Eno Reyes

Eno Reyes 的核心定价逻辑是，AI 应按结果而不是 token 定价；按这个算法，“最聪明的模型实际上最便宜”。 一个用 1,000 个 token 就能完成代码审查的前沿模型，胜过一个烧掉 5000万个 token 才得到结果的廉价模型，这打破了“一个 token 就是一个 token”的框架，也指向模型的快速“物种分化”：一边是所有任务都能用的开放商品模型，另一边是企业后训练、完全留在内部的专用模型。

他认为，“前沿模型的 TAM 现在坦率地说被高估了”，而 Harry 将 Anthropic 的 2万亿美元估值理解为：在“最具竞争的应用市场之一、最挑剔的细分领域之一”——开发者工具——给 Claude Code 定价 2万亿美元。 2–4万亿美元估值背后，隐含的前提是实验室可以“把这些 token 的价格提高 2 倍，用户还会买单”；可能的突围路径只有监管俘获，或找到能匹配成本—质量前沿的应用和结果，而这很可能意味着接入更多模型，OpenAI 正在悄悄这么做。

“未来 18 个月内，可能有 80%到90% 的新型实验室会倒下”——但这里的“倒下”往往意味着被收购、实现不错的退出，而不是走向毁灭。 他用 3 个问题检验业务能否长久：工作流是否持久，能否经受更强的前沿模型，能否经受全新的工作方式？法律符合全部 3 条；“通用电脑操作”以及 Excel/Jira 周边的知识工作则过不了关。

“把开源模型叫作中国模型，是前沿实验室发起的一场心理战，基本是在诱导人们认为它们很可怕，并把它们他者化。” 他的预测是：“3 年后，99% 的工作流都会由开放模型完成。但其中 1% 的任务，可能占到未来智能经济价值的 30%、40%。”前沿应用——生物研究、国防和高级 AI 开发——“极其小众”，因此对 Global 2000 而言，成本才是决定性因素。

路由技术已经商品化；Stripe 以 800亿美元收购 OpenRouter，押注的是资本配置信息，而不是技术——“技术已经不再是护城河”。 真正的杠杆在 harness，也就是“某种意义上新的应用”：上下文窗口已经通过 agent 内部的压缩机制解决，闭环持续学习“尚未被开发出来，它不存在”，而学习会沉淀在 harness 层。

未来 5 年最关键的问题是：“谁是你智能的主权者？ 是你，还是另一家公司？” 两家最大的模型公司“已经明确表示，‘我们要进入每一个行业’”，这会推升本地部署需求（Factory Private），也让 Cursor 与 SpaceX 的合作变成潜在负担——当“他们会想推 Grok”时，很难继续保持模型独立。

“娶微软、睡 NVIDIA、杀 Meta”；如果 SpaceX 估值能达到 2–3万亿美元，NVIDIA 3 年后达到 10万亿美元“很可能成立”。 微软凭借模型独立性和基础设施，成为“最有优势的超大规模云厂商之一”；债务周期对超大规模云厂商可控，但对 OpenAI/Anthropic 则“完全关乎生死”，它们“必须成为科技史上自由现金流最强的企业，才能活下去”。

在人才方面，“我们预计未来 100% 的招聘都会通过收购公司完成”；常春藤学历“几乎不能说明能力”，而表演式的 9-9-6 文化是危险信号，“几乎总是与某种其他短板相伴”。 Token 消耗应按项目而非人员分配——Factory 曾在单日内为一个基准测试（Program Bench）投入“接近七位数美元的额度”，并认为一些企业的这类预算轻松就会达到“八位数、九位数”。

🔗 原始收听与视频来源： 20VC：Anthropic 的编码业务值 2 万亿美元吗？| 美国企业是否应与中国开源模型合作？| 为什么未来 18 个月内 80–90% 的 Neo-Labs 会倒下？——Factory 联合创始人 Eno Reyes

Factory 的核心押注是：企业软件开发将从 IDE 内协作，转向覆盖完整 SDLC 的云端委派。 目标用户是维护 30 多年历史代码库的数十万名开发者，真正的价值不在于让人“快 15% 或 20%”，而在于把完整任务交给并行运行的云端 agents。随着人类亲自编写的代码减少，规划和协调仍将由人主导，而代码与文档执行可能“很快”完全委派出去；测试和验证预计反而需要更多人工投入。

产品的差异化不在单一编码模型，而在编排能力：专业化的“droids”、企业级上下文、选择性检索和异步执行。 知识、代码和可靠性 droids 可连接 Linear、Jira、Slack、GitHub、Sentry 和 PagerDuty 等系统；agent 会主动提出澄清问题，而不是要求用户掌握 prompt engineering。演示中，它修改或新建了约 12 个文件，仅消耗 43% 的上下文，随后还可以被指示创建 pull request，同时向用户展示一幅“通往其大脑的 X 光片”。

Legacy modernization 是本期提出的最清晰的企业 ROI 切入口。 创始人称，一家大型上市公司的迁移项目据报从 4 个月压缩至约 3.5 天，且全程零停机。其代表性流程把代码库分析、文档编写、依赖关系梳理、Jira 工单和并行实施转化为 agent sessions，压缩了一个长期受“官僚流程、技术复杂度和理解成本”拖累的瓶颈。

按使用量计费使检索效率成为商业要求，而不只是技术偏好。 客户支付少量固定接入费和按用户计费的费用，但大部分支出来自“standard tokens”；因此 Factory 只检索相关代码和组织上下文，而不是把整个 monorepo 倾倒进不断扩大的上下文窗口。企业级质量的一项指标是代码 churn：成熟代码库可能处于 3%-4%，维护糟糕或变化迅速的代码库则可能达到 10%-20%。

创始人认为，在 frontier models 持续变化的背景下，更高杠杆的层是 harness 和评测栈。 他们把基于任务的代码评测与针对提问、规划和工具调用的行为规范结合起来；主持人提到，一次 SWE-bench 运行的成本估计可达 8000-15000美元，Matan 则指出，基准图表可以充当“粗柱对细柱”的营销。Factory 最可能提出的模型需求，是让模型基于持续 1-3 小时的目标导向轨迹进行 post-training，同时摆脱供应商特有的 CLI 习惯——目前这些习惯会让模型偏好 Grep 或 Glob，而不是更好的工具。

按创始人的说法，商业化目前更多受采用率和 top-of-funnel 限制，而不是受早期产品拉力限制。 在略超过 2 年的时间里，他们用了约前 1.5 年打磨企业交互模式；过去 90 天，Fortune 500 的部署据称明显加速，主要靠口碑传播。一名 1 月份的用户据称表示，即使公司里只有他一个人使用 Factory，他仍会要求公司允许他继续使用，而不是“为我自己雇 3 名工程师”；Factory 目前正在大量招聘技术能力很强、面向客户的运营人员，内部称其为“初级 Eno”。

🔗 原始收听与视频来源： AI 编码工厂