Anish Acharya on Loops · 核心结论

Anish 明确拒绝 AI 将创造"永久底层阶级"(permanent underclass)的叙事——这是硅谷 collectively 的一种"黑暗幻想"。他从三个维度论证：

• 技术去中心化：上一轮科技时代以网络效应为王，导致赢家通吃；但现在每一层技术栈有大约 20 个相关玩家而非一个。Coding agent 领域就是最好的例子——两年前被认为是 winner-take-all，结果 Cloud Code、Codex、Lovable、Replit、Wai 全都运转良好。
• 经济数据不支持：放射科医生据说每年都"完了"了，已经说了 20 年，但 job posting 比以往都高；程序员也是。empirical data 不支持 AI 在大规模消灭工作。
• RSI 被高估：关于递归自我改进(RSI)，实际发生的是"自催化效应"(auto catalytic effects)——用技术改进自己的流程，但不是真正的递归。从 empirical 到 technical 的所有角度都指向慢速演化。

Anish 补充：我们可能高估了多少问题是真正"intelligence bound"的。如果你有 PhD 团队在 FedEx 或 Domino's，他们会指数级地主导供应链和披萨吗？不会。很多问题受限于其他因素，而非 intelligence。

Anish 提出本次访谈的核心框架：公司正经历四代演化。

• Loop 1 — 每人一个 loop：每个人有自己的 AI loop（个人助手）。编码是最佳领域——有最好的模型、最 technical 的客户、已建立的 loop（bug report → 生成 repro → 创建 bugfix → 审查 → ship）。
• Loop 2 — 每职能一个 loop：增长 loop、营销 loop、销售 loop、支持 loop。增长团队的经典例子：AI 生成 100 个 variant 并测量它们，但"什么值得做"的人类判断仍然关键。
• Loop 3 — 跨业务部门协作：如果一个 GM 跨越多个职能，编码、营销、销售、支持、法律中都有 loop 在运行——这些 loop 的输出本身应该是一个你可以优化的 loop。
• Loop 4 — Loop 运行公司：最强的情况是，它给 CEO 发消息："我们需要改变业务的某个物理方面、商业模式或策略。"

关键洞察：模式是被发现的，不是被设计的。你无法坐在房间里规划出所有 loop，需要通过实验探索。Anish 提到 Kavak（墨西哥二手车平台）的"Jedi Academy"——教每个人（包括修车工）使用新工具，课程结束时每人交付一个 production-ready agent。

CEO 的激励也决定了不会简单裁员：Sundar 不想运营一个更高效但同样规模的 4 万亿公司，他想建 40 万亿的公司。最大的问题反而是"该加什么到 roadmap"——每个 PM 的梦想。

AI 擅长在现有分布内优化（climb to the local maxima），但突破性想法需要 out-of-distribution 的直觉。

• Loop 帮助你攀爬到局部最大值，然后它会 plateau。你需要人类直觉帮你"着陆到下一个山的山脚"。
• 模型做 out-of-distribution 的新思考能力仍然非常有限。你在数学和推理上看到的新能力不代表商业中的新思考方式。你仍然需要一个人说："我觉得我们应该做这个"，并且他对了。
• 在 AI-native 公司，人类做：销售、支持、战略、异常处理——这些都非常关键。
• 最好的结果是 AI 和人类"互相促进"——AI 处理实验规模，人类设方向。

Classic moats（网络效应、规模优势、品牌、专有数据）仍然适用，但关键洞察是：you don't know what the moat is until it's big。

• Cursor 在早期被所有人批评"没有 moat"，然后它突然就统治了市场。最初 high NPS → DAU 产品 → 捕获所有 reasoning traces → 训练自己的模型 → Composer 拿下两个 model win。
• 你无法在开始前设计好护城河——它是在过程中被发现的。
• 经典护城河都不是基于"做软件有多难"——网络效应、规模优势、品牌效应、专有数据（cornered resource），5 年前的经典护城河今天仍然有效。
• 大想法总是由一打invisible的小想法支撑。即使别人复制了你的大想法，也看不到让小想法起作用的那些细节。Grinola (Grom) 两年前被强烈批评，今天却有超强的durability story，Grepper 增长排名第一或第二——craftsmanship 是关键。

"分发就是新产品"——在 AI 让产品同质化的趋势下，word of mouth (WOM) 和分发机制成为关键差异化。

• App Store 分发时代已经结束。我们的每一代创始人和 CEO 都接受了网络理论训练，因此今天每个网络都严防死守不让别人在自己的网络上建网络。
• 新的分发来自用户自发传播——当某人在 X、YouTube、Instagram 上被大量 organic mention 时，这是当今最好的第三方网络效应。
• Anish 举了自己做 Twitter threads 的例子：一条好的 thread 带来的远超付费渠道。AI 公司如果能在分发上建立优势，就构成了真正的护城河。这是当下被最严重低估的方面之一。
• Web 2.0 时代不像移动时代有 App Store 和增长黑客小产业，现在必须自己构建 WOM 渠道。

Anish 识别了三个最大的 AI 机会领域：

• (1) Coding Agents——让个人产出翻倍甚至 10 倍，这是最明确的机会。Wabi 等个人编码 agent 可以为你构建任何想要的东西。
• (2) AI Assistants——有记忆的助手，理解你的上下文（OpenClaw 方向），比当前产品更简单、更可靠。
• (3) AI Entertainment/Companion Products——AI 驱动的娱乐和陪伴产品（AI boyfriend/girlfriend 等），这是 Anish 个人最兴奋的领域，被严重低估。使用陪伴产品的大多数是 40-50 岁的女性。这不是 model 能力问题，是产品设计挑战——如何让人更连接、更快乐、有进步感。

关于增长的终极答案："Nobody has a growth problem, they have a product problem." 如果你有一个 remarkable 的产品，增长会自然发生。他引用 Sean Ellis 测试：40% 用户表示"非常失望"如果没有你的产品，增长才会起飞。所有关于"怎么增长"的讨论都应该是第二序问题。

Anish 提出一个激进的思考框架：如果你的产品卖 $1000/月 或 $10000/月 会怎样？如果它是软件界的 Birkenstock 会怎样？——这回到了"野心"问题。当前市场对消费级软件的定价天花板是集体想象力的失败，而非真实限制。