深度｜AI销售独角兽Sierra AI 创始人：Agent可使生产力曲线重变陡峭，未来一定会出现大量长尾型Agent公司

Lenny Rachitsky2025年08月17日约 37 分钟

图片来源：Lenny's Podcast

Z Highlights

我觉得就像我过去擅长的东西将来可能没用了，也不会有价值，这很正常。我们需要以一种很开放的心态来看待这种变化。但那种“你不应该学这些学科”的想法，就像人们说“我不想学数学，工作中用不到”一样，是错误的。

Agent公司会更像现代SaaS。你不会关心它用了哪个技术栈，而是关心它能不能帮你降本增效，能不能生成潜在客户，能不能减少采购成本……价值会更多地体现在业务流程上，而不是技术细节上。

我认为，Agent能把那条生产力曲线重新拉陡。就像早期计算机做到的那样。

Bret Taylor是一位传奇级的构建者和创业者：他在Google联合创建了Google Maps，随后联合创办FriendFeed，发明了“Like”按钮和实时动态信息流。将FriendFeed出售给Facebook后，他担任Facebook CTO。此后，他创办了协作工具Quip，并以7.5亿美元将其售予Salesforce，同步担任联席CEO。如今，Bret担任OpenAI董事会主席（并曾任Twitter董事会主席），也是Sierra的联合创始人兼CEO。Sierra是一家构建AI Agent的AI初创公司，旨在帮助企业处理客户服务、销售等事务。

早年职场启蒙，从Google Local到Google Maps

Lenny：我想从相反的角度开始——聊聊你的失败经历，聊聊你搞砸的那些时刻。当你回想自己在产品开发中可能犯下的最大失误时，会想到什么故事？

Bret：这可能不是我最大的失误，但绝对是最突出的一次，对我作为产品设计师的成长起到了决定性作用。我在2002年底-2003年初加入Google，是公司最早的助理产品经理之一。起初负责搜索系统，主要是将索引从10亿网页扩展到100亿——当时是件大事，现在看来似乎微不足道了。做得还不错后，老板Marissa Mayer给了我一个机会，让我领导一个新产品项目。这对我来说是一次豪赌。这既是为Google做贡献的机会，同时作为年轻的新产品经理，我也受到相当严格的审视。

我的任务是做本地搜索。当时，黄页仍占主导地位。Google虽然在网页搜索方面很出色，但在找本地服务，比如水管工或餐厅方面表现不佳。原因是这些本地商家信息当时在网上很少。即便有，你也需要不同的搜索方式，因为你要找的是你附近（例如旧金山）的水管工，而不是曼哈顿的。所以这涉及技术、产品和内容三个层面的挑战。我们推出的第一版产品叫Google Local，由我担任产品经理。现在我可能会比当时更严厉地评价它——它有点像仿造版的Yahoo黄页，本质上就是把黄页搜索嫁接在Google Search上。通过精心构造的查询，你可以在搜索结果顶部看到这些列表，也可以在独立网站local.google.com上看到。这个项目相当重要，Google首页上甚至在"网页"、"图片"旁边专门加了个"local"链接。要知道，Google首页可是互联网上最宝贵的位置，几乎任何东西放到那里都能获得海量用户点击。作为产品负责人，我已经得到了公司能给的最大支持。产品功能是正常的，但就是缺乏亮点，没什么创新。当时没想那么多，很多反思都是事后才有的。核心问题其实很明显：用户为什么要用我们这个，而不去用Yahoo黄页？更关键的是，为什么不直接翻纸质黄页？可能是因为，我们做的只是把现成的东西搬到网上而已。我和Marissa、Larry等人开了一次相当艰难的产品评审会议。还好，没到要被炒鱿鱼的地步，但感觉...怎么说呢，我的名声有点受损了。后来他们又给了我一次机会去做V2版本。我当时感觉，这虽然不是最后一根救命稻草，但从原来炙手可热的新晋产品经理变成现在这样，确实有点失落。

我们花了很多时间思考，怎样才能做出真正引人注目的东西，而不仅仅是黄页的数字版本，也不只是和其他产品差不多的东西。最终，我们找到了突破口，这个发现后来促成了Google Maps的诞生。我们当时从MapQuest拿到授权，在搜索结果旁边显示一个小地图。但那个小地图一直是产品里最难看的部分，我们内部经常在背后吐槽它。我们花了很多时间讨论：如果把这个层级颠倒过来，让地图成为主画布会怎样？最终我们找到了Lars和Jens Rasmussen兄弟，他们当时正在开发Windows的地图产品。我们设法把他们招进来，开始探索这个领域。通过这番探索，我们最终把很多原本分散的产品整合到了一起——地图、本地搜索、驾驶路线等等，这些在当时完全是不同类型的产品。这最终重新定义了整个行业，当然也重新定义了我的职业生涯。

作为产品负责人，这件事彻底改变了我对产品的思考方式。因为产品不只是功能特性的堆砌，更重要的是要回答“用户为什么要用这个？”这个根本问题。有几个有趣的时刻特别值得说说。Google Maps推出第一天就有大约1000万人使用，在当时的互联网环境下这是个惊人的数字。然后到了2005年8月，我们加入了刚收购的Keyhole公司（后来变成Google Earth）的卫星图像功能。就在同一天，用户数暴涨到9000万。卫星图像一上线，每个人都想看看自己家的屋顶长什么样。这件事特别有意思，里面有很多深层的产品思考。首先，当你有了新技术时，与其简单地把旧东西搬到网上，不如创造全新的体验。这样就能回答用户心中的疑问：“我为什么要花时间在这个上面？”就像搭乐高一样，我们把原有的积木块拆开，重新组装成全新的东西，而不是简单地把现实世界的东西照搬到网上。Google Maps就是这样——它真正原生于这个平台，做到了纸质地图根本不可能做到的事情。这是一个真正意义上的突破。然后说到卫星图像功能，说实话，它并不是Google Maps最核心的部分，但它就像牛排端上来时的那种"滋滋声"——特别吸引眼球。它创造了一个病毒式的轰动效应。我们甚至上了SNL，那简直太酷了！Andy Samberg在一个叫《Lazy Sunday》的搞笑短片里，用说唱的方式提到了Google Maps。Lars和我当时兴奋地互发短信：“我们成功了！”感觉就像游戏通关一样。

