a16z Podcast
Summary & Insights
Could a single missed email in a procurement manager’s inbox result in hundreds of millions of dollars in damages? In the world of aircraft manufacturing or data center construction, the answer is yes. While most people view procurement as a boring back-office function of pricing and purchasing, it is actually a high-stakes coordination game involving legal, finance, and engineering teams, where the “system of record” (like an ERP) only captures the final result, leaving 80% of the actual work—emails, spreadsheets, and heated negotiations—invisible and unmanaged.
The tension in the current AI landscape is whether established software giants (the incumbents) can simply layer AI onto their existing data and distribution to crush startups. However, AI-native companies like Leo are finding an edge by owning the “end-to-end arc” of a job rather than just providing a chatbot on top of a database. By moving from simple retrieval agents to “principal agents” capable of exercising judgment and negotiating on behalf of a company, these startups are automating the messy, fragmented workflows that exist outside of formal software systems.
Building trust is the primary hurdle when deploying autonomous agents. No Fortune 500 company hands over the keys to a multi-million dollar negotiation on day one. Instead, the strategy is a “human-in-the-loop” approach: starting with low-risk tasks—like negotiating spend under $50k that companies previously ignored—and using human feedback to refine the agent’s behavior. Over time, this creates a learning loop where the agent evolves from a tool that merely moves data into a strategic partner that provides real-time insights during live negotiations, such as calculating exactly how a shift in oil prices should affect the cost of a specific part.
Surprising Insights
- The “Invisible” Workflow: Most procurement work happens in “shadow” systems—emails and Excel sheets—meaning incumbents who rely solely on their system of record are missing the vast majority of the actual business process.
- The Low-Risk Entry Point: Many enterprises don’t negotiate spend under $50k because they lack the human capacity; this creates a “zero-risk” environment for AI agents to prove their value without risking critical business relationships.
- The Margin Multiplier: A 1% saving in procurement can have the same P&L impact as a 10% increase in total sales revenue, making it one of the most leveraged areas for AI implementation.
- Outcome vs. Rule-Based AI: For complex tasks like “should-cost modeling,” traditional rule-based prompts (harnesses) fail because expert pricing is often based on “gut feeling” and proprietary data rather than explicit rules.
Practical Takeaways
- Start with Exception Handling: Don’t just automate the “happy path” (the standard process); focus your AI efforts on the 20% of exceptions and errors where most of the human labor is actually spent.
- Implement Human-in-the-Loop (HITL): Build trust by designing AI systems that require human approval for high-risk decisions, using those approvals as a training set to gradually increase autonomy.
- Focus on End-to-End Outcomes: Instead of building a feature that improves one step of a process, map the entire journey from “demand” to “delivery” and identify where data is currently trapped in emails or silos.
- Prioritize “Unsexy” Verticals: Look for high-emotion, high-impact, but “boring” business functions (like procurement or cash collection) where legacy software is hated and the appetite for true innovation is highest.
🛍️ Products & Resources Mentioned
- 🛠️ GearGranola — Mentioned as a tool used by suppliers for video recordings and meeting notes.View on Amazon →
Liệu một email bị bỏ lỡ trong hộp thư của một quản lý thu mua có thể dẫn đến thiệt hại hàng trăm triệu đô la? Trong thế giới sản xuất máy bay hay xây dựng trung tâm dữ liệu, câu trả lời là có. Trong khi hầu hết mọi người coi thu mua là một chức năng hậu cần nhàm chán xoay quanh việc định giá và mua sắm, thì thực chất đây là một “trò chơi phối hợp” đầy rủi ro với sự tham gia của các đội ngũ pháp lý, tài chính và kỹ thuật. Tại đây, “hệ thống ghi chép” (như ERP) chỉ ghi lại kết quả cuối cùng, khiến 80% khối lượng công việc thực tế—bao gồm email, bảng tính và những cuộc đàm phán gay gắt—trở nên vô hình và không được quản lý.
