Brex CEO：电力已在12月发明，多数人还在玩蜡烛

核心要点

• CEO即首席AI官：Pedro 断言 AI 转型不是工程或产品团队的事，CEO 必须比任何人更懂技术边界——因为只有 CEO 能"打破玻璃"：他解决一次内部审批阻力只要 10 秒，普通员工走流程要 10 小时，而最终答案往往是"永远不行"。
• 电力发明于12月：Pedro 把 Opus 4.5 的发布比作"电力被发明"，此前的一切（GPT-3、ChatGPT）只是火花；现在相当于电力发明 6 个月后，大多数人还在玩蜡烛、讨论灯笼，而"蒸汽机"级别的范式可能还要 20 年。
• 网络层安全Crab Trap：Brex 开源的 agent 安全方案不在工具调用层做管控，而是用 HTTP 代理拦截 agent 的整个网络边界，再用 LLM 分析流量自动生成策略；招聘 agent "Jim" 的请求 98% 自动放行，2% 交给 LLM-as-judge 裁决。
• 做多推理的论据：一张 2500 个点的图（每点代表 320 万人）显示：84% 的人类从未用过 AI，只有 0.3% 付 20 美元月费，仅 1/2500 用过 agent；token 将成为公司最大开支，且成本每降 10 倍用量就涨 10 倍。
• 信号不在模型里：执行已被模型接管，创始人的瓶颈变成"选择的智慧"——客户只会给出受自身世界观局限的局部最优答案，从对话中提炼未说出口的信号，才是训练数据里没有的 alpha。
• 最小表面积：成功公司的共同模式是极小的产品表面积——早期 Stripe 只有 API、Brex 只有终端、Airbnb 只是一张表单；AI 让"什么都能做"，反而成为不做选择的借口，"好想法必须写得下一张餐巾纸"。
• 自学习公司：Brex 把每次人工干预都变成 eval——expense agent 对话不顺即自动建 bug，触发另一个 agent 修改代码和 prompt 让 eval 通过，改不动才轮到工程师；目标是让公司成为每晚"做梦复盘"的自学习系统。

章节时间轴

• 0:47 开场：Pedro 与那顿改变 YC 的午餐 — 主持人介绍 Brex 出自 YC W17，Pedro 的个人 AI 工作流曾让整个 YC 团队掉进搭 agent 的兔子洞。
• 3:04 AI 觉醒：从 GPT-3 到"12月的电力时刻" — Pedro 回顾疫情期间初次接触 GPT-3，直到 Opus 4.5 发布才认定"电力被发明"，编码 harness 真正可用。
• 5:24 个人实验：用 OpenClaw 买电影票 — markdown 能带你走很远；v1 设置是只读权限加 OAuth token，团队不解，Pedro 说"你们完全没抓住重点"。
• 6:55 最难的问题：安全与 Crab Trap — 与其管控工具调用，不如代理整个网络边界；LLM 看一天流量就能写出策略，98% 请求自动放行。
• 10:45 企业 AI 采用的三层金字塔 — token maxer 工程师、效率只有十分之一的普通工程师、用"Google 搜索模式"的全公司其他人。
• 13:02 虚拟员工实战：60 场晚宴的策划 — 主持人和 Jared 用 Aqua Voice 对着 Slack 说话，agent 自己写 markdown 完成 YC Startup School 晚宴排期。
• 14:33 Token 经济学与 AI-pill 测试 — 为什么抱怨 max plan 限额的人只有 0.1%；真正的测试是：遇到问题你是否默认先用 AI。
• 18:25 AI 时代创业方法论：最小表面积 — Stripe、Airbnb、DoorDash 的共同点；智能就是压缩，好想法要写得下一张餐巾纸。
• 20:44 选择的智慧：哪些信号不在模型里 — 执行已死，客户访谈中未说出口的信号才是 alpha；模型应该报告训练数据的采样频率。
• 29:56 做多推理：token 是公司最大开支 — 2500 个点的世界地图论证；Magpie 把每一美元 token 开支归因到产品、客户和员工。
• 32:59 重新创办公司：KYC 的端到端重设计 — "如果 2024 年重新创办 Brex 会怎么做？答案是一切都不同"；KYC 免费后可以直接给销售线索做 KYC。
• 39:04 CEO 必须是首席 AI 官 — 打破玻璃的成本差 10 倍再 10 倍；公司会产生"抗体"排斥变革，必须给升级路径脱敏。
• 43:39 公司 AGI：虚拟员工、客户世界模型与 eval — 不要单一全知模型，要边界清晰的"虚拟高管团队"；每次人工干预都变成 eval，夜夜运行"梦境循环"。
• 51:22 给创业者的三条建议 — 惊叹于此刻、贴一张"为什么不能用 AI 解决"的便利贴、度量自己的 token 消耗并从"为什么不能只有我一个人"开始。

