Summary & Insights
Imagine a set of API abstractions designed in 2010, sitting at the core of a company’s product for 15 years, simultaneously enabling and constraining its entire world. That’s the reality Patrick Collison describes as Stripe undertakes a multi-year “instruction set migration” to its V2 APIs—a process he found was less about designing the new and more about the agonizing complexity of making it coexist with the old. This conversation with Cursor’s CEO, Michael Truel, ranges from these foundational, long-lived technical decisions to the lost art of truly integrated development environments, and the nascent potential of AI to change not just how we write code, but what programming even looks like.
Collison’s deep affinity for interactive development environments, forged in his early work with Lisp and Smalltalk, forms a core thread. He reminisces about the power of those systems, where he could fix a bug mid-request, edit a variable in a stack frame, and resume execution—a feedback loop measured in seconds, not hours. He laments that mainstream development has largely abandoned this integration of editing, runtime, and inspection, and sees an opportunity for modern tools, supercharged by AI, to reclaim it. He envisions an IDE where hovering over code reveals live profiling data or common production values for a variable, deeply merging the static code with the dynamic system it creates.
The discussion then zooms out to the organizational and strategic weight of early technical choices. Collison reveals that Stripe’s foundational decisions to use Ruby and MongoDB—made somewhat casually by two founders on a couch—created a legacy that hundreds of engineers still live with today. He draws a powerful parallel to the success of iOS versus Android, arguing that Apple’s superior early API and framework design had significant, long-term business ramifications by attracting more and better developers. This leads to his conviction that investing disproportionate time in API and data model design is one of the highest-leverage activities a tech company can undertake, as these abstractions shape not just the software, but the organization and strategy itself.
Finally, Collison explores the frontier of AI in both programming and biology. He speculates that AI-aided development might evolve programming languages themselves, making them less formal and more about declaring intent. He is particularly excited about a “new kind of Turing loop” in biology, where advances in reading (sequencing), thinking (AI models), and writing (CRISPR) cell data could form a complete, programmable system for tackling complex diseases. Throughout, he maintains a measured perspective on AI’s near-term economic impact, noting the surprising lack of clear productivity spikes in macroeconomic data and cautioning against assuming an automatic, exponential takeoff.
Surprising Insights
- Hiring for a non-mainstream language (Smalltalk) was not the blocker it’s often assumed to be; Collison found smart developers learned it quickly, and the language choice was not the reason his first startup failed.
- Superior API design can be a decisive competitive moat with massive business ramifications, as illustrated by his analysis that iOS’s early framework superiority over Android’s led to a more vibrant and high-quality app ecosystem for years.
- The most difficult part of a major API migration isn’t designing the new system, but building the translation layers and managing coexistence with the immense existing ecosystem; he compares it to a CPU instruction set migration.
- Despite the hype, there’s a notable absence of an AI-driven productivity boom in the macroeconomic data, a point Collison highlights by referencing a recent study and the cautious growth projections from within AI companies themselves.
- Collison, a co-founder of the biomedical research org ARC, frames humanity’s struggle with complex diseases (like many cancers or neurodegenerative conditions) as a failure of “epistemic technology”—a problem he believes new cycles of read-think-write tools at the cellular level could finally solve.
Practical Takeaways
- Prioritize unifying abstractions early. When designing systems, bias toward creating a single, flexible entity representation (like Stripe’s V2 “Account”) over multiple specialized ones, as the combinatorial complexity of the latter will inevitably become a constraint.
- Treat foundational API and data model decisions as strategic, company-shaping investments, not just implementation details. Their longevity and influence on organizational structure (via Conway’s Law) and business capabilities will far outweigh the initial time cost.
- When planning a major platform migration, model it as an “instruction set migration” from the start. Dedicate the bulk of planning and resources to compatibility layers, phased rollouts, and customer upgrade paths, not just the greenfield design.
- Explore development tools that break down the wall between code and runtime. Seek out or advocate for IDE features that integrate live system data (logs, metrics, common variable states) directly into the editing interface to dramatically shorten the debugging and understanding loop.
- Use AI for exploration and refactoring, not just generation. Leverage LLMs for answering factual questions during research or reading, and prioritize AI tools that can help beautify, refactor, and maintain architectural integrity in large, aging codebates to reduce their “weight.”
Hãy tưởng tượng một bộ API trừu tượng được thiết kế năm 2010, tồn tại trong lõi sản phẩm của một công ty suốt 15 năm, vừa thúc đẩy vừa kiềm hãm toàn bộ thế giới của nó. Đó là thực tế Patrick Collison mô tả khi Stripe thực hiện quá trình “di cư tập lệnh” kéo dài nhiều năm sang API V2 — một quá trình mà ông nhận ra ít liên quan đến thiết kế cái mới mà tập trung nhiều hơn vào sự phức tạp đau đầu khi buộc nó cùng tồn tại với hệ thống cũ. Cuộc trò chuyện với CEO của Cursor, Michael Truel, trải dài từ những quyết định kỹ thuật nền tảng này đến nghệ thuật đã thất truyền của môi trường phát triển tích hợp thực sự, và tiềm năng non trẻ của AI nhằm thay đổi không chỉ cách chúng ta viết mã mà cả diện mạo của lập trình.
Tình cảm sâu sắc của Collison dành cho môi trường phát triển tương tác, được hun đúc từ công việc ban đầu với Lisp và Smalltalk, tạo thành một mạch chính. Ông hoài niệm về sức mạnh của những hệ thống đó, nơi ông có thể sửa lỗi giữa lúc xử lý yêu cầu, chỉnh sửa biến số trong khung ngăn xếp và tiếp tục thực thi — một vòng lặp phản hồi tính bằng giây chứ không phải giờ. Ông tiếc nuối rằng phát triển chủ lưu đã phần lớn từ bỏ sự tích hợp giữa chỉnh sửa, thời gian chạy và kiểm tra này, và nhìn thấy cơ hội cho các công cụ hiện đại, được tăng cường bởi AI, để lấy lại điều đó. Ông hình dung một IDE nơi việc di chuột qua mã lệnh hiển thị dữ liệu phân tích trực tiếp hoặc các giá trị sản xuất phổ biến của một biến, hợp nhất sâu sắc mã tĩnh với hệ thống động mà nó tạo ra.