这件事也让我明白，做产品时要区分两个概念：“用户为什么会开始用你的产品？”和“这个产品的长期价值是什么？”。这两者相关，但不完全一样。我从这次经历中学到了很多，并把它们带到了后来参与的每个产品中。

FriendFeed的反思与诚实反馈的力量

Lenny：我看了你的履历，你做过助理产品经理、IC产品经理、工程师、CPO、COO、CTO，还有三家不同公司（包括一家上市公司）的CEO。很少有人能在这么多不同类型的角色和层级上都获得成功。你刻意培养了自己哪些思维模式、习惯或者工作方式，并觉得这些对你在这么多不同角色和层级上都能成功的贡献最大？

Bret：这确实是我引以为傲的一件事，我喜欢自己扮演过这么多不同的角色。当我遇到从某家公司认识我的同事时，他们通常会从那份工作的角度来看我。所以见Facebook的人，他们大多认为我是个工程师；见Google的人，他们大多认为我是个产品人；在Salesforce，很多和我打交道的人把我当成"老板"。我不太确定他们还把我当成工程师，虽然我周末说不定还在敲代码玩。对我来说，一个核心原则是对自己身份的看法要非常灵活。我真的认为自己...可能会说是工程师，但更准确地说，我认为自己是个“构建者"。我喜欢做产品，我觉得公司是做产品最有效的方式之一。当然也有开源这样的形式，但我坚信技术和资本主义结合能为客户创造不可思议的价值。

所以，要真正做出有意义的东西，要成为优秀的创始人，你真的不能对自己的身份太固化，否则就无法转变成公司当时需要你扮演的角色。跟任何创始人聊，你都会发现“销售”其实是创始人工作的重要组成部分：你要说服投资人投钱、说服人才加入、说服客户买单。除此之外，你还得有敏锐的设计品味，不仅是产品界面，还包括营销和获客的方式。而如果你是在搞技术公司，那就更要拿得出过硬的工程能力，因为技术才是核心。这也正是这个行业如此颠覆性、充满变革力的原因。

那时我刚当上Facebook的 CTO。因为手下团队不大，我更多是以资深架构师的身份参与项目。后来Mark Zuckerberg重组了公司，划分成了多个部门，我接手了一个很大的团队，负责平台和移动相关的产品、设计和工程，直接汇报给我的人数一下子从几人变成了上千人。这是我经历过最大的管理岗位。说实话，我做得还行，但远称不上出色。有次我在帮合作伙伴改 PPT，收到的版本质量不够，我边改边抱怨。Sheryl看到了，把我叫进办公室，跟我严肃谈了一次。她告诉我，如果我对团队有和对自己一样高的标准，那当他们达不到时，我打算怎么做？她基本上给我上了一堂1v1的管理入门课。她是那种导师，会给你非常直接、甚至有点刺耳的反馈，但你知道她是为你好，所以你愿意听。那天晚上我回家后一直在想这事，心里很沉重。你知道，在那种时刻，人总会本能地为自己辩解，比如：“我真的搞砸了吗？还是她反应太过了？”但第二天醒来，我想：“不，她说得对。” 我意识到限制我表现的关键问题是：我一直在试图让工作适应我喜欢的事。我把大量时间投入到感兴趣的产品和技术问题上，觉得自己是负责人，就该专注于自己想做的。但我没想过，作为平台和移动团队负责人，我今天该做的、能真正推动成功的事情是什么。当我用这个标准重新定义工作后，我开始做完全不同的事。最让我意外的是，我居然喜欢上了这些事。我原以为自己只喜欢写代码、做产品。但实际上，当我能带动一个组织变得更成功，我从这种影响力中获得了巨大的满足感。比如我们的开发者平台有很多合作伙伴，出问题时我亲自处理合作关系，问题解决了，平台更健康，合作伙伴也更成功。我为这种成就感到骄傲。慢慢地，我在工作上的表现也更好了。我原以为我热爱的是工程或产品设计，但其实，我真正热爱的是“影响力”。

所以那次谈话之后，我每天早上醒来，有时候是真的一睁眼就会想问自己：“今天我能做的最有影响力的事情是什么？”我把它当成一种习惯，就像有个外部顾问一直在提醒我：你该关注什么，才能真正推动事情往前走。有时候答案是招聘，有时候是产品、工程，甚至销售。我变得更善于自我反思，更会去想：什么事情才是真正重要的？而且我也更愿意去做那些过去我可能会说“不喜欢”的事，因为我意识到，从创造影响力中，我获得了太多满足感，甚至比写代码还多。现在，我能享受更多种类的工作了。所以我真的非常感激她。现在当我给别人反馈时，我经常会想到这一点，那些能真正改变你职业轨迹的关键时刻。而我那次的转折，全靠她推动的。

Lenny：很多人都说Sheryl Sandberg的建议改变了他们的人生。对我来说，最大的收获是那句：“今天我能做的最有影响力的事情是什么？”这个问题真的是个很强大的思维工具。有时你可能并不想做销售或招聘，但如果那是最重要的事，你做了，可能会发现你其实擅长，也能从中获得满足感。

Bret：我想更深入讲讲这个问题。对创始人、产品经理，尤其是创始人来说，有一个常见陷阱，就是“讲错了故事”。比如，你告诉自己：“用户不喜欢我们的产品是因为X。”一旦你开始这么想，再跟团队这么说，这个猜测就会迅速变成“事实”。而如果这个故事是错的，你围绕它制定的战略就可能带公司走向失败。举个例子：你丢了一单生意。你可以去问销售，或产品经理。他们可能会说：“客户觉得价格太高。”但真实原因可能是，对方根本没看出你产品的价值。你却围绕“价格”去讨论策略，结果真正的问题——产品不够好，被掩盖了。这就像分手时没人会说“我不喜欢你了”，大家都更倾向于说“问题在我”这种体面话。因为我们是社会动物，习惯圆滑和维持关系。所以，用户在焦点小组或可用性研究中说的话，听听就好。那可能跟真相有关，但你得挖到更深的原因。

