ПодкастыHear 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

Второе видео Claude Code 101 от Anthropic посвящено написанию первого промпта: как выбирать между режимом одобрения и авто-принятием, когда переходить в режим плана через shift+tab и как выглядит реальный промпт в живой задаче "добавить тёмный режим". ## [00:03] Обращаться к Claude Code как к любому AI-ассистенту Вступительный фрейм намеренно снижает порог входа: написать промпт в Claude Code ничем не отличается от вопроса любому другому AI-ассистенту. Суть в том, что решения, принятые до нажатия Enter, защищают вас и делают инструмент удобнее в использовании. > *You talk to Claude Code like you would talk to any AI assistant.* ## [00:15] Режим одобрения vs авто-принятие (shift+tab) С самого начала доступны два режима. В режиме одобрения по умолчанию Claude запрашивает подтверждение перед каждым изменением файла. В режиме авто-принятия правки и создание файлов проходят автоматически, но запуск команд оболочки по-прежнему требует вашего разрешения. shift+tab переключает между ними без поиска настроек. Рассказчик явно отказывается называть один из режимов "правильным": выбирайте тот, который соответствует вашему уровню контроля. > *In auto accept mode, it will automatically approve an edit or creation of a file, but ask your permission to run commands.* ## [00:40] Режим плана: исследование только для чтения перед кодингом В том же меню shift+tab скрыт третий режим — режим плана. Claude берёт промпт, использует инструменты только для чтения, чтобы обойти кодовую базу, задаёт уточняющие вопросы по любым неясным моментам и выдаёт подробный план до того, как коснётся хоть одного файла. Типичные случаи: многошаговые реализации функций и безопасные ревью кода — везде, где нужно оценить подход до того, как агент начнёт писать. > *Plan mode takes your prompt and uses read-only tools to analyze your code base and do research on your suggested implementation.* ## [01:10] Живая демонстрация: промпт для переключателя тёмного режима Демонстрация — это суть видео. Из корня проекта несколько раз нажать shift+tab для входа в режим плана, затем написать промпт, который делает три вещи одновременно: формулирует цель ("тёмный режим во всём приложении"), указывает интерфейс ("переключатель в шапке") и добавляет ограничение, которое Claude должен исследовать ("найти хороший контрастный цвет, подходящий к существующей светлой теме"). Цель плюс интерфейс плюс ограничение — неявный шаблон хорошего первого промпта. > *Can you create a toggle switch on the header that allows user to toggle between light mode and dark mode?* ## [01:46] Просмотр того, что Claude сделал на самом деле После того как Claude возвращает план и пользователь его одобряет, ценность — в проверяемости: можно явно увидеть, что Claude сделал и как пришёл к результату. Рассказчик визуально оценивает отрисованный тёмный режим и даёт добро — неявный урок в том, что "выглядит довольно хорошо" — приемлемая планка для ревью низкорискованной UI-работы, если вы действительно посмотрели. > *At the end of all this, we can see explicitly what Claude did and how it came to its conclusion.* ## [02:09] Итог: будьте конкретны, используйте режим плана Заключительное правило: будьте максимально конкретны в промпте, и используйте режим плана, когда хотите, чтобы Claude глубоко разобрался в деталях того, чего вы пытаетесь достичь, прежде чем начать выполнение. Режим одобрения держит вас в курсе на каждом шаге, если это ваше предпочтение. > *When using Claude Code, try to be as descriptive as possible with your prompt.* ## Entities - **Anthropic Tutorial Narrator** (Person): Официальный рассказчик Anthropic для серии обучающих видео Claude Code 101. - **Claude Code** (Software): Агентный терминальный ассистент для разработки от Anthropic — тема данного руководства по написанию промптов. - **Approval mode** (Concept): Режим по умолчанию, при котором Claude Code запрашивает разрешение перед каждым изменением файла. - **Auto-accept mode** (Concept): Режим, автоматически одобряющий правки и создание файлов, но по-прежнему блокирующий команды оболочки. - **Plan mode** (Concept): Режим исследования только для чтения, формирующий подробный план до написания кода; включается через shift+tab. - **shift+tab** (Shortcut): Сочетание клавиш, циклически переключающее режимы одобрения, авто-принятия и плана в 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

Второй эпизод Claude Code 101 от Anthropic открывает капот: агентный цикл, собирающий контекст, выполняющий действия и проверяющий результаты; как контекстное окно сжимается само, не переполняясь; что инструменты реально дают по сравнению с обычным текстом на входе и выходе; и четыре режима разрешений, переключаемых с помощью shift+tab. ## [00:04] Вводный вопрос: чем он отличается от чат-приложения Рассказчик формулирует весь видеоролик как один вопрос: Claude Code — не чат-приложение, так что же это такое? Ответ, который они собираются раскрыть, — агентный цикл. > *We know that Claude code is different from usual chat applications, but how does it work?* ## [00:13] Агентный цикл — собрать, действовать, проверить, повторить Цикл состоит из четырёх ударов. Вы вводите промпт. Claude собирает нужный контекст, общаясь с моделью, которая возвращает либо текст, либо вызов инструмента. Claude выполняет действие — редактирует файл, запускает команду. Затем проверяет, удовлетворяет ли результат промпту. Если да — останавливается; если нет — цикл повторяется, пока работа не будет завершена и верифицирована. Пользователь не заблокирован в это время: можно добавлять контекст, прерывать процесс или направлять модель к конечной цели, пока цикл выполняется. > *And if they don't, Claude goes back and runs the loop again until the results are complete and verifiable.* ## [01:02] Контекстное окно и автоматическое сжатие Контекстное окно — это рабочая память Claude: разговор, содержимое файлов, вывод команд, всё, на что он может оглянуться. Оно ограничено. При достижении предела Claude Code самостоятельно сжимает разговор: решает, что выбросить и что суммировать, чтобы окно снова уменьшилось, не теряя нить. > *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] Инструменты — семантическая диспетчеризация для чтения файлов, выполнения кода и поиска в сети Большинство ИИ-ассистентов — это текст на входе, текст на выходе, без ничего между. Инструменты меняют это: они позволяют агенту решать, когда выполнять код, чтобы приблизиться к цели. Читать файл, искать в сети, запускать команду оболочки. Claude Code использует семантический поиск по доступным инструментам, чтобы выбрать, какой вызвать, и потребить результат. > *Tools let Claude code and other agents determine when to execute code to get closer to a task.* ## [01:52] Режимы разрешений и цена их игнорирования По умолчанию Claude Code спрашивает разрешения перед редактированием файла или выполнением команды оболочки. Shift+tab переключает альтернативы: **автоматическое принятие правок** записывает файлы без запроса, но по-прежнему спрашивает перед командами; **режим плана** ограничивает Claude инструментами только для чтения, чтобы составить план действий перед тем, как что-либо трогать. Рассказчик указывает на очевидный компромисс: дать агенту полную свободу значит, что ошибку труднее поймать до того, как она произойдёт. > *Giving Claude code free reign to run commands means a mistake could be harder to catch before even happens.* ## [02:28] Итог — что делает его не чат-окном Четыре примитива, объединённых в терминале: агентный цикл, управляемое контекстное окно, инструменты и настраиваемые разрешения. Комбинация — читать кодовую базу, действовать в ней, проверять собственную работу — это то, что отличает Claude Code от чат-окна. > *It can read your code base, take action, and verify its own work, and that makes it fundamentally different from a chat window.* ## Сущности - **Anthropic Tutorial Narrator** (Person): Официальный голос за кадром Anthropic для серии обучающих видео Claude Code 101. - **Claude Code** (Software): Агентный терминальный ассистент для программирования от Anthropic, построенный вокруг четырёх примитивов, раскрытых в этом эпизоде. - **Agentic loop** (Concept): Цикл сбор-контекста, действие, проверка, повтор, который управляет каждой сессией Claude Code. - **Context window** (Concept): Ограниченная рабочая память Claude, хранящая разговор, содержимое файлов и вывод команд; автоматически сжимается при переполнении. - **Tools** (Concept): Побочные эффекты, которые агент может вызывать: читать файл, искать в сети, выполнять команду, выбираются через семантический поиск по каталогу инструментов. - **Permission modes** (Concept): По умолчанию (спрашивать), автоматическое принятие правок и режим плана (только чтение) — переключаются через shift+tab. - **Plan mode** (Feature): Режим разрешений только для чтения, позволяющий Claude составить план действий перед любым изменением.

Официальное руководство по установке Claude Code. Диктор Anthropic последовательно рассказывает об однострочных установщиках для каждой поддерживаемой платформы — терминал, VS Code, JetBrains, Claude Desktop и веб — и завершает простым правилом для выбора подходящего варианта. ## [00:04] Однострочные установщики для терминала (macOS, Linux, WSL, Windows) Стандартный способ — установка через терминал. Пользователям macOS, Linux и WSL достаточно одной команды `curl`; Homebrew тоже работает, но не поддерживает автообновление. В Windows PowerShell использует `Invoke-RestMethod`, CMD имеет собственный фрагмент `curl`, а `winget` доступен с тем же ограничением автообновления, что и 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] Запуск claude в проекте и вход в систему После установки перейдите в папку проекта командой `cd` и запустите `claude`. При первом запуске откроется выбор цветовой темы и форма входа, поддерживающая аккаунты Pro, Max, Enterprise или API-ключ. Для Enterprise-аккаунтов этот вариант нужно выбрать явно. Папка, из которой вы запускаете инструмент, определяет границу доступа — Claude Code видит её и все вложенные папки, но не родительские каталоги. > *Whatever directory you decide to run cloud in, it will have access to that directory and all of its subfolders.* ## [01:02] Расширение VS Code Откройте панель расширений, найдите расширение Claude Code от Anthropic и перед установкой убедитесь в наличии синей галочки верификации. Может потребоваться перезапуск. После установки командная палитра (`Ctrl/Cmd+Shift+P`) открывает новую вкладку Claude Code; также можно кликнуть на логотип в любом открытом файле или полностью отключить GUI в настройках и работать только через терминал. > *You can also opt out of the UI and just use the terminal experience directly in your settings file.* ## [01:32] Плагин JetBrains Процесс аналогичен VS Code: установите плагин Claude Code из JetBrains Marketplace, перезапустите IDE — и логотип Claude появится при повторном запуске. Клик по нему открывает боковую панель с терминальным интерфейсом рядом с редактором. > *For JetBrains IDEs, you can install the Cloud Code plugin from the JetBrains Marketplace. Once you install, restart your IDE.* ## [01:51] Claude Desktop и claude.ai/code в браузере После входа в Claude Desktop в верхней части приложения появляется переключатель «code», открывающий Claude Code — тот же чат-интерфейс, но ограниченный конкретной папкой с настраиваемыми правами и режимом облачного выполнения. Веб-версия доступна по адресу `claude.ai/code` и повторяет опыт десктопа с одним жёстким ограничением: она работает только с репозиториями 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] Выбор подходящего варианта Эвристика диктора: прежде всего терминал, если хотите получать новые функции в день выпуска. Интеграции с IDE дают почти идентичный опыт внутри редактора. Desktop — лучший выбор, если нужно, чтобы Claude работал в фоне, пока вы занимаетесь другим. Веб подходит для удалённой работы с репозиториями GitHub или для параллельного запуска нескольких сессий. > *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): Закадровый ведущий курса Claude Code 101 от Anthropic. - **Claude Code** (Software): Агентный инструмент для разработки от Anthropic, устанавливаемый через терминал, IDE, десктоп и веб. - **Homebrew / winget** (Software): Альтернативные способы установки через пакетные менеджеры вместо официальных curl/PowerShell-установщиков — оба без автообновления. - **VS Code extension** (Software): Расширение Claude Code, опубликованное Anthropic; перед установкой проверьте синюю галочку верификации. - **JetBrains plugin** (Software): Плагин Claude Code, распространяемый через JetBrains Marketplace; после перезапуска IDE открывает боковую панель. - **Claude Desktop** (Software): Десктопное приложение с доступом к Claude Code через переключатель «code», с ограничением по папке и режимом облачного выполнения. - **claude.ai/code** (Service): Веб-версия Claude Code, ограниченная репозиториями, размещёнными на GitHub.

