新的 no code 就是 code：Zapier CEO 拆解自动化幻觉

章节时间轴

• 0:00 开场与本期地图 — Nathan 回顾 18 个月前那次对话，铺陈 Zapier 全线产品扩张与"世界变化却没那么大"的反差。
• 5:24 建了一堆产品之后学到了什么 — Wade 复盘：18 个月前没人知道 AI 体验的形态，现在答案是每个人一个 daily driver。
• 9:11 三类软件公司与模型中立 — 对话 Tasklet 的"只有三类公司活下来"论，Wade 认同没人想被单一模型绑死。
• 13:04 Automation Bench 到底测什么 — 用 Meridian Core 那笔成单的例子说明 600 个任务长什么样，以及模型的能力边界。
• 17:40 新的 no code 就是 code — 可视化的价值从"配置界面"转为"验证与文档"，agent 接管搭建与维护。
• 23:06 把模型放进能赢的位置 — v2 基准、计划阶段的工具选择，以及五 agent 投票的排障机制。
• 26:11 护城河、检索与自有数据 — 十五年积累的自动化数据如何转成模型拿不到的产品优势。
• 29:16 竞争格局与"同质化之海" — 实验室、Uber 工具、老牌巨头，谁最该怕；以及被严重低估的教育市场。
• 35:26 为什么日常生活几乎没变 — Nathan 自陈判断失误，Wade 描述身边人只拿 ChatGPT 做备餐和旅行计划。
• 37:01 每周自动化：让 AI 观察你的一周 — Wade 自用的周度工作流如何从 Gmail、Slack、浏览器、Cursor 的事件流里挖出该造的工具。
• 42:23 定价、用量与 token 价格歧视 — 席位制之死，以及模型公司订阅套餐与 API 之间的 token 倍率差。
• 46:17 让首席人事官负责 AI 转型 — 为什么是他，以及这个安排为何不该被照抄。
• 49:24 默认公开：给人也给 agent 的 context — 高管层的友好比赛，以及哪些事仍然必须留在私密频道。
• 52:26 安全：手握海量凭证的那一方 — 模型让漏洞更好找也更好补，攻防两端同时加速。
• 54:43 每月 3 万美元 token 的工程师 — 没有个人预算，只有自助看板；但 token 预算迟早会成为 AI fluency 的一部分。
• 57:02 人机共著的边界 — 不反对用 AI 写作，反对低质量输出；四条可操作的守则。
• 60:07 组织形态：建造工厂的人 — 管理层级变扁、人人都是数据分析师，团队正在从造产品转向造"工厂"。

详细内容

一、Daily driver 时代：所有工具都要变成 headless

Wade 说 18 个月前真正不确定的是"AI 体验会长成什么形状"——是 AI 渗进所有既有产品，还是冒出全新产品，还是实验室自己把一切吃掉。从 Zapier 观察到的自身使用数据看，答案是第三种以外的那条路：大多数人各自选定了一个 daily AI driver，可能是 Claude Code、Cursor、ChatGPT，日常工作基本都在那里发生。

这个结论直接决定了平台的活法。既然工作发生在别人的 harness 里，那么 Zapier MCP 或任何 MCP server 的角色就是"把你的 context、你的数据搬进那个人的 daily driver"。Wade 明确指出市场已经裂成两派：一派还在说"你得在我的平台上建 agent、把活儿挪到我这来"，另一派像 Salesforce 那样喊"我是 headless，你想带去哪就带去哪"。他判断后者必胜，理由不是技术而是消费者意愿——"这就是我们作为这些工具的使用者想要的，增长也都在那边"。7:40

Wade 自己的 daily driver 是 Cursor。Zapier 内部有一套自研 harness，配套有 MCP，他把它接进 Cursor 使用——那套内部工具带虚拟文件系统当 context 层、可叠加自动化、可部署 app，但他就是习惯在 Cursor 里用这些东西。这个细节本身就是论点：连自家 harness 也得接受"被别人的 daily driver 调用"的命运。8:25