Cuộc thảo luận sau đó mở rộng sang trọng lượng tổ chức và chiến lược của những lựa chọn kỹ thuật ban đầu. Collison tiết lộ rằng các quyết định nền tảng của Stripe về việc sử dụng Ruby và MongoDB — được hai nhà sáng lập đưa ra khá tùy tiện trên ghế sofa — đã tạo ra một di sản mà hàng trăm kỹ sư vẫn đang sống chung cho đến ngày nay. Ông vẽ ra một sự so sánh mạnh mẽ với thành công của iOS so với Android, lập luận rằng thiết kế API và khung công tác vượt trội ban đầu của Apple đã có những tác động kinh doanh dài hạn đáng kể bằng cách thu hút nhiều nhà phát triển hơn và tốt hơn. Điều này dẫn đến niềm tin của ông rằng đầu tư thời gian không cân đối vào thiết kế API và mô hình dữ liệu là một trong những hoạt động có đòn bẩy cao nhất mà một công ty công nghệ có thể thực hiện, vì những sự trừu tượng này định hình không chỉ phần mềm mà còn cả tổ chức và chiến lược.
Cuối cùng, Collison khám phá biên giới của AI trong cả lập trình và sinh học. Ông suy đoán rằng phát triển được hỗ trợ bởi AI có thể làm thay đổi chính các ngôn ngữ lập trình, khiến chúng ít chính thức hơn và tập trung hơn vào việc khai báo ý định. Ông đặc biệt hào hứng về một “kiểu vòng lặp Turing mới” trong sinh học, nơi những tiến bộ trong đọc (giải trình tự), suy nghĩ (mô hình AI) và viết (CRISPR) dữ liệu tế bào có thể tạo thành một hệ thống lập trình hoàn chỉnh để giải quyết các bệnh phức tạp. Xuyên suốt, ông duy trì một quan điểm cân nhắc về tác động kinh tế ngắn hạn của AI, lưu ý đến sự thiếu vắng đáng ngạc nhiên của sự tăng vọt năng suất rõ ràng trong dữ liệu kinh tế vĩ mô và cảnh báo không nên cho rằng sẽ có sự cất cánh theo cấp số nhân tự động.
### Những Thấu Hiểu Bất Ngờ
– **Tuyển dụng cho một ngôn ngữ không phổ biến (Smalltalk) không phải là rào cản như thường nghĩ;** Collison nhận thấy các nhà phát triển thông minh học nó rất nhanh, và lựa chọn ngôn ngữ không phải là lý do khiến startup đầu tiên của ông thất bại.
– **Thiết kế API vượt trội có thể là một hào cạnh tranh quyết định với tác động kinh doanh lớn,** như được minh họa qua phân tích của ông rằng sự vượt trội ban đầu của khung công tác iOS so với Android đã dẫn đến một hệ sinh thái ứng dụng sống động và chất lượng cao hơn trong nhiều năm.
– **Phần khó khăn nhất của việc di cư API lớn không phải là thiết kế hệ thống mới,** mà là xây dựng các lớp dịch và quản lý sự cùng tồn tại với hệ sinh thái hiện có khổng lồ; ông so sánh nó với việc di cư tập lệnh CPU.
– **Bất chấp sự cường điệu, dữ liệu kinh tế vĩ mô cho thấy sự vắng bóng đáng chú ý của một làn sóng tăng năng suất do AI dẫn đầu,** một điểm Collison nêu bật bằng cách tham chiếu một nghiên cứu gần đây và các dự báo tăng trưởng thận trọng từ chính các công ty AI.
– **Collison, đồng sáng lập tổ chức nghiên cứu y sinh ARC, khung hóa cuộc chiến của nhân loại với các bệnh phức tạp (như nhiều bệnh ung thư hoặc thoái hóa thần kinh) như một sự thất bại của “công nghệ nhận thức luận”** — một vấn đề mà ông tin rằng các chu kỳ công cụ đọc-suy nghĩ-viết mới ở cấp độ tế bào cuối cùng có thể giải quyết.
### Bài Học Thực Tiễn
– **Ưu tiên thống nhất các mô hình trừu tượng từ sớm.** Khi thiết kế hệ thống, thiên về việc tạo ra một biểu diễn thực thể linh hoạt duy nhất (như “Tài khoản” V2 của Stripe) thay vì nhiều thực thể chuyên biệt, vì độ phức tạp tổ hợp của cái sau chắc chắn sẽ trở thành một ràng buộc.
– **Coi các quyết định nền tảng về API và mô hình dữ liệu như những khoản đầu tư chiến lược định hình công ty,** không chỉ là chi tiết triển khai. Tính lâu dài và ảnh hưởng của chúng lên cấu trúc tổ chức (qua Định luật Conway) và khả năng kinh doanh sẽ vượt xa chi phí thời gian ban đầu.
– **Khi lên kế hoạch di cư nền tảng lớn, hãy mô hình hóa nó như một “cuộc di cư tập lệnh” ngay từ đầu.** Dành phần lớn kế hoạch và nguồn lực cho các lớp tương thích, triển khai theo giai đoạn và đường nâng cấp khách hàng, không chỉ cho thiết kế từ đầu.
– **Khám phá các công cụ phát triển phá vỡ bức tường giữa mã và thời gian chạy.** Tìm kiếm hoặc ủng hộ các tính năng IDE tích hợp dữ liệu hệ thống trực tiếp (nhật ký, số liệu, trạng thái biến phổ biến) vào giao diện chỉnh sửa để rút ngắn đáng kể vòng lặp gỡ lỗi và hiểu mã.