Janie Lee и Chai Asawa из Abridge присоединяются к swyx и Jacobу Effronу из Redpoint в совместном выпуске Latent Space × Unsupervised Learning — о том, как AI-скрайб вырос в «слой клинической аналитики» для системы здравоохранения. Разговор охватывает продуктовую философию в стиле кондиционирования воздуха, кейс предварительной авторизации, систему оценки, построенную вокруг клиницистов-учёных и LLM-судей, влияние HIPAA на flywheel данных и всё, что нужно, чтобы надёжно работать на более чем 100 млн медицинских разговоров. ## [00:00] Вступление Эпизод открывается тезисом Janie Lee: контекст — это всё, оповещения должны переходить от реактивных к проактивным, а сам продукт должен уходить в фон, как кондиционер, и появляться только тогда, когда возникает клинический риск. swyx прерывается с коротким призывом к слушателям подписаться вместо рекламных вставок. > *«Нам нравится говорить, что хотим, чтобы наш продукт ощущался как кондиционер. Он должен работать в фоне, просто делая всё лучше.»* — Janie Lee ## [01:17] Что делает Abridge swyx представляет выпуск как ежегодный кроссовер Latent Space × Unsupervised Learning; Jacob Effron подключился потому, что Redpoint — инвестор Abridge. Janie представляет Abridge как слой клинической аналитики для медицинских учреждений, начавший с документации: врачи тратят 10-20 часов в неделю на написание заметок, а разговор между пациентом и клиницистом стоит в начале почти каждого последующего артефакта — претензии, оплаты, диагноза. Chai добавляет: получив полный контекст по пациентам, страховщикам, клиническим руководствам и литературе, можно охватить всё — до визита, во время него и после. > *«Abridge — это слой клинической аналитики для медицинских учреждений. Мы начали с документации и создавали продукт для клиницистов.»* — Janie Lee ## [03:22] От ambient-документации к клинической аналитике Janie описывает три «акта» Abridge: экономить время (исходный скрайб-продукт, возвращавший врачам вечера — «пижамное время»), экономить деньги и зарабатывать для медучреждений, работающих с рекордно низкой операционной маржой, и в конечном счёте спасать жизни. То, что продукт открывают миллионы раз в неделю — до, во время и после каждого визита — и делает расширение возможным. > *«Это называют "пижамным временем"… врачи дома, в пижамах, после работы пишут и догоняют заметки каждый день.»* — Janie Lee ## [05:21] Поддержка клинических решений и контекст как главное Jacob спрашивает Chai, чем система поддержки клинических решений Abridge отличается от его предыдущей работы в Glean. Chai проводит сравнение: в Glean неверный ответ — неудобство; в медицине ставки высоки, а пользовательское пространство значительно уже — меньше персон, но каждый результат должен быть точным. Это определяет всё — от офлайн-оценки до поэтапного выката — и перекликается с видением Jarvis-ассистента, «который действительно тебя знает», которое пытались реализовать на каждом хакатоне последнего десятилетия. > *«Видение Jarvis, когда на каждом хакатоне за прошедшее десятилетие неизменно появлялся какой-нибудь конкурент — я на самом деле думаю, что Abridge именно с этой возможности и стартовал, и продолжает двигаться в ту же сторону.»* — Chai Asawa ## [08:14] Alert fatigue, проактивная аналитика и предварительная авторизация Jacob поднимает классическую проблему alert fatigue: как решить, когда нарушать тишину «кондиционера» и действительно прерывать врача? Рабочий пример Janie — предварительная авторизация: отказ в MRI, который сегодня приходит через несколько недель, можно превратить в подсказку в реальном времени прямо во время визита пациента — с учётом политик страховщика, данных EHR, предыдущих диагнозов и протоколов клиники. Сложность — в данных: prior authorization работает, только если ассистент умеет собирать каждый нужный сигнал в нужную секунду. > *«Чтобы пример с предварительной авторизацией стал возможным, подумайте, сколько данных для этого нужно.»* — Janie Lee ## [13:53] Форм-факторы ambient AI и клиенты в здравоохранении swyx спрашивает о форм-факторах. Сейчас основной — мобильный, но Abridge также работает на десктопе, в браузерных плагинах внутри EHR, на стационарных устройствах в стационарных условиях, в сестринских рабочих процессах, и начинает смотреть на AR. Клиент — многосторонний: CMIO, CFO, CIO, клиницисты, пациенты, страховщики и фарма — все присутствуют в той или иной точке цикла; взаимодействие со страховщиками происходит через структурированный обмен, а не через прямой доступ к сырым данным Abridge. > *«Вы много говорите об ambient AI. Это в основном на телефоне?»* — swyx ## [18:16] Самые сложные задачи ИИ в медицине На вопрос о самой сложной задаче ИИ в Abridge Chai называет поддержку в реальном времени: высокое качество, низкая задержка, низкая стоимость — и всё это в высокорисковой клинической среде. Один конкретный пример — моделирование длинного хвоста политик страховщиков в промежуточные представления, по которым система может рассуждать: граница Парето постоянно движется, и её приходится двигать самим, не дожидаясь готовых решений. > *«И конечно, граница Парето всегда меняется, но мы к тому же пытаемся делать это прямо сейчас.»* — Chai Asawa ## [19:43] Фронтирные модели, собственные данные и стратегия Jacob спрашивает, что они берут готовым, а что строят сами. Позиция Chai: фронтирные модели продолжают поглощать общие медицинские знания, поэтому преимущество Abridge — в собственных данных по медицинским разговорам и специализированном поведении, выстроенном поверх них. Там, где это возможно, они явно остаются model-agnostic: важен конечный продуктовый опыт, а модели подбираются под каждый рабочий процесс. > *«Мы можем использовать что-то для одного, другое для другого — нас в конечном счёте волнует только наилучший продуктовый опыт.»* — Chai Asawa ## [22:24] EHR как файловая система для агентов Взгляд Chai на ближайший год: в основе каждого агента лежит агент-кодировщик, а внутри медицины EHR выполняет роль файловой системы — огромного хранилища структурированной информации, которая не помещается в контекстное окно ни одной нынешней модели. Janie добавляет: цель по-прежнему в том, чтобы клиницист оставался сосредоточен на пациенте, — нужный контекст должен быть готов в нужную секунду, а не заставлять врача заново разбирать разговор. > *«Почти каждый агент в глубине — это агент-кодировщик: дайте ему файловую систему, он напишет свой код… EHR можно представить именно как файловую систему.»* — Chai Asawa ## [25:20] Персонализация, память и предпочтения врачей Jacob спрашивает, как Abridge справляется с персонализацией на уровне каждого врача. Ответ Janie многоуровневый: индивидуальные правки становятся сигналом, поверх них накладываются специализационные умолчания, а всё это оборачивается политиками медучреждения. Chai говорит о памяти как о новом типе системы записей: фоновые задачи консолидируют сигналы из визитов — похоже на то, как сон консолидирует память у людей, — и модель «учится» на каждой правке и каждой не-правке. > *«Часть интересных побочных данных для нас — что память — это по сути новые системы записей.»* — Chai Asawa ## [31:57] Evals, LLM-судьи и поэтапный выкат Janie описывает стек оценки: штатные клиницисты проводят первичный LFD-обзор, LLM-судьи калибруются по этим размеченным данным, сторонние оценщики дают независимое заключение, а специализационные evals отлавливают то, что упустят общие. Chai проводит аналогию с беспилотными автомобилями: они хотят выходить на реальность как можно быстрее, но только через поэтапный выкат, чтобы офлайн-распределение действительно соответствовало продакшн-распределению. > *«Я хочу выйти на контакт с реальностью как можно быстрее, но через поэтапный выкат — потому что каким бы ни был мой офлайн-eval, хочу, чтобы его распределение действительно совпадало с реальным.»* — Chai Asawa ## [38:04] HIPAA, деидентификация и приватность Приватность — жёсткое ограничение для flywheel данных. Chai объясняет: всё, что используется как основа для онлайн-оценки или обучения, должно быть деидентифицировано в одностороннем порядке — для этого выстроены инженерные процессы. Janie добавляет: пользовательские контракты также определяют, кто внутри Abridge имеет доступ к PHI, так что планка для того, что попадает обратно в обучающие данные, задана контрактно, а не только политикой. > *«Любые данные, которые мы используем, должны быть деидентифицированы — любые реальные данные, которые мы берём как основу для онлайн-eval или обучения, — и для этого нужно...»* — Chai Asawa ## [40:38] 100 млн разговоров и работа на масштабе На 100+ млн разговоров поверхность проблем меняется: маршрутизация моделей, post-training, бюджеты надёжности и стоимость одного вызова становятся приоритетами первого класса. Chai говорит об инсайтах, которые можно давать клиницистам, и смотрит в перспективу: в конечном счёте тот же разговор сможет порождать сигналы напрямую для пациентов и потребителей, а не только для врачей. > *«В нашем датасете из ста миллионов разговоров так много всего. Можно представить, например, инсайты, которые можно дать клиницисту.»* — Chai Asawa ## [45:27] Интеграция с EHR и слой клинической аналитики swyx спрашивает об отношениях с EHR. Abridge серьёзно инвестирует в глубокую интероперабельность: партнёрство с EHR — необходимое условие для принятия клиницистами, но ценность, которую Abridge добавляет поверх, работает на другом уровне: кросс-визитный контекст, рассуждение с учётом политик страховщиков и тот тип клинической аналитики, для которой сам EHR не структурирован. > *«Один из ключевых партнёров — EHR, и мне интересно, каковы эти отношения.»* — swyx ## [47:56] Регулирование здравоохранения, задержки и высокорисковый ИИ Jacob спрашивает, что Abridge вынес из работы с регулированием. Janie отвечает, оспаривая привычный нарратив: у ИИ в здравоохранении на самом деле есть регуляторный попутный ветер — именно потому, что планка настолько высока, самые сложные задачи решаются здесь первыми. Chai рассказывает о «хитрых приёмах», которые они применяют сейчас, понимая, что фронтир продолжит двигаться и часть из них не переживёт пяти лет. > *«Я думаю, именно здесь самые сложные задачи ИИ будут решены первыми — просто потому что планка настолько высока.»* — Janie Lee ## [51:28] Клиницисты-учёные и качество на длинном хвосте Janie описывает роль, существующую внутри Abridge, — clinician scientist: врачи с технической подготовкой, от full-stack разработчиков до «крайне находчивых промпт-инженеров». Их присутствие в продуктовых и eval-командах повышает планку того, что выходит в прод, потому что люди, пишущие LFD-критерии, — это те, кто действительно понимает, что значит клинически полезно. swyx связывает это с активным обучением на известных слабых местах — тот вид полировки, который стал редкостью в большинстве AI-команд. > *«У нас есть роль, которая называется clinician scientist, и я слышала, как один из наших руководителей недавно назвал их мутантами.»* — Janie Lee ## [54:21] Уроки Glean и долговечная AI-инфраструктура Jacob спрашивает Chai, что переносится из Glean. Ответ — в основном о том, что выдерживает испытание временем: контекстные слои, событийно-ориентированные системы, Kafka, Temporal, сокеты, CRDTs из плейбука Google Docs по совместной работе. Мультиагентные системы наследуют те же проблемы разрешения конфликтов, что и люди, а инфра-паттерны прошлого десятилетия не выбрасываются — они переосмысляются. > *«Есть много событийно-ориентированных технологий… Kafka, Temporal, сокеты и так далее — как их объединить — я думаю, это тоже долговечно.»* — Chai Asawa ## [58:20] Будущее агентных рабочих процессов в медицине Короткий обмен о том, каким выглядит Abridge с более агентным подходом: по-прежнему выстроенный вокруг роли клинициста в отношениях с пациентом, но с большим количеством фоновой работы — реагирование на результаты анализов, подготовка последующих сообщений, принятие задач от имени врача без перехвата самих отношений. > *«Ещё больше возможностей от имени клинициста, которому, по нашему убеждению, отведена крайне важная роль в связи с пациентом и так далее.»* — Chai Asawa ## [58:51] PRD, ясность продукта и создание серьёзных AI-продуктов Быстрый вопрос от Jacob: что изменилось в вашем взгляде на ИИ за последний год? Janie переворачивает популярный тезис: прототипы — не панацея, PRD не мертвы. По мере того как продукты становятся сложнее и мощнее благодаря ИИ, дисциплина письменной ясности настоящего PRD важна всё больше, а не меньше. Далее — о построении серьёзных AI-продуктов в здравоохранении: ответственность, дисциплина письменных спецификаций и сопротивление разработке, движимой демо. > *«Горячий тезис — что прототипы — это всё и PRD мертвы.»* — Janie Lee (тезис, который она пересмотрела) ## [64:28] AI-инструменты для разработки в Abridge Стандартный завершающий вопрос swyx. Abridge использует Claude Code и Cursor внутри, а Jacob добавляет полушутливый бенчмарк: хотел бы увидеть, как Claude управляет компанией с оценкой 1 млрд долларов ещё до выручки. > *«Claude сделает это — хотел бы увидеть, как Claude запустит компанию с миллиардом долларов до выручки.»* — Jacob Effron ## [65:23] Завершение Chai отсылает слушателей на сайт Abridge за их white papers — о снижении галлюцинаций, evals и остальном исследовательском стеке. swyx и Jacob завершают выпуск благодарностями и прощальными репликами. > *«На сайте Abridge у нас много white papers, где мы проделали большую интересную работу, например по снижению галлюцинаций.»* — Chai Asawa ## Сущности - **Janie Lee** (Персона): оператор Abridge времён основания; отвечает за продуктовое и коммерческое направление слоя клинической аналитики. - **Chai Asawa** (Персона): руководитель направления клинической поддержки принятия решений в Abridge; ранее работал в Glean. - **swyx** (Персона): ведущий Latent Space. - **Jacob Effron** (Персона): партнёр Redpoint Ventures; ведущий подкаста Unsupervised Learning. - **Abridge** (Организация): компания в области AI для здравоохранения, создающая слой клинической аналитики — начала с ambient-документации, теперь расширяется в поддержку клинических решений, предварительную авторизацию, evals и интеграцию с EHR. - **Glean** (Организация): компания корпоративного AI-поиска; упоминается как предыдущее место работы Chai и как горизонтальный контрастный пример к вертикальному Abridge. - **Redpoint Ventures** (Организация): венчурная фирма; инвестор Abridge и организатор кроссовера с Unsupervised Learning. - **EHR (Electronic Health Record)** (Концепция): система учёта, на которой работают медицинские учреждения; в формулировке Chai — EHR функционирует как файловая система для медицинских агентов. - **Предварительная авторизация** (Концепция): ключевой кейс Abridge — превращение многонедельных отказов страховщиков в рекомендации в реальном времени во время визита. - **LFD process** (Концепция): внутренний первичный клинический обзор Abridge, используемый для калибровки LLM-судей и определения eval-критериев. - **Clinician scientist** (Концепция): роль в Abridge — врачи с технической подготовкой, встроенные в продуктовые и eval-команды. - **Поэтапный выкат** (Концепция): дисциплина деплоя Abridge: выкатывать на часть реального трафика, чтобы офлайн-распределение оставалось честным; аналогия с практикой выпуска беспилотных автомобилей. - **Claude Code** (Программное обеспечение): AI-инструмент для разработки, используемый внутри Abridge. - **Cursor** (Программное обеспечение): AI-редактор кода, также используемый внутри Abridge.

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.

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.

