他拯救了 OpenAI，发明了 Like 按钮，打造了 Google Maps——如今他在构建这个十年最重要的 AI 公司

摘要

Bret Taylor 的职业生涯横跨科技行业最标志性的产品与公司：他在 Google 联合创造了 Google Maps，在 FriendFeed 发明了 Like 按钮和实时信息流，随后成为 Facebook 的 CTO；他创办了生产力工具公司 Quip（以 7.5 亿美元出售给 Salesforce），又在 Salesforce 担任联合 CEO；他曾同时担任 Twitter 和 OpenAI 的董事会主席，如今是 AI 智能体公司 Sierra 的联合创始人兼 CEO。

本期播客中，Bret 从一次惨痛的产品失败讲起——Google Local 在获得首页入口的情况下依然表现平庸，而这恰恰催生了 Google Maps 的诞生。他分享了 Sheryl Sandberg 改变其职业轨迹的一次关键对话：从"做我喜欢的事"转向"做最有影响力的事"，这一思维转变成为他在不同角色中持续成功的核心方法论。

Bret 深入探讨了 AI 市场的三大板块格局——前沿模型、工具链与应用层智能体，论证了为什么智能体（Agent）是软件行业继云计算之后的下一次范式转变，以及基于结果的定价（Outcomes-based Pricing）为何将成为行业标配。他对编程的未来提出了前瞻性判断：编程将从"写代码"演变为"操作代码生成机器"，而系统思维比编码技能本身更为重要。此外，他还谈到了 FriendFeed 败给 Twitter 的深刻教训、创始人常见的自我欺骗陷阱、AI 产品的上市策略，以及 AI 将如何重塑教育。这是一场信息密度极高的深度对话。

正文

从失败到 Google Maps：不要只做数字化的复制品

Bret Taylor 于 2002 年底加入 Google，是最早的助理产品经理（Associate Product Manager）之一。他先是参与了将搜索索引从 10 亿网页扩展到 100 亿的项目，随后获得了老板 Marissa Mayer 的信任，被委以重任——负责本地搜索产品。

当时黄页（Yellow Pages）仍占主导地位。Google 擅长搜索网页，但不擅长找水管工或餐厅，因为这类内容本身尚未充分互联网化，而且用户需要的是本地的、而非全球的搜索结果。这同时涉及技术问题、产品问题和内容问题。

Bret 团队推出的第一个版本叫 Google Local，本质上只是把黄页搜索嫁接到 Google 搜索之上——一个类似 Yahoo Yellow Pages 的"我也来一个"产品。尽管它在 Google 首页上拥有与 Web、Images 并列的顶级入口，但表现依然糟糕。Bret 坦言，在获得 Google 首页入口的情况下做不好，这简直是令人尴尬的——没有比这更强大的流量助推了。产品并非不能用，但毫无差异化。用户没有理由选择它而非黄页或其他竞品。

在与 Marissa 和 Larry Page 的一次产品评审中，Bret 经历了严厉的审视。他并未面临被解雇的风险，但作为"明星新 PM"的光环确实暗淡了不少。

团队获得了做 V2 的机会。Bret 从失败中汲取的核心教训是：与其将已有事物数字化，不如创造全新的体验。他们从 MapQuest 授权来的小地图一直是产品中最丑的部分，团队常在内部吐槽。当他们把思路反转——让地图成为画布（Canvas），而非配角——产品的核心体验彻底改变了。

他们找到了 Lars 和 Jens Rasmussen 兄弟，后者正在开发一款 Windows 地图产品。将这些技术整合后，团队将原本各自独立的产品类别——地图、本地搜索、驾驶导航——融为一体，最终打造出了 Google Maps。这款产品重新定义了整个行业，也重塑了 Bret 的产品哲学。

Google Maps 上线首日便获得了约 1000 万用户，在那个互联网规模下极为惊人。2005 年 8 月，团队集成了来自 Keyhole（后被收购成为 Google Earth）的卫星图像，同一天就获得了 9000 万用户——每个人都想从太空看自己家的屋顶。Bret 特别提到，卫星图像并非 Google Maps 最核心的功能，但它是"牛排上的嗞嗞声"（Sizzle），创造了一个病毒式传播的时刻：Andy Samberg 在《周六夜现场》的 Lazy Sunday 说唱中提到了 Google Maps，Lars 和 Bret 互发短信庆祝——"我们上 SNL 了，任务完成"。

