每天挑选一期硅谷AI科技值得关注的播客，让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast，在通勤、走路或做家务时一篇篇轻松听完
"循环会帮你爬到局部最高点，但随后就会进入平台期。"
"成为模型品鉴师的秘诀，就是把它们都用一遍。"
"护城河往往是发现的，而非设计的。"
Anish Acharya是硅谷风险投资机构Andreessen Horowitz（简称a16z）的合伙人，主要投资面向消费者的科技产品。成为投资人之前，他创办的SocialDeck卖给了Google，另一家公司Snowball被Credit Karma收购，之后他在那里负责产品和业务。
这次做客Lenny's Podcast，他讲到一位Google高管朋友遇到的新麻烦：团队三个月就做完了原定两年的路线图，接下来却不知道该做什么了。开发速度上来了，决定方向的速度没有跟上；这也是Anish讨论AI如何改变公司时，始终绕不开的问题。
他把一种新的工作方式称为“循环”：让Agent接收任务、执行、检查结果，再根据反馈继续改进。当这样的循环从写代码延伸到销售、客服和整条业务，人还需要做哪些事？从修车师傅的AI培训，到自己给妻子做的母亲节礼物，他给出的回答都落在具体的使用经历里。
先让修车师傅用起来
在硅谷，有人担心没跟上AI的人会永久掉队，Anish对这种说法并不买账。他回到自己长大的小城时，发现日常生活与科技圈的兴奋相距很远：模型可以迅速变强，快递和披萨外卖却有各自的经营约束，无法仅靠增加智能就得到同样速度的改善。
"我认为人是不可或缺的一部分。"
他接触过的墨西哥二手车公司Kavak，办了一个六周的“绝地学院”，学员包括一线修车师傅，毕业要求是做出能投入实际工作的Agent。在这种具体场景里，员工并非只会抵触变化；知道新工具能帮自己完成什么之后，很多人其实愿意学。
Anish把企业采用AI分成两层：先帮助现有员工做好手头的工作，再重新考虑公司应该怎样运转。给每个人配一个助手，还不等于改变了工作在不同岗位之间传递的方式。后面这件事更难，因为它会牵动组织安排，也要求负责人亲自理解AI能接到哪一步。
Anish以墨西哥二手车公司Kavak为例，说明AI培训也可以从一线岗位开始。
一个bug，怎样成为一条循环
工程师可以从处理一个bug，理解Anish所说的循环：客户报来问题，系统生成复现步骤，写出修复代码，再把修改送去审查。如果这些环节能接起来，工程师就不必在每一步结束时，重新给AI布置下一项任务。
"Agent当然就是带着工具、记忆和技能文件，在循环中运行的模型。"
在他描述的流程里，高风险修改要经过人的确认，低风险修改则可以直接发布，最后邮件告诉客户问题已经解决。他用“五分钟”说明这种连续处理的潜力，同时保留了风险判断和审批环节；代码能测试、修改能审查，也让工程成为比较适合尝试的领域。
再往上想，营销、销售、客服和法务各自跑着一组循环，业务负责人就可以综合它们的结果，继续调整整个业务。Anish设想的变化，是自动化从单个人的任务，逐步延伸到跨部门协作。当系统发现问题出在线下经营、商业模式或者战略上，它也可以向CEO提出建议，但这些决定依然可能需要人来完成。
AI爬得很快，但先得选对山
增长团队能提供一个更直观的例子：提出若干版本，做出来，测试效果，把表现更好的版本上线，再开始下一轮。只要目标清楚，Agent可以反复执行，还可以保留长期对照组，检查短期收益有没有带来长期损失。
"循环会帮你爬到局部最高点，但随后就会进入平台期。"
访谈中的曲线图把这个限制画了出来：沿着已有方向优化，最初效果明显，后来能够改进的空间逐渐收窄。就算继续加快试验，多做几个版本，也可能只是在平台期附近打转；要跳出去，往往需要新的产品判断，或者换一种触达用户的方式。
人的判断为下一轮探索选方向，Agent再沿着这个方向持续试验。Anish因此不相信对模型说一句“替我赚一百万美元，别犯错”，就会自动得到一门生意。在他的设想里，人提供新想法，Agent拿到新证据，结果又帮助人判断是否要换方向，这样的交接会发生很多次。
曲线中的平台期代表现有方向的优化接近上限；人的新判断，让Agent有了下一段可爬的坡。
PM的点子，终于可以拿出来试
方向仍需要人来选，但选方向的方法可以变化。Lenny提到一位产品经理朋友，面对团队提出的想法，开始先说“好”，再把东西做出来检验。过去一个想法要经过争取资源、说服上级才能进入开发，现在试一次的成本低了，也就没必要总在会议里争个输赢。
"做别人的好点子，比做自己的坏点子更有成就感。"
Anish说，有些产品经理一直相信自己擅长从零到一，只是受制于管理层和工程资源。等每个点子都有机会尝试，他们可能会发现，自己的不少想法其实并不成立；那些特别会向高管推销想法的人，也得接受同样的检验。让产品说话，比让最会讲故事的人一直赢，更有利于团队合作。
除了想新方向，熟悉业务的人还有另一种参与方式。Anish说，Kavak为客户配备Agent，遇到处理不了的问题时，它会叫人来帮忙，人像教练一样指导它，指导过程也被保留下来。
