a16z Podcast
Summary & Insights
Can you actually be too ambitious in the age of AI? For a long time, the venture capital playbook suggested starting with a narrow “wedge” and scaling slowly. But Anish Acharya, a general partner at a16z, argues that the script has flipped. In a world where intelligence is becoming astonishingly cheap and abundant, the real risk is no longer being too bold—it’s being too small.
The conversation centers on the shift from viewing AI as a mere productivity tool to seeing it as a way to reorganize entire organizations. Acharya introduces the concept of “loops,” where repeatable business functions—from bug fixing in engineering to A/B testing in growth—are handled by AI agents. However, he emphasizes that humans remain essential for “out-of-distribution” thinking. While an AI loop can help a company climb to a local maximum of efficiency, it eventually plateaus; it takes human intuition and judgment to leap to the base of the next, higher hill.
Beyond the boardroom, there is a compelling argument for AI as a tool for human fulfillment rather than just economic output. While much of the current hype focuses on saving time, Acharya suggests the biggest consumer opportunity lies in “spending time” more meaningfully. He envisions a future where AI isn’t just used to build better spreadsheets, but to solve the “product design challenge” of human connection, health, and happiness—essentially moving from “loop, make me productive” to “loop, make me happier.”
Surprising Insights
- The “Permanent Underclass” is a Fantasy: Contrary to the fear that those who don’t master AI will be left behind, the current data shows job postings are higher than ever and opportunities are becoming more distributed, not more centralized.
- Intelligence vs. Bound Problems: Many business failures aren’t caused by a lack of intelligence, but by physical or structural constraints. Adding a “data center of PhDs” to a pizza delivery company won’t exponentially increase the speed of pizza delivery because the problem isn’t intelligence-bound.
- Model “Sommelier” Effect: Not all AI models are fungible. Some are shaped for “neurotic precision” (like GLM-5.3), while others excel at “creative openness” (like Quen), meaning the best results come from matching the specific “personality” of a model to the task.
- Moats are Discovered, Not Designed: Durable competitive advantages rarely come from a pre-planned business strategy; they emerge organically from shipping a high-craft product and capturing unique user data or reasoning traces over time.
Practical Takeaways
- Build to Learn, Not Just to Launch: Treat building AI projects as the “new reading.” Create “unimportant” tools or silly apps once a week to develop your intuition for what the models can actually do.
- Map Your Work as Loops: Identify the repeatable parts of your job function and ask, “How can I turn this into an agent loop?” Focus your human energy on the “exceptions” and the strategic leaps where the AI plateaus.
- Shift from MVP to “Maximal Viable Product”: Stop obsessing over the smallest possible version of an idea. Instead, ask: “If intelligence were infinite and free, what is the most ambitious version of this product I could imagine?”
- Insert the “AI Gap”: Develop a mental habit of pausing between a task’s input and your response to ask, “How can AI help me with this specific step?”
🛍️ Products & Resources Mentioned
- ⚡ DeviceiPad — Mentioned in the context of a social experiment where screen time was awarded or detracted based on AI transcription of behavior.View on Amazon →
- ⚡ DeviceLimitless Pendant — Mentioned as a device that was hacked to measure how often a father and son laugh throughout the day.View on Amazon →
- 📚 Book7 Powers by Hamilton Helmer — Recommended as a foundational business book regarding moats and strategic advantage.View on Amazon →
- 📚 BookHigh Output Management by Andrew Grove — Cited as one of the few ‘real’ business books that remains highly effective.View on Amazon →
Liệu chúng ta có thể trở nên “quá tham vọng” trong kỷ nguyên AI? Trong một thời gian dài, “sách lược” của các quỹ đầu tư mạo hiểm thường gợi ý nên bắt đầu bằng một “điểm đột phá” (wedge) hẹp và mở rộng quy mô một cách chậm rãi. Nhưng Anish Acharya, đối tác điều hành tại a16z, cho rằng kịch bản này đã thay đổi. Trong một thế giới mà trí tuệ đang trở nên rẻ và dồi dào một cách kinh ngạc, rủi ro thực sự không còn là quá táo bạo, mà là quá nhỏ bé.