Bret 从中提炼出两条关键产品法则：第一，新技术不应仅仅数字化已有事物，而应创造全新体验来回答用户"我为什么要花时间在这个东西上"的问题——把乐高拆散再重新组装，而非简单复制；第二，用户决定使用一个产品的理由（吸引点）与产品的持久价值是深度关联但并不等同的，两者都需要认真对待。

跨越角色的成功密码：做最有影响力的事

Bret 的职业生涯横跨了几乎所有角色层级：从助理产品经理到工程师、CPO、COO、CTO、三家公司的 CEO（包括一家上市公司）。这种跨越角色的成功并不常见。

Bret 认为，一个核心原则是对自己的身份保持灵活的认知。他可能自我定位为工程师，但更广泛地认为自己是 Builder（建设者）。他深信技术与资本主义的交汇能为客户创造卓越成果，而要做到这一点，创始人不能让自己的身份过于固化，必须能转化为公司当下需要你成为的角色。

每一个创始人都要销售：向投资人推销愿景，向候选人推销职位，向客户推销产品。你需要设计品味，不仅用于产品本身，还包括营销和获客。你需要扎实的工程能力，因为技术公司的一切始于技术。

改变 Bret 思维方式的转折点来自 Sheryl Sandberg。Bret 刚成为 Facebook CTO 时，最初只是一个小组的负责人，更像一个资深架构师。后来 Mark Zuckerberg 重组公司，Bret 被分配了一个庞大的团队——超过 1000 人，负责平台和移动端的产品、设计和工程。

他从管理一个小团队突然变成了管理一个庞大的组织，做得还算可以但不算出色。有一天，Sheryl 看到 Bret 在编辑一份给合作伙伴的演示文稿——因为提交的版本达不到他的质量标准——他一边改一边抱怨。Sheryl 把他拉进一个房间，给了他一次非常直接的管理辅导：为什么不让团队达到与你相同的标准？如果有人达不到期望，你有什么计划来管理他们？

Sheryl 是一位非凡的导师——她能给出非常直接甚至令人不适的反馈，但你能感受到她的关心，所以你会认真听。Bret 回家后内心纠结，甚至有些防御性地想："她是不是反应过度了？"但第二天早上他承认："她说得对。"

他意识到自己潜意识中有一个限制器：他试图让工作适应自己喜欢做的事。他花大量时间在产品和技术的细节上，心想"我是老板，我应该做我想做的事"，而不是思考"我负责 Facebook 的移动端和开发者平台，今天做什么能让它们最成功？"

当他以这种方式重新定义工作时，他做了不同的事。最大的惊喜是：他发现自己喜欢这些事。他以为自己只热爱工程和产品，但当他改变了组织方式、团队变得更成功时，他从成功中获得了极大的满足感。开发者平台有了合作伙伴，他花时间解决合作伙伴的问题，平台变得更健康、合作伙伴更成功——他为此感到自豪。

从那以后，Bret 养成了一个习惯：每天早上醒来问自己，"今天我能做的最有影响力的事是什么？" 有时是招聘，有时是产品，有时是工程，有时是销售。他变得更加自我反思，对那些以前认为"不是我的菜"的事情也更开放了，因为影响力带来的快乐让他享受更多类型的工作。

创始人的自我欺骗陷阱：错误叙事的危险

Bret 进一步深化了"做最有影响力的事"这个问题的难度。他指出，创始人和产品经理面临的一大危险是错误叙事（Incorrect Storytelling）。

当人们不喜欢你的产品时，你可能会告诉自己"是因为 X"。如果你把这个说法传达给团队，它就从直觉变成了"事实"。但如果你围绕修复一个错误的问题来制定战略，公司就会失败。

举例来说，你为什么丢了一个大单？销售代表可能告诉你"客户嫌太贵了"。但也许真正的原因是客户没有在产品中看到足够的价值，所以对销售代表表达为"太贵"——而实际上问题出在产品差异化上。如果你据此去调整价格，而非解决更深层的差异化问题，就走错了方向。

Bret 用了一个精妙的类比：就像分手时你不会说"是因为我不喜欢你了"，你会说"不是你的问题，是我的问题"——我们都是社交动物，会下意识地说好听的话。所以，客户或用户在焦点小组或可用性测试中直接说的话，很少是完全正确的——它往往与真相有关联，但必须深入求证。

