a16z Podcast
Summary & Insights
The premise of the modern AI era is not just the creation of smarter models, but the collapse of the “tinkerer’s barrier.” For too long, the immense value of AI has been trapped behind a wall of experimentation; only those with the technical curiosity or the time to “prompt engineer” their way to a solution have reaped the rewards. a16z argues that the next massive leap in productivity occurs when AI agents stop being a text box that requires a human to drive it and start becoming proactive “token allocation machines” that identify and execute high-value opportunities for the user without being asked.
The conversation begins with the origin of Town, founded by Jean-Denis Graz. a16z highlights a critical founder’s lesson through Graz’s pivot from a successful SMB tax tool to an AI assistant. Despite having product-market fit in tax, Graz realized that the cyclical nature of the business (selling once a year) and the distribution advantage of incumbents created a “ticking clock” that limited venture-scale growth. This led to the creation of Town, which targets the ubiquitous workflows of email and calendars. a16z posits that while many fight over “vertical” AI (specific industries), the real opportunity lies in a “horizontal” agent that integrates into the primary way the world works: the inbox.
A central tension explored is the conflict between the “application layer” (Town) and the “model layer” (OpenAI, Anthropic). a16z argues that for a business, relying on a single model provider is a strategic risk. If a company builds its entire workflow on one lab’s ecosystem, they are beholden to that lab’s pricing, priorities, and intelligence ceiling. a16z proposes a framework of “neutral intelligence,” where the agent acts as a router, deploying whichever model—frontier or open-weight—is best for the specific task at hand. This neutrality, coupled with a commitment to user-owned data and context, creates a moat based on trust and flexibility rather than just raw capability.
a16z further delves into the “Jevons Paradox” of AI assistants: as the cost of intelligence (tokens) drops, the demand for it doesn’t decrease; it explodes. Tasks that were previously too expensive for a human assistant to perform—such as writing detailed prep notes for every single 30-minute meeting or auditing wholesaler price changes monthly for a small restaurant—become economically viable. a16z suggests that the winning AI products won’t just provide a tool, but will proactively suggest these “long-tail” automations to users who don’t even know they are possible.
The discussion then shifts to the broader economic impact of “agentic traffic” surpassing human traffic. a16z notes that this breaks the historical “covenant” of the internet: the exchange of free content for human eyeballs (advertising). When an agent handles a transaction, the advertiser loses the eyeball. a16z suggests that companies like Amazon, which rely heavily on advertising revenue, may face an existential crisis unless they pivot from being “aggregators of supply” to providing their own neutral personal agents. a16z argues that in a world of agents, supply aggregation is cheap, but the trust of the agent is everything.
Finally, a16z addresses the “diffusion gap” of AI adoption. While Silicon Valley is over-hyped, the rest of the world is under-hyped because most people are judging AI by their early, flawed experiments from two years ago. a16z asserts that the path to global adoption is not teaching people how to use AI, but delivering “consumer-grade” experiences in an enterprise setting. The goal is to move from the “speed of humans”—where a request in Slack takes a day for an answer—to the “speed of AI,” where agents mediate security and privacy to provide instant, company-wide insights.
Major Discussion Themes
The Neutrality Framework vs. Model Lock-in
a16z emphasizes the danger of “supplier competition,” where the companies providing the tokens (labs) also build the applications. a16z argues that enterprises require a neutral layer that can swap models as the “intelligence leader” shifts. This prevents a company from being at a competitive disadvantage if their chosen provider’s model plateaus while a competitor’s model leaps forward.
The Token Allocation Machine
Rather than viewing an AI agent as a chatbot, a16z frames it as a system for allocating tokens to maximize human ROI. This involves identifying “invisible” workflows—tasks that are too tedious for humans but cheap for AI—and proactively offering them. The value shifts from “answering questions” to “finding opportunities to save money or time” that the user didn’t know existed.
The Collapse of Supply Aggregation
a16z posits that the traditional business model of the “aggregator” (like Amazon or Expedia) is under threat. When humans browse, aggregators win via ad placements and visibility. When agents browse, they optimize for the best price/value without being influenced by ads. a16z suggests that “headless commerce” will force a shift toward synergistic relationships between agents and suppliers.
Enterprise UX as Consumer UX
a16z argues that the “Blackberry moment” is happening in AI. Just as CEOs demanded iPhones at work because they loved them at home, they will demand AI agents that feel like consumer products. a16z contends that starting with a product-led growth (PLG) model for users, and then layering on enterprise compliance and security, is the only way to build a world-class experience.
The Tinkerer’s Gap and AI Diffusion
a16z identifies a divide between “tinkerers” (who can coax value out of a text box) and the general population. To cross the chasm, AI must move from “generative” (create this for me) to “agentic” (do this for me). The goal is to provide the same value to a non-technical restaurant owner that a software engineer gets from a custom-built LLM pipeline.
Surprising Insights
- The “Ticking Clock” of Incumbents: Even a growing business can be a failure if the incumbents can automate the core value proposition faster than the startup can acquire a distribution moat.
- The Jevons Paradox in AI: Lowering the cost of intelligence doesn’t reduce the need for it; it creates entirely new categories of “micro-tasks” (like meeting prep for every call) that were previously unthinkable.
- Broken Internet Covenants: The shift to agentic traffic destroys the “content-for-eyeballs” trade, potentially bankrupting the advertising-heavy business models of the current web giants.
- The “Goldilocks Zone” of Relevance: Small-to-mid-market horizontal tools may actually be safer from being “killed” by OpenAI/Anthropic than high-value vertical tools (like AI for Law) because they aren’t as singular a target.
- The “Anti-FDE” Approach: a16z argues that the “Forward Deployed Engineer” (FDE) model—where humans build custom AI for a company—will scale poorly compared to a product that uses AI to build its own custom software for the user.
- Privacy as a Speed Multiplier: By trusting AI to mediate privacy and security (e.g., searching employees’ agents for a lead), companies can move from “human speed” (waiting for a Slack reply) to “AI speed” (instant answers).
- The “Early Adopter’s Curse”: Many non-tech professionals are under-using AI today because they tried it two years ago, it hallucinated, and they “ossified” that negative experience as the truth of what AI can do.
Practical Takeaways
- Prioritize Neutrality: When selecting AI tools for an organization, prioritize those that allow you to switch model providers without losing your “context layer” or data.
- Focus on the User, Not the Buyer: To avoid building “ugly” enterprise software, build for the end-user first (PLG) and solve for the C-suite’s compliance/security needs second.
- Identify “Long-Tail” Automations: Look for tasks that are too small to hire a human for but provide significant value if done consistently (e.g., the “iceberg lettuce” price audit).
- Own Your Context Layer: Ensure that the data and “memories” created by your AI agents are portable assets owned by the business, not locked within a vendor’s proprietary database.
- Bridge the Tinkerer Gap: If deploying AI in a team, don’t provide a “text box”; provide “routines” or templates that demonstrate immediate, concrete value to non-technical users.
- Anticipate “Headless” Distribution: For businesses selling products, prepare for a world where your primary “customer” is an agent optimizing for value, not a human browsing a website.
