ПодкастыHear the voice. See the shape of the thought.

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

Sarah Guo беседует с Maxim Bar Kogan, сооснователем и CEO Onyx Security, о том, что в действительности требуется для защиты ИИ-агентов в корпоративной среде. Maxim утверждает: традиционные инструменты контроля — прокси, ограничения прав доступа, ручная проверка — перестают работать, когда число действий агентов растёт экспоненциально. Единственный жизнеспособный путь — обучать специализированные малые модели, умеющие решать, когда нужно передать решение более мощному надзорному уровню. Разговор касается продукта Onyx «secure control plane», математики cost-latency при обучении кастомных моделей, того, почему лаборатории не могут сами сертифицировать безопасность своих же моделей, и убеждённости Maxima в том, что AGI неизбежен, а независимый надзор за ИИ станет бизнесом на сотни миллиардов долларов. ## [00:00] Вступление Maxim начинает с середины мысли: чем активнее корпорации используют ИИ-агентов, тем больше вероятность вредоносных действий — случайная публикация учётных данных, несанкционированные сетевые вызовы, необратимые операции. Компании уже понимают: волну внедрения не остановить. Чего им не хватает — инструмента, который отличает легитимное действие агента от нелегитимного. Этот фрагмент формулирует ключевой тезис Onyx ещё до вступительных титров. > *"Корпорации начинают осознавать, что этот риск растёт экспоненциально, и остановить внедрение невозможно. Теперь им просто нужно что-то сделать, чтобы снизить вероятность того, что действия агентов окажутся нелегитимными или ошибочными."* ## [00:45] Знакомство с Maxim Bar Kogan Sarah представляет Maxima как сооснователя и CEO Onyx Security — израильского стартапа, в котором работают исследователи, математики и инженеры. Компанию описывают как команду, строящую агентов для надзора за ИИ-агентами. Onyx сочетает экспертизу в наступательной кибербезопасности с глубокими исследованиями в области ИИ — синтетических данных и механистической интерпретируемости. ## [01:10] AutoGPT и ставка на действия агентов Два года назад главным риском в корпоративной безопасности считался DLP для чат-ботов — сотрудники вставляли конфиденциальные данные в ChatGPT. Эта картина рассыпалась, уступив место тревоге из-за автономных действий агентов. Maxim отсчитывает ставку Onyx от AutoGPT: первого агента, где LLM сам решал, что делать, вызывал инструмент и циклически повторял процесс — вместо того чтобы просто генерировать текст. Демонстрация доказала, что агенты могут самостоятельно действовать в реальном мире, и Maxim сразу понял: кто-то должен контролировать эти действия в масштабе. > *"AutoGPT дал волю воображению — нашему и всех остальных, — потому что это был первый по-настоящему автономный агент на LLM: агент, который не генерировал текст, а решал, что делать, и получал API-доступ, чтобы это сделать."* ## [05:17] Что делает продукт Onyx Onyx решает две задачи: обучает модели и строит агентов для надзора за другими агентами, упаковывая эту возможность в «secure control plane» — слой управления, который корпорации встраивают в свой ИИ-стек. Control plane в реальном времени проверяет легитимность действий агентов, балансируя latency, стоимость и надёжность. Долгосрочное видение Maxima выходит за рамки корпоративной безопасности: любой компании, запускающей ИИ-агентов, нужна независимая сторона, которая сертифицирует их действия. > *"Число этих действий растёт экспоненциально. То, что казалось полезным раньше, — человек в петле управления — при ста-, тысяче-, миллионократном росте числа действий просто не сработает."* ## [07:47] Состояние развёртывания в крупных корпорациях В типичной крупной корпорации сегодня Maxim видит три категории ИИ: low-code SaaS-автоматизации (drag-and-drop, не по-настоящему автономные), агенты собственной разработки или для работы с клиентами, а также автономные агенты для написания кода. На долю последних приходится уже более 50% ИИ-использования. Наиболее зрелые отрасли — финансовые услуги и здравоохранение — внедрили самые строгие ограничения, но даже самые осторожные компании перестали полностью запрещать ИИ и перешли к управлению рисками. > *"Более 50% — это автономные агенты и ассистенты для написания кода в среднестатистической корпорации."* ## [09:58] Защита агентов Корпорации уже тратят порядка 100 миллиардов долларов в год на безопасность — защиту конечных точек, сетей, облака, идентификации. Sarah спрашивает, насколько это применимо к безопасности агентов. Ответ Maxima: почти никак. Управление идентификацией — самый базовый уровень — ломается, потому что агентам нужны широкие динамические разрешения, которые невозможно задать заранее. Агент, пишущий код по всему репозиторию или отправляющий письма от имени топ-менеджера, не может работать в узком заранее определённом контексте разрешений, как статический программный процесс. Уязвимая поверхность — это намерение, а не доступ, а существующие инструменты не умеют читать намерения. > *"С автономными ИИ, с этими ассистентами и агентами для кода — просто невозможно заранее знать, какие разрешения им давать."