特别是第一次创业的人，很容易用自己熟悉的方式来解决一切问题。如果你是工程师，那所有问题看起来都像工程问题；如果你是设计师，那答案可能永远是“重新设计”；而有商务背景的人，总觉得搞定某个合作关系就能扭转局面。但问题是，你选的那个解决方式，可能是因为你擅长它，而不是因为它对。这需要很强的自省能力。比如，你觉得“我一直做的事”就是解决方案？那也许有30%的概率，你只是因为它让你舒服，而不是它真的有效。

所以创始人得有意识地建立全面的能力结构。有没有靠谱的联合创始人？你的领导团队覆盖到所有关键领域了吗？如果你是产品出身，你的工程、市场合作伙伴给力吗？你需要的是那些能够和你进行真正诚实对话的人，一起确认：我们做的，是不是对的事情。“今天我能做的最有影响力的事是什么？”这个问题听上去简单，真正挑战在于：你能不能不骗自己，真正给出诚实的答案。我猜很多人回答时，其实是在自我欺骗。问题很好，但准确回答它，才是最难的部分。

Lenny：这感觉像是你学到的非常重要的一课。有没有一个你用惨痛的方式学到这一课的例子？

Bret：FriendFeed是我的第一家公司。在巅峰时期，我们有 12 名员工，是我合作过的最优秀的12个人。我和Jim Norris一起创办了这家公司，我们从斯坦福大学就认识了，还有Paul Buchheit和Sanjeev Singh——Paul创办了Gmail，Sanjeev是Gmail的第一位工程师。所以我们有Google Maps和Gmail的人，那是一个非常棒的创始团队。我们做了一个社交网络，就像你说的，我们发明了很多后来在信息流中变得流行的概念。我们发明了“Like”按钮。那真的很酷。那是一段有趣的时光。我们只在土耳其、意大利和伊朗真正火过。后来我们在伊朗被封了，所以就只在土耳其、意大利和硅谷流行。实际上很多硅谷人都在说"我爱FriendFeed"，但这真的是一个成功的生意吗？我们是基于关注的社交网络，不是基于好友关系的，这意味着我们的内容更像Twitter，而不是Facebook。我们分享很多新闻文章、兴趣话题、科学社区之类的东西。有段时间Twitter是我们的竞争对手之一。其实那个时代社交网络特别多，而我也许确实搞砸了。有一年夏天Barack Obama, Ashton Kutcher和Oprah Winfrey都加入了Twitter，然后我们就彻底被碾压了。

我记得应该是Biz Stone，你可以去问Twitter那边的人，他们应该都记得那段历史。他当时非常专注于让名人和公众人物加入Twitter。现在想想，这简直太显然了：你要做关注机制的社交网络，那当然得先放进一些值得关注的人。而我们却还在埋头打磨产品。其实那时我们很自信。我们在最火的时候，产品功能远超Twitter，更新频率快，功能更多，用户喜欢，从不宕机。而Twitter那会儿几乎一半时间都在宕机，人们甚至无法使用它。结果我们完全输了，输得也和产品本身毫无关系，这就是个例子。有一个流行的说法：Google很难培养出真正优秀的创业者，因为它实在太成功了。你在Google做产品经理，很难看到产品之外的东西，比如商业模式、市场策略之类的，因为有AdWords这个印钞机，钱根本不是问题。而像PayPal那批人，反而更懂什么是真正的创业精神。

所以我们在FriendFeed上的失败，真的像是被现实狠狠打了一拳。那是我至今记得最深的一次经历。我可以告诉你产品所有的缺点，但我不认为我们是输在产品上。我后来逐渐学会了这些事。那个问题难就难在，当你没有经验和直觉时，判断什么重要、该怎么做，是很难的。我现在回头看，也许从结构上，我们就有缺陷。我那时候大概联系不上Ashton Kutcher，他也不在我通讯录里。但也许我应该去问问正确的人，听听建议。我觉得科技行业的一个好处是建议很多，但坏处是你很难知道该听谁的。我们那时的确有点活在自己的小世界里，一门心思只做产品，没有请外面的人进来看、提问，像：“你们忽略了什么？你看到什么机会？你觉得我们该做哪些还没做的事？” 这就是为什么董事会很重要，为什么找到靠谱的顾问很重要——那些敢告诉你需要听什么，而不是你想听什么的人。我想我们当时就是缺了这部分。我现在非常重视这一点，也算是我从那次失败中学到最深的一课。

Lenny：有没有什么方法，能帮人判断该听谁的建议？

Bret：我觉得归根结底，还是得靠判断力，尤其是判断一个人的人品。有件事特别难——一个人讲得越自信，观点就越对吗？其实这两者关系很小。有时候我听到一些人谈论我非常了解的话题，那些最自信、最有说服力的表达，反而是最不准确的，尽管听起来非常靠谱。所以，这真的需要你有好的判断力。一个小建议是，除了直接问“你觉得我该怎么办？”，你还可以问：“我该找谁聊这个问题？”如果你听到很多人都提到同一个名字，那往往是个很强的信号：这个人可能判断力很好。还有一个经验是，当你征求建议时，不要只问“我该做什么”，还要像个烦人的两岁小孩那样追问“为什么”。理解对方给你这个建议的底层逻辑和框架，比单纯照做更重要。很多建议其实都基于一些个人经历，比如有人失败过一次，就会说“永远不要做这件事”；或者后悔没做某事，就会说“以后一定要这么做”。如果你不了解这个建议背后的故事，它听起来就像铁律一样。但当你理解“为什么”，你才能提炼出更接近第一性原理的东西。如果你向三个人请教，他们有类似的经历，那你就能从中总结出一个更普遍适用的框架。真正应用建议，其实是一种细致、带判断的过程，而不是简单地遵循一条规则。所以总结来说，第一，这确实要靠判断力。我不知道怎么教判断力，但我很看重它。我自己招人时也最看重这点。我猜判断力来自长期的自我反思：比如你做了个错误决定后，花时间去拆解它、理解它，然后不断调整。第二，当你听到一个建议时，试着去理解它背后的逻辑，而不仅仅是结论。这样你就能建立自己独立的判断力。毕竟，大部分建议都不具备“统计学意义”——不像你从巴菲特那里听到投资建议，那是值得广泛参考的。绝大多数建议，其实都是“有件事发生在我身上，然后我有点后悔”。