更关键的是，创始人往往会根据自身技能成为"单一议题投票者"（Single Issue Voter）：如果你是出色的工程师，几乎所有问题的答案都是工程；如果你是产品设计师，答案永远是"再改版一次"——Bret 打趣道，消费产品的下一次改版能解决所有问题，这在他看来从未奏效过；如果你来自商务拓展背景，答案就是"如果搞到这个合作/渠道，一切都会改变"。

Bret 的判断标准是：如果你认为自己整个职业生涯一直在做的事就是解决问题的方法，至少有 30% 的概率这是出于舒适和熟悉，而非真相。 因此，拥有好的联合创始人、好的领导团队至关重要——你需要能进行真实对话的伙伴，确保你真正在做正确的事。

"今天最有影响力的事是什么？"这个问题好问，但准确回答它才是真正困难的部分。

FriendFeed 的教训：产品好不等于赢

Bret 的第一家公司 FriendFeed 是他关于上述教训最深刻的实践案例。FriendFeed 团队堪称豪华：12 名员工中有 11 名是工程师，包括 Google Maps 的核心成员和 Gmail 的首任工程师。

FriendFeed 发明了许多后来流行的概念——实时信息流、Like 按钮，产品体验在当时确实出色。但问题在于，他们只在土耳其、意大利和伊朗真正流行，后来在伊朗被封，就只剩土耳其和意大利以及硅谷的拥趸。

某个夏天，奥巴马、Ashton Kutcher 和 Oprah Winfrey 同时加入了 Twitter，FriendFeed 被"暴打"了。Twitter 团队——特别是 Biz Stone——专注于让名人和公众人物入驻平台，这对于一个以"关注"为导向的社交服务来说完全是显而易见的策略：放上一些值得关注的人。而 FriendFeed 却把全部精力花在打磨产品上。

在巅峰时期，FriendFeed 的产品确实更好：Twitter 一半时间在显示 Fail Whale（宕机页面），而 FriendFeed 创新更快、功能更多、用户喜欢、100% 在线——但他们完全输了，而且输的原因与产品毫无关系。

Bret 反思道，Google 出身的创业者往往在分发和商业模式上认知不足——因为 Google 内部有 AdWords 这种"天降金币"的商业引擎，产品经理很难真正理解分发和产品设计的挑战，远不如 PayPal Mafia 那样在创业的残酷中学到更多。

核心教训是：他们没有向外部寻求足够多的建议。团队沉浸在自己的小世界中创造产品，没有问外界"你们看到了什么可能出错的？什么可能做对的？行业中有什么我们没有在做？"这正是董事会和优秀顾问之所以重要的原因——好的顾问会告诉你需要听的，而非你想听的。

如何听取建议：判断力与框架思维

Bret 承认，选择听谁的建议本质上需要好的判断力（Good Judgment），而他不知道如何教授这种能力。但他提供了两条实用原则：

第一，不要只问"我该怎么做"，更要问"谁的建议值得听"。 问别人"我应该向谁寻求建议"，如果多个人指向同一个人，那就是一个很强的信号。

第二，不要只问建议的内容，要追问"为什么"。 像一个讨厌的两岁小孩一样不停地问"为什么"。因为人们给出的建议往往是从极少数经验中推演出来的——他们会说"永远不要这样做"或"一定要那样做"，但那可能仅仅源于某一次经历。如果你不理解背后的框架和情境，一条有用的轶事就会被当成普遍法则。

当你向三个人请教，发现他们的经历和推理非常相似，你就能从中提炼出第一性原则框架，以更精细的颗粒度来应用——这比简单遵循规则有效得多。

Bret 强调，好判断力是他招聘时最看重的品质之一。培养判断力的方法有二：一是对自己问责——做出错误决策后认真反思为什么，持续改进；二是理解建议的来源和逻辑，形成自己的独立判断。他还指出，观点表达的自信程度与观点质量之间并没有强相关性——在他熟悉的领域，那些最雄辩、最自信的断言往往恰恰是最不准确的。