Cuộc thảo luận tập trung vào sự chuyển dịch từ việc coi AI chỉ là một công cụ tăng năng suất sang việc xem nó là một phương thức để tái tổ chức toàn bộ doanh nghiệp. Acharya giới thiệu khái niệm về các “vòng lặp” (loops), nơi các chức năng kinh doanh có tính lặp lại—từ việc sửa lỗi trong kỹ thuật đến thử nghiệm A/B trong tăng trưởng—được xử lý bởi các tác nhân AI (AI agents). Tuy nhiên, ông nhấn mạnh rằng con người vẫn đóng vai trò thiết yếu đối với tư duy “ngoài phân phối” (out-of-distribution). Trong khi một vòng lặp AI có thể giúp công ty đạt đến mức hiệu quả tối đa cục bộ, nó cuối cùng sẽ chạm ngưỡng bão hòa; chính trực giác và sự phán đoán của con người mới là yếu tố giúp tạo ra bước nhảy vọt để tiến tới một đỉnh cao mới, lớn hơn.
Vượt ra ngoài phạm vi phòng họp, có một lập luận đầy thuyết phục rằng AI là công cụ để đạt được sự thỏa nguyện của con người thay vì chỉ là tạo ra sản lượng kinh tế. Trong khi phần lớn những lời quảng cáo hiện nay tập trung vào việc tiết kiệm thời gian, Acharya gợi ý rằng cơ hội lớn nhất cho người tiêu dùng nằm ở việc “dành thời gian” một cách ý nghĩa hơn. Ông hình dung về một tương lai nơi AI không chỉ được dùng để tạo ra những bảng tính tốt hơn, mà để giải quyết “thách thức thiết kế sản phẩm” về kết nối giữa người với người, sức khỏe và hạnh phúc—về cơ bản là chuyển từ yêu cầu “vòng lặp ơi, hãy giúp tôi làm việc năng suất hơn” sang “vòng lặp ơi, hãy giúp tôi hạnh phúc hơn”.
Những góc nhìn bất ngờ
- “Tầng lớp thấp vĩnh viễn” chỉ là ảo tưởng: Trái với nỗi sợ rằng những người không làm chủ được AI sẽ bị bỏ lại phía sau, dữ liệu hiện tại cho thấy số lượng tin tuyển dụng đang cao hơn bao giờ hết và các cơ hội đang trở nên phân tán hơn chứ không phải tập trung hơn.
- Trí tuệ đối lập với các vấn đề bị ràng buộc: Nhiều thất bại trong kinh doanh không phải do thiếu trí tuệ, mà do các hạn chế về vật lý hoặc cấu trúc. Việc đưa một “trung tâm dữ liệu gồm toàn tiến sĩ” vào một công ty giao pizza sẽ không làm tăng tốc độ giao hàng theo cấp số nhân, vì vấn đề này không bị ràng buộc bởi trí tuệ.
- Hiệu ứng “Chuyên gia nếm rượu” (Sommelier) cho mô hình: Không phải mọi mô hình AI đều có thể thay thế cho nhau. Một số được thiết kế cho “sự chính xác khắt khe” (như GLM-5.3), trong khi những mô hình khác lại xuất sắc ở “sự mở rộng sáng tạo” (như Quen), điều này có nghĩa là kết quả tốt nhất đến từ việc khớp “tính cách” cụ thể của mô hình với nhiệm vụ tương ứng.
- Lợi thế cạnh tranh (Moats) được khám phá ra chứ không phải được thiết kế: Những lợi thế cạnh tranh bền vững hiếm khi đến từ một chiến lược kinh doanh được hoạch định sẵn; chúng nảy sinh một cách tự nhiên từ việc ra mắt một sản phẩm có độ hoàn thiện cao và thu thập được dữ liệu người dùng độc nhất hoặc các dấu vết lập luận theo thời gian.
Bài học thực tiễn
- Xây dựng để học hỏi, không chỉ để ra mắt: Hãy coi việc xây dựng các dự án AI như một hình thức “đọc sách kiểu mới”. Hãy tạo ra những công cụ “không quan trọng” hoặc những ứng dụng ngớ ngẩn mỗi tuần một lần để phát triển trực giác về những gì các mô hình thực sự có thể làm được.
- Sơ đồ hóa công việc thành các vòng lặp: Xác định những phần có tính lặp lại trong chức năng công việc của bạn và tự hỏi: “Làm thế nào tôi có thể biến điều này thành một vòng lặp tác nhân (agent loop)?” Hãy tập trung năng lượng của con người vào các “trường hợp ngoại lệ” và những bước nhảy chiến lược nơi AI bị chững lại.