编程的未来与AI的角色

Lenny：我听说你现在仍然通过写代码来放松。我想问一个很多大学生在思考的问题：你认为学习编程仍然有意义吗？你觉得这在未来几年会发生重大变化吗？

Bret：我觉得非常值得学计算机科学——这和“学编程”是两个不同的问题。因为计算机科学远不只是写代码。它包括理解Big O表示法、算法复杂度、为什么某些随机算法有效、两个复杂度一样的算法为什么性能差异巨大，以及cache miss为什么重要。这些底层原理和细节，其实才是关键。我之所以这么说，是因为我觉得写软件的方式正在变化。未来，写代码的动作可能会从我们现在熟悉的打字，转变为“操作一台代码生成机器”。你依然是在创造软件，但你是那台AI编码助手的“操作员”。这时候，系统性思维就特别重要了。很多学科能培养它，但我觉得计算机科学是最好的训练之一。AI未来会帮你写按钮、接接口、完成大量重复性的工作。但你真正需要思考的是怎么用技术解决一个真正的商业问题、为客户带来价值。系统性思维，是构建这些复杂产品的核心。

我举个有点老套但很真实的例子：当年我们在Facebook做Newsfeed的时候，有很多设计师拿Photoshop做出特别漂亮的原型图。照片完美、内容优雅、排版整齐，一切都很美。但你一上线，现实就扑面而来：照片没人修图、帖子长短不一、评论全是“你真烂”。你才发现，做个美图不难，难的是设计一个系统，让它在内容再混乱、环境再不可控的情况下，依然能为用户提供良好体验。我们当时怎么解决？我们要求设计师必须用真实的、混乱的信息流数据去测试他们的设计，而不是那些“假装一切都美好”的静态图。这让设计更贴近现实。我分享这些，是因为无论 AI 在帮你写代码、做设计还是完成其他任务，你都需要训练自己的系统性思维。你要知道什么事情好做、什么难、哪些可能实现，哪些根本不靠谱。AI 可以帮你做分析，但不能代替你去理解整体系统。说到底，AI 智能体的发展会彻底改变我们工作的方式。关键是别太执着于今天“怎么做事”的方式。比如我当年重写Google Maps的事……其实我都没太提过，是Paul在某个播客里提了，然后就传开了。我觉得这类工作未来会变成“历史遗迹”，就像计算机出现前，NASA雇人做“人肉计算器”一样，终将成为过去。

Lenny：没关系。给我讲讲那个故事吧。

Bret：我觉得就像我过去擅长的东西将来可能没用了，也不会有价值，这很正常。我们需要以一种很开放的心态来看待这种变化。但那种"你不应该学这些学科"的想法，就像人们说"我不想学数学，工作中用不到"一样，是错误的。学数学很重要，它教你怎么思考，教你世界如何运作——物理、数学都是如此。我认为计算机科学，特别是它的基础理论，将继续是我们构建软件的根基。当你跟比你更聪明的东西互动时，理解这点很关键。对于它生成的代码，你可能无法完全理解如何约束它，如何让它产生这些结果。因为我觉得这其实需要相当复杂的技巧。

Lenny：你提到写代码的方式正在发生重大变化。这让我想到你最近在播客里说的一点：你觉得未来会出现，或者说应该出现一种不是为人类，而是为LLM设计的新型“编程语言”。你能多讲讲这个吗？我觉得很多人都还没意识到这点。

Bret：我更愿意把它叫做“编程系统”，因为“语言”这个词太局限了。我对过去40年计算机发展的简化理解是这样的：一开始我们有了硬件，然后用打孔卡（ZP注：早期计算机时代的数据存储和输入介质）和终端告诉它们该做什么。后来有了Unix、操作系统、C语言、Fortran……我们不断往更高的抽象层进化。现在几乎没人写汇编了，很多人写Python、TypeScript这种高级语言。我们发明这些工具的目的，就是让高杠杆的事情变得更容易。就像以前，Google Maps是顶尖研发项目；现在随便一个熟悉ReAct的程序员可能几天就能做出类似东西。Salesforce刚开始时，把数据库放到云上就是巨大的技术突破；现在AWS几分钟就能搞定。技术门槛越来越低，产品门槛反而变高了。写代码正从一件“高成本”的事变成“边际成本趋近于零”。过去的工具和框架，很多都是基于提高人类程序员效率来设计的。我经常开玩笑说，Python之所以AI常生成，是因为它在训练数据太多了。我自己也喜欢Python，数据科学家更是离不开。但它其实是效率很低的语言：有GIL、运行慢、错误只能运行时才知道。虽然没Perl那么糟，但维护大型Python项目时，很多bug你只有在用户用了之后才发现。Python的好处是写起来像伪代码，人类友好。所以数据科学家喜欢它。但如果我们进入一个AI帮我们写大部分代码的时代，编程语言对“人类可读性”的要求，可能没那么重要了。更重要的是：AI写出来的代码，我们能不能快速判断它是不是我们想要的？如果不是，我们能不能容易地修改？这个时候，一些语言的设计就很有启发性。比如Rust：你拿一个C程序问“它会不会内存泄漏？”，很难说。但Rust只要能编译通过，你就能确定它不会。这种在编译时就做安全检查的机制，对AI生成代码特别重要。因为如果你还得手动一行行去检查，那AI的效率优势就没了。但你要是直接全盘信任，发布出去的就是不安全的代码。