Điểm mấu chốt trong bối cảnh AI hiện nay là liệu các gã khổng lồ phần mềm lâu đời (những kẻ thống trị) có thể chỉ đơn giản là tích hợp thêm AI vào dữ liệu và mạng lưới phân phối sẵn có để đè bẹp các startup hay không. Tuy nhiên, các công ty AI-native (thuần AI) như Leo đang tìm thấy lợi thế bằng cách làm chủ toàn bộ “quy trình khép kín” của một công việc, thay vì chỉ cung cấp một chatbot chạy trên nền cơ sở dữ liệu. Bằng cách chuyển đổi từ các tác nhân truy xuất đơn thuần sang các “tác nhân chính” (principal agents) có khả năng đưa ra phán đoán và đàm phán thay mặt công ty, những startup này đang tự động hóa các quy trình làm việc hỗn độn, phân mảnh vốn tồn tại bên ngoài các hệ thống phần mềm chính thức.
Xây dựng niềm tin là rào cản chính khi triển khai các tác nhân tự trị. Không một công ty Fortune 500 nào giao toàn quyền điều hành một cuộc đàm phán triệu đô ngay từ ngày đầu tiên. Thay vào đó, chiến lược được áp dụng là phương pháp “con người trong vòng lặp” (human-in-the-loop): bắt đầu với các tác vụ rủi ro thấp—chẳng hạn như đàm phán các khoản chi dưới 50.000 USD mà trước đây các công ty thường bỏ qua—và sử dụng phản hồi từ con người để tinh chỉnh hành vi của AI. Theo thời gian, điều này tạo ra một vòng lặp học tập, nơi tác nhân AI tiến hóa từ một công cụ chỉ biết di chuyển dữ liệu thành một đối tác chiến lược cung cấp thông tin chi tiết theo thời gian thực trong các cuộc đàm phán trực tiếp, ví dụ như tính toán chính xác việc biến động giá dầu sẽ ảnh hưởng thế nào đến chi phí của một linh kiện cụ thể.
Những hiểu biết bất ngờ
- Quy trình làm việc “vô hình”: Hầu hết công việc thu mua diễn ra trong các hệ thống “bóng” (shadow systems)—như email và bảng Excel—điều này có nghĩa là những đơn vị chỉ dựa vào hệ thống ghi chép chính thức đang bỏ lỡ phần lớn quy trình kinh doanh thực tế.
- Điểm xâm nhập rủi ro thấp: Nhiều doanh nghiệp không đàm phán các khoản chi dưới 50.000 USD vì thiếu nhân lực; điều này tạo ra một môi trường “không rủi ro” để các tác nhân AI chứng minh giá trị mà không gây nguy hại đến các mối quan hệ kinh doanh quan trọng.
- Hệ số nhân biên lợi nhuận: Tiết kiệm 1% trong thu mua có thể có tác động đến báo cáo kết quả kinh doanh (P&L) tương đương với việc tăng 10% tổng doanh thu bán hàng, khiến đây trở thành một trong những lĩnh vực hiệu quả nhất để triển khai AI.
- AI dựa trên kết quả so với AI dựa trên quy tắc: Đối với các tác vụ phức tạp như “mô hình hóa chi phí lý tưởng” (should-cost modeling), các câu lệnh dựa trên quy tắc truyền thống thường thất bại vì việc định giá chuyên gia thường dựa trên “cảm nhận” và dữ liệu độc quyền hơn là các quy tắc rõ ràng.
Bài học thực tiễn
- Bắt đầu với việc xử lý các trường hợp ngoại lệ: Đừng chỉ tự động hóa “luồng xử lý lý tưởng” (quy trình chuẩn); hãy tập trung nỗ lực AI vào 20% các trường hợp ngoại lệ và sai sót—nơi thực sự tiêu tốn nhiều công sức của con người nhất.
- Triển khai mô hình Con người trong vòng lặp (HITL): Xây dựng niềm tin bằng cách thiết kế các hệ thống AI yêu cầu sự phê duyệt của con người đối với các quyết định rủi ro cao, sử dụng những phê duyệt đó làm tập dữ liệu đào tạo để dần dần tăng mức độ tự chủ của AI.
- Tập trung vào kết quả cuối cùng (End-to-End): Thay vì xây dựng một tính năng chỉ cải thiện một bước của quy trình, hãy lập bản đồ toàn bộ hành trình từ “nhu cầu” đến “bàn giao” và xác định nơi dữ liệu hiện đang bị kẹt trong email hoặc các kho lưu trữ biệt lập.
- Ưu tiên các lĩnh vực “không hào nhoáng”: Hãy tìm kiếm các chức năng kinh doanh có tác động cao, gây nhiều áp lực nhưng “nhàm chán” (như thu mua hoặc thu hồi nợ)—nơi các phần mềm cũ bị ghét bỏ và khao khát đổi mới thực sự là cao nhất.