* ## [12:45] Почему прокси не работают У Sarah — интуиция из её опыта в безопасности: это похоже на задачу для прокси с более умным движком политик. Maxim соглашается, что прокси работают как точка интеграции в ряде архитектур, но не решают главного. Прокси даёт доступ к потоку данных — но не определяет, является ли конкретное действие в этом потоке легитимным. Для такого суждения нужно понимать контекст: цель агента, его историю, что именно разрешила корпорация. Ни один движок правил не умеет оценировать произвольное поведение агентов в таком разрезе. > *"Главная задача — понять, допустимо ли то, что я собираюсь сделать прямо сейчас. Применительно к ИИ-системам — это и есть по-настоящему сложный вопрос."* ## [14:11] Почему Onyx обучает собственные модели Очевидное решение — использовать Claude Code для мониторинга Claude Code — разбивается о стоимость и задержку. Запускать frontier-модель-агент для каждого корпоративного агента значит сделать уровень безопасности дороже, чем сам защищаемый ИИ. Ответ Onyx — маленькие, узкоспециализированные модели, которые делают ровно одно: решают, требует ли текущее действие передачи на более мощный надзорный уровень. Sarah проводит аналогию с блиц-шахматами: гроссмейстеры играют интуитивно на быстрых ходах и задумываются только в ключевые моменты. Maxim подтверждает: сосредоточи интеллект именно там, где риск максимален, и оставайся лёгким везде остальном. > *"Нужно обучать модели, которые хороши ровно в одном. Они очень маленькие. Они практически ни на что не способны, кроме как ответить на вопрос: 'Стоит ли передать это более умному агенту?'"* ## [18:38] Культура найма в Onyx Израильский кадровый потенциал в безопасности — сформированный подразделениями вроде 8200, компаниями Armis и Wiz — общеизвестен. ДНК Onyx иная: бэкграунд сооснователя Gil — синтетические данные и NVIDIA, а не наступательная кибербезопасность. Большинство инженеров-исследователей Onyx вышли из израильского разведывательного подразделения, специализирующегося на пересечении математики и кибернетики. Maxim считает этот сплав осознанным выбором: задача Onyx в долгосрочной перспективе — не только корпоративная безопасность, но и контроль над продвинутым ИИ в целом. Для этого нужна глубокая экспертиза в ИИ в связке с инстинктами безопасности. Израиль в целом быстро наверстывает в ИИ: world models, ИИ-инфраструктура, чипы. > *"Проблема — не просто кибербезопасность. Проблема в том, как нам контролировать продвинутый ИИ в долгосрочной перспективе. И эта задача — даже если забыть о корпоративных пробелах в безопасности — звучит крайне важно."* ## [21:24] Механистическая интерпретируемость Maxim убеждён: механистическая интерпретируемость — понимание того, что происходит внутри весов и активаций модели, — и возможна, и необходима. Его неочевидный тезис: по мере того как модели становятся умнее людей в ключевых отношениях, они сами окажутся лучше приспособлены для вскрытия внутренней структуры других моделей, чем мы. Onyx активно финансирует исследования в этом направлении — не только как инструмент безопасности, но и как окно в природу самого интеллекта. Sarah поддерживает эту ставку, отмечая возможность понять не только ИИ, но и когнитивные процессы в широком смысле. > *"По мере появления моделей, которые гораздо умнее нас хотя бы в некоторых важных отношениях, мы думаем, что сможем начать вскрывать механистические возможности значительно эффективнее."* ## [23:35] Как Onyx завоёвывает доверие клиентов Компании из списка Fortune 10 и Fortune 20 обычно не работают с двухлетними стартапами численностью менее 100 человек. Это правило ломает боль: CISO, которые ежедневно сталкиваются с инцидентами из-за действий агентов, не могут позвонить признанному игроку — потому что три года назад этой проблемы попросту не существовало. Onyx получает входящие обращения от корпораций, которые нашли компанию сразу после её выхода из stealth-режима: описание проблемы совпало с тем, что они тушили в режиме пожара каждый день. Maxim расценивает это как узкое и временное окно возможностей — корпоративные покупатели понимают, что молодые стартапы вырастут, и предпочитают быть ранними клиентами, влияющими на продукт, а не поздними последователями. > *"Такое окно открывается только тогда, когда боль очень сильная. Боль настолько сильна, что они говорят: 'Я только что увидел эту компанию, вышедшую из stealth, но это моя ежедневная проблема — позвоню им.'"