Binebenta mo ang pinakamahal na malaking modelo, ngunit tinatago ng backend ang pagpapalit nito sa mas mura bersyon—sino ang makakakita nito? Kasalukuyang inilabas ng Anthropic ang isang interesanteng proyekto na FlashProve, na nagtatangkang gamitin ang kriptograpiya upang lutasin ang matagal nang isyu ng pagkakatiwala sa industriya ng AI: paano patunayan na ang isang nilikhang nilalaman ng AI ay talagang galing sa modelo na sinasabing galing sa serbisyo? Kapag gumagamit tayo ng API ng malaking modelo, kadalasan ay naniniwala na lang tayo sa serbisyo. May mga third-party routing platform ba na nagpapalit nang lihim ng modelo? Pareho ba ang modelo na sinusubok ng mga ahensya sa pagtatasa ng kaligtasan at ang modelo na ginagamit ng karaniwang user? Kahit pa man ay binoboy ang server ng mga hacker, mayroon bang nagpapalit nang lihim sa output ng modelo? Ang mga bagay na ito, ay mahirap masuri lamang sa pamamagitan ng sagot ng modelo. Ang FlashProve ay naglalayong gamitin ang zero-knowledge proof (ZK), partikular na ang zkSNARK, na kilala sa loob ng Web3. Ang prinsipyo ay madaling maunawaan: una, gumagawa ang provider ng modelo ng isang kriptograpikong commitment sa isang set ng model weights, parang pagpaparehistro ng isang identity na hindi maaaring palitan nang libre. Pagkatapos, bawat inference ay maaaring kasama ng isang patunay. Ang user ay hindi kailangang malaman ang mga parameter ng modelo, o kahit mag-run ng modelo mismo—kailangan lamang ng karaniwang CPU upang i-verify kung totoo bang galing sa modelo na nakapag-commit bago. Ginamit ng Anthropic ang Llama 4 Maverick na may 400 bilyong parameter para sa eksperimento, at maaaring makamit ng isang H100 GPU nang halos 110 tokens bawat segundo para sa paggawa ng patunay, at maaaring i-verify ang isang patunay sa loob lamang ng ilang sampung segundo. Gayunpaman, ang gastos ay kasalukuyang sobrang mataas. Ang GPU cost para sa pagbuo ng patunay ay katumbas ng 70 hanggang 95 beses ang karaniwang inference, at bawat patunay ay halos 19MB. Kasalukuyan lamang ito sa suporta sa 1024-token context at partikular na paraan ng inference, at may malaking daan pa bago maging komersyal sa malawakang saklaw. Ngunit naniniwala ako na mahalaga ang proyektong ito. Sa nakaraang ilang taon, ang zero-knowledge proof ay pangunahing ginamit sa crypto industry para i-verify ang mga transaksyon at computation. Ngayon, sinubukan ng Anthropic na ilapat ang parehong ideya sa serbisyo ng malaking modelo. Mas mahalaga pa ang potensyal nito sa AI governance. Sa hinaharap, kung hihingin ng mga regulahor na maging pass na ang modelo sa seguridad assessment bago ito mai-deploy, kailangan ng provider na patunayan na ang aktwal na ginagamit ay ang parehong set ng weights na nakapasa sa pagsusuri. Maaari rin ng mga independiyenteng auditor na i-verify kung pareho ba ang modelo na sinubok nila at ang ginagamit ng kanilang mga kliyente. Gayunpaman, ang kriptograpiya ay maaaring patunayan lamang na tumutugma ang proseso sa nakaraang commitment—hindi ito nagpapatunay na tama ang sagot ng modelo, o kahit na ligtas ito. Palaging naniniwala ako na habang tumataas ang bilang ng AI Agent na nagsisigaw sa mga aktwal na gawain, sasalungatin din natin ang tanong: ano nga ba ang batayan natin upang maniwala sa AI na tumatakbo sa malayo? Ang FlashProve ay kasalukuyang isang research prototype lamang, ngunit binigay nito ang isang landas na dapat patuloying pag-aralan.