採購經理信箱中遺漏的一封電子郵件，會導致數億美元的損失嗎？在飛機製造或數據中心建設的世界裡，答案是肯定的。雖然大多數人將採購視為單調的後勤功能，僅涉及定價與購買，但實際上這是一場涉及法律、財務和工程團隊的高風險協調遊戲。在這種環境下，「紀錄系統」（如 ERP）僅能捕捉最終結果，而 80% 的實際工作——包括電子郵件、試算表和激烈的談判——則處於不可見且未被管理的狀態。
目前 AI 領域的緊張局勢在於：成熟的軟體巨頭（現有龍頭）是否能簡單地在現有的數據和分銷渠道上疊加 AI，進而擊潰初創公司。然而，像 Leo 這樣的 AI 原生公司正透過掌控工作的「端到端弧線」（end-to-end arc），而非僅在數據庫之上提供一個聊天機器人，來尋找競爭優勢。這些初創公司正從簡單的檢索代理（retrieval agents）轉向能夠行使判斷力並代表公司進行談判的「主導代理」（principal agents），從而將那些存在於正式軟體系統之外、混亂且碎片化的工作流自動化。
建立信任是部署自主代理（autonomous agents）的主要障礙。沒有一家財富 500 強公司會在第一天就將價值數百萬美元談判的決定權交出去。相反地，採用的策略是「人機協作」（human-in-the-loop）方法：從低風險任務開始——例如談判公司以往會忽略的 5 萬美元以下支出——並利用人類的反饋來精煉代理的行為。久而久之，這會形成一個學習循環，使代理從僅僅移動數據的工具，演變為能在實時談判中提供洞察的戰略夥伴，例如精確計算油價波動應如何影響特定零件的成本。
驚人洞察
- 「不可見」的工作流： 大多數採購工作發生在「影子系統」（電子郵件和 Excel 表格）中，這意味著僅依賴紀錄系統的龍頭企業錯過了絕大部分的實際業務流程。
- 低風險切入點： 許多企業因為人力不足而不會針對 5 萬美元以下的支出進行談判；這為 AI 代理創造了一個「零風險」環境，使其能在不危及關鍵業務關係的情況下證明其價值。
- 利潤放大器： 採購成本降低 1%，對損益表（P&L）的影響可能等同於總銷售額增長 10%，這使其成為 AI 實施中槓桿率最高（效益最顯著）的領域之一。
- 結果導向 vs. 規則導向 AI： 對於像「應成本建模」（should-cost modeling）這樣複雜的任務，傳統的基於規則的提示（harnesses）會失效，因為專家定價通常基於「直覺」和私有數據，而非明確的規則。
實踐要點
- 從異常處理開始： 不要只自動化「理想路徑」（標準流程）；將 AI 的重點放在 20% 的異常和錯誤上，因為這才是人類投入最多勞動力的部分。
- 實施人機協作 (HITL)： 透過設計需要人類批准高風險決策的 AI 系統來建立信任，並將這些批准記錄作為訓練集，逐步提高自動化程度。
- 專注於端到端結果： 與其開發一個僅能改善流程單一環節的功能，不如描繪從「需求」到「交付」的完整旅程，並找出數據目前被困在電子郵件或資訊孤島中的位置。
- 優先考慮「不性感」的垂直領域： 尋找那些高情緒、高影響力但「枯燥」的業務功能（如採購或款項催收），在這些領域中，傳統軟體最受厭惡，對真正創新的渴求度最高。
Un seul e-mail manqué dans la boîte de réception d’un responsable des achats pourrait-il entraîner des centaines de millions de dollars de dommages ? Dans le monde de la construction aéronautique ou des centres de données, la réponse est oui. Alors que la plupart des gens considèrent les achats comme une fonction administrative ennuyeuse centrée sur les prix et les commandes, il s’agit en réalité d’un jeu de coordination à enjeux élevés impliquant les équipes juridiques, financières et d’ingénierie, où le « système d’enregistrement » (comme un ERP) ne capture que le résultat final, laissant 80 % du travail réel — e-mails, feuilles de calcul et négociations tendues — invisible et non géré.