Nathan 顺势追问：这是不是意味着 Zapier 不再想当 daily driver，而是想当所有 daily driver 的"超级工具"？Wade 没有否认。他补充说 SaaS 的十年是应用大爆发，而现在是"headless 工具的大爆发"，且多出一个新变量——harness 自己就能造工具。但他立刻给这个"能造"泼了冷水：能造不等于该造，你一旦让它造就得承担维护、可靠性、可用性的成本，很多情况下这并不划算。所以应用层仍有大量创新空间没被释放，模型公司虽有先发优势，但受制于"不能卖别家和开源的 token"，仍需要第三方来统筹全场能力。11:31

二、Automation Bench：40% 是真实世界的温度计

Nathan 最想要的是数据，Wade 给了。Automation Bench 是 Zapier 自建的基准，约 600 个任务，覆盖营销、销售、HR、运营等各个职能。他念了一个原题："我们刚谈成 Meridian Core 平台这笔单子。把它标记为赢单，按我们的路由策略发到正确团队的赢单通知里。从账户层级表里确认账户等级，需要的话做货币换算，并检查有没有未结的支持升级工单。" 这就是典型题型的长相。13:49

上周发布的 Astra（GPT-6）拿下新的 SOTA：约 40% 的任务能准确完成——这是目前最高分。Wade 强调这"远远算不上一个饱和的基准"。同时他给出了成本维度：Astra 比 Gemini 37 贵得多，而后者表现不错、价格只是零头。由此产生一条权衡曲线——为了边际性能提升你愿意付多少钱。任何现代组织都会想要在不同任务上切换模型的能力：这类任务用便宜模型就能 100% 完成，那类任务必须上 SOTA。10:44

Nathan 追问关键的下一步：把 Claude 单跑换成"Claude + Zapier"，分数能拉到多少？token 能省多少？Wade 的回答是"你得等 Automation Bench v2"——他承认这正是对的问题：给模型工具之后，分数、成本、速度是三个独立维度，而这恰恰是应用层还能狂奔的空间。Zapier 现在做的事就是确保你把 Zapier 装在 agent 旁边时，基准上的输出确实比裸模型更好。14:36

Nathan 还对题面提出过一个质疑：这类任务听起来像"只发生一次"，不值得为它建 zap。Wade 直接纠正——那道题描述的事情每天都在发生，甚至一天多次。任何像样的公司天天都在成单，公司内部有海量工作流在永不停歇地触发，有些触发频率高到人根本跟不上：如果你的规模是每秒发生多次购买，你没得选，人不可能在环里。16:54

三、"新的 no code 就是 code"：可视化留给人，搭建交给 agent

这是本期最锋利的一句话。Wade 说现在最大的机会是让 AI 来做搭建——它梳理逻辑比人快得多，"而'建一个 no code'这件事，对我来说感觉已经过时了。新的 no code 就是 code。"17:40

但他没有丢掉可视化。他的论证是：人依然极度受益于工作流的可视化呈现，因为可视化承担两个功能——验证（这东西真的在做我想让它做的事吗）和文档（我能把它分享给别人说清我建了什么）。换句话说，可视化的用途从"配置界面"迁移到了"审查界面"。

那么旧的 Zapier 呢？"如果你还把 Zapier 想成一堆方块、你进来配置它——大体上我不认为现在还是这么用的，未来更不是。"取而代之的是你跟 agent 说话，agent 替你改。而且未来还有一层：硬化成确定性工作流之后，即便它跑挂了，你也可以让 agent 回去排障——为什么失败、这里发生了什么——然后用推理去修工作流本身或修这一次的运行实例。结果是 agent 接管了人类"搭建与维护"的角色，但真正在跑的仍是一条确定性工作流，只在最必要的节点织入 AI。19:10

这也解释了那个 80% 的判断。Wade 说，哪怕看 Zapier 自家客户对 agentic 产品的使用，绝大多数——事实上 80%——他们拿 agent 干的事其实该用老派确定性代码。"你只想让 AI 去推理那些真正需要推理的东西。"他不排除模型继续变强，但"我很难想象出一个世界，在那里确定性代码不再更可靠也更便宜"。因此正确的做法是教会 agent 自己做这个判断：你跟它说话，它就按优化过的方式去建，而不是无脑地"我就搭个每次都 agentic 跑一遍的 agent"。15:22