编程的未来：从写代码到操作代码生成机器

Bret 至今仍以编码为乐，但当被问及"学编程还有意义吗"时，他做出了重要区分：学计算机科学和学习写代码是不同的事。

他依然认为学习计算机科学极其有价值。理解 Big O 表示法、复杂度理论、算法原理——为什么随机化算法有效，为什么两个 Big O 复杂度相同的算法在实践中表现迥异，为什么缓存未命中（Cache Miss）很重要——这些都是系统思维的基础，远比"写代码"本身更深层。

Bret 判断，软件创造的方式将从"在终端或 VS Code 中输入代码"转变为"操作一台代码生成机器"。而操作这台机器需要的是系统思维——计算机科学（以及其他一些学科）是培养系统思维的绝佳专业。

他以 Facebook 信息流（News Feed）的设计为例说明了系统思维的重要性。一位出色的设计师用 Photoshop 展示的信息流原型堪称完美：照片精美、帖子长度适中、评论得体、点赞按钮恰到好处。但当真正实现后，你看到自己的信息流却是另一番景象——照片参差不齐、帖子长短不一、评论是"你太差了"之类的负面内容。你突然意识到：设计信息流，Photoshop 是容易的部分；你需要设计的是一个系统，它在你不控制的输入下，仍能产出内容和视觉上都令人愉悦的体验。 Facebook 后来强制设计师用真实、凌乱的信息流数据来展示设计方案，而非精心编排的假数据。

Bret 认为，无论 AI 是在写代码、做设计还是执行其他任务，你都需要在头脑中构建一个系统模型——理解什么难、什么容易、什么可能、什么不可能。AI 可以帮助你理解这些，但这种系统思维本身是无法被替代的。

他还预言，当前"我手写代码"的技能将如同 NASA 时代的人类计算员一样成为历史的遗迹。这不是坏事——就像人们不会因为不再使用打孔卡而遗憾。我们需要对"我们如何做工作"保持松散的执念，但学科本身（如数学、物理、计算机科学）教授的思维方式将永远是基础。

为 AI 时代设计新的编程系统

Bret 提出了一个更激进的前瞻性观点：我们需要为 AI 生成代码的时代设计一套全新的编程系统（Programming System），而不仅仅是一门新语言。

他回顾了计算抽象层的演进：从硬件到打孔卡，到操作系统和分时系统，到 C 语言和 Fortran，再到 Python 和 TypeScript——每一层抽象都让高杠杆操作变得更容易。过去 40 年，许多抽象层的设计目标都是提升人类程序员的生产力。

但当代码编写的边际成本趋近于零时，很多基于人类效率的抽象层设计就值得重新审视了。以 Python 为例——它可能是 AI 生成代码中最常见的语言，但作为 AI 生成的目标语言却有显著缺陷：全局解释器锁（GIL）导致性能低下，大型程序在运行时才能发现大量错误，而非编译期。Python 的设计初衷是让人类写代码时感觉像写伪代码般舒适，但当 AI 替你写代码时，编程语言的人类工效学就不再是首要考量。

真正重要的是两件事：第一，当机器生成代码后，我们能否确信它做了我们想要的事？第二，如果没有做到，我们能否轻松地修正它？

Bret 以 Rust 为例说明方向。要判断一个 C 程序是否内存泄漏，你可能需要仔细审查数百万行代码——极其困难；但要判断一个 Rust 程序是否内存泄漏，你只需编译它——编译成功本身就保证了内存安全。这种编译期保证正是 AI 生成代码时代所需要的。

如果 AI 在生成代码，逐行阅读代码将成为瓶颈——要么限制了代码产出速度，要么你就跳过审查，将未验证的代码直接发布。解决方案是让人类在操作代码生成机器时拥有尽可能多的杠杆：AI 审查 AI 的代码是有效手段，自我反思（Self-reflection）能提升 AI 系统的鲁棒性。更进一步，如果代码编写成本为零，你可以在系统中叠加形式化验证、单元测试等目前因为开发成本高而不够流行的技术。

Bret 将这个愿景比作《黑客帝国》中绿色字符瀑布的画面——作为操作者，你如何构建一个系统，使你能极其快速地生成极其复杂、大规模的软件，并确信它能正常工作？从这个设计中心出发，你会改变语言、编译器、测试方式、自我反思机制、监督模型等所有环节。这不是单一编程语言的创新，而是一整套编程系统的重新设计。