La tension actuelle dans le paysage de l’IA réside dans la question de savoir si les géants du logiciel établis (les acteurs historiques) peuvent simplement superposer l’IA à leurs données et à leur distribution existantes pour écraser les startups. Cependant, des entreprises natives de l’IA comme Leo trouvent un avantage en maîtrisant l’« arc de bout en bout » d’une mission, plutôt que de se contenter de fournir un chatbot au-dessus d’une base de données. En passant de simples agents de récupération à des « agents principaux » capables d’exercer un jugement et de négocier au nom d’une entreprise, ces startups automatisent les flux de travail fragmentés et complexes qui existent en dehors des systèmes logiciels formels.
L’établissement de la confiance est le principal obstacle au déploiement d’agents autonomes. Aucune entreprise du Fortune 500 ne remet les clés d’une négociation de plusieurs millions de dollars dès le premier jour. La stratégie consiste plutôt à adopter une approche « human-in-the-loop » (l’humain dans la boucle) : commencer par des tâches à faible risque — comme la négociation de dépenses inférieures à 50 000 $ que les entreprises ignoraient auparavant — et utiliser le feedback humain pour affiner le comportement de l’agent. Avec le temps, cela crée une boucle d’apprentissage où l’agent évolue, passant d’un outil qui déplace simplement des données à un partenaire stratégique fournissant des analyses en temps réel lors de négociations en direct, comme calculer précisément comment une variation du prix du pétrole devrait affecter le coût d’une pièce spécifique.
Perspectives Surprenantes
- Le flux de travail « invisible » : La majeure partie du travail d’achat s’effectue dans des systèmes « fantômes » — e-mails et feuilles Excel — ce qui signifie que les acteurs historiques qui s’appuient uniquement sur leur système d’enregistrement passent à côté de la vaste majorité du processus métier réel.
- Le point d’entrée à faible risque : De nombreuses entreprises ne négocient pas les dépenses inférieures à 50 000 $ par manque de ressources humaines ; cela crée un environnement « sans risque » pour que les agents d’IA prouvent leur valeur sans mettre en péril des relations commerciales critiques.
- Le multiplicateur de marge : Une économie de 1 % dans les achats peut avoir le même impact sur le compte de résultat (P&L) qu’une augmentation de 10 % du chiffre d’affaires total, ce qui en fait l’un des domaines les plus optimisables pour l’implémentation de l’IA.
- IA axée sur les résultats vs IA basée sur des règles : Pour des tâches complexes comme la « modélisation du coût théorique » (should-cost modeling), les invites traditionnelles basées sur des règles échouent car la tarification experte repose souvent sur l’intuition et des données propriétaires plutôt que sur des règles explicites.
enseignements Pratiques
- Commencer par la gestion des exceptions : Ne vous contentez pas d’automatiser le « parcours nominal » (le processus standard) ; concentrez vos efforts d’IA sur les 20 % d’exceptions et d’erreurs où s’investit la majeure partie du travail humain.
- Implémenter l’approche Human-in-the-Loop (HITL) : Instaurez la confiance en concevant des systèmes d’IA qui nécessitent une approbation humaine pour les décisions à haut risque, en utilisant ces approbations comme ensemble d’entraînement pour augmenter progressivement l’autonomie.
- Se concentrer sur les résultats de bout en bout : Au lieu de créer une fonctionnalité qui améliore une seule étape d’un processus, cartographiez l’ensemble du parcours, de la « demande » à la « livraison », et identifiez où les données sont actuellement piégées dans des e-mails ou des silos.
- Prioriser les verticaux « peu glamours » : Recherchez des fonctions métier à forte charge émotionnelle et à fort impact, mais « ennuyeuses » (comme les achats ou le recouvrement de créances), où les logiciels hérités sont détestés et où l’appétit pour une véritable innovation est le plus élevé.
Könnte eine einzige übersehene E-Mail im Posteingang eines Einkaufsleiters zu Schäden in Hunderten von Millionen Dollar führen? In der Welt des Flugzeugbaus oder des Rechenzentrumbaus lautet die Antwort: Ja. Während die meisten Menschen den Einkauf als eine langweilige Back-Office-Funktion aus Preisgestaltung und Beschaffung betrachten, handelt es sich in Wirklichkeit um ein hochriskantes Koordinationsspiel unter Beteiligung von Rechts-, Finanz- und Engineering-Teams. Dabei erfasst das „System of Record“ (wie ein ERP) nur das Endergebnis, während 80 % der eigentlichen Arbeit – E-Mails, Tabellenkalkulationen und hitzige Verhandlungen – unsichtbar und ungesteuert bleiben.
