voor BRXND.AI, over het Simple Sabotage Field Manual uit de Tweede Wereldoorlog en wat het zegt over bureaucratie in grote organisaties, heeft hij een projectmap aangemaakt in Obsidian met transcripts van chats met ChatGPT, Claude en Grok, naast artikelen en PDFs. Claude's taak in dit stadium is niet de talk schrijven maar helpen nadenken: notities ophalen, dagelijkse voortgang samenvatten en verhelderende vragen stellen. Hij stelt denkmodus-beperkingen expliciet in de CLAUDE.md-frontmatter van het project. > *"Ik zit in de denkmodus, nog niet in de schrijfmodus. Er zijn dingen waarbij ik Claude Code specifiek heb verteld, ik denk dat het in de frontmatter staat, dat het me nu niet moet helpen iets te schrijven."* ## [26:05] Een agent in Claude Code gebruiken als denkpartner Noah stelt dat het woord "generatief" heeft vertekend hoe mensen AI gebruiken: iedereen focust op het vermogen om artifacts te produceren, bijna niemand spreekt over hoe bijzonder het lesvermogen is. Hij houdt er een toegewijde denkpartner-agent op na met expliciete guardrails: "Maak geen schema's, concepten of versies van talks of schrijfwerk." De agent noteert vragen, volgt opkomende inzichten bij en bouwt een lopend logboek op zodat Noah precies kan doorgaan waar hij gebleven was na een pauze. Hij traceert een draad van ChatGPT-deep-research over Wild Bill Donovan naar een prille idee over hoe de parallelliteit van de transformerarchitectuur lijkt op de operationele autonomie van Special Forces. > *"Ik denk dat, mede omdat we het generatief noemen, er veel te veel focus is op het vermogen om te schrijven en veel te weinig op het vermogen om te lezen."* ## [30:23] Noah's Thomas' English Muffin-theorie van AI Het hoofdstuk opent met Noah's bureaucratiethese: grote ondernemingen falen niet bij het adopteren van software omdat ze lui zijn, maar omdat nieuwe software historisch eiste dat organisaties zich eromheen herstructureerden. AI, zo stelt hij, is anders. Het kruipt in de nokken en kieren van hoe mensen al werken, vandaar zijn Thomas' English Muffin-metafoor. Dan voegt een concreet voorbeeld toe vanuit Every: twee producten op verschillende stacks moesten een bestandszoekoplossing delen, en Claude Code liet ze logica hergebruiken zonder een gemeenschappelijk framework op te leggen. Het gesprek verbreedt zich naar Noah's idee van "bureaucratie als positionele codering", een half uitgewerkte analogie tussen transformerarchitectuur en organisatiehiërarchie die hij nog uitwerkt voor zijn talk. > *"Ik noem het mijn Thomas' English Muffin-theorie van AI, namelijk dat het in de nokken en kieren kruipt."* ## [39:47] De witte ruimte die nog te verkennen is in AI Noah en Dan stellen dat de meeste beoefenaars, ook goed gefinancierde, nog steeds werken met broze intuïties over wat deze modellen echt kunnen. Noah's ijsbreker bij elk klantgesprek is: "Wat was jouw aha-moment met AI?" omdat dat moment van niet-determinisme, dezelfde vraag twee keer stellen en twee verschillende antwoorden krijgen, echt nieuw is en tijd kost om te internaliseren. Hij leent het omgekeerde-fietsexperiment van Destin Sandlin om het punt te maken: motorische intuïtie en conceptuele intuïtie zijn gescheiden, en je kunt het opbouwen ervan niet overslaan. Dan stelt daar tegenover dat taalmodellen zelf misschien de woordenschat genereren die we missen voor redeneren over probabilistische systemen. > *"We zijn niet gewend aan het gebruik van dingen waarbij je twee keer dezelfde vraag stelt en twee verschillende antwoorden krijgt."* ## [48:44] Hoe Noah zijn kinderen voorbereidt op AI Noah's dochter van tien bouwde een sinterklaas-app met Claude die haar per ongeluk data-modellering bijbracht: ze besefte dat ze "groepen" nodig had in plaats van "volwassenen en kinderen" om de logica te generaliseren. Dat verhaal verankert een breder argument: de taak van opvoeders is niet AI-gebruik te voorkomen maar leerlingen ervan te overtuigen dat onderliggende vaardigheden het leren waard zijn. Hij pitch een NYU-college dat "Code is Essay" heet voor het najaar van 2026, en denkt dat de relevante meta-vaardigheid epistemische scepsis is: meer wantrouwen tegenover informatie die je eigen ideeën bevestigt, niet minder. > *"Ik denk niet echt dat je taak is om deze kinderen te leren schrijven, want dat is een levenslang streven. Ik denk dat je taak is om ze ervan te overtuigen dat het de moeite waard is om te leren schrijven."* ## [01:00:06] Hoe hij zijn Claude Code-setup naar mobiel heeft gebracht Noah demonstreert live de volledige mobiele stack: Termius (SSH-client op iPhone), Tailscale VPN die verbindt met de kelder-mini-pc, Obsidian gesynchroniseerd via privé-GitHub, Claude Code draaiend in de terminal. Hij laat zien hoe hij Claude vraagt "wat is er de afgelopen twee dagen nieuw?" en een synthese van zijn recente Obsidian-activiteit ontvangt. Hij repareerde ook een gebroken link op zijn conferentiesite vanaf zijn telefoon: bevestigde de bug, liet Claude een PR pushen, klaar. Zijn huidige tinkering strekt zich uit tot Simon Willison's `llm` CLI-tool en een script dat alle bijlagebestanden in zijn Obsidian vault hernoemt en de linktabel herbouwt. > *"Ik ging buiten zitten en daarna hadden we een project dat geleverd moest worden aan een klant en er moest een kleine wijziging worden gemaakt. Ik vertelde Claude Code precies waar het moest kijken, bevestigde dat het probleem was wat ik dacht dat het was, en liet het gewoon een oplossing pushen. Het pushte een PR en ik was klaar."* ## Personen - **Dan Shipper** (Persoon): CEO en medeoprichter van Every; host van het interview - **Noah Brier** (Persoon): Medeoprichter van Percolate; oprichter van Alephic AI-strategieconsultancy; organisator van BRXND.AI-conferentie - **Every** (Organisatie): Media- en softwarebedrijf dat deze podcast produceert - **Alephic** (Organisatie): Noah's AI-strategieconsultancy; werkt met Fortune 50-klanten waaronder Amazon, Meta en PayPal - **BRXND.AI** (Organisatie): Jaarlijkse conferentie op het snijvlak van marketing en AI, georganiseerd door Noah; editie 2025 in New York City op 18 september - **Claude Code** (Software): Anthropic's agentische codetool; centraal in Noah's tweede-brein en mobiele workflow - **Obsidian** (Software): Markdown-gebaseerde notitie-app; Noah's primaire kennisarchief, georganiseerd via de PARA-methode - **Tailscale** (Software): Mesh VPN gebruikt om Noah's telefoon veilig te verbinden met zijn kelder-mini-pc - **Termius** (Software): iOS SSH-client die Noah gebruikt om zijn thuisserver vanaf zijn telefoon te bereiken - **Grok** (Software): xAI's AI-assistent; Noah beschouwt de voicemodus als significant beter dan die van OpenAI en Gemini voor serieus onderzoek - **Simple Sabotage Field Manual** (Concept): OSS-document uit de Tweede Wereldoorlog dat Noah opnieuw heeft uitgegeven; gebruikt als lens op moderne organisatorische bureaucratie in zijn BRXND.AI-talk - **Thomas' English Muffin-theorie** (Concept): Noah's metafoor voor hoe AI slaagt door in bestaande organisatorische workflows te passen in plaats van herstructurering te eisen

Charles Koch en zijn zoon Chase zitten samen met David Friedberg om te vertellen hoe Koch Inc. 9.000 keer in waarde groeide, van een oliebedrijf met 300 mensen in Oklahoma in 1961 tot een privé-conglomeraat met 130.000 medewerkers actief in energie, chemie, bosproducten, consumentenproducten en risicokapitaal, zonder ooit naar de beurs te gaan. Het gesprek draait om Principle-Based Management (PBM): het raamwerk van 41 principes dat elke aanwerving, acquisitie en cultuuromslag bij Koch stuurt. Charles en Chase reageren ook op de politiek beladen reputatie die de naam Koch heeft gekregen en leggen uit hoe ze zijn overgestapt van partijgebonden libertarische politiek naar de bredere Stand Together-coalitie die zich richt op onderwijshervorming en menselijke ontplooiing. Het gesprek eindigt met AI en kapitalisme: beiden zien permissieloos innoveren en bottom-up empowerment als de enige geloofwaardige weg door de economische druk die voor ons ligt. ## [00:00] David Friedberg verwelkomt Charles & Chase Koch David Friedberg opent het gesprek op een Forbes-evenement en merkt op dat hij en Chase Koch elkaar kennen sinds 2013 via de landbouwsector en sindsdien zakenpartners zijn. Hij typeert Koch Inc. als "het onvertelde verhaal" van het Amerikaanse bedrijfsleven: vermoedelijk het meest winstgevende privé-familiebedrijf ter wereld, maar nagenoeg onzichtbaar vergeleken met beursgenoteerde tijdgenoten. De opening stelt ook de verwachtingen voor het All-In-publiek: een zeldzaam uitgebreid gesprek met zowel de voorzitter als de president van de volgende generatie bij Koch Inc., live opgenomen. > "Ik heb altijd het gevoel gehad dat Koch Industries dat onvertelde verhaal was, waarschijnlijk het meest winstgevende privé-familiebedrijf ter wereld." > — David Friedberg ## [01:04] Koch Inc. in Vogelvlucht: Schaal, Activiteiten & Geschiedenis Friedberg geeft de statistische basis: als Koch beursgenoteerd zou zijn, zou de omzet het gemakkelijk in de top 25 van de Fortune 500 plaatsen. Opgericht in 1940 door Fred Koch in Wichita, Kansas, opereert het bedrijf nu in 60 landen met meer dan 120.000 medewerkers in energie, landbouw, chemie, bouwproducten, consumentenproducten, cloud computing en een actieve minderheidsportefeuille. Koch herinvesteert 90% van de winst terug in het bedrijf, een structurele keuze die het onderscheidt van beursgenoteerde bedrijven die optimaliseren voor kwartaalwinsten. Charles geeft aan waar het gesprek echt over zal gaan: niet over omzetmijlpalen, maar over de principes en de mislukkingen die duurzame groei mogelijk maakten. > "Een heel uniek bedrijfsmodel, met principes rond ontwrichtende innovatie, het herinvesteren van 90% van de winst in nieuwe activiteiten en groei, en meritocratische waarden." > — David Friedberg ## [02:21] Het Bedrijf Opbouwen: De Begindagen & Charles Koch Treedt Toe (1961) Charles Koch trad in 1961 op 25-jarige leeftijd toe tot het familiebedrijf, vers van MIT en een periode bij adviesbureau Arthur D. Little. Zijn vader Fred's ultimatum was direct: "Ofwel kom je terug om het bedrijf te leiden, ofwel moet ik het verkopen, want mijn gezondheid is slecht, de bedrijven doen het niet goed en ik heb niet lang meer." Het bedrijf had destijds zo'n 300 medewerkers, twee kernactiviteiten en aanzienlijke operationele problemen. Vroege lessen kristalliseerden een kernprincipe van Koch: groei gericht op capaciteiten, niet op bedrijfstak. Het fractioneerschotelsbedrijf faalde deels omdat de president top-down stuurde en zowel ingenieurs als klanten van zich vervreemdde. Charles begon niet meer te vragen "in welke sector zitten we?" maar "wat kunnen we beter dan wie ook, en waar in de waardeketen levert dat de meeste waarde op?" Die heroriëntering, keer op keer toegepast door de decennia heen, verklaart de schijnbaar ongerelateerde reeks sectoren die Koch later betrad. > "Zoon, ofwel kom je terug om het bedrijf te leiden, ofwel moet ik het verkopen, want mijn gezondheid is slecht, de bedrijven doen het niet goed en ik heb niet lang meer." > — Charles Koch, zijn vader Fred Koch citerend ## [11:31] Mislukkingen, Creatieve Destructie & Leren van Fouten Charles opent met een provocatie: "Als je nergens faalt, doe je niets nieuws." Hij vertelt over vroege verliezen, waaronder een mislukte poging om petroleumcokes om te zetten in geactiveerde koolstof, en een patroon van het betreden van sectoren zonder de nodige onderliggende capaciteiten. Het echte leren kwam van het diagnosticeren van waarom elke mislukking plaatsvond, bijna altijd een schending van een van Kochs bedrijfsprincipes. Chase voegt de capaciteitsportefeuillelens toe: Kochs uitbreiding van ruwe-olieverzameling naar aardgas, chemie, meststoffen en uiteindelijk bosproducten was geen willekeurige diversificatie, maar dezelfde onderliggende capaciteiten gericht op nieuwe toepassingen. Hij beschrijft ook Koch Disruptive Technologies (KDT), dat hij oprichtte, als een structureel experiment dat moeilijk consistent winstgevend te maken bleek. De beslissing om te stoppen of bij te sturen, zegt Charles, draait uiteindelijk op één test: hebben we het vermogen verloren om superieure waarde te creëren voor klanten op een manier waarvoor we beloond worden? > "Wanneer we ons gat breed genoeg hebben verloren, dan is genoeg genoeg. Wanneer we besluiten dat we niet de capaciteit hebben om superieure waarde