详细内容

从 GPT-3 到"12 月的电力时刻"：一个 CEO 的 AI 觉醒史

Pedro 与 LLM 的初次相遇在疫情期间：有人给了他 GPT-3 的 API 权限，他玩了之后觉得"这里面有特别的东西"，但感觉像 Google 当年发布的研究项目——玩十分钟就放下了。ChatGPT 出来后大家都感兴趣，真正变得有意思的是推理模型和工具调用的出现。但在他看来，那之前的一切都只是"短暂的火花（blip）"，直到去年 12 月。

他对团队的说法是："电力是在 12 月被发明的，我认为电力就是 Opus 4.5。"模型自那以后持续变好，但那是矛尖——你终于可以说编码 harness 真的能用了。Claude Code 在那之前已存在一年左右，但还没那么有价值。假期里他亲自上手，震撼程度和在座所有人一样。由此他给出了贯穿全集的类比：想象你站在 200 年的历史长河里，现在是"电力发明后的第五、六个月"，大多数人还在玩蜡烛，讨论"蜡烛和火还能做什么""谁需要那么亮的灯"，而蒸汽机也许还有 20 年才出现——但电力已经存在了。

主持人也分享了自己的转变：在遇见 Pedro 之前，他自称"一个从 2013 年穿越到 2026 年 1 月的 web 2.0 工程师"，写了大约 50 万行 Rails 代码做 GStack，想给自己造一座"软件工厂"。直到那顿午餐之后他才意识到，一切的关键是"把爪子放出来（free the claw）"，给它 token，让它撒开了跑。Pedro 总结了多数软件从业者仍在犯的错：把 LLM 当成又贵又精贵的东西，于是把 agent 关进"富士康工厂"——写一堆 if 语句控制它能看到什么上下文，像逼着工人早上六点打卡。而 agent "想去的是 Esalen Institute"。每一个你用过的好 AI 产品，本质都是"带工具的 agent 循环"：技能、工具加模型，没有更多了。

解放企业里的 agent：四周攻坚安全与开源 Crab Trap

Pedro 强调 Brex 处理金融服务数据，在安全上花了大量心思——但他认为人们的风险厌恶程度超过了技术现状的实际要求。他的个人 v1 方案很朴素：给 agent 一切系统的只读权限，为邮箱、Slack 等创建 OAuth token，"就是不让它写"。结果它能走多远让他震惊。他用 OpenClaw 配合一张通过 API 开通的 Brex 卡，完整地买了一张电影票；团队说"上网订只要 10 秒"，他回答："那不是重点，你们完全没抓住重点。"

下一个问题是如何让 agent 安全地"写入"Brex 的系统，安全团队的回答是众所周知的"不行"。Pedro 于是花了大约四周时间亲自攻坚他所谓"最难的问题"。结论是：唯一可行的方案在网络层。如果你承认 agent 有自己的意志和欲望，那么它在网络边界上就可能做错事。业界（包括 NVIDIA 的 NeMo 方向）流行做受控的 fork，管控模型调用哪些工具，但"你管住了工具，它还是可以直接发一个错误的 HTTP 请求"。