这次介入既要解决眼前的问题，也要找出Agent缺的是知识还是数据，再补到后续能够使用的地方。按Anish的说法，同一问题下次就不该再来叫人；经验有没有留下来，决定了这次人工帮助能否减少下一次的重复劳动。
选模型，先看做好以后值多少
面对不断更新的模型，Anish不赞成只拿一个“聪明程度”去排序。他会先看任务的收益上限：财务结账需要正确，但不能比正确再好一百倍；发现一个新产品机会，结果稍好一点，却可能带来完全不同的回报。
"成为模型品鉴师的秘诀，就是把它们都用一遍。"
同样是客服，如果任务只是关闭工单，成本自然很重要；如果一条抱怨可能揭示产品的方向性问题，就值得考虑能力更强的模型。先估计把事情做好可能带来多大价值，再决定为模型付多少钱。把整个客服部门都视为一类任务，很容易错过那些回报上限更高的工作。
Anish靠做项目积累这种判断，每遇到一个新模型，就逼自己用它做出点东西。他最近用Qwen写故事，搭配视频和配音工具，制作介绍《星球大战》虚构星球的纪录短片，四五个小时能做出一段约五分钟的成片。
这个过程要检查脚本、生成素材、听配音，还要亲自审片和调整节奏，模型擅长什么、不擅长什么都会显露出来。有的更会讲故事，有的更适合严谨的产品工作，他不认为这些差别只看一张排行榜就能掌握。
消费者未必还想要一张更好的表格
Anish的家庭实验有时也会失控。他做过一个小程序，让厨房里的电脑听取声音，根据儿子的表现奖励iPad使用时间；儿子很快找到了办法，把“爸爸，我爱你”录下来，放在麦克风旁边循环播放。
"我认为这不是模型或能力的问题，只是产品设计的问题。"
谈到面向普通人的产品，Anish觉得行业还有很多能力没有用对地方。科技圈关心模型排名和岗位会不会消失，普通人打开一个应用，可能只是想和亲友更亲近、感到被爱、有所进步，或者玩得开心；这些需求一直存在，却没有得到同样多的AI产品投入。
他形容，行业花了很长时间发展技术，做出了更好的电子表格，却还没充分照顾人的情感需求。一个产品可以很懂得提高效率，却让用户想不到自己为什么要在生活里打开它。这也解释了为什么同一个模型，在重度用户和普通消费者那里会得到完全不同的评价。
交互方式也会挡住一些人：聊天框要求用户先弄清自己要什么，再主动发问，短视频则几乎不要求人做决定。Anish认为两者之间还有很大空间，可以让用户参与创造，又不必要求他们先学会熟练地指挥AI。
护城河，不必在开工前想完
产品越容易做出来，创始人越担心自己的东西会不会被复制。Anish承认自己创业时也犯过这样的毛病：为了让商业计划经得起投资人盘问，过早琢磨一套足够复杂的壁垒解释，却忽略了产品还没有真正进入用户生活。
"护城河往往是发现的，而非设计的。"
Anish引用了Decagon的Jesse这句话，并以Cursor为例：产品在被使用的过程中积累推理轨迹，这些经验又能支持后续模型改进。网络效应、品牌和独有数据，仍然可能构成优势；但有些机会，要等产品真正跑起来以后才看得清楚。
他也会留意产品有没有让用户主动谈论的吸引力。社交平台越来越不愿意替外部产品建立自己的用户网络，单纯依赖平台分发会受到限制；如果用户愿意在不同渠道自发提起产品，这种口碑就值得重视。与其在开工前设计一套滴水不漏的壁垒解释，不如先做出让人愿意留下来的产品。
他给团队的另一个练习是假设软件每月收一千甚至一万美元，再倒过来想，它得替客户完成什么事情才配得上这个价格。这是用价格推动产品思考：暂时放下几个小功能的优化，去寻找客户愿意为之付出更多的结果。
从每周做成一件小事开始
当Lenny问普通人该怎样跟上变化，Anish给的建议很具体：找一个自己的项目，用它去试新模型，争取每周交付一点东西。项目不需要成为创业公司，也不需要公开给谁看，只要能够持续动手，就有机会形成自己的判断。
"你不必告诉任何人，它完全可以是一件不重要的事。"
他自己做过大约二十四个应用，其中一两个较大的项目还在持续迭代，其他尝试也帮助他认识了模型的边界。如果总想不出新点子，就围绕同一个项目增加功能；项目熟悉了，换一个模型以后有哪些差别，也更容易感受到。
母亲节时，他让Codex翻找旧短信、整理照片，为妻子做了一份二十页的幻灯片，配上音乐，里面甚至找回了第一次约她出去的短信。一件自己愿意花心思完成的事，就可以是练习的起点。Anish说的雄心也包括这类愿望：学会做音乐，完成脑海里的产品，或者为家人做一点以前做不到的事情。
写在最后
与其急着判断自己会不会被AI甩下，不妨从手边一个做得完的项目开始：让它跑过一次完整流程，看清哪里能自己继续，哪里还需要你。Anish的建议并不要求每个人先成为专家。做过几次，关于模型能力和自身价值的判断，就会多一些亲手试过的依据。
内容来源："Why AI doom is a myth | Anish Acharya (a16z)"丨Lenny's Podcast（嘉宾：Anish Acharya）
原视频：https://www.youtube.com/watch?v=LdIyXiq2DTY
相关文章
如果你现在没空，可以收藏进晚点再听，通勤、走路或做家务时一次性听完⇣
⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