- Adopt a “Router” Mindset: Instead of asking “Which model is best?”, ask “Which model is best for this specific task at this specific moment?”
🛍️ Products & Resources Mentioned
- ⚡ DeviceiPhone — Mentioned as a catalyst for enterprise change when CEOs experienced its superior consumer-grade UX compared to the Blackberry.View on Amazon →
- ⚡ DeviceBlackberry — Referenced as an example of a product that failed because it couldn’t compete with the consumer-grade experience of the iPhone.View on Amazon →
- ⚡ DeviceTown AI — An AI agent platform focused on neutrality, data ownership, and automating business operations like email and calendar management.View on Amazon →
- ⚡ DeviceMuse AI — Mentioned as a free personal AI agent that creates a flywheel of user data for better targeting and entertainment.View on Amazon →
Tiền đề của kỷ nguyên AI hiện đại không chỉ nằm ở việc tạo ra các mô hình thông minh hơn, mà là sự sụp đổ của “rào cản dành cho những kẻ mày mò” (tinkerer’s barrier). Trong một thời gian dài, giá trị khổng lồ của AI đã bị mắc kẹt sau một bức tường thử nghiệm; chỉ những ai có sự tò mò về kỹ thuật hoặc có thời gian để “kỹ nghệ câu lệnh” (prompt engineer) mới gặt hái được thành quả. a16z lập luận rằng bước nhảy vọt tiếp theo về năng suất sẽ xảy ra khi các tác nhân AI (AI agents) ngừng là một hộp văn bản cần con người điều khiển, mà trở thành những “cỗ máy phân bổ token” chủ động, có khả năng nhận diện và thực thi các cơ hội giá trị cao cho người dùng mà không cần được yêu cầu.
Cuộc thảo luận bắt đầu với nguồn gốc của Town, được sáng lập bởi Jean-Denis Graz. a16z nhấn mạnh một bài học quan trọng cho những nhà sáng lập thông qua việc Graz chuyển hướng từ một công cụ thuế cho doanh nghiệp vừa và nhỏ (SMB) thành công sang một trợ lý AI. Mặc dù đã đạt được sự phù hợp giữa sản phẩm và thị trường (product-market fit) trong mảng thuế, Graz nhận ra rằng tính chất chu kỳ của doanh nghiệp (chỉ bán một lần mỗi năm) và lợi thế phân phối của những đối thủ lớn đã tạo ra một “chiếc đồng hồ đang đếm ngược”, hạn chế khả năng tăng trưởng quy mô vốn mạo hiểm. Điều này dẫn đến sự ra đời của Town, tập trung vào các quy trình làm việc phổ biến như email và lịch. a16z cho rằng trong khi nhiều người tranh giành AI “chiều dọc” (cho các ngành cụ thể), thì cơ hội thực sự nằm ở một tác nhân “chiều ngang” tích hợp vào cách thức vận hành chính của thế giới: hộp thư đến.
Một điểm mâu thuẫn trung tâm được khám phá là xung đột giữa “lớp ứng dụng” (Town) và “lớp mô hình” (OpenAI, Anthropic). a16z lập luận rằng đối với một doanh nghiệp, việc phụ thuộc vào một nhà cung cấp mô hình duy nhất là một rủi ro chiến lược. Nếu một công ty xây dựng toàn bộ quy trình làm việc trên hệ sinh thái của một phòng thí nghiệm, họ sẽ bị ràng buộc bởi mức giá, thứ tự ưu tiên và ngưỡng thông minh của phòng thí nghiệm đó. a16z đề xuất một khung “trí tuệ trung lập”, trong đó tác nhân đóng vai trò như một bộ định tuyến, triển khai bất kỳ mô hình nào — dù là mô hình tiên phong (frontier) hay mô hình trọng số mở (open-weight) — phù hợp nhất cho tác vụ cụ thể. Sự trung lập này, kết hợp với cam kết về dữ liệu và ngữ cảnh do người dùng sở hữu, tạo ra một “con hào” dựa trên niềm tin và sự linh hoạt thay vì chỉ dựa vào năng lực thuần túy.
a16z đi sâu hơn vào “Nghịch lý Jevons” của các trợ lý AI: khi chi phí trí tuệ (token) giảm xuống, nhu cầu không giảm đi mà trái lại, nó bùng nổ. Những tác vụ trước đây quá đắt đỏ để một trợ lý con người thực hiện — chẳng hạn như viết ghi chú chuẩn bị chi tiết cho mọi cuộc họp 30 phút hoặc kiểm tra thay đổi giá bán buôn hàng tháng cho một nhà hàng nhỏ — nay trở nên khả thi về mặt kinh tế. a16z gợi ý rằng những sản phẩm AI chiến thắng sẽ không chỉ cung cấp một công cụ, mà sẽ chủ động đề xuất những tự động hóa “đuôi dài” (long-tail) này cho những người dùng thậm chí còn không biết rằng chúng có thể thực hiện được.
Cuộc thảo luận sau đó chuyển sang tác động kinh tế rộng lớn hơn khi “lưu lượng truy cập từ tác nhân” (agentic traffic) vượt qua lưu lượng từ con người. a16z lưu ý rằng điều này phá vỡ “giao kèo” lịch sử của internet: trao đổi nội dung miễn phí để lấy sự chú ý của con người (quảng cáo). Khi một tác nhân xử lý giao dịch, nhà quảng cáo mất đi sự chú ý đó. a16z cho rằng các công ty như Amazon, vốn phụ thuộc nặng nề vào doanh thu quảng cáo, có thể đối mặt với một cuộc khủng hoảng tồn vong trừ khi họ chuyển đổi từ “bên tổng hợp nguồn cung” sang cung cấp các tác nhân cá nhân trung lập của riêng mình. a16z lập luận rằng trong thế giới của các tác nhân, việc tổng hợp nguồn cung là rẻ, nhưng niềm tin của tác nhân mới là tất cả.
Cuối cùng, a16z đề cập đến “khoảng cách khuếch tán” trong việc áp dụng AI. Trong khi Thung lũng Silicon đang bị thổi phồng quá mức, thì phần còn lại của thế giới lại chưa được đánh giá đúng mức vì hầu hết mọi người đang đánh giá AI dựa trên những thử nghiệm sớm và đầy lỗi từ hai năm trước. a16z khẳng định rằng con đường dẫn đến việc áp dụng toàn cầu không phải là dạy mọi người cách sử dụng AI, mà là mang lại những trải nghiệm “cấp độ tiêu dùng” (consumer-grade) vào môi trường doanh nghiệp. Mục tiêu là chuyển từ “tốc độ của con người” — nơi một yêu cầu trên Slack mất một ngày để có câu trả lời — sang “tốc độ của AI”, nơi các tác nhân điều phối bảo mật và quyền riêng tư để cung cấp những thông tin chi tiết tức thời cho toàn công ty.
