a16z Podcast
Summary & Insights
The current scale of artificial intelligence investment is so vast that even a $220 billion annual capital expenditure budget is insufficient to meet global demand. According to Amazon CEO Andy Jassy, the industry is facing a critical scarcity of power, cooling, and chips, with capacity for 2026 and 2027 already largely sold out. This build-out is not merely a bet on a new feature but a foundational infrastructure play comparable to the construction of the interstate highway system, essential for the digital functioning of every major sector from healthcare to banking.
The conversation between a16z and Jassy reveals a strategic tension between “bias for action” and “high standards.” Jassy reflects on the pandemic era, where Amazon rapidly doubled its fulfillment network. While this led to temporary inefficiencies and “sloppiness,” Jassy argues that prioritizing customer needs over immediate cost optimization was the correct trade-off. This philosophy extends to AWS today; despite the temptation to pivot all resources toward high-paying AI labs, Jassy insists on maintaining capacity for core enterprise customers, believing that long-term partnership outweighs short-term opportunistic pricing.
A central pillar of Amazon’s AI strategy is vertical integration through custom silicon. Jassy details how the acquisition of Annapurna Labs allowed Amazon to bypass the “innovator’s dilemma” faced by dominant chip providers. By developing the Graviton CPU and the Trainium accelerator, Amazon has achieved significant price-performance gains. Jassy posits that the “middle of the barbell”—standard enterprise production workloads—will only migrate to AI when the cost of inference drops by another order of magnitude, making custom chips the primary lever for pervasive AI adoption.
The intellectual exchange shifts toward the fundamental restructuring of the corporation. Jassy describes a paradigm shift where small, “Renaissance-style” teams are replacing hyper-specialized departments. He cites an example where six engineers rebuilt an inference engine in 76 days—a task that previously would have required 40 people over a year. This suggests a future where companies require fewer humans but more cross-functional “builders” who can leverage agentic AI to handle the bulk of coding and research.
Beyond internal efficiency, Jassy argues that existing successful products must be “rewired” from the ground up rather than incrementally improved. Using Alexa as a case study, he explains that generative AI changes the “brains” of the product so fundamentally that starting over is the only way to remain relevant. This “day one” mentality is being applied across Prime Video and retail, despite the emotional difficulty of discarding hard-won legacy knowledge.
The dialogue concludes with a vision of a diversified Amazon operating at the intersection of AI, robotics, and space. Jassy defends the company’s expansive reach—from Project Kuiper’s satellite constellation to autonomous ride-hailing—by pointing to a decentralized organizational structure of “single-threaded leaders.” He views these disparate bets as a unified mission to solve large-scale customer frictions, asserting that the combination of these three technological shifts will redefine the human experience over the next decade.
Major Discussion Themes
The Infrastructure Arms Race
Jassy and a16z explore the staggering financial requirements of the AI era. Jassy explains the “cash cycle” of data centers: high-cost real estate and power investments must be made two years in advance, while server hardware is bought months before monetization. He pushes back against political narratives regarding data center environmental impacts, citing that golf courses use significantly more water than data centers, and argues that the current grid strain is a symptom of national under-investment in infrastructure rather than AI’s “greed.”
The “Barbell” of AI Demand
Jassy categorizes the AI market into three segments: the “high end” (AI labs and viral apps consuming massive compute), the “low end” (enterprises using AI for cost avoidance and productivity), and the “middle” (standard production workloads). The core argument is that the “middle” represents the largest growth opportunity, but its unlocking is entirely dependent on reducing the cost of inference.
Vertical Integration and Silicon Strategy
The discussion highlights the strategic importance of the Annapurna Labs acquisition. Jassy argues that when a single provider dominates a market (as Intel or Nvidia do), they often prioritize feature sets over price-performance. Amazon’s move to build its own CPUs (Graviton) and AI accelerators (Trainium) is presented as a necessary move to lower the barrier for enterprise AI adoption.
The Evolution of Org Design
Jassy and a16z discuss the death of hyper-specialization. The “two-pizza team” is evolving into “agentic teams.” Jassy predicts that the future of work will involve fewer humans per project, with individuals acting as orchestrators of AI agents. He emphasizes that companies will need to rewrite their entire codebases to be “agent-native,” allowing AI to update and deploy code in minutes rather than weeks.
Re-imagining vs. Incrementalism
A significant portion of the conversation focuses on the “leadership problem” of discarding successful legacy products. Jassy asserts that if a company only uses AI to incrementally improve an existing experience, they will lose to startups that imagine the experience from scratch. He describes the psychological challenge of convincing teams to give up “religious” adherence to old code in favor of new, AI-native architectures.
Surprising Insights
- Scale of Demand: Despite spending $220 billion in CapEx, Amazon is still leaving “meaningful demand on the table.”
- Water Consumption Myth: Jassy claims that golf courses consume 200 times more water than Amazon’s data centers, with some consuming more in two days than a data center does in a year.
- Speed of Development: A team of six engineers achieved in 76 days what typically took 40 people a full year to accomplish.
- Inference Cost Barrier: Inference is currently viewed as an order of magnitude too expensive for pervasive enterprise use.
- The “Religious” Nature of Code: Jassy notes that once the first line of code is written, it becomes “religious,” making it emotionally difficult for teams to start over even when the technology changes.
- Agentic Deployment: Future software will need to be rewritten so that agents can update code in minutes; otherwise, the deployment lag will be a competitive death sentence.
- AI in Education: Jassy believes universities that fight AI in the classroom are mistaken, as the tool is already an irreversible part of the educational landscape.
- The “Middle Barbell” Opportunity: The largest absolute segment of future AI usage isn’t in new “magic” apps, but in making every existing enterprise app “smarter” via inference.
Practical Takeaways
- Adopt an “Agent-Native” Architecture: Do not just add AI wrappers to old code; prepare to rewrite systems so they can be managed and updated by autonomous agents.
- Prioritize Price-Performance Over Features: When selecting infrastructure, prioritize the cost-per-inference to ensure that AI features are economically viable at scale.
- Shift from Specialization to Generalization: Encourage “Renaissance” skill sets within teams. Move away from narrow roles (e.g., “pricing manager”) toward cross-functional builders.
- The “Start Over” Framework: Periodically ask: “If we were building this product today with current AI capabilities, would it look anything like it does now?” If the answer is no, prioritize a total re-imagining over incremental updates.
- Focus on Critical Reasoning: As AI handles the “research and note-taking” phase of work, human value shifts entirely to “connecting the dots”—strategy, judgment, and synthesis.
- Manage the “Innovation Tension”: Accept that speed (bias for action) and optimization (high standards) often conflict. In high-growth phases, shade toward the customer/speed, then “clean up” the architecture later.
