PodcastsHear the voice. See the shape of the thought.

Recorded live at Microsoft Build, this crossover episode between No Priors and Latent Space brings Sarah Guo, Elad Gil, and swyx together for a wide-ranging conversation with Satya Nadella. Satya argues that the platform shift now underway is defined by a single test: can every company operate at the frontier using their own frontier intelligence — their own private evals, their own trained harness, their own context? Across 42 minutes he walks through Microsoft's MAI model lineage strategy, why the enterprise harness (not the model) is the durable moat, how SaaS business models will unbundle and rebundle, and why the "hyper-leveraged generalist" — the full-stack builder who can design, code, and ship — is the defining role of this era. ## [00:00] Satya Nadella Introduction The episode opens with a clip that actually comes from late in the interview: Satya's assertion that the world will grow skeptical of any tech company asking for blind trust, and that the industry must deliver tangible, measurable benefits to earn permission to operate at scale. Sarah Guo and swyx welcome him to the crossover stage at Build, where Satya says he listens to both podcasts regularly. > *"The world is going to be very skeptical of tech and tech companies that say, 'Trust us, we've got it. The future is going to be glorious.' You kind of have to deliver tangible benefits because it's too important this time around."* ## [01:48] Reflections from Microsoft Build Satya's single biggest takeaway from the Build keynote: stop thinking about this as a model race and start thinking about it as an ecosystem play. Every prior Microsoft platform shift — Windows, Azure, Office — succeeded because it created more value above the platform than Microsoft captured inside it. The morning's keynote, he says, was about giving any company — AI-native or legacy enterprise — a clear recipe to become a first-class participant who points to AI *they created*, not just AI they rented. > *"A platform is defined by fundamentally its ability to create more value above the platform versus what's captured in the platform."* ## [03:12] Microsoft's AI Training Strategy The MAI model family started with a deliberate obsession over pre-training data quality — ablating out the noise that makes many open-weight models look strong on benchmarks but brittle in practice. Satya introduces the "hill climbing scaffold": a company takes a frontier model like GPT-5, collects traces from real workflows, then uses those traces to train a small 5B reasoning model that surpasses the larger model on the company's *private* eval. The Lando Lakes demo shown at Build used exactly this approach. His conclusion: private evals have become more strategically important than any publicly available benchmark, because public evals can all be maxed. > *"Each company will have its own private eval. And so that end-to-end platform story around our models is sort of what I think is interesting."* ## [05:48] Complexity of Real-World Deployment of AI Elad Gil asks what Satya would tell himself two or three years ago. His answer: the scaling laws worked, and capability has climbed — "intelligence is log of compute" turned out to be roughly right. What the industry underestimated was the real-world complexity of deployment: getting models to deliver measurable value outside benchmark conditions. The symptom he points to is the "I don't want a token max" complaint from customers, which he reads as evidence that the industry built token-burning products before building token-earning workflows. > *"The true eval is when people out there are able to do unique things that they only can value and it's very measurable — that I wish we had sort of even like had more in our consciousness."* ## [07:33] Augmenting Human Capital Sarah Guo asks beyond coding — what use cases are creating the most value. Satya notes coding worked so well it forced a redesign of the IDE itself: 100 parallel agent sessions generate so much cognitive load that a new UI (canvas, not just chat) became necessary. Beyond coding, the pattern he is watching is "glue work" automation — the coordination, status-tracking, and handoff work that ties together human judgment. Autopilot-class agents running overnight with delegated authority, then surfacing a morning digest of what they completed, compress entire workflow cycles. The bottleneck shifts from execution to review. > *"If you now can augment that with tokens slash agents that are long-running, durable — then your ability to scale even what is still judgment and glue work gets amplified like coding does."* ## [09:37] Harnesses for Enterprise swyx surfaces the key architectural question: if the coding agent needs a harness (environment, context, tools), what is the equivalent harness for broad enterprise productivity? Satya's answer: Microsoft's GitHub harness is now the spine across GitHub Copilot, Security Copilot, and the Discovery for Science products — all multi-model, all with progressive tool disclosure to keep token budgets manageable. The magic, he says, is in the context layer: getting the right context into the plan executor is where most real-world performance comes from. He uses the MDaS security product as existence proof that a multi-model harness can find vulnerabilities that specialized models missed. > *"The amount of work you need to do to prep the context layer such that your plan can execute in the most efficient way is where the magic is."* ## [11:49] Developer Value Sarah Guo sharpens the tension: frontier labs build first-party products that capture most of their revenue — where does the independent developer capture value in that model? Satya's argument is that the network effects of intelligence are not winner-take-all the way Windows was, because models learn from small, novel samples — not from data volume monopolies. That means the developer's durable asset is the private eval that lets them hill-climb on any frontier model and switch providers without losing ground. An open harness plus private evals plus curated context is the new platform investment for any AI-native company. > *"Every company having private eval maybe the biggest IP right now — I think about it like what's that private eval that you can then use even a frontier model to hill climb on and not leak the traces."* ## [15:09] Can Everybody Operate at the Frontier with Their Frontier Intelligence? Satya crystallizes the developer conference thesis: the whole point of a platform is to let someone else extend and build their own intelligence layer on top. Without that, a developer conference is just a showcase for one model. He uses the NVIDIA/CUDA parallel — he jokingly tells Jensen he wishes Microsoft had built CUDA — to underscore that the most powerful platform moves are when an infrastructure layer enables others to run far beyond what the platform vendor imagined. > *"Without it, why have a developer conference? I can just come and have you all sort of just worship at the altar of one model. But that's not a developer conference."* ## [15:51] Modern Definition of IP A backstage conversation before the taping surfaced the question of what IP means now. Satya's answer: human capital used to be the irreducible tacit knowledge — impossible to put on a balance sheet. Agent traces change that. Every interaction between a human and an agent inside Teams or GitHub or M365 is a trace that can train a company-specific "veteran agent" — not a generalist, but one that has absorbed how *this* company creates value. That trained agent should, Satya argues, go on the balance sheet the way patents do today. > *"When a company says it should in fact go onto the balance sheet is how I think about it — the agents that have learned through time through all the traces."* ## [17:38] Future of Vendor vs. Enterprise Agents Sarah Guo raises the "end of software" debate: if workflows are cheap to generate, what survives of the SaaS stack? Satya deconstructs the SaaS vertical: the data model at the bottom (the general ledger, the entity relationships) remains valuable and stable — nobody wants a new schema for their general ledger. Business logic encapsulated in something like PowerBI's semantic model also survives. What changes is the UI and configurability layer, which can be dynamically generated. The result is unbundling and rebundling, not wholesale replacement. He points to Work IQ (the M365 graph exposed as an agent-accessible database) as the example: a GitHub repo can now query meeting transcripts from the previous week and generate a code-change plan — a use case that was structurally impossible before. > *"I go to a GitHub repo and I say, 'Hey, I attended a bunch of design meetings last week related to this repo. Can you capture all that and tell me what changes I should make?' It literally can go look at all those transcripts, come back with a plan to change a code base."