他特别提到，虽然 VibeCoding 很令人兴奋，但生成原型从来不是软件工程的瓶颈——真正的挑战是构建日益复杂的系统并保持其可维护性和健壮性。正如 Netscape 从 1.0 到 2.0 的重写被部分归咎于其败给 Internet Explorer，制造软件不难，维护和确保其健壮才是难的。

AI 时代的儿童教育：超级智能口袋中的导师

Bret 有三个孩子，当被问及 AI 时代应该教孩子什么时，他首先强调的是让孩子将 AI 纳入日常生活。

他回忆起自己 1997-98 年参加 AP 微积分考试时被允许使用图形计算器的经历。引入计算器后，考试题目必须重新设计——确保没有哪道题仅仅因为拥有计算器就能占便宜，这迫使出题者重新思考如何测试真正的微积分知识。Bret 认为，当前的教育体系尚未经历类似的适配——大量评估学生的机制已经被 ChatGPT 等工具"打破"了。

他对公立学校教师深表同情：技术发展速度快于教育体系的适应速度，尤其是在评估方面。但他在困境中看到了巨大的机会：AI 可以成为历史上最有效的教育工具之一。

他的女儿们用 ChatGPT 在考前进行测验——比传统抽认卡更好；一个女儿读莎士比亚时拍了张不理解的页面照片，ChatGPT 的解释比 Bret 自己给出的要好得多。每个孩子现在都有一个个性化导师，可以根据自己的学习风格——视觉、听觉、阅读——来教学、测试和辅导。

Bret 坚持让大女儿学编程做网站时使用 ChatGPT，而非直接回答她的问题——不是要做严厉的父亲，而是她需要学会使用这个工具。他相信 AI 是能动性（Agency）的放大器：有主动性和学习意愿的孩子，将拥有史上最好的个性化导师组合。

但同时，能动性的反面也成立——不想学习的学生也能利用这些工具逃避学习。Bret 将 AI 类比为 Google 搜索而非手机：手机在学校的负面影响是明确的（成瘾、推送通知），但 AI 更像是一种基础设施（Utility）——就像很少有家长问"我该什么时候让孩子用 Google 搜索"一样。他的孩子们在桌上电脑上使用 AI，而非通过手机。

他对未来持乐观态度：那些在公共学校遇到过差老师的孩子，现在有了替代方案；那些数学超前的学生，不再受限于学校没有高级统计课。他希望某个 11 岁的孩子正在用 ChatGPT 作为主要导师，10 年后创办一家了不起的公司。

AI 市场的三大板块

作为 OpenAI 董事会主席和 AI 智能体公司 CEO，Bret 对 AI 市场格局有着独特的视角。他将 AI 市场划分为三个板块：

第一，前沿模型市场（Foundation Model Market）。 这将类似于云基础设施即服务市场，最终由少数超大规模企业和大型实验室主导。原因是创建前沿模型完全是资本支出（CapEx）的函数——你需要拥有巨大资本支出能力的公司来构建这些模型。所有试图做前沿模型的初创公司——Inflection、Adept、Character 等——几乎都已经被整合或正在被整合。对初创公司而言，这个市场没有可行的商业模式，因为所需的资本支出太大，融资窗口不足以达到逃逸速度，而且模型作为资产类别会相当快地贬值。Bret 的建议直截了当：没有创业者应该去构建前沿模型（除非你是 Elon Musk，拥有募集数十亿资本的能力）。

第二，工具链市场（Tooling Market）。 这是"淘金热中卖铲子"的领域——数据标注、数据平台、评估工具，以及 11 Labs 这样提供高质量专业模型的公司。但工具链市场有一个结构性风险：它离太阳太近。参考云计算时代，Confluent、Databricks、Snowflake 等公司确实成功了，但更多工具公司被基础设施提供商自己推出的竞争产品淘汰了——每个基础设施提供商都在试图通过向上层栈移动来差异化。所以这个市场有客户需求，但关键问题是：如果而非何时，某个大型基础设施提供商会推出与你功能相同的产品，为什么用户还会选你？

第三，应用层 AI 市场（Applied AI Market）。 这是 Bret 最兴奋的领域。他认为智能体（Agent）就是新的应用（App）——它将成为 AI 时代的产品形态因子。Sierra 帮助企业构建面向客户的 AI 智能体（主要用于客户服务和客户体验）；Harvey 为法律行业构建智能体；还有做内容营销、供应链分析的公司等。这个市场将类似于 SaaS 市场——公司利润率可能更高，因为你卖的是实现商业成果的产品，而非模型本身产出的副产品。它们几乎肯定需要向模型提供商"纳税"，这使得模型提供商将拥有极大规模但利润率相对较低。

