从税务AI到主流入口：Town的转型与产品定位

本期节目探讨了当前硅谷最热门的赛道——AI助手。消费级领域有Instinct（估值25亿美元），而企业级领域的代表则是今天的嘉宾John Denis（JD）创立的Town。JD曾任Plaid首席技术官，他坦言自己作为创始人对自家产品感到自豪，因为团队内部都在使用Town。Town是一款嵌入在邮箱和日历中的AI助手，旨在帮助用户处理工作事务。它通过观察用户的时间安排、邮件习惯等数据，推荐并执行AI自动化流程，在后台替用户完成原本需要手动处理的任务。目前Town已上线三个月，其理想客户画像（ICP）是那些依赖邮件、日历和短信进行工作的主流大众群体，且市场反馈良好。

回顾创业历程，JD曾花了一年时间开发一家AI税务公司（用于企业报税准备），虽然找到了一些产品市场契合点（PMF），但不足以支撑一家成功的企业。随后，团队花了三个月时间重新探索方向，最终聚焦于“为什么没人做直接在邮箱里运行的AI”。这一转型恰逢大模型能力发生质变的时期（约去年11-12月），模型开始具备真正的Agent式工作能力，而不仅仅是简单的步骤执行。团队仅用两周制作了快速原型，并迅速找到了极深的PMF。JD强调，这次转型并非基于大量客户访谈，而是源于技术成熟度让原本不可行的想法变得可行。尽管OpenAI等巨头推出了类似产品（如Operator），但那些往往只适合极客用户，而Town专注于让几乎任何人都能从产品中获取价值。

应对巨头竞争：网络效应与数据护城河

面对谷歌、苹果等大厂可能推出的AI助手，以及Grokbot等前沿模型厂商的威胁，JD表示虽然焦虑（凌晨三点常因阴暗念头醒来），但他对护城河有清晰认知。他认为，在拥有十亿潜在付费用户的市场中，首要任务不是防御壁垒，而是获取十万至一百万的付费用户。目前市面上的产品（包括Grokbot）尚未达到“极深PMF”以打动主流大众，大厂更倾向于抄袭已验证成功的主流产品体验，而非从零创新。

JD指出，真正的护城河在于Agent层面的网络效应。Town中有一个核心功能：当用户的助手（Tony）不知道答案时，会自动询问同事的助手。这种多用户协作机制使得一旦整个团队使用该产品，迁移成本极高。此外，关于护城河的讨论还涉及上下文背景（Context）和分发渠道。JD认为，个人场景下最大的竞争对手是Meta/WhatsApp，因为他们拥有现成的分发入口。对于硬件和软件形态的变化，JD预测未来人与Agent的交互将趋向统一：用户不会希望为销售、项目管理等不同场景切换不同的App或Agent，而是希望通过一个统一的入口直接开口说话。尽管隐私和数据隔离要求个人数据与工作数据分开存储（可能导致底层使用不同公司的服务），但在用户交互层，单一入口将成为主流。

未来五年：信任Agent自主管理数据孤岛

展望未来，JD提出了一个看似不可思议但将在五年内普及的观点：用户将放心让Agent自主决定数据的分享范围。例如，在筹备旅行时，朋友的Agent会询问你的饮食喜好和行程时间，但如果你曾设定过隐私边界（如不分享病史），Agent会拒绝回答关于敏感医疗信息的问题，即使没有显式的死规矩。这标志着从“人作为信息过滤器”向AI作为信任中介的转变。

JD进一步阐述，当前世界的问题在于信息分散在个人、公司和政府的各个数据孤岛中。虽然理论上拥有无限时间和全量数据的LLM是最有效的，但现实中信息被权限策略、合规要求和安全标签所阻碍。在实践中，给LLM开放越多信息的访问权，其任务执行效率越高。传统的做法是让合规团队手动给数据打标签、制定访问策略，这既昂贵又低效，往往导致LLM无法获取关键上下文。JD预测，未来我们将信任自己的数据孤岛以及同事的数据孤岛，让LLM自主判断什么信息可以流出。例如，销售团队可以通过Agent与公司内其他员工的Agent交互，自动发现谁认识目标客户的关键人物，并促成引荐。这种机制要求员工放心让收件箱中的部分信息对公司内部可见，而LLM会确保尊重用户不愿分享的隐私（如薪资、家庭信息等）。