Các Chủ đề Thảo luận Chính
Khung Trung lập và Sự Ràng buộc Mô hình
a16z nhấn mạnh mối nguy hiểm của “cạnh tranh nhà cung cấp”, nơi các công ty cung cấp token (các phòng thí nghiệm) cũng đồng thời xây dựng ứng dụng. a16z lập luận rằng doanh nghiệp cần một lớp trung lập có thể hoán đổi các mô hình khi “kẻ dẫn đầu về trí tuệ” thay đổi. Điều này ngăn chặn việc một công ty bị rơi vào thế bất lợi cạnh tranh nếu mô hình của nhà cung cấp họ chọn bị chững lại trong khi mô hình của đối thủ tiến một bước dài.
Cỗ máy Phân bổ Token
Thay vì coi tác nhân AI là một chatbot, a16z định nghĩa nó như một hệ thống phân bổ token để tối đa hóa ROI (tỷ suất hoàn vốn) cho con người. Điều này bao gồm việc nhận diện các quy trình làm việc “vô hình” — những tác vụ quá tẻ nhạt đối với con người nhưng lại rẻ đối với AI — và chủ động đề xuất thực hiện chúng. Giá trị chuyển từ việc “trả lời câu hỏi” sang “tìm kiếm cơ hội tiết kiệm tiền bạc hoặc thời gian” mà người dùng không hề biết là có tồn tại.
Sự Sụp đổ của Việc Tổng hợp Nguồn cung
a16z cho rằng mô hình kinh doanh truyền thống của “bên tổng hợp” (như Amazon hay Expedia) đang bị đe dọa. Khi con người duyệt web, bên tổng hợp thắng nhờ vị trí quảng cáo và khả năng hiển thị. Khi tác nhân duyệt web, chúng tối ưu hóa cho mức giá/giá trị tốt nhất mà không bị ảnh hưởng bởi quảng cáo. a16z gợi ý rằng “thương mại không giao diện” (headless commerce) sẽ buộc một sự chuyển dịch hướng tới mối quan hệ cộng hưởng giữa các tác nhân và nhà cung cấp.
UX Doanh nghiệp như UX Tiêu dùng
a16z lập luận rằng “khoảnh khắc Blackberry” đang xảy ra với AI. Giống như việc các CEO yêu cầu dùng iPhone tại nơi làm việc vì họ yêu thích chúng ở nhà, họ sẽ yêu cầu các tác nhân AI mang lại cảm giác như những sản phẩm tiêu dùng. a16z cho rằng bắt đầu với mô hình tăng trưởng lấy sản phẩm làm trung tâm (PLG) cho người dùng, sau đó mới bổ sung các lớp tuân thủ và bảo mật doanh nghiệp, là cách duy nhất để xây dựng một trải nghiệm đẳng cấp thế giới.
Khoảng cách Mày mò và Sự Khuếch tán AI
a16z nhận diện một sự chia rẽ giữa những “kẻ mày mò” (những người có thể khai thác giá trị từ một hộp văn bản) và đại đa số quần chúng. Để vượt qua hố ngăn này, AI phải chuyển từ “tạo sinh” (hãy tạo cái này cho tôi) sang “tác nhân” (hãy làm cái này cho tôi).
Mục tiêu là mang lại giá trị cho một chủ nhà hàng không am hiểu kỹ thuật tương đương với giá trị mà một kỹ sư phần mềm nhận được từ một hệ thống LLM (mô hình ngôn ngữ lớn) được xây dựng tùy chỉnh.
Những góc nhìn bất ngờ
- “Chiếc đồng hồ đang điểm” của những kẻ dẫn đầu: Ngay cả một doanh nghiệp đang tăng trưởng vẫn có thể thất bại nếu các đối thủ lớn có thể tự động hóa giá trị cốt lõi nhanh hơn mức mà startup có thể xây dựng được “hào phòng thủ” về phân phối.
- Nghịch lý Jevons trong AI: Việc giảm chi phí của trí tuệ không làm giảm nhu cầu sử dụng nó; trái lại, nó tạo ra những danh mục “vi nhiệm vụ” hoàn toàn mới (ví dụ: chuẩn bị nội dung họp cho mọi cuộc gọi) mà trước đây là điều không thể tưởng tượng được.
- Sự đổ vỡ của các giao ước Internet: Sự chuyển dịch sang lưu lượng truy cập từ các agent (tác nhân AI) sẽ phá hủy mô hình trao đổi “nội dung lấy lượt xem”, có khả năng khiến các mô hình kinh doanh phụ thuộc nặng nề vào quảng cáo của các gã khổng lồ web hiện nay bị phá sản.
- “Vùng Goldilocks” của sự phù hợp: Các công cụ đa năng cho thị trường vừa và nhỏ thực chất có thể an toàn hơn trước nguy cơ bị “khai tử” bởi OpenAI/Anthropic so với các công cụ chuyên sâu giá trị cao (như AI cho Luật), vì chúng không phải là mục tiêu đơn lẻ và rõ ràng.
- Cách tiếp cận “Anti-FDE”: a16z lập luận rằng mô hình “Kỹ sư triển khai tiền tuyến” (Forward Deployed Engineer – FDE)—nơi con người xây dựng AI tùy chỉnh cho một công ty—sẽ khó mở rộng quy mô hơn so với một sản phẩm sử dụng AI để tự xây dựng phần mềm tùy chỉnh cho người dùng.
- Quyền riêng tư là chất xúc tác tốc độ: Bằng cách tin tưởng AI điều phối quyền riêng tư và bảo mật (ví dụ: tìm kiếm trong agent của nhân viên để lấy thông tin khách hàng tiềm năng), các công ty có thể chuyển từ “tốc độ con người” (chờ phản hồi trên Slack) sang “tốc độ AI” (có câu trả lời tức thì).
- “Lời nguyền của những người dùng sớm”: Nhiều chuyên gia không thuộc lĩnh vực kỹ thuật hiện đang dùng chưa hết tiềm năng của AI vì họ đã thử nó từ hai năm trước, gặp phải hiện tượng “ảo giác” (hallucination), và họ “đúc kết” trải nghiệm tiêu cực đó thành sự thật về khả năng của AI.
Bài học thực tiễn
- Ưu tiên tính trung lập: Khi lựa chọn công cụ AI cho một tổ chức, hãy ưu tiên những công cụ cho phép bạn thay đổi nhà cung cấp mô hình mà không làm mất đi “lớp ngữ cảnh” (context layer) hoặc dữ liệu.
- Tập trung vào người dùng, không phải người mua: Để tránh tạo ra những phần mềm doanh nghiệp “xấu xí”, hãy xây dựng cho người dùng cuối trước (PLG – Product Led Growth) và giải quyết các nhu cầu về tuân thủ/bảo mật của ban lãnh đạo sau.
- Xác định các tự động hóa “đuôi dài” (Long-Tail): Tìm kiếm những tác vụ quá nhỏ để thuê một con người làm nhưng lại mang lại giá trị đáng kể nếu được thực hiện nhất quán (ví dụ: kiểm tra giá xà lách iceberg).
- Sở hữu lớp ngữ cảnh của bạn: Đảm bảo rằng dữ liệu và “ký ức” do các agent AI của bạn tạo ra là những tài sản di động do doanh nghiệp sở hữu, chứ không bị khóa trong cơ sở dữ liệu độc quyền của nhà cung cấp.