- Vertical Integration Strategy: Identify where dominant vendors have an “innovator’s dilemma” (ignoring price-performance for the sake of market share) and build internal capabilities to fill that gap.
🛍️ Products & Resources Mentioned
- ⚡ DeviceAWS Graviton — A custom CPU chip developed by Amazon’s Annapurna Labs team that offers 40% better price-performance than x86 processors.View on Amazon →
- ⚡ DeviceAWS Trainium — An AI accelerator chip designed to provide 30-40% better price-performance for training models compared to other processors.View on Amazon →
- ⚡ DeviceAmazon Bedrock — Amazon’s inference service used by customers to run AI models from partners like Anthropic and OpenAI.View on Amazon →
Quy mô đầu tư vào trí tuệ nhân tạo hiện nay lớn đến mức ngay cả ngân sách chi tiêu vốn hàng năm 220 tỷ USD cũng không đủ để đáp ứng nhu cầu toàn cầu. Theo CEO Amazon Andy Jassy, ngành công nghiệp này đang đối mặt với tình trạng khan hiếm trầm trọng về năng lượng, hệ thống làm mát và chip, với công suất cho năm 2026 và 2027 hầu như đã được đặt hết. Việc xây dựng này không đơn thuần là một canh bạc vào một tính năng mới, mà là một chiến lược hạ tầng nền tảng có thể so sánh với việc xây dựng hệ thống đường cao tốc liên bang, điều thiết yếu cho vận hành kỹ thuật số của mọi lĩnh vực chính từ y tế đến ngân hàng.
Cuộc đối thoại giữa a16z và Jassy tiết lộ một sự giằng co chiến lược giữa “ưu tiên hành động” (bias for action) và “tiêu chuẩn cao” (high standards). Jassy nhìn lại thời kỳ đại dịch, khi Amazon nhanh chóng nhân đôi mạng lưới hoàn tất đơn hàng. Mặc dù điều này dẫn đến những sự kém hiệu quả tạm thời và sự “cẩu thả”, Jassy lập luận rằng việc ưu tiên nhu cầu khách hàng hơn là tối ưu hóa chi phí tức thời là một sự đánh đổi đúng đắn. Triết lý này hiện được áp dụng cho AWS; bất chấp sự cám dỗ trong việc chuyển toàn bộ nguồn lực sang các phòng thí nghiệm AI trả phí cao, Jassy kiên quyết duy trì công suất cho các khách hàng doanh nghiệp cốt lõi, tin rằng quan hệ đối tác dài hạn quan trọng hơn việc định giá theo cơ hội ngắn hạn.
Một trụ cột trung tâm trong chiến lược AI của Amazon là tích hợp dọc thông qua chip tùy chỉnh. Jassy chi tiết hóa việc thương vụ thâu tóm Annapurna Labs đã cho phép Amazon vượt qua “tình thế tiến thoái lưỡng nan của kẻ đổi mới” (innovator’s dilemma) mà các nhà cung cấp chip thống trị thường gặp phải. Bằng cách phát triển CPU Graviton và bộ tăng tốc Trainium, Amazon đã đạt được những cải thiện đáng kể về hiệu suất trên giá thành. Jassy cho rằng “phần giữa của thanh tạ” (the middle of the barbell) — tức các khối lượng công việc sản xuất doanh nghiệp tiêu chuẩn — sẽ chỉ chuyển sang AI khi chi phí suy luận (inference cost) giảm thêm một bậc quy mô nữa, khiến chip tùy chỉnh trở thành đòn bẩy chính cho việc áp dụng AI phổ cập.
Cuộc trao đổi trí tuệ chuyển sang hướng tái cấu trúc cơ bản của tập đoàn. Jassy mô tả một sự thay đổi mô hình, nơi các nhóm nhỏ theo “phong cách Phục hưng” (đa năng) đang thay thế các phòng ban chuyên môn hóa quá mức. Ông dẫn chứng ví dụ về việc sáu kỹ sư đã xây dựng lại một công cụ suy luận trong 76 ngày — một nhiệm vụ mà trước đây đòi hỏi 40 người làm trong một năm. Điều này gợi mở về một tương lai nơi các công ty cần ít nhân sự hơn nhưng cần nhiều “nhà kiến tạo” đa năng hơn, những người có thể tận dụng AI agentic (AI tự chủ) để xử lý phần lớn việc lập trình và nghiên cứu.
Ngoài hiệu quả nội bộ, Jassy lập luận rằng các sản phẩm thành công hiện có phải được “thiết kế lại” (rewired) từ đầu thay vì cải tiến dần dần. Sử dụng Alexa làm nghiên cứu điển hình, ông giải thích rằng AI tạo sinh thay đổi “bộ não” của sản phẩm một cách căn bản đến mức bắt đầu lại từ đầu là cách duy nhất để duy trì sự phù hợp. Tư duy “Ngày đầu tiên” (day one) này đang được áp dụng cho Prime Video và mảng bán lẻ, bất chấp những khó khăn về mặt cảm xúc khi phải từ bỏ những kiến thức di sản đã dày công gây dựng.
Cuộc đối thoại kết thúc với tầm nhìn về một Amazon đa dạng hoạt động tại giao điểm của AI, robot và không gian. Jassy bảo vệ phạm vi mở rộng của công ty — từ chùm vệ tinh Project Kuiper đến dịch vụ gọi xe tự hành — bằng cách chỉ ra cấu trúc tổ chức phi tập trung với các “nhà lãnh đạo đơn nhiệm” (single-threaded leaders). Ông coi những ván cược rời rạc này là một sứ mệnh thống nhất nhằm giải quyết những ma sát quy mô lớn của khách hàng, khẳng định rằng sự kết hợp của ba chuyển đổi công nghệ này sẽ định nghĩa lại trải nghiệm của con người trong thập kỷ tới.
Các chủ đề thảo luận chính
Cuộc đua vũ trang hạ tầng
Jassy và a16z khám phá các yêu cầu tài chính khổng lồ của kỷ nguyên AI. Jassy giải thích “chu kỳ tiền mặt” của các trung tâm dữ liệu: các khoản đầu tư bất động sản và năng lượng chi phí cao phải được thực hiện trước hai năm, trong khi phần cứng máy chủ được mua vài tháng trước khi tạo ra doanh thu. Ông phản bác các luận điểm chính trị về tác động môi trường của trung tâm dữ liệu, dẫn chứng rằng các sân golf sử dụng nhiều nước hơn đáng kể so với trung tâm dữ liệu, và lập luận rằng áp lực lưới điện hiện nay là triệu chứng của việc thiếu đầu tư hạ tầng quốc gia chứ không phải do sự “tham lam” của AI.