- Chuyển từ MVP (Sản phẩm khả thi tối thiểu) sang “Sản phẩm khả thi tối đa” (Maximal Viable Product): Đừng quá ám ảnh với phiên bản nhỏ nhất có thể của một ý tưởng. Thay vào đó, hãy hỏi: “Nếu trí tuệ là vô hạn và miễn phí, phiên bản tham vọng nhất của sản phẩm này mà tôi có thể hình dung ra là gì?”
- Chèn vào “Khoảng lặng AI”: Hãy tập thói quen tạm dừng giữa đầu vào của một nhiệm vụ và phản hồi của bạn để tự hỏi: “AI có thể giúp mình thực hiện bước cụ thể này như thế nào?”
在 AI 時代，野心真的會太大嗎？長期以來，風險投資的劇本建議從一個狹小的「切入點」（wedge）開始，然後緩慢擴張。但 a16z 的通用合夥人 Anish Acharya 認為，這個劇本已經反轉了。在一個智能變得極其廉價且豐富的世界裡，真正的風險不再於過於大膽，而是在於規模太小。
這次對話的核心在於觀念的轉變：不再將 AI 僅僅視為一種生產力工具，而是將其視為重組整個組織的方式。Acharya 提出了「迴路」（loops）的概念，即將可重複的業務功能——從工程端的漏洞修復到成長端的 A/B 測試——交由 AI 代理（agents）處理。然而，他強調人類在「分佈外」（out-of-distribution）思考方面仍然不可或缺。雖然 AI 迴路能幫助公司達到局部效率的最大值，但最終會進入平台期；而要跳躍到下一個更高山峰的基底，則需要人類的直覺與判斷。
除了董事會的考量，還有一個極具吸引力的論點，即 AI 應作為實現人類自我實現的工具，而非僅僅是為了經濟產出。雖然目前的熱潮大多集中在節省時間，但 Acharya 認為，最大的消費機會在於如何更有意義地「花費時間」。他想像的未來是 AI 不僅被用來建立更好的試算表，而是用來解決人類連結、健康與快樂的「產品設計挑戰」——本質上是從「迴路，讓我更高效」轉向「迴路，讓我更快樂」。
驚人之見
- 「永久底層階級」是個幻想： 與擔心未掌握 AI 者將被拋棄的恐懼相反，目前的數據顯示，職位空缺數處於歷史高位，且機會正變得更加分散而非集中。
- 智能 vs. 邊界問題： 許多業務失敗並非因為缺乏智能，而是由於物理或結構性的限制。為一家披薩外送公司增加一個「由博士組成的数据中心」，並不會讓披薩配送速度呈指數級增長，因為這個問題並非由智能限制（intelligence-bound）。
- 模型「侍酒師」效應： 並非所有 AI 模型都是可互換的。有些模型旨在追求「神經質般的精確」（如 GLM-5.3），而有些則擅長「創意開放性」（如 Qwen）。這意味著最佳結果來自於將模型的特定「性格」與任務相匹配。
- 護城河是發現的，而非設計的： 持久的競爭優勢很少來自於預先計劃的商業戰略；它們通常是在交付高工藝產品，並隨著時間累積獨特的用戶數據或推理軌跡後，有機地產生的。
實踐要領
- 為了學習而構建，而非僅為了發布： 將構建 AI 項目視為「新時代的閱讀」。每週創建一個「不重要」的工具或搞怪的 App，以培養你對模型實際能力的直覺。
- 將工作映射為迴路： 識別工作職能中可重複的部分，並詢問：「我如何將此轉化為一個代理迴路？」將人類的精力集中在「例外情況」以及 AI 進入平台期的戰略跳躍上。
- 從 MVP 轉向「最大可行產品」（Maximal Viable Product）： 不要再執著於構思最小可行版本。相反，試著問：「如果智能是無限且免費的，我想像中這個產品最雄心勃勃的版本會是什麼樣子？」
- 插入「AI 間隙」： 養成一種心理習慣，在任務輸入與你的回應之間暫停，詢問自己：「AI 在這個具體步驟中能如何幫助我？」
Peut-on réellement être trop ambitieux à l’ère de l’IA ? Pendant longtemps, le manuel du capital-risque suggérait de commencer par un « coin » (wedge) étroit pour ensuite monter en charge progressivement. Mais Anish Acharya, associé général chez a16z, soutient que la donne a changé. Dans un monde où l’intelligence devient étonnamment bon marché et abondante, le véritable risque n’est plus d’être trop audacieux, mais d’être trop petit.