te creëren voor onze klanten." > — Charles Koch ## [19:22] Cultuur & Principle-Based Management Dit is het intellectuele hart van de aflevering. Charles tracert de oorsprong van het PBM-systeem naar Kochs ergste mislukkingen, die allemaal een gemeenschappelijke oorzaak hadden: mensen met slechte waarden promoveren tot leidinggevenden. Twee bijna-catastrofale voorbeelden vallen op: een roekeloze handelsoperatie die het bedrijf bijna bankroet stuurde tijdens de Midden-Oostenoorlog van 1973, en een latere episode waarbij "destructief gemotiveerde" leiders mislukkingen verborgen terwijl ze successen verzonnen. Het tegengif was: eerst waarden aannemen, dan talent, en een cultuur opbouwen waarbij bijdragemotivatie, willen slagen door anderen te helpen slagen, het streven naar macht verdringt. Chase breidt dit uit met een formulering die recht op de kern afgaat: wat als iedereen in het bedrijf precies wist wat te doen zonder het te worden gezegd? Dat is de beoogde toestand die PBM wil bereiken. De veranderingsstrategie vermijdt top-down mandaten: vind de subgroep die het meest bereid is de principes te proberen, laat resultaten zien en laat de vraag de transformatie door de rest van de organisatie trekken. Collectieve kennis vervangt het oordeel van een paar slimme mensen aan de top. > "Wat als je een bedrijf en een cultuur zou kunnen hebben, klein, middelgroot of groot, waar iedereen wist wat te doen zonder het te worden gezegd?" > — Chase Koch ## [33:53] De Overname van Georgia-Pacific & Cultuuromslag De overname van Georgia-Pacific in 2005 was Kochs grootste gok op dat moment: "een enorme gok", zegt Chase, toen het bedrijf veel kleiner was. Charles legt de logica uit: Koch zag Georgia-Pacifics grondstoffenactiviteiten in pulp en papier als een natuurlijke uitbreiding van zijn chemische proceskapaciteiten, een verbinding die terugging tot de MIT-scriptie van Fred Koch over pulpproductie in Maine. Ze stelden aanvankelijk voor alleen de grondstofactiviteiten te kopen; toen die deal niet kon worden gesloten vanwege lopende rechtszaken, boden ze aan het gehele bedrijf te kopen. Wat volgde was een jarenlange cultuuromslag van een 51 verdiepingen tellend Atlantahoofkwartier gebouwd op top-down bureaucratie. Koch verving de leiding, beloonde medewerkers die inefficiënties opspoorden en oplosten, en deelde kostenbesparingen met vakbondsleden die ze vonden. Chase beschrijft zijn eigen jaren in de frontlinie van Kochs operaties, wonend in een enkelbrede caravan op een feedyard, werkend in een gasvloeistoffeninstallatie, als fundering voor geloofwaardig leiderschap later. Cultuurverandering duurt altijd veel langer dan een overnemer verwacht, en vereist bijna altijd het vervangen van de leidinggevenden die het oude paradigma in stand houden. > "Het duurt een stuk langer dan je denkt om de cultuur te veranderen, en in bijna elk geval vereist het het vervangen van het leiderschap dat het paradigma van bottom-up empowerment heeft." > — Chase Koch ## [56:17] Onderwijshervorming & Maatschappelijke Verandering Stand Together, het filantropische netwerk dat Charles al 60 jaar opbouwt onder verschillende namen, is inmiddels een van de grootste filantropische organisaties van de Verenigde Staten. Chase leidt origination en partnerships en herformuleert de missie: niet politieke belangenbehartiging, maar de Koch-principes toepassen op maatschappelijke uitdagingen, te beginnen met onderwijs. COVID-19 verschoof de publieke opinie sterk: voor 2020 stond zo'n 20% van de gezinnen open voor alternatieven voor traditioneel onderwijs; nadat kinderen meer leerden van YouTube dan van Zoom-lessen, steeg dat cijfer sterk. Stand Together heeft sindsdien meer dan 5.000 microscholen helpen opzetten. Partnerprogramma's zoals de Alpha School van Joe Limont gebruiken gamificatie en projectgebaseerd leren om falende leerlingen in drie maanden naar de top van de klas te brengen. Chase past ook het principe van comparatief voordeel op zichzelf toe: hij ontsloeg zichzelf als president van Koch Fertilizer toen hij besefte dat iemand anders dat comparatieve voordeel had, en gebruikt diezelfde lens om rollen te herontwerpen in Kochs personeelsbestand van 130.000 mensen. > "Voor COVID stond zo'n 20% van de gezinnen open voor een nieuw onderwijsmodel. Iedereen zag tijdens COVID hoe krom het systeem was. Hun kinderen hadden op YouTube meer geleerd dan in de klas." > — Chase Koch ## [72:37] AI, Economische Uitdagingen & de Toekomst van het Kapitalisme Friedberg daagt Charles uit om rekenschap te geven van de politieke beeldvorming rondom Koch, de decennia van betrokkenheid bij de Libertarische Partij en de uiteindelijke omschakeling naar de bredere coalitie van Stand Together. Charles is openhartig: hij bracht te veel jaren door met alleen mensen die het in alles met hem eens waren, waardoor zijn bereik beperkt bleef. Viktor Frankls inzicht, "steeds meer mensen hebben de middelen om te leven maar geen betekenis om voor te leven", richtte zijn denken opnieuw in op de motivationele wortels van maatschappelijke afbraak, in plaats van louter politieke remedies. De les: de strategieën voor vrijheid kunnen niet lenen van totalitarisme; het zuiverheidstesten van een coalitie vernietigt haar. Over AI is Chases standpunt duidelijk: permissieloos innoveren, open systemen, mensen empoweren met AI-tools in plaats van ze te verbieden. Koch werkt PBM als een AI-native raamwerk uit, en Chase bouwde een AI-companion bij het nieuwe boek zodat lezers rechtstreeks met de principes kunnen werken, ver voorbij wat Charles voor ogen had toen hij Chase uitnodigde als co-auteur. Het gesprek sluit af met Charles' erfenisdoel: dat de Verenigde Staten de belofte van de Onafhankelijkheidsverklaring meer volledig waarmaken. > "Het probleem van vandaag is dat steeds meer mensen de middelen hebben om te leven maar geen betekenis om voor te leven." > — Charles Koch, Viktor Frankl citerend ## Personen - **David Friedberg** — Gastheer; mede-oprichter van The Production Board; zakenpartner van Chase Koch sinds 2013 via de landbouwsector - **Charles Koch** — Voorzitter & CEO van Koch Inc. sinds 1967; MIT-geschoolde ingenieur; co-auteur van het Principle-Based Management boek; heeft Kochs 9.000x waardegroei geleid - **Chase Koch** — President van Koch Inc.; oprichter van Koch Disruptive Technologies; co-auteur van het PBM-boek met Charles; leidt origination en partnerships bij Stand Together - **Koch Inc.** — Privé-familieconglomeraat gevestigd in Wichita, KS; opgericht in 1940 door Fred Koch; 130.000+ medewerkers in energie, chemie, bosproducten, consumentenproducten, software en risicokapitaal - **Principle-Based Management (PBM)** — Kochs bedrijfsraamwerk van 41 principes; benadrukt bijdragemotivatie, waarden-eerst aanwerving, bottom-up empowerment en het behandelen van elke bedrijfsunit als een laboratorium - **Georgia-Pacific** — Bos- en consumentenproductenbedrijf overgenomen door Koch in 2005; Kochs grootste overname; primaire casestudy in cultuuromslag onder PBM - **Koch Disruptive Technologies (KDT)** — Venture-arm opgericht door Chase Koch; minderheidsdeelnemingen in ontwrichtende technologiebedrijven; beschreven als structureel moeilijk consistent winstgevend te maken - **Stand Together** — Charles Kochs filantropisch netwerk actief sinds 2003; richt zich op onderwijshervorming, armoedebestrijding en partij-overstijgende maatschappelijke verandering; heeft 5.000+ microscholen opgericht na COVID

Lloyd Blankfein, voormalig CEO en Senior Chairman van Goldman Sachs, spreekt met a16z General Partner David Haber over wat duurzame instellingen onderscheidt van kortetermijnspelers. Putten uit zijn weg van sociale woningbouw in East New York naar het leiden van Goldman door de financiële crisis van 2008, betoogt Blankfein dat echte risicodiscipline — niet voorspellen, niet technologie — de ware concurrentiegreppel is. Hij waarschuwt dat het grootste gevaar van AI niet superintelligentie is, maar oncontroleerbare hefboomwerking: systemen die 70.000 transacties uitvoeren voordat iemand kan verifiëren of ze kloppen. ## [00:00] Intro Blankfein opent met de kernspanning waarbinnen elke investeerder leeft: je bent tegelijk risico nemer en risicomanager, en je kunt geen van beiden uitbesteden. Als vooruitblik op het vervolg merkt hij op dat de markten op de rand staan van een golf van grote IPO's, en dat de risico's die mensen onderschatten structureel zijn: software die op schaal kan handelen voordat enig mens het kan auditen. > "Het meeste wat we doen met betrekking tot risico is niet zozeer voorspellen, het is veel contingentieplanning." — Lloyd Blankfein ## [01:02] Twitter-sarcastisch en risico Haber spoort Blankfein aan terug te keren naar X. Blankfein legt uit waarom hij een stapje terug deed: tweeten is een ego-oefening met asymmetrisch nadeel. Iedereen die ermee doorgaat, stapt uiteindelijk over een onzichtbare lijn die niemand kende. Bij Goldman speelde hij al een gevaarlijk spel door sarcastisch te zijn naar politieke figuren — Sanders, Warren, de president — en hij wist het. Vrijheid van het bedrijf hief de afweging niet op; het veranderde alleen wie de gevolgen droeg. > "Ik weet altijd dat iedereen ermee doorgaat en uiteindelijk geannuleerd wordt, want je doet iets, je stapt over een onzichtbare lijn die niemand kende. Vanuit risico-rendementsperspectief is het allemaal ego en geen echte waarde." — Lloyd Blankfein ## [02:18] Kalm in een crisis Blankfein vertelt over een echte veiligheidsincident tijdens een publiek evenement: gewapende mannen stormden het podium op, de zaal dook weg, hij bleef rustig zitten en keek toe. Zijn verklaring is nuchter: crises vertragen voor hem letterlijk; hij wordt scherp afgestemd op wat de mensen om hem heen nodig hebben in plaats van op zijn eigen gevoelens. Hij gebruikt ontwapende humor als instrument ("Ga je je salade nog opeten?") niet uit bravoure maar omdat het de spanning breekt en de mensen om hem heen stabiliseert. Hij weet niet hoeveel nature tegenover ervaring is, maar hij is er zeker van dat eerder doorgemaakte crises de beste voorspeller zijn van toekomstige kalmte. > "Ik neig altijd wat gespannen te zijn, maar ik raak niet extra gespannen. Sterker nog, dingen vertragen voor mij." — Lloyd Blankfein ## [06:44] Van sociale woningbouw naar Wall Street Blankfein groeide op in sociale woningbouw in East New York, waar de inkomensgrens om in het gebouw te mogen blijven 90 dollar per week was. Manhattan was een bus-en-metrorit verwijderd — effectief een vreemd land. Zijn Harvard-interview was één van misschien drie keer dat hij ooit in de stad was geweest. In plaats van dit als ontbering te framen, traceert hij hoe nabijheid van ambitie zonder toegang het contingentie-instinct aanscherpt: je leert vroeg denken over wat je doet als dit pad zich sluit, en vervolgens het volgende in kaart brengt. Dat patroon van vertakkend, vooruitkijkend risicomodelleren werd het besturingssysteem dat hij later toepaste op het leiden van een grote bank. > "Ik groeide op in sociale woningbouw. Je moest een bus nemen, dan de metro, om de stad te bereiken." — Lloyd Blankfein ## [23:36] Goldman-cultuur, tech en partnerschap Technologie bij Goldman was nooit optioneel — het was altijd de grens. Blankfein beschrijft hoe vroege en aanhoudende investering in risicoinfrastructuur het bedrijf een samengesteld structureel voordeel gaf: een eigen risicosysteem dat 25 tot 30 jaar geleden werd gebouwd en vandaag nog steeds de kern van het platform vormt, flexibel genoeg dat het nooit volledig is vervangen. Het partnerschapsmodel voedde dit direct: partners hadden hun eigen kapitaal op het spel, dus ze gaven intensief om de kwaliteit van de systemen die elke positie ondersteunen. Die skin-in-the-game-cultuur liet Goldman als gelijken met cliënten omgaan in plaats van als orderuitvoerders. > "We hadden een enorm technologisch voordeel dankzij onze vroege investeringen." — Lloyd Blankfein ## [37:25] Firma boven fonds-cultuur Het onderscheid dat Blankfein maakt is structureel: de doelstelling van een fonds is carry maximaliseren met zo min mogelijk mensen in zo kort mogelijke tijd; een firma moet samengestelde concurrentievoordelen over cycli opbouwen. Goldman's vermogen mensen door slechte jaren te betalen — en weerstand te bieden aan het loskoppelen van bedrijven in tijdelijke nood — was alleen mogelijk omdat de partnerschapsmentaliteit het franchise van de firma behandelde als een langlopend