于是 Brex 做了 Crab Trap，并在大约两个月前开源——这正是 Brex 生产环境中给 agent 上保险的方式。基本思路：用 HTTP 代理接管 agent 的整个网络边界，每个请求都变得可审计，再用另一个 agent 分析流量、生成放行策略。一个反直觉的发现是：因为模型是在数千亿网页文档上训练的，HTTP 流量恰恰是模型"推理得最好"的语言——让模型看一千个请求并理解发生了什么，能力远超预期。录下一个 agent 运行一天的流量，就能构建相当好的策略。以 Brex 的招聘 agent "Jim" 为例：所有流量走同一套策略，98% 的请求自动放行，2% 交给 LLM-as-judge 按该 agent 的职责判断是否批准。Pedro 说，LLM-as-judge 是让严苛的安全团队从"不行"变成"我们相信这够了"的决定性能力。他的立场也很清楚："我们不做 HTTP 代理生意，我们做的是站在 AI 应用最前沿的生意——为了到前沿必须造这个代理，所以造了。希望有 YC 公司做得更好，我们直接去用。"他还补了一句：我看不出任何理由，YC 公司不该站在这类技术的最前沿。

企业 AI 采用的三层金字塔与"虚拟员工"harness

谈到公司内部推广，Pedro 给出一个三层模型：第一层是 token maxer——推着海量代码、活在编码 harness 里的工程师，这批人是谁大家都知道；第二层是普通工程师，也在用 AI 做一些东西，但生产率大概只有前者的十分之一；第三层是公司其余所有人，他们与 AI 的交互停留在他所谓"Google 搜索模式"——一个带几个 MCP 的聊天机器人，或者 G Suite 式的工具，本质还是搜索。

Brex 的论点是：token maxer 获得的价值大量来自 harness，那么如何为非技术团队构建等价的 harness？OpenClaw 的启发在于"自举（self-bootstrap）"——通过编辑 skills 和 markdown、布置 agent 周围的环境，就能让 agent 自己长出能力，而不需要任何人手写代码。所以 Brex 不相信"给员工几个 MCP 就放手"，人们真正想要的是一个"虚拟员工"：它在 Slack 上、有邮箱、可以被邀请进会议做笔记。要做的是支撑这种用例的基础设施，而这个 harness 长得更像 OpenClaw 而不是编码工具。

主持人现场提供了例证：那一周他和 Jared 第一次装上 Aqua Voice，对着 Slack 里的 claw 说话——参与者是他、Jared、三个工程师和一位活动团队同事，任务是为 Startup School 安排 60 场晚宴、每场 20 位创业者、协调 YC 的 21 位合伙人和到访合伙人。大家只是把问题讲了一遍，他按下回车，agent 就开始干活：自己写了一堆 markdown、完成了分析，没有任何人打开 Claude Code。Pedro 借此点破："Claude Code 不是魔法，它只是同一批 API 模型外面的一层 harness。"主持人们还笑谈：claw 可以调用 Claude Code，也可以调用 Codex——"它最近真的更喜欢用 Codex"，而 ACP 让这种互相调用更顺畅。

Token 经济学：AI-pill 测试、做多推理与湾区之外的断层

为什么 token maxing 没有普及？主持人观察到很多创始人"舍不得烧 token"。Pedro 承认自己幸运、花得起，但他反问：如果自己是 12 岁、14 岁刚开始写代码，他一定会用最便宜的方式 token max——中国模型已经相当不错，也有庞大的爱好者社区用游戏装备跑本地 LLM（他有个朋友家里供暖全靠 GPU 农场）。在他看来，更说明问题的信号是：抱怨 max plan 限额的人在 Twitter 上大概只占 0.1%——说明大家还太早期。他提出"AI-pill 测试"：生活中冒出任何问题，你是否默认先用 AI 解决？到了某个点这会变成第二天性，大脑被重写，无法用别的方式思考。让他惊讶的是，明明"深入理解一个问题的边界"已经如此便宜，很多人聊问题时仍然没有先消化一遍。