Bret 进一步指出，智能体市场将越来越关注产品而非技术——就像今天很少有人问 SaaS 产品用什么数据库一样，未来也很少有人会问你的智能体用的是什么模型。编排智能体流程在当下听起来很高端、很难，但 Bret 相当确定三四年后这会变得容易——就像 1998 年把数据库放在云端曾是技术壮举，如今在 AWS 上一键即可。

他尤其期待的是，随着构建智能体变得更容易，长尾智能体公司将大量涌现。他查阅了市值前 50 的软件公司榜单，前五名是微软、亚马逊、Google 等巨头，但接下来的 50 名全是 SaaS 公司——有些令人兴奋，有些极其无聊。智能体市场也将如此：不只是客户服务和软件工程这样的巨大市场，还会有很多解决特定行业痛点的细分领域——而解锁这些价值需要真正理解那个业务问题的创业者。

智能体革命：真正的生产力跃迁

Bret 和 Marc Benioff 都对智能体极度看好，这不是偶然。Bret 引用了 OpenAI 董事会同事、经济学家 Larry Summers 的框架：技术的价值在于它能否推动经济中的生产力增长。

回顾历史，20 世纪 90 年代美国生产力的重大跃迁，很大程度上来自计算技术的第一波浪潮——ERP 系统、将会计和财务放进数据库，甚至追溯到大型机和 PC 时代。把跨国公司的数字账本从手工计算迁移到计算机，真正改造了整个部门。

Bret 用他父亲的经历做了生动类比。他父亲是一名机械工程师，70 年代入行时，工程公司里大部分员工是制图员（Drafts People）——工程师做出设计，但需要人工绘制所有不同角度和楼层的图纸给承包商施工。而到他父亲退休时，公司里制图员的数量是零。用 AutoCAD 再到 Revit 做出 3D 模型后，制图这件事本身就不复存在了——需要的只是设计本身。制图不是在创造价值，它只是供应链中的一个必要输出环节。

Bret 指出，从 PC 时代以来，软件行业带来了有意义的生产力提升，但远没有第一波计算浪潮那么显著。而智能体将重新弯曲生产力曲线——因为软件从"帮助个人稍微更高效"变成了"自主完成一项工作"。就像机械工程公司不再需要制图员一样，很多重复性工作将不再需要人来执行。这意味着更少的人可以做更多、更高杠杆的事。

更关键的是，智能体驱动的生产力提升是可衡量的。Bret 从销售企业软件的经验出发，描述了传统软件销售中的尴尬场景：你卖一个销售工具，对客户说"如果每个销售多卖 5%，你该付我们 100 万美元"——这种价值归因极其模糊，你真的让他们提升了 5% 还是其他因素在起作用？很难说清楚。这就是为什么卖生产力软件如此困难——"让每个人效率提升 10%"的价值到底是多少？ 你无法确知。

而智能体自主完成一项工作，不仅是真正意义上的生产力提升，而且是可衡量的。正因如此，Bret 深信整个市场将向智能体转型，向基于结果的定价转型——这不是唯一的路径，但市场会拉动所有人朝这个方向走，因为这是如此显而易见的构建和销售软件的正确方式。

基于结果的定价：软件行业的新范式

Sierra 的定价方式是"基于结果的定价"（Outcomes-based Pricing）的一个典型案例。Sierra 帮助企业构建面向客户的 AI 智能体，主要覆盖客户服务和客户体验场景——从 WeightWatchers 到 ADT 家庭安防，从 SiriusXM 到 Sonos 音响，覆盖健康保险、银行（甚至可以用智能体重新贷款房贷）、电信、零售等众多行业。

在呼叫中心运营中，每通电话的成本大约在 10-20 美元之间，其中大部分是人力成本。如果 AI 智能体能接听并解决这通电话——行业内称为"通话转嫁"（Call Deflection）或" containment"——就节省了大约 15 美元。Sierra 的定价逻辑是：如果 AI 智能体解决了客户的问题，客户满意，且无需人工介入，Sierra 按预先协商的价格收费。 他们称之为"基于解决率的定价"（Resolution-based Pricing）。