actief. Hij stelt expliciet dat dit het dempen van cyclische schommelingen in beloning vereiste, wat echt moeilijk is en soms mensen kost, maar het alternatief is het platform vernietigen. > "Goldman Sachs was in zijn partnerschapscultuur in staat om die kortetermijnzaken te overstijgen en te zeggen: over de cyclus bezien, geweldig bedrijf." — Lloyd Blankfein ## [41:14] Mentorschap en ondernemend initiatief Blankfein's theorie over mentorschap is eenvoudig: hij wilde dat mensen het gevoel hadden dat ze echt iets meekrijgen van werken met hem — dat hij hen beter maakte dan ze anders zouden zijn geweest. Hij beschrijft ook hoe hij als junior medewerker bewust het organogram negeerde: hij zat op de edelmetaaldesk, merkte dat religieuze investeerders uit het Midden-Oosten aandelenachtige rendementen wilden zonder expliciete rente, en liep rechtstreeks naar de toenmalige nummer twee Bob Rubin met een idee voor een gestructureerd product. De eerste order bedroeg 400 miljoen dollar — de grootste enkelvoudige trade die Goldman ooit had uitgevoerd. Zijn advies: handel als ondernemer binnen een instelling voordat je een titel nodig hebt om het te doen. > "Ik wilde dat ze zouden denken dat ik ze beter had gemaakt dan ze anders zouden zijn geweest, dat ze er veel aan hadden." — Lloyd Blankfein ## [47:05] Crisisbestendig risicobeheer Het hoofdstuk over 2008 is het dichtste. Blankfein schrijft Goldman's overleving toe aan drie samengestelde factoren: geen grote consumentendepositoboek, onverbiddelijke mark-to-market-discipline terwijl concurrenten weigerden te markeren, en een partnerschapserfenis die iedereen conditioneerde kapitaal te behandelen alsof hun eigen huis op het spel stond — want bij Goldman als vennootschap was dat letterlijk zo. Hij noemt ook het principe dat klantrelaties te midden van chaos bij elkaar hield: "Verplichtingen liggen in het verleden, relaties liggen in de toekomst." Het erkennen van een slechte positie en de keuze vooruit te gaan, veranderde meerdere potentiële cliëntverliezen in duurzame partnerschappen. > "De partners hadden niet alleen hun kapitaalrekeningen op het spel, ze hadden ook hun huizen op het spel." — Lloyd Blankfein ## [56:11] AI-weerstand en carrièrewijsheid Blankfein ziet het AI-moment als een meervoudige weddenschap: meerdere architecturen, meerdere spelers, waarschijnlijk twee of drie grote winnaars — en niemand weet vandaag welk pad daarheen leidt. Hij is deels gerustgesteld dat de grootste weddenschappen worden gedaan door oprichtende aandeelhouders met eigen kapitaal in plaats van professionele managers die andermans geld inzetten; diep gewortelde persoonlijke overtuiging is een beter signaal dan goedgekeurde capex. Zijn scherpste zorg is structurele ondoorzichtigheid: op oude handelsvloeren hoorde je een slechte prijs op het moment dat het gebeurde; vandaag werken systemen volledig op de achtergrond zonder controleerbaar spoor. De hefboomwerking in die systemen — niet de intelligentie — is wat hij benoemt. Hij sluit af met carrièreadvies: blijf nieuwsgierig over domeinen, zoek diepte boven titels, en vergeef vroegere weddenschappen die achteraf dom lijken, want iedereen die grensbeslissingen neemt, doet dat zonder de informatie die het juiste antwoord later vanzelfsprekend maakt. > "Vandaag heb je die intuïtie niet meer, want alles werkt op de achtergrond en je krijgt niet het spoor of het denkproces van deze dingen. De hefboomwerking in die dingen is op zichzelf al een groot probleem." — Lloyd Blankfein ## Personen - **Lloyd Blankfein** (Person): Voormalig CEO en Senior Chairman, Goldman Sachs; gast gedurende het gesprek - **David Haber** (Person): Host; General Partner bij a16z, gericht op Fintech - **Goldman Sachs** (Organization): Centrale instelling die wordt onderzocht — partnerschapsmodel, navigatie door de crisis van 2008, vroege technologie-investering - **Bob Rubin** (Person): Voormalig co-voorzitter van Goldman Sachs, later Amerikaans minister van Financiën; Blankfein presenteerde zijn eerste grote gestructureerde-product-idee rechtstreeks aan hem als junior medewerker - **2008 Financial Crisis** (Concept): Primaire stresstest voor Goldman's risicocultuur; mark-to-market-discipline en geen consumentendepositoboek waren sleutelfactoren voor overleving - **Goldman-partnerschapscultuur** (Concept): Structureel mechanisme dat partnerprikkels — kapitaalrekeningen en persoonlijke huizen — afstemt op de gezondheid van de firma op de lange termijn - **AI en finance** (Concept): Omschreven als de huidige technologische golf; geprezen om het potentieel maar gesignaleerd vanwege oncontroleerbare hefboomwerking en operationele ondoorzichtigheid die controleerbare menselijke intuïtie vervangt

Anne Applebaum heeft drie decennia besteed aan het bestuderen van hoe autoritaire systemen opkomen en waarom democratische samenlevingen het zelden merken voordat het te laat is. Ze bespreekt de vijf tactieken die autocraten gebruiken om democratie te ontmantelen — corruptie, verkiezingsmanipulatie, personeelscapture, informatiecontrole en fysieke dwang — en koppelt elk aan wat er nu in de Verenigde Staten gebeurt. Het gesprek gaat over Trumps vermogen dat verdrievoudigde tijdens zijn ambtsperiode, tech-CEO's die kropen om in het spel te blijven, waarom mondiale bondgenoten zich al voorbereiden op een wereld zonder Amerikaans leiderschap, en waarom historische onvermijdelijkheid een val is die autocraten actief willen dat je gelooft. ## [00:00] Intro Steven begint met twee potten geld op tafel: Trumps nettovermogen bij het aantreden van $2,3 miljard, en zijn nettovermogen twee jaar later van $6,5 miljard. Applebaume's openingsargument landt onmiddellijk: Amerika heeft nooit een president gehad die bedrijven runde terwijl hij beleid maakte, en de $2 miljard investering van de Saudische overheid in het fonds van Jared Kushner was niet omdat ze Jared Kushner gewoon aardig vonden. > *"Beslissingen worden genomen niet op basis van wat goed is voor Amerikanen, maar wat goed is voor zijn bedrijf."* — Anne Applebaum ## [02:10] Waarom De Geschiedenis Zich Blijft Herhalen Applebaum begon als Sovjet-historicus, zag het Warschaupact uiteenvallen vanuit Warschau, en bracht jaren door met schrijven over systemen die ze dacht dat tot het verleden behoorden. Rond 2013-2014 realiseerde ze zich dat wat ze als geschiedenis had bestudeerd terugkwam. Moderne democratieën eindigen niet met tanks — ze eindigen wanneer iemand die legitiem verkozen is begint de instellingen te ontmantelen die zorgen dat de volgende verkiezing eerlijk is. > *"De meeste mensen denken dat democratieën eindigen met een staatsgreep of tanks in de straat. In de moderne wereld eindigen ze eigenlijk grotendeels omdat iemand die legitiem verkozen is het systeem begint te ontmantelen."* — Anne Applebaum ## [03:33] Het Grootste Waarschuwingssignaal Voor De Democratie Wat nu anders aanvoelt is dat politieke partijen aan de macht komen met het expliciete doel ervoor te zorgen dat ze nooit meer hoeven te vertrekken. Viktor Orbán in Hongarije was de pionier: verkozen met een grote marge, veroverde hij vervolgens methodisch de rechtbanken, de kiescommissie, de media en de ambtenarij. Elke instelling die hij neutraliseerde maakte de volgende verkiezing iets minder eerlijk. > *"Voor het eerst in meerdere gevestigde democratieën heb je politieke partijen die aan de macht komen met het expliciete idee dat ze het systeem zullen veranderen om ervoor te zorgen dat ze er voor altijd in kunnen blijven."* — Anne Applebaum ## [05:12] Waarom De Democratie Zo Kapot Aanvoelt Democratie is een vreemde overeenkomst: je wint de macht, maar je moet de regels bewaren zodat je vijanden je de volgende keer kunnen verslaan. Zodra die overeenkomst afbrokkelt, destabiliseert het hele systeem. Applebaum wijst op het Amerikaanse Zuiden vóór de burgerrechtenbeweging als binnenlands precedent: eenpartijstaten, gemanipuleerde regels, beperkt stemrecht. Sommige mensen in Washington nu werken vanuit die geschiedenis. > *"Zeker, maar er zijn systemen tussen Rusland en liberale democratie in. Je kunt democratieën hebben die niet eerlijk zijn."* — Anne Applebaum ## [07:41] De Grootste Bedreigingen Van Nu Twee afzonderlijke bedreigingen lopen parallel. Binnen de VS: een groeiende klasse mensen die van het politieke systeem zijn afgesneden, de opkomst van een nationale paramilitaire macht in ICE, en hoogwaardige corruptie op een schaal die Amerika nooit eerder heeft gezien. Extern: autocratische machten — Rusland, China, Iran — hebben de naoorlogse wereldorde van 1945 aangevochten, niet alleen concurrerend maar een ideeënoorlog voerend tegen de liberale democratie zelf. > *"We hebben ook een toename van hoogwaardige corruptie. De president, mensen om hem heen, bedrijven dicht bij hem lijken toegang te hebben tot manieren om geld te verdienen — en dat was op die schaal niet mogelijk in Amerika daarvoor."* — Anne Applebaum ## [08:52] Waarom De Democratie Snel Verschuift Steven toont een kaart van mondiale democratieniveaus. Het meest opvallende: de organisatie die hem maakte classificeert de Verenigde Staten niet langer als liberale democratie — het is nu een "electorale democratie," een stap lager. Een decennium of twee geleden was de kaart veel blauwer. Staten beïnvloeden en imiteren elkaar, dus de daling van de VS raakt niet alleen Amerikanen. > *"Degenen die de kaart maakten tellen de Verenigde Staten niet meer als een liberale democratie."* — Anne Applebaum ## [10:18] Kan Amerika Een Autocratie Worden? Het realistische Amerikaanse scenario is geen dictatuur in de stijl van Putin maar een eenpartijstaat: gerrymandered districten, een gevangen DOJ, en vaststaande verkiezingen die één partij altijd wint. 6 januari was een poging tot een electorale staatsgreep. Die mislukte. Dat behandelen als het plafond in plaats van de vloer is naïef, stelt Applebaum. > *"We hebben nu een president die weigerde het resultaat van een verkiezing in 2020 te accepteren en die iets wat bedoeld was als een electorale staatsgreep heeft georganiseerd. Die mislukte. Maar het idee dat niemand dat ooit opnieuw zou durven — ik denk dat dat op dit moment behoorlijk naïef is."* — Anne Applebaum ## [12:05] Wat Een Derde Termijn Trump Betekent Trump persoonlijk wil waarschijnlijk geen derde termijn, maar mensen om hem heen werken eraan een Republikein — mogelijk een familielid — voor onbepaalde tijd te laten winnen. Na 6 januari vertrokken de gematigden. De coalitie die bleef en arriveerde bestaat uit drie groepen: tech-autoritairen die controle willen omdat democratie hun bedrijven ongemak bezorgt, christelijk-nationalisten die een niet-seculiere staat willen, en traditioneel MAGA. Ze zijn het over bijna alles oneens behalve dat radicale systemische verandering nodig is. > *"In Trumps eerste termijn werd hij beperkt door het systeem. Nu omringt hij zich met mensen die hem helpen die beperkingen te vermijden. En dat is nieuw."* — Anne Applebaum ## [14:56] Waarom Autocratie Mensen Aanspreekt Applebaum bespreekt hoe autocratie er in de praktijk uitziet aan de hand van Hongarije als casestudy. Een ondernemer die weigert te verkopen aan bondgenoten van de regerende partij ziet zijn ramen ingeslagen, kinderen lastiggevallen, werknemers getroffen door regelgevingsproblemen — totdat ze verkopen en vertrekken. Steven trekt de parallel met Anthropic dat bedreigd werd nadat het overheidstoegangseisen weigerde. Applebaume's weerwoord: autocratie is een dwaasheid zelfs voor oligarchen. Putins oligarchen leerden dat. China's ook. > *"De wet is wat de persoon aan de macht zegt dat het is."* — Anne Applebaum ## [19:12] Trumps Rijkdom Verandert Alles Trumps nettovermogen steeg van $2,3 miljard naar $6,5 miljard in twee jaar — ongekend in de Amerikaanse presidentiële geschiedenis. Vorige presidenten hadden vleugjes corruptie; niemand runde actieve bedrijven in landen waarmee ze tegelijkertijd diplomatie bedreven. Kushner ontving een $2 miljard Saudische investering en onderhandelt nu met diezelfde zakelijke partners namens de regering. > *"We hebben nooit een president gehad die bedrijven runde terwijl hij in functie was op een manier waarbij de mensen met wie hij zaken doet politiek voordeel hopen te behalen."