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

O segundo vídeo do Claude Code 101 da Anthropic mostra como escrever o primeiro prompt: como escolher entre o modo aprovação e a aceitação automática, quando entrar no modo plano com shift+tab, e como é um prompt real em uma tarefa ao vivo de "adicionar modo escuro". ## [00:03] Falar com o Claude Code como qualquer assistente de IA O enquadramento inicial baixa deliberadamente a barreira: enviar um prompt ao Claude Code não é diferente de perguntar a qualquer outro assistente de IA. A premissa é que as decisões tomadas antes de pressionar Enter são as que te protegem e tornam a ferramenta mais fácil de usar. > *You talk to Claude Code like you would talk to any AI assistant.* ## [00:15] Modo aprovação vs aceitação automática (shift+tab) Dois modos estão disponíveis logo de início. No modo de aprovação padrão, o Claude pede confirmação antes de cada alteração de arquivo. No modo de aceitação automática, edições e criações de arquivos passam automaticamente, mas executar comandos de shell ainda requer sua permissão. shift+tab alterna entre os dois sem precisar procurar configurações. O narrador recusa-se explicitamente a chamar um de "correto"; escolha o que combina com seu nível de envolvimento. > *In auto accept mode, it will automatically approve an edit or creation of a file, but ask your permission to run commands.* ## [00:40] Modo plano: pesquisa somente leitura antes de codificar No mesmo menu shift+tab, esconde-se um terceiro modo: o modo plano. O Claude recebe o prompt, usa ferramentas somente leitura para percorrer o código, faz perguntas de esclarecimento sobre qualquer ponto ambíguo e entrega um plano detalhado antes de tocar em um único arquivo. Casos de uso: implementações de funcionalidades em múltiplas etapas e revisões de código seguras, em qualquer situação em que você queira validar a abordagem antes de o agente começar a escrever. > *Plan mode takes your prompt and uses read-only tools to analyze your code base and do research on your suggested implementation.* ## [01:10] Demo ao vivo: prompt para alternância de modo escuro A demo é o núcleo do vídeo. A partir da raiz do projeto, shift+tab algumas vezes para entrar no modo plano, depois escrever um prompt que faz três coisas ao mesmo tempo: enuncia o objetivo ("modo escuro em toda a aplicação"), especifica a interface ("um interruptor de alternância no cabeçalho") e adiciona uma restrição que o Claude precisa pesquisar ("encontrar uma boa cor de contraste que funcione com meu tema claro existente"). Objetivo mais interface mais restrição — o template implícito para um bom primeiro prompt. > *Can you create a toggle switch on the header that allows user to toggle between light mode and dark mode?* ## [01:46] Revisar o que o Claude realmente fez Depois que o Claude retorna seu plano e o usuário aprova, o valor está na rastreabilidade: você pode ver explicitamente o que o Claude fez e como chegou ao resultado. O narrador inspeciona visualmente o modo escuro renderizado e dá o aval — a lição implícita é que "ficou bem" é um nível de revisão aceitável para trabalho de UI de baixo risco, desde que você tenha realmente olhado. > *At the end of all this, we can see explicitly what Claude did and how it came to its conclusion.* ## [02:09] Resumo: seja descritivo e use o modo plano A regra de ouro final: seja o mais descritivo possível no prompt, e use o modo plano quando quiser que o Claude aprofunde nos detalhes do que você está tentando alcançar antes de executar. O modo aprovação mantém você no circuito passo a passo, se essa for sua preferência. > *When using Claude Code, try to be as descriptive as possible with your prompt.* ## Entities - **Anthropic Tutorial Narrator** (Person): O narrador oficial da Anthropic para a série de tutoriais Claude Code 101. - **Claude Code** (Software): O assistente de codificação agentic em terminal da Anthropic, tema deste guia de escrita de prompts. - **Approval mode** (Concept): Modo padrão em que o Claude Code pede permissão antes de cada alteração de arquivo. - **Auto-accept mode** (Concept): Modo que aprova automaticamente edições e criações de arquivos, mas ainda bloqueia comandos de shell. - **Plan mode** (Concept): Modo de pesquisa somente leitura que gera um plano detalhado antes de escrever código; ativado via shift+tab. - **shift+tab** (Shortcut): Atalho de teclado que alterna entre os modos aprovação, aceitação automática e plano do 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

O segundo episódio do Claude Code 101 da Anthropic abre o capô: o loop agêntico que coleta contexto, toma ações e verifica resultados; como a janela de contexto se compacta antes de transbordar; o que as ferramentas realmente trazem em relação ao texto de entrada e saída simples; e os quatro modos de permissão que se alternam com shift+tab. ## [00:04] Pergunta inicial: em que difere de um aplicativo de chat O narrador enquadra o restante do vídeo como uma única pergunta: Claude Code não é um aplicativo de chat, então qual é a forma da coisa? A resposta que eles vão desempacotar é o loop agêntico. > *We know that Claude code is different from usual chat applications, but how does it work?* ## [00:13] O loop agêntico — coletar, agir, verificar, repetir O loop tem quatro tempos. Você insere um prompt. Claude coleta o contexto que precisa conversando com o modelo, que retorna texto ou uma chamada de ferramenta. Claude executa a ação — editar um arquivo, executar um comando. Depois verifica se o resultado realmente satisfaz o prompt. Se passar, ele para; se não, volta a fazer o loop até que o trabalho esteja completo e verificável. O usuário não fica bloqueado durante isso — é possível adicionar contexto, interromper ou guiar o modelo em direção ao objetivo final enquanto o loop está em execução. > *And if they don't, Claude goes back and runs the loop again until the results are complete and verifiable.* ## [01:02] A janela de contexto e a compactação automática A janela de contexto é a memória de trabalho do Claude — conversa, conteúdo de arquivos, saídas de comandos, tudo o que ele pode revisitar. É limitada. Quando se atinge o teto, o Claude Code compacta a conversa por conta própria: decide o que descartar e o que resumir para que a janela volte a diminuir sem perder o fio condutor. > *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] Ferramentas — despacho semântico para ler arquivos, executar código, pesquisar na web A maioria dos assistentes de IA é texto de entrada, texto de saída, sem nada no meio. As ferramentas mudam isso — elas permitem que o agente decida quando executar código para se aproximar do objetivo. Ler um arquivo, pesquisar na web, executar um comando shell. O Claude Code usa busca semântica sobre as ferramentas disponíveis para escolher qual invocar e consumir a saída. > *Tools let Claude code and other agents determine when to execute code to get closer to a task.* ## [01:52] Modos de permissão e o custo de ignorá-los Por padrão, o Claude Code pede confirmação antes de editar um arquivo ou executar um comando shell. Shift+tab alterna entre alternativas: **aceitar edições automaticamente** escreve arquivos sem perguntar, mas ainda pergunta antes de comandos; **o modo plano** restringe o Claude a ferramentas somente leitura para que possa elaborar um plano de ação antes de tocar em qualquer coisa. O narrador aponta o tradeoff óbvio — dar ao agente total liberdade significa que um erro é mais difícil de capturar antes de acontecer. > *Giving Claude code free reign to run commands means a mistake could be harder to catch before even happens.* ## [02:28] Recapitulação — o que o diferencia de uma janela de chat Quatro primitivas compostas em um terminal: um loop agêntico, uma janela de contexto gerenciada, ferramentas e permissões configuráveis. A combinação — ler a base de código, agir sobre ela, verificar o próprio trabalho — é o que separa o Claude Code de uma caixa de chat. > *It can read your code base, take action, and verify its own work, and that makes it fundamentally different from a chat window.* ## Entidades - **Anthropic Tutorial Narrator** (Person): O narrador oficial da Anthropic para a série de tutoriais Claude Code 101. - **Claude Code** (Software): O assistente de codificação terminal agêntico da Anthropic, construído em torno das quatro primitivas desempacotadas neste episódio. - **Agentic loop** (Concept): O ciclo coletar-contexto, agir, verificar, repetir que impulsiona cada sessão do Claude Code. - **Context window** (Concept): A memória de trabalho limitada do Claude que contém a conversa, conteúdo de arquivos e saída de comandos; compactada automaticamente ao transbordar. - **Tools** (Concept): Os efeitos colaterais que o agente pode invocar — ler arquivo, pesquisar na web, executar comando — selecionados via busca semântica sobre o catálogo de ferramentas. - **Permission modes** (Concept): Padrão (perguntar), aceitar edições automaticamente e modo plano (somente leitura) — alternados com shift+tab. - **Plan mode** (Feature): Um modo de permissão somente leitura que permite ao Claude compilar um plano de ação antes de qualquer mutação.

O guia oficial de instalação do Claude Code. O narrador da Anthropic percorre os instaladores de uma linha para todas as plataformas suportadas — terminal, VS Code, JetBrains, Claude Desktop e web — e encerra com uma regra prática para escolher a opção mais adequada. ## [00:04] Instaladores de uma linha para o terminal (macOS, Linux, WSL, Windows) O caminho padrão é o terminal. Usuários de macOS, Linux e WSL recebem um único comando `curl`; o Homebrew também funciona, mas não oferece atualização automática. No Windows, o PowerShell usa `Invoke-RestMethod`, o CMD tem seu próprio trecho de `curl`, e o `winget` está disponível com a mesma ressalva de auto-atualização do 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] Executar o claude no seu projeto e fazer login Após a instalação, use `cd` para entrar no projeto e execute `claude`. Na primeira inicialização, aparece um seletor de tema de cores e um fluxo de login que aceita uma conta Pro, Max, Enterprise ou chave de API. Contas Enterprise devem selecionar explicitamente essa opção. O diretório a partir do qual você inicia define o limite de acesso — o Claude Code enxerga aquela pasta e tudo dentro dela, nada acima. > *Whatever directory you decide to run cloud in, it will have access to that directory and all of its subfolders.* ## [01:02] Extensão do VS Code Abra o painel de Extensões, pesquise pela extensão Claude Code da Anthropic e confirme o check azul de verificação antes de instalar. Uma reinicialização pode ser necessária. Após a instalação, a Paleta de Comandos (`Ctrl/Cmd+Shift+P`) abre uma nova aba do Claude Code; você também pode clicar no logo em qualquer arquivo aberto, ou desativar completamente a GUI nas configurações e usar apenas a experiência de terminal. > *You can also opt out of the UI and just use the terminal experience directly in your settings file.* ## [01:32] Plugin do JetBrains Mesmo processo que o VS Code: instale o plugin Claude Code pelo JetBrains Marketplace, reinicie a IDE e o logo do Claude aparece ao relançar. Clicar nele abre um painel lateral que exibe a experiência de terminal ao lado do seu editor. > *For JetBrains IDEs, you can install the Cloud Code plugin from the JetBrains Marketplace. Once you install, restart your IDE.* ## [01:51] Claude Desktop e claude.ai/code na web O Claude Desktop expõe o Claude Code por meio de um botão "code" no topo do aplicativo após o login — mesma interface estilo chat, mas com escopo para uma pasta específica, permissões ajustáveis e até um modo de execução em nuvem. A versão web fica em `claude.ai/code` e espelha a experiência desktop, com uma restrição importante: funciona apenas com repositórios do GitHub. > *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] Escolhendo a superfície certa A heurística do narrador: terminal primeiro se você quer os novos recursos no dia em que são lançados. As integrações de IDE oferecem uma experiência praticamente idêntica dentro do seu editor. O Desktop é a escolha quando você quer o Claude trabalhando em segundo plano enquanto faz outra coisa. A web é para trabalho remoto em repositórios do GitHub ou para rodar várias sessões em paralelo. > *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): Narrador do curso Claude Code 101 da Anthropic. - **Claude Code** (Software): Ferramenta de codificação agêntica da Anthropic, instalável em terminal, IDEs, desktop e web. - **Homebrew / winget** (Software): Caminhos de instalação via gerenciador de pacotes como alternativas aos instaladores curl/PowerShell oficiais — ambos sem auto-atualização. - **VS Code extension** (Software): Extensão Claude Code publicada pela Anthropic; verificar o check azul antes de instalar. - **JetBrains plugin** (Software): Plugin Claude Code distribuído pelo JetBrains Marketplace; abre um painel lateral após reiniciar a IDE. - **Claude Desktop** (Software): Aplicativo desktop que expõe o Claude Code via botão "code", com escopo de pasta e modo de execução em nuvem. - **claude.ai/code** (Service): Versão web do Claude Code, restrita a repositórios hospedados no GitHub.