四、五个 agent 投票：Zapier 的排障与自改进回路

Nathan 问模型出错后怎么救。Wade 拆成两个场景。第一个是建造阶段：要确保模型能正确识别"这里该用 AI 还是该直接写代码"，很多情况下你根本不想让 agent 编排任务，你只想让它跑一段早就存在的代码——所以关键在 agent 制定计划时，计划里就得编码进"最优工作流长什么样"。24:38

第二个是故障恢复。Zapier 先在自家客服上做实验：怎么替客户排障，再把排障能力烤回核心产品。最大的一条经验是"我们就是让多个 agent 同时上"。当前在跑的自动邮件项目会起 5 个独立 agent 各自评估同一个排障情境，他们发现当 5 个里有 4 个意见一致时，那基本就是真正的问题所在。围绕这个机制有大量数据和度量工作：换模型试、换提示技巧试、人工审核输出并给出"通过"或"驳回 + 理由"，理由再回流改进整个系统，如此循环往复，不断抬高这条工作流拿到正确结果的概率。25:24

Nathan 顺势问这套回路和积累的海量数据是不是 Zapier 今天的护城河。Wade 承认这是很大一部分：要找到别人不容易复制、且属于你独有的东西。Zapier 擅长自动化、接万物、握有大量"做成一件自动化需要什么"的数据，关键是把这些数据转成产品优势，而且必须显著好过没有这些数据的人能做到的水平。他认为这正是老牌公司的机会所在——如果能把数据用出来，就能造出"光靠模型造不出来"的产品。26:11

他举了一个所有人都能体感的例子：把 Gmail 收件箱接上模型，让它帮你写邮件，它自动就写得更好——因为它看过你怎么写邮件，而你几乎没做任何调优。"光是接上公司的数据，模型就突然变好了。"26:58

Nathan 追问这在技术上是不是一个大检索问题，要不要自研 embedding、改造检索栈。Wade 的回答朴素得有点反高潮：回到客服那个例子，核心就是把进来的案例给个赞或踩、附上理由，然后一遍遍重复；给客户的也是同一套工具。"说到底这事没那么花哨。就是拿例子问你喜欢不喜欢，然后反复洗、反复来。"29:16

五、竞争：别怕实验室，怕的是没人开始用

Nathan 列了一串竞争者类型：前沿模型公司（他自嘲连 Notebook LM 都在抢播客主的饭碗）、Composio 和 ZeroXYZ 这类新兴 Uber 工具、各种 agent builder，以及 Salesforce 这类握有数据和资源的老牌巨头。他问哪一类最该担心。

Wade 的回答从 YC 时期 Paul Graham 的一条老建议切入。当年的问题不是"要是 Anthropic 或 OpenAI 做了你这个怎么办"，而是"要是 Google 做了、Facebook 做了怎么办"。PG 想灌输的是：你往往不是在和 Google 正面竞争，你不是在和 Larry、Sergey 或 Zuck 拳拳到肉，你实际对上的是一个可能只待两年、急着要升职的中层产品总监。 他补了一句现实判断：OpenAI、Anthropic 现在就是大科技公司了，它们会在基础模型上做到世界最强、别处也会有好产品，但它们不可能什么都建。30:48

不过 Wade 对当下的应用层评价并不客气：他环顾四周，发现"所有人好像都在建所有东西"，存在一片同质化之海（sea of sameness），这是眼下真实的挑战。与此同时，反转来了——你去和 AI 工具的普通用户聊，会发现他们坦白讲几乎什么都没做，可能就用过 ChatGPT 或 Gemini。

于是他给出本期最反直觉的一条判断："我们大多数人的竞争对手不是彼此，而是人们到底知不知道该拿这些工具干什么。" 真正的挑战是能不能钩住那些唯一 AI 经验是"Google 搜索里默认的 Gemini"或"公司里的 Microsoft Copilot"的人——那才是大多数人所在的位置。他还点名了行业的认知扭曲："如果你整天泡在 X 上，这件事特别容易被忽略，因为在 X 上我们都对哪个模型发布了、哪个工具起势了、谁又融了一大笔钱高度敏感，我们对不同产品之间的微小差异了如指掌，而大多数人根本不知道这些。"32:19