所以关键是：怎么最大化人类的效率？让计算机替你干更多活。最基本的就是“AI监督AI”，比如代码审查也是AI来做。我觉得这特别有前途，甚至可以说“自我反思”是提高AI系统可靠性的核心方法。而且，如果“写代码”本身变得越来越轻松，我们就可以加回很多过去被认为“效率太低”的东西，比如形式化验证、自动测试等。这时候你就像《黑客帝国》里的操作员，看着代码瀑布一样的数据流，思考：作为“代码生成机器”的操控者，我如何快速构建出一个复杂、可扩展、而且稳定的系统？如果以这个问题为核心去重新思考编程语言和开发系统，可能会改变很多事。你可能会加上新的编译器功能、测试机制、自我监督、模型协同等等，不只是语言，而是一整套系统。这才是让我真正兴奋的。说到底，做原型从来不是开发的瓶颈，难的是构建可维护、可扩展的复杂系统。历史上最有名的例子是Netscape 1到2的重写，很多人认为那是它输给IE的关键之一。新东西谁都能造，难的是把它稳定地维持住。我觉得我们现在正处于这个“新开发系统”的非常早期阶段。我非常期待接下来会出现什么。

为下一代铸就AI驱动的世界

Lenny：我很喜欢问像你这样站在AI前沿的人，会怎么教育自己的孩子？你有孩子，我想等他们长大时，世界已经完全不同了。你会鼓励他们学什么？有没有什么是你认为和以前几代人不一样、但能帮他们在AI主导的世界中脱颖而出的？

Bret：我不知道我有没有用什么特别不同的方式教他们，但我确实很努力在让他们把AI视为生活的一部分。我最近在想，我在1997、98年考AP微积分的时候，是允许用图形计算器的。我没查考试政策的具体变化，但我猜考试内容一定有所调整。因为一旦允许带计算器，你就得重构问题，让考试真正考的是理解，而不是死算。现在的问题是，教育体系大多数还没假设你“口袋里有个超级智能”。比如老师布置一个读后感，很多学生完全可以用ChatGPT写出来。如果prompt写得好，老师还真不一定能分辨出来。那你该怎么办？怎么在这种环境下教孩子？这对老师来说太难了。我们还没完成一次像“允许用计算器”那样的结构性调整，而ChatGPT已经颠覆了评估体系。我们正处于一个很尴尬的过渡期。不过我还是相信，我们可以继续教孩子如何思考、如何学习。而且我真心相信，这些AI工具可能会成为史上最强的教育助力。

你是视觉型还是阅读型学习者？我喜欢看书，听课对我没什么帮助。但现在，如果老师讲得不适合你，你可以回家让ChatGPT用你喜欢的方式重新讲一遍。我的孩子就经常这样，他们会在考试前用ChatGPT给自己出题，比刷卡片强多了。像我女儿，有次带回一本莎士比亚，遇到一页没看懂，她拍张照发给ChatGPT，收到的解释比我讲得好太多。我相信每个孩子都能拥有一个个性化导师，无论你是喜欢视觉、听觉还是文本输入，它都能以你最擅长的方式教你。这是种巨大的能动性放大器。所以我觉得，如果一个孩子有主动性、有学习意愿，加上AI和一个好老师组合，那将是无敌的。我大女儿最近在学编程，做网站。每次她问我问题，我都说：“去问ChatGPT。”不是我不想帮，而是我希望她学会用这个工具。它太强大了，必须成为你生活的一部分。

不过话说回来，我很同情公立学校的老师。这真的很难，因为技术发展速度比教育系统快，尤其是在“评估机制”这一块。对老师来说，怎么判断学生是自己写的还是AI生成的？对老师来说很有挑战性。而且我有点担心，AI可以放大学习的能动性，但也可能放大不想学的惰性。你可以用它逃避一切。所以家长和老师现在都面临巨大的挑战。我觉得我们会经历几年动荡的过渡期。但我用图形计算器做例子，就是想说：虽然ChatGPT远比计算器复杂，但历史上我们其实已经有过一次这样的转型，我们成功了。所以我对这次也很乐观。站在更积极的角度讲：我以前在公立学校上学，遇到过很糟的老师。那时候，只有富人家的孩子能请得起家教。但现在你有了“出路”，你不需要靠关系或者资源才能进阶学习。你数学特别好但学校没有统计课？现在你可以自学了。这是一种令人难以置信的民主化力量。我觉得特别激动人心。我希望现在有个11岁的孩子，10年后会创办一家很了不起的公司，而ChatGPT就是他们的主要导师，引导他们走向那个结果。我觉得那非常酷。

Lenny：我家孩子现在2岁，感觉人生新阶段的几个大问题马上就要来了，比如什么时候给他手机？什么时候允许他用Snapchat？以及，什么时候该让他开始用ChatGPT？我很好奇，这应该多早开始？

Bret：我个人觉得这跟前两者不同。我不认为手机在学校里是好东西，或者对孩子是好东西，我个人主张等很长时间。但我认为ChatGPT更像是Google Search。把一个会让人上瘾、有推送通知的设备放在口袋里，和用AI来学习是两回事。所以我觉得这两者是不同的。

Lenny：你的孩子们使用的设备形态是像 iPad 或笔记本电脑之类的吗？

Bret：是的，就像桌上的电脑一样。

AI创业三大赛道解析

Lenny：很多AI领域的创始人都在思考一个问题：到底该在哪些方向创业，哪些领域不会直接被模型公司碾压？你一方面在构建一家非常成功的AI公司，一方面又是OpenAI的董事会成员，对“什么是好主意、什么不是”一定有独特的视角。你怎么看AI市场的发展？创始人该重点关注哪些领域，又应该避免哪些？

Bret：我觉得AI市场未来会分成三个重要的细分领域。首先是前沿模型或基础模型这个市场。这里最终会被少数几家拥有超大规模云能力的大公司主导，就像IaaS一样。因为训练这些模型本质上是烧钱游戏，你需要极高的资本支出能力来支撑。而现在市面上那些尝试做前沿模型的初创公司，比如Inflection、Adept、Character，几乎都被收购了。所以对初创公司来说，这基本不是一个可行的生意。而且你的融资跑道不足以让你达到逃逸速度，同时模型作为资产类别，贬值得相当快。你需要非常大的规模才能在一个贬值如此快的模型上获得投资回报。