Ang gastos sa AI ng mga kumpanya ay tumaas ng 5.4 beses sa isang taon, ngunit ang proporsyon ng mga kumpanyang handang magbayad ay tumataas lamang mula sa 55% patungo sa 65%. Kasalukuyang inilabas ng Menlo Ventures ang “2026 Enterprise AI Report”. Hanggang sa Setyembre ng taong ito, ang kabuuang gastos sa pag-deploy ng AI ng mga kumpanya ay umabot na sa $176.8 bilyon, habang ang taunang sukat noong parehong panahon noong nakaraang taon ay lamang $33 bilyon. May ilang interesanteng datos dito: Una, ang mga Agent ay nagsisimulang maging pinakamalaking tagapag-consume ng AI computing power. Sa platform na OpenRouter, 80% ng pagkakagamit ng Token ay galing sa mga Agent. Pagkatapos umabot ang trapiko ng Agent sa mas mataas kaysa sa direktang paggamit ng tao noong Pebrero ng taong ito, lumaki ito ng 37 beses. Pangalawa, ang mga model market ay mabilis na nagkakalat sa mga lider. Nakakamit na ng Anthropic ang 55% ng gastos sa enterprise LLM API, 31% naman ang OpenAI, at magkakasama sila ay kumukuha ng 86%. Ang Google naman ay bumaba mula sa 21% noong nakaraang taon patungo sa 9%. May isang napakalaking numero pa: ang market para sa enterprise AI applications ay umabot na sa $77.3 bilyon, kung saan ang mga programming tools ay nagsisilbi na sa $34 bilyon lamang. Ang dalawang produkto na Claude Code at Codex ay kumukuha ng 70% ng gastos sa programming market. Sa tingin ko, ang pinakamahalagang pagbabago dito ay ang pagbabago sa lohika ng pagpapalago ng komersyalisasyon ng AI. Noong nakaraan, ang kita ng SaaS ay pangunahing nakadepende sa bilang ng mga gumagamit. Ilang empleyado ang mayroon ang isang kumpanya, at ilan ang mga account na maaaring ibenta, ay halos nagpapasya sa limitasyon ng kita nito. Ngunit iba ang Agent. Isang empleyado ay maaaring magpapatakbo ng sampu-sampung Agent nang sabay-sabay; ang mga Agent na ito ay maaaring magtrabaho nang tuloy-tuloy, mag-repeated call sa mga model, at mag-consume ng Token. Kahit hindi nagdagdag ang isang kumpanya ng isang empleyado, maaaring tumaas ang gastos sa AI nang ilang beses. Ito rin ang nagpapaliwanag kung bakit tumataas lamang ng 10 porsyento ang proporsyon ng mga nagbabayad na kumpanya, samantalang lumaki ang laki ng market nang 5.4 beses. Mas mahalaga pa rito: 55% ng bagong gastos sa AI ay galing sa bagong budget na itinatayo ng mga kumpanya, at lamang 22% ang galing sa paglipat mula sa dating budget para sa software. Sa kasalukuyan, ang AI ay naglilikha ng isang malaking bagong market para sa software. Ngunit mayroong malinaw na structural na pagkakaiba sa paglago na ito. Ang mga programming tools ay nakakamit agad ng $34 bilyon na market dahil may malinaw na execution environment ang code, at maaaring i-verify ang resulta—madali pang masukat kung gaano kahusay ang isang Agent. Sa kabilang banda, marami pang Agent na sinasabing makakapalit sa mga white-collar workers ay hindi pa rin nakakasolve kung paano makakamit nang independiyente ang isang gawain o paano masusukat ang resulta. Kaya susundin ko ang sumusunod na indikador: ilan pala ang tunay na trabaho na handang ibigay ng mga kumpanya sa mga Agent, at ilan pala ang kanilang handang ibayad para sa bawat natapos na gawain. Kapag nagsisimulang kumain na ang AI ng sarili nitong AI, ang ugnayan sa pagitan ng bilang ng model calls at bilang ng empleyado ng kumpanya ay magiging mas mahina. Ito ay maaaring maging pinakamahalagang variable na susuriin sa mga susunod na taon sa buong market ng AI.