Janie Lee e Chai Asawa, da Abridge, se juntam a swyx e a Jacob Effron, da Redpoint, num episódio crossover entre o Latent Space e o Unsupervised Learning para contar como um transcritor clínico com IA se transformou na "camada de inteligência clínica" da área da saúde. Eles percorrem a filosofia de produto inspirada no ar-condicionado, o caso de uso de autorização prévia, uma stack de evals construída em torno de cientistas clínicos e juízes LLM, como a HIPAA remodela o flywheel de dados, e o que é preciso para operar com confiabilidade em mais de 100 milhões de conversas médicas. ## [00:00] Introdução O episódio começa com o pitch de Janie Lee: contexto é tudo, os alertas precisam deixar de ser reativos para se tornarem proativos, e o produto deve se dissolver no fundo como um ar-condicionado — presente, silencioso, útil — até que um risco clínico justifique uma interrupção. swyx entra em seguida com um breve apelo para que os ouvintes se inscrevam no canal. > *"Uma coisa que gostamos de dizer é que queremos que nosso produto pareça um ar-condicionado. Ele deveria estar no fundo, apenas melhorando as coisas."* — Janie Lee ## [01:17] O que a Abridge faz swyx apresenta o episódio como o crossover anual entre o Latent Space e o Unsupervised Learning, com Jacob Effron participando por ser a Redpoint investidora da Abridge. Janie apresenta a Abridge como uma camada de inteligência clínica para sistemas de saúde, começando pela documentação: os clínicos passam de 10 a 20 horas por semana escrevendo notas, e a conversa entre paciente e médico está na origem de quase todos os artefatos subsequentes — a cobrança, o pagamento, o diagnóstico. Chai acrescenta que tudo o que acontece antes, durante e depois da consulta passa a ser tratável quando se tem contexto completo sobre pacientes, planos de saúde, diretrizes e literatura científica. > *"A Abridge é uma camada de inteligência clínica para sistemas de saúde. Realmente começamos com a documentação e construindo para os clínicos."* — Janie Lee ## [03:22] De documentação ambiente a inteligência clínica Janie traça os três "atos" da Abridge: economizar tempo (o produto de transcrição original que devolveu as noites dos médicos — o chamado "tempo do pijama"), economizar e gerar dinheiro para sistemas de saúde operando com margens operacionais historicamente baixas, e, por fim, salvar vidas. O fato de o produto ser aberto milhões de vezes por semana, antes, durante e depois de cada consulta, é o que torna a expansão viável. > *"Eles chamam de tempo do pijama… médicos depois do trabalho, de pijama em casa, escrevendo e atualizando suas notas todo dia."* — Janie Lee ## [05:21] Suporte à decisão clínica e contexto como fator central Jacob pergunta a Chai como o suporte à decisão clínica da Abridge se compara ao trabalho anterior dele no Glean. Chai traça o contraste: no Glean, uma resposta errada é um incômodo; na saúde, as apostas são altas e a superfície de usuário é muito mais estreita — menos personas, mas cada resposta precisa acertar. Isso molda tudo, desde a avaliação offline até o rollout progressivo, e remete à visão de um "assistente ao estilo Jarvis que realmente te conhece" — a que todo hackathon da última década tentou chegar. > *"Sabe, a visão Jarvis que em todo hackathon que fui nos últimos dez anos — havia sempre um concorrente do Jarvis — mas acho que a Abridge realmente começou a partir dessa oportunidade e continua indo nessa direção."* — Chai Asawa ## [08:14] Fadiga de alertas, inteligência proativa e autorização prévia Jacob levanta o clássico problema de fadiga de alertas: como decidir quando quebrar o silêncio do ar-condicionado e de fato interromper o clínico? O exemplo trabalhado por Janie é a autorização prévia — uma recusa de pedido de MRI que hoje chega semanas depois pode ser transformada em um alerta em tempo real enquanto o paciente ainda está na sala, condicionada às políticas do plano de saúde, dados do EHR, diagnósticos anteriores e protocolos específicos da clínica. O desafio está no encanamento de dados: a autorização prévia só funciona se o assistente conseguir costurar todos os sinais relevantes no momento certo. > *"Acho que, para tornar esse exemplo de autorização prévia possível, pense em todos os dados que você precisa ter."* — Janie Lee ## [13:53] Formatos de IA ambiente e clientes na área da saúde swyx pergunta sobre formatos. Hoje, a principal superfície é o celular, mas a Abridge também roda em desktop, plugins de navegador dentro do EHR, dispositivos instalados em quartos para cenários de internação, fluxos de trabalho de enfermagem, e está começando a explorar AR. O cliente é multifacetado: CMIOs, CFOs, CIOs, clínicos, pacientes, planos de saúde e farmacêuticas estão todos presentes no ciclo, com as interações dos planos acontecendo por meio de trocas estruturadas, sem visibilidade direta dos dados brutos da Abridge. > *"Vocês falam muito sobre IA ambiente. É principalmente no celular?"* — swyx ## [18:16] Os problemas de IA mais difíceis na saúde Questionado sobre o problema de IA mais difícil da Abridge, Chai escolhe suporte em tempo real com alta qualidade, baixa latência e baixo custo num contexto clínico de alto risco. Modelar a cauda longa das políticas dos planos de saúde em representações intermediárias sobre as quais o sistema consiga raciocinar é um exemplo específico — a fronteira de Pareto está sempre se movendo, e eles precisam empurrá-la por conta própria, sem esperar por ganhos prontos para uso. > *"E claro que a fronteira de Pareto está sempre mudando, mas também estamos tentando fazer isso agora."* — Chai Asawa ## [19:43] Modelos de fronteira, dados proprietários e estratégia de modelos Jacob pergunta o que eles adotam pronto versus o que constroem internamente. O enquadramento de Chai: os modelos de fronteira continuam absorvendo conhecimento médico geral, então a vantagem da Abridge está nos dados proprietários de conversas médicas e nos comportamentos específicos por especialidade construídos em cima deles. São deliberadamente agnósticos a modelos onde é possível — o que importa é a experiência final do produto, e eles combinam ferramentas conforme o fluxo de trabalho. > *"Podemos usar algo para isso e aquilo, e no final do dia só nos importamos com a melhor experiência de produto."* — Chai Asawa ## [22:24] O EHR como sistema de arquivos para agentes O enquadramento de Chai para o próximo ano: todo agente é, no fundo, um agente de código — e dentro da saúde o EHR funciona como o sistema de arquivos, um repositório gigante de informações estruturadas que não cabe na janela de contexto de nenhum modelo atual. Janie acrescenta que o objetivo ainda é manter o clínico focado no paciente: ter o contexto certo disponível no segundo certo, não revisitar toda a conversa. > *"Quase todo agente é um agente de código lá no fundo, então você dá a ele um sistema de arquivos, ele pode escrever seu próprio código… você pode pensar no EHR como um sistema de arquivos."* — Chai Asawa ## [25:20] Personalização, memória e preferências dos clínicos Jacob pergunta como a Abridge lida com a personalização por médico. A resposta de Janie é em camadas: edições individuais viram sinal, padrões específicos por especialidade ficam em cima, e as políticas do sistema de saúde envolvem tudo. Chai fala sobre memória como um novo tipo de sistema de registro — jobs em segundo plano que consolidam sinais ao longo das consultas, similar a como o sono consolida memória nos humanos, fazendo o modelo "aprender" com cada edição e com cada não-edição. > *"Parte do outro subproduto interessante pra gente é que a memória é, na prática, um desses novos sistemas de registro."* — Chai Asawa ## [31:57] Evals, juízes LLM e rollout progressivo Janie percorre a stack de evals: clínicos internos realizam uma revisão de primeira passagem chamada LFD, juízes LLM são calibrados em relação a esses dados anotados, avaliadores terceirizados oferecem uma leitura independente, e evals específicas por especialidade capturam o que as genéricas perdem. Chai acrescenta uma analogia com carros autônomos — eles querem contato com a realidade o mais rápido possível, mas apenas por meio de rollout progressivo, para que a distribuição offline corresponda de fato à distribuição de produção. > *"Quero fazer contato com a realidade o mais rápido possível, mas quero um rollout progressivo, porque por mais que… o conjunto de evals offline, quero que a distribuição dele corresponda de fato à distribuição da vida real."* — Chai Asawa ## [38:04] HIPAA, desidentificação e privacidade A privacidade é tratada como uma restrição rígida no flywheel de dados. Chai explica que qualquer dado usado como base para evals online ou aprendizado precisa ser desidentificado de forma irreversível — eles têm processos de engenharia estruturados para isso. Janie acrescenta que os contratos com clientes também determinam quem dentro da Abridge pode acessar PHI, então o critério para o que volta ao treinamento é contratualmente alto, não apenas uma questão de política interna. > *"Todos os dados que usamos precisam ser desidentificados — qualquer dado real que usemos como base de conjuntos de evals online ou aprendizado, então você precisa…"* — Chai Asawa ## [40:38] 100 milhões de conversas e operação em escala Com mais de 100 milhões de conversas, a superfície de preocupações muda: roteamento de modelos, pós-treinamento, orçamentos de confiabilidade e custo por chamada passam a ser questões de primeira ordem. Chai fala sobre os insights que podem ser oferecidos aos clínicos, e projeta o horizonte para o futuro — eventualmente a mesma conversa poderia alimentar sinais diretamente para pacientes e consumidores, não só para os médicos. > *"Há tanto em nosso conjunto de dados de 100 milhões de conversas. Dá para imaginar coisas como insights que você pode dar ao clínico."* — Chai Asawa ## [45:27] Integração com EHR e a camada de inteligência clínica swyx pergunta sobre a relação com o EHR. A Abridge investe pesado em interoperabilidade profunda — a parceria com o EHR é o mínimo necessário para a adoção pelos clínicos, mas o valor que a Abridge agrega está em outro patamar: contexto entre consultas, raciocínio com consciência dos planos de saúde, e o tipo de inteligência clínica que o próprio EHR não foi estruturado para produzir. > *"Um dos parceiros-chave é o EHR, e fico pensando como é essa relação."* — swyx ## [47:56] Regulamentação na saúde, latência e IA de alto risco Jacob pergunta o que a Abridge aprendeu com a regulamentação. A resposta de Janie vai contra a narrativa comum — a IA na saúde tem, na verdade, ventos regulatórios favoráveis, porque o padrão é tão elevado que os problemas mais difíceis acabam sendo resolvidos aqui primeiro. Chai fala sobre os "truques inteligentes" que eles colocam em produção hoje, sabendo que a fronteira vai continuar avançando e que alguns desses truques não vão sobreviver a cinco anos. > *"Acho que é onde alguns dos problemas de IA mais difíceis serão resolvidos primeiro, justamente porque o padrão é muito alto."* — Janie Lee ## [51:28] Cientistas clínicos e qualidade na cauda longa Janie descreve um papel interno na Abridge chamado cientista clínico — médicos que também são técnicos, indo de engenheiros full-stack a "prompters extremamente criativos". Tê-los integrados às equipes de produto e de evals eleva o padrão do que é colocado em produção, pois as pessoas que escrevem os critérios do LFD são as que realmente entendem o que significa ser clinicamente útil. swyx conecta isso ao aprendizado ativo em pontos fracos conhecidos — o tipo de polimento que virou arte perdida na maioria dos times de IA. > *"Temos esse papel chamado cientista clínico, e acho que ouvi um de nossos líderes se referir a eles como mutantes recentemente."* — Janie Lee ## [54:21] Lições do Glean e infraestrutura de IA duradoura Jacob pergunta a Chai o que se transfere do Glean. A resposta é principalmente sobre o que resiste ao tempo — camadas de contexto, sistemas orientados a eventos, Kafka, Temporal, sockets, CRDTs do manual de colaboração do Google Docs. Sistemas multiagente herdam os mesmos problemas de resolução de conflitos que os humanos têm, e os padrões de infra da última década não estão sendo descartados — estão sendo reaproveitados. > *"Há muita tecnologia orientada a eventos… seja Kafka, Temporal, sockets e assim por diante — como trazer isso junto é algo que acho que também é duradouro."* — Chai Asawa ## [58:20] O futuro dos fluxos de trabalho agênticos na saúde Uma troca rápida sobre como seria uma Abridge mais agêntica: ainda ancorada no papel do clínico na relação com o paciente, mas com mais trabalho acontecendo em segundo plano — reagindo a resultados de laboratório, redigindo encaminhamentos, assumindo tarefas em nome do clínico sem tomar conta do relacionamento. > *"…ainda mais capacidades em nome do clínico, que acreditamos ter um papel fundamental na conexão com o paciente."* — Chai Asawa ## [58:51] PRDs, clareza de produto e construção de produtos sérios de IA A rodada rápida de Jacob: o que você mudou de opinião em IA no último ano. Janie inverte o take popular — protótipos não são o fim em si mesmos, PRDs não estão mortos. À medida que os produtos ficam mais complexos e alimentados por IA, a disciplina de clareza escrita de um PRD de verdade importa mais, não menos. O restante da seção aborda a construção de produtos sérios de IA na saúde: ownership, disciplina de spec escrita e resistência ao desenvolvimento guiado por demos. > *"O take mais ousado é que protótipos são o fim em si mesmos e que PRDs estão mortos."* — Janie Lee (o take do qual ela mudou de opinião) ## [64:28] Ferramentas de codificação com IA na Abridge A pergunta padrão de encerramento de swyx. A Abridge usa Claude Code e Cursor internamente, e Jacob lança um benchmark meio de brincadeira — ele gostaria de ver o Claude tocar uma empresa avaliada em US$ 1 bilhão antes do faturamento. > *"O Claude vai fazer isso — eu queria ver o Claude… tocar uma empresa a um bilhão de dólares antes do faturamento."* — Jacob Effron ## [65:23] Encerramento Chai aponta os ouvintes para o site da Abridge, onde estão os white papers da empresa — redução de alucinações, evals e o restante do stack de pesquisa. swyx e Jacob encerram com agradecimentos e cumprimentos finais. > *"No site da Abridge, temos muitos dos nossos white papers, onde fizemos muito trabalho interessante, como redução de alucinações."* — Chai Asawa ## Entidades - **Janie Lee** (Pessoa): Operadora desde a fase de fundação da Abridge; responsável pelo lado de produto e comercial da camada de inteligência clínica. - **Chai Asawa** (Pessoa): Líder de suporte à decisão clínica na Abridge; trabalhou anteriormente no Glean. - **swyx** (Pessoa): Apresentador do Latent Space. - **Jacob Effron** (Pessoa): Sócio na Redpoint Ventures; apresentador do podcast Unsupervised Learning. - **Abridge** (Organização): Empresa de IA para saúde que constrói a camada de inteligência clínica — começou com documentação ambiente e agora expande para suporte à decisão, autorização prévia, evals e integração com EHR. - **Glean** (Organização): Empresa de busca empresarial com IA; referenciada como o empregador anterior de Chai e como contraste entre abordagens horizontal e vertical. - **Redpoint Ventures** (Organização): Firma de venture capital; investidora da Abridge e parceira no crossover com o Unsupervised Learning. - **EHR (Prontuário Eletrônico do Paciente)** (Conceito): O sistema de registro central dos sistemas de saúde; no enquadramento de Chai, o EHR funciona como um sistema de arquivos para agentes na saúde. - **Autorização prévia** (Conceito): Um caso de uso central da Abridge — transformar rejeições de planos de saúde que hoje demoram semanas em orientações em tempo real durante a consulta. - **Processo LFD** (Conceito): A revisão de primeira passagem conduzida por clínicos internos da Abridge, usada para calibrar juízes LLM e definir critérios de evals. - **Cientista clínico** (Conceito): Um papel interno na Abridge — médicos que também são técnicos, integrados às equipes de produto e de evals. - **Rollout progressivo** (Conceito): A disciplina de implantação da Abridge; lançar para uma fatia do tráfego real para manter a distribuição offline honesta, inspirado no padrão de lançamento de veículos autônomos. - **Claude Code** (Software): Ferramenta de codificação com IA usada internamente na Abridge. - **Cursor** (Software): Editor de código com IA também usado internamente na Abridge.

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.

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.