“Thanh tạ” của nhu cầu AI
Jassy phân loại thị trường AI thành ba phân khúc: “cao cấp” (các phòng thí nghiệm AI và ứng dụng viral tiêu thụ lượng tính toán khổng lồ), “thấp cấp” (các doanh nghiệp sử dụng AI để giảm chi phí và tăng năng suất), và “phần giữa” (các khối lượng công việc sản xuất tiêu chuẩn). Lập luận cốt lõi là “phần giữa” đại diện cho cơ hội tăng trưởng lớn nhất, nhưng việc khai phá nó phụ thuộc hoàn toàn vào việc giảm chi phí suy luận.
Tích hợp dọc và chiến lược Silicon
Cuộc thảo luận nhấn mạnh tầm quan trọng chiến lược của việc thâu tóm Annapurna Labs. Jassy lập luận rằng khi một nhà cung cấp duy nhất thống trị thị trường (như Intel hoặc Nvidia), họ thường ưu tiên các tập hợp tính năng hơn là hiệu suất trên giá thành. Việc Amazon tự xây dựng CPU (Graviton) và bộ tăng tốc AI (Trainium) được trình bày như một bước đi cần thiết để hạ thấp rào cản cho các doanh nghiệp áp dụng AI.
Sự tiến hóa của thiết kế tổ chức
Jassy và a16z thảo luận về sự kết thúc của chuyên môn hóa quá mức. Mô hình “nhóm hai chiếc pizza” đang tiến hóa thành “nhóm agentic”. Jassy dự đoán tương lai của công việc sẽ cần ít con người hơn cho mỗi dự án, với các cá nhân đóng vai trò là người điều phối các agent AI. Ông nhấn mạnh rằng các công ty sẽ cần viết lại toàn bộ cơ sở mã (codebase) để trở thành “agent-native”, cho phép AI cập nhật và triển khai mã trong vài phút thay vì vài tuần.
Tái tưởng tượng đối lập với Cải tiến dần dần
Một phần đáng kể của cuộc hội thoại tập trung vào “vấn đề lãnh đạo” trong việc từ bỏ các sản phẩm di sản thành công. Jassy khẳng định nếu một công ty chỉ sử dụng AI để cải thiện dần dần một trải nghiệm hiện có, họ sẽ thua các startup biết tưởng tượng lại trải nghiệm đó từ con số không. Ông mô tả thách thức tâm lý khi thuyết phục các đội ngũ từ bỏ sự gắn bó “tín ngưỡng” với mã nguồn cũ để ủng hộ các kiến trúc AI-native mới.
Những Góc Nhìn Bất Ngờ
- Quy Mô Nhu Cầu: Mặc dù đã chi 220 tỷ USD cho chi phí vốn (CapEx), Amazon vẫn đang bỏ lỡ một “lượng nhu cầu đáng kể” từ thị trường.
- Huyền Thoại Về Tiêu Thụ Nước: Jassy khẳng định rằng các sân golf tiêu thụ nước gấp 200 lần so với các trung tâm dữ liệu của Amazon, thậm chí một số sân golf tiêu thụ trong hai ngày nhiều hơn cả một trung tâm dữ liệu trong một năm.
- Tốc Độ Phát Triển: Một đội ngũ gồm sáu kỹ sư đã đạt được trong 76 ngày những điều mà thông thường phải mất 40 người làm trong cả một năm mới hoàn thành.
- Rào Cản Chi Phí Suy Luận (Inference): Chi phí suy luận hiện được đánh giá là quá đắt (gấp nhiều lần) để có thể áp dụng rộng rãi trong doanh nghiệp.
- Tính “Tôn Giáo” Của Mã Nguồn: Jassy lưu ý rằng một khi dòng mã đầu tiên được viết ra, nó trở thành một điều gì đó mang tính “tôn giáo”, khiến các đội ngũ khó chấp nhận từ bỏ về mặt cảm xúc để bắt đầu lại từ đầu, ngay cả khi công nghệ đã thay đổi.
- Triển Khai Tác Nhân (Agentic Deployment): Phần mềm trong tương lai sẽ cần được viết lại để các tác nhân (agents) có thể cập nhật mã trong vòng vài phút; nếu không, sự chậm trễ trong triển khai sẽ là một “án tử” về mặt cạnh tranh.
- AI Trong Giáo Dục: Jassy tin rằng các trường đại học chống lại AI trong lớp học là sai lầm, vì công cụ này đã trở thành một phần không thể đảo ngược của bối cảnh giáo dục.
- Cơ Hội “Thanh Đòn Giữa” (Middle Barbell): Phân khúc lớn nhất về mức độ sử dụng AI trong tương lai không nằm ở các ứng dụng “ma thuật” mới, mà ở việc làm cho mọi ứng dụng doanh nghiệp hiện có trở nên “thông minh hơn” thông qua suy luận.
Bài Học Thực Tiễn
- Áp Dụng Kiến Trúc “Native-Agent” (Thuần Tác Nhân): Đừng chỉ thêm các lớp vỏ AI (wrappers) vào mã nguồn cũ; hãy chuẩn bị viết lại hệ thống để chúng có thể được quản lý và cập nhật bởi các tác nhân tự trị.
- Ưu Tiên Hiệu Suất Trên Giá Thành Hơn Là Tính Năng: Khi lựa chọn cơ sở hạ tầng, hãy ưu tiên chi phí cho mỗi lần suy luận để đảm bảo các tính năng AI có khả thi về mặt kinh tế khi mở rộng quy mô.
- Chuyển Từ Chuyên Môn Hóa Sang Tổng Quát Hóa: Khuyến khích các bộ kỹ năng “Phục hưng” (đa năng) trong các đội ngũ. Thay vì các vai trò hẹp (ví dụ: “quản lý định giá”), hãy hướng tới những người xây dựng đa chức năng.
- Khung Tư Duy “Bắt Đầu Lại”: Định kỳ đặt câu hỏi: “Nếu chúng ta xây dựng sản phẩm này hôm nay với khả năng AI hiện tại, liệu nó có giống như bây giờ không?” Nếu câu trả lời là không, hãy ưu tiên việc tái hình dung toàn diện thay vì cập nhật nhỏ giọt.
- Tập Trung Vào Tư Duy Phê Phán: Khi AI đảm nhận giai đoạn “nghiên cứu và ghi chép” của công việc, giá trị của con người sẽ chuyển dịch hoàn toàn sang việc “kết nối các điểm” — tức là chiến lược, phán đoán và tổng hợp.
- Quản Lý “Căng Thẳng Đổi Mới”: Chấp nhận rằng tốc độ (ưu tiên hành động) và sự tối ưu hóa (tiêu chuẩn cao) thường xung đột với nhau. Trong giai đoạn tăng trưởng cao, hãy nghiêng về phía khách hàng/tốc độ, sau đó mới “dọn dẹp” lại kiến trúc sau.