* ## [25:10] Снижение рисков на фундаментальном уровне Вторая волна паники CISO — помимо действий агентов — это стремительно падающая стоимость автоматизированного поиска уязвимостей. Инструменты для написания кода теперь находят и эксплуатируют уязвимости в масштабах, которые ещё несколько лет назад казались недостижимыми на десятилетия. Maxim считает, что рынок реагирует адекватно: это реальный структурный сдвиг. Правильный ответ — двойная стратегия: быстрое патчирование и компенсирующие меры прямо сейчас, плюс инвестиции в фундаментальные средства контроля — строгое управление идентификацией, файрволы, обнаружение угроз на конечных точках, — которые сокращают уязвимую поверхность вне зависимости от инструментов атакующего. > *"Настоящее решение — и все директора по безопасности в крупных корпорациях это знают — в том, чтобы выстроить фундаментальные элементы защиты и тем самым исключить эти риски."* ## [27:45] Поэтапный запуск Glasswing и Daybreak Относительно контролируемых запусков Glasswing от Anthropic и Daybreak от OpenAI для более мощных моделей: у Maxima взвешенная позиция. Поэтапный запуск идеален при глобальной координации — он даёт время выработать сценарии реагирования, обменяться знаниями и предотвратить катастрофические сбои на электростанциях или в авиакомпаниях. Но если какой-либо игрок выпустит сопоставимую по возможностям модель раньше установленного графика, постепенный подход превращается в уязвимость: компании, не получившие ранний доступ, оказываются под угрозой, к которой у них не было шанса подготовиться. Maxim рекомендует расширять доступ, чтобы как можно больше организаций могли строить защиту параллельно. > *"Если кто-то выйдет на модель уровня method раньше, то ретроспективно это будет выглядеть как огромная ошибка — мы могли хотя бы дать компаниям возможность начать двигаться очень быстро."* ## [29:11] Крупные корпорации, которые всё ещё держатся Два года назад значительная часть крупных компаний просто запретила ИИ. Сегодня Maxim почти этого не видит. Финансовый сектор сохраняет ограничения — позволяет агентам, но ограничивает инструменты, — однако полных запретов больше нет. По его мнению, это правильно: привязка к одному инструменту — тоже риск. Ставить исключительно на модели одного вендора в условиях такой скорости рынка значит оказаться в проигрыше, когда следующее поколение сменит расстановку сил. Компании, допускающие широкий выбор инструментов и жёстко ими управляющие, обгонят тех, кто ограничивает агрессивно. > *"Если год назад поставить на OpenAI — это была бы самая надёжная ставка в мире. Но вдруг у Anthropic оказались значительно лучше модели и инструменты."* ## [30:46] Onyx и рынок ИИ-безопасности Рынок ИИ-безопасности переполнен новыми вендорами и новыми векторами атак. Контраргумент Maxima против тревоги о зоне охвата продукта: два ключевых примитива ИИ 2026 года — foundation models на основе трансформеров и агентные циклы с вызовом инструментов — принципиально не менялись годами. Эта стабильность позволяет Onyx строиться под множество агентных приложений, сохраняя ядро технологии компактным. Реальная страховка от архитектурных сдвигов — инвестировать в исследователей, способных быстро переобучаться и адаптироваться, а не делать ставку на то, что какая-то одна модельная парадигма продержится вечно. > *"Два фундаментальных столпа того, как работает ИИ в 2026 году, не изменились за последние годы. Мы по-прежнему используем LLM foundation models и строим агентов примерно так же, как раньше."* ## [32:36] Должны ли лаборатории решать проблему доверия и управления моделями? Актуальный вопрос Кремниевой долины: поглотят ли лаборатории в итоге проблему доверия и управления сами? Структурный аргумент Maxima против: покупатели не хотят, чтобы продавец автомобиля сам его сертифицировал. Службам безопасности нужна независимая сторона, чья бизнес-модель целиком зависит от того, чтобы быть правой, — а не вендор, защищающий репутацию собственного продукта. Помимо психологии покупателя, Maxim проводит черту между ошибками «неровного интеллекта» (нелепые промахи, которые исправятся с более сильными моделями) и сбоями на уровне намерений: adversarial-манипуляции, рассинхронизация целей, дрейф задач. Лаборатории устранят первую категорию. Вторую может решить только структурно независимый надзор. > *"Вы не станете доверять продавцу продукта, что этот продукт не навредит вашей среде. Вам нужна независимая сторона, весь бизнес которой зависит от того, чтобы сказать вам: это работает правильно — и от того, чтобы действительно быть правой."* ## [36:56] Что нужно изменить в безопасности Sarah спрашивает, чего не хватает более широкому технологическому и исследовательскому сообществу — в первую очередь лабораториям — с точки зрения безопасности. Ответ Maxima: это не технический разрыв, а разрыв в эмпатии. Создание продуктов для безопасности требует глубокого понимания того, как реально работают службы безопасности — их организационная структура, зоны ответственности, информационные потоки. Израиль отчасти производит сильных специалистов по безопасности потому, что военная служба даёт инженерам непосредственный опыт быть тем самым конечным пользователем, для которого они потом строят продукты. Лаборатории, по его словам, развивают возможности, недостаточно вникая в операционную реальность организаций, которым предстоит их внедрять и защищаться. > *"Какую бы техническую задачу вы ни решали, вы создаёте инструмент для людей, для организации с определённой структурой. Создать продукт для этой аудитории, который не просто решает техническую проблему, но который они по-настоящему полюбят — это действительно сложно."