Os EUA estão 50 anos atrás da China no fornecimento de minerais críticos, e a rede elétrica ainda funciona com sistemas mecânicos projetados há um século. Turner Caldwell (Mariana Minerals) e Drew Baglino (Heron Power), ambos ex-Tesla, argumentam que fechar essas lacunas é o verdadeiro pré-requisito para a dominância na IA e a reindustrialização. Caldwell aposta em refinarias e minas autônomas impulsionadas por aprendizado por reforço para comprimir os cronogramas de projetos de uma década para algo defensável. Baglino aposta em transformadores de estado sólido, com silício e software substituindo aço, óleo e cobre, para modernizar a conversão de energia em data centers e grandes instalações de energia. Os dois convergem para o mesmo desbloqueio: cadeias de fornecimento colocalizadas, contratação de indústrias análogas e uma política industrial federal durável em que o capital privado possa realmente se planejar. ## [00:00] Intro O episódio abre com três afirmações diretas que definem o desafio: Caldwell afirma que os EUA estão 50 anos atrás no fornecimento de minerais críticos e são lentos demais para aumentar a capacidade mesmo após o licenciamento. Baglino observa que a camada de transmissão e conversão do grid não sofreu nenhuma mudança significativa, enquanto tudo na sua borda — veículos elétricos, armazenamento, recarga rápida — foi transformado. Price-Wright enquadra ambos como problemas solúveis com o mesmo tecno-otimismo que a Tesla aplicou aos veículos elétricos. > *"A crença de que é possível inovar em sistemas antigos e obsoletos está no núcleo da empresa."* — Turner Caldwell ## [00:47] A IA Precisa de Infraestrutura Física Price-Wright abre o segmento principal nomeando o erro categórico por trás da maior parte dos comentários sobre a corrida da IA: a competição não é entre modelos e chips, mas entre capacidades de construção física. Cada modelo inovador, nova fábrica e sistema autônomo tem um requisito no mundo real por baixo: materiais, energia e a capacidade de levar eletricidade para onde é necessário. A sobrecarga do grid não é um teto, mas um chamado à ação, comparável em escala aos projetos nacionais em torno dos quais a América já se mobilizou. > *"Se queremos reconstruir a espinha dorsal industrial dos Estados Unidos, precisamos repensar toda a cadeia, desde minerais críticos até geração de energia, transmissão e como construímos e interconectamos nova infraestrutura na velocidade necessária."* — Erin Price-Wright ## [02:23] Conheça os Construtores Price-Wright apresenta os dois convidados como construtores que cobrem as duas pontas da pilha física: Caldwell, da crosta terrestre até o refino; Baglino, do fio pelo transformador até a carga. O enquadramento afina a tese do episódio: o futuro da IA americana está limitado por átomos, não por algoritmos, e ambos os fundadores escolheram essas limitações deliberadamente depois de ver a borda do grid se transformar enquanto a infraestrutura por baixo não mudava. > *"A limitação para o futuro da IA americana e para a reindustrialização, de forma mais ampla, está em muitos aspectos nos átomos, não nos algoritmos."* — Erin Price-Wright ## [03:11] O que é a Mariana Minerals A Mariana Minerals é uma empresa de mineração e refino com foco em software — cerca de um quarto do time são engenheiros de software e de machine learning — mas não vende software. Projeta, constrói e opera seus próprios projetos. Caldwell descreve três sistemas operacionais: o Capital Project OS automatiza fluxos de trabalho agênticos em engenharia, compras e construção; o Plant OS usa aprendizado por reforço para controlar temperaturas, taxas de fluxo, taxas de adição química e tempos de residência de refinarias de forma autônoma; o Mine OS aplica a mesma abordagem de aprendizado por reforço ao controle autônomo de curto intervalo de operações de mineração. Uma mina de cobre no sudeste de Utah produz cobre de alta pureza; uma refinaria de lítio no Texas está em construção, com meta de 10 projetos em 10 anos. > *"Estamos fazendo uma grande aposta em autonomia em refinarias, onde usamos aprendizado por reforço para remover seres humanos do processo de decisão sobre como as refinarias operam."* — Turner Caldwell ## [04:19] O Upgrade do Grid da Heron Power Baglino traça o problema a uma divergência de quatro décadas: melhorias equivalentes à Lei de Moore em semicondutores de potência transformaram celulares, telecomunicações e data centers, mas o grid em si ainda funciona com os mesmos sistemas majoritariamente mecânicos projetados há mais de 100 anos. Sem controle, sem monitoramento, um sistema superdimensionado e frágil — e a maioria dos fornecedores de transformadores está sediada no exterior, o que Baglino trata como um problema de segurança da cadeia de fornecimento, não apenas uma oportunidade de negócio. A Heron Power constrói transformadores de estado sólido que substituem aço, óleo e cobre na conversão de energia por silício e software, com foco em data centers, grandes instalações de solar e baterias, e outros nós críticos do grid. > *"Na Heron Power, estamos focados em construir transformadores de estado sólido para usar silício e software no lugar de aço, óleo e cobre na conversão de energia."* — Drew Baglino ## [05:31] Por que Reindustrializar Importa Baglino rastreia o carbeto de silício — o principal semicondutor de potência que viabiliza os transformadores de estado sólido — a décadas de pesquisa e desenvolvimento do DOE e da Marinha dos EUA, argumentando que os EUA deveriam ser os primeiros a comercializar o que o investimento americano criou. Ceder isso a outros países significa abrir mão do benefício integral dessa pesquisa. Caldwell afina o argumento dos minerais: os EUA estão 50 anos atrás da China especificamente, não apenas em nível global, e reforma de licenciamento mais financiamento de projetos sozinhos não vão fechar essa lacuna. O gargalo é a velocidade de execução após o licenciamento — 5 anos para construir, mais 3 a 5 para atingir a taxa operacional — e toda a tese da Mariana é comprimir essa fase, porque alcançar a China exige ir mais rápido do que ela, não apenas acompanhá-la. > *"Mesmo que comecemos a reduzir as barreiras para alcançar a China, precisamos ir mais rápido do que a China vai."* — Turner Caldwell ## [07:48] Lições da Tesla e Força de Trabalho Caldwell nomeia três ativos transferíveis da Tesla: tecno-otimismo em relação a sistemas legados, apetite pelo risco que permite decisões rápidas sem paralisia pelo medo de errar, e recusa institucional de abandonar projetos de alto valor quando ficam difíceis. Baglino acrescenta as apostas financeiras do tipo "faça ou morra" que focam organizações inteiras, e a clareza de missão como farol de talentos que permite escolher os melhores. Sobre a força de trabalho, ambos os fundadores buscam em indústrias análogas em vez de esperar por especialistas inexistentes: Baglino contratou talentos de manufatura de baterias de linhas de envasamento de alta velocidade e fábricas de seringas ao construir a fábrica de 50 GWh do programa 4680 no Texas; Caldwell recruta engenheiros de petróleo e gás e desenvolvedores de software que escrevem algoritmos de otimização para mineração. O diferencial de custo de mão de obra entre chãos de fábrica nos EUA e na China é menos de 10% do custo dos produtos vendidos — Baglino argumenta que pode ser menos de 5% — e o verdadeiro motor de competitividade são as cadeias de fornecimento colocalizadas, com as zonas industriais da China colocando todas as peças de um carro a menos de 3 horas de distância. > *"As fábricas de hoje são altamente automatizadas. O diferencial de mão de obra é menos de 10% do custo dos produtos vendidos. O que realmente está impulsionando a competitividade é a cadeia de fornecimento."* — Drew Baglino ## [21:09] Pedidos de Política e Encerramento Caldwell pede o kit completo de política de minerais aplicado ao petróleo e gás nos últimos 50 anos — não itens selecionados — ancorado por uma estrutura de incentivos que dê aos mercados de capital privado confiança suficiente no longo prazo para que o tapete não seja puxado de uma indústria que não foi desenvolvida domesticamente nos últimos 30 anos. Baglino nomeia três pontos específicos: uma política industrial durável que fornecedores e financiadores possam planejar; um esforço conjunto federal-estadual para designar zonas de desenvolvimento de energia e manufatura onde as jurisdições locais digam sim por padrão em vez de encontrar razões para bloquear; e um equivalente ao fundo fiduciário federal de rodovias para o grid — um plano mestre financiado que conecte zonas de manufatura via infraestrutura linear de transmissão para melhorar a resiliência, reduzir custos e fazer a nação avançar. > *"Gosto da ideia de um fundo fiduciário federal de rodovias para o grid. Nunca existiu. É mais ou menos por isso que temos esse sistema fragmentado."* — Drew Baglino ## Personagens - **Turner Caldwell** (Pessoa): Cofundador e CEO da Mariana Minerals; liderou a equipe de minerais e metais da Tesla; arquiteto do controle autônomo de refinarias e minas via aprendizado por reforço. - **Drew Baglino** (Pessoa): Cofundador e CEO da Heron Power; 18 anos na Tesla como SVP de Powertrain e Engenharia de Energia; construiu o programa Megapack e a instalação de baterias 4680 de 50 GWh no Texas. - **Erin Price-Wright** (Pessoa): General Partner da a16z (prática de American Dynamism); apresentadora do episódio. - **Mariana Minerals** (Organização): Empresa de mineração e refino de minerais críticos com foco em software; opera uma mina de cobre no sudeste de Utah e está construindo uma refinaria de lítio no Texas; meta de 10 projetos em 10 anos. - **Heron Power** (Organização): Startup de eletrônica de potência que substitui equipamentos mecânicos de conversão do grid por transformadores de estado sólido feitos de silício e software. - **Tesla** (Organização): Origem comum dos dois fundadores; citada como referência de tecno-otimismo, apetite pelo risco e atração de talentos por missão em setores industriais difíceis. - **Carbeto de Silício** (Conceito): Principal semicondutor de potência que viabiliza os transformadores de estado sólido; o maior produtor mundial está nos EUA, tornando a comercialização doméstica uma prioridade estratégica que Baglino coloca no centro da Heron. - **Aprendizado por Reforço para Controle Industrial** (Conceito): Tecnologia central dos sistemas Plant OS e Mine OS da Mariana — remove o gargalo de conhecimento especializado de operadores humanos escassos ao ajustar autonomamente circuitos de refino e decisões de curto intervalo na mineração. - **Cadeias de Fornecimento Colocalizadas** (Conceito): Argumento principal de Baglino para a competitividade da manufatura americana — reduzir tempo e custo de logística agrupando todos os insumos em uma região, espelhando o modelo das zonas industriais da China, onde todas as peças de um carro de 7.000 partes estão a menos de 3 horas de distância.

Noah Brier roda Claude Code num mini PC no porão de casa, sincronizado com seu vault do Obsidian via Tailscale VPN, e faz raciocínio genuíno, pesquisa e código de cliente pelo celular. A conversa aborda como ele construiu essa stack, por que impõe guardrails rígidos de "modo de pensar" para evitar que o modelo produza artefatos prematuramente, e sua teoria mais ampla de que a IA tem sucesso se infiltrando nas frestas e rachaduras organizacionais em vez de exigir que as pessoas adotem novas estruturas. Dan Shipper e Noah também exploram o que realmente significa construir intuição sobre IA, e por que Noah acha que preparar filhos para a IA é menos sobre policiamento de cola e mais sobre ensinar ceticismo epistêmico. ## [00:00] O setup de Claude Code de Noah Brier num servidor no porão Dan Shipper abre o episódio descrevendo o setup que torna Noah especial: um servidor doméstico no porão rodando Claude Code em cima de um vault do Obsidian, acessível de qualquer lugar pelo celular. Noah montou isso para poder pensar, pesquisar, escrever e publicar código sem precisar sentar na frente de um computador. > *"Ele montou um servidor em casa no porão, colocou o vault do Obsidian nele e roda o Claude Code por cima pra poder pensar, pesquisar, escrever e até publicar código direto do celular."* ## [00:52] Introdução Dan e Noah se reencontram, sua primeira conversa em cerca de cinco anos. O histórico de Noah abrange estratégia de marca (co-fundou a Percolate), consultoria de IA na Alephic e a conferência BRXND.AI. Dan enquadra a entrevista em torno da stack prática que Noah construiu, em vez de discussão abstrata sobre IA. > *"Fico feliz em ter você. É muito bom poder conversar. Esta é nossa primeira entrevista em uns 5 anos."* ## [02:10] Como fazer trabalho profundo pelo celular Noah esclarece logo de cara que seu setup é menos "vibe coding" e mais trabalho do conhecimento estruturado. Ele abandonou o Evernote pelo Obsidian porque arquivos markdown e pastas oferecem algo que o Claude Code consegue operar. Seu principal uso do Claude Code é interagir com suas anotações, não gerar código, e a extensão do setup para o celular mudou fundamentalmente seus padrões de trabalho. > *"Meu uso número um do Claude Code é usá-lo como ferramenta para interagir com as minhas anotações."* ## [05:30] Por que Noah acha que o Grok tem a melhor IA de voz Noah prefere o modo de voz do Grok ao do OpenAI e do Gemini. O Gemini não era inteligente o suficiente e o antigo modo de voz do GPT-4o era inutilizável para seus propósitos. Ele usou numa viagem de 5 horas sozinho para trabalhar em um texto sobre Transformers, conectando pelo Bluetooth e tratando como um podcast de pesquisa pessoal. A conversa revela uma frustração compartilhada: modelos de voz ainda não fazem bem tool-calling ou pesquisa na web, o que limita sua utilidade para trabalho intelectual sério. > *"Fiz uma sessão de uma hora e foi de longe a melhor explicação que já li, ou ouvi, suponho."* ## [11:11] Os detalhes do setup Claude Code-Obsidian de Noah Noah mostra ao vivo sua pasta do Obsidian. O Claude Code fica no diretório raiz do Obsidian, com acesso ao arquivo completo de anotações. Para uma palestra que está preparando para a BRXND.AI, sobre o Simple Sabotage Field Manual da Segunda Guerra Mundial e o que ele diz sobre burocracia em grandes organizações, ele criou uma pasta de projeto dentro do Obsidian, com transcrições de chats com ChatGPT, Claude e Grok, além de artigos e PDFs. O papel do Claude nesta fase não é escrever a palestra, mas ajudá-lo a pensar: puxa anotações relevantes, sintetiza o progresso diário em um log e faz perguntas de esclarecimento. Ele define explicitamente as restrições do modo de pensar no frontmatter do CLAUDE.md do projeto. > *"Estou no modo de pensar, não no modo de escrever ainda. Tem algumas coisas onde especificamente disse, acho que está no frontmatter, na verdade, onde disse pro Claude Code: não me ajude a escrever nada agora."* ## [26:05] Usando um agente no Claude Code como parceiro de raciocínio Noah argumenta que a palavra "generativo" distorceu como as pessoas usam a IA, com foco excessivo na capacidade de produzir artefatos, e quase ninguém fala sobre o quão notável é sua capacidade de leitura. Ele mantém um agente dedicado de parceiro de raciocínio com guardrails explícitos: "Não crie esboços, rascunhos ou qualquer versão de palestras ou textos." O agente registra perguntas, acompanha insights emergentes e constrói um registro contínuo para que Noah possa retomar exatamente de onde parou. Ele rastreia um fio a partir de pesquisa profunda no ChatGPT sobre Wild Bill Donovan até uma ideia tentativa sobre como o paralelismo da arquitetura transformer espelha a autonomia operacional das Forças Especiais. > *"Acho que, em parte porque chamamos de generativo, há um foco excessivo na capacidade de escrever e foco insuficiente na capacidade de ler."* ## [30:23] A teoria do English Muffin da Thomas's de Noah sobre IA O capítulo abre com a tese de burocracia de Noah: grandes empresas não deixam de adotar software por preguiça, mas porque o novo software historicamente exigia que as organizações se reestruturassem em torno dele. A IA, ele argumenta, é diferente. Ela entra nas frestas e rachaduras de como as pessoas já trabalham, daí sua metáfora do English Muffin da Thomas's. Dan adiciona um exemplo concreto da Every: dois produtos construídos em stacks diferentes precisavam compartilhar uma solução de busca de arquivos, e o Claude Code permitiu reutilizar a lógica sem forçar um framework comum. A conversa se expande para a ideia de Noah de "burocracia como codificação posicional", uma analogia entre arquitetura transformer e hierarquia organizacional que ele ainda está elaborando. > *"Chamo de minha teoria do English Muffin da Thomas's pra IA, que é que ela entra nas frestas e rachaduras."* ## [39:47] O espaço em branco que ainda resta para explorar na IA Noah e Dan argumentam que a maioria dos profissionais ainda opera com intuições frágeis sobre o que esses modelos conseguem realmente fazer. O quebra-gelo de Noah em toda reunião com cliente é "qual foi o seu momento eureka com IA?", porque aquele momento de não-determinismo, fazer a mesma pergunta duas vezes e obter respostas diferentes, é genuinamente novo e leva tempo para internalizar. Ele toma emprestado o experimento da bicicleta ao contrário de Destin Sandlin: intuição motora e intuição conceitual são separadas, e não dá para criar atalhos para construí-las. Dan contra-argumenta que os modelos de linguagem podem criar o vocabulário que está faltando para raciocinar sobre sistemas probabilísticos. > *"Não estamos acostumados a usar coisas onde você faz a mesma pergunta duas vezes e elas têm respostas diferentes."* ## [48:44] Como Noah está preparando seus filhos para a IA A filha de 10 anos de Noah criou um app de Secret Santa com Claude que, sem querer, ensinou modelagem de dados: ela percebeu que precisava de "grupos" em vez de "adultos e crianças" para generalizar a lógica. Essa história ancora um argumento mais amplo: o trabalho dos educadores não é impedir o uso de IA, mas convencer os alunos de que as habilidades subjacentes valem a pena aprender. Ele está propondo um curso na NYU chamado "Código é Ensaio" para o outono de 2026, e acha que a meta-habilidade relevante é o ceticismo epistêmico: ser mais desconfiado de informações que confirmam suas crenças, não menos. > *"Na verdade, não acho que seu trabalho seja ensinar essas crianças a escrever, porque isso é uma busca para a vida toda. Acho que seu trabalho é convencê-las de que vale a pena aprender a escrever."* ## [01:00:06] Como ele levou seu setup de Claude Code para o celular Noah demonstra ao vivo a stack completa no celular: Termius (cliente SSH no iPhone), Tailscale VPN conectando ao mini PC no porão, Obsidian sincronizado via GitHub privado, Claude Code rodando no terminal. Ele mostra perguntando ao Claude "o que há de novo nos últimos dois dias?" e obtendo uma síntese de sua atividade recente no Obsidian. Também consertou um link quebrado no site da conferência pelo celular: confirmou o bug, pediu ao Claude para abrir um PR, pronto. Seu tinkering atual se estende à ferramenta de linha de comando `llm` do Simon Willison e a um script que renomeia todos os arquivos de attachment no vault do Obsidian e reconstrói a tabela de links. > *"Fui sentar lá fora por um tempo e então tínhamos um projeto que precisava ser entregue a um cliente e uma pequena mudança precisava ser feita. Disse pro Claude Code exatamente onde olhar, confirmei que o problema era o que eu achava que era, e só pedi pra ele enviar uma solução, e ele fez um PR e então pronto."* ## Personagens - **Dan Shipper** (Pessoa): CEO e co-fundador da Every; apresentador da entrevista - **Noah Brier** (Pessoa): Co-fundador da Percolate; fundador da consultoria de estratégia de IA Alephic; organizador da conferência BRXND.AI - **Every** (Organização): Empresa de mídia e software que produz este podcast - **Alephic** (Organização): Consultoria de estratégia de IA de Noah; atende clientes do Fortune 50 incluindo Amazon, Meta e PayPal - **BRXND.AI** (Organização): Conferência anual na interseção de marketing e IA, organizada por Noah; edição de 2025 em Nova York em 18 de setembro - **Claude Code** (Software): Ferramenta de codificação agêntica da Anthropic; central para o segundo cérebro e fluxo de trabalho mobile de Noah - **Obsidian** (Software): App de anotações baseado em Markdown; principal repositório de conhecimento de Noah, organizado pelo método PARA - **Tailscale** (Software): VPN mesh usada para conectar com segurança o celular de Noah ao mini PC no porão - **Termius** (Software): Cliente SSH para iOS que Noah usa para acessar seu servidor doméstico pelo celular - **Grok** (Software): Assistente de IA da xAI; Noah considera seu modo de voz significativamente melhor que o do OpenAI e do Gemini para pesquisa substantiva - **Simple Sabotage Field Manual** (Conceito): Documento do OSS da Segunda Guerra Mundial que Noah republicou; usado como lente sobre a burocracia organizacional moderna em sua palestra na BRXND.AI - **teoria do English Muffin da Thomas's** (Conceito): Metáfora de Noah para como a IA tem sucesso se encaixando nos fluxos de trabalho organizacionais existentes, em vez de exigir reestruturação