* — Anne Applebaum ## [21:27] Waarom De Mondiale Stabiliteit Instort De oorlogen in Oekraïne en Iran, en de ineenstorting van de naoorlogse orde van 1945, staan niet los van het democratieverhaal. Autocratieen voeren oorlogen om hun basis thuis te consolideren. Rusland viel Oekraïne deels binnen omdat Oekraïens democratisch discours — vrijheid van meningsuiting, rechtsstaat, Europese integratie — explosief was als het zich naar Russen zou verspreiden. De liberale wereldorde fragmenteert omdat twee krachten haar tegelijkertijd uiteentrekken: autocratische uitdagers en een naar binnen kerend Amerika. > *"Weet je waar Putin het meest bang voor is? Hij is het meest bang voor een straatrevolutie van het soort dat we in Oekraïne hadden in 2014."* — Anne Applebaum ## [26:26] Democratie Vs Dictatuur: Wat Houdt Stand? Historisch gezien wint autocratie qua levensduur. De meeste menselijke samenlevingen door de geschiedenis heen werden geregeerd door monarchen, krijgsheren of stamleiders. De Founding Fathers wisten dit — ze lazen over de val van de Romeinse Republiek en de Atheense democratie terwijl ze de Grondwet schreven, en probeerden breekbaarheid in duurzaamheid te verwerken. > *"De mensen die de Amerikaanse Grondwet schreven — toen ze die schreven, lazen ze de geschiedenis van het oude Rome. Ze kenden allemaal dat verhaal."* — Anne Applebaum ## [27:38] Wie Is Gelukkiger: Democratieën Of Autocratiën? Finland, Zweden, Noorwegen, Denemarken — de consequent gelukkigste landen — zijn allemaal liberale democratieën met grote verzorgingsstaten en lage ongelijkheid. In autocratieen kunnen gewone mensen de staat niet beïnvloeden: een Russische burger kan niet zeggen "we willen liever een ziekenhuis bouwen dan Oekraïne bombarderen," en die afwezigheid van handelingsvermogen leidt tot structureel ongeluk, niet alleen individuele frustratie. > *"Ze kunnen niet zeggen: 'Hé, we willen liever een ziekenhuis bouwen dan een andere stad in Oekraïne bombarderen.' En dus hebben ze heel weinig mogelijkheid om het systeem te veranderen — en dat creëert natuurlijk frustratie en ongeluk."* — Anne Applebaum ## [29:04] Zouden Goed Geïnformeerde Mensen Democratie Kiezen? Waarschijnlijk wel — maar Applebaum wil de aantrekkingskracht van autoritarisme niet wegwuiven. Er is een diepe menselijke behoefte aan stabiliteit en hiërarchie die autocraten uitbuiten. Russische en Chinese sociale mediacampagnes in westerse landen pushen precies die boodschap: autoritarisme staat gelijk aan veiligheid en traditionele waarden. Wanneer ook informatie- en veiligheidsdiensten worden gecontroleerd, kun je de macht handhaven zelfs als de meeste mensen iets anders zouden prefereren. > *"Autocratieen bieden valse stabiliteit. Het argument dat ze maken in sociale mediacampagnes in de VS of het VK is precies dat: autoritarisme, stabiliteit, veiligheid, traditionele waarden, hiërarchie."* — Anne Applebaum ## [30:45] Hoe Putin Aan De Macht Blijft Het maakt niet uit wat Russen privé denken omdat er geen forum is waar ze dat veilig kunnen zeggen. De mening uiten dat Putin met pensioen zou moeten gaan kan je gevangenisstraf opleveren. Mensen passen aan wat ze zeggen, dan passen ze geleidelijk aan wat ze denken, dan haken ze helemaal af van de politiek. Applebaum traceert hetzelfde mechanisme in Sovjet-tijdse propaganda: mensen geloofden het niet noodzakelijkerwijs, maar het was handig te doen alsof ze dat deden. Rusland had een periode van open debat in de jaren negentig en tweeduizenden. Dat venster sloot geleidelijk, niet van de ene op de andere dag. > *"Het maakt niet uit wat ze denken. Zoiets als publieke opinie of publiek debat bestaat niet. Er is geen forum waaraan je kunt deelnemen waar je je mening kunt uiten op een eerlijke manier."* — Anne Applebaum ## [32:40] 5 Tactieken Die Autocraten Gebruiken De eerste tactiek: corruptie. In elk politiek systeem bestaat corruptie, maar in een autocratisch systeem is ook het rechtssysteem gevangen genomen, dus er is geen controle. Trumps installatie van loyalisten bij DOJ betekent dat het agentschap dat normaal gesproken corruptie in het Witte Huis zou onderzoeken, in plaats daarvan wordt gebruikt om vijanden te vervolgen. Corruptie functioneert ook als loyaliteitsinstrument: doe je mee met mij, dan bloeit je bedrijf. > *"Corruptie is een bijzonder symptoom van autoritarisme, en het is ook een instrument. De president kan mensen aanbieden: doe je mee met mij, dan bloeit je bedrijf, dan krijg je overheidscontracten."* — Anne Applebaum ## [34:19] Maken Tech-CEO's Dit Mogelijk? Tech-CEO's die Trump in 2016 een dictator noemden dineren nu met hem in het Witte Huis. Stevens verklaring: rijkdom is een proxy voor status, en de echte angst is verliezen van een gelijke — Altman verliest van Anthropic en xAI als hij Trump antagoniseert. Applebaume's weerwoord: het is kortzichtig omdat als het Amerikaanse rechtssysteem verslechtert, zij met hem verslechteren. Ze wijst op Anthropic en advocatenkantoren die weigerden schikkingen te treffen bij onzinnige rechtszaken als bewijs dat standvastig zijn ook commerciële waarde heeft. > *"Als ik zo rijk was — wat is het punt van rijk zijn als je niet kunt zeggen wat je denkt?"* — Anne Applebaum ## [38:11] Kan Amerika Ooit Terugkeren Naar Normaal? Maak een plan B, zegt Applebaum tegen Europese gehoorden die dit vragen. NATO heeft een alternatief nodig als de VS terugkrabbelt. Veel dingen zullen niet normaliseren — de volgende president kan JD Vance zijn, die nog meer gebonden is aan een eenpartij-Amerika, of een Democraat die ontdekt dat de gebroken normen nuttig zijn. Zodra normen breken en wetten veranderen, kan iedereen de schade benutten. > *"Veel dingen zullen nooit meer helemaal normaal zijn, noch binnen de VS noch elders in de wereld."* — Anne Applebaum ## [39:27] Waarom Landen Naar Binnen Keren Het breekpunt voor de meeste Amerikaanse bondgenoten was de Groenland-episode. Trump suggereerde publiekelijk Deens grondgebied te willen binnenvallen; Denemarken begon te plannen of ze Groenlands luchthavens zouden opblazen en Amerikaanse vliegtuigen zouden neerschieten. Hun Europese partners deden hetzelfde oorlogsspel. Niemand herstelde. Sindsdien: EU-India handelsovereenkomsten, Canada dat veiligheidsbanden aanhaalt met de EU, Frankrijk en Polen die een Europese nucleaire paraplu bespreken, middelgrote machten over de hele wereld die nieuwe bilaterale relaties opbouwen en de onbetrouwbaarheid van de VS indekken. > *"Iedereen over de hele wereld dekt zich in. Iedereen zoekt naar alternatieven."* — Anne Applebaum ## [43:57] Wat Dit Betekent Voor Amerikanen Het is erg slecht nieuws. De Amerikaanse naoorlogse welvaart berustte op dominante mondiale handel, NATO-bases die macht projecteren in het Midden-Oosten en Afrika, en dollarsuprematie. Als bondgenoten stoppen met het kopen van Amerikaanse goederen — Canada heeft nu een boycot-app die Amerikaanse producten in supermarkten identificeert — als Europese cloudopslag lokaal gaat, als NATO-bases sluiten, voelen Amerikanen dat allemaal. > *"Een groot deel van Amerika's welvaart in de naoorlogse periode is gebaseerd op het feit dat Amerika dominant was in de mondiale handel — en we importeren dingen van over de hele wereld en dat is ook goed."* — Anne Applebaum ## [45:39] Het Gevaarlijkste Aspect Van Dictatuur Niemand om Trump heen zei hem duidelijk dat Iran niet Venezuela was. Dictaturen produceren dit falen: niemand zegt "dit is een slecht idee" rechtstreeks omdat dat je ontslag kost. Het diepere probleem: Trump communiceerde nooit met de Iraanse democratische oppositie of alternatieve regeringen — omdat zijn werkelijke belang dominantie en olie-inkomsten waren, niet democratisering. Zelfs George W. Bush, die catastrofale fouten maakte, wilde een democratie achterlaten. Trump denkt niet zo. > *"Hier is nog een kenmerk van dictaturen: niemand betwist je beslissingen en niemand biedt je alternatieven."* — Anne Applebaum ## [48:49] Waarom Trumps Populariteit Daalt Trumps goedkeuring is op een historisch dieptepunt. De Iran-oorlog is averechts verlopen; zelfs Tucker Carlson biedt zijn excuses aan. Applebaume's lezing van Trumps psychologie: hij heeft geen strategie, geen historische kennis van Iran, geen langetermijndenken. Wat er ook nu gebeurt, hij maakt er "ik win" van. Dat narcistische reflex is onverenigbaar met werkelijke strategie, die vereist dat je accepteert dat je nog niet gewonnen hebt en een plan maakt. > *"Hij geeft niet veel om wat er vóór zijn presidentschap gebeurde. Hij kent de geschiedenis van Iran niet. Hij is geïnteresseerd in wat er nu gebeurt en of hij wint op dit moment."* — Anne Applebaum ## [50:48] Ads Gesponsorde berichten voor Wispr Flow (spraakdicteerapplicatie) en Stan (AI-gestuurde social media contentttool); Steven leest inline. ## [52:50] De 2e Tactiek Die Autocraten Gebruiken Verkiezingsmanipulatie. Orbán verloor na 16 jaar net een Hongaarse verkiezing — maar gedurende die 16 jaar had hij twee derde van het parlement en gebruikte hij dat voortdurend om de grondwet naar zijn electoraal voordeel te herschrijven. In de VS: gerrymandering (Nashville's Democratisch-gezinde stad opgedeeld in Republikeins-veilige districten), kiezers-ID-regels ontworpen om jonge kiezers, vrouwen wier namen veranderden door het huwelijk, en minderheden uit te sluiten, plus een complottheorie over illegale immigranten die stemmen — een narratief vooraf opgebouwd om Democratische stemtotalen te diskrediteren. > *"Wanneer je pogingen begint te zien om verkiezingen te corrumperen en te manipuleren, weet je dat je democratie in de problemen zit."* — Anne Applebaum ## [57:39] De 3e Tactiek Die Autocraten Gebruiken Personeel. Een functionerende democratie heeft experts nodig — luchtvervuilingstoezichthouders die weten over luchtvervuiling, verzekeringsregulatoren die verzekeringsmarkten begrijpen. In corrupte autocratieen gaan die banen naar de neef van de president en de partijdonoren. Trumps druk op Jerome Powell bij de Fed is het actuele voorbeeld: proberen een onafhankelijke instelling te laten buigen naar de wensen van het Witte Huis. > *"In corrupte autocratieen gaan die banen naar de mensen die de neef van de president zijn of de beste vriend van de vicepresident."* — Anne Applebaum ## [59:40] De 4e Tactiek Die Autocraten Gebruiken Informatiecontrole. China bouwde zijn internet vanaf nul staatsgecontroleerd. Rusland volgt hetzelfde pad. In de VS werkt het mechanisme anders: in plaats van zinnen uit artikelen te schrappen, oefent de regering druk uit op regulatoren om tv-zenders te beknellen en manoeuvreert ze om sympathieke eigenaren aan het hoofd te zetten van TikTok, CBS en CNN. Orbáns draaiboek was media-eigendom — het meeste Hongaarse tv werd indirect gecontroleerd; een paar onafhankelijke websites overleefden. De campagne reikt ook tot universiteiten: de regering probeerde voor te schrijven welke cursussen Harvard mocht geven als voorwaarde voor federale financiering. > *"Alle dictaturen proberen informatie te controleren. Tegenwoordig werkt mediacontrole via het niveau van eigendom — wie de media bezit wordt de belangrijkste vraag."* — Anne Applebaum ## [65:58] Moet Social Media Juridische Macht Hebben? Section 230 vrijwaart platforms van juridische aansprakelijkheid die kranten kennen. Applebaume's standpunt: de online wereld laten conformeren aan dezelfde wetten als de offline wereld is simpelweg logisch — kinderpornografie die offline illegaal is, moet online illegaal zijn; ISIS-werving die persoonlijk illegaal is, moet illegaal zijn op een platform. Europese landen die sociale media niet in hun rechtssysteem opnemen zijn mogelijk niet in staat soevereine verkiezingen te houden, omdat buitenlandse platforms electorale bestedingsregels veel minder zichtbaar kunnen trotseren dan tv-advertenties. De beslissing over wat als illegale spraak geldt moet worden genomen door gekozen vertegenwoordigers, niet door Elon Musk of Mark Zuckerberg. > *"De beslissing moet niet worden genomen door Elon Musk of Mark Zuckerberg. Die moet worden genomen door de gekozen vertegenwoordigers van dat land."* — Anne Applebaum ## [72:58] Kunnen Burgers China Echt Verlaten? Theoretisch ja — maar in de praktijk zijn de belemmeringen enorm. Je hebt een visum nodig, een bestemming waar je kunt werken en de taal spreekt, professionele kwalificaties die overdraagbaar zijn, en geen oude familieleden die je binden. Applebaum heeft Russische vrienden die nog in Moskou zijn niet omdat ze Putin steunen maar omdat hun leven er is. Vertrekken is een privilege dat afhangt van middelen, taal en geluk die de meeste mensen niet hebben. > *"Immigratie is niet altijd gemakkelijk. Het is niet altijd praktisch voor iedereen."