* ## [39:14] Почему Maxim верит в AGI Sarah завершает разговор, отмечая, что в словах Maxima содержится негласное допущение: человеческие команды безопасности будут существовать ещё какое-то время. Он подтверждает — но с горизонтом: в ближайшем будущем команды безопасности будут работать полностью на ИИ-агентах, как и большинство умственного труда в целом. Его приземлённый AGI-оптимизм: задача создания отличных продуктов не меняется — всегда знай, кто конечный пользователь, и оптимизируй под его опыт. Сегодня это люди с несколькими агентами рядом. По мере того как соотношение изменится, тот же принцип сохранится — только теперь применительно к агентам, читающим контекстные окна вместо дашбордов. > *"Сегодня, продавая продукт, я продаю его человеческой аудитории с несколькими агентами рядом. По мере того как эта аудитория становится больше агентами, чем людьми, нам важно эволюционировать и сделать так, чтобы продукт отлично работал для агентов, выполняющих эту работу."* ## Сущности - **Maxim Bar Kogan** (Персона): Сооснователь и CEO Onyx Security; бывший израильский офицер разведки, специализация — математика и наступательная кибербезопасность. - **Sarah Guo** (Персона): Ведущая No Priors; основатель и GP в Conviction. - **Onyx Security** (Организация): Израильский стартап, строящий инфраструктуру надзора за ИИ — обучает специализированные малые модели для мониторинга и управления корпоративными ИИ-агентами. - **AutoGPT** (Программное обеспечение): Ранний автономный LLM-агент с открытым исходным кодом; Maxim называет его переломной точкой, сделавшей агентные риски очевидными. - **Glasswing / Daybreak** (Программное обеспечение): Программы контролируемого запуска от Anthropic и OpenAI соответственно для доступа к frontier-моделям. - **Механистическая интерпретируемость** (Концепция): Исследовательская программа, направленная на понимание внутренней структуры весов и активаций нейронных сетей; Onyx рассматривает её как долгосрочный фундамент надзора за ИИ. - **Secure Control Plane** (Концепция): Продуктовая категория Onyx — независимый от вендора слой, контролирующий разрешения агентов, легитимность действий и поведенческую историю в реальном времени. - **8200** (Организация): Израильское разведывательное подразделение, широко известное как кузница лучших специалистов Израиля в области безопасности и технологий, в том числе многих инженеров Onyx.

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

Заместитель госсекретаря по экономическим вопросам Jacob Helberg возвращается в No Priors, чтобы представить Pax Silica — коалицию из 14 стран в области экономической безопасности, призванную обеспечить всю цепочку поставок ИИ: от чипов до магнитов из редкоземельных металлов и привода роботов. Флагманский проект: 4 000 акров на Филиппинах (треть Манхэттена), переданных США для создания «передовой промышленной базы». Цель: сделать для либерально-демократического капитализма то, что «Пояс и путь» сделал для государственной инфраструктуры, но силами частных компаний и венчурного капитала. Sarah Guo и Elad Gil задают Helberg острые вопросы об устойчивости политики между администрациями, роли венчурных капиталистов и о том, почему он называет Америку «аутсайдером на мировой арене». ## [00:00] Холодное открытие Helberg открывает разговор с философского фундамента Pax Silica: США не выиграют конкуренцию в цепочке поставок с государственными заводами. Их преимущество — частный сектор и компании: «очаровывать и восхищать» по Стиву Джобсу, экспортированное миллиардами. Стратегия: строить платформы в тесном взаимодействии с американскими строителями, которые в итоге смогут работать как коммерческие сервисы вне правительства. > *Мы не будем строить государственные цепочки поставок, потому что не в этом наша сила. Наша суперсила — это частный сектор и наши компании.* ## [00:41] Представление Jacob Helberg Sarah и Elad представляют Helberg, теперь утверждённого в должности заместителя госсекретаря по экономическим вопросам — со времён их последней беседы до утверждения. Тема беседы: Pax Silica как многонациональное усилие по обеспечению цепочки поставок ИИ для США и союзников. > *Jacob, большое спасибо, что пришли. Да, спасибо, что пригласили.* ## [01:02] Миссия Pax Silica Helberg прослеживает истоки Pax Silica до своей речи в Hudson Institute, в которой изложил «экосистемный» подход к цепочкам поставок. Коалиция охватывает уже 14 стран. Первый конкретный результат — соглашение с Филиппинами: 4 000 акров, переданных США для создания передовой промышленной базы. Ставка: сочетание предсказуемости американского общего права с промышленными преимуществами Филиппин. Helberg открыто называет это эквивалентом запуска продукта в области цепочки поставок ИИ, проводимого в Сан-Франциско для прямого разговора со строителями. > *Pax Silica — это коалиция экономической безопасности, объединяющая уже 14 стран, и идея состоит в экосистемном подходе к нашим цепочкам поставок, в частности к цепочке поставок ИИ.