– **Sử dụng AI cho khám phá và tái cấu trúc, không chỉ sinh mã.** Tận dụng các mô hình ngôn ngữ lớn để trả lời câu hỏi thực tế trong nghiên cứu hoặc đọc hiểu, và ưu tiên các công cụ AI có thể giúp làm đẹp, tái cấu trúc và duy trì tính toàn vẹn kiến trúc trong các cơ sở mã lớn, lâu năm để giảm “trọng lượng” của chúng.
Tình cảm sâu sắc của Collison dành cho môi trường phát triển tương tác, được hun đúc từ công việc ban đầu với Lisp và Smalltalk, tạo thành một mạch chính. Ông hoài niệm về sức mạnh của những hệ thống đó, nơi ông có thể sửa lỗi giữa lúc xử lý yêu cầu, chỉnh sửa biến số trong khung ngăn xếp và tiếp tục thực thi — một vòng lặp phản hồi tính bằng giây chứ không phải giờ. Ông tiếc nuối rằng phát triển chủ lưu đã phần lớn từ bỏ sự tích hợp giữa chỉnh sửa, thời gian chạy và kiểm tra này, và nhìn thấy cơ hội cho các công cụ hiện đại, được tăng cường bởi AI, để lấy lại điều đó. Ông hình dung một IDE nơi việc di chuột qua mã lệnh hiển thị dữ liệu phân tích trực tiếp hoặc các giá trị sản xuất phổ biến của một biến, hợp nhất sâu sắc mã tĩnh với hệ thống động mà nó tạo ra.
Cuộc thảo luận sau đó mở rộng sang trọng lượng tổ chức và chiến lược của những lựa chọn kỹ thuật ban đầu. Collison tiết lộ rằng các quyết định nền tảng của Stripe về việc sử dụng Ruby và MongoDB — được hai nhà sáng lập đưa ra khá tùy tiện trên ghế sofa — đã tạo ra một di sản mà hàng trăm kỹ sư vẫn đang sống chung cho đến ngày nay. Ông vẽ ra một sự so sánh mạnh mẽ với thành công của iOS so với Android, lập luận rằng thiết kế API và khung công tác vượt trội ban đầu của Apple đã có những tác động kinh doanh dài hạn đáng kể bằng cách thu hút nhiều nhà phát triển hơn và tốt hơn. Điều này dẫn đến niềm tin của ông rằng đầu tư thời gian không cân đối vào thiết kế API và mô hình dữ liệu là một trong những hoạt động có đòn bẩy cao nhất mà một công ty công nghệ có thể thực hiện, vì những sự trừu tượng này định hình không chỉ phần mềm mà còn cả tổ chức và chiến lược.
Cuối cùng, Collison khám phá biên giới của AI trong cả lập trình và sinh học. Ông suy đoán rằng phát triển được hỗ trợ bởi AI có thể làm thay đổi chính các ngôn ngữ lập trình, khiến chúng ít chính thức hơn và tập trung hơn vào việc khai báo ý định. Ông đặc biệt hào hứng về một “kiểu vòng lặp Turing mới” trong sinh học, nơi những tiến bộ trong đọc (giải trình tự), suy nghĩ (mô hình AI) và viết (CRISPR) dữ liệu tế bào có thể tạo thành một hệ thống lập trình hoàn chỉnh để giải quyết các bệnh phức tạp. Xuyên suốt, ông duy trì một quan điểm cân nhắc về tác động kinh tế ngắn hạn của AI, lưu ý đến sự thiếu vắng đáng ngạc nhiên của sự tăng vọt năng suất rõ ràng trong dữ liệu kinh tế vĩ mô và cảnh báo không nên cho rằng sẽ có sự cất cánh theo cấp số nhân tự động.
### Những Thấu Hiểu Bất Ngờ
– **Tuyển dụng cho một ngôn ngữ không phổ biến (Smalltalk) không phải là rào cản như thường nghĩ;** Collison nhận thấy các nhà phát triển thông minh học nó rất nhanh, và lựa chọn ngôn ngữ không phải là lý do khiến startup đầu tiên của ông thất bại.
– **Thiết kế API vượt trội có thể là một hào cạnh tranh quyết định với tác động kinh doanh lớn,** như được minh họa qua phân tích của ông rằng sự vượt trội ban đầu của khung công tác iOS so với Android đã dẫn đến một hệ sinh thái ứng dụng sống động và chất lượng cao hơn trong nhiều năm.
– **Phần khó khăn nhất của việc di cư API lớn không phải là thiết kế hệ thống mới,** mà là xây dựng các lớp dịch và quản lý sự cùng tồn tại với hệ sinh thái hiện có khổng lồ; ông so sánh nó với việc di cư tập lệnh CPU.
– **Bất chấp sự cường điệu, dữ liệu kinh tế vĩ mô cho thấy sự vắng bóng đáng chú ý của một làn sóng tăng năng suất do AI dẫn đầu,** một điểm Collison nêu bật bằng cách tham chiếu một nghiên cứu gần đây và các dự báo tăng trưởng thận trọng từ chính các công ty AI.
– **Collison, đồng sáng lập tổ chức nghiên cứu y sinh ARC, khung hóa cuộc chiến của nhân loại với các bệnh phức tạp (như nhiều bệnh ung thư hoặc thoái hóa thần kinh) như một sự thất bại của “công nghệ nhận thức luận”** — một vấn đề mà ông tin rằng các chu kỳ công cụ đọc-suy nghĩ-viết mới ở cấp độ tế bào cuối cùng có thể giải quyết.
### Bài Học Thực Tiễn
– **Ưu tiên thống nhất các mô hình trừu tượng từ sớm.** Khi thiết kế hệ thống, thiên về việc tạo ra một biểu diễn thực thể linh hoạt duy nhất (như “Tài khoản” V2 của Stripe) thay vì nhiều thực thể chuyên biệt, vì độ phức tạp tổ hợp của cái sau chắc chắn sẽ trở thành một ràng buộc.
– **Coi các quyết định nền tảng về API và mô hình dữ liệu như những khoản đầu tư chiến lược định hình công ty,** không chỉ là chi tiết triển khai. Tính lâu dài và ảnh hưởng của chúng lên cấu trúc tổ chức (qua Định luật Conway) và khả năng kinh doanh sẽ vượt xa chi phí thời gian ban đầu.