La conversation se concentre sur le passage d’une vision de l’IA comme simple outil de productivité à celle d’un moyen de réorganiser des organisations entières. Acharya introduit le concept de « boucles » (loops), où des fonctions commerciales répétitives — de la correction de bugs en ingénierie aux tests A/B en croissance — sont gérées par des agents d’IA. Toutefois, il souligne que les humains restent essentiels pour la réflexion « hors distribution » (out-of-distribution). Si une boucle d’IA peut aider une entreprise à atteindre un maximum local d’efficacité, elle finit par plafonner ; il faut alors l’intuition et le jugement humains pour franchir le saut vers la base de la colline suivante, plus élevée.
Au-delà des salles de conseil, un argument convaincant est avancé pour présenter l’IA comme un outil d’épanouissement humain plutôt que comme un simple moteur de rendement économique. Alors qu’une grande partie du battage actuel se concentre sur le gain de temps, Acharya suggère que la plus grande opportunité pour le consommateur réside dans le fait de « passer du temps » de manière plus significative. Il imagine un futur où l’IA ne servirait pas seulement à créer de meilleurs tableurs, mais à résoudre le « défi de conception produit » du lien humain, de la santé et du bonheur — passant ainsi du « boucle, rends-moi productif » au « boucle, rends-moi plus heureux ».
Perspectives Surprenantes
- Le mythe de la « sous-classe permanente » : Contrairement à la crainte que ceux qui ne maîtrisent pas l’IA soient laissés pour compte, les données actuelles montrent que les offres d’emploi sont plus nombreuses que jamais et que les opportunités se distribuent davantage, au lieu de se centraliser.
- Intelligence vs Problèmes Contraints : De nombreux échecs commerciaux ne sont pas causés par un manque d’intelligence, mais par des contraintes physiques ou structurelles. Ajouter un « centre de données composé de doctorants » à une entreprise de livraison de pizzas n’augmentera pas exponentiellement la vitesse de livraison, car le problème n’est pas lié à l’intelligence.
- L’effet « Sommelier » des modèles : Tous les modèles d’IA ne sont pas interchangeables. Certains sont conçus pour une « précision névrotique » (comme GLM-5.3), tandis que d’autres excellent dans l’« ouverture créative » (comme Quen), ce qui signifie que les meilleurs résultats proviennent de l’adéquation entre la « personnalité » spécifique d’un modèle et la tâche à accomplir.
- Les remparts (moats) se découvrent, ils ne se conçoivent pas : Les avantages concurrentiels durables découlent rarement d’une stratégie commerciale planifiée ; ils émergent organiquement du lancement d’un produit de haute qualité et de la capture, au fil du temps, de données utilisateurs uniques ou de traces de raisonnement.
Conseils Pratiques
- Construire pour apprendre, pas seulement pour lancer : Considérez la création de projets d’IA comme la « nouvelle lecture ». Créez des outils « sans importance » ou des applications fantaisistes une fois par semaine pour développer votre intuition sur ce que les modèles peuvent réellement faire.
- Cartographier son travail sous forme de boucles : Identifiez les parties répétitives de votre fonction et demandez-vous : « Comment puis-je transformer cela en une boucle d’agent ? » Concentrez votre énergie humaine sur les « exceptions » et les sauts stratégiques là où l’IA plafonne.
- Passer du MVP au « Produit Maximal Viable » : Cessez d’être obsédé par la version la plus réduite possible d’une idée. Demandez-vous plutôt : « Si l’intelligence était infinie et gratuite, quelle serait la version la plus ambitieuse de ce produit que je puisse imaginer ? »
- Insérer l’« Intervalle IA » : Développez l’habitude mentale de marquer une pause entre l’entrée d’une tâche et votre réponse pour vous demander : « Comment l’IA peut-elle m’aider pour cette étape spécifique ? »
Kann man im Zeitalter der KI eigentlich zu ehrgeizig sein? Lange Zeit empfahl das „Playbook“ des Risikokapitals, mit einem schmalen „Keil“ (Wedge) zu beginnen und langsam zu skalieren. Doch Anish Acharya, General Partner bei a16z, argumentiert, dass sich das Blatt gewendet hat. In einer Welt, in der Intelligenz erstaunlich günstig und im Überfluss vorhanden ist, besteht das eigentliche Risiko nicht mehr darin, zu kühn zu sein – sondern darin, zu klein zu bleiben.
