我们所知最AI化的CEO：Brex创始人Pedro谈AI时代的创业与公司重构

cover

摘要

本期对话邀请Brex联合创始人兼CEO Pedro Francavilla，探讨AI如何从根本上重塑创业公司与成熟企业的运作方式。Pedro认为，AI不是简单的效率工具，而是像电力一样的通用技术革命——公司应该以"如果今天从零开始，我们会怎样构建"的思维重新审视一切。他提出CEO必须成为"首席AI官"，亲自体验技术边界；公司应从"为什么不能用AI解决"的假设出发，将智能视为像自来水一样随取随用的资源。他分享了Brex内部构建的Token消费追踪系统Magpie、客户世界模型（Customer World Model），以及将每一次人机交互转化为Eval（评估用例）的自我学习循环。他强调，在AI时代，创始人的核心价值不再是执行，而是选择——判断哪些信号是模型训练数据中不存在的，并亲自去获取这些信号。他还深入讨论了Token经济、LLM训练数据偏差、最小表面积原则，以及大公司如何通过"二次创业"实现AI转型。

AI时代的创业前提：从"为什么不能只用AI"出发

Pedro开篇即提出一个颠覆性的创业思维：如果你今天创办一家公司，前提应该是"为什么不能只有我一个人？"——然后从这个极限假设出发，逐步添加必要的人力。AI使得公司的"组织织物"（Fabric of the Company）发生了根本性变化：公司的边界不再是人，而是类型系统（Type Systems）、接口（Interfaces）和互相通信的智能体（Agents）。

他强调，很多人仍然没有真正理解，当你生活在一个"智能像自来水一样随取随用"的世界里，你的默认答案应该是"让我先用AI解决这个问题"，即使一开始看起来不够优雅，再从那里逐步优化——因为这种做法会随着时间复利增长。

CEO必须是首席AI官

Pedro坚定地认为，AI转型不是工程团队的事，也不是产品团队的事——CEO必须亲自成为"首席AI官"（Chief AI Officer）。除非你每天都亲身体验技术的极限，否则很难理解它究竟能做什么。而且，因为只有董事会才能对CEO说不，CEO拥有独特的推动力来打破组织惯性。

他以Brex的KYC（Know Your Customer，客户身份认证）流程重设计为例：传统思路是用AI自动化80%的KYC流程，剩下20%靠人工。但Pedro选择重新设计整个流程——当你几乎可以免费进行KYC时，你不仅可以用它验证客户，还可以用它评估潜在客户（Lead），从而将风险判断前移到漏斗最前端，彻底改变获客策略。这种"将旧方式放在一边，从零开始设计"的方法，才是AI带来真正质变的方式。

最小表面积原则

Pedro提出了一个颇具争议的观点：成功的公司往往具有"最小表面积"（Minimal Surface Area）的特征。他列举了Stripe早期只是一个API、Brex早期没有UI只有终端、Airbnb最初只是一个表单、DoorDash早期同样极简——创始人的精力和智慧都集中在打磨一个核心交互模式上。

他警告，AI的风险在于"选择权的能动性消失"——人们会缺乏对"什么才是真正重要的"的纪律性，认为自己可以同时试验很多东西。他引用自己的格言："智力即压缩"（Intelligence is Compression），好点子必须能写在一张餐巾纸上。

创始人的真正价值：选择而非执行

Pedro深刻指出，在AI时代，执行已经不是瓶颈——模型会做得更好。创始人真正的价值在于"选择的智慧"（Wisdom to Choose）。当模型没有训练到某个信号时，你无法通过提示词（Prompt）让它给出正确的产品方向。客户告诉你的，不是可以直接喂给LLM的答案，而是基于他们自身约束和世界观的一个局部最优解。

创始人的工作是：从客户对话中提取未言明的信号，将隐含的需求显性化（Make the Implicit Explicit）。这就是为什么即使有了AI，深度理解客户仍然是不可替代的。Pedro分享了Brex从服务创始人到服务财务团队的转变——这两类客户的需求完全不同，构建对财务团队的心智模型需要的信号，是模型训练数据中不存在的。

LLM的盲区与训练数据偏差

Pedro揭示了一个常被忽视的LLM问题：你永远不知道模型在你提问的特定领域看过多少训练数据。他打了一个精彩的比喻——如果每次LLM回答问题时，都能告诉你这个答案在训练数据中的采样频率，你对不同答案的信任度将完全不同。他甚至认为这是一个很好的创业方向。

