41. AI巨头正在抢购打工人的录屏？ - Michael | Final Round / Hellyeah

摘要

• 一些 frontier AI lab 已上门想购买知识工作者的桌面录屏，computer-use 数字员工的技术路线被三个信号验证。 千问 2025 年 9、10 月的 paper 用 YouTube 上的 Excel 教学视频几乎不加处理去训数字员工，“直接超出 frontier model 三倍”；xAI 融完 200 亿美金那一轮后"内部就不搞 AGI 了"，用视觉 computer use agent 直接接管 legacy 系统做 customer support，客户从 Tesla 做到摩根大通；Anthropic 高价收购一家用视频大规模训练数字员工的公司，收完马上上线 Cowork。
• Raymond 称 interview copilot 品类由 Final Round 发明、公司如今更名 Hellyeah；Michael 决定不做 data supplier 而是 go all in 自己做数字员工，理由是 Scale AI 的反面教训。 Michael 的原话：“他要是知道 transformer 是 work 的，就不会做 data labeling 了——打完标自己去训 GPT 了。“底座是 interview copilot 两年 2000 多万用户、1000 多万美金 revenue run rate，以及"你不敢相信这个世界上有这么多人在找工作"的需求侧现实。
• 数字员工与 skill 的分野在于自主决策、proactive 与 self-learning，而蒸馏自己的真正瓶颈是自我认知。 “你所认知的自己，和别人所认知的你，是完全不一样的”——所以需要 VLM 全程观察加 daily reflect 追问因果，co-founder 的框架叫「知行合一」：reasoning 与实际行为匹配，才是一个真人的 digital copy。
• 商业模式的对标是 agency：人天生意的毛利来自 labor arbitrage，数字员工的毛利来自 software leverage 和 workflow memory。 “你蒸馏了一个奥美的老师傅，理论上他可以被无限复制、无限使用”，且"只要续费就不会走”；最佳形态是住在代码仓库里的 SDK，event driven 到能捕捉"以色列打伊朗第一天全球 CAC 标高约 30%“这类信号。当前早期客户全是北美 20 多家头部科技公司，非科技客户预计 Q4 才开始聊，主要担心能力边界和 human in the loop。
• Meta 的工作录屏计划遭遇巨大 pushback，却帮早做六个月的 Hellyeah 完成了新一轮融资。 Raymond 的总结：“你做的时候，他觉得你是疯子；小扎做的时候，他觉得他应该有想法。“Michael 的辩护是，是否 intrusive 以及 branding 和 positioning 决定接受度：JP Morgan 早就记录 every single keystroke 存 10-15 年，OpenAI Codex 的 Record and Replay 内部叫 Chronicle；Raymond 提到小红书上相关帖子很多。Individual plan 数据默认被拿去训练。
• 美国 labor market 数据没有明显变坏，是因为 headcount 可以造假、招聘流程本身在膨胀。 Stripe 一个 mid-level PM 要面 14 轮、时间线拖到五六个月——这反而拉长了 Final Round 用户的付费周期；至于裁员，Michael 的判断是"其实不是因为 AI，是他们自己知道组织臃肿”，某种程度上是 Elon 把 Twitter 裁掉八成后"发现 Twitter 还这样在跑"带头，Raymond 则补充这不可能是因为 AI。
• 终局的翻转最值得记：大模型公司在蒸馏用户的工作行为，却还在向用户收钱。 这解释了 Michael 所说的 OpenAI 二季度毛利可能 -90%——大折扣让所有人抢用 Codex，“拿不到使用数据、拿不到 Record and Replay，第三季度就没法跟 Anthropic 竞争”；给印度全民免费两年、跟新加坡签五折。Michael：“我们是它第二曲线的重要燃料，没有我们，它是用不起来的。”

精读

1. 「你不敢相信这个世界上有这么多人在找工作」：从 Jarvis 到 interview copilot

• Raymond 介绍说 interview copilot 品类由 Final Round 发明、公司如今更名 Hellyeah；Michael 的起点不是宏大 AI thesis：2023 年夏天想做现实版 Jarvis，先做 meeting copilot，用户拿去做销售和 online dating；一封"能不能付费"的用户邮件让他随口编了 99 美金/月的价格，对方真付了——他们随后做成 interview copilot，Michael 称其开创了一个 new category，两年 2000 多万用户、营收突破 1000 多万美金 run rate。
• 2025 年企业端反向找上门：interview copilot 太好用，“简历像广告，面试像表演”，10 秒能生成满分简历。于是做 trustless 招聘平台，本质是 job simulation——AI 生成任务、候选人真干一段活、AI 全程打分。work trial 的类比：“有点像婚前同居，不是相亲完就结婚”，自家二十多位同事全部由此招入。