* ## [21:48] Near-Term Predictions on Model Pricing Satya maps the pricing evolution: per-user subscriptions persist because enterprise budget owners need certainty and entitlements. Consumption tiers layer on top as agent intensity grows. Outcome-based pricing is conceptually attractive but psychologically unstable — customers who love it in theory balk when the invoice arrives, because paying on outcomes feels like giving away royalty. His concrete example: GitHub Copilot was priced as a per-user interactive tool, but agentic workloads running 10,000 parallel sessions all day require a consumption meter alongside the per-user base. > *"Most people love outcomes until they have an outcome. Because once you have an outcome, it's like giving away royalty."* ## [24:02] Durability of SaaS The "agent euphoria" phenomenon inside enterprises — teams convinced they can rebuild their SaaS stack in six months — will, Satya predicts, run into the maintenance reality after one budget cycle. The build-vs-buy calculus is quantifiable: acquire when the marginal cost of building and maintaining exceeds the vendor price. Maintenance includes security patching (AI will find vulnerabilities faster, which means you have to fix them faster), and fixing costs tokens. The net result: SaaS survives as a category but vendors who won't expose flexible pricing and open agent interoperability will lose accounts to those who do. > *"I think we've gone through the excitement that I can generate a lot of software. I think the next thing would be what software do I really want to generate? What software do I want to use from others?"* ## [25:58] What Satya's Building Elad Gil asks what Satya is personally building. He describes a chief-of-staff autopilot agent he built in a week using Work IQ, Azure Foundry long-running agents, and Rayfin for memory storage. The agent monitors his context continuously, and when he published it to Teams, it deployed automatically. His broader point: GitHub Copilot Sessions has made it possible even for a CEO to have meaningful agency over codebases — not to replace engineers but to inspect, learn, and have a full-stack view of what his organization is building. > *"I could say publish to teams and it published the damn thing to teams. The ability to have a you know some end-to-end project like this complete is just pretty miraculous."* ## [28:18] Future of Engineering Roles swyx asks whether the "four engineering roles" thesis — agent managers, forward-deployed engineers, security engineers, and large-scale infrastructure owners — captures the future. Satya points to what LinkedIn already did structurally: created a "full-stack builder" discipline that merges design, product management, and front-end engineering while preserving individual domain edges. The role expands scope without erasing specialization. He flags infrastructure as the other growth area — building the reward learning environments (RLEs) for models like Excel's agent is a distributed systems problem, not a product problem. But his highest-conviction bet is on the hyper-leveraged generalist: the person who used to produce Word documents and spreadsheets and can now, in the same cognitive breath, ship an application. > *"The generalist role is going to be the most exciting right because the leverage of a generalist is where we are going to see the maximum returns."* ## [30:54] How Microsoft Can Be More Ambitious Sarah Guo cites her partner's essay arguing this is the moment for radical ambition. Satya's framework: the key move is to give yourself permission to do "meta work" — not to do the task, but to build the agentic system that does the task. He uses the Azure network team as the central example: faced with building more Azure capacity in 15 months than in the first 15 years, the network engineers said their job was no longer fiber operations — it was building the agentic system ("Miles") that does fiber operations. They told Satya they didn't need more headcount, they needed more tokens. That reconceptualization is the ambition unlock — analogous to how the PC era was never really about typing, it was about knowledge work. > *"Our job is not to do Azure networking. Our job is to build the agentic system that does Azure networking."* ## [34:36] Data Centers and Community Impact Elad Gil raises the community-level stakes of the data center buildout. Satya is direct: unless communities see tangible local benefits — stable or lower energy prices, water replenishment through closed-loop systems, construction jobs, post-construction tax base — the industry will lose the social license to operate. He frames it historically: technologies that consumed large amounts of energy while creating broad societal value have had good outcomes; those that didn't, haven't. The token economy needs the same proof: productivity gains, economic growth, and broad participation visible at the community level, not just in enterprise earnings. > *"Unless we as an industry are very principled about ensuring that the benefits of all the stuff we're talking about are felt in real ways at the community level — it has to be real."* ## [38:01] AI's Impact on Society swyx asks what Satya has most updated his personal models on regarding societal impact. His answer: the most critical thing in the next 12–18 months is making it legible to ordinary people that they have a real shot as first-class participants in the AI economy — through health outcomes, startup formation, running a local business more efficiently. The abstract promise ("trust us, it'll be great") has already exhausted its credit. The test is whether politicians who advocate for AI-driven productivity gains can win elections because their constituents saw real benefits, not just stock returns. > *"I think the world is going to be very skeptical of tech and tech companies that say trust us we've got it the future is going to be glorious — you kind of have to deliver tangible benefits."* ## [39:52] AI and Education Sarah Guo notes education as an area where AI's impact has been slower than expected. Satya points to his visit with the founders of Alpha School as an example of genuinely rethinking pedagogy — not just digitizing old curricula. He flags a Stanford CS course that still teaches students when to apply softmax correctly (concept-first) rather than just prompting agents to fix training runs, as evidence that conceptual foundations remain necessary. But the credentialing system, the incentive structures for learning, and the link between credentials and employment opportunity all need to change together. His closing bet: the next big startup success story might be someone who builds a new university or a new curriculum-to-employment pipeline. > *"Maybe the next big startup and success story could be someone who builds a new university or a new pedagogy even of how to get someone to go through a curriculum and find economic opportunity."* ## Entities - **Satya Nadella** (Person): Microsoft Chairman & CEO; the primary guest throughout. - **Sarah Guo** (Person): GP at Conviction and No Priors co-host; interviewer. - **Elad Gil** (Person): Independent investor and No Priors co-host; interviewer. - **swyx** (Person): Latent Space host; interviewer for the Microsoft Build crossover. - **Microsoft** (Organization): Publisher of Azure, GitHub, Microsoft 365, and the MAI model family. - **GitHub Copilot** (Software): Microsoft's AI coding assistant; the anchor product for the multi-model harness strategy. - **Azure Foundry** (Software): Microsoft's platform for deploying long-running agentic workflows and custom model fine-tuning. - **Work IQ** (Software): Microsoft 365 graph exposed as an agent-accessible database, enabling cross-product context queries. - **MAI models** (Concept): Microsoft's in-house model family, built with a clean pre-training lineage and designed for enterprise hill-climbing via private evals. - **Private eval** (Concept): A company's proprietary benchmark capturing its unique workflows; Satya argues this is now the most important form of intellectual property. - **Multi-model harness** (Concept): An orchestration layer that routes across multiple models, tools, and context sources — the durable enterprise moat vs. any single model. - **Full-stack builder** (Concept): LinkedIn's structural role combining design, product, and engineering into a generalist with broader scope and higher AI leverage. - **Alpha School** (Organization): Education startup whose founders Satya met with while rethinking AI's role in pedagogy. - **MDaS** (Software): Microsoft's security product that demonstrated multi-model harness performance superiority over specialized models in vulnerability detection.