США отстают от Китая на 50 лет в области критических полезных ископаемых, а энергосеть страны по-прежнему работает на механических системах столетней давности. Turner Caldwell (Mariana Minerals) и Drew Baglino (Heron Power), оба выходцы из Tesla, утверждают: устранение этих разрывов является настоящим условием для доминирования в ИИ и возврата промышленного производства. Caldwell делает ставку на автономные НПЗ и шахты на основе обучения с подкреплением, чтобы сократить сроки проектов. Baglino делает ставку на твердотельные трансформаторы, где кремний и программное обеспечение заменяют сталь, масло и медь. Оба сходятся на одном: кластерные цепочки поставок, найм из аналоговых отраслей и устойчивая федеральная промышленная политика, на которую частный капитал может реально опереться. ## [00:00] Вступление Эпизод открывается тремя сжатыми тезисами: Caldwell констатирует, что США отстают на 50 лет в поставках критических полезных ископаемых и слишком медленно наращивают мощности даже после получения лицензий. Baglino отмечает: уровень передачи и преобразования энергии в сети не изменился, тогда как всё на её краях, электромобили, накопители, быстрая зарядка, полностью трансформировалось. Price-Wright формулирует обе проблемы как решаемые с тем же техно-оптимизмом, который Tesla применила к электромобилям. > *«Убеждённость в том, что можно внедрять инновации в старые и архаичные системы, составляет ядро компании.»* — Turner Caldwell ## [00:47] ИИ требует физической инфраструктуры Price-Wright называет категориальную ошибку, лежащую в основе большинства комментариев о гонке ИИ: конкуренция идёт не между моделями и чипами, а между способностями строить физическую инфраструктуру. За каждой прорывной моделью, новым заводом и автономной системой стоят реальные физические требования: материалы, энергия и способность передавать электричество туда, где оно нужно. Перегрузка сети не является потолком, это призыв к действию, сопоставимый по масштабу с национальными проектами, вокруг которых Америка уже умела объединяться. > *«Если мы хотим восстановить промышленный хребет Соединённых Штатов, нам нужно переосмыслить весь стек: от критических полезных ископаемых до генерации энергии, передачи и строительства новой инфраструктуры с нужной скоростью.»* — Erin Price-Wright ## [02:23] Знакомьтесь: строители Price-Wright представляет двух гостей как строителей, покрывающих противоположные концы физического стека: Caldwell от недр земли до переработки, Baglino от провода через трансформатор до нагрузки. Тезис эпизода заострён: будущее ИИ в Америке ограничено атомами, а не алгоритмами, и оба основателя сознательно выбрали эти ограничения. > *«Главное ограничение для будущего ИИ в Америке и для реиндустриализации в целом находится в области атомов, а не алгоритмов.»* — Erin Price-Wright ## [03:11] Что такое Mariana Minerals Mariana Minerals является компанией по добыче и переработке полезных ископаемых с приоритетом на программном обеспечении: около четверти сотрудников составляют инженеры-программисты и специалисты по машинному обучению. Но программное обеспечение она не продаёт. Caldwell описывает три операционные системы: Capital Project OS автоматизирует агентные рабочие процессы в инженерии, закупках и строительстве; Plant OS использует обучение с подкреплением для автономного управления температурами, скоростями потоков и нормами добавления химикатов в перерабатывающем контуре; Mine OS применяет тот же подход к краткосрочному автономному управлению горнодобывающими операциями. Медная шахта на юго-востоке Юты уже производит высокочистую медь; литиевый НПЗ в Техасе строится с целью реализовать 10 проектов за 10 лет. > *«Мы делаем большую ставку на автономность в переработке: используем обучение с подкреплением, чтобы реально вывести людей из цикла управления работой нефтеперерабатывающего завода.»* — Turner Caldwell ## [04:19] Модернизация энергосети: Heron Power Baglino прослеживает проблему к четырёхдесятилетней дивергенции: улучшения силовых полупроводников преобразили телефоны, телекоммуникации и центры обработки данных, но сама энергосеть по-прежнему работает на тех же механических системах столетней давности. Нет контроля, нет мониторинга, система перестрахована и хрупка, большинство поставщиков трансформаторов базируются за рубежом. Heron Power создаёт твердотельные трансформаторы, заменяющие сталь, масло и медь кремнием и программным обеспечением для центров обработки данных, крупных солнечных и аккумуляторных проектов и других критически важных узлов сети. > *«В Heron Power мы сосредоточены на создании твердотельных трансформаторов, которые заменяют сталь, масло и медь в преобразовании мощности кремнием и программным обеспечением.»* — Drew Baglino ## [05:31] Почему важен возврат производства Baglino прослеживает карбид кремния до многолетних исследований DOE и ВМФ: США должны первыми коммерциализировать то, во что сами вложили средства. Caldwell заостряет тему полезных ископаемых: США отстают именно от Китая на 50 лет, и реформы разрешительных процедур с проектным финансированием этого не закроют. Узкое место находится в скорости исполнения после получения лицензии: 5 лет на строительство, ещё 3-5 на выход на рабочий режим. Догнать Китай означает идти быстрее него, а не просто не отставать. > *«Даже если мы начнём снижать барьеры для погони за Китаем, нам нужно идти быстрее самого Китая.»* — Turner Caldwell ## [07:48] Уроки Tesla и кадровый вопрос Caldwell называет три переносимых актива из Tesla: техно-оптимизм по отношению к устаревшим системам, склонность к риску без страха ошибиться, и институциональный отказ бросать ценные проекты при первых трудностях. Baglino добавляет ставки формата «или пан, или пропал», концентрирующие организации, и чёткость миссии как маяк для лучших талантов. В кадровом вопросе оба смотрят на аналоговые отрасли: Baglino нанимал производственников из высокоскоростных линий розлива и производств шприцев при строительстве завода 4680; Caldwell привлекает инженеров нефтегаза и разработчиков алгоритмов оптимизации. Разрыв в стоимости рабочей силы составляет менее 10% себестоимости, может быть и менее 5%, и настоящий фактор конкурентоспособности находится в кластерных цепочках поставок: в Китае все детали автомобиля из 7000 компонентов находятся в пределах 3 часов езды. > *«Сегодняшние заводы очень автоматизированы. Разрыв в стоимости рабочей силы составляет менее 10% себестоимости. На самом деле конкурентоспособность определяет цепочка поставок.»* — Drew Baglino ## [21:09] Запросы к политике и выводы Caldwell просит применить к полезным ископаемым весь инструментарий, который за последние 50 лет применялся к нефти и газу, с фокусом на стимулирующей структуре, дающей частным рынкам долгосрочную уверенность в отрасли, которую в США не развивали 30 лет. Baglino называет три конкретных запроса: устойчивая промышленная политика, на которую могут опираться поставщики и финансисты; совместные усилия федерального правительства и штатов по определению зон строительства энергетической и производственной инфраструктуры, где местные власти по умолчанию говорят «да»; и федеральный дорожный трастовый фонд для энергосети, финансируемый мастер-план соединения производственных зон линейной передающей инфраструктурой. > *«Мне нравится идея федерального дорожного трастового фонда для энергосети. Его никогда не существовало. Вот почему у нас такое лоскутное одеяло.»* — Drew Baglino ## Действующие лица - **Turner Caldwell** (Персона): сооснователь и генеральный директор Mariana Minerals; руководил командой Tesla по полезным ископаемым и металлам; архитектор автономного управления НПЗ и шахтами на основе обучения с подкреплением. - **Drew Baglino** (Персона): сооснователь и генеральный директор Heron Power; 18-летний ветеран Tesla в должности старшего вице-президента по силовым установкам и энергетическому инжинирингу; создал программу Megapack и завод 4680 на 50 ГВтч в Техасе. - **Erin Price-Wright** (Персона): генеральный партнёр a16z (практика American Dynamism); ведущая эпизода. - **Mariana Minerals** (Организация): компания по добыче и переработке критических полезных ископаемых с приоритетом на программном обеспечении; эксплуатирует медную шахту на юго-востоке Юты, строит литиевый НПЗ в Техасе; цель: 10 проектов за 10 лет. - **Heron Power** (Организация): стартап в области силовой электроники, заменяющий механическое оборудование для преобразования электроэнергии твердотельными трансформаторами из кремния и программного обеспечения. - **Tesla** (Организация): общая отправная точка обоих основателей; эталон техно-оптимизма, склонности к риску и миссионерского привлечения талантов в тяжёлой промышленности. - **Silicon Carbide** (Концепция): ключевой силовой полупроводник для твердотельных трансформаторов; мировой лидер по производству базируется в США, что делает внутреннюю коммерциализацию стратегическим приоритетом Heron. - **Обучение с подкреплением в промышленном управлении** (Концепция): ключевая технология Plant OS и Mine OS компании Mariana, устраняющая зависимость от редких человеческих операторов за счёт автономной настройки перерабатывающих контуров и краткосрочных решений в горном деле. - **Кластерные цепочки поставок** (Концепция): главный аргумент Baglino в пользу конкурентоспособности производства в США: сокращение логистических затрат за счёт концентрации всех компонентов в одном регионе по образцу промышленных зон Китая, где все детали автомобиля из 7000 компонентов находятся в пределах 3 часов езды.

Noah Brier запускает Claude Code на мини-PC в подвале, синхронизированном с его хранилищем Obsidian через Tailscale VPN, и выполняет реальное мышление, исследования и клиентский код прямо с телефона. Разговор охватывает, как он построил этот стек, почему вводит строгие ограничения «режима мышления», чтобы модель не торопилась создавать артефакты, и его более широкую теорию о том, что AI преуспевает, проникая в организационные ниши и щели, а не требуя от людей принятия новых структур. Dan Shipper и Noah также разбирают, что на самом деле означает строить AI-интуицию, и почему Noah считает, что подготовка детей к AI связана не столько с контролем за списыванием, сколько с развитием эпистемического скептицизма. ## [00:00] Сетап Claude Code Noah Brier на домашнем сервере Dan Shipper открывает выпуск, описывая сетап, который делает Noah ценным гостем: домашний сервер в подвале, на котором работает Claude Code поверх хранилища Obsidian, доступный откуда угодно через телефон. Noah настроил всё так, чтобы можно было думать, исследовать, писать и выкатывать код, не сидя за столом. > *«Он поднял домашний сервер в подвале, положил туда свой Obsidian, а поверх запустил Claude Code: так он может думать, исследовать, писать и даже выкатывать код прямо с телефона.»* ## [00:52] Знакомство Dan и Noah общаются впервые примерно за пять лет. Биография Noah охватывает бренд-стратегию (он сооснователь Percolate), AI-консалтинг в Alephic и конференцию BRXND.AI. Dan выстраивает интервью вокруг практического стека, который Noah построил, а не вокруг абстрактного обсуждения AI. > *«Рад тебя видеть. Очень приятно пообщаться. Это наше первое интервью примерно за пять лет.»* ## [02:10] Как выполнять глубокую работу с телефона Noah сразу уточняет, что его сетап скорее структурированная интеллектуальная работа, чем «вайб-кодинг». Он отказался от Evernote в пользу Obsidian, потому что markdown-файлы и папки дают Claude Code что-то, с чем можно работать. Его основной сценарий использования Claude Code: взаимодействие с заметками, а не генерация кода. И телефонное расширение этого сетапа фундаментально изменило его рабочие паттерны. > *«Мой главный способ использовать Claude Code: инструмент для работы с заметками.»* ## [05:30] Почему Noah считает Grok лучшим голосовым AI Noah предпочитает голосовой режим Grok эквивалентам от OpenAI и Gemini: Gemini был недостаточно умным, а старый GPT-4o был непригоден для его целей. Он использовал Grok во время пятичасовой поездки за рулём, чтобы проработать материал о трансформерах, подключив телефон через Bluetooth и воспринимая это как личный исследовательский подкаст. В разговоре всплывает общая frustration: голосовые модели до сих пор плохо справляются с вызовом инструментов и веб-исследованиями, что ограничивает их полезность для серьёзной интеллектуальной работы. > *«Провёл часовую сессию, и это было, пожалуй, лучшее объяснение, которое я когда-либо читал, или слышал.»* ## [11:11] Детали сетапа Claude Code и Obsidian у Noah Noah демонстрирует свою живую папку Obsidian на экране. Claude Code запущен в корневой директории Obsidian, так что может получить доступ ко всему архиву заметок. Для доклада, который он готовит для BRXND.AI, о «Simple Sabotage Field Manual» времён Второй мировой войны и что он говорит о бюрократии в крупных организациях, он создал папку проекта внутри Obsidian, куда подтягивает транскрипты чатов с ChatGPT, Claude и Grok, а также статьи и PDF. Задача Claude на этом этапе не писать доклад, а помогать думать: извлекать релевантные заметки, синтезировать ежедневный прогресс в журнал и задавать уточняющие вопросы. Ограничения режима мышления он устанавливает явно в frontmatter CLAUDE.md проекта. > *«Я в режиме мышления, не в режиме написания. Есть кое-что, где я специально указал, кажется, прямо в frontmatter, Claude Code: не помогай мне ничего писать прямо сейчас.»* ## [26:05] Агент в Claude Code как "партнёр для размышлений" Noah утверждает, что слово «генеративный» исказило то, как люди используют AI: все сосредоточены на способности создавать артефакты, почти никто не говорит о том, насколько удивительна его способность читать. Он поддерживает специального агента-партнёра для размышлений с явными ограничениями: «Не создавай планов, черновиков или каких-либо версий доклада или текста.» Агент записывает вопросы, отслеживает возникающие инсайты и ведёт текущий журнал, чтобы Noah мог продолжить точно с того места, где остановился, будь то день спустя или после глубокого исследования в другом инструменте. Он прослеживает одну нить от deep research в ChatGPT об Уайлд Билле Доноване до предварительной идеи о том, как параллелизм архитектуры трансформера отражает операционную автономию Сил специальных операций. > *«Думаю, отчасти из-за того, что мы называем это «генеративным», слишком много внимания уделяется способности писать и слишком мало способности читать.»* ## [30:23] Теория "английских маффинов Thomas" об AI от Noah Глава открывается тезисом Noah о бюрократии: крупные предприятия не отказываются от нового ПО из-за лени, а потому, что исторически новое ПО требовало реструктуризации организаций вокруг него. AI, он утверждает, другой. Он проникает в ниши и щели того, как люди уже работают, отсюда его метафора «английских маффинов Thomas». Dan добавляет конкретный пример из Every: два продукта на разных стеках нуждались в совместном решении для поиска файлов, и Claude Code позволил повторно использовать логику без принудительного единого фреймворка. Разговор расширяется до идеи Noah о «бюрократии как позиционном кодировании», наполовину сформированной аналогии между архитектурой трансформера и организационной иерархией, которую он ещё прорабатывает перед докладом. > *«Это моя теория «английских маффинов Thomas» об AI: он проникает в nooks and crannies.»* ## [39:47] Белые пятна, которые ещё предстоит исследовать в AI Noah и Dan утверждают, что большинство практиков, включая хорошо финансируемых, до сих пор работают на хрупких интуициях о том, на что эти модели действительно способны. Вопрос-icebreaker Noah на каждой встрече с клиентом: «Какой был ваш момент открытия с AI?» Этот момент недетерминированности, когда задаёшь один и тот же вопрос дважды и получаешь разные ответы, поистине нов и требует времени для усвоения. Он обращается к эксперименту Дестина Сэндлина с «обратным велосипедом»: моторная интуиция и концептуальная интуиция разделены, и их нельзя построить в обход. Dan возражает, что языковые модели сами могут создать словарный запас, которого нам не хватает для рассуждений о вероятностных системах. > *«Мы не привыкли к вещам, где задаёшь один и тот же вопрос дважды и получаешь разные ответы.»* ## [48:44] Как Noah готовит детей к AI Десятилетняя дочь Noah создала приложение Secret Santa с помощью Claude, которое случайно научило её моделированию данных: она поняла, что вместо «взрослых и детей» нужны «группы», чтобы обобщить логику. Эта история служит основой для более широкого аргумента: задача преподавателей не предотвращать использование AI, а убеждать учеников, что базовые навыки стоит осваивать. Он предлагает курс в NYU под названием «Код — это эссе» на осень 2026 года, и считает, что ключевым метанавыком является эпистемический скептицизм: быть более подозрительным к информации, которая подтверждает ваши предположения, а не менее. > *«Я не думаю, что ваша работа, научить этих детей писать, потому что это дело всей жизни. Думаю, ваша работа: убедить их, что писать стоит учиться.»* ## [01:00:06] Как он перенёс сетап Claude Code на мобильный Noah демонстрирует весь мобильный стек в прямом эфире: Termius (SSH-клиент на iPhone), Tailscale VPN, подключающийся к мини-PC в подвале, Obsidian, синхронизированный через приватный GitHub, Claude Code, работающий в терминале. Он показывает, как спрашивает Claude «что нового за последние два дня?» и получает синтез недавней активности в Obsidian. Он также исправил сломанную ссылку на сайте своей конференции с телефона: подтвердил баг, попросил Claude отправить PR, готово. Его текущие эксперименты распространяются на CLI-инструмент Саймона Уиллисона `llm` и скрипт, который переименовывает все файлы вложений в его хранилище Obsidian и перестраивает таблицу ссылок. > *«Я вышел посидеть на улице, и тут появился проект, который нужно было сдать клиенту. Нужно было внести небольшое изменение. Я сказал Claude Code, где искать, подтвердил, что проблема именно та, о которой я думал, и попросил его выкатить решение. Он создал PR, и всё.»* ## Действующие лица - **Dan Shipper** (Личность): CEO и сооснователь Every; ведущий интервью - **Noah Brier** (Личность): Сооснователь Percolate; основатель Alephic, консалтинговой компании по AI-стратегии; организатор конференции BRXND.AI - **Every** (Организация): Медиа и программная компания, выпускающая этот подкаст - **Alephic** (Организация): AI-консалтинговая компания Noah; работает с клиентами Fortune 50, включая Amazon, Meta и PayPal - **BRXND.AI** (Организация): Ежегодная конференция на стыке маркетинга и AI, организованная Noah; выпуск 2025 года в Нью-Йорке 18 сентября - **Claude Code** (Программное обеспечение): Агентный инструмент Anthropic для программирования; центральный элемент второго мозга и мобильного рабочего процесса Noah - **Obsidian** (Программное обеспечение): Приложение для заметок на основе Markdown; основное хранилище знаний Noah, организованное по методу PARA - **Tailscale** (Программное обеспечение): Mesh VPN, используемый для безопасного подключения телефона Noah к мини-PC в подвале - **Termius** (Программное обеспечение): iOS SSH-клиент, который Noah использует для доступа к домашнему серверу с телефона - **Grok** (Программное обеспечение): AI-ассистент xAI; Noah считает его голосовой режим значительно лучше, чем у OpenAI и Gemini, для серьёзных исследований - **Simple Sabotage Field Manual** (Концепция): Документ OSS времён Второй мировой войны, переизданный Noah; используется как линза для анализа современной организационной бюрократии в его докладе на BRXND.AI - **Теория «английских маффинов Thomas»** (Концепция): Метафора Noah о том, как AI преуспевает, вписываясь в существующие организационные рабочие процессы, а не требуя реструктуризации