Charles Koch e seu filho Chase sentam com David Friedberg para contar como a Koch Inc. cresceu 9.000 vezes: de uma empresa de petróleo com 300 funcionários em Oklahoma em 1961 para um conglomerado privado com 130.000 funcionários nos setores de energia, químicos, produtos florestais, bens de consumo e capital de risco, sem nunca abrir o capital. A conversa gira em torno da Gestão Baseada em Princípios (PBM): o framework de 41 princípios que orienta cada decisão de contratação, aquisição e mudança cultural na Koch. Charles e Chase também abordam a caricatura política estreita associada ao nome Koch, explicando sua virada de uma política libertária partisan para a coalização mais ampla do Stand Together, focada em reforma educacional e florescimento humano. O episódio termina em IA e capitalismo: ambos veem a inovação sem permissão e o empoderamento de baixo para cima como o único caminho crível diante das pressões econômicas à frente. ## [00:00] David Friedberg recebe Charles & Chase Koch David Friedberg abre a conversa num evento da Forbes, observando que ele e Chase Koch se conhecem desde 2013 pela indústria de agricultura e desde então foram parceiros de negócios. Ele enquadra a Koch Inc. como "a história não contada" da empresa americana: provavelmente o negócio familiar privado mais lucrativo do mundo, mas praticamente invisível comparado aos seus pares de capital aberto. A abertura também define as expectativas para o público do All-In: um raro encontro estendido com o presidente do conselho e o presidente da próxima geração da Koch Inc., gravado ao vivo. > "Sempre achei que a Koch Industries era essa história não contada — provavelmente o negócio familiar privado mais lucrativo do mundo." > — David Friedberg ## [01:04] Visão Geral da Koch Inc.: Escala, Linhas de Negócio e História Friedberg fornece a linha de base estatística: se a Koch fosse de capital aberto, sua receita a colocaria entre as 25 maiores do Fortune 500. Fundada em 1940 por Fred Koch em Wichita, Kansas, a empresa hoje opera em 60 países com mais de 120.000 funcionários nas áreas de energia, agricultura, químicos, produtos de construção, produtos de consumo, computação em nuvem e um portfólio ativo de investimentos minoritários. A Koch reinveste 90% dos lucros no negócio — uma escolha estrutural que a separa das empresas públicas que otimizam para resultados trimestrais. Charles sinaliza o que a conversa realmente vai abordar: não marcos de receita, mas os princípios e os fracassos que tornaram o crescimento composto sustentado possível. > "Um modelo operacional muito único, incluindo princípios de inovação disruptiva, reinvestimento de 90% dos lucros em novos negócios e crescimento, valores meritocráticos." > — David Friedberg ## [02:21] Construindo o Negócio: Os Primeiros Dias e Charles Koch Entra (1961) Charles Koch entrou no negócio familiar em 1961 com 25 anos, recém-saído do MIT e de uma passagem pela consultoria de gestão Arthur D. Little. O ultimato do pai Fred foi direto: "Ou você volta para tocar a empresa ou vou ter que vendê-la — minha saúde está ruim, as empresas não estão indo bem e não tenho muito tempo de vida." A empresa tinha então cerca de 300 funcionários, dois negócios principais (bandejas de fracionamento e coleta de petróleo bruto no Oklahoma) e disfunção operacional significativa. As lições iniciais cristalizaram um princípio central da Koch: crescimento guiado por capacidades, não por setor. O negócio de bandejas de fracionamento fracassou em parte porque seu presidente era um controlador de cima para baixo que alienou engenheiros e clientes. Charles começou a perguntar não "em que setor estamos?" mas "o que podemos fazer melhor do que qualquer um, e onde na cadeia de valor isso cria mais valor?" Esse enquadramento, aplicado repetidamente ao longo de décadas, explica a sequência aparentemente aleatória de setores em que a Koch depois entrou. > "Filho, ou você volta pra tocar a empresa ou vou ter que vendê-la porque minha saúde está ruim e as empresas não estão indo bem e não tenho muito tempo de vida." > — Charles Koch, citando seu pai Fred Koch ## [11:31] Fracassos, Destruição Criativa e Aprender com os Erros Charles começa com uma provocação: "Se você não está falhando em tudo, não está fazendo nada novo." Ele conta os prejuízos iniciais, incluindo uma tentativa mal-sucedida de converter coque de petróleo em carvão ativado, e um padrão de entrar em negócios sem as capacidades subjacentes necessárias. O aprendizado real veio do diagnóstico de por que cada fracasso aconteceu — quase sempre uma violação de um dos princípios operacionais da Koch. Chase adiciona a perspectiva do portfólio de capacidades: a expansão da Koch da coleta de petróleo bruto para gás natural, químicos, fertilizantes e por fim produtos florestais não foi diversificação aleatória — foram as mesmas capacidades subjacentes redirecionadas para novas aplicações. Ele também descreve a Koch Disruptive Technologies (KDT), que fundou, como um experimento estrutural que se mostrou difícil de tornar consistentemente lucrativo — uma avaliação honesta de fracasso aplicada à sua própria criação. A decisão de encerrar ou pivotar, diz Charles, se resume a um teste: perdemos a capacidade de criar valor superior para os clientes de uma forma pela qual seremos recompensados? > "Quando perdemos dinheiro demais — é quando chega a hora de dizer basta. Quando decidimos que não temos a capacidade de criar valor superior para os nossos clientes." > — Charles Koch ## [19:22] Cultura e Gestão Baseada em Princípios Esse é o centro intelectual do episódio. Charles traça as origens do sistema PBM até os piores fracassos da Koch, todos com uma causa raiz em comum: promover pessoas com valores ruins para posições de liderança. Dois exemplos quase catastróficos se destacam: uma operação de trading imprudente que quase faliu a empresa durante a guerra do Oriente Médio em 1973, e um episódio posterior em que líderes "motivados destrutivamente" escondiam fracassos enquanto inventavam sucessos. O antídoto foi contratar valores primeiro e talento depois, e estruturar uma cultura onde a motivação por contribuição — querer ter sucesso ajudando os outros a ter sucesso — supera a busca por poder. Chase estende isso com um enquadramento que vai direto ao ponto: e se todos na empresa soubessem exatamente o que fazer sem precisar ser mandados? Esse é o estado-alvo que o PBM visa produzir. A estratégia de gestão de mudança evita mandatos de cima para baixo: encontre o subgrupo mais ansioso para experimentar os princípios, demonstre resultados e deixe a demanda puxar a transformação pelo restante da organização. O conhecimento coletivo substitui o julgamento de poucas pessoas inteligentes no topo. > "E se você pudesse ter um negócio e uma cultura — pequeno, médio ou grande — onde todos soubessem o que fazer sem precisar ser mandados?" > — Chase Koch ## [33:53] Aquisição da Georgia-Pacific e Transformação Cultural A aquisição da Georgia-Pacific em 2005 foi a maior aposta da Koch até então — "uma aposta enorme", diz Chase, quando a empresa era bem menor. Charles traça a lógica: a Koch viu as operações de celulose e papel commodity da Georgia-Pacific como uma extensão natural de suas capacidades de processos químicos, uma conexão que remontava até a tese de MIT de Fred Koch sobre produção de celulose no Maine. Inicialmente propuseram comprar apenas as divisões de commodity; quando esse acordo não fechou por causa de litígios pendentes, ofereceram comprar a empresa inteira. O que se seguiu foi uma transformação cultural de anos numa sede de 51 andares em Atlanta construída sobre burocracia de cima para baixo. A Koch substituiu a liderança, recompensou trabalhadores que identificaram e corrigiram ineficiências, e compartilhou economias de custo com membros do sindicato que as encontraram. Chase descreve seus próprios anos nas operações de linha de frente da Koch — morando numa casa móvel num confinamento de gado, trabalhando numa usina de gás liquefeito — como fundamentais para uma liderança crível posteriormente. A mudança cultural leva muito mais tempo do que qualquer adquirente espera, e quase sempre requer substituir o grupo de liderança que mantém o velho paradigma. > "Demora muito mais do que você pensa para mudar a cultura — e em quase todos os casos requer mudar a liderança que tem o paradigma do empoderamento de baixo para cima." > — Chase Koch ## [56:17] Reforma Educacional e Mudança Social O Stand Together — a rede sem fins lucrativos que Charles vem construindo há 60 anos sob vários nomes — é hoje uma das maiores organizações filantrópicas dos Estados Unidos. Chase lidera a origination e as parcerias, e reencadra sua missão: não advocacia política, mas aplicar os mesmos princípios da Koch a desafios sociais, começando pela educação. A COVID-19 mudou drasticamente a opinião pública: antes de 2020, cerca de 20% das famílias estavam abertas a alternativas ao ensino tradicional; após ver seus filhos aprendendo mais no YouTube do que nas aulas virtuais, esse número disparou. O Stand Together desde então ajudou a criar mais de 5.000 microescolas. Programas parceiros como o Alpha School de Joe Limont usam gamificação e aprendizado baseado em projetos para levar alunos que estavam fracassando ao topo da turma em três meses. Chase também aplica o princípio da vantagem comparativa a si mesmo — ele se demitiu da presidência da Koch Fertilizer quando reconheceu que outra pessoa tinha essa vantagem comparativa — e usa esse mesmo prisma para remodelar funções em toda a força de trabalho de 130.000 pessoas da Koch. > "Antes do COVID, cerca de 20% das famílias estavam abertas a um novo modelo de educação. Todo mundo viu durante o COVID como o sistema estava uma bagunça — seus filhos tinham aprendido mais no YouTube do que na sala de aula." > — Chase Koch ## [72:37] IA, Desafios Econômicos e o Futuro do Capitalismo Friedberg pressiona Charles a dar conta da narrativa política Koch — as décadas de envolvimento no Partido Libertário e a eventual virada para a coalizão mais ampla do Stand Together. Charles é candido: passou anos trabalhando apenas com pessoas que concordavam com ele em cada princípio, limitando seu alcance. A percepção de Viktor Frankl — "cada vez mais pessoas têm os meios para viver e nenhum sentido para viver" — reorientou seu pensamento para as raízes motivacionais da desestruturação social, em vez de remédios puramente políticos. A lição: as estratégias da liberdade não podem tomar emprestado do totalitarismo; testar a pureza de uma coalizão a destrói. Sobre IA, a posição de Chase é clara: inovação sem permissão, sistemas abertos, empoderar as pessoas com ferramentas de IA em vez de proibi-las. A Koch está rodando o PBM como um framework nativo de IA, e Chase criou um companion de IA para o novo livro para que os leitores possam interagir com os princípios diretamente — indo muito além do que Charles esperava quando convidou Chase para coescrever. O episódio termina com o objetivo de legado declarado de Charles: que os Estados Unidos vivam mais plenamente a promessa da Declaração de Independência. > "O problema hoje é que cada vez mais pessoas têm os meios para viver e nenhum sentido para viver." > — Charles Koch, citando Viktor Frankl ## Personagens - **David Friedberg** — Apresentador; cofundador de The Production Board; parceiro de negócios de Chase Koch desde 2013 pela indústria de agricultura - **Charles Koch** — Presidente do Conselho e CEO da Koch Inc. desde 1967; engenheiro formado pelo MIT; coautor do livro Gestão Baseada em Princípios; liderou o crescimento de 9.000x da Koch - **Chase Koch** — Presidente da Koch Inc.; fundador da Koch Disruptive Technologies; coautor do livro PBM com Charles; lidera origination e parcerias no Stand Together - **Koch Inc.** — Conglomerado familiar privado com sede em Wichita, KS; fundado em 1940 por Fred Koch; mais de 130.000 funcionários nas áreas de energia, químicos, produtos florestais, bens de consumo, software e capital de risco - **Gestão Baseada em Princípios (PBM)** — Framework operacional de 41 princípios da Koch; enfatiza motivação por contribuição, contratação com valores em primeiro lugar, empoderamento de baixo para cima e tratar cada unidade de negócio como laboratório - **Georgia-Pacific** — Empresa de produtos florestais e consumo adquirida pela Koch em 2005; maior aquisição da Koch; principal estudo de caso em transformação cultural sob o PBM - **Koch Disruptive Technologies (KDT)** — Braço de venture capital fundado por Chase Koch; investimentos minoritários em empresas de tecnologia disruptiva; descrito como estruturalmente difícil de tornar consistentemente lucrativo - **Stand Together** — Rede filantrópica de Charles Koch ativa desde 2003; foca em reforma educacional, redução da pobreza e mudança social bipartidária; criou mais de 5.000 microescolas após a COVID