– **Khi lên kế hoạch di cư nền tảng lớn, hãy mô hình hóa nó như một “cuộc di cư tập lệnh” ngay từ đầu.** Dành phần lớn kế hoạch và nguồn lực cho các lớp tương thích, triển khai theo giai đoạn và đường nâng cấp khách hàng, không chỉ cho thiết kế từ đầu.
– **Khám phá các công cụ phát triển phá vỡ bức tường giữa mã và thời gian chạy.** Tìm kiếm hoặc ủng hộ các tính năng IDE tích hợp dữ liệu hệ thống trực tiếp (nhật ký, số liệu, trạng thái biến phổ biến) vào giao diện chỉnh sửa để rút ngắn đáng kể vòng lặp gỡ lỗi và hiểu mã.
– **Sử dụng AI cho khám phá và tái cấu trúc, không chỉ sinh mã.** Tận dụng các mô hình ngôn ngữ lớn để trả lời câu hỏi thực tế trong nghiên cứu hoặc đọc hiểu, và ưu tiên các công cụ AI có thể giúp làm đẹp, tái cấu trúc và duy trì tính toàn vẹn kiến trúc trong các cơ sở mã lớn, lâu năm để giảm “trọng lượng” của chúng.
設想一套設計於2010年的API抽象層，十五年來穩居一家公司產品的核心，既支撐其整個世界，同時也制約著它。這正是Patrick Collison描述的現實——隨著Stripe啟動為期多年的V2 API「指令集遷移」，他發現這項過程與其說是設計新架構，不如說是苦於處理新舊系統共存的棘手複雜性。本次與Cursor執行長Michael Truel的對話，從這些基礎且影響深遠的技術決策出發，延伸探討真正整合式開發環境的失落藝術，以及AI不僅可能改變寫程式的方式，甚至重塑程式設計面貌的新興潛力。
Collison對互動式開發環境的深厚情感是一條核心脈絡，這源自他早期使用Lisp與Smalltalk的經歷。他回憶那些系統的強大之處：能在請求過程中修復錯誤、在堆疊框架中編輯變數，然後繼續執行——整個反饋迴路僅需數秒而非數小時。他感嘆主流開發環境已大幅拋棄這種編輯、執行與檢視的整合，並認為現代工具在AI加持下，有望重新實現此理想。他構想一種IDE：當游標懸停在程式碼上時，能即時顯示性能剖析資料或變數的常見生產環境值，從而將靜態程式碼與其創造的動態系統深度融合。
對話隨後放大至早期技術抉擇對組織與策略的深遠影響。Collison透露，Stripe當年選擇Ruby與MongoDB的基礎決策——僅由兩位創辦人在沙發上隨意敲定——造就了數百名工程師至今仍須面對的技術負債。他以此對比iOS與Android的成功差異，指出Apple早期更優異的API與框架設計，因吸引更多優秀開發者而產生長遠的商業影響。這強化了他的信念：投入超比例時間於API與資料模型設計，是科技公司最具槓桿效益的活動之一，因為這些抽象層不僅形塑軟體，更決定了組織與策略的樣貌。
最後，Collison探討了AI在程式設計與生物學領域的前沿發展。他推測AI輔助開發可能促使程式語言本身演化，使其變得更不形式化、更側重於宣告意圖。他尤其對生物學中「新型圖靈迴路」感到振奮：當讀取（定序）、思考（AI模型）與改寫（CRISPR）細胞資料的技術同步突破，將形成一套完整的可程式化系統，用以對抗複雜疾病。貫穿全場，他對AI的短期經濟影響保持審慎觀點，指出宏觀經濟數據中尚未出現明確的生產力躍升跡象，並警示勿假定技術會自動呈指數級爆發。
意外洞見
- 採用非主流語言（Smalltalk）招聘並非想像中困難：Collison發現優秀開發者能快速掌握，且語言選擇並非其首次創業失敗的主因。
- 卓越的API設計可成為決定性競爭護城河，他分析iOS因早期框架優於Android，多年來孕育出更活躍、高品質的應用生態系統，足見其巨大的商業影響力。
- 重大API遷移最困難之處不在設計新系統，而是建置轉譯層並管理與龐大既有生態系的共存——他比喻此過程如同CPU指令集遷移。
- 儘管話題火熱，宏觀數據卻未顯現AI驅動的生產力爆發，Collison引用近期研究與AI公司內部的謹慎成長預期，凸顯此矛盾現象。
- Collison作為生物醫學研究組織ARC的共同創辦人，將人類對抗複雜疾病（如多數癌症或神經退化性疾病）的困境，歸因於「認知技術」的失效——他相信透過細胞層級「讀取—思考—寫入」工具的新循環，終能解決此難題。
實務啟示
- 及早優先建立統一抽象層：設計系統時，應傾向建立單一彈性的實體表示（如Stripe V2的「帳戶」模型），而非多個特化版本，因後者的組合複雜性終將成為限制。
- 將基礎API與資料模型決策視為形塑公司的戰略投資，而非僅是實作細節。其持久性及對組織結構（透過康威定律）與商業能力的影響，將遠超過初期投入的時間成本。
- 規劃重大平台遷移時，應從初始即模擬「指令集遷移」情境：將大部分規劃與資源投入相容層、分階段部署及客戶升級路徑，而非僅聚焦於綠地開發設計。
- 探索能打破程式碼與執行環境壁壘的開發工具：積極尋求或倡議能將即時系統資料（日誌、指標、常見變數狀態）直接整合至編輯介面的IDE功能，以大幅縮短除錯與理解的迴圈。
- 將AI用於探索與重構，而非僅限生成程式碼：善用LLMs在研究或閱讀時回答事實性問題，並優先採用能協助美化、重構及維護大型陳年代碼庫架構完整性的AI工具，以減輕其「技術負擔」。
Imagina un conjunto de abstracciones de API diseñadas en 2010, que han estado en el núcleo del producto de una empresa durante 15 años, permitiendo y limitando simultáneamente todo su mundo. Esa es la realidad que describe Patrick Collison mientras Stripe emprende una “migración de conjunto de instrucciones” de varios años hacia sus APIs V2—un proceso que encontró que se trataba menos de diseñar lo nuevo y más de la agonizante complejidad de hacerlo coexistir con lo antiguo. Esta conversación con el CEO de Cursor, Michael Truel, abarca desde estas decisiones técnicas fundacionales y de larga duración hasta el arte perdido de los entornos de desarrollo verdaderamente integrados, y el potencial incipiente de la IA para cambiar no solo cómo escribimos código, sino incluso cómo se ve la programación.