Pagkatapos ng AI na humawak ng lahat ng pera, magiging mas mahal ba ang pagpapautang sa iba pang industriya? Tanong ng mga opisyales ng pampublikong pondo ng Tsina sa Hong Kong tungkol sa isang ganitong kalkulasyon. Noong Nobyembre 3, ang pangalawang pangulo ng State Financial Regulatory Administration, Xiao Yuanqi, ay nagbanta sa International Financial Leaders Investment Summit na ang malaking dami ng pondo na dumadaloy sa teknolohiya at mga lider na kumpanya ay maaaring magdulot ng mas mataas na leverage at sobrang paglago. Ang pagkabigo sa tradisyonal na industriya ay magpapakita sa pamamagitan ng mas mataas na gastos sa pagpapautang, mas maliit na espasyo para sa karagdagang pag-invest, at mas malaking panganib sa kredito. Sa parehong summit, sinabi ni Jon Gray, ang CEO ng Blackstone, na ang pangangailangan sa computing power ay patuloy na malakas, at ang pangangailangan ay hihigit sa suplay, at mas maraming pondo ang magkakaroon sa susunod. Si David Solomon, ang CEO ng Goldman Sachs, ay naniniwala rin na ang mga malakas na kumpanya na may magandang kuwento ay patuloy na makakakuha ng pera, samantalang binabalaan niya ang mga investor na ang pagkakamali sa pagpili ng kumpanya ay magdudulot ng pagkawala. Hindi sila nag-away. Parehong sinabi ni Xiao Yuanqi na ang pagkakaroon ng lokal na bubble sa teknolohikal na rebolusyon ay hindi kakaibang bagay, at ang matagalang paglago ay maaaring mapasok nito. Kakaibang bagay ay kung ano ang tinitingnan nila nang hiwalay. Ang mga institusyong pampagkaukulan ay nakatingin sa kung gaano karaming pera ang kailangan ng kanilang mga kliyente at anong mga asset ang worth it; samantala, ang mga regulador ay kailangang tingnan din ang mga kumpanya na hindi nakasakay sa AI, at kung paano magbabago ang kanilang mga kondisyon sa pagpapautang. Kami ay nakakauunawa na ang pondo para sa AI ay isang pagsusuri ng industriya—mas malaki ang numero, mas maraming gulo. Ngunit kung saan galing ang perang ito at kung saan ito ay maaaring dumaloy nang walang AI, karaniwang walang nagtatanong pa nito. Hindi pa ito maaaring basahin bilang bagong pagtigil sa regulasyon, at kung gaano kalaki ang epekto ng pagbubura ay nangangailangan pa ng datos. Ngunit para sa mga taong laging nakatingin sa susunod na valuation, mas mahalaga ang tanong na ito kaysa maghula kung gaano karaming trilyon dolyar ang halaga ng isang kumpanya ng modelo.

Ang NVIDIA ay nagsimula na humiling sa mga nagbebenta ng computing power na kontrolin ang bahagi ng mga kliyente sa China. Ayon sa Financial Times noong Nobyembre 3, hinihingi ng NVIDIA mula sa mga global na cloud customer na ibenta ang hindi bababa sa 51% ng computing power sa mga kompanya na hindi China. Ang mga tiyak na ekipa ay nagsimula nang pagsasagawa nito sa oral na paraan simula noong tag-init, at walang pagsulat na dokumento; ang mga kontrata na nagsasaklaw ay hindi naapektuhan. Ang Reuters, habang isinipi ito, ay nagdagdag na hindi pa pinatotohanan nang independiyente. Ang detalyeng ito ay dapat tandaan ng mga Chinese AI company. Kapag hindi makakakuha ng chip, ang pag-rent ng server sa abroad ay laging isang alternatibong opsyon. Ngayon, ayon sa ulat na ito, ang mga supplier tulad ng Cloud Company ay nagsisimula na mag-control din sa istruktura ng kanilang mga downstream customer. Kung susundin ang proporsyong ito, kailangan ng isang cloud company na makahanap ng sapat na dami ng mga non-China customer upang mapalaki ang kanilang sales sa kabilang panig, kung kaya’t gustong tanggapin ang mas maraming Chinese client. Ang dami ng equipment na maaaring bilhin at ang dami ng Chinese order na maaaring tanggapin ay magiging dalawang magkakaibang limitasyon. Para sa mga Chinese team, kahit hindi nasa bansa ang server, hindi ibig sabihin na ang pag-expand ay nakadepende lamay sa budget. Ang pagkakaroon o kakulangan ng sapat na iba pang customer ng cloud vendor ay maaaring makaapekto rin sa dami ng computing power na maaaring irenta nila. Ito ay isang bagong inilabas na corporate requirement, at hindi dapat isipin bilang bagong ban na ipinahayag ng gobyerno ng Estados Unidos, at hindi rin ibig sabihin na agad matitigil ang umiiral na computing power. Ang mga lumang kontrata ay exempt, at ang dapat tandaan ay ang mga bagong order, ang susunod na pag-expand, at ang mga kondisyon pagkatapos matapos ang kontrata.