- Chiến Lược Tích Hợp Chiều Dọc: Xác định nơi các nhà cung cấp thống trị đang gặp phải “thế tiến thoái lưỡng nan của nhà đổi mới” (bỏ qua hiệu suất trên giá thành để duy trì thị phần) và xây dựng năng lực nội bộ để lấp đầy khoảng trống đó.
目前的人工智慧投資規模之巨大，以至於即便每年投入 2,200 億美元的資本支出預算，仍不足以滿足全球需求。根據亞馬遜（Amazon）執行長安迪·賈西（Andy Jassy）的說法，產業正正面臨電力、冷卻系統及晶片的嚴重短缺，2026 年至 2027 年的產能已幾乎被搶購一空。這次擴建不僅僅是對一項新功能的投注，而是一場基礎設施的佈局，其重要程度堪比州際公路系統的建設，對於從醫療到銀行等每個主要部門的數位運作至關重要。
a16z 與賈西之間的對話揭示了「行動偏好」（bias for action）與「高標準」之間的戰略緊張關係。賈西回顧了疫情時期，當時亞馬遜迅速將其物流履約網絡擴大了一倍。雖然這導致了暫時的低效率和「粗糙」，但賈西認為，將客戶需求置於即時成本優化之上是正確的權衡。這種哲學延續到了今天的 AWS；儘管有誘惑想將所有資源轉向高支付能力的 AI 實驗室，但賈西堅持為核心企業客戶保留產能，他相信長期合作夥伴關係的重要性超過短期機會主義的定價。
亞馬遜 AI 戰略的一個核心支柱是通過定制矽晶片實現垂直整合。賈西詳細介紹了收購 Annapurna Labs 如何讓亞馬遜避開主導晶片供應商所面臨的「創新者困境」。通過開發 Graviton CPU 和 Trainium 加速器，亞馬遜在價格性能比上取得了顯著提升。賈西認為，處於「槓鈴中間」的標準企業生產工作負載，只有在推理成本再降低一個數量級時才會遷移到 AI，這使得定制晶片成為推動 AI 全面普及的主要槓桿。
知識交流隨後轉向企業的根本性重組。賈西描述了一種範式轉移，即小型且「文藝復興式」的團隊正在取代高度專業化的部門。他舉例稱，六名工程師在 76 天內重建了一個推理引擎，而這項任務此前需要 40 人花一年時間才能完成。這預示著未來公司需要的人員將減少，但需要更多能夠利用代理式 AI（agentic AI）處理大部分編碼和研究工作的跨職能「構建者」（builders）。
除了內部效率，賈西認為現有的成功產品必須從底層開始「重新接線」，而非僅僅進行漸進式改進。他以 Alexa 為案例研究，解釋生成式 AI 從根本上改變了產品的「大腦」，因此重新開始是保持競爭力的唯一方法。儘管捨棄辛苦積累的 legacy（遺留）知識在情感上很困難，但這種「第一天」（day one）的心態正被應用於 Prime Video 和零售業務中。
對話以一個多元化亞馬遜的願景結束，該公司將運作於 AI、機器人技術和太空探索的交匯點。賈西通過介紹「單線領導者」（single-threaded leaders）的去中心化組織結構，為公司廣泛的觸角（從 Project Kuiper 的衛星星座到自動駕駛叫車）辯護。他將這些看似分散的投注視為解決大規模客戶痛點的統一使命，並斷言這三大技術轉型將在未來十年重新定義人類體驗。
主要討論主題
基礎設施軍備競賽
賈西與 a16z 探討了 AI 時代驚人的資金需求。賈西解釋了數據中心的「現金週期」：昂貴的房產和電力投資必須提前兩年進行，而伺服器硬體則在實現貨幣化前數月購買。他反駁了關於數據中心環境影響的政治論調，指出高爾夫球場耗水量遠高於數據中心，並認為目前的電網壓力是國家基礎設施投資不足的症狀，而非 AI 的「貪婪」。
AI 需求的「槓鈴」模型
賈西將 AI 市場分為三個細分市場：「高端」（消耗海量運算的 AI 實驗室和爆紅應用）、「低端」（利用 AI 降低成本和提高生產力的企業）以及「中間」（標準生產工作負載）。核心論點在於，「中間」部分代表了最大的增長機會，但其開啟完全取決於推理成本的降低。
垂直整合與晶片戰略
討論強調了收購 Annapurna Labs 的戰略重要性。賈西認為，當單一供應商主導市場（如英特爾或英偉達）時，他們通常會優先考慮功能集而非價格性能比。亞馬遜自行開發 CPU (Graviton) 和 AI 加速器 (Trainium) 的舉措，被視為降低企業採用 AI 門檻的必要行動。
組織設計的演進
賈西與 a16z 討論了高度專業化的消亡。「雙披薩團隊」（two-pizza team）正在演變為「代理團隊」。賈西預測，未來的工作模式將減少每個項目的參與人數，個體將扮演 AI 代理的編排者。他強調，公司需要將整個代碼庫重寫為「代理原生」（agent-native），使 AI 能在數分鐘而非數週內更新並部署代碼。
重新想像 vs. 漸進主義
對話的大部分內容集中在捨棄成功遺留產品的「領導力問題」上。賈西斷言，如果一家公司僅使用 AI 來漸進地改善現有體驗，他們將輸給那些從零開始想像體驗的初創公司。他描述了說服團隊放棄對舊代碼的「宗教式」堅持，轉而採用新型 AI 原生架構所面臨的心理挑戰。
令人驚訝的洞察
- 需求規模： 儘管資本支出 (CapEx) 高達 2,200 億美元，亞馬遜仍有「大量未被滿足的需求」。
- 用水量的迷思： Jassy 指出，高爾夫球場的耗水量是亞馬遜數據中心的 200 倍，有些球場兩天的用水量甚至超過一個數據中心一整年的用量。
- 開發速度： 一支由六名工程師組成的團隊在 76 天內完成的工作，通常需要 40 人花費一整年才能達成。
- 推論成本障礙： 目前推論 (Inference) 的成本被認為高出一個數量級，導致其難以在企業中普及應用。
- 代碼的「宗教」特性： Jassy 注意到，一旦寫下第一行代碼，它就變得像「宗教」一樣不可撼動，這使得團隊即使在技術更迭時，在情感上也難以從零開始重新構建。
- 智能體部署 (Agentic Deployment)： 未來的軟體需要重新編寫，以便智能體 (Agents) 能在幾分鐘內更新代碼；否則，部署的延遲將成為競爭中的死刑判決。
- AI 與教育： Jassy 認為，在課堂上抵制 AI 的大學是錯誤的，因為這項工具已成為教育版圖中不可逆轉的一部分。
- 「中間槓鈴」機會： 未來 AI 使用量最大的絕對部分，不在於新的「神奇」應用程式，而是在於透過推論讓所有現有的企業應用程式變得「更聰明」。
實務啟示
- 採用「智能體原生 (Agent-Native)」架構： 不要只是在舊代碼上添加 AI 外殼；應準備重新編寫系統，使其能由自主智能體管理和更新。
- 優先考慮價格性能而非功能： 在選擇基礎設施時，優先考慮「單次推論成本」，以確保 AI 功能在大規模應用時具有經濟可行性。
- 從專業化轉向通用化： 鼓勵團隊內部培養「文藝復興式」的技能組合。擺脫狹隘的角色定義（例如「定價經理」），轉向跨功能的構建者 (Cross-functional builders)。
- 「重新開始」框架： 定期詢問：「如果我們用目前的 AI 能力在今天開發這個產品，它還會像現在這樣嗎？」如果答案是否定的，請優先考慮全面重新構思，而非漸進式更新。
- 專注於關鍵推理： 當 AI 處理工作的「研究與記錄」階段時，人類的價值將完全轉移到「串聯資訊」——即策略、判斷與綜合分析。
- 管理「創新張力」： 接受速度（採取行動的傾向）與優化（高標準）之間經常存在衝突。在高速增長階段，應偏向客戶與速度，隨後再對架構進行「清理」。
- 垂直整合策略： 識別主導供應商在何處陷入「創新者的窘境」（為了市場份額而忽視價格性能），並建立內部能力來填補這一空白。
L’ampleur actuelle des investissements dans l’intelligence artificielle est telle qu’un budget de dépenses d’investissement annuel de 220 milliards de dollars est insuffisant pour répondre à la demande mondiale. Selon le PDG d’Amazon, Andy Jassy, l’industrie est confrontée à une pénurie critique d’énergie, de systèmes de refroidissement et de puces, les capacités pour 2026 et 2027 étant déjà largement épuisées. Ce déploiement n’est pas simplement un pari sur une nouvelle fonctionnalité, mais un investissement infrastructurel fondamental comparable à la construction du réseau d’autoroutes inter-États, essentiel au fonctionnement numérique de tous les secteurs majeurs, de la santé à la banque.