La profunda afinidad de Collison por los entornos de desarrollo interactivos, forjada en sus primeros trabajos con Lisp y Smalltalk, forma un hilo central. Rememora el poder de esos sistemas, donde podía corregir un error en medio de una solicitud, editar una variable en un marco de pila y reanudar la ejecución—un ciclo de retroalimentación medido en segundos, no en horas. Se lamenta de que el desarrollo convencional haya abandonado en gran medida esta integración de edición, ejecución e inspección, y ve una oportunidad para que las herramientas modernas, potenciadas por la IA, la recuperen. Imagina un IDE donde pasar el cursor sobre el código revele datos de perfilado en vivo o valores de producción comunes para una variable, fusionando profundamente el código estático con el sistema dinámico que crea.
La discusión luego se amplía al peso organizacional y estratégico de las decisiones técnicas iniciales. Collison revela que las decisiones fundacionales de Stripe de usar Ruby y MongoDB—tomadas con cierta informalidad por dos fundadores en un sofá—crearon un legado con el que cientos de ingenieros aún conviven hoy. Establece un poderoso paralelismo con el éxito de iOS frente a Android, argumentando que el diseño superior inicial de las APIs y frameworks de Apple tuvo repercusiones comerciales significativas y a largo plazo al atraer a más y mejores desarrolladores. Esto lo lleva a su convicción de que invertir un tiempo desproporcionado en el diseño de APIs y modelos de datos es una de las actividades de mayor apalancamiento que una empresa tecnológica puede emprender, ya que estas abstracciones dan forma no solo al software, sino a la organización y la estrategia misma.
Finalmente, Collison explora la frontera de la IA tanto en programación como en biología. Especula que el desarrollo asistido por IA podría hacer evolucionar los propios lenguajes de programación, haciéndolos menos formales y más centrados en declarar la intención. Está particularmente entusiasmado con un “nuevo tipo de ciclo de Turing” en biología, donde los avances en la lectura (secuenciación), el pensamiento (modelos de IA) y la escritura (CRISPR) de datos celulares podrían formar un sistema completo y programable para abordar enfermedades complejas. En todo momento, mantiene una perspectiva mesurada sobre el impacto económico a corto plazo de la IA, señalando la sorprendente falta de picos claros de productividad en los datos macroeconómicos y advirtiendo contra la suposición de un despegue automático y exponencial.
### Perspectivas Sorprendentes
* **Contratar para un lenguaje no convencional (Smalltalk) no fue el obstáculo que a menudo se supone;** Collison descubrió que los desarrolladores inteligentes lo aprendían rápidamente, y la elección del lenguaje no fue la razón por la que su primera startup fracasó.
* **Un diseño superior de API puede ser un foso competitivo decisivo con enormes repercusiones comerciales,** como ilustra su análisis de que la superioridad inicial de los frameworks de iOS sobre los de Android condujo durante años a un ecosistema de aplicaciones más vibrante y de mayor calidad.
* **La parte más difícil de una gran migración de API no es diseñar el nuevo sistema,** sino construir las capas de traducción y gestionar la coexistencia con el inmenso ecosistema existente; lo compara con una migración del conjunto de instrucciones de una CPU.
* **A pesar del bombo publicitario, hay una notable ausencia de un auge de productividad impulsado por la IA en los datos macroeconómicos,** un punto que Collison destaca haciendo referencia a un estudio reciente y a las proyecciones de crecimiento cautelosas provenientes de las mismas empresas de IA.
* **Collison, cofundador de la organización de investigación biomédica ARC, enmarca la lucha de la humanidad contra enfermedades complejas (como muchos cánceres o afecciones neurodegenerativas) como un fracaso de la “tecnología epistémica”**—un problema que cree que nuevos ciclos de herramientas de lectura-pensamiento-escritura a nivel celular podrían finalmente resolver.
### Conclusiones Prácticas
* **Prioriza las abstracciones unificadoras desde el principio.** Al diseñar sistemas, inclínate por crear una única representación de entidad flexible (como la “Cuenta” V2 de Stripe) en lugar de múltiples especializadas, ya que la complejidad combinatoria de estas últimas inevitablemente se convertirá en una limitación.
* **Trata las decisiones fundacionales sobre APIs y modelos de datos como inversiones estratégicas que dan forma a la empresa,** no solo como detalles de implementación. Su longevidad e influencia en la estructura organizativa (a través de la Ley de Conway) y las capacidades comerciales superarán con creces el costo inicial de tiempo.
* **Al planificar una migración importante de plataforma, modelala desde el principio como una “migración de conjunto de instrucciones”.** Dedica la mayor parte de la planificación y los recursos a las capas de compatibilidad, los despliegues por fases y las rutas de actualización del cliente, no solo al diseño desde cero.
* **Explora herramientas de desarrollo que derriben la pared entre el código y el entorno de ejecución.** Busca o aboga por funciones del IDE que integren datos del sistema en vivo (registros, métricas, estados comunes de variables) directamente en la interfaz de edición para acortar drásticamente el ciclo de depuración y comprensión.
* **Usa la IA para exploración y refactorización, no solo para generación.** Aprovecha los LLM para responder preguntas fácticas durante la investigación o la lectura, y prioriza las herramientas de IA que puedan ayudar a embellecer, refactorizar y mantener la integridad arquitectónica en bases de código grandes y envejecidas para reducir su “peso”.