- Thu hẹp khoảng cách cho người không rành công nghệ: Nếu triển khai AI trong một nhóm, đừng chỉ cung cấp một “ô nhập văn bản”; hãy cung cấp các “quy trình” (routines) hoặc mẫu (templates) chứng minh giá trị cụ thể và tức thì cho người dùng không am hiểu kỹ thuật.
- Dự báo phân phối “không giao diện” (Headless Distribution): Đối với các doanh nghiệp bán sản phẩm, hãy chuẩn bị cho một thế giới nơi “khách hàng” chính của bạn là một agent đang tối ưu hóa giá trị, chứ không phải là một con người đang lướt website.
- Áp dụng tư duy “Bộ định tuyến” (Router): Thay vì hỏi “Mô hình nào là tốt nhất?”, hãy hỏi “Mô hình nào là tốt nhất cho tác vụ cụ thể này tại thời điểm cụ thể này?”
現代 AI 時代的前提不僅在於創造更聰明的模型，而在於「修補者門檻」（tinkerer’s barrier）的崩潰。長期以來，AI 的巨大價值一直被困在實驗之牆後；只有那些擁有技術好奇心，或有時間透過「提示工程」（prompt engineering）尋找解決方案的人才能獲益。a16z 認為，下一次生產力的巨大飛躍，將發生在 AI 代理（AI agents）不再是一個需要人類驅動的文字框，而開始成為主動的「Token 分配機器」，能在無需被要求的情況下，為用戶識別並執行高價值的機會。
對話從 Town 的起源開始，該公司由 Jean-Denis Graz 創立。a16z 透過 Graz 從成功的 SMB（中小企業）稅務工具轉型為 AI 助手的過程，強調了一個關鍵的創業者教訓。儘管在稅務領域已達成產品市場契合（product-market fit），但 Graz 意識到該業務的週期性（一年僅銷售一次）以及現有巨頭的分發優勢，創造了一種限制創業規模增長的「時間壓力」。這促成了 Town 的誕生，其目標是針對無處不在的電子郵件和日曆工作流。a16z 提出，雖然許多人在爭奪「垂直」AI（特定行業），但真正的機會在於一個能整合進世界運作核心方式——收件箱——的「水平」代理。
討論的核心矛盾在於「應用層」（如 Town）與「模型層」（如 OpenAI, Anthropic）之間的衝突。a16z 主張，對於企業而言，依賴單一模型提供商是一種戰略風險。如果一家公司將整個工作流建立在某個實驗室的生態系統之上，他們將受制於該實驗室的定價、優先順序和智能上限。a16z 提出了一套「中立智能」（neutral intelligence）的框架，讓代理扮演路由器的角色，根據具體任務部署最合適的模型（無論是尖端模型還是開源權重模型）。這種中立性，加上對用戶擁有數據和上下文的承諾，創造了一道基於信任和靈活性而非僅僅是原始能力的護城河。
a16z 進一步探討了 AI 助手的「傑文斯悖論」（Jevons Paradox）：隨著智能成本（Token）下降，對智能的需求不會減少，反而會爆炸式增長。先前對人類助手而言成本過高而無法執行的任務——例如為每場 30 分鐘的會議撰寫詳細的準備筆記，或為小型餐廳每月審核批發商的價格變動——現在在經濟上變得可行。a16z 認為，勝出的 AI 產品將不僅僅提供工具，而是會主動向那些甚至不知道這些功能存在的用戶推薦這些「長尾」自動化方案。
隨後，討論轉向「代理流量」超越人類流量所帶來的更廣泛經濟影響。a16z 指出，這打破了互聯網歷史上的「盟約」：即用免費內容交換人類目光（廣告）。當代理處理交易時，廣告商失去了目光。a16z 認為，像亞馬遜（Amazon）這樣高度依賴廣告收入的公司可能會面臨生存危機，除非他們從「供應聚合者」轉型為提供自己的中立個人代理。a16z 主張，在代理的世界中，供應聚合是廉價的，但代理的信任才是 everything。
最後，a16z 討論了 AI 採用的「擴散差距」。雖然矽谷過於炒作，但世界的其他地區卻被低估了，因為大多數人是根據兩年前早期且有缺陷的實驗來評判 AI 的。a16z 斷言，全球普及的路徑不是教人們如何使用 AI，而是在企業環境中提供「消費級」的體驗。目標是從「人類速度」（在 Slack 提出請求需一天才能得到答案）轉向「AI 速度」（代理協調安全與隱私，提供即時的企業級洞察）。
主要討論主題
中立框架 vs. 模型鎖定
a16z 強調了「供應商競爭」的危險，即提供 Token 的公司（實驗室）同時也構建應用程序。a16z 主張企業需要一個中立層，以便在「智能領導者」更迭時能夠切換模型。這可以防止公司在所選提供商的模型陷入瓶頸，而競爭對手的模型飛躍前進時，處於競爭劣勢。
Token 分配機器
a16z 將 AI 代理定義為一種分配 Token 以最大化人類投資回報（ROI）的系統，而非僅僅是聊天機器人。這涉及識別「隱形」工作流——那些對人類來說太乏味但對 AI 來說很廉價的任務——並主動提供方案。價值從「回答問題」轉向「尋找用戶不知道的省錢或省時機會」。
供應聚合的崩潰
a16z 認為傳統的「聚合者」商業模式（如亞馬遜或 Expedia）正受到威脅。當人類瀏覽時，聚合者透過廣告投放和能見度獲勝；但當代理瀏覽時，它們會優化最佳價格/價值，而不受廣告影響。a16z 認為「無頭電商」（headless commerce）將迫使代理與供應商之間轉向協同關係。
企業級 UX 即消費級 UX
a16z 主張 AI 領域正在發生「黑莓時刻」（Blackberry moment）。就像執行長因為在居家生活中喜愛 iPhone 而要求在工作中也能使用一樣，他們將要求使用感覺像消費產品的 AI 代理。a16z 認為，從面向用戶的產品驅動增長（PLG）模型開始，然後疊加企業級合規與安全，是打造世界級體驗的唯一方法。
修補者差距與 AI 擴散
a16z 指出「修補者」（能從文字框中挖掘價值的人）與普通大眾之間存在分歧。要跨越這道鴻溝，AI 必須從「生成式」（幫我創造這個）轉向「代理式」（幫我執行這個）。
目標是讓一名非技術背景的餐廳老闆，能獲得與軟體工程師從客製化 LLM 管線（pipeline）中獲得相同的價值。
令人驚訝的洞察
- 既有企業的「倒數計時」： 即使是一家成長中的企業，如果既有巨頭自動化核心價值主張的速度快於新創公司建立分銷護城河的速度，該企業仍可能面臨失敗。
- AI 中的傑文斯悖論（Jevons Paradox）： 降低智能的成本並不會減少對它的需求；反而會創造出完全新型的「微任務」類別（例如為每一次通話準備會議資料），而這些在以前是不可想像的。
- 崩潰的互聯網契約： 向代理型流量（agentic traffic）的轉型摧毀了「用內容換取流量/注意力」的交易，這可能會導致目前依賴廣告營收的網路巨頭商業模式破產。
- 相關性的「金髮姑娘區」（Goldilocks Zone）： 中小型市場的通用型工具，實際上可能比高價值的垂直領域工具（如 AI 法律工具）更不容易被 OpenAI/Anthropic 「擊殺」，因為它們並非如此顯著的單一目標。
- 「反 FDE」方法： a16z 主張，「前線部署工程師」（Forward Deployed Engineer, FDE）模式——即由人類為公司構建客製化 AI——其擴展能力將遠低於一種「利用 AI 為用戶構建其自有客製化軟體」的產品。
- 隱私作為速度倍增器： 通過信任 AI 來協調隱私與安全（例如：在員工的 AI 代理中搜尋潛在客戶），企業可以從「人類速度」（等待 Slack 回覆）轉向「AI 速度」（立即獲得答案）。
- 「早期採用者的詛咒」： 許多非技術專業人士目前對 AI 的利用不足，是因為他們在兩年前嘗試過，當時 AI 產生了幻覺，而他們將這次負面經驗「僵化」為對 AI 能力的既定認知。
實務建議
- 優先考慮中立性： 為組織選擇 AI 工具時，優先選擇那些允許你在不丟失「上下文層」（context layer）或數據的情況下，切換模型供應商的工具。
- 關注用戶而非買家： 為了避免開發出「醜陋」的企業級軟體，請先為最終用戶開發（產品驅動成長, PLG），再解決高管層對合規與安全的需求。
- 識別「長尾」自動化需求： 尋找那些小到不值得僱用專人處理，但如果能持續執行則能提供顯著價值的任務（例如：「冰山生菜」的價格審計）。
- 掌控你的上下文層： 確保由 AI 代理創建的數據和「記憶」是屬於企業的可攜式資產，而非被鎖在供應商的專有數據庫中。
- 填補「鑽研者」的鴻溝： 在團隊中部署 AI 時，不要只提供一個「文本框」；請提供「例行程序」或模板，向非技術用戶展示立即且具體的價值。
- 預見「無頭」分銷： 對於銷售產品的企業，請為這樣一個世界做好準備：你的主要「客戶」是一個追求價值最優化的 AI 代理，而非一個瀏覽網站的人類。
- 採取「路由器」思維： 不要問「哪個模型最好？」，而要問「在這個特定時刻，針對這項特定任務，哪個模型最合適？」
