Matt Fitzpatrick

核心判断：企业采用 AI 要走“10年，而不是2年”。 过去两年，模型在公开基准上的表现提升了40–60%，KPMG 称60%的消费者每周使用 genAI；但 MIT 发现，只有5%的 genAI 部署以任何形式真正运转，Gartner 预计到2027年40%的企业项目会被取消。Fitzpatrick 的诊断是：瓶颈在数据基础设施、工作流重构、责任归属，以及“最重要的，信任”——银行会先按模型风险管理的方式验证 genAI，其他企业则会在此后五到六年跟进。

“仅靠开箱即用的 SaaS 绝对做不到这件事。” Invisible 不收前期费用——免费提供8周解决方案冲刺，直到用户验收测试通过才收费，前线部署工程师也完全免费（450人、8个办公室）。对 SaaS 投资者而言，结构性结论是：“一旦你在 SaaS 场景下不得不引入 FDE，经济模型会瞬间崩溃。”Fitzpatrick 认为，开箱即用的软件“某种程度上一直都是谎言”——终局是超个性化软件，而不是一个个软件盒子。

内部自建正在败下阵来：MIT 数据显示，外部驱动的构建效果是内部构建的2x。 一家电商零售商就是典型案例：它花2500万美元做退货客服 agent，自建评估体系，以通话解决速度和情绪作为指标，结果一个虚构“退款200万美元”的回答也能拿满分；几个月后，公司关停项目，退回确定性流程。Fitzpatrick 的解法是：选择3到4个项目，由运营负责人牵头——“不要把它放在技术部门”——并按实际效果付费。

行业最大的误称是：合成数据不会取代人类反馈。 合成数据适用于数学等具有基础真值的领域；跨45种语言、多步骤推理和多模态场景仍处于“第一局”，而达到法律行业标准的数据掌握在大型律所内部，不在公开语料库中。与 ML 不同，genAI 需要人类参与统计验证——“未来几十年，你都需要人在环路中。”

数据标注行业将洗牌为3–5家，而非赢家通吃。 集中度是结构性的，因为真正构建 LLM 的公司并不多；但“人们愿意为好数据付费”，因为一周的坏数据就能烧掉巨量算力，所谓完全不在乎价格是“夸张了”。护城河是 Helmer 所说的机构记忆——一条数字化生产线，能在24小时内调度2.6万名筛选过的专家——而且他坚持，那些大数字是收入，不是 GMV。

资本策略已经反转：Invisible 成立9年来只募集了700万美元一级资本；如今已募得1.3亿美元，今年不会盈利——“这是有史以来最适合增长的环境……我希望我们永远不要进入收获阶段。” 下一 frontier 是物理世界数据：FDE 把 Starlink 终端部署到农场，为畜群安全训练计算机视觉模型；再往后是机器人。

对 agent 的怀疑可以量化：Salesforce AI 研究显示，开箱即用的 agent 单轮准确率为58%，多轮准确率为33%；AWS 报告称，70%的“agent”其实是传统脚本。 若管理一支4亿美元基金，他的逆向配置是：不要只看开箱即用的 agent，而要押注直接服务客户需求的 AI 原生企业——他认为，YC 最近一届正是靠这一路径，收入做到了此前任何一届的2x。

🔗 原始收听与视频来源： Matt Fitzpatrick：谁将赢得数据标注竞赛，以及为何 Al 需要前线部署工程师