La profunda afinidad de Collison por los entornos de desarrollo interactivos, forjada en sus primeros trabajos con Lisp y Smalltalk, forma un hilo central. Rememora el poder de esos sistemas, donde podía corregir un error en medio de una solicitud, editar una variable en un marco de pila y reanudar la ejecución—un ciclo de retroalimentación medido en segundos, no en horas. Se lamenta de que el desarrollo convencional haya abandonado en gran medida esta integración de edición, ejecución e inspección, y ve una oportunidad para que las herramientas modernas, potenciadas por la IA, la recuperen. Imagina un IDE donde pasar el cursor sobre el código revele datos de perfilado en vivo o valores de producción comunes para una variable, fusionando profundamente el código estático con el sistema dinámico que crea.
La discusión luego se amplía al peso organizacional y estratégico de las decisiones técnicas iniciales. Collison revela que las decisiones fundacionales de Stripe de usar Ruby y MongoDB—tomadas con cierta informalidad por dos fundadores en un sofá—crearon un legado con el que cientos de ingenieros aún conviven hoy. Establece un poderoso paralelismo con el éxito de iOS frente a Android, argumentando que el diseño superior inicial de las APIs y frameworks de Apple tuvo repercusiones comerciales significativas y a largo plazo al atraer a más y mejores desarrolladores. Esto lo lleva a su convicción de que invertir un tiempo desproporcionado en el diseño de APIs y modelos de datos es una de las actividades de mayor apalancamiento que una empresa tecnológica puede emprender, ya que estas abstracciones dan forma no solo al software, sino a la organización y la estrategia misma.
Finalmente, Collison explora la frontera de la IA tanto en programación como en biología. Especula que el desarrollo asistido por IA podría hacer evolucionar los propios lenguajes de programación, haciéndolos menos formales y más centrados en declarar la intención. Está particularmente entusiasmado con un “nuevo tipo de ciclo de Turing” en biología, donde los avances en la lectura (secuenciación), el pensamiento (modelos de IA) y la escritura (CRISPR) de datos celulares podrían formar un sistema completo y programable para abordar enfermedades complejas. En todo momento, mantiene una perspectiva mesurada sobre el impacto económico a corto plazo de la IA, señalando la sorprendente falta de picos claros de productividad en los datos macroeconómicos y advirtiendo contra la suposición de un despegue automático y exponencial.
### Perspectivas Sorprendentes
* **Contratar para un lenguaje no convencional (Smalltalk) no fue el obstáculo que a menudo se supone;** Collison descubrió que los desarrolladores inteligentes lo aprendían rápidamente, y la elección del lenguaje no fue la razón por la que su primera startup fracasó.
* **Un diseño superior de API puede ser un foso competitivo decisivo con enormes repercusiones comerciales,** como ilustra su análisis de que la superioridad inicial de los frameworks de iOS sobre los de Android condujo durante años a un ecosistema de aplicaciones más vibrante y de mayor calidad.
* **La parte más difícil de una gran migración de API no es diseñar el nuevo sistema,** sino construir las capas de traducción y gestionar la coexistencia con el inmenso ecosistema existente; lo compara con una migración del conjunto de instrucciones de una CPU.
* **A pesar del bombo publicitario, hay una notable ausencia de un auge de productividad impulsado por la IA en los datos macroeconómicos,** un punto que Collison destaca haciendo referencia a un estudio reciente y a las proyecciones de crecimiento cautelosas provenientes de las mismas empresas de IA.
* **Collison, cofundador de la organización de investigación biomédica ARC, enmarca la lucha de la humanidad contra enfermedades complejas (como muchos cánceres o afecciones neurodegenerativas) como un fracaso de la “tecnología epistémica”**—un problema que cree que nuevos ciclos de herramientas de lectura-pensamiento-escritura a nivel celular podrían finalmente resolver.
### Conclusiones Prácticas
* **Prioriza las abstracciones unificadoras desde el principio.** Al diseñar sistemas, inclínate por crear una única representación de entidad flexible (como la “Cuenta” V2 de Stripe) en lugar de múltiples especializadas, ya que la complejidad combinatoria de estas últimas inevitablemente se convertirá en una limitación.
* **Trata las decisiones fundacionales sobre APIs y modelos de datos como inversiones estratégicas que dan forma a la empresa,** no solo como detalles de implementación. Su longevidad e influencia en la estructura organizativa (a través de la Ley de Conway) y las capacidades comerciales superarán con creces el costo inicial de tiempo.
* **Al planificar una migración importante de plataforma, modelala desde el principio como una “migración de conjunto de instrucciones”.** Dedica la mayor parte de la planificación y los recursos a las capas de compatibilidad, los despliegues por fases y las rutas de actualización del cliente, no solo al diseño desde cero.
* **Explora herramientas de desarrollo que derriben la pared entre el código y el entorno de ejecución.** Busca o aboga por funciones del IDE que integren datos del sistema en vivo (registros, métricas, estados comunes de variables) directamente en la interfaz de edición para acortar drásticamente el ciclo de depuración y comprensión.
* **Usa la IA para exploración y refactorización, no solo para generación.** Aprovecha los LLM para responder preguntas fácticas durante la investigación o la lectura, y prioriza las herramientas de IA que puedan ayudar a embellecer, refactorizar y mantener la integridad arquitectónica en bases de código grandes y envejecidas para reducir su “peso”.
Imagine um conjunto de abstrações de API concebidas em 2010, que permanece no cerne do produto de uma empresa há 15 anos, simultaneamente impulsionando e restringindo todo o seu mundo. Essa é a realidade descrita por Patrick Collison enquanto a Stripe empreende uma “migração do conjunto de instruções” de vários anos para suas APIs V2 — um processo que ele descobriu ser menos sobre projetar o novo e mais sobre a complexidade angustiante de fazê-lo coexistir com o antigo. Esta conversa com o CEO da Cursor, Michael Truel, abrange desde essas decisões técnicas fundamentais e de longa duração até a arte perdida de ambientes de desenvolvimento verdadeiramente integrados, e o potencial emergente da IA para mudar não apenas como escrevemos código, mas também a própria aparência da programação.