Le postulat de l’ère moderne de l’IA n’est pas seulement la création de modèles plus intelligents, mais l’effondrement de la « barrière du bidouilleur ». Pendant trop longtemps, l’immense valeur de l’IA est restée prisonnière d’un mur d’expérimentation ; seuls ceux possédant la curiosité technique ou le temps nécessaire pour maîtriser le « prompt engineering » ont pu en récolter les fruits. a16z soutient que le prochain bond massif de productivité surviendra lorsque les agents d’IA cesseront d’être une simple zone de texte nécessitant un pilotage humain pour devenir des « machines d’allocation de jetons » (token allocation machines) proactives, capables d’identifier et d’exécuter des opportunités à haute valeur ajoutée pour l’utilisateur sans qu’on le leur demande.
La conversation débute par l’origine de Town, fondée par Jean-Denis Graz. a16z met en avant une leçon fondamentale pour tout fondateur à travers le pivot de Graz, passant d’un outil fiscal réussi pour PME à un assistant d’IA. Malgré un « product-market fit » établi dans le domaine fiscal, Graz a réalisé que la nature cyclique de l’activité (une vente par an) et l’avantage de distribution des acteurs historiques créaient un « compte à rebours » limitant la croissance à l’échelle du capital-risque. Cela a conduit à la création de Town, qui cible les flux de travail omniprésents des e-mails et des calendriers. a16z avance que, tandis que beaucoup se disputent l’IA « verticale » (industries spécifiques), la réelle opportunité réside dans un agent « horizontal » s’intégrant dans le mode de fonctionnement primaire du monde : la boîte de réception.
Une tension centrale est explorée : le conflit entre la « couche applicative » (Town) et la « couche modèle » (OpenAI, Anthropic). a16z soutient que, pour une entreprise, dépendre d’un seul fournisseur de modèles constitue un risque stratégique. Si une société bâtit l’ensemble de son flux de travail sur l’écosystème d’un seul laboratoire, elle devient tributaire de la tarification, des priorités et du plafond d’intelligence de ce dernier. a16z propose un cadre d’« intelligence neutre », où l’agent agit comme un routeur, déployant le modèle — qu’il soit de pointe (frontier) ou à poids ouverts (open-weight) — le plus adapté à la tâche spécifique. Cette neutralité, couplée à un engagement envers des données et un contexte détenus par l’utilisateur, crée un rempart basé sur la confiance et la flexibilité plutôt que sur la seule capacité brute.
a16z approfondit ensuite le « paradoxe de Jevons » appliqué aux assistants d’IA : à mesure que le coût de l’intelligence (les jetons) chute, la demande n’en diminue pas ; elle explose. Des tâches auparavant trop coûteuses pour un assistant humain — comme rédiger des notes de préparation détaillées pour chaque réunion de 30 minutes ou auditer mensuellement les changements de prix des grossistes pour un petit restaurant — deviennent économiquement viables. a16z suggère que les produits d’IA gagnants ne se contenteront pas de fournir un outil, mais suggéreront proactivement ces automatisations de « longue traîne » à des utilisateurs qui ignorent même qu’elles sont possibles.
La discussion s’oriente ensuite vers l’impact économique plus large du dépassement du trafic humain par le « trafic agentique ». a16z note que cela rompt le « pacte » historique d’Internet : l’échange de contenu gratuit contre l’attention humaine (la publicité). Lorsqu’un agent gère une transaction, l’annonceur perd l’œil de l’utilisateur. a16z suggère que des entreprises comme Amazon, qui dépendent fortement des revenus publicitaires, pourraient être confrontées à une crise existentielle à moins de pivoter, passant du statut d’« agrégateur d’offre » à celui de fournisseur de ses propres agents personnels neutres. a16z affirme que dans un monde d’agents, l’agrégation de l’offre est peu coûteuse, mais la confiance de l’agent est primordiale.
Enfin, a16z aborde le « fossé de diffusion » de l’adoption de l’IA. Alors que la Silicon Valley est surestimée, le reste du monde est sous-estimé car la plupart des gens jugent l’IA sur la base d’expériences précoces et imparfaites datant d’il y a deux ans. a16z affirme que le chemin vers l’adoption mondiale ne consiste pas à apprendre aux gens comment utiliser l’IA, mais à proposer des expériences de « qualité grand public » dans un cadre d’entreprise. L’objectif est de passer de la « vitesse humaine » — où une demande sur Slack peut prendre une journée pour obtenir une réponse — à la « vitesse de l’IA », où les agents gèrent la sécurité et la confidentialité pour fournir des analyses instantanées à l’échelle de l’entreprise.