Sarah Guo conversa com Maxim Bar Kogan, cofundador e CEO da Onyx Security, sobre o que é preciso de fato para proteger agentes de IA em escala corporativa. Maxim argumenta que os controles tradicionais — proxies, restrições de identidade, revisão humana — se desfazem quando as ações dos agentes se multiplicam exponencialmente, e que o único caminho viável é treinar modelos pequenos e especializados que saibam quando escalar para um supervisor mais robusto. A conversa cobre o produto "plano de controle seguro" da Onyx, a matemática de custo e latência por trás do treinamento de modelos customizados, por que os labs não podem certificar com credibilidade a segurança de seus próprios modelos, e a convicção de Maxim de que o AGI está chegando e que a supervisão independente de IA será um negócio de centenas de bilhões de dólares. ## [00:00] Abertura Direta Maxim entra direto no assunto: à medida que as empresas fazem mais com agentes de IA, ações indevidas virão — agentes publicando credenciais por acidente, fazendo chamadas de rede não autorizadas, dando passos irreversíveis. As empresas já sabem que a onda de adoção não pode ser detida; o que falta é qualquer mecanismo para distinguir uma ação legítima de uma ilegítima. O trecho apresenta a tese central da Onyx antes da introdução. > *"As empresas definitivamente estão começando a perceber que esse risco cresceu exponencialmente e que não têm nenhuma forma de frear a adoção. Agora precisam fazer algo para reduzir a chance de essas ações dos agentes serem ilegítimas ou incorretas."* ## [00:45] Apresentação de Maxim Bar Kogan Sarah apresenta Maxim como cofundador e CEO da Onyx Security, uma startup israelense formada por pesquisadores, matemáticos e engenheiros — descrita como construtora de agentes para vigiar os agentes de IA. A empresa combina expertise em segurança ofensiva com pesquisa profunda em IA, incluindo trabalhos em dados sintéticos e interpretabilidade mecanicista. ## [01:10] AutoGPT e a Aposta nas Ações de Agentes Até dois anos atrás, o risco dominante em segurança corporativa era DLP para chatbots — funcionários colando dados sensíveis no ChatGPT. Esse enquadramento cedeu lugar a um quase pânico em torno das ações autônomas de agentes. Maxim traça a aposta da Onyx de volta ao AutoGPT: o primeiro agente que permitiu que um LLM decidisse o que fazer, chamasse uma ferramenta e repetisse o ciclo — não apenas gerasse texto. A demonstração provou que agentes poderiam agir no mundo real de forma autônoma, e Maxim concluiu imediatamente que alguém precisaria supervisionar essas ações em escala. > *"O AutoGPT soltou a imaginação de todo mundo, inclusive a nossa, porque foi o primeiro agente realmente autônomo rodando sobre LLMs — um agente que deixava o LLM não gerar texto, mas decidir o que fazer e então dar a esse agente acesso via API para fazer aquilo."* ## [05:17] O que o Produto da Onyx Faz A Onyx faz duas coisas: treina modelos e constrói agentes que supervisionam outros agentes, empacotando essa capacidade como um "plano de controle seguro" que as empresas conectam à sua pilha de IA. O plano de controle monitora as ações dos agentes quanto à legitimidade — decidindo em tempo real se uma dada ação está dentro dos limites — enquanto gerencia o equilíbrio entre latência, custo e confiabilidade. Maxim posiciona a visão de longo prazo além da segurança corporativa: qualquer empresa que opere agentes de IA precisará de um terceiro independente para certificar o que esses agentes estão fazendo. > *"O número dessas ações está crescendo exponencialmente. Coisas que achávamos úteis no passado, como um humano no loop — agora que vamos ter 100x, mil vezes, um milhão de vezes mais dessas ações — isso simplesmente não vai funcionar."* ## [07:47] O Estado da Adoção em Grandes Empresas Em uma grande empresa típica hoje, Maxim vê três categorias de adoção de IA: automações SaaS de baixo código (arrastar e soltar, não verdadeiramente autônomas), agentes internos desenvolvidos pela própria empresa ou como produtos voltados ao cliente, e agentes e assistentes autônomos de programação. Desses três, os agentes de programação já respondem por mais de 50% do uso de IA. Os setores mais maduros — serviços financeiros e saúde — têm os controles mais rígidos, mas mesmo as empresas mais cautelosas abandonaram as proibições totais de IA e passaram a gerenciá-la. > *"Mais de 50% são os agentes e assistentes autônomos de programação na empresa média."* ## [09:58] Protegendo Agentes As empresas já gastam cerca de US$ 100 bilhões por ano em segurança — endpoint, rede, nuvem, identidade. Sarah pergunta quanto disso se aproveita para a segurança de agentes. A resposta de Maxim: quase nada. Os controles de identidade, a camada mais fundamental, falham porque agentes precisam de permissões amplas e dinâmicas que não podem ser definidas com antecedência. Um agente que escreve código em todo um repositório ou envia e-mails em nome de um executivo não pode ser restringido a um conjunto estreito de permissões como um processo de software estático. A superfície de ataque é a intenção, não o acesso — e as ferramentas existentes não conseguem ler intenção. > *"Com essas IAs autônomas, com esses assistentes, com esses agentes de programação, você não consegue saber com antecedência quais permissões dar a eles."* ## [12:45] Por que Proxies Não Funcionam O instinto de Sarah, dado seu histórico em segurança: isso parece um problema para um proxy com um motor de políticas mais inteligente. Maxim concorda que proxies funcionam como ponto de integração em algumas arquiteturas, mas diz que eles erram completamente o problema central. Um proxy dá acesso ao fluxo de dados; não diz se a ação nesse fluxo é legítima. Esse julgamento exige entender o contexto — o objetivo do agente, seu histórico, o que a empresa autorizou — e nenhum motor de regras sabe como avaliar isso em comportamentos arbitrários de agentes. > *"O problema difícil é entender se o que devo fazer agora é correto ou não. No caso de sistemas de IA, essa é a pergunta difícil."