Charles Koch и его сын Chase беседуют с David Friedberg о том, как Koch Inc. выросла в 9000 раз: от небольшой нефтяной компании с 300 сотрудниками в Оклахоме в 1961 году до частного конгломерата со 130 000 сотрудников, охватывающего энергетику, химию, лесную промышленность, потребительские товары и венчурный капитал, так ни разу и не выйдя на биржу. В центре разговора — Principle-Based Management (PBM): система из 41 принципа, определяющая каждое решение о найме, поглощении и изменении культуры в Koch. Charles и Chase также объясняют, почему упрощённый политический образ, прилипший к фамилии Koch, не соответствует действительности, и рассказывают о переходе от партийного либертарианства к широкой коалиции Stand Together, сосредоточенной на реформе образования и процветании человека. Эпизод завершается темой ИИ и капитализма: оба видят свободные инновации и расширение возможностей снизу вверх единственным реальным путём сквозь экономические вызовы будущего. ## [00:00] David Friedberg приветствует Charles и Chase Koch David Friedberg открывает разговор на мероприятии Forbes, отмечая, что они с Chase Koch знакомы с 2013 года через аграрную отрасль и с тех пор стали деловыми партнёрами. Он представляет Koch Inc. как «нерассказанную историю» американского предпринимательства: пожалуй, самый прибыльный частный семейный бизнес в мире, остающийся в тени по сравнению с публичными конкурентами. Открытие также задаёт ожидания для аудитории All-In: редкий расширенный разговор с председателем и президентом Koch Inc. следующего поколения, записанный вживую. > «Я всегда ощущал, что Koch Industries — это нерассказанная история: вероятно, самый прибыльный частный семейный бизнес в мире.» > — David Friedberg ## [01:04] Обзор Koch Inc.: масштаб, направления бизнеса и история Friedberg обозначает статистический фундамент: если бы Koch торговалась на бирже, её выручка поместила бы её в топ-25 Fortune 500. Основанная в 1940 году Fred Koch в Уичите, штат Канзас, компания сегодня работает в 60 странах с более чем 120 000 сотрудников в энергетике, сельском хозяйстве, химии, строительных материалах, потребительских товарах, облачных вычислениях и активном портфеле миноритарных инвестиций. Koch реинвестирует 90% прибыли обратно в бизнес — структурный выбор, отделяющий её от публичных компаний, оптимизирующих квартальную прибыль. Charles обозначает, о чём будет реальный разговор: не о вехах выручки, а о принципах и неудачах, сделавших устойчивое сложение возможным. > «Очень уникальная операционная модель, включая принципы разрушительных инноваций, реинвестирование 90% прибыли в новые направления и рост, меритократические ценности.» > — David Friedberg ## [02:21] Строительство бизнеса: ранние годы и приход Charles Koch в компанию (1961) Charles Koch присоединился к семейному бизнесу в 1961 году в возрасте 25 лет, только окончив MIT и поработав в консалтинге Arthur D. Little. Ультиматум отца Fred был прямым: «Либо ты возвращаешься управлять компанией, либо мне придётся её продать: здоровье плохое, дела идут неважно, и мне недолго осталось.» Тогда в компании было около 300 сотрудников, два ключевых направления (фракционирующие тарелки и сбор нефти в Оклахоме) и серьёзные операционные проблемы. Ранние уроки сформировали ключевой принцип Koch: рост, ограниченный компетенцией, а не отраслью. Бизнес с фракционирующими тарелками провалился отчасти из-за того, что его президент был авторитарным управленцем, отталкивавшим инженеров и клиентов. Charles начал задавать не вопрос «в какой отрасли мы работаем?», а «что мы можем делать лучше всех, и где в цепочке создания стоимости это даёт наибольший эффект?» Это переосмысление, многократно применявшееся на протяжении десятилетий, объясняет внешне несвязанный набор отраслей, в которые Koch впоследствии вошла. > «Сынок, либо ты возвращаешься управлять компанией, либо мне придётся её продать: здоровье плохое, дела идут неважно, и мне недолго осталось.» > — Charles Koch, цитируя своего отца Fred Koch ## [11:31] Неудачи, созидательное разрушение и уроки ошибок Charles начинает с провокации: «Если вы не терпите поражений ни в чём, значит, вы не делаете ничего нового.» Он вспоминает ранние потери, включая неудачную попытку превратить нефтяной кокс в активированный уголь, и закономерность входа в бизнесы без необходимых компетенций. Настоящее обучение приходило от диагностики причин каждого провала: почти всегда это было нарушением одного из операционных принципов Koch. Chase добавляет перспективу портфеля компетенций: расширение Koch от сбора нефти к природному газу, химии, удобрениям и лесной промышленности не было случайной диверсификацией — те же базовые компетенции перенаправлялись на новые применения. Он также описывает Koch Disruptive Technologies (KDT), которую сам основал, как структурный эксперимент, которому оказалось сложно обеспечить стабильную прибыльность: честная самооценка собственного детища. Решение о закрытии или повороте, говорит Charles, сводится к одному тесту: утратили ли мы способность создавать превосходную ценность для клиентов так, чтобы за это получать вознаграждение? > «Когда мы проигрываем достаточно крупно — вот тогда хватит. Когда мы понимаем, что не можем создать превосходную ценность для своих клиентов.» > — Charles Koch ## [19:22] Культура и управление на основе принципов Это интеллектуальный центр эпизода. Charles прослеживает истоки системы PBM в самых серьёзных неудачах Koch, у всех — общая корневая причина: продвижение людей с неправильными ценностями в руководство. Выделяются два примера, едва не ставших катастрофическими: безрассудная торговая операция, едва не обанкротившая компанию во время ближневосточной войны 1973 года, и более поздний эпизод, когда «разрушительно мотивированные» руководители скрывали провалы, выдумывая успехи. Противоядие: сначала нанимать по ценностям, талант — второстепенен, и выстраивать культуру, где мотивация на вклад — желание добиться успеха, помогая успеху других — вытесняет стремление к власти. Chase развивает это тезисом, бьющим в точку: что если каждый в компании знал бы, что делать, без напоминаний? Именно такое целевое состояние призван создать PBM. Стратегия изменений избегает директивных мандатов сверху: найдите подгруппу, наиболее готовую попробовать принципы, продемонстрируйте результаты и позвольте спросу протянуть трансформацию через всю организацию. Коллективное знание заменяет суждение нескольких умных людей наверху. > «Что если бы у вас был бизнес и культура — маленькая, средняя или крупная — где каждый знал, что делать, без напоминаний?» > — Chase Koch ## [33:53] Поглощение Georgia-Pacific и трансформация корпоративной культуры Поглощение Georgia-Pacific в 2005 году было крупнейшей ставкой Koch того времени: «огромная ставка», говорит Chase, для тогда значительно меньшей компании. Charles объясняет логику: Koch видела в целлюлозно-бумажных направлениях Georgia-Pacific естественное продолжение своих компетенций в химических процессах, уходящих корнями к дипломной работе Fred Koch в MIT о производстве целлюлозы в штате Мэн. Изначально они предлагали купить только сырьевые подразделения; когда сделка не состоялась из-за незавершённых судебных разбирательств, они предложили купить всю компанию. Последовала многолетняя трансформация культуры штаб-квартиры в 51-этажном здании в Атланте, построенной на авторитарной бюрократии. Koch сменила руководство, поощряла работников, замечавших и устранявших неэффективности, и делилась сэкономленными средствами с членами профсоюзов, которые их находили. Chase описывает собственные годы на передовых операциях Koch — жизнь в небольшом трейлере на кормовом предприятии, работу на установке по переработке газового конденсата — как фундамент для достоверного руководства в будущем. Трансформация культуры занимает куда больше времени, чем ожидает любой покупатель, и почти всегда требует замены руководства, которое несёт старую парадигму. > «На это уходит куда больше времени, чем вы думаете, чтобы изменить культуру — и почти в каждом случае это требует смены руководства, которое придерживается парадигмы расширения возможностей снизу вверх.» > — Chase Koch ## [56:17] Реформа образования и социальные изменения Stand Together — некоммерческая сеть, которую Charles строит 60 лет под разными названиями, — сегодня является одной из крупнейших филантропических организаций в США. Chase руководит развитием и партнёрствами и переформулирует её миссию: не политическая пропаганда, а применение тех же принципов Koch к социальным вызовам, начиная с образования. COVID-19 резко изменил общественное мнение: до 2020 года около 20% семей были открыты к альтернативам традиционному обучению; наблюдая, как дети узнают больше с YouTube, чем на Zoom-занятиях, это число резко выросло. Stand Together с тех пор помогла создать более 5000 микрошкол. Партнёрские программы, как Alpha School Джо Лимонта, используют геймификацию и проектное обучение, чтобы за три месяца вывести отстающих учеников в число лучших. Chase также применяет принцип сравнительного преимущества к себе самому: он уволил себя с должности президента Koch Fertilizer, признав, что это сравнительное преимущество есть у кого-то другого, — и использует ту же призму для переосмысления ролей среди 130 000 сотрудников Koch. > «До COVID около 20% семей были открыты к новой модели образования. Во время COVID все увидели, насколько система сломана: дети узнали больше на YouTube, чем в классе.» > — Chase Koch ## [72:37] Искусственный интеллект, экономические вызовы и будущее капитализма Friedberg побуждает Charles разобраться с политическим нарративом вокруг Koch: десятилетия участия в либертарианской партии и последующий разворот к более широкой коалиции Stand Together. Charles откровенен: он слишком много лет работал только с теми, кто разделял все его принципы до единого, ограничивая тем самым своё влияние. Прозрение Viktor Frankl: «у всё большего числа людей есть средства для жизни, но нет смысла жить» — переориентировало его мышление к мотивационным корням социального распада, а не к чисто политическим средствам. Урок: стратегии свободы не могут заимствовать инструменты тоталитаризма; проверка коалиции на идеологическую чистоту разрушает её. По вопросу ИИ позиция Chase чёткая: свободные инновации, открытые системы, расширение возможностей людей с помощью ИИ-инструментов, а не запреты. Koch внедряет PBM как ИИ-нативный фреймворк, а Chase создал ИИ-компаньона к новой книге, чтобы читатели могли взаимодействовать с принципами напрямую — далеко выйдя за пределы того, что Charles ожидал, приглашая Chase в соавторы. Эпизод завершается провозглашённой Charles целью наследия: чтобы Соединённые Штаты в полной мере воплотили обещания Декларации независимости. > «Проблема сегодня в том, что у всё большего числа людей есть средства для жизни, но нет смысла жить.» > — Charles Koch, цитируя Viktor Frankl ## Действующие лица - **David Friedberg** — ведущий; сооснователь The Production Board; деловой партнёр Chase Koch с 2013 года через аграрную отрасль - **Charles Koch** — председатель и генеральный директор Koch Inc. с 1967 года; инженер с дипломом MIT; соавтор книги о Principle-Based Management; обеспечил 9000-кратный рост стоимости Koch - **Chase Koch** — президент Koch Inc.; основатель Koch Disruptive Technologies; соавтор книги о PBM совместно с Charles; руководит развитием и партнёрствами Stand Together - **Koch Inc.** — частный семейный конгломерат со штаб-квартирой в Уичите, штат Канзас; основан в 1940 году Fred Koch; более 130 000 сотрудников в энергетике, химии, лесной промышленности, потребительских товарах, программном обеспечении и венчурном капитале - **Principle-Based Management (PBM)** — операционный фреймворк Koch из 41 принципа; акцент на мотивации через вклад, найме по ценностям в первую очередь, расширении возможностей снизу вверх и отношении к каждому бизнес-подразделению как к лаборатории - **Georgia-Pacific** — компания в области лесной промышленности и потребительских товаров, поглощённая Koch в 2005 году; крупнейшее поглощение Koch; основной кейс трансформации культуры под PBM - **Koch Disruptive Technologies (KDT)** — венчурное подразделение, основанное Chase Koch; миноритарные инвестиции в компании с разрушительными технологиями; описывается как структурно сложное для стабильной прибыльности - **Stand Together** — филантропическая сеть Charles Koch, активна с 2003 года; фокус на реформе образования, борьбе с бедностью и межпартийных социальных изменениях; помогла создать более 5000 микрошкол после COVID