他进一步主张：如果今天有创办公司的奢侈，公司的"肌理（fabric）"从第一天起就该完全不同——前提应该是"为什么不能只有我一个人？"从这里出发，你的 token 消耗自然会远高于"我要雇三个、五个、七个人"的版本。根本的解锁不是省钱或提效，而是当公司内部的边界从"人与人"变成"类型系统、接口、agent 互相对话"时，公司形态本身就变了。在"智能拧开水龙头就有"的世界里，默认动作是先用 AI 解决——哪怕一开始感觉次优，再去想怎么变优，因为这件事会复利。

关于行业整体，主持人打趣说 AI 圈到处是加密圈格言："这是模型最差的一天""祝你享受 1 倍速写代码"。Pedro 顺势给出"做多推理（long inference）"的论据：有一张 2500 个点的图，每个点代表地球上 320 万人——84% 的人从未用过 AI，16% 至少用过一次免费聊天机器人，只有 0.3%（六七个格子）每月为 AI 付 20 美元，而真正用过 agent 的只有 2500 格中的一格。token 将轻松成为公司最大的开支项；现在 token 毛利很高，但即使成本降 10 倍，用量也会涨 10 倍，依然是大开支。Brex 为此做了内部工具 Magpie：把公司每一美元的 token 开支归因到某个产品、某个客户、某个内部工具或某个员工，并正在搭建分析来评估 ROI。至于真实数据，Pedro 说最惊人的不是增长（"在增长"），而是断层：湾区 10 英里半径加上纽约，token 消耗巨大、且数据上看营收增长也更快；而圈外那些预算庞大的大公司，每月只花一万美元在 token 上——"你本该花 10 倍、20 倍、100 倍"。

创业方法论：最小表面积、餐巾纸，与不在模型里的信号

主持人问：Brex 的 MVP 没有 Web UI、只有终端，今天还应该这么做吗？Pedro 给出他自称有争议的观点：成功公司有一个共同模式——最小表面积。早期 Stripe 就是一个 API；Brex 没有 UI、只有终端；Airbnb 的网站就是一张表单，有人在背后想办法把预订搞定；DoorDash 早期也一样。与客户的接触面极小，创始人的全部智力带宽都花在打磨这一个交互模式上。AI 的风险在于"选择背后的能动性消失了"——你确实可以同时实验一堆东西，但这不能成为不选择的借口。"如果你不能把问题压缩进一个边界清晰的最小表面积，说明你还没找到对的问题。"他在公司里的口头禅是："智能就是压缩。好想法必须写得下一张餐巾纸。有人拿来一大篇，我说：不知道你在哪买的餐巾纸，我家的可没这么大。"

关于找方向，主持人提到 Pedro 著名的"两周周期、探索/利用交替"的 pivot 方法论，问现在是否还适用。Pedro 说 100% 适用，并给出更深的一层：建公司最难的是和客户交谈，并从交谈中提取"未说出口的信号"。为什么不能直接 prompt 出一家成功的公司？因为有些信号模型没有被训练过——客户告诉你的，是基于他们世界观和约束的"局部最优答案"，不是能直接喂给 LLM 的提示词。"以前的智慧是既要会选、又要会执行。现在执行已经没了，模型会做得更好。选择的智慧才是缺失的瓶颈——而它来自那些不在模型里的信号。"被问到"以前并行探索 3 个想法，现在是否该并行 30 个"时，他说可以扩大初始探索面，但和客户的深谈他不会并行化：Brex 做过很多合成客户、客户角色模型的实验，这些在你已经很了解客户之后非常有价值，但在你还不懂的时候不行——Brex 最难的一课就是从"卖给创始人（我们了解自己）"转向"卖给财务团队（完全不同的价值体系）"。