* ## [14:11] Por que a Onyx Treina Seus Próprios Modelos A solução ingênua — usar Claude Code para monitorar Claude Code — quebra em custo e latência. Rodar um agente de modelo de fronteira para cada agente corporativo tornaria a camada de segurança mais cara do que a própria IA sendo protegida. A resposta da Onyx são modelos pequenos e altamente especializados que fazem exatamente uma coisa: decidir se a ação atual justifica escalar para um supervisor mais robusto. Sarah faz a analogia com o xadrez-relâmpago: grandes mestres jogam por intuição nos movimentos rápidos e param apenas nos momentos críticos. Maxim diz que a analogia está certa — concentrar inteligência exatamente onde o risco é maior e permanecer enxuto em todo o resto. > *"Você quer tentar treinar modelos que sejam bons em uma única coisa. São muito pequenos. Quase não conseguem fazer mais nada além de dizer: 'Devo ter um agente mais inteligente olhando para isso?'"* ## [18:38] A Cultura de Talentos da Onyx O talento em segurança de Israel — moldado por unidades como a 8200, empresas como Armis e Wiz — é bem conhecido. O DNA da Onyx é diferente: o background do cofundador Gil é em dados sintéticos e NVIDIA, não em segurança ofensiva. Grande parte da engenharia de pesquisa da Onyx vem de uma unidade de inteligência israelense focada na interseção entre matemática e segurança cibernética. Maxim vê essa combinação como deliberada — o problema de longo prazo que a Onyx está resolvendo não é apenas segurança corporativa, mas como controlar IA avançada em definitivo. Isso exige expertise profunda em IA junto com instintos de segurança. Israel como um todo está avançando rapidamente em IA: modelos de mundo, infraestrutura de IA, chips. > *"O problema não é apenas cibersegurança. O problema é como controlamos IA avançada a longo prazo — e esse problema, mesmo que você esqueça as lacunas de segurança corporativa, simplesmente parece muito importante."* ## [21:24] Interpretabilidade Mecanicista Maxim acredita que a interpretabilidade mecanicista — entender o que realmente acontece dentro dos pesos e ativações de um modelo — é possível e necessária. Sua tese contraintuitiva: à medida que os modelos se tornam mais inteligentes que os humanos em aspectos importantes, eles estarão mais bem equipados para decifrar a estrutura interna de outros modelos do que nós. A Onyx financia ativamente pesquisas nessa direção, não apenas como ferramenta de segurança, mas como janela para o que é a inteligência em si. Sarah endossa a aposta, ressaltando a oportunidade de entender não apenas IA, mas a cognição de forma mais ampla. > *"À medida que temos modelos muito mais inteligentes que nós, pelo menos em alguns aspectos importantes, acreditamos que seremos capazes de decifrar capacidades mecanicistas muito mais efetivamente."* ## [23:35] Como a Onyx Constrói Confiança com Clientes Empresas da Fortune 10 e 20 normalmente não trabalham com startups de dois anos com menos de 100 pessoas. O que quebra essa regra é a dor: CISOs enfrentando incidentes diários com ações de agentes não têm um fornecedor consolidado para chamar, porque o problema não existia três anos atrás. A Onyx recebe contatos de empresas que as encontraram ao saírem do stealth porque a descrição do problema coincidia com algo que já estavam combatendo. Maxim trata isso como uma janela estreita e temporária — compradores corporativos sabem que novas startups vão crescer, e preferem ser clientes iniciais moldando o produto a adotantes tardios. > *"É uma abertura que só acontece quando a dor é muito forte. A dor deles é tão intensa que dizem: 'Acabei de ver essa empresa sair do stealth, mas é um problema que tenho todo dia, então vou ligar para eles.'"* ## [25:10] Mitigando Riscos no Nível Fundamental A segunda onda de pânico dos CISOs — além das ações de agentes — é o custo despencante da pesquisa automatizada de vulnerabilidades. Ferramentas de programação agora conseguem encontrar e explorar vulnerabilidades em uma escala que teria parecido décadas distante há poucos anos. Maxim diz que o mercado não está exagerando: é uma mudança estrutural real. A resposta correta é dupla: correções rápidas e controles mitigadores agora, mais investimento em controles fundamentais — identidade bloqueada, firewalls, detecção de endpoint — que reduzem a superfície explorável independentemente do que as ferramentas do atacante conseguem fazer. > *"A solução real — e todo líder de segurança em grandes empresas sabe disso — é ter as peças fundamentais no lugar para evitar esses riscos."* ## [27:45] Lançamento Gradual do Glasswing e do Daybreak Sobre os programas controlados de lançamento Glasswing da Anthropic e Daybreak da OpenAI para modelos mais capazes: Maxim tem uma visão condicional. O lançamento gradual é ideal se for globalmente coordenado — compra tempo para construir playbooks, compartilhar conhecimento e evitar falhas catastróficas em redes elétricas ou companhias aéreas. Mas se qualquer ator lançar um modelo comparável antes do cronograma gradual, a abordagem se torna um passivo: empresas que não tiveram acesso antecipado ficam expostas a uma ameaça para a qual não tiveram chance de se preparar. Sua recomendação é ampliar o acesso para que mais organizações possam construir defesas em paralelo. > *"Se alguém chegar a um modelo de nível metodológico antes, em retrospecto pareceria um erro enorme — poderíamos ao menos ter dado às empresas a escolha de começar a se mover muito rapidamente."