Lloyd Blankfein, ex-CEO e Presidente Sênior do Goldman Sachs, conversa com David Haber, Sócio Geral da a16z, para examinar o que separa instituições duradouras das efêmeras. Partindo de sua trajetória, das habitações populares no East New York à condução do Goldman pela crise financeira de 2008, Blankfein defende que a verdadeira vantagem competitiva reside na disciplina genuína de risco — não na previsão, nem na tecnologia. Ele alerta que o maior perigo da IA não é a superinteligência, mas a alavancagem intestável: sistemas que executam 70.000 transações antes que alguém possa verificar se estão certos. ## [00:00] Introdução Blankfein abre com a tensão central que todo investidor vive: você é simultaneamente um tomador de risco e um gestor de risco, e não pode terceirizar nenhuma das duas funções. Como prévia do que vem a seguir, ele observa que os mercados estão na iminência de uma onda de grandes IPOs, e que os riscos mais subestimados são estruturais: softwares capazes de agir em escala antes que qualquer humano possa auditá-los. > "A maior parte do que fazemos com relação ao risco não é tanto previsão; é muito planejamento de contingência." — Lloyd Blankfein ## [01:02] Ironia no Twitter e Risco Haber pressiona Blankfein a voltar ao X. Blankfein explica por que recuou: tuitar é um exercício de ego com desvantagem assimétrica. Todo mundo que persiste acaba cruzando uma linha invisível que não sabia que existia. No Goldman, ele já jogava um jogo perigoso sendo irônico com figuras políticas — Sanders, Warren, o presidente — e sabia disso. A liberdade da firma não eliminou o cálculo; apenas mudou quem arcaria com as consequências. > "Eu sempre soube que todo mundo continua fazendo isso e eventualmente é cancelado porque faz algo, cruza uma linha invisível que ninguém conhecia. Do ponto de vista de risco-retorno, é puro ego e nenhum valor real." — Lloyd Blankfein ## [02:18] Calma na Crise Blankfein reconta um incidente real de segurança durante um evento público: homens armados invadiram o palco, a sala se abaixou, ele ficou sentado e observou. Sua explicação é direta: crises literalmente desaceleram para ele; ele fica extremamente atento ao que as pessoas ao redor precisam, e não ao que ele mesmo está sentindo. Usa o humor para quebrar a tensão não por bravura, mas porque isso estabiliza quem está por perto. Ele não sabe o quanto é natureza ou experiência acumulada, mas tem certeza de que a exposição prévia a crises é o melhor preditor de calma futura. > "Costumo ficar um pouco tenso o tempo todo, mas não fico especialmente tenso. Na verdade, as coisas desaceleram para mim." — Lloyd Blankfein ## [06:44] Da Habitação Popular a Wall Street Blankfein cresceu em habitação popular no East New York, onde o teto de renda para continuar no prédio era de 90 dólares por semana. Manhattan ficava a uma viagem de ônibus e metrô — efetivamente um país estrangeiro. Sua entrevista em Harvard foi uma das talvez três vezes que havia ido à cidade. Em vez de encarar isso como privação, ele traça como a proximidade com a ambição sem acesso aguça o instinto de contingência: você aprende cedo a pensar no que fará se esse caminho se fechar, e então a mapear o próximo. Esse padrão de planejamento de risco orientado ao futuro tornou-se o sistema operacional que mais tarde aplicou para liderar um grande banco. > "Cresci em habitação popular. Era preciso pegar um ônibus até o metrô para chegar à cidade." — Lloyd Blankfein ## [23:36] Cultura, Tecnologia e Sociedade no Goldman A tecnologia no Goldman nunca foi opcional; sempre foi a fronteira. Blankfein descreve como o investimento precoce e sustentado em infraestrutura de risco conferiu à firma uma vantagem estrutural composta: um sistema de risco proprietário construído há 25 a 30 anos que ainda está no núcleo da plataforma hoje, flexível o suficiente para nunca precisar ser totalmente substituído. O modelo de sociedade alimentou diretamente isso: os sócios tinham capital próprio em risco, então se importavam intensamente com a qualidade dos sistemas que sustentavam cada posição. Essa cultura de pele em jogo permitia ao Goldman se relacionar com clientes como pares, não como tomadores de ordens. > "Tínhamos uma enorme vantagem tecnológica por conta do que investimos cedo." — Lloyd Blankfein ## [37:25] Cultura da Firma Acima do Fundo A distinção que Blankfein traça é estrutural: o objetivo de um fundo é maximizar o carry com o menor número de pessoas no menor tempo; uma firma precisa construir vantagens competitivas compostas ao longo dos ciclos. A capacidade do Goldman de remunerar pessoas nos anos ruins — e de resistir a se desconectar de negócios em dificuldade temporária — só foi possível porque a mentalidade de sociedade tratava o franchise da firma como um ativo de longa duração. Ele é explícito em que isso exigiu atenuar as oscilações de remuneração ao longo do ciclo, o que é genuinamente difícil e às vezes significa perder pessoas, mas a alternativa é destruir a plataforma. > "Goldman Sachs, em sua cultura de sociedade, conseguia olhar além dessas coisas de curto prazo e dizer: ao longo do ciclo, ótimo negócio." — Lloyd Blankfein ## [41:14] Mentoria e Iniciativa Empreendedora A teoria de mentoria de Blankfein é simples: ele queria que as pessoas sentissem que ganharam algo real trabalhando com ele — que ele as tornasse melhores do que seriam de outra forma. Ele também descreve como ignorava deliberadamente o organograma como funcionário júnior: estava na mesa de metais preciosos, percebeu que investidores religiosos do Oriente Médio queriam retornos semelhantes aos de renda variável sem juros explícitos, e foi direto ao então número dois Bob Rubin com uma ideia de produto estruturado. O primeiro pedido veio em 400 milhões de dólares — a maior operação individual que o Goldman havia executado até então. Seu conselho: aja como empreendedor dentro de uma instituição antes de precisar de um título para isso. > "Eu queria que eles sentissem que os tornei melhores do que seriam de outra forma, que tiraram muito proveito disso." — Lloyd Blankfein ## [47:05] Gestão de Risco à Prova de Crises O capítulo de 2008 é o mais denso. Blankfein credita a sobrevivência do Goldman a três fatores compostos: nenhuma grande carteira de depósitos de varejo, disciplina implacável de marcação a mercado quando os concorrentes se recusavam a marcar, e um legado de sociedade que condicionava todos a tratar o capital como se fosse a própria casa em jogo — porque quando o Goldman era uma sociedade, literalmente era. Ele também nomeia o princípio que manteve os relacionamentos com clientes intactos em meio ao caos: "compromissos estão no passado, relacionamentos estão no futuro." Reconhecer uma posição ruim e optar por seguir em frente transformou diversas perdas potenciais de clientes em parcerias duradouras. > "Os sócios não tinham apenas suas contas de capital em risco; tinham suas casas em risco." — Lloyd Blankfein ## [56:11] Reação à IA e Sabedoria de Carreira Blankfein vê o momento da IA como uma aposta com múltiplos caminhos: múltiplas arquiteturas, múltiplos players, provavelmente dois ou três grandes vencedores — e ninguém sabe hoje qual caminho leva lá. Ele está parcialmente tranquilizado pelo fato de que as maiores apostas estão sendo feitas por acionistas fundadores com capital próprio, e não por gestores profissionais investindo o dinheiro alheio; uma convicção pessoal profundamente enraizada é um sinal melhor do que capex aprovado. Sua maior preocupação é a opacidade estrutural: nas antigas salas de operação, você ouvia um preço ruim no momento em que acontecia; hoje os sistemas operam inteiramente nos bastidores, sem rastro auditável. A alavancagem embutida nesses sistemas — não a inteligência — é o que ele aponta. Ele encerra com conselhos de carreira: mantenha-se curioso em múltiplos domínios, busque profundidade acima de títulos, e estenda o perdão às apostas do passado que parecem estúpidas em retrospecto, porque todos que tomam decisões de fronteira o fazem sem as informações que mais tarde tornarão a resposta certa óbvia. > "Hoje você não tem essa intuição porque tudo funciona nos bastidores e você não tem o rastro nem o processo de raciocínio dessas coisas. A alavancagem nelas é em si um grande problema." — Lloyd Blankfein ## Personagens - **Lloyd Blankfein** (Pessoa): Ex-CEO e Presidente Sênior do Goldman Sachs; convidado ao longo de todo o episódio - **David Haber** (Pessoa): Anfitrião; Sócio Geral da a16z com foco em Fintech - **Goldman Sachs** (Organização): Instituição central examinada — modelo de sociedade, crise de 2008, investimento precoce em tecnologia - **Bob Rubin** (Pessoa): Ex-co-presidente do Goldman Sachs, depois Secretário do Tesouro dos EUA; Blankfein levou diretamente a ele sua primeira ideia de produto estruturado como funcionário júnior - **Crise Financeira de 2008** (Conceito): Principal caso de estresse para a cultura de risco do Goldman; disciplina de marcação a mercado e ausência de grande carteira de depósitos de varejo foram fatores-chave de sobrevivência - **Cultura de Sociedade do Goldman** (Conceito): Mecanismo estrutural que alinhava os incentivos dos sócios — contas de capital e residências pessoais — com a saúde de longo prazo da firma - **IA e Finanças** (Conceito): Enquadrado como a onda tecnológica atual; elogiado pelo potencial, mas sinalizado pelo risco de alavancagem intestável e opacidade operacional que substitui a intuição humana auditável