主持人补充了心理学著作《Others in Mind》：能与人建立深度情感连接的人，能在脑中模拟对方在想什么；好创始人有同理心去捕捉客户没有说出口的东西——用 Garry 的话说，"把隐含的变成显性的"。而依赖模型的问题在于元层面：你甚至不知道该问模型什么问题。Pedro 指出 LLM 最大的陷阱：你完全感知不到模型对你所问的事情见过多少训练数据。"想象每次提问模型都告诉你：这个答案在我数据集里的采样频率是 X，那个是 0.00001X——你的信任度会完全不同。"主持人当场喊"我愿意为这个付钱，这是个好创业点子"。Pedro 提到 Mercor 等数据公司正是在找模型的盲区，但悖论在于：要知道答案的缺口，你得先是专家；而找创业想法的人恰恰一无所知——这是双重的"知识的诅咒"。主持人则分享了自己的对策：建好 GBrain 检索系统后，遇到分布外的主题，就让 deep research 花一天读完所有论文文章，塞进 git 仓库供日后检索——"想开餐厅？读完关于开餐厅的前 500 本书，你就有了全部信息的汇编"。Pedro 说 Brex 的"客户世界模型"是同样的思路。他还顺带吐槽了模型的隐性偏见：他玩 AI 会计分类时，模型给出的第一个示例类别竟是"AI capex"——"因为造模型的人满脑子只有 AI capex"。

重新创办你的公司：KYC 重设计、三种 AI 议程与打碎玻璃

两年半前，Pedro 和公司的工程与产品负责人做过一个练习：如果 2024 年重新创办 Brex，会有什么不同？答案令人抓狂——一切都不同：思考公司肌理的方式、构建产品的方式、内部流程，全是旧的。最优解是"真希望现在才创业"，次优解是"那就动手改变做事的方式"。Brex 的 AI 转型方法论由此而来：停下来承认存在"不连续性"——不只是解法变了，连问题的定义都变了。

最生动的例子是 KYC：给客户开户要做一堆合规检查，历史上 80% 可自动化、20% 必须人工。所有人的第一反应都是"做一个 KYC agent"。但 Brex 决定端到端重新设计整个开户流程——一旦重设计，你会发现漏斗最前端有一件重要的事叫"商机资格审查"：这个客户到底够不够格成为 Brex 客户？当 KYC 变得免费，你可以给一条销售线索做 KYC，而不是等它成为客户——风险判断前移到漏斗顶端，连你的目标客户画像都变了，信贷审批同理。问题的边界被改写了。Pedro 批评很多竞争对手的做法是"抱着旧流程，把 AI 焊在上面"；Brex 见过的唯一真正有效的方式是："把旧的放到角落，问：如果今天从零创办公司，我们会怎么设计？然后照做。这需要一点创始人能量，但这是我们见过唯一能产生拐点的做法。"主持人用了一个类比：Ubuntu 用户像用 ChatGPT 的人，开箱即用；而 Arch Linux 是硬核玩家的世界，要自己维护 skills 和 markdown——Valve 把掌机系统建在深度定制的 Arch 上，做出了"自己的 Nintendo Switch"，这正是把 OpenClaw 调教好的样子。

关于 ROI 焦虑，Pedro 讲了那一周和一位超大型上市公司 CFO 的对话：她看到 token 消耗暴涨，试图用"推送的代码行数"度量产品速度。Pedro 认为这种分析没错但错失了重点："你站在历史的时间线上，现在是电力发明后第 6 个月。想象 1800 年代有人说：我的电费好高啊，少用点电吧，让蒸汽机晚 20 年再来。"主持人补充了一个史实式的呼应：电力刚发明时效果很差、ROI 确实糟糕，如果当时的会计师做分析，结论一定是"电这玩意儿成不了"。人们坚持下来不是因为省钱，而是因为好奇。Pedro 说自己前一晚玩 workflows 和 Opus 4.8 到凌晨两点："就算一分钱不赚我也会做一模一样的事——这是终极试金石。"token 拉长到百年尺度大概率趋近免费，就像今天没人在意电费——除非你开数据中心。