* ## [29:11] Grandes Empresas Resistentes Dois anos atrás, um grupo significativo de grandes empresas simplesmente proibiu a IA. Hoje Maxim mal vê isso. O setor financeiro ainda impõe restrições — permitindo agentes, mas limitando quais ferramentas — mas as proibições totais sumiram. Ele argumenta que isso é correto: dependência excessiva de um único fornecedor é um risco por si só. Apostar exclusivamente nos modelos de um fornecedor na velocidade em que esse mercado se move significa ser pego de surpresa quando a próxima geração muda a classificação. Empresas que permitem ampla diversidade de ferramentas e a gerenciam rigorosamente vão superar as que restringem agressivamente. > *"Se você tivesse apostado na OpenAI há um ano, teria sido a aposta mais segura do mundo, mas de repente a Anthropic tem modelos e ferramentas muito melhores."* ## [30:46] A Onyx e o Espaço Mais Amplo de Segurança em IA A segurança em IA está lotada de novos fornecedores e novas superfícies de ataque. A resposta de Maxim à ansiedade sobre escopo de produto: os dois primitivos centrais da IA de 2026 — modelos de fundação baseados em transformer e loops de agentes com chamadas de ferramentas — não mudaram fundamentalmente nos últimos anos. Essa estabilidade permite que a Onyx construa para muitas aplicações de agentes mantendo sua tecnologia central enxuta. A verdadeira proteção contra mudanças arquiteturais é investir em pesquisadores que possam retreinar e se adaptar rapidamente, em vez de apostar que um único paradigma de modelo durará para sempre. > *"Os dois pilares centrais de como a IA de 2026 funciona não mudaram nos últimos anos. Ainda são amplamente modelos de fundação LLM, e ainda construímos agentes praticamente da mesma forma."* ## [32:36] Os Labs Devem Tratar de Confiança e Governança em Modelos? A questão urgente da área de tecnologia: os labs eventualmente vão absorver o problema de confiança e governança? O argumento estrutural de Maxim contra isso: compradores não querem que o vendedor do carro certifique o carro. As equipes de segurança precisam de um terceiro independente cujo modelo de negócio depende inteiramente de acertar — não de um fornecedor protegendo sua própria reputação de produto. Além da psicologia do comprador, Maxim traça uma linha entre erros de "inteligência irregular" (erros bobos que vão melhorar com modelos mais fortes) e falhas de intenção: manipulação adversarial, objetivos desalinhados, desvio de metas. Os labs vão corrigir a primeira categoria. Apenas um supervisor estruturalmente independente consegue tratar da segunda. > *"Você não vai confiar no fornecedor de um produto para dizer que esse produto não vai bagunçar seu ambiente. Vai querer um terceiro independente cujo negócio inteiro depende de dizer que essa coisa está correta e de acertar."* ## [36:56] O que Precisa Acontecer em Segurança Sarah pergunta o que a comunidade mais ampla de tecnologia e pesquisa — especialmente os labs — está perdendo do ponto de vista da segurança. A resposta de Maxim: não é uma lacuna técnica, é uma lacuna de empatia. Construir produtos de segurança exige entender profundamente como as equipes de segurança realmente operam — sua estrutura organizacional, responsabilidades, fluxos de informação. Israel produz talentos sólidos em segurança em parte porque o serviço militar dá aos engenheiros experiência em primeira mão sendo o usuário final para o qual mais tarde constroem. Os labs, fica subentendido, estão desenvolvendo capacidade sem atenção suficiente à realidade operacional das organizações que terão de implantar e defender contra ela. > *"Não importa qual problema técnico você esteja resolvendo, está construindo uma ferramenta para pessoas, para uma organização com uma estrutura própria. Criar um produto para esse público que não apenas resolve o problema técnico, mas que eles realmente amam, é muito difícil."* ## [39:14] Por que Maxim Acredita em AGI Sarah encerra observando a crença implícita de Maxim de que equipes humanas de segurança ainda existirão por alguns anos. Ele confirma — mas com um prazo: as equipes de segurança serão totalmente operadas por agentes de IA em breve, assim como a maior parte do trabalho do conhecimento. Sua versão bem fundamentada do otimismo sobre AGI é que o trabalho de construir ótimos produtos não muda: sempre saber quem é o usuário final e otimizar para a experiência dele. Hoje são humanos com alguns agentes ao lado. À medida que a proporção se inverte, o mesmo princípio se aplica — só que a agentes lendo janelas de contexto em vez de dashboards. > *"Hoje, quando vendo um produto, vendo para um público humano com alguns agentes, e à medida que esse público se torna mais agentes do que humanos, será importante para nós evoluir e fazer funcionar muito bem para os agentes que fazem o trabalho."* ## Entidades - **Maxim Bar Kogan** (Pessoa): Cofundador e CEO da Onyx Security; ex-inteligência israelense, formação em matemática e segurança ofensiva. - **Sarah Guo** (Pessoa): Apresentadora do No Priors; fundadora e GP na Conviction. - **Onyx Security** (Organização): Startup israelense que constrói infraestrutura de supervisão de IA — treina modelos pequenos especializados para monitorar e governar agentes de IA corporativos. - **AutoGPT** (Software): Primeiro agente LLM autônomo de código aberto; citado por Maxim como o ponto de inflexão que tornou concreto o risco dos agentes. - **Glasswing / Daybreak** (Software): Programas de lançamento controlado da Anthropic e da OpenAI, respectivamente, para acesso a modelos de fronteira. - **Mechanistic Interpretability** (Conceito): Programa de pesquisa voltado a entender a estrutura interna de pesos e ativações de redes neurais; a Onyx o trata como pilar de longo prazo da supervisão de IA. - **Secure Control Plane** (Conceito): Categoria de produto da Onyx — uma camada independente de fornecedor que monitora permissões de agentes, legitimidade de ações e histórico comportamental em tempo real. - **8200** (Organização): Unidade de inteligência israelense amplamente reconhecida por formar os principais talentos em segurança e tecnologia de Israel, incluindo muitos engenheiros da Onyx.