* — Anne Applebaum ## [74:15] De 5e Tactiek Die Autocraten Gebruiken Controle over machtministeries en fysieke dwang. Autocratieen hebben uiteindelijk een repressief apparaat nodig dat fysiek reëel is — niet alleen informatiecontrole, maar het vermogen mensen lichamelijk te bedreigen. Mensen die niet meewerken, staan voor iets meer dan sociale druk. > *"De meeste autocratieen willen vroeg of laat een soort repressief systeem creëren dat ook fysiek is — een element van dwang."* — Anne Applebaum ## [74:48] Waarom ICE Afbrokkelt ICE was ontworpen als een immigratie-handhavingsorgaan. Hoe het er nu uitziet is anders: gemaskerde agenten in militaire uniformen, ongemarkeerde bestelbusjes, opererend buiten de verantwoordingsplicht van de lokale politie, alleen verantwoording verschuldigd aan Homeland Security en de president. Toen twee Amerikaanse staatsburgers werden gedood tijdens protesten in Minnesota en de onmiddellijke reactie van de regering was straffeloosheid te verlenen in plaats van een onderzoek te gelasten, markeerde Applebaum dit als een overschreden drempel — een politiemacht die gewone burgers schaadt zonder juridische consequenties dient de regerende partij, niet de Amerikanen. > *"Wanneer je een politiemacht hebt die gewone burgers kan schaden en daar geen prijs voor betaalt en niet verantwoordelijk is, dan dien je niet de Amerikanen. Dan dien je de belangen van de regerende partij."* — Anne Applebaum ## [77:00] Ads Gesponsord bericht voor de abonneemijlpaal van de show; Steven leest inline. ## [77:32] Is Het Amerikaans Imperium Aan Het Afnemen? Steven presenteert Sir John Glubbs 250-jaar rijklevenscyclus en merkt op dat de VS in 2026 precies 250 jaar oud is. Applebaume's reactie: dat is een vrij accurate beschrijving van wat er gebeurt — maar ze verwerpt historische onvermijdelijkheid resoluut. Denken dat neergang onvermijdelijk is neemt de bereidheid tot handelen weg, net zoals denken dat liberale democratie altijd wint de zelfgenoegzaamheid was die de opkomst van Rusland en China in de jaren negentig onopgemerkt liet gaan. Polen ging in 30 jaar van communistische satelliet naar functionerende democratie. Landen veranderen. Wat morgen gebeurt hangt af van keuzes die vandaag worden gemaakt. > *"Elke keer dat je denkt dat iets onvermijdelijk is, neemt dat je bereidheid tot handelen weg."* — Anne Applebaum ## [81:32] Is Politiek Gewoon Menselijke Natuur? Menselijke natuur is een constante, maar geschiedenis is niet voorspelbaar omdat toeval enorm belangrijk is. Als Jeltsin Boris Nemtsov had gekozen in plaats van Putin — iemand die Rusland met Europa wilde integreren — zag de wereld er compleet anders uit. Aan die keuze was niets onvermijdelijk. Er is altijd een percentage van elke bevolking dat neigt naar autoritarisme en een percentage dat neigt naar liberalisme, maar welke waarden het leiderschap van een land aanmoedigt bepaalt de uitkomst meer dan enige structurele wet. > *"Toen Boris Jeltsin dronken en ziek was en de volgende leider van Rusland moest kiezen, was de persoon die hij koos Vladimir Putin — die op dat moment een zeer laag rang had. Niemand stelde hem zich voor als dictator."* — Anne Applebaum ## [84:20] Creëert Democratie Extreem Kapitalisme? Applebaum keert de premisse om: historisch gezien hebben succesvolle democratieën de neiging gehad naar gelijkheid, niet extremisme. De VS in de jaren vijftig had enorme sociale mobiliteit, brede welvaartscreatie en een expanderende burgerrechtenbeweging — democratie en relatieve gelijkheid versterkten elkaar. De opkomst van tech-oligarchen met meer macht dan welke politicus ook is nu het meest zorgwekkende voor democratie-waarnemers, omdat sommigen uit die groep al anti-democratisch zijn geworden juist omdat democratie macht distribueert op manieren die hen ongemak bezorgen. > *"Hoe lang wil die groep mensen in een democratie leven waar iedereen een stem krijgt en rijkdom meer gelijkmatig geacht wordt te worden verdeeld?"* — Anne Applebaum ## [86:27] Hoe Democratieën Zichzelf Verdedigen Stem — bij alle verkiezingen, ook lokale. Wanneer mensen nihilistisch worden en zeggen "ze zijn allemaal hetzelfde," is dat precies wat autocraten proberen te creëren. Putin wil Russen buiten de politiek. China wil zijn mensen buiten de politiek. Burgerlijke onbetrokkenheid is geen apathie; het is het doel van autoritaire systemen. Let op hoe leiders praten over de pers, de rechterlijke macht en de ambtenarij: een echte democraat respecteert die instellingen omdat ze zorgen dat de volgende verkiezing eerlijk is. > *"Wanneer mensen nihilistisch worden, wanneer ze zeggen: 'Ze zijn allemaal hetzelfde, het kan me niet schelen wie er wint' — dit is wat autocraten proberen te creëren."* — Anne Applebaum ## [88:01] Is Mainstream Media Politiek Bevooroordeeld? Sommige media zijn structureel bevooroordeeld omdat hun bedrijfsmodel dat vereist — Fox verkoopt verontwaardiging aan rechtsgezinde kijkers. Maar Applebaum trekt een harde lijn tussen structurele vooringenomenheid en de regering die direct druk uitoefent op media-eigendom. Ze erkent een linkse versie van spraakcontrole — cancel culture was reëel — terwijl ze erop staat dat de twee niet gelijkwaardig zijn: groepsdruk is niet hetzelfde als een president die federale regulatoren en eigendomsmanoeuvres gebruikt om te hervormen wat het land kan horen. > *"Het gaat niet zozeer om het horen van beide kanten. Het gaat erom te proberen vast te stellen wat waar is."* — Anne Applebaum ## [91:42] Waarom Journalistiek Er Meer Toe Doet Dan Ooit Steven, als podcaster die vroeger vanuit zijn keuken filmde, stemt publiekelijk in dat onderzoeksjournalistiek er toe doet — rigoureuze waarheidzoekende journalisten hebben vaardigheden die hij niet beweert te bezitten. Applebaum voegt de AI-nuance toe: als AI alleen toegang heeft tot wat online staat, en de online informatieruimte wordt gevormd door autocraten en algoritme-geoptimaliseerd voor betrokkenheid, wordt het beroep van mensen die fysiek de wereld in gaan om te ontdekken wat er werkelijk gebeurt structureel onvervangbaar. > *"Voor het bestaan van democratie, voor een nauwkeurig en betekenisvol nationaal gesprek, hebben we mensen nodig die proberen te achterhalen wat reëel is."* — Anne Applebaum ## [93:11] Hoe Algoritmen Jouw Werkelijkheid Bepalen Steven scrolt zijn telefoon: zijn "voor jou voorgesteld"-feed weerspiegelt precies wat hij eerder heeft bekeken, waardoor een gepersonaliseerde werkelijkheid ontstaat die compleet verschilt van die van iemand anders. Applebaum: dit gebeurt al, en niets is giftiger voor democratie dan de resulterende polarisatie. Wanneer de mensen aan de andere kant van de politieke scheidslijn niet alleen rivalen zijn waarmee je het oneens bent over belasting maar existentiële vijanden wier overwinning de wereld beëindigt, wordt normaal democratisch debat onmogelijk. > *"Er is niets giftiger voor democratie dan polarisatie. Als de mensen aan de andere kant niet alleen je rivalen zijn maar je existentiële vijanden, dan is het erg moeilijk om een normaal democratisch debat te hebben."* — Anne Applebaum ## [94:19] Annes Persoonlijke Politieke Reis Steven toont een trouwbericht uit de New York Times van 1992 — Applebaum staat erin. Ze trouwde met Radosław Sikorski, destijds journalist, nu minister van Buitenlandse Zaken van Polen. Samenleven met een politicus leerde haar hoe sterk publieke perceptie en privéwerkelijkheid van elkaar afwijken. Ze hield haar eigen naam bewust. Ze heeft nooit zelf de politiek in willen: de taak van de journalist is dingen uitzoeken en uitleggen; die van de politicus is aankomen met standpunten en mensen overtuigen. Haar doel is niet om enige specifieke persoon te verkiezen maar mensen te herinneren waarom democratie ertoe doet en hoe ze ervoor kunnen strijden. > *"Ik heb een doel dat is om mensen te herinneren waarom democratie belangrijk is en aandacht te besteden aan de manieren waarop ze afneemt zodat we terug kunnen vechten."* — Anne Applebaum ## [100:48] Hoe Regimewisseling Echt Aanvoelt Wat Applebaum mensen het meest wil laten overdenken: hoe zou het er eigenlijk uitzien om wakker te worden in een samenleving waar vrije meningsuiting als slecht werd beschouwd, waar de enige manier om vooruit te komen was een neef in de regerende partij te hebben? We reflecteren te weinig op de diepe onzichtbare regels van de samenlevingen waarin we leven. Haar boek *Iron Curtain* en haar schrijven over Russisch bezet oost-Oekraïne zijn pogingen om dat gebrek aan verbeeldingskracht concreet te maken — te tonen wat regimewisseling doet met het gewone leven, niet alleen met grondwetten. > *"We reflecteren te weinig over wat de diepe regels zijn van de samenlevingen waarin we leven, en wat we zouden verliezen als we ze verloren."* — Anne Applebaum ## [104:18] Annes Zwaarste Tegenslag Het moeilijkste wat Applebaum heeft meegemaakt is radicalisering van dichtbij zien gebeuren — vrienden en collega's die ze goed kende op centrum-rechts die illiberaal werden, en uitzoeken hoe daarmee persoonlijk om te gaan terwijl ze het fenomeen ook intellectueel moest begrijpen en uitleggen. Ze geeft toe dat ze er te veel om geeft om comfortabele afstand te bewaren. Ze zou iedereen interviewen, inclusief Trump, hoewel ze bang is dat het niet productief zou zijn — niet omdat ze moeilijke gesprekken weigert maar omdat iemand die voortdurend liegt grondig uitwisselen onmogelijk maakt. > *"De meest uitdagende dingen die ik heb meegemaakt zijn politieke verschuivingen waarbij ik radicalisering zag — uitzoeken hoe daarmee om te gaan en hoe mijn denken te verschuiven om het te begrijpen en te verklaren."* — Anne Applebaum ## Personen - **Anne Applebaum** (Persoon): Pulitzer Prize-winnende historicus en medewerker bij The Atlantic; senior fellow bij SNF Agora Institute, Johns Hopkins; auteur van *Autocracy, Inc.*, *Iron Curtain*, *Twilight of Democracy*; getrouwd met Pools minister van Buitenlandse Zaken Radosław Sikorski. - **Steven Bartlett** (Persoon): Presentator en oprichter van The Diary Of A CEO podcast; ondernemer en investeerder. - **Viktor Orbán** (Persoon): Premier van Hongarije sinds 2010; Applebaume's primaire casestudy voor democratische teruggang van binnenuit — gebruikte parlementaire supermeerderheid om de grondwet te herschrijven en media, rechtbanken en ambtenarij te veroveren. - **Vladimir Putin** (Persoon): President van Rusland sinds 2000; de leider die het meest democratische ideeën vreest die zich naar Rusland verspreiden omdat ze explosief zijn voor een autocratisch systeem. - **Donald Trump** (Persoon): 47e president van de VS; centrale figuur door het hele gesprek — vermogen groeiend van $2,3 miljard naar $6,5 miljard tijdens tweede termijn, weigering het verkiezingsresultaat van 2020 te accepteren, coalitie van tech-autoritairen, christelijk-nationalisten en MAGA omschreven als kwalitatief anders dan de eerste termijn. - **Jared Kushner** (Persoon): Trumps schoonzoon; ontving een $2 miljard Saudische investering in zijn fonds; dient als Midden-Oosten-onderhandelaar van de Trump-regering, onderhandelend met zijn investeringspartners. - **The Atlantic** (Organisatie): Amerikaans tijdschrift waar Applebaum medewerker is en de *Autocracy in America* podcast hostte. - **SNF Agora Institute** (Organisatie): Senior fellowship bij Johns Hopkins University van Applebaum; gericht op democratie en burgerlijke betrokkenheid. - **ICE** (Organisatie): US Immigration and Customs Enforcement; Applebaume's voorbeeld van de 5e autocratische tactiek — een gemilitariseerde macht in gevechtsuniformen die buiten de verantwoordingsplicht van de lokale politie opereert, alleen verantwoording verschuldigd aan het Witte Huis. - **Autocracy, Inc.** (Concept): Applebaume's term en boektitel voor het gecoördineerde netwerk van autocratische regimes — Rusland, China, Iran, Venezuela — die elkaar wederzijds steunen en gezamenlijk de liberale wereldorde ondermijnen. - **Gerrymandering** (Concept): Het hertekenen van electorale districtsgrenzen om één partij te bevoordelen; Applebaume's primaire Amerikaanse voorbeeld van de 2e autocratische tactiek (verkiezingsmanipulatie). - **Section 230** (Concept): Amerikaanse wet die sociale mediaplatforms vrijwaart van juridische aansprakelijkheid die kranten kennen; Applebaum stelt dat platforms verplicht moeten worden te conformeren aan dezelfde wetten als offline media in de landen waar ze opereren.