* ## [03:51] Инвестиции в цепочки поставок чипов ИИ Цепочка поставок ИИ значительно шире чипов: «тысячи компонентов — прецизионные редукторы, серверные двигатели, магниты из редкоземельных металлов, приводы». Концентрационный риск США высок практически по всем из них. Подход Helberg: выбирать регионы с уже существующей промышленной базой и совпадающими ценностями. Филиппины отвечают обоим критериям: глубокая производственная экосистема и старейший союзник США в Азии. Особое внимание уделяется робототехнике как следующему узкому месту после чипов. > *Цепочка поставок ИИ включает тысячи компонентов — прецизионные редукторы, серверные двигатели, магниты из редкоземельных металлов, приводы, — и концентрационный риск нашей страны невероятно высок практически по всем из них.* ## [05:43] Сравнение Pax Silica с китайской инициативой «Пояс и путь» Очевидное сравнение, и Helberg принимает его. «Пояс и путь», поясняет он, — это 25 лет государственных предприятий, строивших за рубежом дороги, мосты, железные дороги, шахты и перерабатывающие заводы под управлением государства: инфраструктура как инструмент внешней политики. Pax Silica намеренно инвертирует эту модель: активы частные и коммерчески жизнеспособные, роль правительства — снижать трения и координировать союзников, а цель — устойчивая экономическая взаимозависимость, а не политический рычаг. Helberg утверждает, что это и долговечнее, и прозрачнее: страны-партнёры получают реальный рост, а не долговые ловушки. > *По сути, это были государственные предприятия, строившие железные дороги под государственным управлением, шахты под государственным управлением.* ## [12:38] Ценностное предложение Pax Silica Для стран-партнёров предложение простое: ИИ уже обеспечивает более трети роста ВВП США и создаёт рекордный спрос на медь, кобальт, электриков и всё, что входит в состав центра обработки данных. Страны, занимающие значимые позиции в разных звеньях этой цепочки, получают рост, который иначе им не достался бы. Helberg апеллирует к неигровой природе технологических переломных точек: пирог растёт достаточно быстро, чтобы в выигрыше оказался каждый за столом. > *Пирог растёт очень быстро. Поэтому это совсем не игра с нулевой суммой, что делает её невероятно подходящей для формирования взаимовыгодных отношений.* ## [14:38] Производство в США и производство с партнёрами Elad задаёт очевидный вопрос: что остаётся в США, а что передаётся партнёрам? Подход Helberg строится на противопоставлении потребления и производства. США — 4% населения мира, но потребляют 20–30% мирового выпуска — и производят значительно меньше. Сокращение этого разрыва само по себе означает реиндустриализацию Америки. Одни вещи (передовые фабрики, критически важные для обороны мощности) должны оставаться внутри страны. Другие (переработка полезных ископаемых, отдельные компоненты) лучше реализовывать там, где geography и промышленная база уже благоприятствуют этому. Речь идёт не об автаркии, а о целенаправленном перераспределении цепочки поставок между союзниками при сохранении наиболее стратегически чувствительных звеньев за США. > *Америка потребляет, знаете ли, порядка 20–30% мирового потребления в любом квартале.* ## [19:10] Ценообразование на редкоземельные металлы Elad поднимает тему редкоземельных металлов: они не так уж редки, совокупный рынок составляет лишь несколько миллиардов долларов, и Китай активно субсидирует их как рычаг контроля. Helberg соглашается и переформулирует экономику: конкурентоспособность в сфере редкоземельных металлов определяется энергоёмкостью и качеством добычи, а не геологической редкостью. Это переводит политический вопрос в плоскость доступности энергии и перерабатывающих мощностей, а не поиска новых месторождений. Вывод: США могут выиграть в этой категории, если решат задачу дешёвой энергии — отчасти именно это и призвана обеспечить широкая политика администрации в области энергоснабжения. > *Экономику этих отраслей на самом деле определяет то, сколько энергии нужно закачать в землю, чтобы извлечь данный минерал при заданном качестве руды.* ## [22:16] Роль венчурного капитала в Pax Silica Sarah спрашивает «за подругу», какова роль частного капитала. Ответ Helberg необычно прямолинеен для чиновника Госдепартамента: венчурные капиталисты лучше правительства умеют оценивать основателей и операторов, а способность исполнять — это то, что определяет, выживут ли амбициозные проекты при столкновении с реальностью. Он видит венчурную экосистему как сигнальный слой: государственное распределение ресурсов может опираться на то, куда уже идут credible операторы, а не на самостоятельный выбор победителей правительством. Сотрудничество явно двустороннее: венчурные капиталисты выявляют компании, способные к исполнению, правительство обеспечивает спрос и политическую поддержку. > *Вы буквально заточены под оценку личностных качеств основателей и операторов.