Lenny：除非你是Elon。

Bret：是的，他不一样，他有能力筹集数十亿美元资本，这也是他被认为是史上最伟大的创业者之一的原因。不是所有人都能做到。第二个领域是AI工具链。这就是“淘金热里卖铲子”的那部分：数据标注、数据平台、模型评估工具，还有一些垂直领域的专用模型，比如Eleven Labs做的语音模型就非常棒，很多公司都在用。但这个市场的问题是，它可能离大厂太近了。如果你看IaaS市场和云工具市场，像Confluent、Databricks这些公司，跟Amazon、Azure等大厂在很多领域都有正面竞争。原因是，基础设施大厂会不断往上游走，争夺更多价值，而你刚好挡在他们路上。所以，做工具的公司经常在大厂的产品发布会上“中枪”——你突然发现人家发布了个跟你一模一样的功能。这个市场当然也能出大公司，比如Snowflake、Databricks、Confluent。但同时你也要非常清楚：当这些大厂推出竞品时，用户为什么还要选择你？我觉得这不是“如果”，是“当”。所以这是个好市场，但就像我说的，有点离大厂太近。

第三个市场就是应用型AI市场，我认为这个空间非常大，机会主要集中在Agent身上。Agent就像是新的“应用程序”，我认为未来很多软件形态都会变成Agent。比如我们在做的Sierra，是帮公司构建可以打电话、回复消息的客服Agent；Harvey专注法律行业，做律师助理、合同审查之类的；也有做内容营销、供应链优化的……总之，Agent是面向具体业务问题的解决方案，不是卖模型能力本身。这类公司几乎一定要向模型提供商缴“税”，所以模型公司会变得超级庞大，但利润率可能更低。而Agent公司，反倒会像SaaS公司那样，专注功能和业务成果，毛利更高。你想想SaaS最本质的形态：你不会关心它背后用的是哪个数据库，对吧？你关心的是它能不能帮你搞定客户管理、提高销售效率。这同样会发生在AI Agent上。现在构建一个Agent听起来还挺难的。但我相信，再过三四年，这会像在AWS上部署数据库一样简单。到那时，大家不会再问“你用哪个模型”，而是问“你这个Agent帮我实现了什么业务成果”。也就是说，Agent公司会更像现代SaaS。你不会关心它用了哪个技术栈，而是关心它能不能帮你降本增效，能不能生成潜在客户，能不能减少采购成本……价值会更多地体现在业务流程上，而不是技术细节上。

我对Agent这个市场特别兴奋。我不建议初创公司再去做基础模型了，虽然你当然可以试试，如果你有特别明确的愿景和资源。但我觉得那块已经高度固化，竞争激烈，门槛极高。相比之下，我更看好另外两个市场，尤其是Agent领域。随着Agent构建的门槛不断降低，未来一定会出现大量“长尾型”的Agent公司。我以前看到一张图，是市值前50名的软件公司名单。前五名是大家熟悉的巨头：Microsoft、Amazon、Google……但接下来的公司，几乎全是SaaS公司。有的产品很有意思，有的很无聊，但它们都能赚钱。这就是软件市场的演进方式。我认为，Agent也会走上这条路。未来，不只是客户服务、软件工程这些大市场，很多目前被忽视的小问题，其实都可以被Agent解决。它们可能不是技术挑战，而是需要创始人真正理解那个业务痛点。我相信，AI真正要释放的价值，绝大多数都藏在这些地方。

Lenny：这让我想起我曾邀请Marc Benioff上播客。你们曾是联席CEO。他对Agent极度着迷。他只想谈论AgentForce。显然，你也对Agent非常着迷。很明显，你们看到了一些东西，觉得“我们需要全力投入智能体，这是未来。”你觉得现在大多数人忽略了什么？大家没看到Agent为什么是软件工作方式的一次根本变革？

Bret：如果你和经济学家聊聊，比如Larry Summers（他也在OpenAI董事会），他们会说技术的核心价值在于提升经济生产力。回头看，像90年代那样的生产力飞跃，很大一部分其实是计算机技术的第一波浪潮带来的。比如ERP系统的普及——把会计工作数字化，放进数据库里。这还不是PC时代，而是大型机时代，但它已经对企业运作方式带来了巨大改变。举个更直观的例子：我父亲是个机械工程师，刚退休。他说自己70年代刚入行时，公司大部分人都是绘图员。工程师负责设计，然后绘图员把各种视角、平面图都画出来，交给承包商施工。而现在他们公司一个绘图员都没有了。现在设计直接在AutoCAD、Revit里完成，3D模型一做完就能直接下发。绘图这件事本身已经被自动化了，工作重点变成了设计本身。这就是真正的生产力提升。绘图只是为了交付，不是工程师的核心价值。但通过技术，这部分工作被剥离、自动化，公司就能把资源集中在真正有价值的事情上。这种变化，就像供应链的演进一样。如果你从PC时代开始看软件的发展，其实生产力提升没有想象中那么大。我不知道具体为什么，但很多技术的“生产力承诺”并没有真正兑现。可我认为，Agent能把那条生产力曲线重新拉陡。就像早期计算机做到的那样。因为我们正从“软件提升人的效率”转向“软件自己完成工作”。这很关键。就像机械工程公司不再需要绘图员，很多公司也将不再需要某些重复性职能。人们可以转向更高价值、更高杠杆的任务。团队更小，产出更多，这才是真正意义上的生产力飞跃。

如果你销售过企业软件，你一定参与过那种“价值计算”的谈判。你会说：“看，我们的工具能让每个销售员业绩提升5%，所以你应该付我们100万。”全是这种逻辑。但问题是这太难证明了。这就是生产力软件为什么这么难卖，我吃过亏才明白。你很难说清楚让每个人效率提高10%到底值多少钱？你真的让他们提高了10%吗？还是别的因素起作用了？你根本搞不清楚这些事情。但现在不一样了，有了能真正干活的Agent，它不仅实实在在地提高了生产力，而且效果看得见摸得着。这些加起来意味着，我认为这是我们对软件思维方式的根本转变，因为它能自主完成工作，这是个更直观的生产力提升。效果可以衡量，所以大家对它的估值也不同，这就是为什么我看好按成果收费的软件模式。这些结合起来，对我来说感觉跟云计算一样重要，或者我觉得技术上更重要。但从它如何改变软件行业商业模式来说，会有个明显的“分水岭”。我不知道现在还有多少人卖永久许可的本地部署软件，但现在已经很少了。我认为我们将经历类似的转变，整个市场将走向Agent。我认为整个市场将走向基于成果的定价，不是因为“只有这种方式”，而是因为市场会把大家都推向那边。因为这显然是构建和销售软件的正确方式。