Principaux thèmes de discussion
Le cadre de neutralité face au verrouillage des modèles (Model Lock-in)
a16z souligne le danger de la « concurrence des fournisseurs », où les entreprises fournissant les jetons (les laboratoires) construisent également les applications. a16z soutient que les entreprises ont besoin d’une couche neutre capable de changer de modèle à mesure que le « leader de l’intelligence » évolue. Cela évite qu’une entreprise ne se retrouve désavantagée si le modèle de son fournisseur plafonne alors que celui d’un concurrent fait un bond en avant.
La machine d’allocation de jetons
Plutôt que de considérer un agent d’IA comme un chatbot, a16z le définit comme un système d’allocation de jetons visant à maximiser le ROI humain. Cela implique d’identifier des flux de travail « invisibles » — des tâches trop fastidieuses pour les humains mais peu coûteuses pour l’IA — et de les proposer proactivement. La valeur se déplace de la « réponse aux questions » vers la « recherche d’opportunités d’économie d’argent ou de temps » dont l’utilisateur ignorait l’existence.
L’effondrement de l’agrégation de l’offre
a16z postule que le modèle commercial traditionnel de l’« agrégateur » (comme Amazon ou Expedia) est menacé. Lorsque les humains naviguent, les agrégateurs gagnent grâce aux placements publicitaires et à la visibilité. Lorsque les agents naviguent, ils optimisent le meilleur rapport prix/valeur sans être influencés par les publicités. a16z suggère que le « commerce sans tête » (headless commerce) forcera une transition vers des relations synergiques entre agents et fournisseurs.
L’UX d’entreprise comme UX grand public
a16z soutient que le « moment BlackBerry » se produit actuellement avec l’IA. Tout comme les PDG ont exigé des iPhones au travail parce qu’ils les adoraient à la maison, ils exigeront des agents d’IA qui ressemblent à des produits grand public. a16z affirme que commencer par un modèle de croissance axé sur le produit (PLG) pour les utilisateurs, puis y ajouter la conformité et la sécurité d’entreprise, est la seule façon de créer une expérience de classe mondiale.
Le fossé du bidouilleur et la diffusion de l’IA
a16z identifie une fracture entre les « bidouilleurs » (capables d’extraire de la valeur d’une zone de texte) et la population générale. Pour franchir ce gouffre, l’IA doit passer du stade « génératif » (crée ceci pour moi) au stade « agentique » (fais ceci pour moi).
L’objectif est d’apporter à un restaurateur non technique la même valeur qu’un ingénieur logiciel tire d’un pipeline LLM conçu sur mesure.
Perspectives Surprenantes
- Le « compte à rebours » des acteurs établis : Même une entreprise en croissance peut être vouée à l’échec si les acteurs historiques parviennent à automatiser la proposition de valeur centrale plus rapidement que la startup ne peut instaurer un rempart de distribution.
- Le paradoxe de Jevons appliqué à l’IA : Réduire le coût de l’intelligence ne réduit pas le besoin d’intelligence ; cela crée des catégories entièrement nouvelles de « micro-tâches » (comme la préparation de chaque appel téléphonique) qui étaient auparavant impensables.
- La rupture des pactes du Web : Le passage à un trafic généré par des agents détruit l’échange « contenu contre visibilité », risquant ainsi de mettre en faillite les modèles économiques fortement dépendants de la publicité des géants actuels du web.
- La « zone Boucles d’or » de la pertinence : Les outils horizontaux destinés au marché des petites et moyennes entreprises pourraient être moins susceptibles d’être « éliminés » par OpenAI/Anthropic que les outils verticaux à haute valeur ajoutée (comme l’IA pour le droit), car ils ne constituent pas une cible aussi unique.
- L’approche « Anti-FDE » : a16z soutient que le modèle de l’ingénieur déployé sur le terrain (« Forward Deployed Engineer » ou FDE) — où des humains créent une IA personnalisée pour une entreprise — passera moins bien à l’échelle qu’un produit utilisant l’IA pour générer son propre logiciel personnalisé pour l’utilisateur.
- La confidentialité comme multiplicateur de vitesse : En confiant à l’IA la médiation de la confidentialité et de la sécurité (par exemple, interroger les agents des employés pour trouver un prospect), les entreprises peuvent passer de la « vitesse humaine » (attendre une réponse sur Slack) à la « vitesse IA » (réponses instantanées).
- La « malédiction de l’adoptant précoce » : De nombreux professionnels non techniques *sous-utilisent* l’IA aujourd’hui parce qu’ils l’ont essayée il y a deux ans, qu’elle a halluciné, et qu’ils ont « fossilisé » cette expérience négative comme étant la vérité sur les capacités de l’IA.
Conseils Pratiques
- Prioriser la neutralité : Lors de la sélection d’outils d’IA pour une organisation, privilégiez ceux qui vous permettent de changer de fournisseur de modèle sans perdre votre « couche de contexte » ou vos données.
- Se concentrer sur l’utilisateur, pas sur l’acheteur : Pour éviter de créer des logiciels d’entreprise « moches », concevez d’abord pour l’utilisateur final (stratégie PLG) et répondez ensuite aux besoins de conformité et de sécurité de la direction.
- Identifier les automatisations de « longue traîne » : Recherchez des tâches trop mineures pour justifier l’embauche d’un humain, mais qui apportent une valeur significative si elles sont effectuées systématiquement (par exemple, l’audit des prix de la laitue iceberg).
- Maîtriser sa couche de contexte : Assurez-vous que les données et les « souvenirs » créés par vos agents d’IA soient des actifs portables appartenant à l’entreprise, et non verrouillés dans la base de données propriétaire d’un fournisseur.
- Combler le fossé des « bricoleurs » : Si vous déployez l’IA au sein d’une équipe, ne fournissez pas simplement une « zone de texte » ; proposez des « routines » ou des modèles qui démontrent une valeur immédiate et concrète pour les utilisateurs non techniques.
- Anticiper la distribution « headless » (sans interface) : Pour les entreprises vendant des produits, préparez-vous à un monde où votre « client » principal est un agent optimisant la valeur, et non un humain parcourant un site web.
- Adopter une mentalité de « routeur » : Au lieu de demander « Quel modèle est le meilleur ? », demandez « Quel modèle est le meilleur pour cette tâche spécifique à ce moment précis ? »
Die Prämisse der modernen KI-Ära liegt nicht nur in der Erschaffung intelligenterer Modelle, sondern im Zusammenbruch der „Bastler-Barriere“ (tinkerer’s barrier). Zu lange war der immense Wert der KI hinter einer Mauer aus Experimenten gefangen; nur diejenigen mit der technischen Neugier oder der Zeit, sich durch „Prompt Engineering“ zu einer Lösung vorzuarbeiten, konnten die Früchte ernten. a16z argumentiert, dass der nächste massive Produktivitätssprung erfolgt, wenn KI-Agenten aufhören, bloße Textfelder zu sein, die von einem Menschen gesteuert werden müssen, und stattdessen zu proaktiven „Token-Allokationsmaschinen“ werden, die hochwertige Chancen für den Nutzer identifizieren und ausführen, ohne dass sie darum gebeten werden.