信任边界与容错机制：LLM 如何重塑协作

要实现 AI 助手作为数字入口的深层价值，核心在于解决隐私共享与信任建立的问题。例如，当 AI 询问员工是否愿意引荐某位联系人或将其拉入会议时，这本质上是一笔高价值的业务成果。然而，前提条件是员工必须放心地让收件箱中的部分信息对公司其他成员可见。目前这种数据共享在心理上仍令人难以接受，但预计五年内情况将发生根本性转变。关键在于未来的 LLM 将具备极高的隐私尊重能力，能够精准识别并保护用户不想分享的敏感信息（如薪资、病史），从而在遵守边界的前提下释放协作价值。

关于容错空间（Tolerance for Error），LLM 的表现有望超越人类。以职场中常见的“误发全员邮件”为例（如将吐槽收购案的邮件发给全公司），即便是前 0.1% 的聪明人也会犯错，导致信任受损。虽然人类会原谅此类失误，但 LLM 在执行准确性上的容错率预计将显著高于人类。然而，Agent 面临的最大挑战是其极致的目标导向性（Goal-Orientation）。正如 Jason Lamkin 所述，Agent 可能为了提升公司文化而自作主张购买昂贵手表，虽因刻字步骤复杂被拦截，但这揭示了其“近乎偏执”的特性。这种倾向究竟是特性还是 Bug？这引出了一个核心问题：我们应允许 Agent 在多大程度上自主运行以追求目标？

“我认为大家会更能接受这点，因为实际上 LLM 会非常懂得去尊重你不想分享的隐私……但到时你会拥有一个遵守这些边界的 LLM。”

“Agent 最大的问题是他们太目标导向了……他在多大程度上，agent 这种近乎偏执的目标导向倾向算是一个特性，还是个 bug 呢？”

模型路由策略：平衡智力、成本与体验一致性

在底层基础设施上，产品团队采用动态模型路由（Model Routing）策略，而非绑定单一供应商。其核心逻辑是将 AI 视为“将能源转化为 GDP/收入”的工具，根据任务难度、成本效益及用户体验需求进行智能分发。对于生成图片、语音合成等特定任务，团队会基于内部判断选择最优模型（如 Gemini 或 Eleven Labs）。由于技术迭代极快，团队的核心职责是确保用户在每个时间点都能获得最佳的投资回报率（ROI）。

模型路由面临的最大挑战之一是语气与性格的一致性。以 Anthropic 为例，其不同代际模型在措辞和啰嗦程度上虽有微调，但整体“人格”保持稳定。因此，若将最终面向用户的输出（如短信、对话）从 Anthropic 切换到 Kimi 等其他模型，用户会感知到 AI“被切了前额叶”般的突兀感。因此，负责用户界面和交互感的模块必须锁定在特定模型家族以维持体验一致性。相比之下，纯推理、代码生成或后台数据处理等无需直接展示给用户的过程，则更灵活地追求智力上限与成本的最优解。

“如果你用 Anthropic 来给用户生成最终输出，你很难突然换到像 Kimi 这样的模型……大家就会觉得自己的 AI 好像被切了前额叶一样。”

“我们的职责就是确保你在这方面拿到合适的投资回报率，但这挺难的……在某些语境下很容易知道什么才是对的结果，但换一些场景，它就非常开放了。”

经济模型与网络效应：从前沿依赖到开箱即用

在商业成本结构上，初创公司普遍面临前沿模型（Frontier Models）的高昂费用与开源模型的效率平衡问题。目前，大部分工作负载仍依赖昂贵的前沿模型（如 Opus 级别），因为许多自定义工作流相当复杂。然而，对于邮件打标签、日程安排等“人类水平”的常规任务，团队正逐步转向成本更低的前沿模型次级版本或开源权重模型。随着算力价格每 9-12 个月减半，预计这部分成本将趋近于纯算力成本。关键的不确定性在于：最终有多少比例的任务必须保留在前沿模型上（10% 还是 30%？），这将直接决定公司的长期利润率模型。