* ## [24:50] Краткосрочные и долгосрочные приоритеты Как сбалансировать задачи на 2027–2028 годы и пятилетние ставки? Ответ Helberg: формирование среды, а не выбор сроков. Подход администрации — формировать макросреду, облегчающую и краткосрочную итерацию, и долгосрочные капиталоёмкие проекты: снижение бюрократических барьеров, расширение внутреннего энергоснабжения, четырёхкратный рост ядерной энергетики. Он называет один из первых указов Трампа о четырёхкратном увеличении внутренней ядерной генерации структурным катализатором, отдача от которого растянута на оба горизонта. > *Помогать формировать среду, создавать макроусловия, которые делают инновации, итерации инноваций, а также их внедрение значительно проще и дешевле.* ## [27:09] Обеспечение устойчивости политики в области ИИ Elad поднимает проблему президентских указов: каждая администрация отменяет указы предыдущей. Как Pax Silica переживёт смену власти? Helberg отмечает, что некоторые вещи — например, налоговая реформа — очень устойчивы, а его должность не позволяет ему комментировать выборы. Он не даёт полного ответа на вопрос об устойчивости — и это само по себе ответ: устойчивость должна обеспечиваться законодательством и фактами на местах (промышленная база на Филиппинах, партнёрское производство), которые трудно обратить вспять. > *Налоговая реформа очень устойчива.* ## [28:09] Как политика влияет на предпринимателей Для американских предпринимателей и операторов Pax Silica позиционируется как платформа доступа к рынкам: расширение возможностей для продаж американских компаний на рынках союзников — Японии, Южной Кореи, Индии, Сингапура, — где даже дружественные торговые партнёры нередко создают значительные барьеры. Helberg особо хочет получать обратную связь от операторов о текущих партнёрствах, решениях по цепочкам поставок, которые руководители теперь принимают более взвешенно, и об изменениях в политике, которые сняли бы барьеры для трансграничного сотрудничества. > *Мы хотим использовать её как платформу для расширения доступа наших компаний к рынкам.* ## [31:00] Предпринимательская администрация Трампа На вопрос о том, что больше всего удивило после прихода в Госдепартамент, Helberg называет скорость администрации и готовность к риску: «время Трампа» — шутка, которую он повторяет зарубежным коллегам. Он объясняет это президентом, проведшим большую часть жизни в частном секторе, и кабинетом (Bessent, Lutnick и другие), работающим по логике бизнеса, а не бюрократии. Вывод для строителей: аппетит к эксперименту сейчас необычно высок, и Pax Silica — один из тех, кто от этого выигрывает. > *Мы любим двигаться в темпе Трампа.* ## [33:00] Почему Америка — аутсайдер на мировой арене Sarah завершает беседу, оспаривая тезис Helberg об Америке как «аутсайдере на мировой арене»: парадоксальный образ для страны, которую принято считать ведущей державой. Helberg апеллирует к концепции «ловушки Фукидида» Graham Allison и отвергает этот фрейм: с самого основания Америка была нацией аутсайдеров — 13 разрозненных колоний, взбунтовавшихся против империи приличного общества, которым раз за разом предрекали упадок и которые раз за разом опровергали прогнозы истеблишмента. Аргумент звучит как защита американской культуры принятия рисков и заключительный призыв: страна побеждает, ведя себя как аутсайдер, а не защищая позицию действующего лидера. > *Мы всегда были нацией аутсайдеров.* ## Действующие лица - **Jacob Helberg** (Персона): заместитель госсекретаря США по экономическим вопросам; архитектор Pax Silica. - **Sarah Guo** (Персона): ведущая No Priors; основатель и GP Conviction. - **Elad Gil** (Персона): ведущий No Priors; независимый инвестор и серийный предприниматель. - **Pax Silica** (Концепция): коалиция из 14 стран в области экономической безопасности под руководством Госдепартамента США, направленная на обеспечение цепочки поставок ИИ через передовые промышленные базы и партнёрства с частным сектором. - **Belt and Road Initiative** (Концепция): 25-летняя государственная зарубежная инфраструктурная программа Китая — антипод, на фоне которого позиционирует себя Pax Silica. - **Philippines Forward-Deployed Industrial Base** (Проект): 4 000 акров, переданных США для промышленного строительства, — первый флагманский проект Pax Silica. - **Thucydides Trap** (Концепция): концепция Graham Allison, характеризующая противостояние США и Китая как конфликт между устоявшейся и восходящей державой; Helberg отвергает образ устоявшейся державы применительно к США. - **Trump Administration** (Организация): определяет скорость и аппетит к риску политики Pax Silica («время Трампа»); ключевые члены кабинета Scott Bessent и Howard Lutnick.