May nakahanap ng kalaban para sa Doge ni Musk—isang capybara. Noong Nobyembre 2, sinipi ng WIRED na ang isang grupo na tumatawag sa sarili nilang Capytistas ay nagpahayag ng isang plano na magpapalabas ng impormasyon sa mga bahay ng mga mayaman, simula sa Musk at sa board ng Tesla. Kinuha nila ang pangalan mula sa Zapata Movement sa Mexico, at pinili ang capybara bilang laban sa Doge. Ang kanilang dahilan: ang mga tech company ay kumukuha ng impormasyon mula sa karaniwang tao, ngunit ang mga boss ay may privacy. Nakakita ang isang reporter ng isang file, ngunit hindi maaaring ituring na naganap na ang buong plano ng pagpapalabas. Ang kontradiksiyon sa pagtutol na ito ay diretso: kung ikukritika mo ang pag-abuso ng mga korporasyon sa personal na impormasyon, maaari bang maisagawa ito sa pamamagitan ng pagkuha sa privacy ng iba pang tao? Ang paghingi ng responsibilidad mula sa mga kumpanya sa kanilang negosyo ng data ay magdudulot ng iba’t ibang epekto kaysa sa pagdadala ng presyon patungo sa mga pribadong tahanan. Ang galit sa kapangyarihan ay hindi awtomatikong sumasagot kung bakit dapat mag-alsa ang pamilya at kapitbahay. Ang capybara ay maaaring maging isang epektibong simbolo ng pagtutol, ngunit ang pagpapalabas ng impormasyon sa tahanan ay kailangan pang pag-usapan nang hiwalay.

Ang dating Sekretarya ng Army ng Estados Unidos ay sumali sa OpenAI. Ang isa sa kanyang mga gawain ay turuan ang kumpanya kung ano talaga ang kailangan ng militar. Ipinahayag ng OpenAI noong Nobyembre 2 na si Dan Driscoll ay magiging Senior Advisor para sa Modernisasyon ng Pambansang Kaligtasan. Ito ay isang bagong posisyon na ang sakop ay tumutulong sa mga loob na koponan na maunawaan ang tunay na pangangailangan ng mga ahensya ng pambansang kaligtasan, at magtrabaho kasama ang mga kaalyado ng Estados Unidos para sa pagpapalaganap ng AI at cybersecurity. Ikinonekta ng opisyal ang pagpapasiya na ito sa proyektong cybersecurity na Daybreak, at paulit-ulit na ginamit ang terminong “Demokratikong AI.” Ang mga bagay na kilala ni Driscoll ay tiyak. Habang siya ay nagsilbing Sekretarya ng Army, responsable siya sa operasyon at pagkakaloob ng mga yunit, at pinangunahan ang mga reporma sa pagkuha upang mas mabilis na maipasok ang mga bagong teknolohiya sa mga yunit. Ngayon, siya ay magsasali sa mga talakayan mula sa panig ng mga supplier. Maaaring iugnay ang pangyayaring ito sa isa pang balita noong nakaraang taon. Noong 2025, nagtatag ang Army ng Estados Unidos ng isang reserve innovation unit na binubuo ng mga eksperto sa teknolohiya, kabilang ang unang mga miyembro na sina Kevin Weil mula sa OpenAI at ang dating head ng pag-aaral na si Bob McGrew. Noon, ang mga tao mula sa mga tech company ang sumuot ng uniporme ng militar; ngayon, ang dating tagapagpaganap ng Army ang pumapasok sa isang tech company. Ang halaga ng ganitong uri ng paglipat ay malaki sa pag-unawa sa mga institusyon: aling ahensya ang may pangangailangan, paano inaayos ang budget, at paano napapasa at napapabilang ang isang bagong teknolohiya sa pang-araw-araw na gawain—hindi ito masasagot ng mga score ng model. Ang pagpapasiya na ito mismo ay hindi nagpapatotoo ng paglabag, at walang ipinahayag na bagong halaga ng kontrata. Ngunit habang sinusuri ang paraan kung paano gumagawa ng gobyerno ang mga AI company, hindi lamang dapat tignan ang mga model at order—kailangan ding tingnan kung sino ang inihingi nila para pumasok sa kanilang opisina.