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

O Subsecretário de Estado dos EUA Jacob Helberg retorna ao No Priors para revelar o Pax Silica — uma coalizão de segurança econômica de 14 países projetada para proteger toda a cadeia de suprimentos de IA, de chips a magnetos de terras raras e atuadores de robôs. O projeto emblemático: 4.000 acres nas Filipinas (um terço de Manhattan) concedidos aos EUA para uma "base industrial de implantação avançada" — destinada a fazer pelo capitalismo liberal-democrático o que a Belt and Road da China fez pela infraestrutura estatal, mas impulsionada por empresas privadas e venture capital em vez de empresas estatais. Sarah Guo e Elad Gil pressionam Helberg sobre a durabilidade das políticas entre administrações, como os VCs se encaixam nisso, e por que ele chama a América de "underdog global". ## [00:00] Abertura Helberg abre com o núcleo filosófico do Pax Silica: os EUA não vão vencer a competição de cadeia de suprimentos com fábricas estatais. Sua vantagem é seu setor privado e suas empresas — o "encantar e deleitar" de Steve Jobs exportado por bilhões. A estratégia é, portanto, construir plataformas em sintonia com os construtores americanos que possam, em última instância, operar como serviços comerciais fora do governo. > *Não vamos criar cadeias de suprimentos operadas pelo governo porque não é assim que o nosso país brilha. Nosso superpoder é realmente nosso setor privado e nossas empresas.* ## [00:41] Apresentação de Jacob Helberg Sarah e Elad reapresentam Helberg, agora confirmado como Subsecretário de Estado para Assuntos Econômicos após a última conversa antes da confirmação. O enquadramento para a hora: Pax Silica como um esforço multinacional para proteger a cadeia de suprimentos de IA para os EUA e seus aliados. > *Jacob, muito obrigada por estar aqui. Sim, obrigado por se juntar a nós. Obrigado pelo convite.* ## [01:02] A Missão do Pax Silica Helberg traça o Pax Silica até seu discurso no Hudson Institute, que delineou uma abordagem "baseada em ecossistemas" para cadeias de suprimentos. A coalizão agora abrange 14 países. O primeiro lançamento concreto foi o acordo com as Filipinas: 4.000 acres concedidos aos EUA para uma base industrial de implantação avançada. Ele apresenta a aposta como a combinação da previsibilidade do direito comum americano com as vantagens industriais comparativas das Filipinas — e enquadra explicitamente isso como o equivalente de um lançamento de produto para a cadeia de suprimentos de IA, realizado em San Francisco para falar diretamente com construtores. > *Pax Silica é uma coalizão de segurança econômica que agora tem 14 países e a ideia é realmente ter uma abordagem baseada em ecossistemas para nossas cadeias de suprimentos e especificamente a cadeia de suprimentos de IA.* ## [03:51] Investindo em Cadeias de Suprimentos de Chips de IA A cadeia de suprimentos de IA é muito mais ampla do que chips — "milhares de insumos como redutores de precisão, motores de servidor, magnetos de terras raras e atuadores" — e o risco de concentração dos EUA é alto em praticamente todos eles. A estratégia de Helberg é escolher geografias que já tenham profundidade industrial indígena e alinhamento de valores. As Filipinas se encaixam em ambos: um ecossistema de manufatura profundo e o aliado mais antigo dos EUA na Ásia. A robótica recebe atenção explícita como o próximo gargalo depois dos chips. > *A cadeia de suprimentos de IA na verdade inclui milhares de insumos como redutores de precisão, motores de servidor, magnetos de terras raras e atuadores, e nosso risco de concentração como país é incrivelmente alto para praticamente todos esses insumos.* ## [05:43] Comparando o Pax Silica com a Belt and Road Initiative da China A comparação natural, e Helberg a abraça. A Belt and Road, ele explica para a audiência, foram 25 anos de empresas estatais construindo estradas, pontes, ferrovias, minas e instalações de processamento operadas pelo governo no exterior — infraestrutura como ferramenta de política externa. O Pax Silica inverte deliberadamente o modelo: os ativos são privados e comercialmente viáveis, o papel do governo é reduzir o atrito e alinhar aliados, e o objetivo é interdependência econômica duradoura em vez de alavancagem política. Helberg argumenta que isso é tanto mais durável quanto mais transparente — os países receptores obtêm crescimento real em vez de armadilhas de dívida. > *Fundamentalmente o que era eram empresas estatais construindo ferrovias operadas pelo governo, estradas e pontes construídas pelo governo.* ## [12:38] A Proposta de Valor do Pax Silica Para os países parceiros, o discurso é simples: a IA já está alimentando mais de um terço do crescimento do PIB dos EUA e criando demanda recorde por cobre, cobalto, eletricistas e every insumo que entra em um data center. Países que tomam posições significativas em diferentes camadas dessa cadeia de suprimentos capturam crescimento que de outra forma não teriam. Helberg aposta na natureza não-soma-zero dos pontos de inflexão tecnológicos para argumentar que isso pode ser mutuamente benéfico — a torta cresce rápido o suficiente para que todos à mesa ganhem. > *A torta cresce muito rápido. E então, não é realmente de soma zero, o que na verdade torna incrivelmente propício para forjar relacionamentos muito mutuamente benéficos.* ## [14:38] Manufatura nos EUA vs. Parcerias Elad faz a pergunta óbvia: o que fica nos EUA versus o que é terceirizado para parceiros? A estrutura de Helberg é consumo versus produção. Os EUA são 4% da população mundial, mas consomem entre 20 e 30% da produção global na maioria das categorias — e produzem muito menos. Fechar essa lacuna por definição reindustrializa a América. Algumas coisas (fabs de última geração, capacidades críticas para a defesa) devem ser domésticas. Outras (processamento de minerais, certos componentes) são melhor terceirizadas onde a geografia e a base industrial já as favorecem. O instinto não é autarquia, mas uma redistribuição deliberada da cadeia de suprimentos entre aliados, com os EUA mantendo as camadas mais estrategicamente sensíveis. > *A América consome, sabe, em algum lugar entre 20 e 30% do consumo global em qualquer trimestre.