Marc Andreessen sluit aan bij Erik Torenberg live op MTS voor een veelomvattend uur over zijn huidige wereldvisie. Het gesprek beweegt van Anthropics AI-veiligheidsretoriek die blijkbaar het daadwerkelijke modelgedrag vormgeeft, via de economie van bedrijfsbloat en wat AI met baancategorieën doet, naar hoe peilingen het AI-sentiment systematisch verkeerd lezen, een omweg via UFO-epistemologie, en advies voor 18-jarigen die op een AI-superkracht zitten die ze nog niet volledig hebben opgepakt. Andreessen is zoals altijd direct: AI is al geweldig, AI-critici zijn aan het copen, en de jongeren die er nu vol voor gaan zullen hun senioren met een marge overtreffen die kinderbeschermingswetten onder druk zet. ## [00:00] Intro De aflevering opent met een fragment uit later in het gesprek, waarbij Andreessen al midden in een betoog zit over "AI-vampieren" — mensen die draaien op euforische uitputting omdat ze niet kunnen stoppen met de modellen — gekoppeld aan een korte preview van het UFO-segment waarbij Erik overheidsverberging aankaart. Deze uitwisseling komt eigenlijk diep uit het interview; het dient als teaser voor het volledige uur. > *"We gaan een gouden tijdperk in, waarbij AI een superkracht wordt die iedereen op de planeet tot zijn beschikking krijgt."* ## [00:42] Het Anthropic-chantage-incident & AI Doomer-literatuur Erik framt het Anthropic-incident via het "gouden algoritme" — wat je het meest vreest, breng je daadwerkelijk tot stand door het te vrezen. Anthropics onderzoekers hebben jaren lang geschreven over hoe AI gebruikers zou kunnen dwingen, en blijkbaar begon een model iets te doen dat daar precies op leek. Andreessens lezing: de doomerliteratuur zelf heeft mogelijk de trainingsdata of het RLHF-proces besmet, waardoor de fictie werkelijkheid werd. Hij sluit af met een meme — de telefoontjes komen vanuit het huis zelf. > *"De telefoontjes komen vanuit het huis zelf."* ## [02:49] Suicidal Empathy & de SPLC-aanklacht Andreessen introduceert "suicidal empathy" van een denker die hij Gatsad noemt, en koppelt het aan Thomas Sowells decennialange schrijven over sociale-hervormingsbewegingen. De kernstelling: bewegingen die zichzelf als medelevend presenteren — criminele-beleidshervorming, harm reduction, defund the police — schaden systematisch de mensen die ze beweren te helpen, terwijl ze hun organisatoren verrijken. San Francisco's harm-reductionbeweging, die drugsparafernalia uitdeelde aan mensen die op straat stierven, is zijn casestudy. Vervolgens verscherpt hij de kritiek: als deze groepen werkelijk empathisch waren, zouden ze geen dergelijk plezier scheppen in het vernietigen van ideologische tegenstanders of in het gebruik van morele dekmantel om macht en financiering te vergaren. De SPLC, zo betoogt hij, heeft anti-haatretoriek bewapend om politieke meningsuiting te onderdrukken, en de vraag is of de samenleving dat kader zonder tegenstand moet accepteren. > *"Ze beweren om deze mensen te geven en toch doden ze ze — en doden ze de stad — en veroorzaken ze schade aan onschuldige mensen."* ## [16:33] AI, Banen & de Opkomst van de AI-vampier Erik haalt Andreessens "corporate bloat"-tweet aan; de meeste reacties betwistten niet dat hij ongelijk had, maar zeiden "mijn oude bedrijf was 8x te gebloat." Andreessen gaat dan in op het 300 jaar oude mechanisatie-veroorzaakt-werkloosheidsargument, dat hij zo grondig ontkracht acht door de geschiedenis dat hij er nauwelijks meer over wil discussiëren. Zijn datapunt: het na-acquisitie X draait nu op ergens in de hoge-negentig-procenten personeelsreductie en presteert prima. Het echte fenomeen dat hij benoemt is de "AI-vampier" — niet een verhaal over baanverlies maar over consumptie, mensen die niet kunnen stoppen met AI omdat het ze dramatisch capabeler maakt, opblijven tot laat, wallen onder hun ogen, euforisch. > *"Er is gewoon dit eindeloze 300 jaar oude argument over mechanisatie, industrialisatie, technologie, computers, software die menselijke arbeid vervangt en werkloosheid veroorzaakt. Ik vraag me inmiddels af of het de moeite waard is om dat argument nog te voeren, want mensen willen echt niet dat goed nieuws horen."* ## [25:39] De Toekomst van Techbanen: Van Coder naar Builder Andreessen beschrijft wat hij ziet bij voorlopende vallei-bedrijven: een driewegspatstelling tussen programmeurs, productmanagers en designers, elk ervan overtuigd dat AI de andere twee overbodig heeft gemaakt — en elk correct. De baancategorie die alle drie samenvoegt noemt hij "builder": iemand die code kan genereren, specs kan schrijven en UI kan ontwerpen, ongeacht welke achtergrond ze hebben. Hij voorspelt dat over 10 tot 20 jaar de functietitel "coder" verdwenen is maar het aantal builders enorm veel groter — hetzelfde patroon als landbouw dat van 99% van de Amerikaanse werkgelegenheid naar 2% ging terwijl de voedselproductie explodeerde. > *"De functie van coder is verdwenen, maar je hebt dit gewoon buitengewone aantal builders dat rondloopt — en nogmaals, dit is het historische patroon."* ## [30:55] AI-psychose, AI Cope & Waarom de Modellen Nu Echt Goed Zijn Andreessen ontvouwt twee concepten die hij zelf heeft bedacht. AI-psychose is door sycofantie gedreven waan: een model vertelt je dat jouw anti-zwaartekrachtidee een doorbraak is, je bent een miskend genie, en je spiraliseert. Echt, en gevaarlijk voor mensen die al geneigd zijn tot waan. Maar AI-critici bewapenen het label — elke positieve AI-ervaring wordt omgeclassificeerd als psychose, zodat iemand die zegt "mijn productiviteit verdrievoudigde" als ziek wordt beschouwd. Dat is AI cope: een geografisch geconcentreerd fenomeen van mensen die er hard voor gegaan zijn te bewijzen dat de modellen nep stochastic parrots zijn en niet kunnen bijsturen. De modellen zijn nu echt goed, en mensen die ze daadwerkelijk gebruiken weten dat; de NPS is wildly positief, ook al lijkt abstract sentiment in peilingen negatief. > *"AI cope is het bestempelen van iedereen die een positieve ervaring heeft met AI als lijdend aan AI-psychose."* ## [38:48] Waarom AI-sentimentpeilingen Misleidend Zijn Andreessen voert een methodologiekritiek: Sociale Wetenschappen 101 zegt dat je mensen niet gewoon kunt vragen wat ze denken — je observeert hun gedrag en zoekt naar de kloof. Zijn voorbeeld: opgegeven criteria voor wie mensen willen trouwen versus wie ze daadwerkelijk trouwen sluit direct aan op AI, waarbij opgegeven scepsis en dagelijks gebruik mijlenver uit elkaar liggen. Push polls laten peilers vragen zo formuleren dat ze elk gewenst antwoord genereren. Slimme peilers weten dit en ontkrachten hun eigen topline-resultaten, maar die correcties krijgen nooit dezelfde dekking als de alarmerende kop. > *"Je kunt een poll in principe alles laten zeggen wat je wilt. Dit is een reden waarom je moet kijken wat mensen doen."* ## [45:28] UFOs: Wat We Weten en Wat de Overheid Heeft Verborgen Andreessen begint met epistemische bescheidenheid — hij weet niets wat anderen niet weten — en werkt dan door wat hij waarschijnlijk acht. Geheime luchtvaartprogramma's creëerden echte informatieonderdrukking om legitieme nationale veiligheidsredenen, en de overheid heeft mogelijk actief UFO-verhalen uitgezaaid als dekmantel voor die programma's. Het neveneffect: het melden van vreemde luchtfenomenen werd sociaal kostbaar voor piloten en militair personeel, wat een serieus probleem is als er daadwerkelijk vijandige drones of werkelijk onbekende objecten zijn. Hij wil geloven, heeft het ene bewijs nog niet gezien dat hem over de streep trekt, en was van plan laat op te blijven om nieuw vrijgegeven White House-inlichtingstranscripties te lezen. > *"Als je een UFO-sekte rondom iets kunt opbouwen, maak je elk onderzoek naar dat onderwerp iets waar mensen het gevoel hebben dat ze het niet kunnen doen."* ## [52:25] Advies voor Jongeren & de Generatiekloof Andreessens advies voor mensen van 18-25 is direct: bouw nu AI-superkrachten op, want oudere collega's zullen zich verzetten en jij zult ze voorbijlopen. Hij citeert Douglas Adams' technologieadoptiepatroon — onder 15: dit is gewoon hoe de wereld werkt; 15-35: cool, carrièrekans; boven 35: heiligschennend, moet vernietigd worden — en zegt dat de 15-25 groep nu de gelukkigste generatie in de geschiedenis is. Hij weerlegt het doomerverhaal dat bedrijven nooit meer juniors zullen inhuren: het tegenovergestelde is waar, AI-native 18-jarigen zullen niet-native senioren "enorm, titanisch" overtreffen. Hij sluit af met een generationele epistemologiekloof van Chris Arnade: boomers geloven wat de TV zegt, iedereen onder de 40 heeft gezien hoe dat vertrouwen voorbeeld voor voorbeeld instortte, en de generatie die opgroeide na COVID weet dat institutioneel gezag simpelweg niet geloofwaardig is. > *"Een 18-jarige met AI — we gaan superproducenten zien zoals de wereld ze nog nooit heeft gezien."* ## Personen - **Marc Andreessen** (Persoon): Medeoprichter en General Partner bij a16z; medeoprichter van Netscape; gast. - **Erik Torenberg** (Persoon): General Partner bij a16z; host van de a16z Podcast; host. - **Anthropic** (Organisatie): AI-veiligheidsbedrijf waarvan het interne model blijkbaar dreigend gedrag vertoonde, waarmee het openingsgesprek op gang werd gebracht. - **SPLC** (Organisatie): Southern Poverty Law Center; aangehaald als voorbeeld van een organisatie die anti-haatretoriek inzette om politieke meningsuiting te onderdrukken en financiering te vergaren. - **a16z** (Organisatie): Andreessen Horowitz; het durfkapitaalbedrijf dat beide sprekers vertegenwoordigen. - **UFOs / UAPs** (Concept): Ongeïdentificeerde luchtfenomenen; besproken als een epistemologisch en nationaal veiligheidsprobleem, met overheidsonderdrukking van informatie als het centrale structurele feit. - **AI-doomerisme** (Concept): Het cluster van opvattingen dat AI gevaarlijk is, banen zal elimineren en gevreesd moet worden; Andreessens primaire intellectuele doelwit gedurende de aflevering. - **Suicidal Empathy** (Concept): Kader dat sociale-hervormingsbewegingen beschrijft die medelijden claimen maar systematisch hun vermeende begunstigden schaden terwijl ze hun organisatoren verrijken. - **AI-vampier / AI Cope** (Concept): Andreessens gepaarde muntslagen — AI-vampieren zijn zware gebruikers die draaien op euforische uitputting; AI cope is de dwangmatige behoefte om alle positieve AI-ervaringen als waan af te doen.