谈到如何带动整个组织（包括 Brex 之外的 Capital One 一侧），Pedro 给出全集最有传播力的论断："CEO 必须是首席 AI 官。这不是工程团队的事，也不是产品团队的事——你必须比任何人都更理解这项技术的边界。"不每天亲身触碰技术极限的人，根本无法理解它能做什么。主持人一针见血：因为除了董事会没人能对 CEO 说不，而董事会不会深入细节。Pedro 补充：KYC 团队永远不会想到用 KYC 技术给销售线索打分——只有拥有全局上下文的人才能重新组织系统本身。每个 CEO 都该回答这个问题：忘掉竞争格局，想象把今天的技术传送回你创业的那一刻，机会不变但建公司的方式完全不同——你会怎么做？然后拿它和现状做 diff，"先默默痛苦一阵（我每天都在痛苦），然后问：接下来怎么办？"这几乎等于"重新创立公司的自我认同"。Brex 内部把 AI 议程分为三类：Product AI（交付给客户的产品）、Operational AI（影响规模化服务客户的能力：客户成功、风控、开户、运营）、Corporate AI（内部工作方式）。三者都重要，权重随公司阶段变化，不能只困在其中一类。如果你是非 AI 原生的大公司，"你必须假设自己在做一场 turnaround（翻盘式重整）"。组织层面的关键是"打碎玻璃"：CEO 打破常规比高管容易 10 倍，高管又比员工容易 10 倍——有人来找他说某个 AI 尝试被卡住，他确认风险和护栏后 10 秒钟解决；换成员工要开 10 小时的会层层升级，而结论很可能是"永远不行"，于是大家选择"用老办法做，反正能用，还不得罪每天在午饭队伍里碰到的同事"。他的处方是：给升级路径"脱敏"——公司会像免疫系统一样，对任何扰动社会凝聚力的东西产生抗体并排异；要让"我理解风险、我们就去试"变得廉价，因为最大的风险是错失重新思考问题的机会。

公司 AGI：虚拟高管团队、客户世界模型与会做梦的组织

主持人问 Pedro 是否认同 Jack Dorsey 的说法——每家公司本质上都在构建自己的"公司 AGI"。Pedro 说认同，但方式不同：他不相信"一个吞下公司所有数据、没有任何视角和判断的单一模型"。他相信的是"虚拟员工"的解构：一个 agent 专门做到极致地理解"关于这个客户一切重要的事"——这是边界清晰、API 明确、自成一体的问题；另一个 agent 基于全部客户和他们的问题来管理产品路线图；产出代码的系统、与客户对话的系统、把客户对话翻译成路线图的系统，是三个独立的东西。主持人总结：像一个虚拟高管团队。Pedro 强调职能与领域知识不会消失，知识的结构方式依然成立。

他自称 Brex 是"AI 界的 Tesla"——不相信任何没有真实使用量的东西："你说模型很酷？多少人在用？它是否真的替代了一次招聘、省下了多少小时？'这是个很酷的模型'不够格。"实证是：Brex 的客户销售团队现在就跑在客户世界模型上。这个系统摄取客户与 Brex 的每一个触点——在 dashboard 上点了几次按钮、邮件里说了什么、电话里讲了什么——然后归纳：这个客户接下来需要什么、会遇到什么还没遇到的问题。Pedro 第二天要和一位客户吃午饭，对账户状态了解不够，客户世界模型给了他一份报告，里面有连团队都不知道的信息：从工单里挖出"该客户一位高管出差时在机场刷卡出了问题"。主持人称之为"全面信息感知"。