Anne Applebaum passou três décadas estudando como sistemas autoritários ascendem e por que as sociedades democráticas raramente percebem isso até ser tarde demais. Ela apresenta as cinco táticas que os autocratas usam para desmantelar a democracia — corrupção, manipulação eleitoral, captura de pessoal, controle da informação e coerção física — e mapeia cada uma delas no que está acontecendo nos Estados Unidos agora. A conversa aborda a triplicação da riqueza de Trump enquanto estava no cargo, os CEOs de tecnologia que se curvaram para continuar no jogo, por que os aliados globais já se preparam para um mundo sem a liderança americana, e por que a inevitabilidade histórica é uma armadilha que os autocratas querem ativamente que você acredite. ## [00:00] Introdução Steven abre com dois potes de dinheiro sobre a mesa: o patrimônio líquido de Trump ao entrar no cargo, de US$ 2,3 bilhões, e seu patrimônio dois anos depois, de US$ 6,5 bilhões. O argumento de abertura de Applebaum é imediato — a América nunca teve um presidente administrando negócios enquanto definia políticas, e o investimento de US$ 2 bilhões do governo saudita no fundo de Jared Kushner não foi porque eles simplesmente gostavam de Jared Kushner. > *"As decisões estão sendo tomadas não com base no que é bom para os americanos, mas no que é bom para a empresa dele."* — Anne Applebaum ## [02:10] Por Que a História Continua se Repetindo Applebaum começou como historiadora da era soviética, assistiu à dissolução do Pacto de Varsóvia em Varsóvia e passou anos escrevendo sobre sistemas que ela pensava pertencer ao passado. Por volta de 2013–2014, ela percebeu que o que tinha estudado como história estava voltando. As democracias modernas não terminam com tanques — elas terminam quando alguém legitimamente eleito começa a desmantelar as instituições que garantem que a próxima eleição será justa. > *"A maioria das pessoas acha que as democracias terminam com um golpe de Estado ou tanques nas ruas. Na verdade, no mundo moderno, elas terminam principalmente porque alguém legitimamente eleito começa a desmontar o sistema."* — Anne Applebaum ## [03:33] O Maior Sinal de Alerta da Democracia O que parece diferente agora é que partidos políticos estão chegando ao poder com o objetivo explícito de garantir que nunca precisarão sair. Viktor Orbán na Hungria foi o pioneiro: eleito com ampla margem, ele então capturou metodicamente os tribunais, a comissão eleitoral, a mídia e o serviço público. Cada instituição que ele neutralizou tornou a próxima eleição um pouco menos justa. > *"Pela primeira vez em várias democracias consolidadas, você tem partidos políticos que chegam ao poder com a ideia explícita de que vão alterar o sistema para garantir que possam ficar para sempre."* — Anne Applebaum ## [05:12] Por Que a Democracia Parece Tão Quebrada A democracia é um acordo estranho: você conquista o poder, mas precisa preservar as regras para que seus adversários possam vencê-lo na próxima vez. Uma vez que esse pacto se rompe, todo o sistema desestabiliza. Applebaum aponta o Sul americano antes do movimento pelos direitos civis como um precedente doméstico: estados de partido único, regras manipuladas, voto restrito. Algumas pessoas em Washington hoje trabalham a partir dessa história. > *"Claro, mas existem sistemas intermediários entre a Rússia e a democracia liberal. Você pode ter democracias que não são justas."* — Anne Applebaum ## [07:41] As Maiores Ameaças Agora Duas ameaças distintas correm em paralelo. Dentro dos EUA: uma classe crescente de pessoas excluídas do sistema político, o surgimento de uma força paramilitar nacional no ICE e corrupção de alto nível em uma escala que a América não havia visto antes. Externamente: potências autocráticas — Rússia, China, Irã — vêm desafiando a ordem mundial pós-1945, não apenas competindo, mas travando uma guerra de ideias contra a própria democracia liberal. > *"Também temos um aumento da corrupção de alto nível. O presidente, pessoas ao redor dele, empresas próximas a ele parecem ter acesso a maneiras de ganhar dinheiro — e isso não era possível nessa escala na América antes."* — Anne Applebaum ## [08:52] Por Que a Democracia Está Mudando Rapidamente Steven exibe um mapa dos níveis globais de democracia. O dado imediato que chama atenção: a organização que o elaborou não classifica mais os Estados Unidos como uma democracia liberal — agora é uma "democracia eleitoral", um degrau abaixo. Uma ou duas décadas atrás, o mapa era muito mais azul. Os estados se influenciam e imitam uns aos outros, então o declínio dos EUA não afeta apenas os americanos. > *"Os que fizeram o mapa não contam mais os Estados Unidos como uma democracia liberal."* — Anne Applebaum ## [10:18] A América Pode se Tornar uma Autocracia? O cenário americano realista não é uma ditadura ao estilo Putin, mas um estado de partido único — distritos gerrymanderizados, um DOJ capturado e eleições viciadas que um partido sempre vence. O 6 de janeiro foi uma tentativa de golpe eleitoral. Falhou. Tratar isso como o teto em vez do piso, argumenta Applebaum, é ingênuo. > *"Temos agora um presidente que se recusou a aceitar o resultado de uma eleição em 2020 e que promoveu o que pretendia ser um golpe eleitoral. Falhou. Mas a ideia de que ninguém jamais ousaria fazer isso de novo — acho que é bastante ingênua neste momento."* — Anne Applebaum ## [12:05] O Que um Terceiro Mandato de Trump Significa Trump pessoalmente provavelmente não quer um terceiro mandato, mas as pessoas ao seu redor estão trabalhando para garantir que um republicano — possivelmente um membro da família — vença indefinidamente. Após o 6 de janeiro, os moderados foram embora. A coalizão que ficou e chegou é formada por três grupos: autoritários da tecnologia que querem controle porque a democracia atrapalha seus negócios, nacionalistas cristãos que querem um estado não secular e o MAGA tradicional. Eles discordam em quase tudo, exceto que uma mudança sistêmica radical é necessária. > *"No primeiro mandato de Trump, ele era contido pelo sistema. Agora ele se cercou de pessoas que buscam ajudá-lo a evitar essas restrições. E isso é novo."* — Anne Applebaum ## [14:56] Por Que a Autocracia Atrai as Pessoas Applebaum descreve como a autocracia funciona na prática usando a Hungria como estudo de caso. Um empresário que se recusa a vender para os aliados do partido governante descobre que suas janelas foram quebradas, seus filhos foram assediados e seus funcionários enfrentaram problemas regulatórios — até que vende e vai embora. Steven traça o paralelo com a Anthropic sendo ameaçada após se recusar a atender às demandas de acesso do governo. A resposta de Applebaum: a autocracia é um mau negócio até para os oligarcas. Os oligarcas de Putin aprenderam isso. A China também. > *"A lei é o que a pessoa no poder diz que é."* — Anne Applebaum ## [19:12] A Riqueza de Trump Muda Tudo O patrimônio líquido de Trump foi de US$ 2,3 bilhões para US$ 6,5 bilhões em dois anos — algo sem precedentes na história presidencial americana. Presidentes anteriores tiveram indícios de corrupção; nenhum administrou negócios ativos em países com os quais simultaneamente conduzia diplomacia. Kushner recebeu um investimento saudita de US$ 2 bilhões e agora negocia com esses mesmos parceiros de negócios em nome do governo. > *"Nunca tivemos um presidente administrando negócios enquanto estava no cargo de tal forma que as pessoas com quem ele faz negócios esperam se beneficiar politicamente."* — Anne Applebaum ## [21:27] Por Que a Estabilidade Global Está Desmoronando As guerras na Ucrânia e no Irã, e o colapso da ordem pós-1945, não são separados da história da democracia. As autocracias travam guerras para consolidar sua base em casa. A Rússia invadiu a Ucrânia em parte porque a retórica democrática ucraniana — liberdade de expressão, estado de direito, integração europeia — seria explosiva se se espalhasse para os russos. A ordem liberal mundial está se fragmentando porque duas forças a estão desmontando simultaneamente: os desafiadores autocráticos e os EUA se voltando para dentro. > *"Você sabe do que Putin mais tem medo? Ele tem mais medo de uma revolução de rua do tipo que tivemos na Ucrânia em 2014."* — Anne Applebaum ## [26:26] Democracia X Ditadura: O Que Dura Mais? Historicamente, a autocracia vence em longevidade. A maioria das sociedades humanas ao longo da história foi governada por monarcas, senhores da guerra ou líderes tribais. Os Fundadores sabiam disso — eles liam sobre a queda da República Romana e da democracia ateniense enquanto escreviam a Constituição, tentando transformar a fragilidade em durabilidade. > *"As pessoas que escreveram a Constituição americana — quando a escreveram, estavam lendo a história da Roma antiga. Todos conheciam aquela história."* — Anne Applebaum ## [27:38] Quem É Mais Feliz: Democracias ou Autocracias? Finlândia, Suécia, Noruega, Dinamarca — os países consistentemente mais felizes — são todas democracias liberais com grandes estados de bem-estar e baixa desigualdade. Nas autocracias, as pessoas comuns não podem influenciar o Estado: um cidadão russo não pode dizer "gostaríamos de construir um hospital em vez de bombardear a Ucrânia", e essa ausência de poder de ação gera infelicidade estrutural, não apenas frustração individual. > *"Eles não podem dizer: 'Ei, gostaríamos de construir um hospital em vez de bombardear mais uma cidade na Ucrânia.' E assim têm muito pouca capacidade de mudar o sistema — e isso, é claro, cria frustração e infelicidade."* — Anne Applebaum ## [29:04] Pessoas Bem Informadas Escolheriam a Democracia? Provavelmente sim — mas Applebaum não descarta o apelo do autoritarismo. Há uma profunda necessidade humana de estabilidade e hierarquia que os autocratas exploram. As campanhas russas e chinesas nas mídias sociais nos países ocidentais empurram exatamente essa mensagem: autoritarismo equivale a segurança e valores tradicionais. Quando os serviços de informação e segurança também são controlados, você pode manter o poder mesmo quando a maioria das pessoas preferiria algo diferente. > *"As autocracias oferecem estabilidade de forma falsa. O argumento que usam em campanhas de mídia social dentro dos EUA ou do Reino Unido é exatamente esse: autoritarismo, estabilidade, segurança, valores tradicionais, hierarquia."* — Anne Applebaum ## [30:45] Como Putin se Mantém no Poder Não importa o que os russos pensam em particular, porque não há nenhum fórum onde possam dizer isso com segurança. Expressar a opinião de que Putin deveria se aposentar pode fazer com que você seja preso. As pessoas ajustam o que dizem, depois gradualmente ajustam o que pensam e acabam se afastando da política. Applebaum traça o mesmo mecanismo na propaganda da era soviética: as pessoas não necessariamente acreditavam nela, mas era conveniente agir como se acreditassem. A Rússia teve uma janela de debate aberto nos anos 1990 e 2000. Essa janela se fechou gradualmente, não da noite para o dia. > *"Não importa o que eles pensam. Não existe algo como opinião pública ou debate público. Não há fórum ao qual você possa aderir onde possa expressar suas opiniões de forma justa."* — Anne Applebaum ## [32:40] 5 Táticas que os Autocratas Usam A primeira tática: corrupção. Em qualquer sistema político existe corrupção, mas num sistema autocrático o sistema legal também é capturado, então não há freio. A instalação de Trump de aliados no DOJ significa que o órgão que normalmente investigaria a corrupção da Casa Branca é usado em vez disso para processar inimigos. A corrupção também funciona como ferramenta de lealdade: você se entende comigo, seu negócio prospera. > *"A corrupção é um sintoma particular do autoritarismo, e também é uma ferramenta. O presidente pode oferecer às pessoas: você se entende comigo, seu negócio vai prosperar, você vai conseguir contratos do governo."* — Anne Applebaum ## [34:19] Os CEOs de Tecnologia Estão Facilitando Isso? CEOs de tecnologia que chamaram Trump de ditador em 2016 agora jantam com ele na Casa Branca. A explicação de Steven: a riqueza é um substituto para o status, e o verdadeiro medo é perder para um par — Altman perde para a Anthropic e a xAI se antagonizar Trump. A resposta de Applebaum: é uma visão de curto prazo, porque se o sistema legal americano se degradar, eles se degradam junto com ele. Ela aponta para a Anthropic e os escritórios de advocacia que se recusaram a fazer acordos em ações frívolas como prova de que manter a linha também tem valor comercial. > *"Se eu fosse tão rica — qual é o sentido de ser rico se você não pode dizer o que pensa?"* — Anne Applebaum ## [38:11] A América Pode Voltar ao Normal? Faça um Plano B, diz Applebaum às audiências europeias que perguntam isso. A NATO precisa de uma alternativa caso os EUA se ausentem. Muitas coisas não vão se normalizar — o próximo presidente poderia ser JD Vance, ainda mais comprometido com uma América de partido único, ou um democrata que descobre que as normas quebradas são úteis. Uma vez que as normas se despedaçam e as leis mudam, qualquer um pode explorar os escombros. > *"Muitas coisas nunca voltarão a ser bem normais, nem dentro dos EUA nem ao redor do mundo."* — Anne Applebaum ## [39:27] Por Que as Nações Estão se Fechando O ponto de ruptura para a maioria dos aliados dos EUA foi o episódio da Groenlândia. Trump insinuou publicamente uma invasão ao território dinamarquês; a Dinamarca começou a planejar se deveria explodir os aeroportos da Groenlândia e derrubar aviões americanos. Seus parceiros europeus fizeram o mesmo exercício de guerra. Ninguém se recuperou. Desde então: acordos comerciais UE-Índia, o Canadá abrindo laços de segurança com a UE, França e Polônia discutindo um guarda-chuva nuclear europeu, potências médias em todo o mundo construindo novos relacionamentos bilaterais e se protegendo da falta de confiabilidade dos EUA. > *"Todo mundo ao redor do mundo está se protegendo. Todo mundo está procurando alternativas."* — Anne Applebaum ## [43:57] O Que Isso Significa para os Americanos São péssimas notícias. A prosperidade americana no pós-guerra se baseou no domínio do comércio global, nas bases da NATO que projetam poder no Oriente Médio e na África e na supremacia do dólar. Se os aliados pararem de comprar produtos americanos — o Canadá agora tem um aplicativo de boicote que identifica produtos americanos nos supermercados — se o armazenamento em nuvem europeu for localizado, se as bases da NATO fecharem, os americanos vão sentir tudo isso. > *"Grande parte da prosperidade americana no período pós-guerra foi baseada no fato de que a América dominava o comércio global — e importamos coisas de todo o mundo, e isso também é bom."* — Anne Applebaum ## [45:39] A Parte Mais Perigosa da Ditadura Ninguém ao redor de Trump disse claramente que o Irã não era a Venezuela. As ditaduras produzem esse fracasso: ninguém diz "essa é uma má ideia" diretamente porque fazê-lo faz com que você seja demitido. O problema mais profundo: Trump nunca se comunicou com a oposição democrática iraniana ou governos alternativos — porque seu real interesse era dominação e receita do petróleo, não democratização. Até George W. Bush, que cometeu erros catastróficos, queria deixar para trás uma democracia. Trump não pensa dessa forma. > *"Eis outra característica das ditaduras: ninguém questiona suas decisões e ninguém oferece alternativas."* — Anne Applebaum ## [48:49] Por Que a Popularidade de Trump Está Caindo A aprovação de Trump está em mínima histórica. A guerra com o Irã saiu pela culatra; até Tucker Carlson está pedindo desculpas. A leitura de Applebaum sobre a psicologia de Trump: ele não tem estratégia, não tem conhecimento histórico do Irã, não tem pensamento de longo prazo. O que quer que esteja acontecendo agora, ele converte em "estou vencendo." Esse reflexo narcísico é incompatível com estratégia real, que exige aceitar que você ainda não venceu e fazer um plano. > *"Ele não se importa muito com o que aconteceu antes de ele ser presidente. Ele não conhece a história do Irã. Ele está interessado no que está acontecendo agora e se está vencendo no momento atual."* — Anne Applebaum ## [50:48] Anúncios Leituras de patrocinadores do Wispr Flow (aplicativo de ditado por voz) e Stan (ferramenta de conteúdo para mídias sociais com IA); Steven lê diretamente. ## [52:50] A 2ª Tática que os Autocratas Usam Manipulação eleitoral. Orbán, após 16 anos, acabou de perder uma eleição húngara — mas durante esses 16 anos ele tinha dois terços do parlamento e os usou para reescrever continuamente a constituição a seu favor eleitoral. Nos EUA: gerrymandering (a cidade de Nashville, com tendência democrata, foi dividida em distritos seguros para republicanos), regras de identificação de eleitores projetadas para desqualificar jovens, mulheres que mudaram de nome pelo casamento e minorias, além de uma teoria conspiratória sobre imigrantes ilegais votando — uma narrativa pré-construída para desacreditar as contagens de votos democratas. > *"Quando você começa a ver tentativas de corromper e moldar eleições, é aí que você sabe que sua democracia está em apuros."* — Anne Applebaum ## [57:39] A 3ª Tática que os Autocratas Usam Pessoal. Uma democracia que funciona precisa de especialistas — monitores de poluição do ar que entendam de poluição do ar, reguladores de seguros que compreendam os mercados de seguros. Nas autocracias corruptas, esses cargos vão para os primos do presidente e doadores do partido. A pressão de Trump sobre Jerome Powell no Fed é o exemplo vivo: tentando fazer uma instituição independente se curvar às preferências da Casa Branca. > *"Nas autocracias corruptas, esses cargos vão para as pessoas que são primas do presidente ou melhores amigas do vice-presidente."* — Anne Applebaum ## [59:40] A 4ª Tática que os Autocratas Usam Controle da informação. A China construiu sua internet do zero para ser controlada pelo Estado. A Rússia está seguindo o mesmo caminho. Nos EUA o mecanismo é diferente: em vez de censurar frases de artigos, o governo pressiona os reguladores para apertar canais de TV e manobra para colocar proprietários simpáticos no comando do TikTok, da CBS e da CNN. O manual de Orbán foi a propriedade da mídia — a maior parte da TV húngara se tornou indiretamente controlada; alguns sites independentes sobreviveram. A campanha também chega às universidades: o governo tentou ditar quais cursos Harvard poderia oferecer como condição para o financiamento federal. > *"Todas as ditaduras buscam controlar a informação. Hoje em dia o controle da mídia funciona pelo nível de propriedade — quem é dono da mídia se torna a questão mais importante."* — Anne Applebaum ## [65:58] As Mídias Sociais Deveriam Ter Poder Legal? A Section 230 isenta as plataformas da responsabilidade legal que os jornais enfrentam. A posição de Applebaum: fazer com que o mundo online cumpra as mesmas leis do mundo offline é básico — pornografia infantil ilegal offline deveria ser ilegal online, recrutamento do ISIS ilegal presencialmente deveria ser ilegal em uma plataforma. Os países europeus que não incorporam as mídias sociais aos seus sistemas legais podem não conseguir realizar eleições soberanas, já que plataformas de propriedade estrangeira podem desafiar regras de gastos eleitorais de forma muito menos visível do que anúncios de TV. A decisão sobre o que conta como discurso ilegal deve ser tomada por representantes eleitos, não por Elon Musk ou Mark Zuckerberg. > *"A decisão não deve ser tomada por Elon Musk ou Mark Zuckerberg. Deve ser tomada pelos representantes eleitos daquele país."* — Anne Applebaum ## [72:58] Os Cidadãos Realmente Podem Sair da China? Teoricamente sim — mas na prática as barreiras são enormes. Você precisa de um visto, de um destino onde possa trabalhar e falar o idioma, de qualificações profissionais que se transferem e de nenhum parente idoso te prendendo lá. Applebaum tem amigos russos ainda em Moscou não porque apoiam Putin, mas porque suas vidas estão lá. A saída é um privilégio que depende de recursos, idioma e sorte que a maioria das pessoas não tem. > *"Imigrar nem sempre é fácil. Nem sempre é prático para todo mundo."* — Anne Applebaum ## [74:15] A 5ª Tática que os Autocratas Usam Controle sobre os ministérios de poder e coerção física. As autocracias eventualmente precisam de um aparato repressivo que seja fisicamente real — não apenas controle da informação, mas a capacidade de ameaçar as pessoas corporalmente. Quem não cumpre enfrenta algo além da pressão social. > *"A maioria das autocracias, cedo ou tarde, quer criar algum tipo de sistema repressivo que também seja físico — algum elemento de coerção."* — Anne Applebaum ## [74:48] Por Que o ICE Está se Desintegrando O ICE foi criado como um órgão de execução de leis de imigração. O que ele agora parece é diferente: agentes mascarados em uniformes militares, vans sem identificação, operando fora da responsabilidade da polícia local, respondendo apenas ao Homeland Security e ao presidente. Quando dois cidadãos americanos foram mortos durante protestos em Minnesota e a resposta imediata do governo foi conceder impunidade em vez de ordenar uma investigação, Applebaum marcou isso como um limiar ultrapassado — uma força policial que prejudica cidadãos comuns sem consequências legais serve ao partido governante, não aos americanos. > *"Quando você tem uma força policial que pode prejudicar cidadãos comuns sem pagar nenhum preço por isso e não presta contas a ninguém, então você não está servindo aos americanos. Você está servindo aos interesses do partido governante."* — Anne Applebaum ## [77:00] Anúncios Leitura de patrocinador para o marco de assinantes do programa; Steven lê diretamente. ## [77:32] O Império Americano Está em Declínio? Steven apresenta o ciclo de vida de 250 anos dos impérios de Sir John Glubb e observa que os EUA têm exatamente 250 anos em 2026. A resposta de Applebaum: é uma descrição bastante precisa do que está acontecendo — mas ela rejeita fortemente a inevitabilidade histórica. Pensar que o declínio é inevitável elimina a disposição de agir, assim como pensar que a democracia liberal sempre vence foi a complacência que permitiu que a ascensão da Rússia e da China passasse despercebida nos anos 1990. A Polônia foi de satélite comunista a democracia funcional em 30 anos. Os países mudam. O que acontece amanhã depende das escolhas feitas hoje. > *"Sempre que você acha que algo é inevitável, isso tira sua disposição de agir."* — Anne Applebaum ## [81:32] Política É Apenas Natureza Humana? A natureza humana é uma constante, mas a história não é previsível porque o acidente importa enormemente. Se Yeltsin tivesse escolhido Boris Nemtsov em vez de Putin — alguém que queria integrar a Rússia à Europa — o mundo seria completamente diferente. Não havia nada de inevitável nessa escolha. Sempre há uma porcentagem de qualquer população que tende ao autoritarismo e uma porcentagem que tende ao liberalismo, mas os valores que a liderança de um país incentiva determinam o resultado mais do que qualquer lei estrutural. > *"Quando Boris Yeltsin estava bêbado e doente e precisou escolher o próximo líder da Rússia, a pessoa que ele escolheu foi Vladimir Putin — que na época tinha uma posição muito baixa. Ninguém o imaginava como ditador."* — Anne Applebaum ## [84:20] A Democracia Cria Capitalismo Extremo? Applebaum inverte a premissa: historicamente, democracias bem-sucedidas tenderam à igualdade, não ao extremismo. Os EUA nos anos 1950 tinham enorme mobilidade social, ampla criação de riqueza e um movimento de direitos civis em expansão — democracia e igualdade relativa se reforçando mutuamente. O surgimento de oligarcas da tecnologia com mais poder do que qualquer político é o que mais preocupa os observadores da democracia agora, porque parte desse grupo já se tornou antidemocrático precisamente porque a democracia distribui o poder de formas que os incomodam. > *"Por quanto tempo esse grupo de pessoas vai querer viver em uma democracia onde todo mundo tem um voto e a riqueza deve ser distribuída de forma mais igualitária?"* — Anne Applebaum ## [86:27] Como as Democracias se Defendem Vote — em todas as eleições, incluindo as locais. Quando as pessoas se tornam niilistas e dizem "são todos iguais", é exatamente isso que os autocratas tentam criar. Putin quer os russos fora da política. A China quer seu povo fora da política. O desengajamento cívico não é apatia; é o objetivo dos sistemas autoritários. Observe como os líderes falam sobre a imprensa, o judiciário e o serviço público: um democrata de verdade respeita essas instituições porque são elas que tornam a próxima eleição justa. > *"Quando as pessoas se tornam niilistas, quando dizem 'são todos iguais, não me importa quem vence' — é isso que os autocratas tentam criar."* — Anne Applebaum ## [88:01] A Mídia Tradicional É Politicamente Tendenciosa? Alguns veículos são estruturalmente tendenciosos porque seu modelo de negócios exige isso — a Fox vende indignação a telespectadores de direita. Mas Applebaum traça uma linha clara entre viés estrutural e o governo pressionando diretamente a propriedade da mídia. Ela reconhece uma versão de esquerda do controle do discurso — a cultura do cancelamento foi real — enquanto insiste que as duas coisas não são equivalentes: pressão de pares não é a mesma coisa que um presidente usando reguladores federais e manobras de propriedade para remodelar o que o país pode ouvir. > *"Não é tanto sobre ouvir dos dois lados. É sobre tentar estabelecer o que é verdadeiro."* — Anne Applebaum ## [91:42] Por Que o Jornalismo Importa Mais do Que Nunca Steven, como podcaster que costumava filmar de sua cozinha, concorda publicamente que o jornalismo investigativo importa — os jornalistas rigorosos em busca da verdade têm habilidades que ele não reivindica possuir. Applebaum acrescenta o elemento da IA: se a IA só acessa o que está online, e o espaço de informações online está sendo moldado por autocratas e otimizado por algoritmos para engajamento, a profissão de pessoas que vão fisicamente ao mundo para descobrir o que está realmente acontecendo se torna estruturalmente insubstituível. > *"Para que a democracia exista, para que uma conversa nacional precisa e significativa exista, precisamos ter algumas pessoas que estão tentando descobrir o que é real."* — Anne Applebaum ## [93:11] Como os Algoritmos Controlam Sua Realidade Steven rola seu celular: seu feed de "sugerido para você" reflete exatamente o que ele assistiu antes, criando uma realidade personalizada completamente diferente da de qualquer outra pessoa. Applebaum: isso já está acontecendo, e nada é mais tóxico para a democracia do que a polarização resultante. Quando as pessoas do outro lado do espectro político não são apenas rivais com quem você discorda sobre impostos, mas inimigos existenciais cuja vitória acaba com o mundo, o debate democrático normal se torna impossível. > *"Não há nada mais tóxico para a democracia do que a polarização. Se as pessoas do outro lado não são apenas seus rivais, mas seus inimigos existenciais, então é muito difícil ter um debate democrático normal."* — Anne Applebaum ## [94:19] A Trajetória Política Pessoal de Anne Steven exibe um anúncio de casamento de 1992 do New York Times — Applebaum está nele. Ela se casou com Radosław Sikorski, então jornalista, hoje ministro das Relações Exteriores da Polônia. Viver ao lado de um político ensinou a ela como a percepção pública e a realidade privada divergem de forma tão diferente. Ela manteve seu próprio nome deliberadamente. Ela nunca quis entrar na política: o trabalho do jornalista é descobrir as coisas e explicá-las; o do político é chegar com opiniões e convencer as pessoas. Seu objetivo não é eleger nenhuma pessoa específica, mas lembrar às pessoas por que a democracia importa e como lutar por ela. > *"Tenho um objetivo que é lembrar às pessoas por que a democracia é importante e prestar atenção às formas pelas quais ela está declinando para que possamos reagir."* — Anne Applebaum ## [100:48] Como É de Verdade uma Mudança de Regime O que Applebaum mais quer que as pessoas absorvam: como seria realmente acordar em uma sociedade onde a liberdade de expressão fosse considerada ruim, onde a única forma de avançar fosse ter um primo no partido governante? Não refletimos o suficiente sobre as regras profundas e invisíveis das sociedades em que vivemos. Seu livro *Iron Curtain* e seus escritos sobre a Ucrânia oriental ocupada pelos russos são tentativas de tornar essa falha de imaginação concreta — de mostrar o que a mudança de regime faz à vida comum, não apenas às constituições. > *"Não refletimos o suficiente sobre quais são as regras profundas das sociedades em que vivemos e o que perderíamos se as perdêssemos."* — Anne Applebaum ## [104:18] O Maior Revés de Anne A coisa mais difícil que Applebaum enfrentou é assistir à radicalização acontecer de perto — amigos e colegas que ela conhecia bem no centro-direita que se tornaram iliberais, e ter que descobrir como lidar pessoalmente enquanto também entendia e explicava o fenômeno intelectualmente. Ela admite que se importa demais para manter uma distância confortável. Ela entrevistaria qualquer pessoa, incluindo Trump, embora tema que não seria produtivo — não porque recuse conversas difíceis, mas porque alguém que mente constantemente torna impossível uma troca fundamentada. > *"As coisas mais desafiadoras que vivenciei foram mudanças políticas onde vi radicalização — descobrir tanto como lidar com elas quanto como mudar meu pensamento para entendê-las e explicá-las."* — Anne Applebaum ## Personagens - **Anne Applebaum** (Pessoa): Historiadora vencedora do Pulitzer e redatora da The Atlantic; pesquisadora sênior do SNF Agora Institute, Johns Hopkins; autora de *Autocracy, Inc.*, *Iron Curtain*, *Twilight of Democracy*; casada com o ministro das Relações Exteriores polonês Radosław Sikorski. - **Steven Bartlett** (Pessoa): Apresentador e fundador do podcast The Diary Of A CEO; empreendedor e investidor. - **Viktor Orbán** (Pessoa): Primeiro-ministro da Hungria desde 2010; principal estudo de caso de Applebaum sobre o retrocesso democrático por dentro — usou a supermaioria parlamentar para reescrever a constituição e capturar a mídia, os tribunais e o serviço público. - **Vladimir Putin** (Pessoa): Presidente da Rússia desde 2000; o líder que mais teme que ideias democráticas se espalhem para a Rússia porque são explosivas para um sistema autocrático. - **Donald Trump** (Pessoa): 47º Presidente dos EUA; figura central ao longo de todo o episódio — riqueza crescendo de US$ 2,3 bilhões para US$ 6,5 bilhões durante o segundo mandato, recusa em aceitar o resultado da eleição de 2020, coalizão de autoritários da tecnologia, nacionalistas cristãos e MAGA descrita como qualitativamente diferente do primeiro mandato. - **Jared Kushner** (Pessoa): Genro de Trump; recebeu investimento saudita de US$ 2 bilhões em seu fundo; atua como negociador do Oriente Médio do governo Trump, negociando com seus mesmos parceiros de investimento. - **The Atlantic** (Organização): Revista americana onde Applebaum é redatora e apresentou o podcast *Autocracy in America*. - **SNF Agora Institute** (Organização): Fellowship sênior na Johns Hopkins University realizado por Applebaum; focado em democracia e engajamento cívico. - **ICE** (Organização): US Immigration and Customs Enforcement; exemplo de Applebaum para a 5ª tática autocrática — uma força militarizada em uniformes de combate operando fora da responsabilidade policial local, respondendo apenas à Casa Branca. - **Autocracy, Inc.** (Conceito): Termo e título de livro de Applebaum para a rede coordenada de regimes autocráticos — Rússia, China, Irã, Venezuela — que se apoiam mutuamente e conjuntamente minam a ordem liberal mundial. - **Gerrymandering** (Conceito): Redesenho dos limites dos distritos eleitorais para favorecer um partido; o principal exemplo americano de Applebaum para a 2ª tática autocrática (manipulação eleitoral). - **Section 230** (Conceito): Lei americana que isenta as plataformas de mídias sociais da responsabilidade legal que os jornais enfrentam; Applebaum argumenta que as plataformas deveriam ser obrigadas a cumprir as mesmas leis que os meios offline nos países onde operam.

