Sarah Tavel：AI 应用、模型经济学与风险投资

Sarah Tavel 告诉 Harry Stebbings，前沿 AI 模型似乎需要巨额投资，她认为供应商可能只有少数几家。她关注应用层，因为她相信拥有用户关系的产品能够创造并获取可观价值。

Tavel 回忆加入 Benchmark 的经过：她在 Greylock 工作时，Peter Fenton 主动联系了她。由于对同事的忠诚，她最初拒绝了邀请。Zillow 首席执行官 Rich Barton 鼓励她花时间认识 Benchmark 的团队，了解他们如何进行风险投资。

她发现，这个规模小、地位平等的合伙团队及其对创始人的投入十分特别。与团队相互了解后，她选择加入；访谈时，她已在那里工作近七年。

被问到 Fenton 为什么出色时，Tavel 提到他持续的好奇心、阅读习惯，以及在自己直接从事的领域之外学习的意愿。她也欣赏他对人们动机的理解，以及帮助创始人成为更强领导者的能力。

她希望自己更早学会的教训是“为什么是现在”的重要性。真正的技术或市场催化因素就像推动公司前进的水流，让它有空间犯错和恢复。没有这样的动力，创始人可能付出巨大努力却进展甚微。

Stebbings 说，他投资 BeReal 时的逻辑是人们追求真实，但他怀疑这一需求是否能持久。Tavel 认同真实感很重要，却认为产品必须与 TikTok 和 Instagram 争夺注意力，尤其要面对高度吸引人的算法短视频。

谈及 AI，Tavel 说第一波应用往往增强了现有企业的优势。Notion 和 Adobe 等公司可以把模型 API 整合进已有工作流程，让用户无需采用全新的独立产品就能使用新功能。

不过，她认为，当初创公司出售的是完成的工作，而不是让员工更高效的工具时，仍有颠覆机会。交付成果的公司，其价值单位和定价方式不同于习惯按软件席位收费的现有企业。

Stebbings 问模型是否有能力端到端完成企业工作。Tavel 认为能力存在一个范围：招聘、销售和人力资源运营中的某些具体任务已经可以自动化，而更复杂的工作仍有困难。

人工介入可以弥补这一差距。Tavel 更喜欢由供应商自己的员工负责质量审核，而不是要求客户投入这部分人力，直到模型能独立处理更多工作。这是她对商业模式的偏好，并不意味着每项任务都能完全自动化。

被问及传统服务公司能否使用同样的工具时，Tavel 说，渴望增长的挑战者可能更愿意把节省的成本让利给客户。更快交付和不同的定价方式可能帮助他们争取份额，但现有企业也可以采用这些技术。

Tavel 认为应用层可以获取可观价值，因为应用拥有与终端用户的关系。作为这一层的投资人，她偏爱随着底层模型改进而变得更有用的公司；它们可能承担更多工作，降低人工审核成本。

Stebbings 对分发优势提出质疑：现有企业可以捆绑一个仅略逊于初创公司产品的功能。Tavel 认同，对于价值主要来自人人都能使用的底层模型的早期应用来说，这是一个严重问题。

她对能够掌握更多工作流程、打造无法直接通过模型 API 获得的体验的公司更感兴趣。区别不仅在于界面是否吸引人，还在于公司围绕模型完成了多少有用工作。

Tavel 说，访谈时还太早，无法判断大型企业的采用究竟是持久行为还是试验。她观察到，渴望增长和扩大份额的数字原生企业、中型市场企业和小企业采用得更多。

Tavel 以 Benchmark 投资的 DeepL 为例说明持久的价值主张：及时提供客户认为有用的翻译，从而替代部分人工翻译工作。她把这种第一性原理判断与客户群数据结合起来，而不是假定早期收入就证明需求持久。

她寻找的证据包括使用深度和持续参与度。她承认，早期客户群往往形成时间太短，无法得出确定结论，但仍可能显示产品消失后客户是否会失望。

相似 AI 初创公司之间的竞争使差异化变得格外困难。Tavel 寻找具有紧迫感、雄心和竞争精神，能够在拥挤市场中找到路径的创始人。她对激烈竞争的预期是一项投资判断，并非对哪家公司会获胜的预测。

Tavel 说，如果机会确实更大，估值可能高于传统 A 轮的预期。她认为，出售大量完成的工作可能触及比略微提高员工生产力更大的支出市场。她举出的 10 至 50 倍只是投资论点，并非实测的市场结果。

Stebbings 担心反复进行大额融资会稀释投资人的股份。Tavel 说，接受稀释的逻辑是，资本可以让杰出团队购买算力、训练模型，并在巨大的市场中创造持久优势。这个论点是否成立，仍有待观察。

她也提醒，不要因害怕错失机会而部署资本。Benchmark 会判断一个机会能否成为独立、持久的公司，并形成逃离竞争的方式，例如网络效应。她说，每位合伙人每年只作出一到两项新的投资承诺。