价值兑现：AI成果导向定价模式

Lenny：我们最近邀请了Madhavan上播客，他是定价专家，传奇人物，写了《Monetizing Innovation》这本书。他谈到AI公司定价策略时，完全同意你的观点。如果条件允许，你会将产品定价为基于成果的模式。他的理由跟你说的一模一样，他还拿Sierra当这方面的成功案例。你能简单解释一下，对那些没听过这个概念的人来说，什么叫基于成果的定价，然后举例说明Sierra是怎么操作的？

Bret：我先举例子，然后再展开说。在Sierra，我们帮公司做面向客户的AI Agent，主要用于客户服务，更广泛地说是客户体验。所以如果你的SiriusXM收音机有问题，你会打电话或跟Harmony聊天，它是个AI智能体。如果你有ADT家庭安防系统，警报器不工作了，你可以跟他们的AI智能体聊天。Sonos音响也是，还有很多消费品牌都在用。想想运营呼叫中心的成本，大部分是人力。我们假设处理一个典型电话成本在10到20美元之间——一些是软件、电话费，但主要是接电话的人工成本。如果AI Agent能接那个电话并解决问题，这在行业里通常叫"通话分流"或"解决"。这基本上意味着你节省了比如15美元，因为不需要人去接电话了。我们的做法是：AI Agent解决了客户问题，客户满意，你也省了人工成本。我们按预先商定的费率收费，这叫"基于成果的定价"。当然也有其他成果。我们有些销售Agent，它们能拿销售佣金。我们认为我们的Agent是真正的客户体验，就像品牌的礼宾员。我们想确保我们的商业模式和客户的商业模式是一致的。就像你说的，这些Agent需要自主运行的，而且成果必须可衡量。这并非总是可能，但我认为很大程度上是可能的。

真正有意思的是，如果你问任何CFO或采购主管他们对传统大供应商的看法，他们看到那些复杂的费用清单时都很头疼，根本搞不清楚从那份合同中是否得到了应有的价值。我认为基于消费的定价（在基础设施领域特别流行）更接近这个目标。但我不确定像Token这样的指标是否真的能衡量AI价值。我总用这个比喻：现在大多数编程Agent都按Token定价，但有个著名故事，一个苹果工程师有个糟糕经理，经理问他："你每天写多少行代码？"每个工程师都知道这是愚蠢的生产力衡量方式。他提交了份报告，上面是负数，因为他做了次大重构，删除了一堆代码，这是他对老板说"去你的"的方式。我觉得Token也类似。你用了大量Token，但它产生了好的代码提交吗？我认为这才是重点。

生产力跃升：AI带来的机遇与挑战

Lenny：最近有报道说，工程师用AI后反而更没效率，因为他们要花更多精力去排查AI写错的地方。我觉得客户体验这块你已经看到明显成效了。除了客户体验，你在自己公司或合作伙伴那里，是否还看到过那种“这显然有效、影响力十分显著”的生产力提升？

Bret：我对AI带来的生产力红利及其看好，但也得承认目前的工具还不够成熟，这其实很反直觉。打个比方，几乎所有软件工程团队都在用Cursor——很多人把它当成智能补全工具，但其实它已经具备不少Agent功能。现在市面上还有CodeX、Claude这些Agent也在崭露头角。问题是，这些Agent生成的代码常常出错。任何写过大量代码的人都知道，修改自己写的代码相对简单，但审查别人的、尤其是寻找逻辑漏洞，就困难得多。当一个Agent写出来的代码需要你花大量时间去修复，其实就没为你省事，反而增加了认知负荷。更糟的是，如果上线之后出现问题，客户体验就会受到很大影响。

我觉得有两条技术路线很有潜力。第一条是“AI监督AI”。假设你有一个生成代码的Agent，准确率能达到90%；你再用另一个Agent B来专门审查Agent A的输出，找出剩下10%的错误，这其实就是在用算力换取认知能力。把这些模块串联起来，最终你能得到一个99%准确率的系统。数学上这是完全可行的，也确实能大幅提升可靠性。第二条路是根本原因分析。在 Sierra，我们有专门的工程师维护Cursor的MCP服务器，也就是我们给Cursor提供上下文的那一套机制。每当Cursor生成不对的代码，我们不仅要修复，还要追溯它到底缺了哪些关键上下文，下一次如何让它一开始就写对？这就是上下文工程。对那些渴望马上看到生产力提升的团队来说，不能坐等模型自己变好，你得搭建一整个系统，通过不断发现、验证、修正，然后把这些经验反馈回去，形成正向改进循环。等模型底层能力提升了，这套工作可能会简化，但现在要想快速见效，必须下这番功夫。

Lenny：我还真没听过通过添加额外上下文来改进Cursor的这种技术。具体操作怎么做？是搭一个MCP服务器，所有请求都通过它运行，还是说写一套Cursor规则？实际流程是怎么样的？

Bret：我可能理解得还不够深入，但它本质上就是MCP，因为这就是你给Cursor提供上下文的方式。大部分模型出错，其实都是因为缺乏正确的上下文。关键就在于：找出你自己的代码库和这些Agent可用上下文的交集，并从根本上修复它，这是原则。