L’échange entre a16z et Jassy révèle une tension stratégique entre le « biais pour l’action » et les « standards élevés ». Jassy revient sur l’époque de la pandémie, où Amazon a rapidement doublé son réseau de centres de distribution. Bien que cela ait entraîné des inefficacités temporaires et un certain « laisser-aller », Jassy soutient que donner la priorité aux besoins des clients plutôt qu’à l’optimisation immédiate des coûts était le bon arbitrage. Cette philosophie s’étend aujourd’hui à AWS ; malgré la tentation de pivoter toutes les ressources vers les laboratoires d’IA très lucratifs, Jassy insiste pour maintenir des capacités pour les clients entreprises historiques, estimant que le partenariat à long terme l’emporte sur une tarification opportuniste à court terme.
L’un des piliers centraux de la stratégie IA d’Amazon est l’intégration verticale via des puces personnalisées. Jassy détaille comment l’acquisition d’Annapurna Labs a permis à Amazon de contourner le « dilemme de l’innovateur » auquel sont confrontés les fournisseurs de puces dominants. En développant le processeur Graviton et l’accélérateur Trainium, Amazon a réalisé des gains significatifs en termes de rapport performance-prix. Jassy postule que le « milieu de l’haltère » — c’est-à-dire les charges de travail de production standard des entreprises — ne migrera vers l’IA que lorsque le coût de l’inférence chutera d’un autre ordre de grandeur, faisant des puces personnalisées le levier principal d’une adoption généralisée de l’IA.
L’échange intellectuel s’oriente ensuite vers la restructuration fondamentale de l’entreprise. Jassy décrit un changement de paradigme où de petites équipes de « style Renaissance » remplacent des départements hyper-spécialisés. Il cite l’exemple de six ingénieurs ayant reconstruit un moteur d’inférence en 76 jours — une tâche qui aurait auparavant nécessité 40 personnes pendant un an. Cela laisse présager un avenir où les entreprises auront besoin de moins d’humains, mais de plus de « bâtisseurs » polyvalents capables de s’appuyer sur une IA agentique pour gérer l’essentiel du codage et de la recherche.
Au-delà de l’efficacité interne, Jassy soutient que les produits existants qui ont réussi doivent être « recâblés » de fond en comble plutôt qu’améliorés progressivement. En prenant Alexa comme étude de cas, il explique que l’IA générative modifie le « cerveau » du produit de manière si fondamentale que tout recommencer est la seule façon de rester pertinent. Cette mentalité du « premier jour » (Day One) est appliquée à Prime Video et au commerce de détail, malgré la difficulté émotionnelle d’abandonner des connaissances héritées et durement acquises.
Le dialogue se conclut par une vision d’un Amazon diversifié opérant à l’intersection de l’IA, de la robotique et de l’espace. Jassy défend l’étendue des activités de l’entreprise — de la constellation de satellites du projet Kuiper au transport autonome — en s’appuyant sur une structure organisationnelle décentralisée de « leaders à fil unique » (single-threaded leaders). Il considère ces paris disparates comme une mission unifiée visant à résoudre les frictions clients à grande échelle, affirmant que la combinaison de ces trois mutations technologiques redéfinira l’expérience humaine au cours de la prochaine décennie.
Thèmes majeurs de la discussion
La course aux armements infrastructurels
Jassy et a16z explorent les exigences financières vertigineuses de l’ère de l’IA. Jassy explique le « cycle de trésorerie » des centres de données : des investissements coûteux en immobilier et en énergie doivent être réalisés deux ans à l’avance, tandis que le matériel serveur est acheté quelques mois avant la monétisation. Il rejette les discours politiques concernant l’impact environnemental des centres de données, citant le fait que les terrains de golf consomment nettement plus d’eau, et soutient que la tension actuelle sur le réseau électrique est le symptôme d’un sous-investissement national dans les infrastructures plutôt que de la « cupidité » de l’IA.
L’« haltère » de la demande en IA
Jassy catégorise le marché de l’IA en trois segments : le « haut de gamme » (les laboratoires d’IA et les applications virales consommant une puissance de calcul massive), le « bas de gamme » (les entreprises utilisant l’IA pour réduire les coûts et gagner en productivité) et le « milieu » (les charges de travail de production standard). L’argument central est que le « milieu » représente la plus grande opportunité de croissance, mais que son déblocage dépend entièrement de la réduction du coût de l’inférence.