Ngayon, ang mga AI product ay sobrang magaling sa pagpapakita ng pagkagiliw sa loob ng sampung minuto, ngunit ang hirap ay ang pagpapakita ng tiwala sa loob ng sampung buwan. Lalo na ang mga trading agent. Ang pag-analyze ng isang market condition ay walang hadlang, ngunit kapag kasali ang personal na data ng ari-arian, mga papeles ng pag-aaral, at mga task na nangangailangan ng tuloy-tuloy na pagmonito, iba na ang mga hiling ng user sa produkto. Bago lang namin napansin na inilabas na ni Minara ang Web V2 at binuksan na ang Early Access. Binigyan nila ang bawat user ng sariling isolated cloud sandbox, kung saan ang data at mga task ay tumatakbo sa kanilang sariling environment. Palaging naniniwala ako na ang financial ay isa sa pinakamahalagang scenario para sa ganitong uri ng architecture. Dahil ang trading ay may totoong pera, kailangan ng user na malaman kung saan nakaputol ang kanilang data, kung saan tumatakbo ang mga task, at kung gaano karami ang kanilang kontrol. Ang analytical capability ng model ang magdedesisyon kung susubukan mo ito, ngunit ang safety at tiwala ang magdedesisyon kung tatanggapin mo ito nang matagal. Bukod dito, inilipat din ni Minara ang parehong UI at code mula sa desktop sa Web. Ang dating Chat ay na-upgrade sa Agent, at na-complete na ang user experience tulad ng file preview at feature recommendations. Ang Workflow ay patuloy na umuunlad patungo sa Automation, na layuning pahintulutan ang Agent na tumakbo nang tuloy-tuloy sa background — ngunit ang ilang monitoring features ay nananatiling desktop-based pa rin. Naniniwala ako na may isang napakahalagang trend sa produkto dito. Noong nakaraan, ang lahat ng naggawa ng AI trading tools ay nagkakaroon ng kompetisyon kung sino ang nakakakita ng higit pang assets at nakagawa ng mas kumplikadong strategy. Ngunit habang lumalago ang model, maaaring maliit na maliit na magiging pagkakaiba nito. Ang susunod na kompetisyon ay maaaring magiging kung sino ang makakapagpapasok ng Agent sa tunay na daily workflow ng user — na makapagprotekta sa data, makapagtataguyod nang tuloy-tuloy, at makapagpapagana nang walang pagkakaantala sa iba’t ibang device.

Ang humanoid robot ni Meta ay ginawa kasama ang isang Chinese company. Ayon sa The Information, nagtulungan ang Meta sa Fourier Intelligence ng Shanghai, at sa loob ng tatlong buwan lamang ay nilikha ang unang prototype ng humanoid robot na Max, na ngayon ay nasa proseso ng pag-unlad ng ikalawang henerasyon, Max 2. Ang Max ay may taas na humigit-kumulang 1.5 metro at timbang na 48 kilo, may NVIDIA Jetson Thor chip, five-fingered mechanical hand, at kakayahang magpakita ng mga ekspresyon sa pamamagitan ng display sa mukha. Ang vice president ng robot product ni Meta ay nanatili sa factory ng Fourier sa Shanghai nang halos dalawang buwan at direktang nakikilahok sa pagbuo. Mas mahalaga pa ang fakto na nais ng Meta na gawing pisikal na platform ng kanilang AI Agent na Muse ang humanoid robot, upang makapasok ito sa mga tahanan at makapagpapatupad ng araw-araw na gawain. Kasalukuyang binabanggit ng Meta na ang mga robot na ito ay ginagamit lamang para sa panloob na pag-aaral, at walang plano para sa pagbebenta. Mahalaga ang pangyayaring ito. Ang mga malalaking tech company sa Amerika ay naglalagay ng malaking pondo sa AI models at software, ngunit kapag nagsisimula na sila sa paggawa ng humanoid robots, kailangan nilang pumasok sa mga pabrika sa China at magtulungan sa mga Chinese startup para sa hardware development. Lalo na sa panahon na patuloy na pinalalakas ng Amerika ang mga pagtataas sa industriya ng robotics sa China, nanatili pa rin ang Meta sa pakikipagtulungan sa Fourier Intelligence, kahit na ipinadala nito ang mga executive upang manatili sa pabrika. Ang posisyon ng Chinese robotics supply chain sa global na kompetisyon sa embodied AI ay maaaring mas mahalaga kaysa sa inaasahan ng marami.