Bret 还透露，Sierra 也有销售型智能体，按销售佣金收费。他们将智能体视为品牌的"礼宾服务"（Concierge），确保自己的商业模式与客户的商业模式对齐。

Bret 特别区分了基于结果的定价与基于用量的定价（Usage-based Pricing）。他举例说，当前多数编程智能体按 Token 或使用量计费，但这就像那个著名的苹果工程师故事——一个糟糕的经理要求工程师每天报告写了多少行代码，工程师在重构后删了大量代码，提交了一份行数为负数的报告作为抗议。Token 也是如此：你用了很多 Token，但你产出了一个高质量的 Pull Request 吗？

一通长时间的电话如果没有解决客户的问题，甚至可能产生了负价值——客户给了差评又打回呼叫中心，所有努力都白费了。因此，AI 领域中基于结果的定价与基于用量的定价不仅不同，甚至未必正相关。

Bret 认为基于结果的定价真正实现了科技公司的理想——成为伙伴而非供应商。在 Sierra，他们与每个客户的目标完全对齐。但这要求公司具备不同的形态：你必须能帮助客户达成那些结果，不能只是把软件扔出去——否则你永远收不到钱。整个公司的导向变得极度以客户为中心。Bret 认为，从第一性原理看，它对客户、对采购方、对世界都是正确的方向。

AI 生产力增益的现实路径

当被问及 AI 是否真的带来了生产力增益时，Bret 坦承当前工具仍不够成熟，这导致了一些看似矛盾的现象。

以编程为例，几乎所有软件工程团队都在使用 Cursor 等辅助工具。但大多数人目前仍将 Cursor 用作编码自动补全，而非真正自主的智能体。关键问题在于：AI 生成的代码经常有问题，而审查他人代码——尤其是发现其中微妙的逻辑错误——比自己写代码或修改自己写的代码要困难得多。如果编码智能体产出的代码经常不正确，修复它实际上可能消耗大量认知负荷和时间，甚至可能在客户侧引入问题。

Bret 提出了两种应对策略：

第一，AI 监督 AI（自我反思）。 如果一个 AI 智能体 90% 的时间是正确的，那么构建另一个专门找出那 10% 错误的 AI 智能体可能是一个可解的问题。如果第二个 AI 也 90% 准确，将两者串联起来就能达到 99% 的准确率——这变成了一个数学问题。你可以让一个 AI 生成代码，另一个 AI 审查代码，用计算力换取认知能力，叠加多层推理来产出越来越健壮的结果。

第二，根因分析（Root Cause Analysis）。 Sierra 有一个工程师专门负责维护服务于 Cursor 实例的模型上下文协议（MCP）服务器。他们的哲学是：当 Cursor 生成了错误的代码，不要只是修复它，要追溯根因——搞清楚 Cursor 缺少了什么上下文才导致错误产出，然后补上，确保下次能产出正确的代码。这本质上是上下文工程（Context Engineering）。

Bret 强调，想要在当下获得 AI 的生产力增益，不能坐等模型自动变好——模型确实会改进，但如果现在就想看到收益，你必须构建根因分析和系统化的改进流程。这正是应用层 AI 公司存在的价值：模型不够完美，但通过创建改进的良性循环——AI 帮你识别改进机会、分析用户沮丧原因、建议新能力——可以将解决率从 65% 提升到 75%。

Sierra 的实践成果

Sierra 的客户已覆盖极其广泛的领域：健康保险、医疗、银行（包括房贷再融资）、电信（DIRECTV、SiriusXM）、零售（Wayfair、OluKai、Chubbies Shorts）、约会应用，甚至 CAT 扫描仪的技术支持——技术人员在维修 CAT 扫描仪时可以与 AI 智能体对话获取指导。

Sierra 客户的客户服务交互自动化率在 50% 到 90% 之间。WeightWatchers 的智能体客户满意度达到 4.6/5，某机场智能体达到 4.7/5——要知道，打来电话的人本身是带着问题来的，在这些场景下获得如此高的满意度格外不易。