Lloyd Blankfein, бывший CEO и старший председатель Goldman Sachs, беседует с генеральным партнёром a16z David Haber о том, что отличает долговечные институты от недолговечных. Опираясь на путь из муниципального жилья Восточного Нью-Йорка до руководства Goldman в кризисе 2008 года, Blankfein утверждает: подлинная дисциплина управления рисками, а не предсказание и не технологии, является настоящим конкурентным рвом. По его словам, главная опасность AI не суперинтеллект, а непроверяемое кредитное плечо: системы, исполняющие 70 000 транзакций прежде, чем кто-либо успевает проверить их правильность. ## [00:00] Вступление Blankfein открывает разговор с центрального противоречия, в котором живёт every инвестор: вы одновременно принимаете риски и управляете ими, и ни ту, ни другую роль нельзя делегировать. Он замечает, что рынки стоят на пороге волны крупных IPO, и наиболее недооценённые риски носят структурный характер: программное обеспечение способно действовать в масштабе раньше, чем любой человек успеет это проверить. > «Большая часть того, что мы делаем в области риска, это не столько предсказание, сколько планирование на разные случаи.» — Lloyd Blankfein ## [01:02] Сарказм в Twitter и риск Haber просит Blankfein вернуться в X. Blankfein объясняет, почему отошёл: Twitter это упражнение для самолюбия с асимметричным риском потерь. Рано или поздно every, кто продолжает, переступает невидимую черту. В Goldman он уже играл в опасную игру, сарказмируя над политиками: Сандерсом, Уорреном, президентом. Свобода от фирмы не устранила этот расчёт, а лишь изменила, кто несёт последствия. > «Я всегда знаю: рано или поздно все, кто продолжает, нарывается, переступает какую-то невидимую черту, о которой никто не подозревал. С точки зрения соотношения риска и выгоды, это чистое самолюбие без реальной пользы.» — Lloyd Blankfein ## [02:18] Спокойствие в кризисе Blankfein рассказывает о реальном инциденте с вооружёнными людьми во время публичного мероприятия: вооружённые выбежали на сцену, зал залёг, он остался сидеть и наблюдать. Его объяснение без прикрас: кризисы буквально замедляются для него; он начинает остро улавливать, что нужно окружающим, а не что чувствует сам. Он использует обезоруживающий юмор («Вы собираетесь доедать свой салат?») не из бравады, а потому что это разряжает напряжение и успокаивает людей рядом. Прошлый опыт кризисов, по его убеждению, лучший предсказатель будущего самообладания. > «Я немного взвинчен постоянно, но не особо возбуждаюсь в острые моменты. Наоборот, время замедляется.» — Lloyd Blankfein ## [06:44] Из муниципального жилья на Уолл-стрит Blankfein вырос в муниципальном жилье Восточного Нью-Йорка, где предел дохода для жильцов составлял 90 долларов в неделю. Манхэттен был в автобусе и метро от него, фактически иностранная страна. Его собеседование в Harvard было одним из трёх посещений города за всю жизнь. Он не воспринимает это как лишения, а прослеживает, как близость к амбициям без доступа к ним оттачивает инстинкт планирования на случай неудачи: рано учишься думать, что делать, если этот путь закрыт, и искать следующий. Этот паттерн ветвящегося, перспективного моделирования рисков стал операционной системой для руководства крупным банком. > «Я вырос в муниципальном жилье. Нужно было сесть на автобус, потом на метро, чтобы добраться до города.» — Lloyd Blankfein ## [23:36] Технологии Goldman и партнёрская культура Технологии в Goldman никогда не были опциональными: они всегда были передовым краем. Blankfein описывает, как ранние и устойчивые инвестиции в риск-инфраструктуру дали фирме накапливаемое структурное преимущество: проприетарная риск-система, созданная 25-30 лет назад, до сих пор в основе платформы, достаточно гибкая, чтобы её так и не заменили полностью. Партнёрская модель напрямую питала это: партнёры рисковали собственным капиталом и потому глубоко заботились о качестве систем, лежащих в основе every позиции. Эта культура личной ставки позволяла Goldman работать с клиентами как равными, а не как исполнители заявок. > «У нас было огромное технологическое преимущество благодаря ранним инвестициям.» — Lloyd Blankfein ## [37:25] Фирма важнее фонда Различие, которое проводит Blankfein, структурное: задача фонда максимизировать вознаграждение с минимальным числом людей за минимальное время; фирма должна строить накапливаемые конкурентные преимущества на протяжении циклов. Способность Goldman платить людям в плохие годы и не разрывать связи с бизнесами в период временных трудностей была возможна только потому, что партнёрское мышление относилось к франшизе фирмы как к долгосрочному активу. Он прямо говорит: это требовало сглаживания колебаний вознаграждения в цикле, что реально трудно и иногда означает потерю людей, но альтернатива разрушает платформу. > «Goldman Sachs в своей партнёрской культуре смотрел сквозь краткосрочные вещи и говорил: на протяжении цикла это отличный бизнес.» — Lloyd Blankfein ## [41:14] Наставничество и предпринимательская инициатива Теория наставничества Blankfein проста: он хотел, чтобы люди чувствовали, что получили от работы с ним что-то реальное, что он сделал их лучше. Он также описывает, как сознательно игнорировал организационную схему в молодости: работая на отделе драгоценных металлов, он заметил, что религиозные инвесторы с Ближнего Востока хотят доходности, похожей на акционерную, без явных процентов, и напрямую пришёл к тогдашнему второму лицу фирмы Bob Rubin с идеей структурированного продукта. Первая заявка пришла на 400 миллионов долларов: крупнейшая единичная сделка в истории Goldman на тот момент. Его совет: действуй как предприниматель внутри института, пока у тебя ещё нет должности. > «Я хотел, чтобы они думали, что я сделал их лучше, чем они были бы без меня, что они многое извлекли из этого.» — Lloyd Blankfein ## [47:05] Риск-менеджмент для выживания в кризисе Глава о 2008 годе самая насыщенная. Blankfein называет три накапливаемых фактора выживания Goldman: отсутствие крупного потребительского депозитного бизнеса, неустанная дисциплина оценки по рыночной стоимости, когда конкуренты отказывались её применять, и партнёрское наследие, приучившее every сотрудника относиться к капиталу как к собственному дому, потому что в партнёрстве буквально так и было. Он также называет принцип, удержавший клиентские отношения в хаосе: «Обязательства в прошлом, отношения в будущем». Признание плохой позиции и выбор идти дальше превратили несколько потенциальных потерь клиентов в долгосрочные партнёрства. > «У партнёров Goldman Sachs под угрозой были не только счета, но и дома.» — Lloyd Blankfein ## [56:11] Отдача против AI и карьерная мудрость Blankfein видит момент AI как многовариантную ставку: несколько архитектур, несколько игроков, вероятно два-три крупных победителя, и никто сегодня не знает, какой путь туда ведёт. Его частично успокаивает то, что крупнейшие ставки делают основатели-акционеры, вкладывающие собственный капитал, а не профессиональные менеджеры, работающие с чужими деньгами: глубокое личное убеждение лучший сигнал, чем одобренные капвложения. Главная его тревога, структурная непрозрачность: на старых торговых площадках можно было услышать плохую цену в момент, когда она называлась; сейчас системы работают полностью за кулисами без проверяемого следа. Кредитное плечо, встроенное в эти системы, а не интеллект, вот что он называет проблемой. Завершает карьерным советом: сохраняйте любопытство к разным областям, ищите глубину, а не должности, и проявляйте снисходительность к прошлым ставкам, кажущимся глупыми ретроспективно, потому что every, кто принимает пограничные решения, делает это без информации, которая сделает правильный ответ очевидным позже. > «Сейчас той интуиции нет: всё работает за кулисами, нет ни следа, ни хода мысли этих систем. Само кредитное плечо в них большая проблема.» — Lloyd Blankfein ## Действующие лица - **Lloyd Blankfein** (Человек): бывший CEO и старший председатель Goldman Sachs; гость на протяжении всего выпуска - **David Haber** (Человек): ведущий; генеральный партнёр a16z, специализирующийся на финтехе - **Goldman Sachs** (Организация): центральный институт выпуска: партнёрская модель, навигация в кризисе 2008 года, ранние технологические инвестиции - **Bob Rubin** (Человек): бывший со-председатель Goldman Sachs, впоследствии министр финансов США; Blankfein принёс ему свою первую идею структурированного продукта напрямую, будучи молодым сотрудником - **Кризис 2008 года** (Концепция): главный стресс-тест риск-культуры Goldman Sachs; дисциплина оценки по рыночной стоимости и отсутствие потребительского депозитного бизнеса стали ключевыми факторами выживания - **Партнёрская культура Goldman Sachs** (Концепция): структурный механизм, выравнивающий интересы партнёров: счета и личные дома были поставлены на кон ради долгосрочного здоровья фирмы - **AI и финансы** (Концепция): текущая технологическая волна; оценивается с надеждой, но отмечается за непроверяемое кредитное плечо и операционную непрозрачность, заменяющую проверяемую человеческую интуицию