Kumikita rin ang OpenAI ng malamig na reaksyon mula sa mga pamilihan ng kapital. Ayon sa The Wall Street Journal, ang pinakabagong pagsasalapi ng OpenAI ay orihinal na plano na mag-ani ng $30 bilyon, ngunit hanggang sa kasalukuyan, nakakuha lamang ito ng mga pagsang-ayon na halos $11 bilyon—hindi pa kahit kalahati ng layunin. Mas nakakahiya pa, ang inaasahang valuation na $1.4 trilyon ay bawasan na sa $1.25 trilyon. Dagdag pa sa The Financial Times, inilabas na bawasan na ng OpenAI ang target na pagsasalapi mula sa $30 bilyon patungo sa $20 bilyon, at handa na itong magpatuloy sa paghingi ng pondo mula sa mga pamilyang opisina at mayamang indibidwal na investor. Kakaiba, dating sinikap ng OpenAI na i-pitch ang pagsasalaping ito bilang huling pagkakataon na makapasok bago ang IPO, upang magpalikha ng FOMO sa mga investor. Ngunit ngayon, tila hindi na kayang mag-ambag nang madali ng pera ang OpenAI sa pamamagitan ng ganitong paraan. Ang pamilihan ay muling kalkulahin ang ROI ng AI. Maaari bang makasabay ang kita mula sa mga modelo sa gastos sa computing power? Kailangan ng anong laki ng kita upang suportahan ang valuation na nasa trilyon-trilyon dolyar? Ang $11 bilyon ay patuloy na isang malaking numero, ngunit para sa isang kumpanya na may valuation na higit pa sa trilyon dolyar at patuloy na nagpapalabas ng pera, ang pagkabigo sa pagsasalapi na ito ay nagpapakita ng mahalagang signal. Sapagkat kapag kahit ang OpenAI ay kailangang bumaba ng presyo para makakuha ng pondo, mas mapipili pa ang pamilihan ng kapital para sa iba pang mga kumpanya ng AI.

Hindi pa dalawang buwan ang pagkakaroon ni John Ternus bilang bagong CEO ng Apple, ngunit nagbigay na siya ng paalala sa buong industriya ng AI: Huwag gawin ang AI para lang sa AI. Sa isang panayam sa《Wired》， sinabi niya na ang Apple ay gagamit ngunit sa ideal na kaso, hindi kailangang alamin ng user kung ang isang tampok ay gumagamit ng AI o tradisyonal na software—sapat na ang pagtukoy kung ang produkto ay magaling o hindi. Hindi rin siya lubos na sumasang-ayon sa ideya na ang AI Agent ay magkakaroon ng kakayahang palitan ang mga umiiral na app, dahil naniniwala siya na ang paglikha ng produkto ay patuloy na naka-ugat sa tao. Nakakasang-ayon ako sa pananaw na ito. Ngayon, maraming tech company ang nagsisikap na ilagay ang AI sa bawat sulok ng kanilang produkto, at sa mga pagpapakita ay ipinakikita nila ang dobleng bilang ng tampok, ngunit kakaunti lang ang tunay na gamit ng mga user araw-araw. Ngunit may sariling problema rin ang Apple. Hindi pa rin nakakarehistro ang Siri, at ang pananaw ni Ternus sa produkto—ay isang malinaw na pagpapahinga o isang paraan upang magkaroon ng pahintulot sa paghahabol sa teknolohiya? Ito ay maaaring masukat lamang sa mga produkto na makakalabas niya sa susunod. May isang interesanteng detalye sa panayam: hanggang ngayon ay hindi pa nakakita si Ternus kay Trump, habang si Cook, na nagsauli na bilang CEO, ay patuloy na nagbibigay ng tulong bilang Executive Chairman sa mga patakaran at ugnayang pampulitika at pang-ekonomiya. Mukhang may pagkakahati ng mga tungkulin na naganap sa bagong at dating CEO ng Apple. Si Ternus ay responsable sa produkto, habang si Cook ay patuloy na nag-aayos ng mga problema sa Washington.