结论是要同时握住两个相互竞争的念头：一方面你确实得在某个维度上强过整片同质化之海；另一方面去教育大众的机会大得惊人。Wade 说，自动化的市场比他 15 年前创业时所以为的大了数量级——"大概是我们当初设想的一千倍"。33:07

六、被困住的想法：让 AI 观察你的一周

Nathan 承认自己五年前的判断错得离谱：他以为经济体做事的方式会有远比现在更大的改变；哪怕给他剧透说 Astra 这种水平会如期到来，现实仍是模型公司营收爆炸而社会几乎照旧。Wade 附和："不，生活基本一样。我照常过日子，和朋友家人聊天、看他们在做什么——他们的一天是一样的。"他们偶尔用 ChatGPT 规划一餐、一次旅行、一套训练，"完全没有用上 Astra 级别的能力"。36:12

那到底卡在哪？Wade 说 Zapier 十五年来最难的问题之一始终是推荐：你到底该拿这东西干什么。"如果我亲自坐在你旁边说'给我看看你每天干什么'，我能当场给你半打例子，让你连说三次'我要这个'。"难点从来不是没有答案，而是怎么把"一个懂行的人坐在你旁边"这件事烤进产品里。37:01

他的解法是让工具去看你干活：接上 Gmail、Slack、浏览器、聊天工具，让它观察你每天做什么，然后告诉你该改什么。Wade 自己从今年年初开始跑这套工作流，如今几乎每周都会多出新工具、新系统，自动掉他工作的一部分；持续跑一两个月后你会明显感到"有一堆事在替我跑了"。关键不在于建出来的东西有多新鲜——很多他本来就知道该做——而在于具体性："它是真的看到你在这里、这里做了什么，所以它知道到底哪个工具能搞定。"正是这份 idiosyncratic 让人真正"啪"地开窍。38:34

Wade 由此引出一个更大的观察：人是习惯的动物，早上醒来就按昨天的方式过日子，不会去想有个好 5% 或好 500% 的做法；肌肉记忆舒服，就算不是最优也照旧。"AI 得好到能把我们踹出舒适区，我们才愿意说：行吧，我去试试那条路，因为它听起来实在好太多了。" 他因此很兴奋于"让模型有意识地感知人是怎么过一天的"——因为有海量点子就潜伏在那里，被日常掩埋。39:19

具体实现上，Zapier 内部大多数人是用 Zapier MCP 把工具接进各自的 harness（可以是 Claude Code、co-work、ChatGPT work、Cursor 或任何东西），再挂一条每周跑一次的自动化去收集这一周所有工作产生的事件流，然后告诉你"我注意到你做了这个和这个，这里有个工具我觉得你该建"，你回一句"好，去建"或者"这个思路可以，但改成这样会更好"。Wade 点出关键心理学：一半的仗赢在让你有东西可反应——点子只要有 50% 靠谱，就足以让你说"我懂你要去哪了"，头脑风暴就此启动。40:04

Nathan 追问这套会不会产品化。Wade 说"很可能会以某种形态推出"。Nathan 随即指出路径差异：走 API 路线要求客户先把一堆平台全接上才能有洞察，而屏幕录制只需一次安装、逐次点击地自上而下理解。Wade 的回答坦率——"我们擅长 API，擅长这些东西，所以这是个很自然的涌现式实验"，但他也说要做到极致体验，你应该把手头所有工具都用上。Nathan 补了一句很有味道的评论：这反映了 AI 智能的"异类性"——"如果换我来给你当顾问，我一定想看着你干活，你的日志帮不了我多少。但 AI 特别擅长读日志。"41:36