Im Zentrum der Diskussion steht der Wandel in der Wahrnehmung von KI: Weg von einem bloßen Produktivitätswerkzeug hin zu einem Mittel, um gesamte Organisationen neu zu strukturieren. Acharya führt das Konzept der „Loops“ (Schleifen) ein, bei denen wiederholbare Geschäftsfunktionen – von der Fehlerbehebung in der Technik bis zum A/B-Testing im Wachstum – von KI-Agenten übernommen werden. Er betont jedoch, dass Menschen für das sogenannte „Out-of-Distribution“-Denken unverzichtbar bleiben. Während ein KI-Loop einem Unternehmen helfen kann, ein lokales Effizienzmaximum zu erreichen, folgt darauf zwangsläufig ein Plateau; es bedarf menschlicher Intuition und Urteilskraft, um den Sprung zum Fuß des nächsten, höheren Berges zu wagen.
Abseits der Vorstandsetagen gibt es ein überzeugendes Argument für KI als Instrument zur menschlichen Selbstverwirklichung statt nur für den wirtschaftlichen Output. Während sich ein Großteil des aktuellen Hypes auf die Zeitersparnis konzentriert, vermutet Acharya die größte Chance für Konsumenten darin, Zeit „sinnvoller zu verbringen“. Er visioniert eine Zukunft, in der KI nicht nur dazu genutzt wird, bessere Tabellenkalkulationen zu erstellen, sondern um die „Produktdesign-Herausforderung“ von menschlicher Verbundenheit, Gesundheit und Glück zu lösen – im Grunde der Wechsel von „Loop, mach mich produktiv“ zu „Loop, mach mich glücklicher“.
Überraschende Erkenntnisse
- Die „permanente Unterschicht“ ist eine Fantasie: Entgegen der Angst, dass diejenigen, die KI nicht beherrschen, abgehängt werden, zeigen aktuelle Daten, dass Stellenanzeigen so hoch sind wie nie zuvor und Chancen eher verteilt als zentralisiert werden.
- Intelligenz vs. begrenzte Probleme: Viele geschäftliche Misserfolge sind nicht auf mangelnde Intelligenz, sondern auf physische oder strukturelle Einschränkungen zurückzuführen. Einem Pizzalieferdienst ein „Rechenzentrum aus PhDs“ hinzuzufügen, wird die Geschwindigkeit der Pizzalieferung nicht exponentiell steigern, da das Problem nicht durch mangelnde Intelligenz begrenzt ist.
- Der Modell-„Sommelier“-Effekt: Nicht alle KI-Modelle sind austauschbar. Einige sind auf „neurotische Präzision“ getrimmt (wie GLM-5.3), während andere in „kreativer Offenheit“ glänzen (wie Quen). Das bedeutet, dass die besten Ergebnisse dadurch erzielt werden, dass die spezifische „Persönlichkeit“ eines Modells auf die jeweilige Aufgabe abgestimmt wird.
- Burggräben werden entdeckt, nicht entworfen: Nachhaltige Wettbewerbsvorteile resultieren selten aus einer vorgeplanten Geschäftsstrategie; sie entstehen organisch durch die Bereitstellung eines hochqualitativen Produkts und das Sammeln einzigartiger Nutzerdaten oder logischer Schlussfolgerungen über einen längeren Zeitraum.
Praktische Ansätze
- Bauen, um zu lernen, nicht nur um zu launchen: Betrachten Sie das Erstellen von KI-Projekten als das „neue Lesen“. Entwickeln Sie einmal pro Woche „unwichtige“ Tools oder alberne Apps, um ein Gespür dafür zu entwickeln, was die Modelle tatsächlich leisten können.
- Arbeitsabläufe als Loops kartieren: Identifizieren Sie die wiederholbaren Teile Ihrer Tätigkeit und fragen Sie sich: „Wie kann ich dies in einen Agenten-Loop verwandeln?“ Konzentrieren Sie Ihre menschliche Energie auf die „Ausnahmen“ und die strategischen Sprünge, an denen die KI an ihre Grenzen stößt.