Tavel 观察到，企业软件很少依靠经典的网络效应。公司更可能通过解决特定需求、扩大分发、增加功能并提高现有客户贡献的收入来建立规模。她预计，这些经济规律对面向企业的 AI 产品仍然适用。

谈到专用模型与多模态模型，Tavel 认为，ElevenLabs 这样专注的团队可能比把精力放在核心前沿模型上的供应商更关注特定模态。她把这视为潜在优势，而非现有企业无法赶上的证据。

DeepL 展示了她对模型与周边工作流程的区分。她说，该公司开发了自己的语言模型，并增加客户集成和词汇控制，在最初的复制粘贴翻译体验之上创造价值。Benchmark 是 DeepL 的投资人。

Tavel 预计，随着开发者追求能力更强的模型，算力和电力需求会增加，前沿模型训练仍将昂贵。即便芯片和研究效率提高，她认为前沿竞赛仍可能形成寡头格局；与此同时，竞争压力可能降低终端客户的价格。

谈到开放与封闭模型，她说，一家公司如何收回开放发布前沿模型的成本仍不确定。她暂时认为前沿模型可能保持封闭，而开放模型足以应对许多任务。她指出，Meta 对 Llama 的投资可能改变这一局面。

她最大的担忧是竞争。许多初创公司正在追逐同样诱人的机会，争夺市场份额可能需要大量资本。某些市场或许容得下多个赢家，但价值最终如何分配尚不清楚。

被问到 Benchmark 如何赢得投资机会时，Tavel 说，该公司的服务是由普通合伙人直接与创始人合作。她将此与把工作委托给内部平台团队的做法作对比，认为直接参与有助于合伙人理解创始人和公司的需求。

Stebbings 问，专业招聘人员是否可能更胜任。Tavel 认为，深入了解首席执行官、团队和职位，并以拥有者的态度关心结果，与招聘专业能力同样重要。她说，反复参与招聘也提高了自己的技能。

她说，Benchmark 的平等合伙模式让合伙人在彼此的投资中拥有共同经济利益。这使争取投资机会和支持创始人成为集体努力，而不只是某一个合伙人的责任。

投资失败时，Tavel 常发现当初看似合理的“为什么是现在”并没有她相信的那么强大或持久。她说，董事会成员不应只是加油助威，还要提出困难问题、发现未来扩张中的难题，帮助首席执行官逐步作出更好的决定。

董事会成员可以帮助遇到困难的高管寻找导师，也可以认识到公司需要招聘另一位人选。Tavel 相信决策和招聘中的小幅改善会不断累积，同时强调绝大部分工作仍由创始人及其团队完成。

Tavel 说，Benchmark 聚焦的模式并不适合每位创始人。有些人更喜欢更广泛的平台支持，或在那个阶段不想要董事会成员；她认为这些是合理选择，而非失败。当融资规模太大、不符合公司的模式时，公司也可能选择不参与。

她说，Benchmark 很少偏离参与董事会的模式，但当公司强烈希望与一位创始人合作时，可以灵活处理融资规模。评估价格时，她会判断公司能否通过创始人的能力、网络效应或其他持久优势摆脱竞争。

Tavel 警告，不要用较低价格来人为制造对一项投资的信心。Benchmark 重点关注初始投资；她说，公司在此之后往往投入很少。她的描述反映了公司的既定做法及其商业利益。

她提出，现有投资人应通过持续贡献来“赢得按比例参与”后续融资的机会。在她看来，自动要求配额可能使引入新合作伙伴更加困难，并增加创始人的稀释。Stebbings 补充说，依赖投资人的后续资金储备可能让创始人不敢坦诚讲述困难。

Tavel 认为，她与 Chainalysis 的长期合作尤其有意义；Benchmark 领投了该公司 A 轮，而她成为其首位董事会成员。她说，在创始人和公司成长过程中，这段经历也帮助她学习。Chainalysis 是她投资组合中的公司。

她说自己错过的最大机会是 Ethereum。她在 Greylock 工作时，对智能合约的潜力感到兴奋，却没有采取行动。她从中得到的教训是，当看到自己相信可能带来根本性颠覆的技术时，要设法付诸行动。

她回忆起一位创始人，其内在动力让她相信对方会克服障碍；她说那家公司后来十分出色，但没有透露名字。被问到自己改变了什么看法时，她说自己此前没有意识到反犹主义如此真实且普遍。

Tavel 明确区分了支持巴勒斯坦人与反犹主义。她认为，反复公开表达可能改变人们觉得自己可以说什么，也可能影响信念。对话随后转向临近的 2024 年美国大选；她表达了对民主的担忧，并说自己并不密切关注民调。

她说，为人父母没有改变自己评估投资的方式，但提高了时间的机会成本。她喜欢与创始人会面，即使没有潜在交易也是如此，但现在需要把这些会面与陪伴孩子的时间相权衡。

被问及最近的投资时，Tavel 没有透露公司名称，因为交易尚未公布。她说，自己寻找的是强烈的与创始人合作的愿望，最后感谢 Stebbings 的对话。