A profunda afinidade de Collison por ambientes de desenvolvimento interativos, forjada em seus primeiros trabalhos com Lisp e Smalltalk, forma um fio condutor central. Ele relembra o poder desses sistemas, onde podia corrigir um bug no meio de uma requisição, editar uma variável em um frame da pilha e retomar a execução — um ciclo de feedback medido em segundos, não em horas. Ele lamenta que o desenvolvimento convencional tenha abandonado em grande parte essa integração entre edição, tempo de execução e inspeção, e vê uma oportunidade para que ferramentas modernas, potencializadas pela IA, recuperem essa integração. Ele imagina uma IDE onde passar o mouse sobre o código revele dados de *profiling* em tempo real ou valores de produção comuns para uma variável, mesclando profundamente o código estático com o sistema dinâmico que ele cria.
A discussão então se amplia para o peso organizacional e estratégico das primeiras escolhas técnicas. Collison revela que as decisões fundamentais da Stripe de usar Ruby e MongoDB — tomadas de forma um tanto casual por dois fundadores em um sofá — criaram um legado com o qual centenas de engenheiros ainda convivem hoje. Ele traça um paralelo poderoso com o sucesso do iOS versus o Android, argumentando que o design superior inicial das APIs e *frameworks* da Apple teve repercussões comerciais significativas e de longo prazo ao atrair mais e melhores desenvolvedores. Isso leva à sua convicção de que investir um tempo desproporcional no design de APIs e modelos de dados é uma das atividades de maior alavancagem que uma empresa de tecnologia pode realizar, pois essas abstrações moldam não apenas o software, mas a própria organização e estratégia.
Finalmente, Collison explora a fronteira da IA tanto na programação quanto na biologia. Ele especula que o desenvolvimento auxiliado por IA pode evoluir as próprias linguagens de programação, tornando-as menos formais e mais focadas em declarar intenções. Ele está particularmente entusiasmado com um “novo tipo de ciclo de Turing” na biologia, onde avanços na leitura (sequenciamento), pensamento (modelos de IA) e escrita (CRISPR) de dados celulares poderiam formar um sistema completo e programável para enfrentar doenças complexas. Ao longo de tudo, ele mantém uma perspectiva ponderada sobre o impacto econômico de curto prazo da IA, observando a surpreendente falta de picos claros de produtividade nos dados macroeconômicos e alertando contra a suposição de uma decolagem exponencial automática.
### Insights Surpreendentes
* **Contratar para uma linguagem não convencional (Smalltalk) não foi o obstáculo que se imagina;** Collison descobriu que desenvolvedores inteligentes a aprendiam rapidamente, e a escolha da linguagem não foi a razão pela qual sua primeira *startup* fracassou.
* **Um design superior de API pode ser um fosso competitivo decisivo com enormes repercussões comerciais,** conforme ilustrado por sua análise de que a superioridade inicial do *framework* do iOS sobre o do Android resultou em um ecossistema de aplicativos mais vibrante e de maior qualidade por anos.
* **A parte mais difícil de uma grande migração de API não é projetar o novo sistema,** mas construir as camadas de tradução e gerenciar a coexistência com o imenso ecossistema existente; ele a compara a uma migração do conjunto de instruções de uma CPU.
* **Apesar do entusiasmo, há uma ausência notável de um *boom* de produtividade impulsionado pela IA nos dados macroeconômicos,** um ponto destacado por Collison ao fazer referência a um estudo recente e às projeções de crescimento cautelosas vindas das próprias empresas de IA.
* **Collison, cofundador da organização de pesquisa biomédica ARC, enquadra a luta da humanidade contra doenças complexas (como muitos cânceres ou condições neurodegenerativas) como uma falha da “tecnologia epistêmica”** — um problema que ele acredita que novos ciclos de ferramentas de leitura-pensamento-escrita em nível celular poderiam finalmente resolver.
### Lições Práticas
* **Priorize abstrações unificadoras desde cedo.** Ao projetar sistemas, tenda a criar uma única representação de entidade flexível (como a “Account” da V2 da Stripe) em vez de múltiplas especializadas, pois a complexidade combinatória desta última inevitavelmente se tornará uma limitação.
* **Trate decisões fundamentais sobre API e modelo de dados como investimentos estratégicos que moldam a empresa,** não apenas como detalhes de implementação. Sua longevidade e influência na estrutura organizacional (via Lei de Conway) e nas capacidades comerciais superarão em muito o custo de tempo inicial.
* **Ao planejar uma grande migração de plataforma, modele-a desde o início como uma “migração do conjunto de instruções”.** Dedique a maior parte do planejamento e dos recursos a camadas de compatibilidade, lançamentos em fases e caminhos de atualização do cliente, não apenas ao design do novo sistema (*greenfield*).
* **Explore ferramentas de desenvolvimento que derrubem a parede entre código e tempo de execução.** Busque ou defenda recursos de IDE que integrem dados do sistema em tempo real (logs, métricas, estados comuns de variáveis) diretamente na interface de edição para encurtar drasticamente o ciclo de depuração e compreensão.
* **Use a IA para exploração e refatoração, não apenas para geração.** Utilize LLMs para responder perguntas factuais durante pesquisas ou leituras, e priorize ferramentas de IA que possam ajudar a embelezar, refatorar e manter a integridade arquitetônica em grandes bases de código antigas para reduzir seu “peso”.
A profunda afinidade de Collison por ambientes de desenvolvimento interativos, forjada em seus primeiros trabalhos com Lisp e Smalltalk, forma um fio condutor central. Ele relembra o poder desses sistemas, onde podia corrigir um bug no meio de uma requisição, editar uma variável em um frame da pilha e retomar a execução — um ciclo de feedback medido em segundos, não em horas. Ele lamenta que o desenvolvimento convencional tenha abandonado em grande parte essa integração entre edição, tempo de execução e inspeção, e vê uma oportunidade para que ferramentas modernas, potencializadas pela IA, recuperem essa integração. Ele imagina uma IDE onde passar o mouse sobre o código revele dados de *profiling* em tempo real ou valores de produção comuns para uma variável, mesclando profundamente o código estático com o sistema dinâmico que ele cria.