* ## [19:10] Precificação dos Minerais de Terras Raras Elad pressiona sobre as terras raras: não são realmente raras, o mercado total é de apenas alguns bilhões de dólares, fortemente subsidiado pela China como alavanca de controle. Helberg concorda e reenquadra a economia — o que determina a competitividade das terras raras é a intensidade energética e a qualidade do grau de extração, não a escassez geológica. Isso torna a questão política sobre abundância de energia e capacidade de processamento, não sobre encontrar novos depósitos. A implicação é que os EUA podem vencer nessa categoria se resolverem o lado da energia barata — o que é em parte o que o impulso mais amplo de oferta de energia da administração pretende viabilizar. > *O que realmente impulsiona, sabe, a economia dessas indústrias, é quanto de energia você precisa injetar no solo para extrair um determinado mineral em uma determinada qualidade.* ## [22:16] O Papel do Venture Capital no Pax Silica Sarah pergunta, "para um amigo", qual é o papel do capital privado. A resposta de Helberg é inusualmente direta para um funcionário do Departamento de Estado: os VCs são melhores do que o governo em avaliar fundadores e operadores, e a capacidade de execução é o que determina se projetos ambiciosos sobrevivem ao contato com a realidade. Ele quer o ecossistema de venture como uma camada de sinal — a alocação governamental pode se basear em onde operadores credíveis já estão indo, em vez de o governo tentar escolher vencedores sozinho. A colaboração é explicitamente bilateral: os VCs identificam empresas com capacidade de execução, o governo fornece demanda e suporte político. > *Vocês são meio que programados para avaliar muitos dos atributos de personalidade de fundadores e operadores.* ## [24:50] Prioridades de Curto vs. Longo Prazo Como equilibrar entregas de 2027 a 2028 com apostas de cinco anos? A resposta de Helberg é configuração de ambiente em vez de escolher cronogramas. A abordagem da administração é moldar o ambiente macro para que tanto a iteração de curto prazo quanto as apostas de longo prazo intensivas em capital se tornem mais fáceis — cortar burocracia, expandir o suprimento doméstico de energia, quadruplicar a energia nuclear. Ele cita um dos primeiros decretos executivos assinados por Trump sobre quadruplicar a energia nuclear doméstica como um habilitador estrutural que rende em ambos os horizontes. > *Ajudando a moldar o ambiente, sabe, criando um ambiente macro que basicamente torna a inovação, a iteração de inovações e a implantação de inovações muito mais fáceis e menos caras.* ## [27:09] Tornando a Política de IA Duradoura Elad levanta o problema dos decretos executivos: cada administração cancela os decretos da anterior. Como o Pax Silica sobrevive a uma transição? Helberg observa que algumas coisas — como a reforma tributária — são muito duradouras, e que seu cargo o impede de comentários eleitorais. Ele não responde totalmente à questão da durabilidade, o que é em si a resposta: a durabilidade tem que vir de legislação e de fatos no terreno (a base industrial nas Filipinas, manufatura em parceria) que são difíceis de reverter. > *A reforma tributária é muito duradoura.* ## [28:09] Como as Políticas Impactam Empreendedores Para empresários e operadores americanos, o Pax Silica é posicionado como uma plataforma de acesso ao mercado — expandindo o que as empresas dos EUA podem vender em mercados aliados como Japão, Coreia do Sul, Índia e Cingapura, onde mesmo parceiros comerciais amigáveis frequentemente impõem fricção significativa. Helberg especificamente quer feedback de operadores sobre parcerias já em andamento, decisões de cadeia de suprimentos que executivos agora tomam de forma mais deliberada, e correções de política que desbloqueariam a colaboração transfronteiriça. > *Queremos usá-lo como uma plataforma para expandir o acesso ao mercado para nossas empresas.* ## [31:00] A Administração Empreendedora de Trump Perguntado sobre o que mais o surpreendeu depois de começar no Departamento de Estado, Helberg aponta para a velocidade e o apetite por risco da administração — "ritmo Trump", a piada recorrente com parceiros no exterior. Ele atribui isso a um presidente que passou a maior parte de sua vida no setor privado e a um gabinete (Bessent, Lutnick, entre outros) que opera com instintos do setor privado em vez de instintos burocráticos. A implicação para os construtores: o apetite por tentar coisas novas está inusualmente alto agora, e o Pax Silica é um dos beneficiários disso. > *Gostamos de nos mover no ritmo Trump.* ## [33:00] Por Que a América é um Underdog Global Sarah encerra pressionando Helberg sobre seu enquadramento da América como "underdog global" — contraintuitivo dado que os EUA são geralmente descritos como o poder estabelecido. Helberg invoca a *Armadilha de Tucídides* de Graham Allison e rebate o enquadramento: a identidade da América desde sua fundação tem sido a de uma nação de underdogs — 13 colônias desorganizadas se rebelando contra o império da sociedade polida, repetidamente ditas estar em declínio, repetidamente provando que as previsões da classe estabelecida estavam erradas. O argumento é uma defesa da cultura de tomada de risco americana e um pitch final: o país vence comportando-se como um underdog em vez de defender sua posição de líder. > *Sempre fomos uma nação de underdogs.* ## Personagens - **Jacob Helberg** (Pessoa): Subsecretário de Estado dos EUA para Assuntos Econômicos; arquiteto do Pax Silica. - **Sarah Guo** (Pessoa): Anfitriã do No Priors; fundadora e GP da Conviction. - **Elad Gil** (Pessoa): Co-anfitrião do No Priors; investidor independente e empreendedor em série. - **Pax Silica** (Conceito): Uma coalizão de segurança econômica de 14 países liderada pelo Departamento de Estado dos EUA, visando proteger a cadeia de suprimentos de IA por meio de bases industriais de implantação avançada e parcerias com o setor privado. - **Belt and Road Initiative** (Conceito): O programa de infraestrutura estrangeira liderado pelo Estado chinês durante 25 anos — o contraponto contra o qual o Pax Silica se posiciona. - **Base Industrial de Implantação Avançada nas Filipinas** (Projeto): 4.000 acres concedidos aos EUA para construção industrial, o primeiro projeto emblemático do Pax Silica. - **Armadilha de Tucídides** (Conceito): O framework de Graham Allison que caracteriza EUA-China como poder estabelecido versus poder emergente; Helberg rejeita o enquadramento de poder estabelecido. - **Administração Trump** (Organização): Enquadra a velocidade e o apetite por risco do Pax Silica ("ritmo Trump"), com os principais membros do gabinete Scott Bessent e Howard Lutnick referenciados.