更进一步的是 eval 体系：如何让公司里每一次人与 AI 的交互都变成 eval？开户 agent 处理不了的 KYC 例外由人工接手——这次人工处理就成为一条 eval 用例；Brex 的报销 agent 每当对话不顺、暴露问题，就自动创建一个 bug；这个 bug 触发另一个 agent 去修改代码库和 prompt，让这条 eval 通过；如果它修不动，工程师才介入。"最终目标是让整个系统成为自学习系统。我看到太多公司花大力气让 agent 跑起来，却从不思考如何让它每天变好——那才是最大的解锁。"主持人补了一个意象：一个"梦境循环（dream cycle）"每晚扫过一切——发生了什么、有没有模式、根因是什么——把做梦烘焙进你交付的产品和 agent 里。

结尾的闲聊展示了几位主持人自己的前沿玩法：一位在给朋友搭三四个 agent，当作 GBrain 的用户研究——GBrain 里已经有 35 万个 markdown 页面；一位说当年完全不理解 Neuralink，"现在用了 AI 才懂：我才是瓶颈，打字太慢了"；最常用的开发界面变成了"语音备忘录直达 OpenClaw"，Telegram 的限制反而逼着他把智能做进 agent 而不是做更多 UI——"别再造富士康了，给它上下文，让它做它想做的事"。还有 GBrain 的新功能 LSD（lateral synactic drift）：常规的"创意"都是在同一个锥体内组合相邻概念，LSD 模式强制组合必须正交甚至看似随机的概念，随机生成几百个组合再按连贯度排序——100 个里排前五的"往往是爆款推文"。另一位主持人让 ChatGPT 基于"你对我的全部了解"生成 agent 的 soul.md，结果"准得吓人——这些模型太了解我们了"；还有人把 60GB 的 Google Takeout 喂给 agent，用 Haiku 写代码从中提取出真正重要的约 4000 封邮件——"那是你人生中真正重大的时刻"。

给创业者的三条建议

收尾时主持人请 Pedro 对创业者和想创业的人说几句。第一条：去惊叹于你所处的时刻。他反复回到电力类比——你站在 200 年的时间线上，电力刚发明 6 个月、一开始还很糟，但如果你知道关于电力未来的一切（包括"数据中心会吞掉电力，还有 AI"），你会做出多少不同的选择？第二条：在电脑上贴一张便利贴——"今天醒来，无论生活中出现什么问题：为什么不能用 AI 解决？"80% 的情况一个聊天机器人就够了；剩下 20% 解决不了的，去搞清楚为什么，然后动手造出解决它的东西——价值不在于那个工具本身，而在于它给你的"质感和手感"，让你摸到技术可能性的边界，这是不每天把玩它的人无法获得的。

第三条：度量你的 token 消耗，看自己把公司的极限推到了哪里；并且从"为什么不能只有我一个人造出整个东西"这个前提出发。你会撞上模型能力的墙，但那恰恰是问题的正确形态：作为创始人，你的时间应该花在"只有你能做、模型做不了"的事上——第一是选择哪些问题值得解决（选择的智慧），第二是亲自补上 LLM 仍然做不到的部分。"某种程度上，你是在为 LLM 打工。"而如果你在一家更大的公司，那就是一场 turnaround：把 LLM 几乎当作创始人和 CEO，围绕这个想法重新架构整个公司。

金句

电力是在 12 月被发明的——我认为电力就是 Opus 4.5。现在是电力发明后的第五六个月，大多数人还在玩蜡烛。 —— Pedro Franceschi 3:50

我说的 AI-pill 测试是：生活中冒出任何问题，你是否默认先用 AI 解决？到了某个点它会变成第二天性，你的大脑被重写，再也无法用别的方式思考。 —— Pedro Franceschi 16:05

智能就是压缩。有人来向我推销想法，我说：好想法必须写得下一张餐巾纸。我不知道你在哪买的餐巾纸，我家的可没这么大。 —— Pedro Franceschi 19:59