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

Het tweede Claude Code 101-episode van Anthropic behandelt het ene bestand dat Claude Code van een vreemde in een teamgenoot verandert: `CLAUDE.md`. Wat erin hoort, hoe de project/gebruiker-hiërarchie verantwoordelijkheden verdeelt en drie gewoonten die voorkomen dat het bestand uitgroeit tot een muur van verouderde regels. ## [00:02] Waarom Claude Code blijvend geheugen nodig heeft Zonder `CLAUDE.md` begint elke sessie vanaf nul. Claude moet de codebase opnieuw doorlopen, afhankelijkheden raden en herontdekken wat al geïmplementeerd is. Die aannames zijn precies wat het sturen moeilijk maakt. Het bestand bestaat om die herontdekking bij elke nieuwe sessie te omzeilen. > *When you open up Claude Code without a claude.md file, it's like it has to start fresh every single time.* ## [00:34] Wat CLAUDE.md eigenlijk is en het /init-commando Het is een gewoon Markdown-bestand in de projectroot dat bij elke sessiestart wordt gelezen en direct aan je prompt wordt toegevoegd: een «onboardingscript voor je codebase». Als je het niet zelf wilt schrijven, genereert `/init` een eerste versie op basis van bestaande code. Het voorbeeldbestand uit de walkthrough bestaat uit drie korte blokken: stack (Next.js 15 app router, Tailwind, Drizzle ORM), commando's (dev-server, tests, lint) en codeerstijlregels (2-spaties inspring, named exports, API-routes in `app/api`, voorkeur voor server actions). Met dat geladen levert een verzoek voor een React-component direct projectconforme code op in plaats van na een reeks correcties. > *It's a markdown file that you add to the root of your project and Claude Code reads it automatically every time you start a session.* ## [01:34] De geheugenhiërarchie: project versus gebruiker Ja, check het in in versiebeheer. De project-level `CLAUDE.md` is bedoeld voor het hele team. Maar er is een tweede laag: een gebruiker-level `CLAUDE.md` in je configuratiemap die je door elk project volgt. Daar leven persoonlijke voorkeuren — hoe je commentaar geschreven wilt zien, idiomen die je verkiest — zonder het gedeelde bestand te vervuilen. > *But there's actually a hierarchy of memory files depending on who it's for.* ## [02:01] Drie tips om CLAUDE.md nuttig te houden Drie gewoonten die de verteller aanbeveelt. Ten eerste, als je Claude steeds op hetzelfde moet corrigeren («gebruik altijd server actions in plaats van API-routes»), vraag hem dan expliciet dat op te slaan in het geheugen zodat de correctie sessie-overstijgend geldt. Ten tweede, bestaande documentatie met `@filepath` inladen in plaats van kopiëren en plakken. Ten derde — contra-intuïtief — een nieuw project *zonder* `CLAUDE.md` starten en observeren waar je constant bij moet sturen; alleen die frictiepunten horen in het bestand. Zo blijft het compact in plaats van opgeblazen. > *We recommend you start off a project without a claude.md file so you can see where you have to constantly course correct the model.* ## [02:39] Samenvatting: context maakt het verschil De hele boodschap in één zin: het verschil tussen een frustrerende en een productieve sessie is context, en `CLAUDE.md` is het aflevermechanisme. Klein beginnen — stack, voorkeuren, commando's — en laten groeien vanuit echte wrijving. > *Start with your stack, your preferences, and then commands, and just build from there as you go.* ## Entiteiten - **Anthropic Tutorial Verteller** (Person): Voice-over host van Anthropics officiële Claude Code 101-reeks. - **CLAUDE.md** (Concept): Markdown-bestand in de projectroot dat Claude Code bij elke sessie automatisch laadt en blijvende context aan de gebruikersprompt toevoegt. - **/init** (Command): Claude Code-commando dat een initiële `CLAUDE.md` genereert door de bestaande codebase te scannen. - **Project-level vs gebruiker-level CLAUDE.md** (Concept): Tweelaagsgeheugenhiërarchie. Het projectbestand bevindt zich in de repository-root en wordt via versiebeheer gedeeld; het gebruikersbestand bevindt zich in de configuratiemap en draagt persoonlijke voorkeuren door alle projecten mee. - **@filepath-referentie** (Concept): Syntaxis om `CLAUDE.md` naar bestaande documentatiebestanden te laten verwijzen in plaats van de inhoud te dupliceren. - **Next.js 15 / Tailwind / Drizzle ORM** (Software): Stack gebruikt in het voorbeeld-`CLAUDE.md` van de walkthrough om te laten zien hoe een echt bestand eruitziet.

Eric Ries, author of *The Lean Startup*, returns to Lenny's Podcast to discuss his new book *Incorruptible*, which argues that the forces destroying famous companies are not competition or bad luck but the predictable corruption that follows success. Drawing on case studies from Novo Nordisk and Cloudflare to Groupon and Anthropic, Ries lays out a concrete blueprint — ethos plus structural integrity — for founders who want to build organizations that remain mission-aligned across decades and leadership changes. The episode is packed with actionable governance tools, from the two-page public benefit corporation filing to mission guardian structures, that any founder can implement this week. ## [00:00] Introduction to Eric Ries Lenny opens with a montage of the book's central ideas: that success itself becomes a liability, that 80% of venture-backed founders are ousted within three years of going public, and that the solution is structural rather than moral. Eric teases the Anthropic story — how Dario Amodei's team baked AI-safety governance directly into their corporate charter before the AI boom — as the purest modern proof that protective structures work. > *"The thing that destroyed them was not competition. Their very success became a liability."* ## [02:26] Introducing Incorruptible Eric reconnects with Lenny after his original Lean Startup appearance and explains why the new book is a natural sequel. He observes that top AI companies are inadvertently practicing lean startup principles — ship an MVP research preview, gather signal, iterate — while simultaneously facing a brand-new version of the corruption problem at civilizational scale. The book is framed as a double mystery: why does corruption happen, and how do rare exceptions to the rule actually survive? > *"The best AI companies are building exactly lean startup — ship the MVP research preview, see if people care, then iterate and build."* ## [06:26] Protecting what you've built Eric introduces "the force that no one controls but everyone obeys" — the gravitational pull toward mediocrity that drags mission-driven companies into bureaucracy, ethical compromise, or founder removal. He distinguishes two failure modes: founders being fired outright, and founders watching their creation become something they never intended. Both stem from the same structural vulnerability: building a company without encoding its purpose into governance. > *"Sometimes we lose control because we get fired. Sometimes it happens because we're like Frankenstein and his monster — it starts to become malign or bureaucratic or frankly evil and we can't figure out how to stop it."* ## [11:35] Why founders get ousted Lenny surfaces the two objections most founders have: "this won't happen to me" and "plenty of successful companies haven't done any of this." Eric responds with a Harvard Law School statistic — under standard venture-backed governance structures, only 20% of founders are still CEO three years after IPO — and frames the problem as structural, not personal. Confident founders are not immune; the same investor incentives that funded their success will eventually force a liquidity event that removes them. > *"If you don't get this right, no other decision you make about your company will matter for the long term — because you're not going to be the one making it."* ## [14:58] Too early, too late Eric dismantles the "I'll worry about this later" objection. Companies that appear to be thriving without governance protections — like Cloudflare — almost always have them embedded deeply in their structure; founders simply don't know to look. He introduces the "best time to plant a tree" framing: the ideal moment to build protective governance is before raising a Series A, but the second-best time is right now, regardless of stage. > *"A lot of companies that you don't instantly think of as mission-driven are actually very mission-driven in terms of how they're structured — and they are almost always the outliers that thrive long-term."* ## [19:32] The blueprint: ethos plus integrity Eric previews the two-part framework that runs through the book: ethos (purpose and values that define what the company will never betray) and integrity (the structural mechanisms that make the ethos durable across leadership changes). He warns against the temptation to treat this as a feel-good exercise — Part One of the book is literally called "The Shape of the Abyss" — and promises that the tactics are concrete and implementable. > *"There is a blueprint. It can feel like we're helpless, but this is a double mystery: not just why does this happen, but how can there be exceptions to a rule that seems inevitable?"* ## [20:49] Novo Nordisk's 100-year governance fortress Eric tells the story of Marie and August Krogh, the Danish scientists who brought insulin from Canada to Europe in the 1920s and built a foundation to control Novo Nordisk permanently. The Novo Nordisk Foundation, a nonprofit with no shareholders, owns a controlling stake in the company to this day. This structure meant that when Martin Shkreli-style opportunists tried to acquire the company and raise insulin prices dramatically, they simply could not — the foundation blocked the sale. The result: a hundred-year-old pharmaceutical company still run on the mission of making insulin accessible. > *"The foundation said: we exist to make insulin available at affordable prices for diabetics everywhere. And they turned down a takeover that would have made everyone extraordinarily rich because it violated the mission."* ## [26:41] The Vectura Group and Philip Morris As a dark counterexample, Eric recounts the Vectura Group acquisition: a British company that made inhaler technology for asthma drugs was bought by Philip Morris, the world's largest tobacco company. Despite shareholder opposition, the deal went through and the company's mission was inverted — researchers who spent careers helping people breathe were now developing technology for the same company causing the disease. Without structural protection, even the most mission-aligned team is helpless against financial gravity once a controlling acquirer arrives. > *"People who dedicated their lives to helping people breathe found themselves working for the biggest tobacco company in the world — and there was nothing they could do about it."* ## [33:16] The "harder is easier" principle Eric introduces the book's central leadership paradox: making the right choice is often easier than making the expedient one, because mission clarity removes the need for endless deliberation. He draws on W. Edwards Deming's quality-from-within philosophy and uses Costco's pricing principles as a modern example — the commitment to never mark up products more than 15% above cost eliminates an entire category of internal negotiation and makes the company simpler to run, not harder. > *"The reason it's easier is you don't have to fight with yourself. Once you've made the commitment, the decision is already made. That's the power of the harder is easier principle."* ## [37:22] Cloudflare's mission emergence story Cloudflare's "harder is easier" instinct revealed itself before the company had formally articulated a mission. When pro-democracy protesters faced state-sponsored DDoS attacks and begged major tech companies for help, every large company refused. Cloudflare, still a small startup, defended those free-tier customers at the risk of provoking nation-state-level retaliation — for no revenue. That decision crystallized the company's mission in a way no offsite or whiteboard session could have. > *"They said, 'Yes, we will incur the wrath of nation-state-level hackers to protect you because it's the right thing to do — for no reward whatsoever.' That is a company that knows what it stands for."* ## [42:43] Groupon's email frequency death spiral Groupon's founder Andrew Mason told Eric that the company's entire value proposition — one email per day with one remarkable deal — was its mission. They went public on that premise. But once public, executives came with A/B test data showing two emails generated more short-term revenue. Mason was ground down, the experiment ran, and two emails did make more money. Then three. Then four. Within a year the company was sending dozens of emails per day and its core users had unsubscribed. Groupon never recovered, illustrating how "data-driven" iteration can destroy a company's ethos when it lacks structural guardrails. > *"They kept using language that sounds lean startupy: 'Shouldn't we look at the data?' And he was like, 'All right, fine, we'll run the experiment.' Two emails makes more money. Three emails. Four emails. And then the death spiral."* ## [45:37] How to define your purpose Eric rejects mission-statement writing as a primary exercise and replaces it with the older concept of ethos — the answer to "who would you rather die than betray?" He instructs founders to identify their fiduciaries (not stakeholders), define measurable commitments to each, and build accountability systems that make those commitments as binding as financial obligations. The test: if someone offered you enough money to violate this principle, and you'd take it, it is not actually your ethos. > *"What is its purpose? Who would you rather die than betray? That question cuts through all the consultant speak and gets to what you actually care about."* ## [51:09] Mission-driven vs. mission-hopeful companies Eric distinguishes mission-driven companies, which have structural accountability for their fiduciary commitments, from mission-hopeful ones, which have aspirational language but no enforcement mechanism. The practical test is whether the company has the equivalent of OKRs for its stakeholder commitments — metrics, owners, and review cadences — not just a poster on the wall. Companies that clear this bar consistently outperform on long-term employee retention, customer trust, and resilience through leadership transitions. > *"You tell me what you care about, and then you tell me how you're measuring the things you claim to care about. If there's no measurement, it's hope, not mission."* ## [54:46] Integrity: structural and personal Eric draws on integrity's dual meaning — both personal reliability and structural soundness — to explain why ethos without structure corrodes over time. Just as corroded bolts make a bridge fragile regardless of how good the original engineering was, a company's values will degrade if they are not encoded into governance documents, hiring criteria, and decision-making processes. Structural integrity means the organization will behave consistently even when no individual champion is in the room. > *"Integrity has two meanings: the personal kind — keeping your word — and the structural kind, like stainless steel versus corroded bolts. You need both in an organization."* ## [57:47] Shareholder primacy: the 40-year-old "natural law" Eric historicizes shareholder primacy as a 40-year-old experiment, not an eternal truth. Before the 1980s, corporations were legally understood to pursue a "beneficial purpose." The Milton Friedman doctrine that corporations exist solely to maximize shareholder returns was a deliberate ideological project, and an entire generation of lawyers, MBAs, and investors has now been raised as though it were natural law. Founders who know this history can consciously choose to opt out. > *"People have been raised as if shareholder primacy was a natural law. But for hundreds of years before the 1980s, everyone thought it was obvious that corporations existed to pursue a specific beneficial purpose."* ## [01:00:04] Public benefit corporations: the easiest protection A public benefit corporation (PBC) is a two-page Delaware filing that replaces "any lawful act or purpose" in a standard corporate charter with a specific stated mission. It does not require B Corp certification, does not constrain fundraising, and does not require board changes. Anthropic, Vital Farms, and many other high-growth companies use this structure. Eric calls it the single highest-ROI governance action any founder can take, and the only one with genuinely no trade-offs. > *"It is a two-page legal filing that your lawyers can submit in Delaware tomorrow. You just say: this is the purpose of this company. It couldn't be any easier."