A discussão então se amplia para o peso organizacional e estratégico das primeiras escolhas técnicas. Collison revela que as decisões fundamentais da Stripe de usar Ruby e MongoDB — tomadas de forma um tanto casual por dois fundadores em um sofá — criaram um legado com o qual centenas de engenheiros ainda convivem hoje. Ele traça um paralelo poderoso com o sucesso do iOS versus o Android, argumentando que o design superior inicial das APIs e *frameworks* da Apple teve repercussões comerciais significativas e de longo prazo ao atrair mais e melhores desenvolvedores. Isso leva à sua convicção de que investir um tempo desproporcional no design de APIs e modelos de dados é uma das atividades de maior alavancagem que uma empresa de tecnologia pode realizar, pois essas abstrações moldam não apenas o software, mas a própria organização e estratégia.
Finalmente, Collison explora a fronteira da IA tanto na programação quanto na biologia. Ele especula que o desenvolvimento auxiliado por IA pode evoluir as próprias linguagens de programação, tornando-as menos formais e mais focadas em declarar intenções. Ele está particularmente entusiasmado com um “novo tipo de ciclo de Turing” na biologia, onde avanços na leitura (sequenciamento), pensamento (modelos de IA) e escrita (CRISPR) de dados celulares poderiam formar um sistema completo e programável para enfrentar doenças complexas. Ao longo de tudo, ele mantém uma perspectiva ponderada sobre o impacto econômico de curto prazo da IA, observando a surpreendente falta de picos claros de produtividade nos dados macroeconômicos e alertando contra a suposição de uma decolagem exponencial automática.
### Insights Surpreendentes
* **Contratar para uma linguagem não convencional (Smalltalk) não foi o obstáculo que se imagina;** Collison descobriu que desenvolvedores inteligentes a aprendiam rapidamente, e a escolha da linguagem não foi a razão pela qual sua primeira *startup* fracassou.
* **Um design superior de API pode ser um fosso competitivo decisivo com enormes repercussões comerciais,** conforme ilustrado por sua análise de que a superioridade inicial do *framework* do iOS sobre o do Android resultou em um ecossistema de aplicativos mais vibrante e de maior qualidade por anos.
* **A parte mais difícil de uma grande migração de API não é projetar o novo sistema,** mas construir as camadas de tradução e gerenciar a coexistência com o imenso ecossistema existente; ele a compara a uma migração do conjunto de instruções de uma CPU.
* **Apesar do entusiasmo, há uma ausência notável de um *boom* de produtividade impulsionado pela IA nos dados macroeconômicos,** um ponto destacado por Collison ao fazer referência a um estudo recente e às projeções de crescimento cautelosas vindas das próprias empresas de IA.
* **Collison, cofundador da organização de pesquisa biomédica ARC, enquadra a luta da humanidade contra doenças complexas (como muitos cânceres ou condições neurodegenerativas) como uma falha da “tecnologia epistêmica”** — um problema que ele acredita que novos ciclos de ferramentas de leitura-pensamento-escrita em nível celular poderiam finalmente resolver.
### Lições Práticas
* **Priorize abstrações unificadoras desde cedo.** Ao projetar sistemas, tenda a criar uma única representação de entidade flexível (como a “Account” da V2 da Stripe) em vez de múltiplas especializadas, pois a complexidade combinatória desta última inevitavelmente se tornará uma limitação.
* **Trate decisões fundamentais sobre API e modelo de dados como investimentos estratégicos que moldam a empresa,** não apenas como detalhes de implementação. Sua longevidade e influência na estrutura organizacional (via Lei de Conway) e nas capacidades comerciais superarão em muito o custo de tempo inicial.
* **Ao planejar uma grande migração de plataforma, modele-a desde o início como uma “migração do conjunto de instruções”.** Dedique a maior parte do planejamento e dos recursos a camadas de compatibilidade, lançamentos em fases e caminhos de atualização do cliente, não apenas ao design do novo sistema (*greenfield*).
* **Explore ferramentas de desenvolvimento que derrubem a parede entre código e tempo de execução.** Busque ou defenda recursos de IDE que integrem dados do sistema em tempo real (logs, métricas, estados comuns de variáveis) diretamente na interface de edição para encurtar drasticamente o ciclo de depuração e compreensão.
* **Use a IA para exploração e refatoração, não apenas para geração.** Utilize LLMs para responder perguntas factuais durante pesquisas ou leituras, e priorize ferramentas de IA que possam ajudar a embelezar, refatorar e manter a integridade arquitetônica em grandes bases de código antigas para reduzir seu “peso”.
Michael Truell, CEO of Cursor, sits down with Patrick Collison, CEO of Stripe and an investor in Anysphere, to talk about Collison’s history with Smalltalk and Lisp, the MongoDB and Ruby decisions Stripe still lives with 15 years later, why he’d spend even more time on API design if he could do it over, and whether AI is actually showing up in economic productivity data. This episode originally aired on Cursor’s podcast.
Resources:
Follow Patrick Collison on X: https://twitter.com/patrickc
Follow Michael Truell on X: https://twitter.com/mntruell
Follow Cursor: https://www.youtube.com/@cursor_ai
Stay Updated:
Find a16z on YouTube: YouTube
Find a16z on X
Find a16z on LinkedIn
Listen to the a16z Show on Spotify
Listen to the a16z Show on Apple Podcasts
Follow our host: https://twitter.com/eriktorenberg
Please note that the content here is for informational purposes only; should NOT be taken as legal, business, tax, or investment advice or be used to evaluate any investment or security; and is not directed at any investors or potential investors in any a16z fund. a16z and its affiliates may maintain investments in the companies discussed. For more details please see a16z.com/disclosures.
Hosted by Simplecast, an AdsWizz company. See pcm.adswizz.com for information about our collection and use of personal data for advertising.
Leave a Reply
You must be logged in to post a comment.