Das Gespräch beginnt mit der Entstehungsgeschichte von Town, gegründet von Jean-Denis Graz. a16z hebt eine entscheidende Lektion für Gründer hervor, die sich aus Graz’ Pivot von einem erfolgreichen Steuer-Tool für KMU hin zu einem KI-Assistenten ergibt. Trotz des Product-Market-Fit im Steuerbereich erkannte Graz, dass die zyklische Natur des Geschäfts (Verkäufe nur einmal im Jahr) und der Distributionsvorteil etablierter Anbieter eine „tickende Uhr“ darstellten, die ein Wachstum in Venture-Dimensionen einschränkte. Dies führte zur Gründung von Town, das auf die allgegenwärtigen Workflows von E-Mails und Kalendern abzielt. a16z postuliert, dass während viele um „vertikale“ KI (spezifische Branchen) kämpfen, die eigentliche Chance in einem „horizontalen“ Agenten liegt, der sich in die primäre Arbeitsweise der Welt integriert: den Posteingang.
Ein zentraler untersuchter Konflikt ist das Spannungsfeld zwischen der „Applikationsschicht“ (Town) und der „Modellschicht“ (OpenAI, Anthropic). a16z argumentiert, dass die Abhängigkeit von einem einzigen Modellanbieter für ein Unternehmen ein strategisches Risiko darstellt. Wenn ein Unternehmen seinen gesamten Workflow auf dem Ökosystem eines einzelnen Labors aufbaut, ist es an die Preisgestaltung, die Prioritäten und die Intelligenzgrenze dieses Labors gebunden. a16z schlägt ein Framework der „neutralen Intelligenz“ vor, bei dem der Agent als Router fungiert und genau jenes Modell – ob Frontier-Modell oder Open-Weight-Modell – einsetzt, das für die jeweilige Aufgabe am besten geeignet ist. Diese Neutralität, gepaart mit der Verpflichtung zu nutzereigenen Daten und Kontexten, schafft einen Wettbewerbsvorteil (Moat), der auf Vertrauen und Flexibilität basiert und nicht nur auf reiner Leistungsfähigkeit.
a16z vertieft zudem das „Jevons-Paradoxon“ der KI-Assistenten: Sinkt die Kosten für Intelligenz (Token), nimmt die Nachfrage nicht ab, sondern explodiert. Aufgaben, die zuvor für einen menschlichen Assistenten zu teuer waren – wie das Schreiben detaillierter Vorbereitungsnotizen für jedes einzelne 30-minütige Meeting oder die monatliche Prüfung von Preisänderungen bei Großhändlern für ein kleines Restaurant – werden wirtschaftlich rentabel. a16z legt nahe, dass die siegreichen KI-Produkte nicht nur ein Werkzeug bereitstellen werden, sondern diese „Long-Tail“-Automatisierungen proaktiv Nutzern vorschlagen, die gar nicht wissen, dass diese möglich sind.
Die Diskussion verlagert sich dann auf die breiteren wirtschaftlichen Auswirkungen, wenn „agentischer Traffic“ den menschlichen Traffic übersteigt. a16z stellt fest, dass dies den historischen „Bund“ des Internets bricht: den Austausch von kostenlosen Inhalten gegen menschliche Aufmerksamkeit (Werbung). Wenn ein Agent eine Transaktion abwickelt, verliert der Werbetreibende den Blickkontakt zum Nutzer. a16z suggeriert, dass Unternehmen wie Amazon, die stark von Werbeeinnahmen abhängen, vor einer existenziellen Krise stehen könnten, sofern sie sich nicht von „Aggregatoren des Angebots“ zu Anbietern eigener neutraler persönlicher Agenten wandeln. a16z argumentiert, dass in einer Welt der Agenten die Aggregation von Angeboten billig ist, aber das Vertrauen des Agenten alles bedeutet.
Schließlich thematisiert a16z die „Diffusionslücke“ bei der KI-Adaption. Während das Silicon Valley überhyped ist, ist der Rest der Welt unterhyped, da die meisten Menschen die KI anhand ihrer frühen, fehlerhaften Experimente von vor zwei Jahren beurteilen. a16z behauptet, dass der Weg zur globalen Einführung nicht darin besteht, den Menschen beizubringen, wie man KI bedient, sondern „Consumer-Grade“-Erlebnisse in einem Enterprise-Umfeld zu liefern. Das Ziel ist der Übergang von der „Geschwindigkeit von Menschen“ – bei der eine Anfrage in Slack einen Tag lang auf Antwort wartet – zur „Geschwindigkeit der KI“, bei der Agenten Sicherheit und Datenschutz moderieren, um sofortige, unternehmensweite Erkenntnisse zu liefern.
Zentrale Diskussionsthemen
Das Neutralitäts-Framework vs. Model Lock-in
a16z betont die Gefahr des „Lieferantenwettbewerbs“, bei dem die Unternehmen, die die Token bereitstellen (die Labore), gleichzeitig die Anwendungen bauen. a16z argumentiert, dass Unternehmen eine neutrale Schicht benötigen, die Modelle austauschen kann, sobald sich der „Intelligenz-Primus“ ändert. Dies verhindert, dass ein Unternehmen einen Wettbewerbsnachteil erleidet, wenn das Modell seines gewählten Anbieters stagniert, während das Modell eines Konkurrenten einen Quantensprung macht.
Die Token-Allokationsmaschine
Anstatt einen KI-Agenten als Chatbot zu betrachten, definiert a16z ihn als System zur Allokation von Token, um den menschlichen ROI zu maximieren. Dies beinhaltet die Identifizierung „unsichtbarer“ Workflows – Aufgaben, die für Menschen zu mühsam, aber für die KI günstig sind – und deren proaktives Angebot. Der Wert verschiebt sich von der „Beantwortung von Fragen“ hin zum „Finden von Möglichkeiten, Geld oder Zeit zu sparen“, von denen der Nutzer gar nicht wusste, dass sie existieren.
Der Zusammenbruch der Angebotsaggregation
a16z postuliert, dass das traditionelle Geschäftsmodell des „Aggregators“ (wie Amazon oder Expedia) bedroht ist. Wenn Menschen browsen, gewinnen Aggregatoren durch Anzeigenplatzierungen und Sichtbarkeit. Wenn Agenten browsen, optimieren sie auf den besten Preis bzw. Wert, ohne von Werbung beeinflusst zu werden. a16z legt nahe, dass „Headless Commerce“ einen Wandel hin zu synergetischen Beziehungen zwischen Agenten und Lieferanten erzwingen wird.
Enterprise-UX als Consumer-UX
a16z argumentiert, dass die KI gerade ihren „Blackberry-Moment“ erlebt. So wie CEOs iPhones im Büro forderten, weil sie sie privat liebten, werden sie KI-Agenten verlangen, die sich wie Consumer-Produkte anfühlen. a16z vertritt die Ansicht, dass der Start mit einem Product-Led-Growth-Modell (PLG) für Nutzer und die anschließende Integration von Enterprise-Compliance und Sicherheit der einzige Weg ist, um ein erstklassiges Erlebnis zu schaffen.