Intégration verticale et stratégie du silicium
La discussion souligne l’importance stratégique de l’acquisition d’Annapurna Labs. Jassy soutient que lorsqu’un seul fournisseur domine un marché (comme Intel ou Nvidia), il donne souvent la priorité aux fonctionnalités plutôt qu’au rapport performance-prix. La décision d’Amazon de construire ses propres processeurs (Graviton) et accélérateurs d’IA (Trainium) est présentée comme une étape nécessaire pour abaisser la barrière à l’adoption de l’IA par les entreprises.
L’évolution de la conception organisationnelle
Jassy et a16z discutent de la fin de l’hyper-spécialisation. L’équipe « deux pizzas » évolue vers des « équipes agentiques ». Jassy prédit que l’avenir du travail impliquera moins d’humains par projet, les individus agissant comme des orchestrateurs d’agents d’IA. Il souligne que les entreprises devront réécrire l’intégralité de leurs bases de code pour qu’elles soient « natives d’agents », permettant à l’IA de mettre à jour et de déployer du code en quelques minutes plutôt qu’en quelques semaines.
Réimaginer vs Incrémentalisme
Une partie importante de la conversation se concentre sur le « problème de leadership » lié à l’abandon de produits hérités ayant réussi. Jassy affirme que si une entreprise utilise l’IA uniquement pour améliorer progressivement une expérience existante, elle perdra face aux startups qui imaginent l’expérience en partant de zéro. Il décrit le défi psychologique consistant à convaincre les équipes d’abandonner leur adhésion « religieuse » aux anciens codes au profit de nouvelles architectures natives de l’IA.
Perspectives Surprenantes
- L’échelle de la demande : Malgré des dépenses d’investissement (CapEx) de 220 milliards de dollars, Amazon laisse encore passer une « demande significative ».
- Le mythe de la consommation d’eau : Jassy affirme que les terrains de golf consomment 200 fois plus d’eau que les centres de données d’Amazon, certains consommant en deux jours plus qu’un centre de données en un an.
- La vitesse de développement : Une équipe de six ingénieurs a accompli en 76 jours ce qui demandait habituellement une année entière à 40 personnes.
- La barrière du coût de l’inférence : L’inférence est actuellement considérée comme étant d’un ordre de grandeur trop coûteuse pour une utilisation généralisée en entreprise.
- La nature « religieuse » du code : Jassy note qu’une fois la première ligne de code écrite, celle-ci devient « religieuse », rendant émotionnellement difficile pour les équipes de tout recommencer, même lorsque la technologie évolue.
- Le déploiement agentique : Les futurs logiciels devront être réécrits pour que des agents puissent mettre à jour le code en quelques minutes ; sinon, le délai de déploiement sera une sentence de mort concurrentielle.
- L’IA dans l’éducation : Jassy estime que les universités qui combattent l’IA en classe font erreur, car l’outil fait déjà partie irréversiblement du paysage éducatif.
- L’opportunité du « haltère central » : Le segment le plus important en valeur absolue de l’utilisation future de l’IA ne réside pas dans de nouvelles applications « magiques », mais dans le fait de rendre chaque application d’entreprise existante « plus intelligente » via l’inférence.
Enseignements Pratiques
- Adopter une architecture « native pour agents » : Ne vous contentez pas d’ajouter des couches d’IA (wrappers) à du vieux code ; préparez-vous à réécrire les systèmes pour qu’ils puissent être gérés et mis à jour par des agents autonomes.
- Prioriser le rapport prix-performance sur les fonctionnalités : Lors du choix de l’infrastructure, privilégiez le coût par inférence pour garantir que les fonctionnalités d’IA soient économiquement viables à grande échelle.
- Passer de la spécialisation à la généralisation : Encouragez des compétences de type « Renaissance » au sein des équipes. Éloignez-vous des rôles étroits (ex: « responsable tarification ») au profit de bâtisseurs polyvalents.
- Le cadre du « recommencer à zéro » : Demandez-vous périodiquement : « Si nous construisions ce produit aujourd’hui avec les capacités actuelles de l’IA, ressemblerait-il en quoi que ce soit à ce qu’il est maintenant ? » Si la réponse est non, privilégiez une réinvention totale plutôt que des mises à jour progressives.
- Se concentrer sur le raisonnement critique : Alors que l’IA gère la phase de « recherche et de prise de notes », la valeur humaine se déplace entièrement vers la « connexion des points » : stratégie, jugement et synthèse.
- Gérer la « tension de l’innovation » : Acceptez que la rapidité (biais pour l’action) et l’optimisation (standards élevés) soient souvent en conflit. Dans les phases de forte croissance, privilégiez le client et la vitesse, puis « nettoyez » l’architecture plus tard.
- Stratégie d’intégration verticale : Identifiez les domaines où les fournisseurs dominants sont confrontés au « dilemme de l’innovateur » (ignorer le rapport prix-performance au profit de la part de marché) et développez des capacités internes pour combler ce vide.
Das derzeitige Ausmaß der Investitionen in künstliche Intelligenz ist so gewaltig, dass selbst ein jährliches Investitionsbudget von 220 Milliarden US-Dollar nicht ausreicht, um die weltweite Nachfrage zu decken. Laut Amazon-CEO Andy Jassy sieht sich die Branche mit einer kritischen Knappheit an Energie, Kühlung und Chips konfrontiert, wobei die Kapazitäten für 2026 und 2027 bereits größtenteils ausverkauft sind. Dieser Ausbau ist nicht bloß eine Wette auf eine neue Funktion, sondern eine grundlegende Infrastrukturmaßnahme, die mit dem Bau des Interstate-Highway-Systems vergleichbar ist und für das digitale Funktionieren jedes wichtigen Sektors – vom Gesundheitswesen bis zum Bankwesen – essenziell ist.
Das Gespräch zwischen a16z und Jassy offenbart ein strategisches Spannungsfeld zwischen „Handlungsbereitschaft“ (bias for action) und „hohen Standards“. Jassy reflektiert über die Pandemiezeit, in der Amazon sein Logistiknetzwerk in rasantem Tempo verdoppelte. Obwohl dies zu vorübergehenden Ineffizienzen und „Schlampigkeit“ führte, argumentiert Jassy, dass die Priorisierung der Kundenbedürfnisse gegenüber einer sofortigen Kostenoptimierung der richtige Kompromiss war. Diese Philosophie setzt sich heute bei AWS fort: Trotz der Versuchung, alle Ressourcen auf hochbezahlende KI-Labore zu lenken, besteht Jassy darauf, Kapazitäten für Kern-Unternehmenskunden aufrechtzuerhalten, da er davon überzeugt ist, dass langfristige Partnerschaften schwerer wiegen als kurzfristige, opportunistische Preisgestaltung.