Bret 描绘的终极愿景是：企业与客户每一次交互都可以是即时的、多语言的、支持音频和聊天、数字和电话、高度个性化的。他用自己的经历做比喻——最好的品牌体验是那个认识你的肉铺老板，你们会聊天。能不能为拥有 1 亿客户的企业规模化地复制这种体验？他认为我们正处于实现这一目标的门槛上。

AI 产品的上市策略：选择正确的 GTM 模式

Bret 将经过验证的 GTM 模式归纳为三种：

第一，开发者主导型（Developer-led）。 以 Stripe 和 Twilio 为典范。核心是吸引工程师——通常在 CTO 部门内有选择解决方案自主权和预算的人。这种模式适用于平台型产品，但不适用于服务业务线的场景，因为业务线通常没有专属工程团队，更没有随意下载新库或启动新服务的权限。它也特别适合卖给初创公司，因为创始人的工程团队拥有高度的选择自由。

第二，产品主导增长型（Product-led Growth, PLG）。 用户可以从网站注册、试用、用信用卡购买几个席位。这种模式在用户和购买者是同一人时非常有效——比如面向小商户的 Shopify 等产品。但当用户和购买者不同时就会失效：费用报销软件的用户是员工，但购买者是财务部门，让员工用信用卡购买毫无意义。

第三，直销型（Direct Sales）。 Oracle、SAP、ServiceNow、Salesforce、Adobe 等传统模式。Bret 观察到一个重要趋势：随着 PLG 变得流行，很多公司采用了这种模式——它确实能产出好产品——但如果 PLG 意味着你根本没有与软件的购买者打交道，你就无法增长。他发现 AI 领域中直销模式正在回归，因为 AI 的很多机会恰恰满足"用户和购买者不是同一人"这个条件。

Bret 看到创业者最常见的错误是：选择 GTM 模式时没有深入思考"购买这个软件的流程是什么？评估这个软件价值的流程是什么？"他主张从第一性原理出发，更加深思熟虑地选择——并坦言，很多公司应该比现在更多地使用直销，即使直销公司过去因产品质量问题而名声不佳，但在 AI 市场中它正在重新受到重视。

闪电问答

推荐的书： Clayton Christensen 的《Competing Against Luck》——"Jobs to Be Done"框架的来源，Bret 认为这是思考产品价值交付的优秀框架，唯一的批评是"大多数商业书应该只是一篇文章，也许买了书后让 ChatGPT 帮你总结就好"。另一本是《Endurance》——Shackleton 南极远征的真实故事，半本书都在描述他和船员在冰封的船中挨饿吃海豹肉的经历，Bret 称这是他见过最好的关于坚韧（Grit）的故事，"创业者遇到困难时读一读，会觉得情况还能更糟"。

最近喜欢的电影/电视： 和孩子看了《盗梦空间》（Inception），让他们重新欣赏了 Christopher Nolan——那种看完后能讨论两天的电影。

最喜欢的产品： Cursor。Bret 说自己热爱创造软件，Cursor 让他深入体验 AI 如何改变软件开发。但他认为当前形态的 Cursor 是一个过渡产品——他也期待 OpenAI 的 Codex 等智能体产品的发展。

人生座右铭： "预测未来的最好方式是发明它"（The best way to predict the future is to invent it）——出自 Xerox PARC 的 Alan Kay，他发明了我们今天使用的许多核心计算抽象。Bret 说自己是创业者，热爱建造东西，这句话就是他的人生信条。

Like 按钮的诞生故事： FriendFeed 时代，帖子评论中至少 70% 是"cool""wow""yeah""neat"这类单字回复。FriendFeed 的核心用途之一是围绕帖子展开讨论，但这些单字回复淹没了真正的评论。Bret 团队想解决的产品问题是：把所有单字回复移出去，让评论区域回归真正的讨论。

最初的构思叫"一键评论"（One-click Comment）。第一个版本用的是心形图标，但同事 Anna Yang 强烈反对——"如果每条帖子上面全是心形，我会吐的。"而且，心形在一篇关于悲剧事件的帖子下面显得极不合适。他们需要一个更中性的积极情感表达——"Like"之所以难以翻译，恰恰因为它是一种微妙而中性的积极情绪。

所以 Like 按钮的诞生不是因为"人们需要一个喜欢按钮"，而是因为需要一个一键评论来过滤噪音。这个概念从未改变，只是最终选中的图标和文字恰好是那个在几乎所有语境下都能使用的最中性积极的表达。