Die Bastler-Lücke und KI-Diffusion
a16z identifiziert eine Kluft zwischen „Bastlern“ (die in der Lage sind, aus einem Textfeld Mehrwert herauszukitzeln) und der allgemeinen Bevölkerung. Um diesen Graben zu überbrücken, muss die KI von „generativ“ (erstelle dies für mich) zu „agentisch“ (erledige dies für mich) übergehen.
Das Ziel ist es, einem nicht-technischen Restaurantbesitzer denselben Mehrwert zu bieten, den ein Softwareentwickler aus einer maßgeschneiderten LLM-Pipeline zieht.
Überraschende Erkenntnisse
- Die „tickende Uhr“ der Marktführer: Selbst ein wachsendes Unternehmen kann scheitern, wenn die etablierten Marktführer das Kernwertversprechen schneller automatisieren können, als das Startup einen Distributionsvorteil (Distribution Moat) aufbauen kann.
- Das Jevons-Paradoxon in der KI: Die Senkung der Kosten für Intelligenz verringert nicht den Bedarf daran; sie schafft völlig neue Kategorien von „Mikro-Aufgaben“ (wie die Vorbereitung auf jeden einzelnen Anruf), die zuvor undenkbar waren.
- Gebrochene Internet-Pakte: Der Übergang zu agentenbasiertem Traffic zerstört den Tauschhandel „Inhalte gegen Aufmerksamkeit“ (content-for-eyeballs), was potenziell die werbefinanzierten Geschäftsmodelle der heutigen Web-Giganten in den Bankrott treiben könnte.
- Die „Goldlöckchen-Zone“ der Relevanz: Horizontale Tools für den kleinen bis mittleren Markt könnten tatsächlich sicherer vor dem „Ausstechen“ durch OpenAI/Anthropic sein als hochwertige vertikale Tools (z. B. KI für Recht), da sie kein so singuläres Ziel darstellen.
- Der „Anti-FDE“-Ansatz: a16z argumentiert, dass das Modell des „Forward Deployed Engineer“ (FDE) – bei dem Menschen maßgeschneiderte KI für ein Unternehmen bauen – schlechter skalieren wird als ein Produkt, das KI nutzt, um seine eigene maßgeschneiderte Software für den Nutzer zu erstellen.
- Privatsphäre als Geschwindigkeitsverstärker: Indem Unternehmen darauf vertrauen, dass die KI die Vermittlung von Datenschutz und Sicherheit übernimmt (z. B. das Durchsuchen der Agenten von Mitarbeitern nach einem Lead), können sie von „menschlicher Geschwindigkeit“ (Warten auf eine Slack-Antwort) zu „KI-Geschwindigkeit“ (Sofortantworten) wechseln.
- Der „Fluch der Early Adopters“: Viele Nicht-Tech-Profis nutzen KI heute unteroptimal, weil sie es vor zwei Jahren ausprobiert haben, die KI halluziniert hat und sie diese negative Erfahrung als die absolute Wahrheit über die Fähigkeiten der KI „versteinert“ haben.
Praktische Erkenntnisse
- Neutralität priorisieren: Achten Sie bei der Auswahl von KI-Tools für eine Organisation auf solche, die es ermöglichen, den Modellanbieter zu wechseln, ohne die eigene „Kontextschicht“ oder die Daten zu verlieren.
- Fokus auf den Nutzer, nicht auf den Käufer: Um zu vermeiden, „hässliche“ Unternehmenssoftware zu entwickeln, bauen Sie zuerst für den Endnutzer (PLG – Product Led Growth) und lösen Sie erst im zweiten Schritt die Compliance- und Sicherheitsbedürfnisse der Führungsebene (C-Suite).
- „Long-Tail“-Automatisierungen identifizieren: Suchen Sie nach Aufgaben, die zu klein sind, um einen Menschen dafür einzustellen, aber einen erheblichen Wert bieten, wenn sie konsistent ausgeführt werden (z. B. ein Preis-Audit für „Eisbergsalat“).
- Die eigene Kontextschicht besitzen: Stellen Sie sicher, dass die von Ihren KI-Agenten erstellten Daten und „Erinnerungen“ portable Vermögenswerte sind, die dem Unternehmen gehören, und nicht in der proprietären Datenbank eines Anbieters gefangen sind.
- Die „Bastler-Lücke“ schließen: Wenn Sie KI in einem Team einführen, bieten Sie nicht einfach ein „Textfeld“ an; bieten Sie „Routinen“ oder Vorlagen an, die nicht-technischen Nutzern einen sofortigen, konkreten Mehrwert demonstrieren.
- „Headless Distribution“ antizipieren: Unternehmen, die Produkte verkaufen, sollten sich auf eine Welt vorbereiten, in der ihr primärer „Kunde“ ein Agent ist, der auf den maximalen Wert optimiert, und nicht ein Mensch, der eine Website durchstöbert.
- Ein „Router“-Mindset entwickeln: Fragen Sie nicht: „Welches Modell ist das beste?“, sondern: „Welches Modell ist für diese spezifische Aufgabe in diesem spezifischen Moment am besten geeignet?“
Why hasn’t AI transformed everyday work as quickly as coding? Town CEO Jean-Denis Greze argues the bottleneck isn’t intelligence, but making AI useful to people who don’t have the time or technical skills to build their own automations.
Jean-Denis joins a16z General Partner Alex Rampell to share why he pivoted Town from tax software to a personal AI assistant built around email, calendars, and the workflows that run businesses. They discuss why consumer-grade experiences may win in enterprise AI, how Town discovers and automates tasks users wouldn’t think to delegate, and why model neutrality and data ownership matter as AI labs increasingly compete with application companies.
They also explore what happens when agents begin acting on our behalf, from managing everyday work to shopping and commerce, and why the next generation of software may need to adapt to each user rather than the other way around.
Resources:
Follow Alex Rampell on X:https://x.com/arampell
Follow Jean-Denis Greze: https://x.com/jgreze
Learn more about Town:https://town.com
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.
-
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…
-
The CISO Playbook for AI Agents | Datadog
a16z’s Joel De La Garza is joined by Emilio Escobar, Chief Information Security Officer at Datadog, to discuss what it takes to secure a company where nearly every employee is using AI and more than…
-
The Self-Improving Company | Kavak’s AI Playbook
Angela Strange and Gabriel Vasquez are joined by Alejandro Maza Ayala, Chief Product & AI Officer at Kavak, to unpack how the Latin American used-car marketplace rebuilt itself around AI agents, with 96% of customer…
-
The Reality of AI-Powered Cyberattacks | Truffle Security & Socket
Joel De La Garza is joined by Dylan Ayrey, co-founder and CEO of Truffle Security, and Feross Aboukhadijeh, founder and CEO of Socket, to discuss one of the biggest shifts happening in cybersecurity: AI models…
-
The Engine Powering Open-Source AI
Elena Burger and Matt Bornstein are joined by Simon Mo, co-founder and CEO of Inferact, the open-source inference engine powering many of today’s most advanced AI applications. Together, they explore how open-source AI evolved from…