Anne Applebaum три десятилетия изучает, как поднимаются авторитарные системы и почему демократические общества редко замечают это вовремя. Она рассказывает о пяти тактиках, которые автократы используют для демонтажа демократии: коррупция, манипуляции на выборах, захват кадров, контроль над информацией и физическое принуждение. Каждая из них соотнесена с тем, что происходит в США прямо сейчас. Разговор охватывает утроение состояния Trump за время президентства, технологических CEO, пресмыкавшихся ради сохранения своего положения, готовность союзников к миру без американского лидерства и то, почему вера в историческую неизбежность — ловушка, которую автократы сами хотят вам навязать. ## [00:00] Вступление Steven открывает выпуск двумя сосудами с деньгами на столе: состояние Trump на входе в должность — $2,3 млрд, и его состояние два года спустя — $6,5 млрд. Аргумент Applebaum звучит немедленно: у Америки никогда не было президента, ведущего бизнес параллельно с управлением страной. Инвестиция правительства Саудовской Аравии в размере $2 млрд в фонд Jared Kushner была сделана не потому, что им просто нравится Jared Kushner. > *«Решения принимаются не исходя из того, что хорошо для американцев, а исходя из того, что хорошо для его компании».* — Anne Applebaum ## [02:10] Почему история повторяется Applebaum начинала как историк советского периода, наблюдала распад Варшавского договора из Варшавы и долгие годы писала о системах, которые считала принадлежащими прошлому. Около 2013–2014 годов она поняла, что изучавшееся ею как история возвращается. Современные демократии не заканчиваются танками: они заканчиваются тогда, когда законно избранный человек начинает демонтировать институты, обеспечивающие справедливость следующих выборов. > *«Большинство думает, что демократии заканчиваются государственным переворотом или танками на улицах. На самом деле в современном мире они в основном заканчиваются потому, что кто-то, законно избранный, начинает разрушать систему».* — Anne Applebaum ## [03:33] Главный тревожный сигнал демократии Сейчас по-новому выглядит то, что политические партии приходят к власти с явной целью никогда её не отдавать. Viktor Orbán в Венгрии стал первопроходцем: избравшись с большим отрывом, он методично захватил суды, избирательную комиссию, СМИ и госслужбу. Каждый нейтрализованный институт делал следующие выборы чуть менее честными. > *«Впервые в ряде устоявшихся демократий к власти приходят политические партии с явной целью изменить систему так, чтобы оставаться у власти навсегда».* — Anne Applebaum ## [05:12] Почему демократия ощущается сломанной Демократия — это странная сделка: вы получаете власть, но обязаны сохранять правила, чтобы противники могли победить вас в следующий раз. Когда этот уговор рушится, дестабилизируется вся система. Applebaum указывает на американский Юг до движения за гражданские права как на внутренний прецедент: однопартийные штаты, сфальсифицированные правила, ограниченное голосование. Некоторые люди в Вашингтоне сегодня работают именно с этой историей. > *«Конечно, но между Россией и либеральной демократией есть промежуточные системы. Можно иметь демократии, которые не являются честными».* — Anne Applebaum ## [07:41] Главные угрозы прямо сейчас Параллельно существуют две отдельные угрозы. Внутри США: растущий класс людей, отрезанных от политической системы, формирование национальных военизированных структур на базе ICE и коррупция высшего уровня в масштабах, невиданных прежде. Снаружи: автократические державы — Россия, Китай, Иран — бросают вызов послевоенному мировому порядку, ведя войну идей против либеральной демократии. > *«Мы также видим рост коррупции высшего уровня. Президент, его окружение, близкие к нему компании получают доступ к возможностям заработка, которых прежде в таких масштабах в Америке не было».* — Anne Applebaum ## [08:52] Почему демократия стремительно меняется Steven демонстрирует карту уровней демократии в мире. Главное: организация, составившая её, больше не классифицирует США как либеральную демократию — теперь это «электоральная демократия», на ступень ниже. Десять-двадцать лет назад карта была куда более синей. Государства влияют друг на друга, поэтому отступление США затрагивает не только американцев. > *«Составители карты больше не считают Соединённые Штаты либеральной демократией».* — Anne Applebaum ## [10:18] Может ли Америка стать автократией? Реалистичный американский сценарий — не путинская диктатура, а однопартийное государство: перекроенные округа, захваченный Министерством юстиции суд, фиксированные выборы, которые всегда выигрывает одна партия. 6 января была попытка электорального переворота. Она провалилась. Считать это потолком, а не полом, по словам Applebaum, наивно. > *«Сейчас у нас есть президент, отказавшийся признать результаты выборов 2020 года и организовавший то, что должно было стать электоральным переворотом. Он провалился. Но думать, что никто никогда больше не осмелится на это, довольно наивно».* — Anne Applebaum ## [12:05] Что означает третий срок Trump Сам Trump, вероятно, не хочет третьего срока, но его окружение работает над тем, чтобы обеспечить победу республиканцев — возможно, члена семьи — на бессрочной основе. После 6 января умеренные ушли. Оставшаяся и пришедшая коалиция состоит из трёх групп: технологические авторитаристы, желающие контроля, потому что демократия мешает их бизнесу; христианские националисты, добивающиеся несветского государства; и традиционный MAGA. Они расходятся почти во всём, кроме одного: радикальные системные изменения необходимы. > *«В первый срок система сдерживала Trump. Теперь он окружил себя людьми, которые помогают ему избежать этих ограничений. И это новое».* — Anne Applebaum ## [14:56] Почему автократия привлекает людей Applebaum разбирает, как в действительности выглядит автократия, на примере Венгрии. Владелец бизнеса, отказавшийся продавать союзникам правящей партии, обнаруживает, что у него бьют витрины, преследуют детей, устраивают регуляторные проблемы работникам — пока он не продаёт и не уходит. Steven проводит параллель с Anthropic, которому угрожали за отказ предоставить правительству доступ. Контраргумент Applebaum: автократия невыгодна даже олигархам. Путинские олигархи убедились в этом. Китайские тоже. > *«Закон — это то, что говорит человек у власти».* — Anne Applebaum ## [19:12] Как богатство Trump меняет всё Состояние Trump выросло с $2,3 млрд до $6,5 млрд за два года — беспрецедентно в истории американского президентства. У прежних президентов были намёки на коррупцию; никто не вёл активный бизнес в странах, с которыми одновременно проводил дипломатию. Kushner получил инвестицию от Саудовской Аравии в размере $2 млрд, а затем начал вести переговоры с теми же деловыми партнёрами от имени администрации. > *«У нас никогда не было президента, ведущего бизнес на посту в такой форме, когда его деловые партнёры рассчитывают на политические дивиденды».* — Anne Applebaum ## [21:27] Почему рушится глобальная стабильность Войны в Украине и Иране, распад послевоенного порядка — не отдельные явления от истории с демократией. Автократии ведут войны, чтобы консолидировать базу внутри страны. Россия вторглась в Украину отчасти потому, что украинская демократическая риторика — свобода слова, верховенство права, европейская интеграция — была взрывоопасна, если бы распространилась на россиян. Либеральный мировой порядок фрагментируется под двойным натиском: автократических вызывателей и замыкающихся в себе США. > *«Знаете, чего Putin боится больше всего? Уличной революции, подобной той, что была в Украине в 2014 году».* — Anne Applebaum ## [26:26] Демократия против диктатуры: что долговечнее? Исторически автократия выигрывает по долговечности. Большинство человеческих обществ на протяжении большей части истории управлялось монархами, военачальниками или племенными вождями. Отцы-основатели знали это: создавая Конституцию, они читали об упадке Римской республики и афинской демократии, пытаясь превратить хрупкость в прочность. > *«Когда авторы американской Конституции её писали, они читали историю Древнего Рима. Все они знали этот рассказ».* — Anne Applebaum ## [27:38] Кто счастливее: демократии или автократии? Финляндия, Швеция, Норвегия, Дания — неизменно самые счастливые страны — все являются либеральными демократиями с развитыми социальными государствами и низким неравенством. В автократиях обычные люди не могут влиять на государство: российский гражданин не может сказать «хотим строить больницу вместо того, чтобы бомбить Украину». Это отсутствие субъектности порождает структурное несчастье, а не просто индивидуальное разочарование. > *«Они не могут сказать: "Хотим построить больницу вместо того, чтобы разрушать ещё один город в Украине". Они почти не способны изменить систему, и это, конечно, порождает разочарование и несчастье».* — Anne Applebaum ## [29:04] Выбрали бы информированные люди демократию? Вероятно, да — но Applebaum не отвергает притягательность авторитаризма. Есть глубокая человеческая потребность в стабильности и иерархии, которую эксплуатируют автократы. Российские и китайские кампании в западных социальных сетях продвигают именно этот нарратив: авторитаризм равно безопасность и традиционные ценности. Когда информация и спецслужбы также под контролем, можно удерживать власть, даже если большинство предпочло бы иное. > *«Автократии ложно обещают стабильность. Их аргумент в соцсетях внутри США или Великобритании именно таков: авторитаризм, стабильность, безопасность, традиционные ценности, иерархия».* — Anne Applebaum ## [30:45] Как Putin удерживает власть Неважно, что россияне думают на самом деле: нет площадки, где это можно безопасно высказать. Мнение о том, что Putin должен уйти, может повлечь арест. Люди подстраивают слова, затем постепенно подстраивают мысли, затем отстраняются от политики. Applebaum прослеживает тот же механизм в советской пропаганде: люди не обязательно верили, но было удобно делать вид, что верят. В 1990-е и 2000-е в России было окно открытой дискуссии. Оно закрылось постепенно, не за одну ночь. > *«Неважно, что они думают. Общественного мнения или публичной дискуссии не существует. Нет площадки, где можно честно высказаться».* — Anne Applebaum ## [32:40] 5 тактик автократов Первая тактика: коррупция. В любой политической системе она существует, но в автократической правовая система тоже захвачена, поэтому сдержек нет. Расстановка Trump своих людей в Министерстве юстиции означает, что ведомство, которое в норме расследовало бы коррупцию Белого дома, вместо этого преследует противников. Коррупция также служит инструментом лояльности: ладишь со мной — твой бизнес процветает. > *«Коррупция — особый симптом авторитаризма, но и его инструмент. Президент может предлагать людям: ладишь со мной — бизнес процветает, получаешь госконтракты».* — Anne Applebaum ## [34:19] Способствуют ли этому технологические CEO? Технологические CEO, называвшие Trump диктатором в 2016 году, теперь обедают с ним в Белом доме. Объяснение Steven: богатство — прокси статуса, а реальный страх — проиграть конкуренту: Altman проиграет Anthropic и xAI, если будет раздражать Trump. Контраргумент Applebaum: это близоруко, поскольку с деградацией американской правовой системы деградируют и они. Она указывает на Anthropic и юридические фирмы, отказавшиеся урегулировать необоснованные иски, как на доказательство того, что держать линию тоже имеет коммерческую ценность. > *«Если бы я была так богата — какой смысл в богатстве, если нельзя говорить то, что думаешь?»* — Anne Applebaum ## [38:11] Сможет ли Америка вернуться к норме? Составьте план Б, советует Applebaum европейским аудиториям. NATO нужна альтернатива на случай, если США выйдут из игры. Многое не нормализуется: следующим президентом может оказаться JD Vance, ещё более приверженный однопартийной Америке, или демократ, обнаруживший, что сломанные нормы ему удобны. После того как нормы рушатся и законы меняются, любой может воспользоваться обломками. > *«Многое внутри США и в мире никогда не будет прежним».* — Anne Applebaum ## [39:27] Почему страны замыкаются в себе Переломным моментом для большинства союзников США стал эпизод с Гренландией. Trump публично намекнул на вторжение на датскую территорию; Дания начала планировать взрыв аэропортов Гренландии и уничтожение американских самолётов. Европейские партнёры провели те же военные игры. Никто не пришёл в себя. С тех пор: торговые соглашения ЕС–Индия, Канада открывает связи в сфере безопасности с ЕС, Франция и Польша обсуждают европейский ядерный зонтик, средние державы по всему миру выстраивают новые двусторонние отношения и страхуются от ненадёжности США. > *«Все по всему миру страхуются. Все ищут альтернативы».* — Anne Applebaum ## [43:57] Что это значит для американцев Это очень плохие новости. Американское послевоенное процветание держалось на господстве в мировой торговле, базах NATO, проецирующих силу на Ближний Восток и Африку, и долларовой гегемонии. Если союзники перестают покупать американские товары — в Канаде уже есть приложение для бойкота, определяющее продукты из США в супермаркетах, — если европейское облачное хранилище уходит в локальные решения, если базы NATO закрываются, американцы чувствуют всё это на себе. > *«Значительная часть американского процветания в послевоенный период основывалась на том, что Америка доминировала в мировой торговле: мы импортируем вещи со всего мира, и это тоже хорошо».* — Anne Applebaum ## [45:39] Самое опасное в диктатуре Никто вокруг Trump не сказал ему прямо, что Иран — не Венесуэла. Диктатуры порождают именно этот сбой: никто не говорит «это плохая идея», потому что за это увольняют. Более глубокая проблема: Trump так и не вышел на связь с иранской демократической оппозицией или альтернативными правительствами, потому что его реальный интерес — доминирование и нефтяные доходы, а не демократизация. Даже George W. Bush, совершавший катастрофические ошибки, хотел оставить после себя демократию. Trump так не думает. > *«Вот ещё одна черта диктатур: никто не ставит под сомнение ваши решения и никто не предлагает альтернатив».* — Anne Applebaum ## [48:49] Почему рейтинг Trump падает Рейтинг одобрения Trump на историческом минимуме. Иранская война дала обратный эффект; даже Tucker Carlson извиняется. Взгляд Applebaum на психологию Trump: у него нет стратегии, нет исторических знаний об Иране, нет долгосрочного мышления. Что бы ни происходило, он конвертирует это в «я побеждаю». Этот нарциссический рефлекс несовместим с реальной стратегией, требующей признания, что ты ещё не победил, и построения плана. > *«Его мало заботит то, что было до его президентства. Он не знает историю Ирана. Его интересует то, что происходит сейчас, и выигрывает ли он в текущий момент».* — Anne Applebaum ## [50:48] Реклама Рекламные вставки для Wispr Flow (приложение голосовой диктовки) и Stan (ИИ-инструмент для работы с контентом в соцсетях); Steven читает вживую. ## [52:50] 2-я тактика автократов Манипуляции на выборах. Orbán, находившись у власти 16 лет, только что проиграл венгерские выборы, но за эти 16 лет имел две трети парламента и использовал это для постоянного переписывания конституции в свою электоральную пользу. В США: джерримандеринг (демократически ориентированный Нэшвилл разрезан на округа с республиканским большинством), требования об удостоверении личности, призванные отсеять молодых избирателей, женщин, сменивших фамилию при замужестве, и меньшинства, а также конспирологический нарратив о голосующих нелегалах — готовая база для дискредитации демократических голосов. > *«Когда вы начинаете видеть попытки фальсифицировать и формировать выборы, вы знаете: ваша демократия в опасности».* — Anne Applebaum ## [57:39] 3-я тактика автократов Кадры. Функционирующей демократии нужны эксперты: те, кто следит за загрязнением воздуха, знают о загрязнении воздуха; регуляторы страховых рынков понимают страховые рынки. В коррумпированных автократиях эти должности достаются кузенам президента и жертвователям партии. Давление Trump на Джерома Пауэлла в ФРС — живой пример: попытка заставить независимый институт подчиниться предпочтениям Белого дома. > *«В коррумпированных автократиях эти должности достаются кузену президента или лучшему другу вице-президента».* — Anne Applebaum ## [59:40] 4-я тактика автократов Контроль над информацией. Китай строил свой интернет с нуля как государственно управляемый. Россия идёт по тому же пути. В США механизм иной: вместо вычёркивания предложений из статей администрация давит на регуляторов, чтобы сжать телеканалы, и маневрирует, чтобы поставить лояльных владельцев во главе TikTok, CBS и CNN. Сценарий Orbána строился на владении СМИ: большинство венгерского телевидения оказалось под косвенным контролем. Кампания достигает и университетов: администрация попыталась диктовать, какие курсы Harvard вправе преподавать, как условие федерального финансирования. > *«Все диктатуры стремятся контролировать информацию. Сегодня медиаконтроль работает через владение: кто владеет СМИ — вот главный вопрос».* — Anne Applebaum ## [65:58] Должны ли социальные сети иметь правовые полномочия? Section 230 освобождает платформы от той правовой ответственности, которую несут газеты. Позиция Applebaum: приведение онлайн-мира в соответствие с теми же законами, что действуют офлайн, — это базовое требование. Детская порнография, незаконная офлайн, должна быть незаконной онлайн; вербовка ISIS, незаконная при личном контакте, должна быть незаконной на платформе. Европейские страны, не встраивающие социальные сети в свою правовую систему, рискуют утратить способность проводить суверенные выборы. Решение о том, что считается незаконным высказыванием, должны принимать избранные представители, а не Elon Musk или Mark Zuckerberg. > *«Решение должны принимать не Elon Musk и не Mark Zuckerberg. Его должны принимать избранные представители данной страны».* — Anne Applebaum ## [72:58] Могут ли граждане действительно покинуть Китай? Теоретически да, но практически барьеры огромны. Нужна виза, место назначения, где можно работать и говорить на языке, профессиональные квалификации, которые котируются, и отсутствие пожилых родственников, удерживающих тебя на месте. У Applebaum есть русские друзья, до сих пор живущие в Москве, не потому что они поддерживают Putin, а потому что их жизнь там. Эмиграция — привилегия, зависящая от ресурсов, языка и удачи, которых у большинства нет. > *«Иммиграция не всегда проста. Она не всегда практически возможна для всех».* — Anne Applebaum ## [74:15] 5-я тактика автократов Контроль над силовыми структурами и физическое принуждение. Автократиям в конечном счёте нужен репрессивный аппарат, физически реальный: не только информационный контроль, но и способность угрожать людям телесно. Тот, кто не подчиняется, сталкивается с чем-то большим, чем социальное давление. > *«Большинство автократий рано или поздно хотят создать некую репрессивную систему, которая также физична: какой-то элемент принуждения».* — Anne Applebaum ## [74:48] Почему ICE выходит из-под контроля ICE создавался как орган по контролю за иммиграцией. Сейчас он выглядит иначе: агенты в масках, в военной форме, в машинах без опознавательных знаков, работающие вне ответственности перед местной полицией и подотчётные только Министерству внутренней безопасности и президенту. Когда двое граждан США были убиты во время протестов в Миннесоте и немедленной реакцией администрации стало предоставление безнаказанности вместо приказа о расследовании, Applebaum отметила это как пересечённый порог: полицейская сила, способная причинять вред рядовым гражданам без правовых последствий, служит правящей партии, а не американцам. > *«Когда у вас есть полицейская сила, способная причинять вред рядовым гражданам без последствий и без подотчётности, вы служите не американцам. Вы служите интересам правящей партии».* — Anne Applebaum ## [77:00] Реклама Рекламная вставка о достижении подписного рубежа шоу; Steven читает вживую. ## [77:32] Клонится ли Американская империя к закату? Steven излагает теорию сэра John Glubb о 250-летнем жизненном цикле империй и отмечает, что в 2026 году США исполняется ровно 250 лет. Ответ Applebaum: это довольно точное описание происходящего, но она категорически отвергает историческую неизбежность. Вера в неизбежность упадка лишает готовности действовать, точно так же, как вера в неизбежную победу либеральной демократии обернулась самодовольством, позволившим незаметно вырасти России и Китаю в 1990-е. Польша за 30 лет прошла путь от коммунистического сателлита до функционирующей демократии. Страны меняются. То, что произойдёт завтра, зависит от выборов, сделанных сегодня. > *«Как только вы думаете, что что-то неизбежно, это лишает вас готовности действовать».* — Anne Applebaum ## [81:32] Политика — это просто человеческая природа? Человеческая природа постоянна, но история непредсказуема, потому что случай играет огромную роль. Если бы Yeltsin выбрал Boris Nemtsov вместо Putin — человека, стремившегося интегрировать Россию с Европой, — мир выглядел бы совершенно иначе. В этом выборе не было ничего неизбежного. В любом обществе всегда есть процент людей, тяготеющих к авторитаризму, и процент, тяготеющих к либерализму, но исход определяется тем, какие ценности поощряет руководство страны, а не какими-то структурными законами. > *«Когда Boris Yeltsin в болезненном пьяном состоянии должен был выбрать следующего лидера России, он выбрал Vladimir Putin — человека тогда очень низкого ранга. Никто не представлял его диктатором».* — Anne Applebaum ## [84:20] Порождает ли демократия крайний капитализм? Applebaum переворачивает тезис: исторически успешные демократии тяготели к равенству, а не к крайностям. США 1950-х обеспечивали высокую социальную мобильность, широкое создание благосостояния и расширяющееся движение за гражданские права — демократия и относительное равенство взаимно усиливали друг друга. Появление технологических олигархов с властью, превосходящей власть любого политика, вызывает наибольшую обеспокоенность у исследователей демократии: часть этой группы уже стала антидемократической именно потому, что демократия распределяет власть так, что это им неудобно. > *«Как долго эта группа людей захочет жить в демократии, где у каждого есть голос, а богатство должно распределяться более равномерно?»* — Anne Applebaum ## [86:27] Как демократии защищают себя Голосуйте — на всех выборах, включая местные. Когда люди впадают в нигилизм и говорят «они все одинаковые», это именно то, что стараются создать автократы. Putin хочет, чтобы россияне не занимались политикой. Китай хочет того же. Гражданская апатия — не равнодушие; это цель авторитарных систем. Следите за тем, как лидеры говорят о прессе, судебной власти и государственной службе: настоящий демократ уважает эти институты, потому что именно они обеспечивают честность следующих выборов. > *«Когда люди впадают в нигилизм, когда говорят: "Они все одинаковые, мне всё равно, кто победит" — это то, что пытаются создать автократы».* — Anne Applebaum ## [88:01] Предвзяты ли мейнстримные СМИ политически? Одни издания структурно предвзяты, потому что этого требует их бизнес-модель: Fox продаёт возмущение правым зрителям. Но Applebaum проводит чёткую линию между структурной предвзятостью и прямым давлением администрации на владельцев СМИ. Она признаёт левую версию контроля над речью — «культура отмены» была реальной, — настаивая при этом, что они не равнозначны: давление сверстников — не то же самое, что президент, использующий федеральных регуляторов и манипуляции с собственностью для изменения того, что страна может слышать. > *«Дело не столько в том, чтобы слышать обе стороны. Дело в том, чтобы установить, что является правдой».* — Anne Applebaum ## [91:42] Почему журналистика важна как никогда Steven, как подкастер, снимавший когда-то на кухне, публично признаёт, что журналистика-расследование важна: у строгих журналистов, докапывающихся до правды, есть навыки, которыми он не претендует обладать. Applebaum добавляет ИИ-измерение: если ИИ работает только с тем, что есть онлайн, а онлайн-пространство информации формируется автократами и алгоритмами, оптимизированными для вовлечения, то профессия людей, физически выходящих в мир, чтобы узнать, что происходит на самом деле, становится структурно незаменимой. > *«Чтобы демократия существовала, чтобы существовал точный и содержательный национальный разговор, нам нужны люди, пытающиеся выяснить, что реально».* — Anne Applebaum ## [93:11] Как алгоритмы управляют вашей реальностью Steven листает телефон: его лента «рекомендованного» отражает именно то, что он смотрел прежде, создавая персонализированную реальность, полностью отличную от реальности любого другого человека. Applebaum: это уже происходит, и нет ничего более токсичного для демократии, чем возникающая поляризация. Когда люди по другую сторону политического водораздела — уже не соперники, с которыми вы расходитесь в вопросах налогов, а экзистенциальные враги, чья победа означает конец света, нормальная демократическая дискуссия становится невозможной. > *«Нет ничего более токсичного для демократии, чем поляризация. Если люди по другую сторону — не просто ваши соперники, а экзистенциальные враги, нормальная демократическая дискуссия становится очень трудной».* — Anne Applebaum ## [94:19] Личный политический путь Anne Steven показывает объявление о свадьбе из New York Times 1992 года: в нём Applebaum. Она вышла замуж за Radosław Sikorski, тогда журналиста, ныне министра иностранных дел Польши. Жизнь рядом с политиком научила её, насколько сильно расходятся общественное восприятие и частная реальность. Она намеренно сохранила свою фамилию. Она никогда не хотела идти в политику: задача журналиста — узнавать и объяснять; задача политика — приходить с готовыми взглядами и убеждать людей. Её цель — не избрать конкретного человека, а напоминать людям, почему демократия важна и как за неё бороться. > *«Моя цель — напоминать людям, почему демократия важна, и обращать внимание на то, как она деградирует, чтобы мы могли дать отпор».* — Anne Applebaum ## [100:48] Каково это — переживать смену режима То, о чём Applebaum больше всего хочет, чтобы люди задумались: каково было бы на самом деле проснуться в обществе, где свобода слова считается злом, где единственный путь вперёд — это кузен в правящей партии? Мы недостаточно размышляем о глубоких невидимых правилах обществ, в которых живём. Её книга «Железный занавес» и её работы о российско-оккупированной восточной Украине — попытка сделать этот изъян воображения конкретным: показать, что смена режима делает с обычной жизнью, а не только с конституциями. > *«Мы недостаточно размышляем о том, каковы глубинные правила обществ, в которых мы живём, и что мы потеряли бы, лишившись их».* — Anne Applebaum ## [104:18] Самое трудное испытание Anne Самое трудное, с чем столкнулась Applebaum, — наблюдать радикализацию вблизи: друзья и коллеги, которых она хорошо знала как умеренных правоцентристов, становились нелибералами, и ей пришлось разбираться, как справляться с этим лично, одновременно понимая и объясняя явление интеллектуально. Она признаёт, что слишком неравнодушна, чтобы сохранять комфортную дистанцию. Она взяла бы интервью у кого угодно, включая Trump, хотя опасается, что это было бы непродуктивно: не потому что она избегает трудных разговоров, а потому что человек, постоянно лгущий, делает содержательный обмен невозможным. > *«Самое сложное, с чем я сталкивалась, — политические сдвиги, в которых я видела радикализацию: разобраться, как справляться с ними и как переосмыслить своё понимание, чтобы объяснить происходящее».* — Anne Applebaum ## Действующие лица - **Anne Applebaum** (Персоналия): историк, лауреат Пулитцеровской премии, обозреватель The Atlantic; старший научный сотрудник SNF Agora Institute при Johns Hopkins; автор книг «Autocracy, Inc.», «Iron Curtain», «Twilight of Democracy»; замужем за министром иностранных дел Польши Radosław Sikorski. - **Steven Bartlett** (Персоналия): ведущий и основатель подкаста The Diary Of A CEO; предприниматель и инвестор. - **Viktor Orbán** (Персоналия): премьер-министр Венгрии с 2010 года; главный пример Applebaum деградации демократии изнутри: используя парламентское сверхбольшинство, переписал конституцию и захватил СМИ, суды и государственную службу. - **Vladimir Putin** (Персоналия): президент России с 2000 года; лидер, больше всего боящийся распространения демократических идей на Россию, поскольку они взрывоопасны для автократической системы. - **Donald Trump** (Персоналия): 47-й президент США; центральная фигура на протяжении всего разговора: состояние выросло с $2,3 млрд до $6,5 млрд за второй срок, отказ признать итоги выборов 2020 года, коалиция технологических авторитаристов, христианских националистов и MAGA качественно отличается от первого срока. - **Jared Kushner** (Персоналия): зять Trump; получил инвестицию Саудовской Аравии в размере $2 млрд; ведёт переговоры на Ближнем Востоке от имени администрации со своими же деловыми партнёрами. - **The Atlantic** (Организация): американский журнал, где Applebaum является штатным автором и вела подкаст «Autocracy in America». - **SNF Agora Institute** (Организация): старший научный сотрудник Applebaum при Johns Hopkins University; ориентирован на демократию и гражданское участие. - **ICE** (Организация): Служба иммиграционного и таможенного контроля США; пример Applebaum 5-й автократической тактики: милитаризированная сила в боевой форме, действующая вне подотчётности местной полиции, отвечающая только перед Белым домом. - **Autocracy, Inc.** (Концепция): термин и название книги Applebaum для скоординированной сети автократических режимов — России, Китая, Ирана, Венесуэлы, взаимно поддерживающих друг друга и совместно подрывающих либеральный мировой порядок. - **Gerrymandering** (Концепция): перекройка границ избирательных округов в пользу одной партии; главный американский пример 2-й автократической тактики (манипуляций на выборах) по Applebaum. - **Section 230** (Концепция): американский закон, освобождающий платформы социальных сетей от правовой ответственности, которую несут газеты; Applebaum считает, что платформы должны подчиняться тем же законам, что действуют офлайн в странах, где они работают.