Сооснователь и генеральный директор Long Lake Management Александр Таубман выходит на связь с Elad Gil, чтобы рассказать о соглашении компании на $6,3 млрд по приобретению American Express Global Business Travel — о том, что Elad называет первым в мире AI take private. Таубман объясняет, как горизонтальная AI-платформа Long Lake, Nexus, разворачивается в различных сервисных вертикалях для стимулирования роста, а не сокращения персонала. Компания покупает и держит активы в стиле Berkshire, делая ставку на то, что накопление эффекта от роста AI-производительности за годы важнее любого краткосрочного выхода из сделки. ## [00:00] Представление Александра Таубмана Elad Gil открывает разговор, отмечая, что Long Lake уже совершила около 30 поглощений в рамках своей тезисной ставки на AI-трансформацию, прежде чем заключить сделку по Amex GBT — крупнейшей в мире платформе корпоративных путешествий — за $6,3 млрд. > *«Long Lake недавно объявила о намерении приобрести American Express Global Business Travel за $6,3 млрд в рамках того, что я считаю первым в мире AI take private.»* ## [00:30] Платформа Nexus от Long Lake Nexus не зависит от конкретной модели и находится между фундаментальными AI-моделями и источниками данных, навыками и рабочими процессами каждого приобретённого бизнеса. Около 80% инфраструктуры является общей для всех вертикалей; оставшиеся 20% — это работа по развёртыванию: маппинг рабочих процессов, очистка источников данных и внедрение инженеров на местах. То, на что раньше уходило больше года, теперь запускается в течение нескольких дней после закрытия сделки, обеспечивая немедленную экономию времени, которую Long Lake направляет на рост, а не на сокращение затрат. > *«Мы на самом деле не сосредоточены на экономии затрат. Мы сосредоточены на стимулировании роста и улучшении клиентского опыта. Это наш главный — и то, что мы видим: это куда более мощная модель, потому что наш взгляд на AI таков: это невероятно позитивная сумма.»* ## [03:35] Удержание сотрудников и маховик талантов Сотрудники, вооружённые Nexus, обслуживают больше клиентов, допускают меньше ошибок и зарабатывают больше — а уход означает возвращение к рутинной работе, которую Nexus устранил. Этот барьер становится настоящим магнитом для талантов. Портфельные компании, которые росли на 0–5% в год, теперь растут органически более чем на 20%. > *«Если вы сейчас уйдёте из Long Lake или одной из наших компаний-партнёров к конкуренту, вам придётся снова заниматься всей этой рутинной работой, которая занимала 25%, 30% вашего дня — вам придётся снова этим заниматься. И сама мысль об этом — это как отказаться от электронной почты или что-то в этом роде.»* ## [05:01] Покупка бизнеса против продажи программного обеспечения Продажа программного обеспечения в сервисный бизнес означает слабую обратную связь и отсутствие контроля над управлением изменениями. Владение компанией позволяет инженерам Long Lake находиться в одном помещении — зачастую буквально в одном городе — с полевыми сотрудниками, чьи болевые точки они решают. Модель совместного размещения рабочих групп сокращает цикл обратной связи с месяцев до дней. > *«Наша команда рассматривает наших сотрудников и членов команды на местах как клиентов, и эта внутренняя обратная связь — это ещё один момент. У нас гораздо более тесная петля обратной связи.»* ## [06:57] Формирование основной команды Long Lake Long Lake была специально создана для объединения трёх дисциплин: M&A в сфере прямых инвестиций, прикладная AI-инженерия и управление изменениями. Первые 20 сотрудников пришли через сеть знакомств — инженеры, которые были сооснователями или директорами по технологиям стартапов в области прикладного AI, но не могли найти выход на дистрибуцию в сервисных отраслях. Руководители M&A пришли из GTCR, Blackstone, TPG и HIG — привлечённые именно потому, что эти компании не являются AI-нативными. > *«Казалось, что существует огромный, огромный пробел, и поэтому многие люди, собравшиеся в нашу основную команду, раньше уже были основателями в технологической сфере. Многие из них имели собственные стартапы в инженерной команде.»