执行已经消失了，模型会做得更好。选择的智慧，才是仍然缺失的瓶颈——而它来自那些不在模型里的信号。 —— Pedro Franceschi 21:29

就算我一分钱不赚，我也会做一模一样的事——因为你看到了可能性，看到了它能对技术做什么。 —— Pedro Franceschi 38:17

CEO 必须是首席 AI 官。这不是工程团队的事，也不是产品团队的事——你必须比任何人都更理解这项技术的边界。 —— Pedro Franceschi 39:04

提到的书·产品·人物

• Pedro Franceschi（人物）：Brex 联合创始人兼 CEO，本期嘉宾，YC W17 校友。
• Brex（公司）：Pedro 创办的 fintech 公司，本期 AI 转型实践的主舞台。
• Capital One（公司）：主持人提到 Pedro 的管理职责除 Brex 外还有 Capital One 一侧；Pedro 也以"在 Capital One 这样的企业里解放 agent 很难"为例。
• OpenClaw（产品）：开源个人 agent harness，Pedro 个人实验与 Brex 非技术团队 harness 的原型参照。
• Crab Trap（产品）：Brex 开源（约两个月前）的 agent 网络层安全代理，HTTP 流量审计 + LLM 策略生成。
• Magpie（产品）：Brex 内部 token 开支归因与分析工具。
• Jim（产品）：Brex 的招聘 agent，98%/2% 流量策略的示例。
• Claude Code / Codex / ACP（产品/协议）："Claude Code 不是魔法，只是 harness"；主持人笑称自己的 claw 最近更爱调用 Codex，ACP 让 agent 互调更顺。
• Opus 4.5 / Opus 4.8（模型）：前者被 Pedro 称为"电力的发明"；后者是他玩到凌晨两点的新模型。
• GPT-3 / ChatGPT（模型/产品）：Pedro 疫情期间初识 LLM 的起点。
• GStack / GBrain（产品）：主持人的个人"软件工厂"与检索系统，GBrain 已有 35 万 markdown 页面，新功能 LSD 用正交概念组合生成创意。
• Aqua Voice（产品）：语音输入工具，主持人用它对 Slack 里的 agent 口述完成 60 场 YC 晚宴策划。
• Telegram / Slack（产品）：voice memo 驱动 agent 的主界面。
• Stripe / Airbnb / DoorDash（公司）：最小表面积论的三个经典例证。
• Mercor（公司）：数据标注公司，工作本质是寻找 LLM 的盲区。
• Others in Mind（书）：心理学著作，主持人引用以说明好创始人能模拟客户心智。
• Jack Dorsey（人物）："每家公司都在构建自己的公司 AGI"观点的出处。
• Garry Tan（人物）：被引用两次——"token 很贵"与"把隐含的变成显性的"。
• Jared Friedman（人物）：YC 合伙人、主持人之一，晚宴策划实验的参与者。
• NVIDIA NeMo（产品）：工具级 agent 管控方案的代表，Pedro 认为不如网络层方案。
• Arch Linux / Ubuntu / Valve Steam 掌机系统（产品）：AI 玩家文化类比——深度定制 Arch 造出"自己的 Nintendo Switch"。
• Neuralink（公司）：主持人感叹用了 AI 才理解它——"我才是瓶颈"。
• Esalen Institute / Foxconn（机构/公司）：贯穿全集的比喻——agent 想去 Esalen，而多数人把它关进富士康工厂。
• Google Takeout / Haiku（产品/模型）：主持人用 Haiku 写代码从 60GB 个人数据中提取 4000 封真正重要的邮件。
• YC Startup School（活动）：7 月 25-26 日旧金山，节目中插播招募。

适合谁听

正在推动公司 AI 转型的创始人和高管、想理解"AI 原生组织"具体长什么样的产品与工程负责人，以及所有想知道该把 token 烧在哪里的创业者。