硅谷最近流传一句话：速度是AI创业唯一的护城河。但一位在IBM、Netflix、Uber干了20年的产品经理，用一场1小时9分钟的播客，把这个说法撕了个口子。
Vaibhav Natu，现任AI创业公司CEO，履历像一部硅谷编年史。2004年IBM，2012年Netflix，2015年Uber，2023年All in AI。他的核心观点很反直觉：在AI时代，经验不是负债，而是被低估的杠杆。
Natu的原话是：「People say velocity is the only moat in AI.」但他补了一句——速度解决的是「能不能做出来」，经验解决的是「做对了没有」。这个区分，让整场对话从鸡汤变成了手术刀。
Netflix时期：推荐系统的「暗知识」
2012年，Natu加入Netflix时，推荐算法已经是公司命脉。但他很快发现，代码能算出来「用户可能喜欢什么」，却算不出来「为什么这个海报图比另一个多骗走30%点击」。
他带团队做了一项实验：同一部电影，换不同海报做A/B测试。结果差异大到让工程师怀疑人生——某部独立电影用女主角特写，点击率比用爆炸场景低47%。但女主角那张图，用户看完后的完播率反而高出22%。
Natu把这个现象叫「点击诱饵陷阱」。算法优化的是短期行为，经验判断的是长期价值。这个认知后来被写进Netflix的产品手册，成为推荐系统的人机协作范本。
「当时我们内部有个说法，」Natu在播客里回忆，「算法是油门，经验是方向盘。油门踩死但方向盘松手，车会飞出去。」
Uber时期：供需匹配的「时间晶体」
2015年，Natu转战Uber，负责动态定价（Surge Pricing）。这是他职业生涯里最「反人性」的产品——用户骂它趁火打劫，司机嫌它波动太大，但公司靠它活了下来。
动态定价的核心难题不是算法，是时机。价格涨太早，用户流失；涨太晚，运力枯竭。Natu团队花了18个月，建立了一套「供需预测窗口」模型，把响应时间从15分钟压缩到90秒。
关键突破来自一个细节：他们发现，暴雨天的订单取消率曲线和晴天完全不同。算法模型需要重新训练，但重新训练需要数据，而暴雨天一年就那几次。Natu的解法很「土」——让产品经理手动标注过去5年的天气事件，把「经验」结构化喂给模型。
「这听起来很不AI，」Natu说，「但2016年那版模型，在旧金山湾区暴雨天的预测准确率，比纯算法方案高出31个百分点。」
经验的价值，有时候就是把「我知道」变成「机器能学」。
AI创业：经验的「复利公式」
2023年，Natu创立自己的AI公司。他没有选择最热的赛道——不做大模型，不做Agent平台，而是切了一个「无聊」的领域：企业级工作流的语义理解。
这个选择本身就得益于经验。Netflix教会他「用户意图的分层」，Uber教会他「实时决策的边界」。两者叠加，他看到一个被忽视的机会：大多数AI工具在解决「怎么做」，但企业真正缺的是「做什么」。
他的产品逻辑很朴素：先让AI理解「这个会议为什么要开」，再决定「要不要开、谁来开、开多久」。上线6个月，客户续约率91%，平均每个客户减少23%的无效会议时间。
Natu在播客里算了一笔账：20年产品经验，换算成「踩过的坑」大约400个，「验证过的假设」大约120个，「被推翻的认知」大约80个。这些数字无法直接写进代码，但构成了他做决策的「先验分布」。
「年轻创始人问我，怎么跟大厂竞争速度。我说速度是标量，方向是向量。经验不让你更快，但让你更少绕路。」
那速度还重要吗？
Natu没有否定速度。他的完整表述是：速度是必要条件，经验是充分条件。两者相乘，才是最终的竞争力。
他举了一个对比案例：2023年，某知名AI创业公司用3个月推出一款代码助手，功能完整度超过GitHub Copilot的早期版本。但18个月后，这款产品停更了——团队发现，他们解决了「写代码」，但没解决「为什么写这段代码」。
「他们的PM（产品经理）很年轻，技术直觉极好，」Natu评价，「但缺乏在大型工程团队里被需求变更折磨过的经历。那个痛苦会教你，代码生成只是入口，意图对齐才是壁垒。」
播客最后，主持人问了一个刁钻的问题：如果经验这么值钱，为什么硅谷还在追捧年轻创始人？
Natu停顿了两秒，说：「因为经验的价值是滞后的。年轻创始人用速度讲故事，有经验的人用结果讲故事。AI这个周期还太短，大部分故事还没讲到结尾。」
他补了一句：「但我在Netflix和Uber学到的最重要一课是——当你能同时讲清楚'为什么快'和'为什么对'的时候，你就有了真正的定价权。」
这场播客在YouTube上线两周，评论区最高赞是一条来自前Uber员工的留言：「Surge Pricing团队的老照片里，Natu永远站在白板前，手里没拿马克笔，但所有人都在看他指的方向。」
经验是不是护城河，可能取决于你怎么定义「河」——是别人跨不过去的障碍，还是你自己知道深浅的水域？
热门跟贴