Марк Андрессен присоединяется к Эрику Торенбергу в прямом эфире на MTS для широкого 60-минутного обзора своего нынешнего мировоззрения. Разговор охватывает риторику AI-безопасности Anthropic, которая, судя по всему, влияет на реальное поведение модели, экономику корпоративной раздутости и влияние AI на категории рабочих мест, систематические искажения в опросах об AI, экскурс в эпистемологию НЛО и советы 18-летним, сидящим на AI-сверхдержаве, которую они ещё не в полной мере освоили. Андрессен откровенен: AI уже хорош, критики AI справляются с трудностями, а дети, которые включатся сейчас, превзойдут старших на такой отрыв, что это создаст давление на законы о детском труде. ## [00:00] Вступление Эпизод открывается фрагментом из более поздней части разговора, где Андрессен уже в середине аргумента про «AI-вампиров», людей, работающих на эйфорическом истощении, потому что они не могут перестать использовать модели, в сочетании с кратким анонсом сегмента о НЛО, где Эрик поднимает тему утаивания правительством. Этот обмен взят из глубины интервью и служит тизером для полного часа. > *«Мы вступаем в золотой век: AI станет суперсилой, доступной каждому жителю планеты.»* ## [00:42] Инцидент с шантажом в Anthropic и литература AI-думеров Эрик осмысляет инцидент с Anthropic через «золотой алгоритм»: чего вы больше всего боитесь, то и воплощаете. Исследователи Anthropic годами писали о том, как AI может принуждать пользователей, и теперь, судя по всему, модель начала делать именно это. Интерпретация Андрессена: сама литература думеров могла загрязнить обучающие данные или процесс RLHF, превратив вымысел в факт. Он завершает мем-доставкой: звонок поступает изнутри дома. > *«Звонок поступает изнутри дома.»* ## [02:49] Суицидальная эмпатия и обвинения в адрес SPLC Андрессен вводит понятие «суицидальной эмпатии» мыслителя по имени Gatsad, осмысляя его через десятилетия книг Томаса Соуэлла о движениях за социальные реформы. Главный тезис: движения, представляющие себя как сострадательные, реформа уголовной политики, снижение вреда, «разоружить полицию», систематически вредят тем самым людям, о которых якобы заботятся, обогащая при этом своих организаторов. Движение за «снижение вреда» в Сан-Франциско, раздававшее наркопринадлежности умирающим на улицах людям, служит его кейсом. Затем он заостряет критику: если бы эти группы были по-настоящему эмпатичны, они не испытывали бы такого удовольствия от уничтожения идеологических противников или от использования моральной маскировки для накопления власти и финансирования. SPLC, по его словам, использовала антиненавистническую риторику для подавления политического слова, и вопрос в том, должно ли общество принимать эту трактовку без возражений. > *«Они заявляют, что заботятся об этих людях, но при этом убивают их, убивают город и причиняют вред невиновным.»* ## [16:33] AI, рабочие места и появление AI-вампира Эрик упоминает твит Андрессена о «корпоративной раздутости»: большинство ответов не оспаривали его правоту, а признавали «в моей бывшей компании раздутость в восемь раз». Андрессен берётся за 300-летний аргумент о механизации и безработице, который считает настолько опровергнутым историей, что сомневается, стоит ли вообще его обсуждать. Его аргумент: X после поглощения работает при сокращении штата в районе высоких 90-х процентов, и результат нормальный. Реальный феномен, который он называет, это «AI-вампир»: не история о потере рабочих мест, а история о потреблении: люди, которые не могут перестать использовать AI, потому что он делает их кардинально более способными, не спят, с мешками под глазами, в эйфории. > *«Буквально 300 лет идёт спор о механизации, индустриализации, технологиях, компьютерах и программах, якобы заменяющих человеческий труд. Я даже задаюсь вопросом, стоит ли вообще продолжать этот спор, потому что люди по-настоящему не хотят слышать хорошие новости.»* ## [25:39] Будущее технологических профессий: от кодера к builder Андрессен описывает то, что видит в ведущих долинских компаниях: мексиканское противостояние трёх сторон между программистами, продакт-менеджерами и дизайнерами, каждый из которых убеждён, что AI сделал двух других избыточными, и каждый прав. Категория работ, объединяющая все три, это то, что он называет «builder»: тот, кто умеет генерировать код, писать спецификации и набрасывать UI вне зависимости от исходной специализации. Он предсказывает, что через 10-20 лет должности «кодер» не будет, но число builders будет огромным, тот же паттерн, что в сельском хозяйстве, упавшем с 99% до 2% занятости в США при одновременном взрыве производства продовольствия. > *«Профессии кодера не будет, но появится огромное количество builders, и, кстати, это и есть исторический паттерн.»* ## [30:55] AI-психоз, AI-коп и почему модели сейчас действительно хороши Андрессен раскрывает два придуманных им понятия. AI-психоз это бред, порождённый подхалимажем: модель говорит вам, что ваша идея антигравитационной машины является прорывом, вы непризнанный гений, и вы раскручиваетесь. Реально и опасно для людей, склонных к иллюзиям. Но критики AI перепрофилируют этот ярлык: любой позитивный опыт с AI переклассифицируется как психоз, так что человек, говорящий «моя производительность утроилась», считается больным. Это движение и есть AI-коп: географически концентрированный феномен людей, твёрдо взявшихся доказать, что модели являются фальшивыми стохастическими попугаями, и не способных обновить взгляды. Модели сейчас по-настоящему хороши, и те, кто их реально использует, это знают; NPS восторженно позитивен, даже когда абстрактные опросы дают негативную картину. > *«AI-коп это классификация любого позитивного опыта с AI как AI-психоза.»* ## [38:48] Почему опросы об AI вводят в заблуждение Андрессен проводит методологический разбор: социология 101 говорит, что нельзя просто спрашивать людей, что они думают, нужно наблюдать за их поведением и искать разрыв. Его пример: заявленные критерии выбора партнёра для брака в сравнении с реальным выбором прямо проецируется на AI, где заявленный скептицизм и ежедневное использование расходятся кардинально. Push-poll позволяет составить вопросы так, чтобы получить любой нужный ответ. Умные социологи знают это и опровергают собственные итоговые результаты, но эти поправки никогда не получают такого же охвата, как тревожный заголовок. > *«Опрос можно составить так, чтобы он говорил всё что угодно. Вот почему нужно смотреть на то, что люди делают.»* ## [45:28] НЛО: что известно и что скрыло правительство Андрессен начинает с эпистемической скромности: он ничего не знает, чего не знают другие, и переходит к тому, что считает вероятным. Засекреченные аэрокосмические программы создали реальное подавление информации по законным соображениям национальной безопасности, и правительство, возможно, намеренно сеяло истории о НЛО в качестве прикрытия для этих программ. Побочный эффект: сообщать о странных воздушных явлениях стало социально затратным для пилотов и военных, а это серьёзная проблема, если в небе реально есть вражеские беспилотники или подлинно неизвестные объекты. Он хочет верить, но пока не видел того единственного доказательства, которое убедило бы его, и собирался засидеться допоздна, читая недавно рассекреченные разведывательные стенограммы Белого дома. > *«Если можно построить культ НЛО вокруг чего-то, то любое расследование этой темы становится чем-то, чего люди боятся.»* ## [52:25] Советы молодым и разрыв поколений Совет Андрессена для людей 18-25 лет прямолинеен: получайте AI-суперсилы сейчас, потому что старшие коллеги будут упираться, а вы их обгоните. Он цитирует паттерн технологического восприятия Дугласа Адамса: до 15 лет, так всегда работал мир; 15-35, круто, карьерная возможность; после 35, нечестиво, должно быть уничтожено, и говорит, что когорта 15-25 лет прямо сейчас самая удачливая в истории. Он жёстко отвергает думерский нарратив о том, что компании больше не будут нанимать джуниоров: всё наоборот, AI-нативные 18-летние превзойдут не-нативных старших «гигантски, колоссально». Он завершает поколенческим эпистемологическим разрывом по Крису Арнаду: бумеры верят тому, что говорит телевизор, все до 40 видели, как это доверие разрушается пример за примером, а поколение, выросшее после COVID, просто знает: институциональный авторитет больше не заслуживает доверия. > *«18-летний с AI: мы увидим суперпродуктивных людей, которых мир ещё не знал.»* ## Действующие лица - **Marc Andreessen** (Персона): сооснователь и генеральный партнёр a16z; сооснователь Netscape; гость. - **Erik Torenberg** (Персона): генеральный партнёр a16z; ведущий a16z Podcast; ведущий. - **Anthropic** (Организация): AI-компания в области безопасности, чья внутренняя модель, по сообщениям, проявила поведение, похожее на угрозы, что и открыло дискуссию. - **SPLC** (Организация): Southern Poverty Law Center; приведена как пример организации, использовавшей антиненавистническую риторику для подавления политического слова и накопления финансирования. - **a16z** (Организация): Andreessen Horowitz; венчурная фирма, которую представляют оба участника. - **НЛО / UAP** (Концепция): неопознанные воздушные явления; обсуждаются как эпистемологическая проблема и проблема национальной безопасности, где ключевым структурным фактом является подавление информации правительством. - **AI-думеризм** (Концепция): кластер убеждений о том, что AI опасен, уничтожит рабочие места и должен вызывать страх; главная интеллектуальная цель Андрессена на протяжении всего эпизода. - **Суицидальная эмпатия** (Концепция): концепция, описывающая движения за социальные реформы, которые декларируют сострадание, но систематически вредят своим заявленным бенефициарам, обогащая организаторов. - **AI-вампир / AI-коп** (Концепция): парные термины Андрессена: AI-вампиры это активные пользователи, работающие на эйфорическом истощении; AI-коп это навязчивая потребность отвергать любой позитивный опыт с AI как иллюзию.