* ## [10:37] Как Long Lake делает Amex GBT частной компанией Amex GBT была в списке целевых отраслей Long Lake, поскольку корпоративные путешествия являются критически важными и несут высокую цену неудачи — пропущенная командировка — это реальная деловая потеря. Основанная в 1915 году компанией American Express для эвакуации клиентов с дорожными чеками из Европы во время Первой мировой войны, 111-летняя франшиза уже публично изложила дорожную карту AI-трансформации. План Long Lake — развернуть Nexus поверх этой существующей стратегии и дать каждому консультанту по путешествиям AI-суперспособности. > *«Представьте себе вашего консультанта по путешествиям с AI-суперспособностями. Именно такое будущее мы видим для клиентов Amex GBT.»* ## [13:36] Подход Berkshire Hathaway к управлению Традиционные PE-компании нагружают компании долгами, проводят сокращения и продают через три-пять лет. Long Lake явно отвергает эту модель: накопительный эффект от лучших инструментов → лучших сотрудников → лучших клиентских результатов → более быстрого роста кристаллизуется за два-пять лет, а продажа в этот момент означала бы упущение преимущества. Операционные методы Danaher и Transdigm — консолидация фрагментированных отраслей с помощью дифференцированной системы — служат явной точкой отсчёта, применённой к сервисам с AI в качестве конкурентного преимущества. > *«Вы собираетесь построить лучшую компанию в отрасли, а потом её продать? Это просто не имеет для меня смысла. Я бы хотел владеть этой компанией вечно и накапливать это преимущество на протяжении десятилетий.»* ## [16:37] Почему AI-стратегия выделяет Long Lake Корпоративный AI остаётся примерно на уровне 1% проникновения в реальных сценариях использования. Продавцы выбирают Long Lake вместо традиционных PE-компаний, потому что предложение включает постоянный капитал, инженерную команду, которая работает бок о бок годами, и платформу, развёртываемую с первого дня. Основателей и управленческие команды поощряют вкладывать акционерный капитал в новую структуру, чтобы они участвовали в росте стоимости. По мере того как Long Lake накапливает послужной список, Таубман ожидает снижения стоимости капитала — что делает компанию ещё более конкурентоспособным участником торгов без необходимости выигрывать по цене. > *«Иметь долгосрочного партнёра с постоянным капиталом — это уже замечательно, но иметь такого партнёра с глубокой экспертизой в прикладной AI-инженерии и платформой, которую можно развернуть с первого дня, — это действительно нашло отклик.»* ## [19:32] AI открывает масштаб для сервисных компаний Трудоёмкие сервисные компании сталкиваются с жёстким налогом на рост: добавление 20% выручки зачастую требует найма 20% дополнительного персонала, оставляя лишь 20 центов с каждого доллара прироста выручки после затрат на труд. Nexus повышает производительность существующей команды на 30–40%, ломая это уравнение. Генеральные директора портфельных компаний — некоторые управляют бизнесом десятилетиями — называют этот период лучшим в своей карьере, потому что наконец растут с маржой, характерной для программного обеспечения. > *«Когда вы повышаете эффективность существующих команд на 30–40% и они могут обслуживать больше клиентов, это меняет мышление всей организации. Теперь вы растёте. Вы выглядите как софтверная компания, которая растёт с высокой инкрементальной маржой.»* ## Действующие лица - **Alexander Taubman** (Персона): сооснователь и генеральный директор Long Lake Management; руководил сделкой по поглощению Amex GBT за $6,3 млрд - **Elad Gil** (Персона): ведущий No Priors; независимый инвестор и серийный предприниматель - **Long Lake Management** (Организация): AI-ориентированная roll-up-компания; приобретает и трансформирует сервисные бизнесы с помощью Nexus - **Nexus** (Программное обеспечение): горизонтальная AI-платформа Long Lake; не зависит от модели, 80% инфраструктуры разделено между вертикалями - **American Express Global Business Travel / Amex GBT** (Организация): 111-летняя платформа корпоративных путешествий; объект поглощения Long Lake за $6,3 млрд - **AI take-private** (Концепция): приобретение публичной компании с явной целью AI-трансформации её операций — сделка Long Lake с Amex GBT описывается как первая подобного рода - **Danaher / Transdigm** (Организация): операционные конгломераты, упомянутые как образец для долгосрочной накопительной стратегии поглощений Long Lake