七、定价、token 价格歧视与内部治理

Wade 认为席位制定价基本已死或正在死去：当智能成为产品体验的核心，固定的按人头收费说不通。终点无非用量计费或结果计费。走商品化路线的更接近用量计费——这是 Sam Altman 那套"我们想当一种公用事业，智能随取随用"的思路；更偏企业侧的会尝试按结果收费，客服工具正在这么做（按解决的工单计费），因为成功的界定足够清晰。但他承认现实很乱：大多数产品只是交付了结果的一部分，差一两步才到真正的成果，所以又被拉回纯用量模型。无论哪种，本质都是"计价表在跑"，卖的是某一部分工作量；企业接下来要思考的是"我们的工作预算是多少"。42:23

Nathan 抛出一个敏感问题：模型公司的 Claude Max、OpenAI Pro 订阅在跑满的情况下给的 token，远多于同样金额通过 API 能买到的量（他估约 20:1），要不要有规则要求对所有人统一 token 定价，好让生态里的第三方增值服务有活路？Wade 的回应两面兼顾：他倾向自由市场，公司有权自主定价；但他也提醒大家都经历过、甚至仍在经历微软的统治力——用捆绑把更好的产品挤出去。最终他把判断权交给国家和社会："什么算垄断行为、什么算公平竞技场，是他们要决定的；我的工作是在球场规则里打球，并找到自己的优势。"他补了一句观察：这几年很有意思的是看谁愿意咬牙认下现实，谁坚守自由市场原则。44:42

内部 token 治理同样务实。Nathan 提到 Wade 曾发推说 Zapier 有工程师每月烧 3 万美元 token，问审批与治理怎么做。Wade 说这些人属于离群值，但确实促使他们建了自助工具：目前不给个人设预算，而是让人看到自己的花费，理解"某条工作流上选强模型和选便宜模型的成本差异到底是多少"。看到有人花很多时，他的第一反应是去聊——有些人在做极其高产的事，有些人是好坏参半，"这个你不该用 Fable，那个不该用 Astra，有更好的办法"。在一个近 800 人的组织里，这就是一场大规模教育。他判断 token 预算迟早会成为真实制度，并成为 AI fluency 的一部分：会把产出做高的人会拿到更高的预算。怎么落地还在摸索，但员工之间的差距已经肉眼可见。55:29

八、组织：人事官领队、默认公开、共著守则

为什么是首席人事官负责 AI 转型。 Nathan 指出上次对话时 Wade 还说"这不是某一个人的事，是我作为 CEO 的事，更是所有人的事"。Wade 说他依然这么认为，只是不同阶段面对的问题不同。第一章是全员 AI 流利度：没有 AI 委员会、没有"那边那伙人去搞、你们照常营业"，因为这影响所有人。结果是在 ChatGPT 发布后一年左右，几乎 100% 的员工日常在用 AI，技术采纳根本不是战场。真正的新难题是如何把个人的成功放大成公司级、生产级的工作流——而这些问题长得很像人的问题：要重写职位描述、重新想薪酬、重组团队、判断哪个组不再需要、哪个组要扩、怎么给有部分技能的人再培训。当时的首席人事官 Brandon 正好在这些事上做得很好，团队也走在前面，所以 Wade 就让他去帮全公司。47:04

他特别强调这不是可照抄的方法论："同样可能是 CMO 或 CPO 或任何角色，只是在 Zapier 恰好这么发生。"被反复问这个问题让他觉得好笑，因为大家以为他有个"必须是人事官"的主张——"没有。你该看的是你的瓶颈和约束在哪，然后找那个最合适的人去做。" Nathan 点评这呼应了 Ben Horowitz 的建议。48:37

默认公开的内部沟通。 Zapier 早有"default to transparency"的价值观，大量公开 Slack 频道本就存在。但随着公司变大，部分工作悄悄挪进了私密频道和私聊；Slack 的统计能看到公私比例，他们看了一眼觉得该提醒一下。第二个推动力更关键：当 agent 能看到 Slack 里的 context 时，它们有效得多。 做法很轻：高管团队搞了一场友好比赛，看谁能把最多沟通放进公开频道——没有硬性要求、没有绩效惩罚，结果发现"能公开的东西比我们以为的多得多"，团队也因此受益。例外依然存在：HR 事件、正在处理中的严重安全漏洞不会放在公开频道，但解决后倾向把经验教训分享出去。Wade 的结论是：大多数人严重高估了必须保密的事情数量，也严重低估了"人和 agent 都能看到公司全部 context"时释放的能量。51:41