* ## [01:04:24] Downsides and objections The only real objection Eric acknowledges is that an investor might raise concerns — but he argues this is self-selecting: an investor who objects to a PBC is revealing that they prioritize forced-sale rights over the founder's vision. Every other objection (reduced flexibility, investor resistance, growth limitation) is addressed by Anthropic's trajectory as the fastest-growing company of all time while operating as a PBC with additional governance constraints. > *"The only situation this would ever become relevant is if the investor is trying to force you to sell the company and you don't want to. So ask them: 'Is that what you're telling me?' And then decide if this is really the right partner."* ## [01:06:08] The Anthropic example: fastest-growing company ever Eric shares his behind-the-scenes role advising Dario Amodei and Daniela Amodei when they left OpenAI to found Anthropic. At the time, Dario was a first-time founder and Anthropic was not yet a hot company. Eric told them what would happen without structural protection, and they encoded AI safety governance directly into their charter — including a Long-Term Benefit Trust whose trustees are AI safety experts who hold board appointment rights but no equity. Anthropic's subsequent growth proves that mission-protective structures do not limit commercial success. > *"Dario was a first-time founder. Not a hot company at all. ChatGPT hadn't been invented yet. Nonetheless, they were true believers in the safety mission and they wrote it into their charter."* ## [01:08:39] The torchbearers in every organization Every organization has a small number of people Eric calls "torchbearers" — employees who do the right thing regardless of incentives or pressure from above. Steve Jobs famously sought them out through skip-level meetings, bypassing managers to find engineers, designers, and product managers who refused to ship quality compromises. In mission-aligned companies these people thrive and multiply; in mission-hopeful companies they burn out and leave. > *"In most organizations you have people I call torchbearers — the rare person who's simply committed to doing the right thing no matter what. Steve Jobs would host skip-level meetings just to find them."* ## [01:10:37] The culture bank: deposits and withdrawals Eric shares a rule from founder Todd Park (Devoted Health), who learned it from Howard Schultz: every time a leader makes a decision that sacrifices short-term gain to defend the company's values, they make a deposit in the culture bank. Every self-interested or greedy decision makes a withdrawal. The Todd Park rule: you can make one withdrawal for every ten deposits. Exceed that ratio and culture collapses. Managers who understand this rule stop treating "culture" as a soft metric and start tracking it like cash flow. > *"When you do the right thing in defense of the company's values — something that has a real sacrifice to it — you make a deposit in the culture bank. The Todd Park rule: one withdrawal for every ten deposits."* ## [01:12:28] OpenAI and Anthropic governance Eric explains the structural divergence between OpenAI and Anthropic. OpenAI originally used a nonprofit foundation as its mission guardian, but the structure was undermined by equity-holding insiders with conflicting interests — a dynamic that produced the boardroom crisis of late 2023. Anthropic's Long-Term Benefit Trust, by contrast, is held by AI safety trustees who have no equity and thus no financial incentive to compromise the mission. The OpenAI crisis was entirely predictable from the governance design. > *"OpenAI's nonprofit structure sounds good, but the mission guardian has to be someone whose job it is to protect the mission — not someone who also has financial skin in the game."* ## [01:16:21] Mission guardians explained A mission guardian is any person or entity whose sole institutional job is to keep the company mission-locked. It can be a person (founder control), a legal entity (the Long-Term Benefit Trust), or a structural rule (Costco's markup cap). Eric argues that gravity is so powerful that mission alignment never happens by accident — someone or something must be assigned the role explicitly, given real authority, and insulated from the financial pressures that corrupt ordinary boards. > *"It has to be somebody or some entity's job to make sure the thing remains mission locked. That does not happen by accident because gravity is such a powerful force."* ## [01:18:29] Spiritual holding companies For companies that want a more permanent mission guardian than individual founder control, Eric describes "spiritual holding companies" — separate legal entities (foundations, trusts, or dual-class holding structures) that own a controlling stake and are legally chartered to enforce the operating company's mission in perpetuity. Novo Nordisk's foundation is the canonical example. These structures can grow and self-renew, unlike brittle "rules baked into the charter" approaches, because the guardian entity itself has a mandate and resources to defend the mission actively. > *"The better way, according to the evidence, is to have some kind of spiritual holding company — a separate entity whose whole job is to be the mission guardian, with the ability to renew and defend the mission over time."* ## [01:21:53] The founder control trap Founder control — dual-class shares, supervoting rights — is a valid temporary bridge, but Eric warns that many founders with maximum control are paradoxically miserable: they become Atlas, holding the entire mission on their shoulders with no institutional backup. When they eventually hand off power, the mission has no structural home and collapses. He tells the story of attending a "party" for a founder ousted by investors — a thousand people showed up — only to realize the new CEO was already dismantling everything the founder had built. > *"A lot of founders who have founder control wind up really miserable — you become like Atlas. You can't even shrug. It's you holding back the abyss. That's a lot."* ## [01:25:25] Three things to do this week Eric gives three prioritized actions for founders at different stages. Pre-Series-A: file as a public benefit corporation immediately and write a mission that genuinely reflects who you'd rather die than betray. Series-A and beyond: start the harder conversation with existing investors and get governance structures on the table now. Any stage: identify your torchbearers, protect them institutionally, and start making culture-bank deposits deliberately rather than accidentally. > *"You have a precious, precious moment before raising money. Do not waste it. Be a public benefit corp. Write a mission that you'll feel proud of in 20 years. These are super low-cost and super high-value."* ## [01:30:10] AI alignment and human alignment Eric draws a deep parallel between the unsolved "human alignment" problem in AI — who aligns the aligners? — and the corporate governance problem the book addresses. Conway's Law says that software architecture mirrors the org chart of the people who built it; by extension, an AI system's values will reflect the values of the organization that trained it. Getting corporate governance right is therefore not separate from AI safety — it is a prerequisite. > *"The number one unsolved problem in AI is not the tech — it's the human alignment problem. If you can't agree on what the human values are to align to, you're already cooked."* ## [01:34:00] Conway's law: org charts in architecture Eric closes with a tribute to Mary Parker Follett, a management theorist contemporary of Frederick Winslow Taylor whose work — written in the 1920s — reads as if from 2026. Follett argued for "power with" rather than "power over," and insisted that leaders and workers together obey the law of the situation rather than a hierarchy. Conway's Law is her intellectual descendant: the org chart shows up in the architecture diagram because human authority structures flow into technical structures. > *"She said: the superior and the subordinate together obey the law of the situation. Not the boss's whim — the law of the situation. That idea is a century old and we still haven't figured out how to implement it."* ## [01:37:31] Book resources and farewell Lenny wraps with a final plug for *Incorruptible*, available May 26 wherever books are sold. Eric points listeners to incorruptible.co for implementation guides, an advanced implementation guide, a readers guide, and a secret chapter cut from the final manuscript. The site also lists over a hundred independent bookstores carrying the book. Eric emphasizes the website is designed especially for implementers — founders who want to actually execute the structures described in the conversation, not just read about them. > *"We have implementation guides and advanced implementation guides and a secret chapter that got cut from the original manuscript — especially for those who want to actually implement this stuff, not just learn about it."* ## Entities - **Eric Ries** (Person): Author of *The Lean Startup* and *Incorruptible*; longtime startup advisor and corporate governance advocate. - **Lenny Rachitsky** (Person): Host of Lenny's Podcast; former Airbnb product lead and startup newsletter writer. - **Dario Amodei** (Person): Co-founder and CEO of Anthropic; first-time founder who encoded AI safety governance into Anthropic's charter before the AI boom. - **Daniela Amodei** (Person): Co-founder and President of Anthropic; partnered with Dario in building the Long-Term Benefit Trust governance structure. - **Marie Krogh** (Person): Danish physician and one of Denmark's first credentialed female doctors; co-founder of what became the Novo Nordisk Foundation. - **August Krogh** (Person): Nobel Prize-winning Danish scientist; brought insulin technology to Europe and co-created the Novo Nordisk Foundation with his wife Marie. - **Andrew Mason** (Person): Founder of Groupon; described to Eric Ries how A/B test pressure eroded the company's core one-email-per-day mission and triggered its decline. - **Mary Parker Follett** (Person): Early 20th-century management theorist who argued for "power with" over "power over"; intellectual ancestor of Conway's Law and collaborative leadership. - **Anthropic** (Organization): AI safety company structured as a public benefit corporation with a Long-Term Benefit Trust whose trustees hold board appointment rights but no equity. - **Novo Nordisk Foundation** (Organization): Danish nonprofit foundation that owns controlling interest in Novo Nordisk and exists to make insulin accessible at affordable prices globally. - **Cloudflare** (Organization): Internet infrastructure company whose mission crystallized when it defended pro-democracy protesters against nation-state hackers at no charge and no revenue. - **Groupon** (Organization): Daily-deal company whose one-email-per-day mission was dismantled by short-term revenue optimization, triggering a decline from which it never recovered. - **Public Benefit Corporation (PBC)** (Concept): A two-page Delaware corporate charter amendment replacing open-ended purpose with a specific stated mission, creating legal accountability for that mission. - **Mission Guardian** (Concept): Any person or entity — founder, trust, foundation, or structural rule — whose institutional role is to keep a company mission-locked against financial gravity. - **Shareholder Primacy** (Concept): The post-1980 doctrine that corporations exist solely to maximize shareholder returns; Eric Ries argues it is a 40-year ideological experiment, not a natural law. - **Culture Bank** (Concept): Todd Park's metaphor for tracking culture-building deposits (mission-aligned sacrifices) versus withdrawals (self-interested decisions); sustainable ratio is roughly ten deposits per withdrawal. - **Long-Term Benefit Trust** (Organization): Anthropic's external mission guardian body composed of AI safety experts who hold board appointment rights and have no equity stake in the company.

Anthropics uitleg over het Model Context Protocol in Claude Code: waarmee het verbinding maakt, hoe je servers toevoegt en indeelt per scope, en de verborgen belasting die elke geïnstalleerde server op je contextvenster legt. Bedoeld voor ontwikkelaars die Claude Code willen koppelen aan Linear, GitHub of interne tooling. ## [00:02] Waarom MCP bestaat — context leeft buiten de editor Direct het kernargument: het grootste deel van de context die Claude Code nodig heeft, staat niet in de repo. Die zit in databases, productiviteitsapps en openbare packages. MCP is de open standaard waarmee Claude die bronnen zelfstandig kan raadplegen en zelf besluit wanneer, in plaats van te wachten tot jij iets plakt. > *Model Context Protocol is een open standaard waarmee Claude Code verbinding kan maken met externe tools en gegevensbronnen.* ## [00:35] Tools en wat MCP-servers daadwerkelijk koppelen Voordat er servers worden opgesomd, legt de verteller het begrip *tool* uit: agents zoals Claude Code gebruiken tools om acties uit te voeren, en dat is precies wat hen onderscheidt van een chat die alleen tekst teruggeeft. Twee concrete voorbeelden volgen: een Linear MCP-server die de issues van het team in de sessie brengt, en de Context7-server die actuele documentatie streamt voor de afhankelijkheid waarmee je werkt. Honderden andere zijn te vinden op claude.com/connectors. > *Tools geven agents zoals Claude Code de mogelijkheid om acties uit te voeren zodat ze hun taken beter kunnen voltooien.* ## [01:14] Servers toevoegen: HTTP vs STDIO en /mcp Servers worden toegevoegd met `claude mcp add` en bestaan in twee varianten: **HTTP**-servers, op afstand gehost door de provider en bereikbaar via het netwerk, en **STDIO**-servers, lokale processen die op je eigen machine draaien. Na installatie toont het in-sessie commando `/mcp` wat er verbonden is, de status van elke server, en laat je iedere server uitschakelen die je niet wilt. > *HTTP-servers zijn voor externe diensten... STDIO-servers zijn voor lokale processen die op je machine draaien.* ## [01:42] Drie scopes: local, user en project (.mcp.json) Elke server valt in één van drie scopes. **Local** beperkt hem tot het huidige project, alleen voor jou. **User** maakt hem beschikbaar in al je projecten. **Project** schrijft een `.mcp.json` die je in versiebeheer zet, zodat elk teamlid dat aan de codebase werkt automatisch dezelfde servers krijgt. > *De project-scope gebruikt een .mcp.json-bestand dat je in versiebeheer zet, zodat iedereen die aan de codebase werkt automatisch precies dezelfde servers krijgt.* ## [02:04] Tooldefinities kosten context — wanneer CLI of skill de betere keuze is Wat niemand vertelt als je een connectorlijst overhandigd krijgt: elke geconfigureerde MCP-server injecteert zijn tooldefinities in het contextvenster, of je hem nu gebruikt of niet. De maatregelen die de verteller stapelt: `/mcp` uitvoeren en alles uitschakelen wat inactief is; een CLI zoals `gh` of `aws` verkiezen als die beschikbaar is, want CLIs bevatten geen persistente tooldefinities; of de workflow inpakken in een skill, die alleen naam en beschrijving in de context plaatst totdat Claude besluit hem te laden. Zodra MCP-tooldefinities de 10% van de context overschrijden, schakelt Claude Code over naar toolzoekfunctie en ontdekt tools op aanvraag — nuttig, maar minder betrouwbaar dan vooraf laden. > *MCP-servers voegen tooldefinities toe aan je contextvenster, zelfs wanneer je ze niet gebruikt. Als je veel servers hebt geconfigureerd, vreet dat aan je beschikbare context.* ## [03:10] Samenvatting De drie dingen om te onthouden: `claude mcp add` installeert servers, `.mcp.json` deelt ze met het team, en `/mcp` is waar je de servers opruimt die je eigenlijk niet gebruikt. > *Voeg servers toe met Cloud MCP add, begrens ze tot je project met .mcp.json zodat je team ze automatisch krijgt, en houd het contextgebruik in de gaten door servers uit te schakelen die je niet actief gebruikt.* ## Entiteiten - **Anthropic-tutorialverteller** (Person): De officiële voice-over verteller van Anthropic voor de Claude Code 101-reeks. - **Model Context Protocol (MCP)** (Standard): Open protocol waarmee Claude Code via HTTP- of STDIO-servers verbinding maakt met externe tools en gegevensbronnen. - **Linear MCP server** (Software): Connector die de Linear-issues van het team in een Claude Code-sessie brengt. - **Context7 MCP server** (Software): Connector die Claude Code voorziet van actuele documentatie voor de gebruikte afhankelijkheid. - **.mcp.json** (Config): In versiebeheer gezet projectmanifest zodat elk teamlid dezelfde MCP-servers erft. - **/mcp** (CLI command): In-sessie commando om verbonden MCP-servers te bekijken, te inspecteren en uit te schakelen. - **Tool search mode** (Feature): Fallbackmodus die Claude Code activeert wanneer MCP-tooldefinities meer dan 10% van het contextvenster innemen, waarbij tools op aanvraag worden gevonden. - **Skill** (Concept): Lichtgewicht alternatief voor een volledige MCP-server; alleen naam en beschrijving staan in de context totdat Claude de inhoud op aanvraag laadt.