Ein zentraler Pfeiler der KI-Strategie von Amazon ist die vertikale Integration durch maßgeschneiderte Chips (Custom Silicon). Jassy erläutert, wie die Übernahme von Annapurna Labs es Amazon ermöglichte, das „Innovator’s Dilemma“ zu umgehen, mit dem dominante Chiphersteller konfrontiert sind. Durch die Entwicklung der Graviton-CPU und des Trainium-Beschleunigers hat Amazon signifikante Preis-Leistungs-Gewinne erzielt. Jassy vertritt die Ansicht, dass die „Mitte der Hantel“ – also Standard-Produktionsworkloads von Unternehmen – erst dann zur KI migrieren wird, wenn die Inferenzkosten um eine weitere Größenordnung sinken, was maßgeschneiderte Chips zum primären Hebel für eine flächendeckende KI-Adaption macht.
Der intellektuelle Austausch verlagert sich hin zur grundlegenden Umstrukturierung des Unternehmens. Jassy beschreibt einen Paradigmenwechsel, bei dem kleine „Renaissance-Teams“ spezialisierte Fachabteilungen ersetzen. Er nennt das Beispiel von sechs Ingenieuren, die eine Inferenz-Engine in 76 Tagen neu aufbauten – eine Aufgabe, für die zuvor 40 Personen ein ganzes Jahr benötigt hätten. Dies deutet auf eine Zukunft hin, in der Unternehmen weniger Menschen, aber mehr funktionsübergreifende „Builder“ benötigen, die agentische KI nutzen können, um den Großteil der Programmierung und Forschung zu bewältigen.
Über die interne Effizienz hinaus argumentiert Jassy, dass bestehende erfolgreiche Produkte von Grund auf „neu verdrahtet“ werden müssen, anstatt sie inkrementell zu verbessern. Am Beispiel von Alexa erklärt er, dass generative KI das „Gehirn“ des Produkts so grundlegend verändert, dass ein kompletter Neustart der einzige Weg ist, um relevant zu bleiben. Diese „Day One“-Mentalität wird nun auch auf Prime Video und den Einzelhandel angewandt, trotz der emotionalen Schwierigkeit, mühsam erworbenes Legacy-Wissen zu verwerfen.
Der Dialog schließt mit einer Vision eines diversifizierten Amazon ab, das an der Schnittstelle von KI, Robotik und Raumfahrt agiert. Jassy verteidigt die expansive Reichweite des Unternehmens – von der Satellitenkonstellation des Project Kuiper bis hin zu autonomen Ride-Hailing-Diensten –, indem er auf eine dezentrale Organisationsstruktur aus „Single-Threaded Leaders“ verweist. Er betrachtet diese verschiedenen Wetten als eine einheitliche Mission zur Lösung großflächiger Kundenprobleme und behauptet, dass die Kombination dieser drei technologischen Umbrüche die menschliche Erfahrung im nächsten Jahrzehnt neu definieren wird.
Zentrale Diskussionsthemen
Das Wettrüsten der Infrastruktur
Jassy und a16z untersuchen die immensen finanziellen Anforderungen der KI-Ära. Jassy erläutert den „Cash-Zyklus“ von Rechenzentren: Investitionen in hochpreisige Immobilien und Energie müssen zwei Jahre im Voraus getätigt werden, während Server-Hardware Monate vor der Monetarisierung beschafft wird. Er widerspricht politischen Narrativen bezüglich der Umweltauswirkungen von Rechenzentren, indem er darauf hinweist, dass Golfplätze deutlich mehr Wasser verbrauchen als Rechenzentren, und argumentiert, dass die derzeitige Netzbelastung ein Symptom nationaler Unterinvestitionen in die Infrastruktur sei und nicht die „Gier“ der KI.
Die „Hantel“ der KI-Nachfrage
Jassy unterteilt den KI-Markt in drei Segmente: das „High End“ (KI-Labore und virale Apps, die massive Rechenleistung verbrauchen), das „Low End“ (Unternehmen, die KI zur Kostenvermeidung und Produktivitätssteigerung nutzen) und die „Mitte“ (Standard-Produktionsworkloads). Das Kernargument ist, dass die „Mitte“ das größte Wachstumspotenzial bietet, dessen Erschließung jedoch vollständig von der Senkung der Inferenzkosten abhängt.
Vertikale Integration und Chip-Strategie
Die Diskussion hebt die strategische Bedeutung der Übernahme von Annapurna Labs hervor. Jassy argumentiert, dass ein Anbieter, der einen Markt dominiert (wie Intel oder Nvidia), oft Funktionsumfänge gegenüber dem Preis-Leistungs-Verhältnis priorisiert. Amazons Schritt, eigene CPUs (Graviton) und KI-Beschleuniger (Trainium) zu bauen, wird als notwendige Maßnahme dargestellt, um die Hürden für die KI-Adaption in Unternehmen zu senken.
Die Evolution des Organisationsdesigns
Jassy und a16z diskutieren das Ende der Hyperspezialisierung. Das „Two-Pizza-Team“ entwickelt sich zu „agentischen Teams“. Jassy prognostiziert, dass die Zukunft der Arbeit weniger Menschen pro Projekt beinhalten wird, wobei Einzelpersonen als Orchestratoren von KI-Agenten fungieren. Er betont, dass Unternehmen ihre gesamten Codebasen „agent-native“ umschreiben müssen, damit KI Code in Minuten statt in Wochen aktualisieren und bereitstellen kann.
Neukonzeption vs. Inkrementalismus
Ein wesentlicher Teil des Gesprächs konzentriert sich auf das „Führungsproblem“, erfolgreiche Legacy-Produkte aufzugeben. Jassy stellt fest, dass ein Unternehmen, das KI nur nutzt, um bestehende Erlebnisse inkrementell zu verbessern, gegen Startups verlieren wird, die das Erlebnis von Grund auf neu denken. Er beschreibt die psychologische Herausforderung, Teams davon zu überzeugen, die „religiöse“ Treue zu altem Code zugunsten neuer, KI-nativer Architekturen aufzugeben.
Überraschende Erkenntnisse
- Ausmaß der Nachfrage: Trotz Investitionen von 220 Milliarden Dollar in CapEx lässt Amazon immer noch eine „bedeutende Nachfrage ungenutzt“.
- Mythos Wasserverbrauch: Jassy behauptet, dass Golfplätze 200-mal mehr Wasser verbrauchen als Amazons Rechenzentren, wobei einige Plätze in zwei Tagen mehr verbrauchen als ein Rechenzentrum in einem Jahr.
- Entwicklungsgeschwindigkeit: Ein Team von sechs Ingenieuren erreichte in 76 Tagen das, wofür normalerweise 40 Personen ein ganzes Jahr benötigten.