- Wechsel vom MVP zum „Maximal Viable Product“: Hören Sie auf, Sie an der kleinstmöglichen Version einer Idee zu orientieren. Fragen Sie stattdessen: „Wenn Intelligenz unendlich und kostenlos wäre, was wäre die ambitionierteste Version dieses Produkts, die ich mir vorstellen könnte?“
- Die „KI-Lücke“ einbauen: Entwickeln Sie die mentale Gewohnheit, zwischen dem Input einer Aufgabe und Ihrer Reaktion kurz innezuhalten und zu fragen: „Wie kann mir KI bei genau diesem Schritt helfen?“
a16z General Partner Anish Acharya joins Lenny Rachitsky on Lenny’s Podcast to discuss why fears of an AI-driven “permanent underclass” may be misplaced, how AI is changing the way companies operate, and why the opportunity may be less about replacing people and more about dramatically expanding what they can build.
Anish lays out his idea that companies are becoming a series of loops, with agents increasingly handling workflows across engineering, sales, marketing, support, and other functions while humans provide the judgment and new ideas needed to move beyond local maxima.
They also explore why Anish thinks consumer AI should focus less on productivity and more on helping people live richer lives, why moats are often discovered rather than designed, how to develop intuition for different AI models, and why his biggest advice for anyone trying to keep up with AI is simple: make more things.
Resources:
Follow Anish Acharya on X:https://x.com/illscience
Follow Lenny Rachitsky on X:https://x.com/lennysan
Read/listen to the original episode on Lenny’s Newsletter:
Why companies are becoming a series of loops | Anish Acharya (a16z)
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.
-
Rocket Companies CEO: Here’s How to Fix the Housing Crisis
The Empire State Building took 110 days to build—today, changing a window would take two years. Alex Rampell (a16z) and Varun Krishna (Rocket CEO) expose how asset inflation turned housing from the American Dream into…
-
Grant Lee: Building Gamma’s AI Presentation Company to 100 Million Users
Grant Lee was told Gamma was “the worst idea ever heard” by an investor who hung up mid-Zoom—yet he built it to 100 million users and $100M ARR without spending a dollar on advertising. While…
-
Michael Truell: How Cursor Builds at the Speed of AI
When four MIT grads decided to build a code editor while everyone else was building AI agents, they created the fastest-growing developer tool ever built. Cursor CEO Michael Truell joins a16z’s Martin Casado to discuss…
-
a16z’s State of Crypto: The $4 Trillion Milestone and What’s Next’
The regulatory environment has completely inverted. Stablecoins are now a top 20 holder of US treasuries. Every major bank wants in. In a16z Crypto’s 2025 State of Crypto report, Daren Matsuoka (Head of Data) and…
-
Amjad Masad & Adam D’Angelo: How Far Are We From AGI?
Adam D’Angelo (Quora/Poe) thinks we’re 5 years from automating remote work. Amjad Masad (Replit) thinks we’re brute-forcing intelligence without understanding it. In this conversation, two technical founders who are building the AI future disagree on…
-
Mark Zuckerberg & Priscilla Chan: How AI Will Cure All Disease
Priscilla Chan and Mark Zuckerberg join a16z’s Ben Horowitz, Erik Torenberg, and Vineeta Agarwala to share how the Chan Zuckerberg Initiative is building the computational tools that will accelerate the cure, prevention, and management of…
-
Seeing The Future from AI Companions to Personal Software
Eugenia Kuyda, CEO of Wabi and AI pioneer behind Replika, joins Erik, Anish, and Justine to reveal how personal software will transform from a developer monopoly to a creative medium for all. She exposes why…
-
ElevenLabs CEO: Why Voice is the Next AI Interface
ElevenLabs CEO and co‑founder Mati Staniszewski joins Jennifer Li to explain how the team ships research‑grade AI at lightning speed—from text‑to‑speech and fully licensed AI music to real‑time voice agents—and why voice is the next…
-
David Sacks: AI, Crypto, China, Dems, and SF
David Sacks, White House AI and Crypto Czar, joins Marc, Ben, and Erik to explore what’s really happening inside the Trump administration’s AI and crypto strategy. They expose the regulatory capture playbook being pushed by…
-
Why Speed, Not Size, Will Define the Next War
As global tensions rise, AI and autonomy are transforming how nations prepare for conflict. In this episode, Horacio Rozanski, CEO of Booz Allen Hamilton and Gary Steele, CEO of Shield AI join Erik Torenberg to…