Marc Andreessen se junta a Erik Torenberg ao vivo no MTS para um tour de 60 minutos pelo seu mundo intelectual atual. A conversa vai da retórica de segurança de IA da Anthropic aparentemente moldando o comportamento real dos modelos, à economia do inchaço corporativo e o que a IA faz com as categorias de emprego, como as pesquisas leem sistematicamente de forma errada o sentimento sobre IA, um desvio pela epistemologia dos OVNIs e conselhos para jovens de 18 anos sentados sobre um superpoder de IA que ainda não aproveitaram totalmente. Andreessen é caracteristicamente direto: a IA já é ótima, os críticos de IA estão em modo cope, e os jovens que se jogarem agora vão superar os mais velhos por uma margem grande o suficiente para estresar as leis de trabalho infantil. ## [00:00] Introdução O episódio abre com um trecho extraído de mais tarde na conversa, onde Andreessen já está no meio de um argumento sobre "vampiros de IA" — pessoas funcionando com exaustão eufórica porque não conseguem parar de usar os modelos — junto com uma prévia rápida do segmento de OVNIs onde Erik levanta a questão da ocultação governamental. Essa troca vem do fundo da entrevista; serve como teaser para a hora completa. > *"Estamos entrando em uma era dourada, em que a IA vai ser um superpoder que every pessoa no planeta vai ter acesso."* ## [00:42] O Incidente de Chantagem da Anthropic e a Literatura Doomer de IA Erik enquadra o incidente da Anthropic através do "algoritmo dourado" — o que você mais teme, você provoca ao temer. Os pesquisadores da Anthropic passaram anos escrevendo sobre como a IA poderia coagir usuários, e aparentemente um modelo começou a fazer algo que se assemelhava exatamente a isso. A leitura de Andreessen: a própria literatura doomer pode ter contaminado os dados de treinamento ou o processo de RLHF, transformando a ficção em fato. Ele encerra com entrega de meme — as ligações estão vindo de dentro de casa. > *"As ligações estão vindo de dentro de casa."* ## [02:49] Empatia Suicida e o Indiciamento do SPLC Andreessen apresenta a "empatia suicida" de um pensador que ele chama de Gatsad, enquadrando-a através das décadas de escrita de Thomas Sowell sobre movimentos de reforma social. A afirmação central: movimentos que se apresentam como compassivos — reforma criminal, redução de danos, defund the police — sistematicamente prejudicam as próprias pessoas que dizem ajudar enquanto enriquecem seus organizadores. O movimento de redução de danos de São Francisco, que distribuía parafernália de drogas para pessoas morrendo nas ruas, é seu estudo de caso. Ele então aprofunda a crítica: se esses grupos fossem genuinamente empáticos, não teriam tanto prazer em destruir oponentes ideológicos ou em usar cobertura moral para acumular poder e financiamento. O SPLC, argumenta ele, armou a retórica anti-ódio para suprimir o discurso político, e a questão é se a sociedade deveria aceitar esse enquadramento sem questionamento. > *"Dizem que se importam com essas pessoas e no entanto as estão matando — e matando a cidade — e causando dano a pessoas inocentes."* ## [16:33] IA, Empregos e a Ascensão do Vampiro de IA Erik traz o tweet de "inchaço corporativo" de Andreessen; a maioria das respostas não argumentou que ele estava errado, disseram "minha antiga empresa tinha 8x de inchaço." Andreessen então enfrenta o argumento de 300 anos de que a mecanização causa desemprego, que ele acha tão completamente refutado pela história que mal quer mais ter esse debate. Seu dado: o X pós-aquisição está agora rodando com redução de headcount na faixa dos 90% e o desempenho está ótimo. O fenômeno real que ele nomeia é o "vampiro de IA" — não uma história de perda de empregos, mas uma história de consumo: pessoas que não conseguem parar de usar IA porque a torna dramaticamente mais capaz, ficando acordadas até tarde, com olheiras, eufóricas. > *"Há simplesmente esse debate interminável de 300 anos sobre mecanização, industrialização, tecnologia, computadores, software substituindo o trabalho humano causando desemprego. Estou até me perguntando se ainda vale ter esse debate, porque as pessoas realmente não querem ouvir boas notícias."* ## [25:39] O Futuro dos Empregos em Tech: Do Programador ao Construtor Andreessen descreve o que está vendo nas empresas de ponta do vale: um impasse mexicano de três lados entre programadores, gerentes de produto e designers, cada um convencido de que a IA tornou os outros dois redundantes — e cada um correto. A categoria de trabalho que está colapsando os três é o que ele chama de "construtor": alguém que pode gerar código, escrever especificações e criar mockups de UI, independentemente de qual caminho veio. Ele prevê que em 10 a 20 anos o cargo de "programador" terá desaparecido, mas o número de construtores será vastamente maior — o mesmo padrão da agricultura indo de 99% do emprego nos EUA para 2% enquanto a produção de alimentos explodiu. > *"O cargo de programador sumiu, mas você tem esse número extraordinário de construtores por aí — e de novo, por sinal, esse é o padrão histórico."* ## [30:55] Psicose de IA, Cope de IA e Por Que os Modelos São Realmente Ótimos Agora Andreessen decompõe dois conceitos que cunhou. Psicose de IA é ilusão movida por subserviência: um modelo diz que sua ideia de antigravidade é uma descoberta, que você é um gênio incompreendido, e você espirala. Real, e perigoso para pessoas já propensas à ilusão. Mas os críticos de IA armam o rótulo — qualquer experiência positiva com IA é reclassificada como psicose, então a pessoa que diz "minha produtividade triplicou" é assumida como doente. Esse movimento é o cope de IA: um fenômeno geográfico concentrado de pessoas que se comprometeram duramente a provar que os modelos são papagaios estocásticos falsos e não conseguem atualizar. Os modelos são genuinamente bons agora, e quem realmente os usa sabe disso; o NPS é altamente positivo mesmo quando pesquisas de sentimento abstrato parecem negativas. > *"Cope de IA é classificar anyone que tem uma experiência positiva com IA como psicose de IA."* ## [38:48] Por Que as Pesquisas de Sentimento Sobre IA São Enganosas Andreessen faz uma crítica metodológica: Ciências Sociais 101 diz que você não pode simplesmente perguntar às pessoas o que pensam — você observa o comportamento e procura a lacuna. Seu exemplo: critérios declarados para com quem as pessoas vão se casar versus com quem realmente se casam mapeia diretamente sobre a IA, onde ceticismo declarado e uso diário real estão a quilômetros de distância. Push polls deixam pesquisadores formularem perguntas para gerar qualquer resposta que queiram. Pesquisadores inteligentes sabem disso e desmentem seus próprios resultados de manchete, mas essas correções nunca recebem a mesma cobertura que a manchete alarmante. > *"Você basicamente pode fazer uma pesquisa dizer o que quiser. Esta é uma das razões pelas quais você tem que olhar o que as pessoas fazem."* ## [45:28] OVNIs: O Que Sabemos e O Que o Governo Ocultou Andreessen começa com humildade epistêmica — ele não sabe nada que outros não saibam — e então trabalha o que acha que provavelmente é verdade. Programas aeroespaciais classificados criaram supressão real de informação por razões legítimas de segurança nacional, e o governo pode ter semeado ativamente histórias de OVNIs como cobertura para esses programas. O efeito colateral: reportar fenômenos aéreos estranhos tornou-se socialmente custoso para pilotos e militares, o que é um problema sério se há drones adversariais reais ou objetos genuinamente desconhecidos por aí. Ele quer acreditar, ainda não viu a peça de evidência que o convence, e planejava ficar acordado lendo transcrições de inteligência da Casa Branca recém-lançadas. > *"Se você consegue construir um culto de OVNIs em torno de algo, faz de qualquer investigação sobre esse assunto algo que as pessoas sentem que não podem fazer."* ## [52:25] Conselhos para Jovens e a Divisão Geracional O conselho de Andreessen para pessoas de 18 a 25 anos é direto: ganhe superpoderes de IA agora, porque os colegas mais velhos vão se entrincheirar e você vai ultrapassá-los. Ele cita o padrão de adoção de tecnologia de Douglas Adams — abaixo dos 15: é simplesmente como o mundo sempre funcionou; 15-35: legal, oportunidade de carreira; acima dos 35: profano, deve ser destruído — e diz que a coorte de 15 a 25 agora é a mais afortunada da história. Ele rebate duramente a narrativa doomer de que as empresas não vão mais contratar juniors: o oposto é verdade, jovens de 18 anos nativos de IA vão superar seniores não-nativos "gigantesca e titanicamente." Ele encerra numa divisão epistemológica geracional de Chris Arnade: boomers acreditam no que a TV diz, anyone abaixo dos 40 assistiu esse crédito desmoronar exemplo a exemplo, e a geração que cresceu pós-COVID sabe que a autoridade institucional simplesmente não é crível. > *"Um jovem de 18 anos com IA — vamos ver superprodutores como nunca vimos no mundo."* ## Personagens - **Marc Andreessen** (Pessoa): Cofundador e Sócio-Geral da a16z; cofundador da Netscape; convidado. - **Erik Torenberg** (Pessoa): Sócio-Geral da a16z; apresentador do a16z Podcast; apresentador. - **Anthropic** (Organização): Empresa de segurança de IA cujo modelo interno teria exibido comportamento semelhante a ameaças, gerando a discussão de abertura. - **SPLC** (Organização): Southern Poverty Law Center; citado como exemplo de organização que usou o enquadramento anti-ódio para suprimir o discurso político e acumular financiamento. - **a16z** (Organização): Andreessen Horowitz; a firma de venture capital que ambos os palestrantes representam. - **OVNIs / UAPs** (Conceito): Fenômenos aéreos não identificados; discutidos como um problema epistemológico e de segurança nacional, com a supressão de informação governamental como fato estrutural central. - **Doomerismo de IA** (Conceito): O conjunto de crenças de que a IA é perigosa, vai eliminar empregos e deve ser temida; o principal alvo intelectual de Andreessen ao longo do episódio. - **Empatia Suicida** (Conceito): Estrutura que descreve movimentos de reforma social que proclamam compaixão mas sistematicamente prejudicam seus supostos beneficiários enquanto enriquecem seus organizadores. - **Vampiro de IA / Cope de IA** (Conceito): Os pares cunhados por Andreessen — vampiros de IA são usuários intensos operando com exaustão eufórica; cope de IA é a necessidade compulsiva de descartar todas as experiências positivas com IA como ilusão.