他还指出，模型的"心智模型"本身带有设计者的偏见。例如他在测试AI做会计分类时，模型给出的第一个例子是"AI资本支出"（AI Capex）——因为构建模型的人满脑子想的都是AI。模型开箱即用的偏见，比人们想象的更严重。

Token经济：电力发明六个月后的时刻

Pedro用电力做了绝妙的类比：当电力刚被发明时，效率其实很差，ROI甚至是负的——如果当时的会计师做了分析，会得出"电力这东西不行"的结论。但人们坚持使用它，不是出于成本节省，而是出于好奇。今天的AI也是如此——你站在历史时间线上，相当于电力发明六个月后的那个时刻。

他分享了一组令人震惊的数据：全球84%的人从未使用过AI，16%用过至少一次免费聊天机器人，0.3%的人每月付费20美元使用AI，而真正使用Agent的人只占全球人口的万分之零点几。这意味着推理（Inference）的需求还有巨大的增长空间。

Brex的AI基础设施

Magpie：Token消费追踪系统

Brex内部构建了一个名为Magpie的系统，能将公司每一美元的Token消费归因到具体的产品、内部工具或员工，并分析Token使用的ROI。Pedro发现，旧金山和纽约的科技公司与世界其他地区之间存在巨大的Token消费鸿沟——即使是大公司，其Token支出远低于应有水平，可能应该花10倍甚至100倍。

客户世界模型

Brex正在构建客户世界模型（Customer World Model），试图摄取客户与公司的每一个触点——从仪表板上的按钮点击，到邮件和电话中的对话——然后整合判断：这个客户接下来需要什么？他们可能面临什么问题？

Eval驱动的自我学习循环

Pedro最兴奋的是将每一次人机交互都转化为Eval（评估用例）：当AI代理的对话出现问题时，自动创建Bug；这个Bug触发另一个Agent去修改代码和提示词，使Eval通过。整个系统正在走向"自我学习"——就像一个"梦境循环"（Dream Cycle），每晚回顾所有交互，发现模式，自动修复。

三层AI框架

Pedro将公司中的AI分为三个层面：

  1. 产品AI（Product AI）：直接交付给客户的产品功能
  2. 运营AI（Operational AI）：影响公司规模化服务客户能力的内部系统，如客户成功、风险、入职等
  3. 企业AI（Corporate AI）：员工内部工作方式的改变

三者都重要，但在公司不同阶段的优先级不同。Pedro反对只专注于其中一个，认为必须全面推进。

虚拟员工与领域特异性

当被问及是否认同Jack Dorsey"每家公司都在构建自己的AGI"的观点时，Pedro表示认同但有所修正。他不相信一个包含所有数据的单一公司模型——相反，他主张构建领域特异的虚拟员工（Virtual Employee）。例如，一个深度理解客户一切的Agent，一个管理产品路线图的Agent，一个负责代码的Agent。功能性和领域知识仍然重要，知识结构的方式不会改变。

GBrain与个人AI工具

对话的另一位参与者分享了他创建的GBrain——一个拥有35万个Markdown页面的个人知识库和检索系统。他用它来解决分布外（Out-of-Distribution）的问题：当遇到LLM训练数据中可能没有的领域时，先进行深度研究，将所有论文和文章摄入Git仓库，然后通过检索系统生成可用的摘要。他还介绍了GBrain的LSD（Lateral Syntactic Drift，横向句法漂移）模式——强制组合正交的概念，而非相关概念，产生看似随机但实际极具创造力的想法。

给创始人的三条建议

Pedro以三条核心建议总结：

  1. 电力的类比：想象你站在人类200年历史中的某个时刻——电力刚被发明六个月。知道电力未来的一切，你现在会做什么不同的事？对AI也应该如此。

  2. 从"为什么不能用AI"出发：每天面对问题时，先问"为什么不能用AI解决？"。80%的情况可以用聊天机器人搞定，但那20%的"为什么不行"才是你应该去构建的东西——不是因为规模化有用，而是因为这让你获得对技术可能性的直觉和手感。

  3. 衡量Token消费，挑战极限：从"为什么不能只有我一个人"的假设开始，衡量你的Token消费，将时间花在只有你作为创始人才能做的事情上：一是选择什么问题值得解决，二是找出LLM仍然无法做到的事，亲自去做那些事。在某种意义上，你是在为LLM工作——在大公司里，你几乎是在把LLM放在创始人和CEO的位置上，围绕这个理念重新架构整个公司。