- Barriere durch Inferenzkosten: Die Inferenz wird derzeit als um eine Größenordnung zu teuer für eine flächendeckende unternehmensweite Nutzung angesehen.
- Die „religiöse“ Natur von Code: Jassy merkt an, dass Code „religiös“ wird, sobald die erste Zeile geschrieben ist. Dies mache es für Teams emotional schwierig, von vorne zu beginnen, selbst wenn sich die Technologie ändert.
- Agentenbasierte Implementierung: Zukünftige Software muss so umgeschrieben werden, dass Agenten den Code in wenigen Minuten aktualisieren können; andernfalls wird die Verzögerung bei der Bereitstellung ein wettbewerbsbedingtes Todesurteil sein.
- KI in der Bildung: Jassy glaubt, dass Universitäten, die gegen KI im Klassenzimmer kämpfen, irren, da das Tool bereits ein unumkehrbarer Teil der Bildungslandschaft ist.
- Die „Middle Barbell“-Chance: Das größte absolute Segment der künftigen KI-Nutzung liegt nicht in neuen „magischen“ Apps, sondern darin, jede bestehende Unternehmensanwendung durch Inferenz „intelligenter“ zu machen.
Praktische Erkenntnisse
- Eine „Agent-Native“-Architektur einführen: Fügen Sie altem Code nicht einfach KI-Wrapper hinzu; bereiten Sie sich darauf vor, Systeme so umzuschreiben, dass sie von autonomen Agenten verwaltet und aktualisiert werden können.
- Preis-Leistung vor Funktionen priorisieren: Priorisieren Sie bei der Auswahl der Infrastruktur die Kosten pro Inferenz, um sicherzustellen, dass KI-Funktionen in großem Maßstab wirtschaftlich rentabel sind.
- Von Spezialisierung zu Generalisierung wechseln: Fördern Sie „Renaissance“-Kompetenzen innerhalb der Teams. Bewegen Sie sich weg von engen Rollen (z. B. „Pricing Manager“) hin zu crossfunktionalen Entwicklern („Builders“).
- Das „Neuanfang“-Framework: Fragen Sie sich regelmäßig: „Wenn wir dieses Produkt heute mit den aktuellen KI-Fähigkeiten bauen würden, sähe es dann überhaupt so aus wie jetzt?“ Wenn die Antwort nein lautet, priorisieren Sie eine vollständige Neugestaltung gegenüber inkrementellen Updates.
- Fokus auf kritisches Denken: Da KI die Phase der „Recherche und Notiznahme“ übernimmt, verschiebt sich der menschliche Mehrwert vollständig auf das „Verknüpfen der Punkte“ – Strategie, Urteilsvermögen und Synthese.
- Die „Innovationsspannung“ managen: Akzeptieren Sie, dass Geschwindigkeit (Handlungsdrang) und Optimierung (hohe Standards) oft im Konflikt stehen. Neigen Sie in Hochwachstumsphasen eher zum Kunden/zur Geschwindigkeit und „bereinigen“ Sie die Architektur später.
- Strategie der vertikalen Integration: Identifizieren Sie Bereiche, in denen dominante Anbieter ein „Innovator’s Dilemma“ haben (Preis-Leistung zugunsten von Marktanteilen ignorieren) und bauen Sie interne Kapazitäten auf, um diese Lücke zu schließen.
Amazon expects to spend roughly $220 billion in CapEx in 2026, yet CEO Andy Jassy says the company is still leaving meaningful AI demand on the table.** He believes the buildout could ultimately help make AWS a $1 trillion annual run-rate business.
Andy joins a16z co-founder Ben Horowitz and Erik Torenberg to discuss why AI demand is growing so quickly, how Amazon decides how much infrastructure to build, and why lower inference costs could unlock broader enterprise adoption.
They also discuss how AI is reshaping Amazon itself, from smaller teams building products faster to reimagining Alexa, and why Andy sees cybersecurity, human judgment, and critical thinking as increasingly important in the AI era.
Resources:
Follow Andy Jassy on X: https://x.com/ajassy
Follow Ben Horowitz on X:https://x.com/bhorowitz
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.
-
Why Medical AI Needs a Referee | Protege’s Engy Ziedan
Daisy Wolf and Eva Steinman are joined by Engy Ziedan, co-founder and Chief Scientific Officer of Protege, to discuss why medical AI has a measurement problem, and why scoring well on a benchmark doesn’t necessarily…
-
Martin Casado on Where the Value Is Going in AI
Martin Casado joins MTS hosts Theo Jaffee and Sophia Dew to unpack where value is actually accruing in AI, why this technology cycle looks fundamentally different from previous waves, and whether the frontier labs will…
-
How Microsoft Is Securing the Agentic Enterprise | Aaron Zollman
a16z’s Joel De La Garza is joined by Aaron Zollman, Deputy CISO at Microsoft Gaming, to discuss how security teams can embrace AI agents without losing control. Aaron shares Microsoft’s experience with OpenClaw, from the…
-
How Global Networks Are Reshaping Startup Success
Elena Burger is joined by a16z’s Angela Strange and Gabriel Vasquez to discuss the rise of the “borderless founder”: entrepreneurs who bring the networks and insights of their home markets together with the talent, capital,…
-
How Whatnot Built a Global Marketplace
a16z General Partner David George is joined by Grant LaFontaine, co-founder of Whatnot, to unpack how a marketplace that started with collectibles evolved into one of the world’s leading live shopping platforms. Grant traces the…
-
How Do You Defend Against AI That Can Hack?
a16z’s Joel De La Garza is joined by Nick Warner of Neo and Max Pollard of Cotool to discuss what happens when cybersecurity tools built to defend against humans and malware suddenly have to contend…
-
Stripe’s AI Strategy: Build More, Not Less
a16z General Partner David George is joined by Will Gaybrick, President of Product & Business at Stripe, to discuss how AI is changing the way Stripe builds products, organizes teams, and thinks about the future…
-
Ben Horowitz and Travis Kalanick on Building Again
Ben Horowitz, Travis Kalanick, and Erik Torenberg take the stage at Atoms’ launch event for a candid fireside conversation about entrepreneurship, company building, and why Kalanick believes the next industrial revolution will be powered by…
-
The Two Ways to Sell AI: Lighthouse or Landgrab?
Elena Burger is joined by a16z’s Andy McCall and Joe Schmidt to break down two very different ways AI startups can go to market: the lighthouse and the landgrab. Should founders win a handful of…
-
Garry Tan on Taste, Agents and Founder Ambition
Anish Acharya is joined by Garry Tan, President and CEO of Y Combinator, for a conversation about how AI is rewriting the startup playbook, why founders should be more ambitious than ever, and what two…