Die Spannung in der aktuellen KI-Landschaft liegt in der Frage, ob etablierte Softwaregiganten (die Incumbents) KI einfach über ihre bestehenden Daten und Vertriebswege legen können, um Start-ups zu zerschlagen. KI-native Unternehmen wie Leo finden jedoch einen Vorteil, indem sie den gesamten „End-to-End-Bogen“ einer Aufgabe abdecken, anstatt lediglich einen Chatbot auf einer Datenbank zu platzieren. Durch den Übergang von einfachen Retrieval-Agenten zu „Principal Agents“, die in der Lage sind, Urteilsvermögen anzuwenden und im Namen eines Unternehmens zu verhandeln, automatisieren diese Start-ups die chaotischen, fragmentierten Arbeitsabläufe, die außerhalb formaler Softwaresysteme existieren.
Der Aufbau von Vertrauen ist die größte Hürde beim Einsatz autonomer Agenten. Kein Fortune-500-Unternehmen händigt am ersten Tag die Schlüssel für eine millionenschwere Verhandlung aus. Stattdessen wird eine „Human-in-the-Loop“-Strategie verfolgt: Man beginnt mit risikoarmen Aufgaben – etwa der Verhandlung von Ausgaben unter 50.000 Dollar, die Unternehmen zuvor ignoriert haben – und nutzt menschliches Feedback, um das Verhalten des Agenten zu verfeinern. Mit der Zeit entsteht so ein Lernzyklus, in dem sich der Agent von einem bloßen Werkzeug zum Datentransfer zu einem strategischen Partner entwickelt, der während Live-Verhandlungen Echtzeit-Einblicke liefert, wie zum Beispiel die präzise Berechnung, wie sich eine Änderung der Ölpreise auf die Kosten eines bestimmten Bauteils auswirken sollte.
Überraschende Erkenntnisse
- Der „unsichtbare“ Workflow: Ein Großteil der Einkaufsarbeit findet in „Schatten-Systemen“ statt – E-Mails und Excel-Tabellen. Das bedeutet, dass etablierte Anbieter, die sich ausschließlich auf ihr System of Record verlassen, den überwiegenden Teil des eigentlichen Geschäftsprozesses übersehen.
- Der risikoarme Einstiegspunkt: Viele Unternehmen verhandeln Ausgaben unter 50.000 Dollar nicht, weil ihnen die personellen Kapazitäten fehlen; dies schafft ein „Null-Risiko“-Umfeld für KI-Agenten, um ihren Wert zu beweisen, ohne kritische Geschäftsbeziehungen zu gefährden.
- Der Margen-Multiplikator: Eine Einsparung von 1 % im Einkauf kann die gleiche Auswirkung auf die Gewinn- und Verlustrechnung haben wie eine Steigerung des Gesamtumsatzes um 10 %, was diesen Bereich zu einem der effektivsten Hebel für die KI-Implementierung macht.
- Ergebnis- vs. regelbasierte KI: Bei komplexen Aufgaben wie dem „Should-Cost-Modeling“ scheitern traditionelle regelbasierte Prompts, da eine Experten-Preisgestaltung oft auf einem „Bauchgefühl“ und proprietären Daten basiert und nicht auf expliziten Regeln.
Praktische Ableitungen
- Mit dem Exception Handling beginnen: Automatisieren Sie nicht nur den „Happy Path“ (den Standardprozess), sondern konzentrieren Sie Ihre KI-Bemühungen auf die 20 % der Ausnahmen und Fehler, in denen tatsächlich der Großteil der menschlichen Arbeitskraft gebunden ist.
- Human-in-the-Loop (HITL) implementieren: Bauen Sie Vertrauen auf, indem Sie KI-Systeme so konzipieren, dass sie für risikoreiche Entscheidungen eine menschliche Genehmigung benötigen. Nutzen Sie diese Genehmigungen als Trainingsdatensatz, um die Autonomie schrittweise zu erhöhen.
- Fokus auf End-to-End-Ergebnisse: Anstatt eine Funktion zu entwickeln, die nur einen Schritt eines Prozesses verbessert, bilden Sie die gesamte Reise von der „Anforderung“ bis zur „Lieferung“ ab und identifizieren Sie, wo Daten derzeit in E-Mails oder Silos gefangen sind.