人机共著的守则。 Nathan 坦言自己在做暴露疗法——故意发布没逐字重写的内容，导致 pangram 分数判定为 AI；他也看到 Zapier 有些内容 pangram 分数很高，于是问 Wade 怎么定调。Wade 的立场很清楚："我不反对有人用 AI 做沟通。我真正反对的是低质量沟通。" 危险在于这个时代里，判断力差的人能用极高速度产出极大量的低质内容，把别人淹没。因此 Zapier 立了几条指引：57:48

1. 你得对你发出去的东西负责——如果是你写的，你花在写上的时间大概该多于读者读它的时间；AI 不该成为"把任务所有权甩给别人"的手段（我被指派了任务，于是我丢个提示生成一堆东西让你去读去改）。

2. 你得理解你发出去的东西——别人一问你就"我也不知道里面写了啥"，那就出问题了。

3. 把请求说明白——需要人做事、需要决策、需要反馈，或者只是份草稿想要意见，就标清楚。

4. 核实细节——AI 会幻觉，也可能不是幻觉而是拉错了数据：接上 Slack 的 agent 可能把三个月前一个相关但不相同的项目拉进来；再叠加"摘要的摘要的摘要"，错误信息就这么传下去了。59:20

Wade 还给了具体的文风红线：要洗掉那些"slop"——"it's not this, it's that"的句式、破折号泛滥、"honest truth"、"load-bearing"之类的口头禅。尤其在营销材料里大量出现这些，会让你很难被记住，读者也已经腻了。"你还是得自己的编辑之手握在方向盘上。但对我来说，用 AI 不是问题，低质量才是这场仗的真正对手。"60:07

九、安全与组织形态的未来

安全这一节因为 Zapier 的特殊处境格外有分量——Nathan 指出，Zapier 手里握着的、跨越众多服务与用户的凭证，大概比世界上几乎任何公司都多。Wade 的回应是：这些凭证他们已经保管了 15 年，一直被当作最高级别的受托责任。但这一次不同的地方在于，出现了"Mythos 这种级别的安全模型"，能不知疲倦地一个问题接一个问题地循环下去，把东西找出来。他的判断很冷静：每个软件项目都有漏洞，区别只在有没有人找到它；模型让找漏洞容易得多，好消息是也让补漏洞容易得多。 聪明的公司正在把模型同时用于攻和防，比谁找得更快、补得更快。他提到 Hugging Face 那次事件"简直像科幻小说里出来的"，并猜测对多数人来说这更像一次性的重新适应投入，之后会回到攻防拉锯的稳态。53:12

Nathan 追问 CEO 是否在争取各种早期访问名单的席位。Wade 只说"我们当然想尽早拿到最好的能力，换谁都一样"。Nathan 则认为这本身可能成为一个相当有分量的差异化：如果替你保管凭证的两家公司，一家进了所有的圈子、另一家是没有同等访问权的初创，那把身家交给后者就是一次不小的信仰之跃。54:43

组织形态上，Wade 的回答带点意外。一方面 Zapier 的团队"看起来和过去很像"——工程、设计、产品都还在，管理者也还在，"我们短期内不会取消管理者，强管理依然关键"。另一方面变化真实存在：经典的 EPD 三角基本没了，角色边界更可塑；管理层级变扁，但管理者能承接更大的量；数据分析这块，"Zapier 里每个人都是自己的迷你数据分析师"，所以名义上不需要那么多分析师，但留下来的分析师在做价值更高的工作。60:54

他最兴奋的方向是团队正在从"造产品"转向"造那座造产品的工厂"——软件工厂、支持工厂，这些工作流被搭起来后由系统处理内循环，人负责设计那一层。工厂内部总有一些环节 AI 还不够好、必须留人在环里；但每次模型发布、每轮内部迭代学习，这个问题都被啃掉一块，"越来越接近一种和过去的组织真正不一样的样子"。62:28