2. Frontier lab 上门想买录屏：三个信号验证了数字员工路线

• 2025 年底，一些 frontier lab 找上门，想购买知识工作者的桌面录屏做 reinforcement learning 环境——市场上没有地方能直接买到工作录屏。Michael 列举的第一个信号是千问：用 YouTube Excel 教学视频没做太多处理去训数字员工，“直接超出 frontier model 三倍”。
• 第二个信号是 xAI：Michael 称其内部一直认为最佳 AGI 方案就是视觉的 computer use agent，“跟他的车一样，像人一样看得见、像人一样操作”；融完 200 亿美金后不搞 AGI、做数字员工落地，第一个场景是 down to earth 的 customer support——不要 MCP 不要 API，legacy system 全不换，“我就派个员工来上班，只是这个员工超级快”，客户从 Tesla 做到摩根大通。第三个信号是 Anthropic 高价收购视频训练公司，收完马上上线 Cowork。
• go all in 的决策逻辑是 Scale AI 的反面：“他当时不知道 transformer 是 work 的；他要是知道，就不会做 data labeling 了——打完标自己去训 GPT 了。“所以不做 data supplier，自己吃 multiplier。

3. 数字员工不是 skill：蒸馏需要「知行合一」

• 与人人烧 skill、搭 n8n 工作流的差别有三：自己做决策、proactive 主动揽活、有 self-learning 的成长路径。skill 只是环节，还要有 memory 和 recursive growth。
• 蒸馏自己的门槛被低估：Gary Tan、Karpathy 都在公开 promote，但"你所认知的自己，和别人所认知的你，是完全不一样的”。Hellyeah 的方案是 VLM 观察工作、在 AI 无法理解处生成问题、daily reflect 追问因果——“你为什么点这里？有没有屏幕以外的 context？“知（reasoning）与行（实际行为）相匹配，才成为一个真人的 digital copy。

4. 赛道选择：不做 coding 不做销售，creativity 留给从零到一

• coding 的 RL 信号最强但太卷（Cursor 当时收入已超 3 亿美金）；销售的问题更根本——见过太多 AI SDR 靠几百人人肉销售团队去卖，“你的销售 AI 要真那么牛逼，就应该是自己的销售 AI 去卖自己的销售 AI”。选 growth marketing 的三条标准：RL 信号强、有真实商业化场景（不能是"企业买了 Harvey 但没人用"的大而美好）、团队有 passion 和自研增长系统的先发优势。
• Raymond 的质疑：Trump 广告牌那种 creativity，agent 想得出来吗？Michael 分两层答：给足 context 加 taste skills 可以；但大客户根本不需要——creativity 是零到一用的，一到百要的是 systematic、omni-channel 的 consistent 增长，“go viral 对它们没什么帮助”。Raymond 以 GEO 为 P10 举例，Michael 认同：劳动力 10x、100x 后，连这类机会也能顺手做掉，“让 Claude 写完、让 GLM 去 execute”——Chamath 的 8090 同理：frontier model 做架构，execution 全用中国开源模型。

5. 感谢扎克伯格：「你做的时候是疯子，小扎做就是有想法」

• Meta 推工作时屏幕和对话录屏的计划遭遇巨大 pushback（隐私，加上"你明摆着要炒我，我为什么还把自己蒸馏了贡献给你”）。Michael 说，扎克伯格做这件事后，此前质疑"录屏训练 AGI 天马行空"的许多投资人找来询问进展，Hellyeah 因此快速完成新一轮融资；他们比扎克伯格早六个月做这件事。
• Michael 认为关键在是否 intrusive，以及 branding 和 positioning。Raymond 对比说，JP Morgan 早就记录 every single keystroke、存 10-15 年查反洗钱与内幕交易；Rewind 讲"人生每一天都不能白过”；他还提到 Codex 的 Record and Replay 在小红书上有很多相关帖子。Michael 补充，Codex 内部叫 Chronicle——“要把整个人类桌面端的工作全部上传到历史里去”。条款细节：Individual plan 数据默认被拿去训练，Enterprise 要主动选择不被训练——Raymond 的感受：“每个月交这么多钱，还给别人做肥料。”