Alexander Taubman, cofundador e CEO da Long Lake Management, conversa com Elad Gil sobre o acordo de US$6,3 bilhões para adquirir a American Express Global Business Travel — o que Elad chama de o primeiro take-private com IA do mundo. Taubman explica como a plataforma horizontal de IA da Long Lake, o Nexus, é implantada em verticais de serviços para impulsionar o crescimento, sem cortar empregos. A empresa compra e mantém os negócios no estilo Berkshire, apostando que o acúmulo de ganhos de produtividade via IA ao longo dos anos supera qualquer venda rápida no curto prazo. ## [00:00] Apresentação de Alexander Taubman Elad Gil abre a conversa destacando que a Long Lake já realizou cerca de 30 aquisições com base na tese de transformação por IA antes de fechar com a Amex GBT — a maior plataforma de viagens corporativas do mundo — por US$6,3 bilhões. > *"A Long Lake anunciou recentemente a intenção de adquirir a American Express Global Business Travel por US$6,3 bilhões no que acredito ser o primeiro take-private com IA do mundo."* ## [00:30] A Plataforma Nexus da Long Lake O Nexus é agnóstico em relação aos modelos e fica entre os modelos de fundação e as fontes de dados, habilidades e fluxos de trabalho de cada empresa adquirida. Cerca de 80% da infraestrutura é compartilhada entre as verticais; os 20% restantes são o trabalho de implantação — mapeamento de fluxos, limpeza de fontes de dados e presença de engenheiros no campo. O que antes levava mais de um ano agora acontece em dias após o fechamento da aquisição, gerando economia de tempo imediata que a Long Lake canaliza para o crescimento, não para cortes de custos. > *"Na verdade, não estamos focados em redução de custos. Estamos focados em crescimento e experiência do cliente. Essa é a nossa grande aposta — e o que temos visto é um modelo muito mais poderoso, porque nossa visão da IA é que ela é incrivelmente positiva para todos."* ## [03:35] Retenção e o Ciclo Virtuoso de Talentos Funcionários equipados com o Nexus atendem mais clientes, cometem menos erros e ganham mais — e sair da empresa significa voltar às tarefas repetitivas que o Nexus eliminou. Essa barreira está se tornando um verdadeiro imã de talentos. Empresas do portfólio que cresciam de 0 a 5% ao ano agora crescem mais de 20% de forma orgânica. > *"Se você sair da Long Lake ou de uma das nossas empresas parceiras para ir a um concorrente, vai ter que fazer de novo todo aquele trabalho repetitivo que tomava 25%, 30% do seu dia. E só de pensar nisso — é como abrir mão do e-mail. Você simplesmente não consegue."* ## [05:01] Aquisição versus Venda de Software Vender software para empresas de serviços significa aceitar um ciclo de feedback fraco e nenhum controle sobre a gestão de mudanças. Ser dono da empresa coloca os engenheiros da Long Lake na mesma sala — muitas vezes literalmente no mesmo estado — que os profissionais de campo cujos problemas eles estão resolvendo. Esse modelo de colocalização estilo skunk-works reduz o ciclo de meses para dias. > *"Nossa equipe enxerga os nossos funcionários e colaboradores de campo como os clientes, e esse loop de feedback interno — esse é o outro ponto. Temos um ciclo de feedback muito mais ágil."* ## [06:57] Formando o Time Fundador da Long Lake A Long Lake foi criada com o propósito de fundir três disciplinas: M&A de private equity, engenharia de IA aplicada e gestão de mudanças. As primeiras 20 contratações vieram todas por indicação — engenheiros que haviam sido cofundadores ou CTOs de startups de IA aplicada, mas não conseguiam penetrar na distribuição para o setor de serviços. As lideranças de M&A vieram de GTCR, Blackstone, TPG e HIG, atraídas especificamente porque essas empresas não são nativas em IA. > *"Havia uma lacuna enorme, e muitas das pessoas que se uniram ao nosso time fundador já foram fundadoras na área de tecnologia. Muitas delas tinham suas próprias startups no time de engenharia."* ## [10:37] Tornando a American Express Global Business Travel uma Empresa Privada A Amex GBT já estava no quadro branco de setores-alvo da Long Lake porque viagens corporativas são um serviço crítico e com alto custo de falha — uma viagem perdida representa uma perda real de negócios. Fundada em 1915 pela American Express para resgatar clientes de Travelers Checks da Europa durante a Primeira Guerra Mundial, a franquia de 111 anos já havia divulgado publicamente um roteiro de transformação com IA. O plano da Long Lake é implantar o Nexus sobre essa estratégia existente e dar a cada consultor de viagens superpoderes com IA. > *"Imagine, basicamente, seu consultor de viagens com superpoderes de IA. Esse é o futuro que vislumbramos para os clientes da AMEX GBT."* ## [13:36] Adotando a Abordagem da Berkshire Hathaway na Gestão O PE tradicional carrega as empresas de dívida, faz cortes e vende em três a cinco anos. A Long Lake rejeita explicitamente esse modelo: os efeitos cumulativos de melhores ferramentas → melhores pessoas → melhores resultados para o cliente → crescimento mais rápido levam de dois a cinco anos para se consolidar, e vender nesse ponto seria desperdiçar a vantagem. O manual operacional da Danaher e da Transdigm — consolidar setores fragmentados com um sistema diferenciado — é o ponto de referência explícito, aplicado a serviços com IA como diferencial. > *"Você vai construir a melhor empresa do setor e depois vai vendê-la? Isso simplesmente não faz sentido para mim. Eu queria ser dono dessa empresa para sempre e acumular vantagem por décadas."* ## [16:37] Como a Estratégia de IA Diferencia a Long Lake A IA empresarial ainda tem penetração de cerca de 1% em casos de uso reais. Os vendedores escolhem a Long Lake em vez do PE tradicional porque a oferta inclui capital permanente, um time de engenharia que se instala por anos e uma plataforma implantável no primeiro dia. Fundadores e times de gestão são incentivados a reinvestir patrimônio na nova estrutura para participar dos ganhos. À medida que o histórico da Long Lake se consolida, Taubman espera que o custo de capital caia — tornando a empresa ainda mais competitiva sem precisar ganhar no preço. > *"Ter um parceiro de capital permanente de longo prazo já é algo maravilhoso, mas ter esse parceiro com profunda expertise em engenharia de IA aplicada e uma plataforma que você pode implantar no primeiro dia — isso realmente ressoou."* ## [19:32] A IA Faz os Serviços Escalarem Empresas de serviços intensivas em mão de obra enfrentam um imposto brutal sobre o crescimento: aumentar a receita em 20% muitas vezes exige contratar mais 20% de funcionários, deixando apenas 20 centavos de cada real incremental de receita após os custos de trabalho. O Nexus eleva a produtividade das equipes existentes em 30 a 40%, quebrando essa equação. CEOs de empresas do portfólio — alguns gerindo seus negócios há décadas — descrevem essa fase como o melhor momento de suas carreiras porque estão crescendo com margens incrementais parecidas com as de uma empresa de software. > *"Quando você torna suas equipes existentes de 30 a 40% mais eficientes e elas conseguem atender mais clientes, isso muda toda a mentalidade da organização. Agora você está crescendo. Você parece uma empresa de software, crescendo com margens incrementais altas."* ## Personagens - **Alexander Taubman** (Pessoa): Cofundador e CEO da Long Lake Management; liderou o take-private de US$6,3 bilhões da Amex GBT - **Elad Gil** (Pessoa): Apresentador do No Priors; investidor independente e empreendedor serial - **Long Lake Management** (Organização): Empresa de roll-up orientada por IA; adquire e transforma empresas de serviços usando o Nexus - **Nexus** (Software): Plataforma horizontal de IA da Long Lake; agnóstica em relação a modelos, com 80% da infraestrutura compartilhada entre verticais - **American Express Global Business Travel / Amex GBT** (Organização): Plataforma de viagens corporativas com 111 anos de história; objeto do take-private de US$6,3 bilhões da Long Lake - **Take-private com IA** (Conceito): Aquisição de uma empresa de capital aberto com a intenção explícita de transformar suas operações com IA — o acordo da Long Lake com a Amex GBT é descrito como o primeiro desse tipo - **Danaher / Transdigm** (Organização): Conglomerados operacionais citados como modelo para a estratégia de aquisição de longo prazo e compounding da Long Lake