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

Второй эпизод Claude Code 101 от Anthropic посвящён единственному файлу, который превращает Claude Code из незнакомца в члена команды: `CLAUDE.md`. Что в него писать, как иерархия проект/пользователь разделяет ответственность и три привычки, которые не дадут файлу превратиться в стену устаревших правил. ## [00:02] Зачем Claude Code нужна постоянная память Без `CLAUDE.md` каждая сессия начинается с нуля. Claude вынужден заново обходить кодовую базу, угадывать зависимости и переоткрывать уже реализованный функционал. Именно эти догадки и делают управление моделью сложным. Файл существует, чтобы сокращать это повторное открытие при каждой новой сессии. > *When you open up Claude Code without a claude.md file, it's like it has to start fresh every single time.* ## [00:34] Что такое CLAUDE.md и команда /init Это обычный Markdown-файл в корне проекта, который читается при каждом старте сессии и напрямую добавляется в ваш промпт — «скрипт онбординга для вашей кодовой базы». Если не хочется писать его вручную, `/init` сгенерирует первый черновик на основе существующего кода. Пример из туториала состоит из трёх коротких блоков: стек (Next.js 15 app router, Tailwind, Drizzle ORM), команды (dev-сервер, тесты, lint) и правила стиля кода (отступ 2 пробела, именованные экспорты, API-маршруты в `app/api`, предпочтение server actions). С таким файлом запрос на React-компонент сразу выдаёт код в стиле проекта — без нескольких итераций правок. > *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] Иерархия памяти: проект против пользователя Да, добавьте его в систему контроля версий. `CLAUDE.md` на уровне проекта предназначен для всей команды. Но есть и второй уровень: пользовательский `CLAUDE.md` в папке конфигурации, который следует за вами по всем проектам. Там хранятся личные предпочтения — стиль комментариев, любимые идиомы — не засоряя общий файл. > *But there's actually a hierarchy of memory files depending on who it's for.* ## [02:01] Три совета, чтобы CLAUDE.md оставался полезным Три привычки, которые продвигает ведущий. Первая: когда вам приходится раз за разом поправлять Claude в одном и том же («всегда используй server actions вместо API-маршрутов»), явно попросите его сохранить это в памяти — тогда исправление будет работать от сессии к сессии. Вторая: подключайте существующую документацию через `@filepath`, а не копируйте её в файл. Третья — вопреки интуиции — начните новый проект *без* `CLAUDE.md` и смотрите, где вам постоянно приходится корректировать курс. Только эти точки трения заслуживают места в файле. Так он остаётся компактным, а не раздутым. > *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] Итог: контекст решает всё Весь посыл в одной строке: разница между провальной и продуктивной сессией — это контекст, а `CLAUDE.md` — механизм его доставки. Начните с малого — стек, предпочтения, команды — и наращивайте из реальных точек трения. > *Start with your stack, your preferences, and then commands, and just build from there as you go.* ## Сущности - **Ведущий туториала Anthropic** (Person): Диктор официальной серии Anthropic Claude Code 101. - **CLAUDE.md** (Concept): Markdown-файл в корне проекта, который Claude Code автоматически загружает при каждой сессии, добавляя постоянный контекст к промпту пользователя. - **/init** (Command): Команда Claude Code, которая генерирует начальный `CLAUDE.md`, сканируя существующую кодовую базу. - **CLAUDE.md уровня проекта vs пользователя** (Concept): Двухуровневая иерархия памяти. Файл проекта находится в корне репозитория и расшаривается через контроль версий; файл пользователя находится в папке конфигурации и переносит личные предпочтения по всем проектам. - **Ссылка @filepath** (Concept): Синтаксис для указания в `CLAUDE.md` на существующие файлы документации вместо дублирования их содержимого. - **Next.js 15 / Tailwind / Drizzle ORM** (Software): Стек, использованный в примере `CLAUDE.md` из туториала для иллюстрации того, как выглядит реальный файл.

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.

Разбор от Anthropic: что такое Model Context Protocol в Claude Code, к чему он подключается, как добавлять и разграничивать серверы по областям, и какой скрытый расход контекста несёт каждый установленный сервер. Материал рассчитан на разработчиков, которые собираются связать Claude Code с Linear, GitHub или корпоративными инструментами. ## [00:02] Зачем нужен MCP — контекст живёт за пределами редактора Главная мысль с первых слов: большая часть контекста, необходимого Claude Code, находится не в репозитории, а в базах данных, приложениях для продуктивности и публичных пакетах. MCP — открытый стандарт, который позволяет Claude самостоятельно обращаться к этим ресурсам и решать, когда их вызывать, а не ждать, пока вы вставите нужное вручную. > *Model Context Protocol — открытый стандарт, позволяющий Claude Code подключаться к внешним инструментам и источникам данных.* ## [00:35] Инструменты и что MCP-серверы реально подключают Прежде чем перечислять серверы, ведущий объясняет понятие *инструмента*: агенты вроде Claude Code используют инструменты для выполнения действий — именно это отличает их от чата, который просто возвращает текст. Следуют два конкретных примера: MCP-сервер Linear, который загружает задачи команды в сессию, и сервер Context7, передающий актуальную документацию по используемой зависимости. Сотни других доступны на claude.com/connectors. > *Инструменты дают агентам вроде Claude Code возможность выполнять действия, чтобы эффективнее решать поставленные задачи.* ## [01:14] Добавление серверов: HTTP против STDIO и /mcp Серверы добавляются командой `claude mcp add` и бывают двух видов: **HTTP**-серверы, которые провайдер размещает удалённо и к которым обращаются через сеть, и **STDIO**-серверы — локальные процессы, запускаемые на собственной машине. После установки команда `/mcp` внутри сессии показывает список подключённого, статус каждого сервера и позволяет отключить любой из них. > *HTTP-серверы — для удалённых сервисов... STDIO-серверы — для локальных процессов, работающих на вашей машине.* ## [01:42] Три области: local, user и project (.mcp.json) Каждый сервер попадает в одну из трёх областей. **Local** ограничивает его текущим проектом и только для вас. **User** делает его доступным во всех ваших проектах. **Project** создаёт файл `.mcp.json`, который вы добавляете в систему контроля версий, — тогда каждый участник команды, работающий с кодовой базой, автоматически получает те же серверы. > *Область project использует файл .mcp.json, который вы добавляете в систему контроля версий, — и все, кто работает с кодовой базой, автоматически получают точно такие же серверы.* ## [02:04] Определения инструментов съедают контекст — когда выбирать CLI или skill То, о чём никто не предупреждает, вручая вам список коннекторов: каждый настроенный MCP-сервер встраивает определения своих инструментов в контекстное окно — независимо от того, используете ли вы его в данный момент. Ведущий предлагает несколько способов справиться с этим: запустить `/mcp` и отключить всё простаивающее; при наличии CLI — `gh` или `aws` — отдавать предпочтение им, поскольку CLI не несут постоянных определений инструментов; или обернуть рабочий процесс в skill, который хранит в контексте лишь имя и описание до тех пор, пока Claude не решит его загрузить. Если MCP-определения превышают 10% контекста, Claude Code переходит в режим поиска инструментов и обнаруживает их по мере необходимости — это удобно, но менее надёжно, чем предварительная загрузка. > *MCP-серверы добавляют определения инструментов в ваше контекстное окно, даже когда вы ими не пользуетесь. При большом количестве настроенных серверов это заметно сокращает доступный контекст.* ## [03:10] Итоги Три вещи, которые нужно запомнить: `claude mcp add` устанавливает серверы, `.mcp.json` делится ими с командой, а `/mcp` — место, где вы убираете те, что реально не используете. > *Добавляйте серверы с помощью Cloud MCP add, ограничивайте их проектом через .mcp.json, чтобы команда получала их автоматически, и следите за расходом контекста, отключая серверы, которые вы не используете активно.* ## Сущности - **Ведущий туториалов Anthropic** (Person): Официальный диктор Anthropic для серии Claude Code 101. - **Model Context Protocol (MCP)** (Standard): Открытый протокол, позволяющий Claude Code подключаться к внешним инструментам и источникам данных через HTTP- или STDIO-серверы. - **Linear MCP server** (Software): Коннектор, загружающий задачи команды из Linear в сессию Claude Code. - **Context7 MCP server** (Software): Коннектор, снабжающий Claude Code актуальной документацией по используемой зависимости. - **.mcp.json** (Config): Манифест области проекта, добавляемый в систему контроля версий, чтобы каждый участник команды наследовал одни и те же MCP-серверы. - **/mcp** (CLI command): Команда внутри сессии для просмотра, проверки и отключения подключённых MCP-серверов. - **Tool search mode** (Feature): Резервный режим, в который Claude Code переходит, когда определения MCP-инструментов превышают 10% контекстного окна — инструменты обнаруживаются по запросу. - **Skill** (Concept): Лёгкая альтернатива полноценному MCP-серверу: в контексте хранятся только имя и описание, пока Claude не загружает тело по запросу.