结尾 Wade 给了一句直白的推荐：去装 Zapier MCP。"如果你还把 Zapier 想成那个老派的、点点点的无代码方块界面，那你会有个惊喜。把 Zapier 装进你最爱的任何 harness 里当日常使用，你会得到一堆裸 harness 给不了的能力。"63:15

金句

建一个 no code 这件事，对我来说感觉已经过时了。新的 no code 就是 code。 —— Wade Foster 17:40

即便在我们自己客户对 agentic 产品的使用中，绝大多数——事实上 80%——他们其实应该用老式的确定性代码。 —— Wade Foster 15:22

我们大多数人的竞争对手不是彼此，也不是你刚才列的那些工具。而是人们到底知不知道该拿这些工具干什么。 —— Wade Foster 32:19

你不是在和 Larry 和 Sergey 拳拳到肉，你对上的往往是一个待两年、想要升职的中层产品总监。 —— Wade Foster（转述 Paul Graham）30:48

大多数人严重高估了必须私下处理的事情数量，也严重低估了当人和 agent 都能看到公司全部 context 时会发生什么。 —— Wade Foster 51:41

如果换我来给你当顾问，我一定想看着你干活，看你的日志对我帮助不大。但 AI 特别擅长读日志。 —— Nathan Labenz 41:36

提到的书·产品·人物

• Wade Foster（人物）：Zapier 联合创始人兼 CEO，本期嘉宾，第二次做客节目。
• Nathan Labenz（人物）：Cognitive Revolution 主持人，多次自陈对 AI 扩散速度的预判失误。
• Zapier MCP（产品）：把 Zapier 的连接与自动化能力带进任何 daily driver harness 的 MCP server，Wade 在结尾唯一主动推荐的产品。
• Automation Bench（产品/基准）：Zapier 自建的自动化基准，约 600 个跨职能知识工作任务；v2 将测量"模型 + 工具"的增益。
• Astra / GPT-6（产品）：上周发布，在 Automation Bench 上以约 40% 正确率创下新高，但价格昂贵。
• Gemini 37（产品）：分数略低于 Astra，但成本只有零头，被用来说明性价比权衡曲线。
• Cursor（产品）：Wade 本人的 daily driver，他把 Zapier 内部 harness 的 MCP 接进去使用。
• Claude Code / ChatGPT / Grok（产品）：被举例为人们各自选定的 daily driver。
• Fable（产品）：Anthropic 模型，Wade 用它举例说明"这个任务其实不该用这么贵的模型"。
• Salesforce（公司）：被 Wade 当作 headless 路线的正面例子。
• Paul Graham（人物）：Zapier 在 YC 时期的教诲来源——真正的竞争对手是中层产品总监而非巨头创始人。
• Gary Tan（人物）：YC 总裁，曾称 Zapier 是"未来的 AI 驱动知识工作者"。
• Andrew Lee / Tasklet（人物/公司）：Nathan 引述其观点——只有三类软件公司能活下来，模型之上的水平层价值巨大。
• Composio / ZeroXYZ（公司）：被列为争夺"Uber 工具"生态位的新兴玩家。
• Brandon（人物）：Zapier 时任首席人事官，被 Wade 指派牵头公司级 AI 转型。
• Ben Horowitz《The Hard Thing About Hard Things》（书）：Nathan 认为 Wade 的用人逻辑呼应了这本书的建议。
• Pangram（产品）：AI 文本检测工具，Wade 和 Nathan 都讨论了自己内容"被判定为 AI"的情况。
• Mythos（产品）：被提及为具备强力安全能力的模型，可耐心循环搜寻漏洞。
• Hugging Face 事件（事件）：Wade 形容"像科幻小说里出来的"安全事件。
• Microsoft（公司）：作为"用捆绑挤掉更好产品"的历史案例，出现在 token 价格歧视的讨论中。
• Notebook LM（产品）：Nathan 自嘲连播客这个小众生态位都被前沿实验室盯上了。

适合谁听

想在 AI 泡沫之外看清企业自动化真实进度的产品经理、运营负责人和创业者，以及正在纠结"该让 agent 干什么、该让代码干什么"的技术决策者。