Lenny：我们谈到了客户体验之外的生产力提升，你看到人们在哪里使用Sierra获得了哪些成果？

Bret：我们的客户普遍实现了50%到90%的客户服务全自动化，我认为这非常令人兴奋。我们服务的客户范围非常非常广泛：从健康保险、医疗保健提供商，到银行业。你甚至可以在平台上用某家客户在我们平台上构建的Agent，来帮你办理房屋再融资。还有电信行业，DIRECTV、SiriusXM，以及很多零售商，从Wayfair到服装零售商如OluKai、Chubbies Shorts。用例非常多样：有的Agent帮助大型约会应用处理客服；有的则协助升级或降级 SiriusXM套餐。我们还为家庭报警系统、Sonos 音响，甚至最新的CT扫描机提供技术支持。想象一下，维修CT扫描机的技术人员，可以通过和AI Agent对话，帮助指导他们完成维修过程。我们是这个领域的领导者，我们正努力让世界上每家公司都能创建他们自己品牌的Agent，让它成为与客户互动的数字前台，就像网站或手机App。短期内，这将大幅降低客服运营成本，同时保持极高的客户满意度。举例来说，Weight Watchers的Agent客户满意度高达4.6（满分 5 分）。服务领域通常是人们遇到问题的时候，所以当你有一个CAST为4.7分（满分 5 分）的Agent时，人们是可以带着问题来，之后感到满意地离开。我认为这就是巨大的机会。我们的整个愿景是，每一次客户接触都能即时响应、多语言支持、可通过语音或文字，并且高度个性化。就像你在生活中遇到的那些“老朋友”店员，记得你喜欢什么、常聊些什么。我们正在走向那样的大规模“私人定制”服务时代。

精准切入：AI产品的市场进入策略

Lenny：有很多创始人在为他们的AI应用寻找进入市场策略时遇到困难。市场上产品太多、买家也眼花缭乱。你们显然找到了一些门道。假设你的名声和投资者支持都已到位，那针对 AI Agent这类产品，做市场进入时，你有哪些心得？对那些想做得更好的人有什么建议？

Bret：我认为已经有几种被证明有效的进入市场模式，关键是要根据你的产品类型选对模式。一种开发者导向型增长，代表案例是Stripe和Twilio。当你面向的是有权决定技术方案的工程师时，就可以把重点放在吸引单个开发者身上。通常是在CTO部门内自发安装并开始使用你的SDK或API。这对平台型产品比较有效。如果你想卖给业务线用户，这个方法行不通，因为业务线通常没有专门的工程团队，更不用说有自由去下载一个新库或接入新服务的权限了。初创公司尤其适合这种模式，它们有自己的工程团队，也有自由度。

第二种是产品导向型增长。它的核心是：用户和买家是同一个人，例如在官网一键注册、免费试用、信用卡付费都能一条龙搞定。这对“小而美”的软件企业特别有效，比如早期的 Shopify。但如果你的软件用户和买家不一致，比如报销软件的使用者是员工，买家是财务部门，那么 PLG 就行不通。

第三种是直销模式。最好的直销软件公司基本是传统大厂，如Oracle、SAP、ServiceNow、Salesforce、Adobe。目前产品导向型增长变得非常流行，同时现在也看到不少 AI 公司又回归直销这条路，我认为AI领域的很多机会都符合“买家和用户不一定是同一个人”的条件，因此需要直销团队深入对接。问题是，很多创始人只选择了一种市场进入模式，却没有真正思考购买软件、评估软件价值的过程是怎样的。

我的建议是：从第一性原理出发，搞清楚你的买家是谁、他们的采购链条如何运转，再选最合适的市场进入模式。坦白说，我认为很多公司应该比现在更多地利用直销，尽管有时因为一些直销公司的产品质量声誉不佳而让直销落得一个不太好的名声，但我很高兴看到它在很多AI市场中重新回归。

Lenny：我觉得这对很多创始人来说至关重要，特别是那些缺乏商业背景、对销售心存抵触的人。他们往往不认为自己擅长销售，但恰恰是这股推动力决定成败。这可能就是你必须变得非常擅长的事情，也可能是你取胜的关键，你不能只依赖产品导向型增长。

Bret：是的。

快问快答：Bret的灵感书籍、挚爱影片、得力工具

Lenny：你最常向别人推荐的两三本书是什么？

Bret：我读了很多纪实类的书，但跟我们今天的话题最相关的是《Competing Against Luck》。它奠定了“Jobs to be Done”理论——一个我非常推崇的框架。我唯一的小建议是，这类商业书籍更像是一篇长文章：买来后，可以把它输入ChatGPT，快速生成摘要，但还是值得细读原著。另一本我强烈推荐的是《Endurance》，讲的是探险家南极之旅中，Shackleton和船员几乎被冻饿致死、不得不以海豹肉为生的故事。这是真人真事，也是我见过最生动的毅力教科书。特别厉害的是，我听说他在招募船员时就通过那则著名的报纸广告，提前设定了大家的心理预期。如果海报的故事是真的，那就更让人佩服了。

Lenny：你最近有没有一部非常喜欢的电影或电视剧？

Bret：我最近和孩子们一起重看了《盗梦空间》，他们完全被迷住了。这部诺兰的经典让我再次惊叹于它的巧妙构思。看完后的两天，你都还会不停回味和讨论。

Lenny：你最近有没有发现一个很喜欢的，或者喜欢了很久的产品？

Bret：我是Cursor的忠实粉丝。我喜欢创造软件，我对Agent感到兴奋，我很高兴看到OpenAI的CodeX等产品，所以我认为Cursor目前的形式是一个过渡性产品。我知道他们也在开发Agent，但我很享受把我热爱的软件创造过程，与这个Cursor紧密结合，看看它还能给我带来哪些惊喜。所以我常花大量时间在上面。

Lenny：你有没有一个经常回想起来，并觉得在工作或生活中很有用的座右铭？

Bret：“预测未来的最好方法，就是去创造它。”——这来源于Xerox PARC的Alan Kay，他发明了我们今天在计算机中广泛使用的基础概念或思想框架。正是这句话激励我成为创业者，也塑造了我对创造的热情。

Lenny：最后一个问题，关于你在FriendFeed发明了“Like”按钮。除了“Like”，当时有没有考虑过其他命名？是觉得“Like”最直观，还是另有打算？

Bret：这个故事的背景是在有表情符号之前，FriendFeed上70%以上的评论都只是“Cool”或“Neat”。FriendFeed的一个主要用途是就某些事情进行讨论。我们想做的，是把那些简单的“我看过了”回复去掉，让真评论更突出。最早的想法是“一键评论”，我做出的V1版本用的是一个爱心图标，但是当时的同事Anna Yang，现在是Anna Mueller，她讨厌它，并且爱心也不合适处理悲伤主题的帖子。后来我们讨论想找一个更具备中性情感的词，于是最终选了“Like”，这样它就可以适用于更复杂的故事。