- „Unsexy“ Verticals priorisieren: Suchen Sie nach emotionalen, wirkungsvollen, aber „langweiligen“ Geschäftsfunktionen (wie dem Einkauf oder dem Forderungsmanagement), bei denen die Legacy-Software gehasst wird und die Bereitschaft für echte Innovation am höchsten ist.
a16z’s Seema Amble and Elena Burger sit down with Lio co-founder and CEO Vladimir Keil to ask where AI-native startups have an advantage when incumbent software companies already own the customer, the data, and the system of record.
Their answer comes down to the work that happens outside those systems. In procurement, a final price in an ERP can hide hundreds of emails, spreadsheets, supplier conversations, engineering analyses, and decisions across legal, finance, and operations. Vlad explains how Lio uses multi-agent systems to take on more of that end-to-end work, from sourcing and RFQs to negotiation, shipment tracking, and invoices.
They also discuss how enterprises learn to trust agents with increasingly consequential decisions, why the last 20% of an internal AI build can require most of the effort, and what happens when both buyers and suppliers have agents working on their behalf.
Resources:
Follow Vladimir Keil on X: https://x.com/askvladi?lang=en
Follow Vladimir Keil on LinkedIn: https://www.linkedin.com/in/vladimir-keil/
Follow Seema Amble on X: https://x.com/seema_amble
Learn more about Lio: https://www.lio.ai/
Seema Amble’s “Investing in Lio” article: https://a16z.com/announcement/investing-in-lio/
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.
-
Fei-Fei Li on Spatial Intelligence and Robotics
Last week, World Labs announced its acquisition of SceniX, bringing together two teams working on one of AI’s biggest unsolved problems: how to give machines a true understanding of the physical world. Martin Casado sits…
-
Steven Sinofsky: AI Doesn’t Need New Rules Yet
Steven Sinofsky joins Theo Jaffee and Sofia Puccini for a conversation on AI regulation, open-source models, and what history can teach us about technological revolutions. Drawing on decades of experience leading products at Microsoft, Sinofsky…
-
Ben Horowitz: The Fight Over Open Source AI
Ben Horowitz joins Theo Jaffee and Sofia Puccini to discuss one of the biggest debates in AI today: the future of open-source models. They examine the growing push to restrict open models, why Ben believes…
-
Sriram Krishnan on Open Source AI’s Biggest Week Yet
Sriram Krishnan joins Theo Jaffee and Sofia Puccini just after concluding his tenure as Senior White House Policy Advisor on AI to discuss one of the biggest weeks yet for open-source AI. They unpack the…
-
Building the Physical AI Stack | Travis Kalanick on TBPN
Travis Kalanick joins TBPN to discuss Atoms, his vision for industrial AI, and why he believes the biggest opportunities in AI lie beyond software. He explains how Atoms is bringing autonomy to mining, logistics, and…
-
Building the Physical AI Stack | Travis Kalanick on TBPN
Travis Kalanick joins TBPN to discuss Atoms, his vision for industrial AI, and why he believes the biggest opportunities in AI lie beyond software. He explains how Atoms is bringing autonomy to mining, logistics, and…
-
Travis Kalanick Is Back | Building the Future of Industrial AI
Travis Kalanick, Ben Horowitz, and Erik Torenberg reunite to reflect on Uber’s early days, the investment that almost happened, and why Kalanick believes the next great technology opportunity lies beyond software. They discuss the lessons…
-
Travis Kalanick Is Back | Building the Future of Industrial AI
Travis Kalanick, Ben Horowitz, and Erik Torenberg reunite to reflect on Uber’s early days, the investment that almost happened, and why Kalanick believes the next great technology opportunity lies beyond software. They discuss the lessons…
-
Why Physical AI Is the Next Frontier | Applied Intuition
Applied Intuition has spent the past decade building the software that powers intelligent machines, from passenger vehicles and trucks to defense systems, mining equipment, and industrial robots. In this conversation, Marc Andreessen and Erik Torenberg…
-
Why Physical AI Is the Next Frontier | Applied Intuition
Applied Intuition has spent the past decade building the software that powers intelligent machines, from passenger vehicles and trucks to defense systems, mining equipment, and industrial robots. In this conversation, Marc Andreessen and Erik Torenberg…