6. Agency 卖人天，数字员工住在代码仓库里

• 商业内核对比：agency 毛利来自 labor arbitrage，knowledge 难沉淀，point of contact 一换人交付质量大概率大幅下降；数字员工毛利来自 software leverage 和 workflow memory——“蒸馏了一个奥美的老师傅，理论上可以被无限复制”。90 天后 agency 给你 clean-cut 的交付结果，Hellyeah 想给你一个懂市场、产品、用户、渠道、“只要续费就不会走"的数字员工。
• 最大交付难点不是生成内容，是快速拿到上下文：最佳生命状态是"住在代码仓库里”——npm install hellyeah，扫代码仓库和数据库构建 context，甚至 push PR 帮客户 standardize data schema，由此打破 marketing 与 product/engineering 的鸿沟，一秒钟构建"投放数据为什么掉了"的因果。
• event driven 的样本：以色列打伊朗第一天，全球所有平台 CAC 标高约 30%；Microsoft 裁 5000 人，系统自动生成 landing page 去 target 这 5000 人。“以前这套能力只存在于 hedge fund，为什么普通公司不能拥有？”
• 当前早期客户全是北美 20 多家头部科技公司；非科技公司预计 Q4 才开始聊，主要担心数字员工能做到什么程度、哪些环节需要 human in the loop，且职业经理人很难推动"蒸馏员工”。

7. Stripe 面 PM 要 14 轮：labor market 数据为什么看起来「没变坏」

• Raymond 的困惑：vibe coding 兴起后美国 labor market 反而变好了？Michael：看什么指标——headcount 可以造假，大公司官网为股价"永远保持一个漂亮的招聘 pipeline”。Stripe 一个 mid-level PM 面 14 轮，HR 不敢用 AI 面替代真人、只敢往流程上加，时间线拖到五六个月——这也解释了 Final Round 用户付费周期比市场理解的长，手里三四家公司就要付半年。
• 对裁员的判断来自 Michael：“其实不是因为 AI，是他们自己知道组织臃肿”——AI 是完美借口，某种程度上 Elon 把 Twitter 一口气裁掉八成后"发现 Twitter 还这样在跑"起了带头作用。Raymond 补充：那是 22 年底、GPT 刚出来，不可能因为 AI；中国大厂 without vibe coding 就能裁 80%，只是不公开讨论。
• 对打工人的判断带着原样的 hedge：短期"肯定在变冷”，长期比较 bullish；OpenAI 在 hire investment banking 的人做"高端 Data Labeler”，而蒸馏的只是"现阶段的自己"，keep learning 就要不断重蒸。Raymond 的唱反调值得留：你未来的进步可能已被别人的现在覆盖，社会级增量小到忽略不计——Michael 认了：“所以要更快更高效地学习。”

8. 中美差异：卷智力 vs 卷劳动力，十倍价差的出海生意

• 套利空间很具体：AI 学习机淘宝 200 人民币、美国至少 300 美金，“十倍的价差肯定有”；Eight Sleep（北美白人团队 + 深圳供应链，给 DOGE 送床垫直接 go viral）由红杉中国领投最新一轮并进入中国，一个月后中国平替就出现且"做得跟它一样好"。
• 投资与组织的判断：“90% 的中国投资人是看共识去投的，有点像我爷爷奶奶炒股票——哪个热炒哪个”；硅谷想造新 category、资本溢价更高。出海难的根子在 trust 给不出去（“总觉得非中国人懒”），更根本的是范式差：“Anthropic 过去两个季度推出的产品和模型迭代，比所有中国大厂加起来还多——这已经不是卷人数、卷时长，是以智力为单元去卷。”

9. 组织扁平化、meeting router CEO，与「大模型公司应该付你钱」

• 组织层面的先行变化：没有 middle manager，跨职位工种涌现（product engineer、design engineer、AI builder）。Michael 自己的转折点：一份写好 outline 准备交给设计师的 PPT，“发出去的前一秒"传给了 Claude，五分钟出了精美 deck——“我们还需不需要设计师？这是一个挺 tough 的 conversation。”
• CEO 残值的 spicy 版本：“AI 不会替代所有的 CEO，但会替代那种做 meeting router 的 CEO”——企业级大脑出现后信息实时对齐，meeting-router 式的"拉齐"工作可能不再需要。留下的是 make tough decision，以及给不理性目标当"拉拉队队长”：AI 三分钟就理性地告诉你火箭造不了，Elon Musk 会想办法 push 下去。
• 收尾的翻转：Raymond 认为你跟 ChatGPT 的每次对话就是它的 reinforcement learning loop，“而且它现在还没给你钱——你在花钱”。Michael 同意 Raymond 的 crazy 想法（大模型公司应该花钱让我们用）：“我们是它第二曲线的重要燃料，没有我们，它是用不起来的。“Alex Karp 说大模型公司是 monopoly——“他是我非常不喜欢的一个人，但这点我认。”
• Michael 还称 OpenAI 二季度毛利可能 -90%，大折扣抢 Codex 使用数据，“拿不到 Record and Replay，第三季度就没法跟 Anthropic 竞争”；给印度全民免费两年（跟 Perplexity 一样）、新加坡五折、中东同理。美国也开始推自己的开源模型——Prime Intelligence 刚融 1.3 亿美金要做"美国的 DeepSeek”，但问题在 distribution。