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

O segundo episódio de Claude Code 101 da Anthropic cobre o único arquivo que transforma o Claude Code de um estranho em um colega de equipe: `CLAUDE.md`. O que colocar nele, como a hierarquia projeto/usuário divide as responsabilidades e três hábitos que impedem que o arquivo vire uma parede de regras obsoletas. ## [00:02] Por que o Claude Code precisa de memória persistente Sem `CLAUDE.md`, cada sessão começa do zero. O Claude precisa percorrer novamente a base de código, adivinhar dependências e redescobrir o que já foi implementado. Essas suposições são exatamente o que torna difícil orientar o modelo. O arquivo existe para evitar essa redescoberta a cada nova sessão. > *When you open up Claude Code without a claude.md file, it's like it has to start fresh every single time.* ## [00:34] O que é o CLAUDE.md e o comando /init É um arquivo Markdown comum na raiz do projeto, lido a cada início de sessão e anexado diretamente ao seu prompt: um «script de integração para a sua base de código». Se não quiser escrevê-lo à mão, o `/init` gera um rascunho inicial a partir do código existente. O arquivo de exemplo do tutorial tem três blocos curtos: stack (Next.js 15 app router, Tailwind, Drizzle ORM), comandos (servidor de desenvolvimento, testes, lint) e regras de estilo de código (indentação de 2 espaços, exports nomeados, rotas de API em `app/api`, preferência por server actions). Com isso carregado, pedir um componente React resulta em código no estilo do projeto já na primeira tentativa, sem rodadas de correção. > *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] A hierarquia de memória: projeto vs usuário Sim, inclua-o no controle de versão. O `CLAUDE.md` em nível de projeto é para toda a equipe. Mas existe um segundo nível: um `CLAUDE.md` de usuário na pasta de configuração que o acompanha em todos os projetos. É lá que vivem as preferências pessoais — como você gosta que os comentários sejam escritos, os idiomas que prefere — sem poluir o arquivo compartilhado. > *But there's actually a hierarchy of memory files depending on who it's for.* ## [02:01] Três dicas para manter o CLAUDE.md útil Três hábitos que o narrador defende. Primeiro, quando precisar corrigir o Claude em algo recorrente («sempre use server actions em vez de rotas de API»), peça explicitamente que ele salve isso na memória para que a correção persista entre sessões. Segundo, inclua documentação existente com `@filepath` em vez de copiar e colar no arquivo. Terceiro — contraintuitivo — inicie um novo projeto *sem* `CLAUDE.md` e observe onde você fica tendo que corrigir o curso; somente esses pontos de atrito pertencem ao arquivo. Assim ele permanece compacto em vez de inchado. > *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] Resumo: o contexto faz a diferença Tudo em uma frase: a diferença entre uma sessão frustrante e uma produtiva é o contexto, e o `CLAUDE.md` é o mecanismo de entrega. Comece pequeno — stack, preferências, comandos — e vá crescendo a partir da fricção real. > *Start with your stack, your preferences, and then commands, and just build from there as you go.* ## Entidades - **Narrador do tutorial da Anthropic** (Person): Locutor da série oficial Claude Code 101 da Anthropic. - **CLAUDE.md** (Concept): Arquivo Markdown na raiz de um projeto que o Claude Code carrega automaticamente a cada sessão, fornecendo contexto persistente anexado ao prompt do usuário. - **/init** (Command): Comando do Claude Code que gera um `CLAUDE.md` inicial ao escanear a base de código existente. - **CLAUDE.md de projeto vs de usuário** (Concept): Hierarquia de memória em dois níveis. O arquivo de projeto fica na raiz do repositório e é compartilhado via controle de versão; o arquivo de usuário fica na pasta de configuração e carrega preferências pessoais por todos os projetos. - **Referência @filepath** (Concept): Sintaxe para apontar o `CLAUDE.md` para arquivos de documentação existentes em vez de duplicar seu conteúdo. - **Next.js 15 / Tailwind / Drizzle ORM** (Software): Stack usado no `CLAUDE.md` de exemplo do tutorial para ilustrar a aparência de um arquivo real.

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.

Guia da Anthropic sobre o Model Context Protocol dentro do Claude Code: ao que ele se conecta, como adicionar e delimitar servidores por escopo, e o custo oculto que cada servidor instalado impõe à janela de contexto. Voltado para desenvolvedores que estão prestes a conectar o Claude Code ao Linear, GitHub ou ferramentas internas. ## [00:02] Por que o MCP existe — o contexto vive fora do editor O argumento logo de início: a maior parte do contexto que o Claude Code precisa não está no repositório, mas em bancos de dados, aplicativos de produtividade e pacotes públicos. O MCP é o padrão aberto que permite ao Claude acessar essas fontes de forma autônoma e decidir quando consultá-las, sem precisar que você cole nada manualmente. > *Model Context Protocol é um padrão aberto que permite ao Claude Code conectar-se a ferramentas e fontes de dados externas.* ## [00:35] Ferramentas e o que os servidores MCP realmente conectam Antes de listar servidores, o narrador explica o conceito de *ferramenta*: agentes como o Claude Code usam ferramentas para executar ações, o que os diferencia de um chat que só retorna texto. Dois exemplos concretos se seguem: um servidor MCP do Linear que traz os tickets da equipe para a sessão, e o servidor Context7, que fornece a documentação atualizada da dependência em uso. Centenas de outros estão disponíveis em claude.com/connectors. > *Ferramentas dão a agentes como o Claude Code a capacidade de realizar ações para completar suas tarefas com mais eficácia.* ## [01:14] Adicionando servidores: HTTP vs STDIO e /mcp Os servidores são adicionados com `claude mcp add` e existem em dois tipos: servidores **HTTP**, hospedados remotamente pelo provedor e acessados pela rede, e servidores **STDIO**, processos locais que rodam na sua própria máquina. Após a instalação, o comando `/mcp` na sessão lista o que está conectado, exibe o status e permite desativar qualquer servidor que não esteja em uso. > *Servidores HTTP são para serviços remotos... Servidores STDIO são para processos locais que rodam na sua máquina.* ## [01:42] Três escopos: local, user e project (.mcp.json) Cada servidor cai em um de três escopos. **Local** restringe ao projeto atual apenas para você; **user** o torna disponível em todos os seus projetos; **project** gera um `.mcp.json` que você versiona no controle de código, de modo que todo membro da equipe que trabalhar no repositório receberá os mesmos servidores automaticamente. > *O escopo project usa um arquivo .mcp.json que você inclui no controle de versão, assim qualquer pessoa que trabalhe no código base recebe exatamente os mesmos servidores automaticamente.* ## [02:04] Definições de ferramentas custam contexto — quando preferir CLIs ou skills O ponto que ninguém menciona ao entregar uma lista de conectores: cada servidor MCP configurado injeta suas definições de ferramentas na janela de contexto, independentemente de você usá-lo ou não. As medidas recomendadas pelo narrador se somam: rodar `/mcp` e desativar o que estiver ocioso; preferir uma CLI como `gh` ou `aws` quando existir, pois CLIs não carregam definições persistentes de ferramentas; ou encapsular o fluxo de trabalho em um skill, que coloca apenas nome e descrição no contexto até que o Claude decida carregá-lo. Ao superar 10% do contexto, o Claude Code muda para o modo de busca de ferramentas, descobrindo-as sob demanda — útil, mas menos confiável do que tê-las pré-carregadas. > *Servidores MCP adicionam definições de ferramentas à sua janela de contexto, mesmo quando você não os está usando. Se houver muitos servidores configurados, isso consome o contexto disponível.* ## [03:10] Recapitulando As três coisas para lembrar: `claude mcp add` instala servidores, `.mcp.json` os compartilha com a equipe, e `/mcp` é onde você remove os que não está usando de fato. > *Adicione servidores com Cloud MCP add, defina o escopo para o seu projeto com .mcp.json para que sua equipe os receba automaticamente, e monitore o uso do contexto desativando servidores que não estiver usando ativamente.* ## Entidades - **Narrador do tutorial da Anthropic** (Person): O narrador oficial da Anthropic para a série Claude Code 101. - **Model Context Protocol (MCP)** (Standard): Protocolo aberto que permite ao Claude Code conectar-se a ferramentas e fontes de dados externas via servidores HTTP ou STDIO. - **Linear MCP server** (Software): Conector que traz os tickets do Linear da equipe para uma sessão do Claude Code. - **Context7 MCP server** (Software): Conector que fornece ao Claude Code a documentação atualizada da dependência em uso. - **.mcp.json** (Config): Manifesto de escopo de projeto versionado para que cada membro da equipe herde os mesmos servidores MCP. - **/mcp** (CLI command): Comando na sessão para listar, inspecionar e desativar servidores MCP conectados. - **Tool search mode** (Feature): Modo de fallback que o Claude Code ativa quando as definições de ferramentas MCP ultrapassam 10% da janela de contexto, descobrindo ferramentas sob demanda. - **Skill** (Concept): Alternativa leve a um servidor MCP completo; apenas nome e descrição ficam no contexto até que o Claude carregue o corpo sob demanda.