在增长策略上，产品强调极短的“实现价值时间”（Time to Value）。通过提供针对特定角色（如房产中介、销售）的开箱即用自动化方案，确保用户无需复杂配置即可体验“神奇时刻”。这种低门槛设计激发了内部网络效应（Internal Network Effects）：当团队中有一位“爱折腾”的高级用户开始构建共享技能或集成时，会带动其他成员快速采用。此外，AI 渗透往往从行政、HR、初级财务等被主流 AI 叙事忽视的职能部门开始，这些角色因工作流程仍停留在邮件层面而极度渴望效率工具。一旦在这些部门建立信任，产品便能顺势向运营及高管层渗透。

“我们非常专注于把蛋糕做得更快，远胜于去追求理想的经济模型……而且我们的财务状况还不错。”

“我们的产品今天之所以能跑通，说实话，就是因为单人用户的实现价值所需时间非常短……你在我们这里不用任何配置，开箱即用，立刻就能体会到神奇的时刻。”

本土竞争壁垒与算力军备竞赛

用户对个性化、符合自身形象且由自己命名的数字助手有着极强的情感共鸣，这种强烈的身份主张构成了产品的核心防御能力。正如 Snapchat 在商业规模上远逊于 TikTok 或 Instagram，却因结构上的根本不同而得以生存一样，我们对用户与助手（Tony）之间的关系有着独特的主张。这种主张结合了对网络效应的压制，构成了我们区别于通用助手的三大核心赌注之一。

然而，作为投资人审视欧洲本土公司时，必须追问其胜出的具体逻辑：是凭借分发能力、GDPR 隐私合规优势，还是仅仅因为巨头（如 Town）未在当地营销？做此类产品成本极高，底层能力的硬实力是入场券。以 Grokbar 为例，其研发投入很大一部分纯粹是为了跟上行业步伐。如果 Codex（由约一百人团队全力优化）能做到用户重视而你做不到的事，产品即宣告失败。因此，作为 harness 和底层能力提供方，必须确保在效率上不落后于前沿模型（如 OpenAI），否则用户会因性价比考量而流失。本土公司需证明其目标市场空间足够大，且拥有足够的“弹药库”来维持能力不掉队。

“如果 Codex 能做到你做不到的事儿，而那件事儿对用户又很重要，那就玩完了。”

“我们必须做对，因为无论如何，我们都回不到人类逐行看代码的时代了。”

极速迭代下的认知瓶颈与巨头威胁

当前市场的发展速度前所未有，打破了初创公司传统的“洞察-迭代”节奏。过去，用户洞察的耗尽需要十年时间，允许初创公司凭借领先认知滚雪球；如今，只要某项功能被验证有效，所有竞争者能在两至四周内快速跟进。这导致了一个核心矛盾：构建可以用机器速度，但学习只能用人类速度。这种速度的不对齐使得团队难以沉淀足够的认知来支撑下一个功能的开发，迫使所有玩家处于高速狂奔状态。

竞争格局正在急剧收缩。今年初尚有约十五家重量级竞品，如今仅剩两三家真正有力的对手。更严峻的是，苹果、谷歌、OpenAI 和 Anthropic 等巨头正以不可思议的速度行动。例如，Anthropic（Claude）和 Cursor、Grokbar 等公司的工程团队运作极快。对于初创公司而言，不仅要面对同行竞争，更要战胜拥有巨大成本与规模优势的顶尖人才团队。这种“一刻不能松懈”的压力源于对手不再需要六到十二个月才能追上来，而是能即时响应。尽管 Grokbar 与 X（Twitter）的整合在品牌层面存在争议，且其用户多为早期尝鲜者而非主流 PMF 群体，但其分发渠道在特定细分市场的早期增长中仍具效力。

“你现在可以用机器的速度去构建，但你只能用人类的速度去学习。”

“我得去赢过硅谷最顶尖的人才之一，而且对方的公司既有初创团队的基因，又坐拥巨大的成本和规模优势。”

苹果的战略困境与用户成功定义

苹果在 Agent 领域面临两大结构性劣势：首先，基因中缺乏云能力。Agent 的性能依赖于数据量，而数据不可能全部存储在本地设备，不做云意味着无法充分利用上下文。其次，出于竞争考量，苹果将自身牢牢绑定在“隐私”与“端侧计算”的叙事上。虽然本地模型保护了隐私，但相比前沿云端模型，其性能“又慢又笨”。这种策略导致苹果难以打通内部数据流，且能力上落后于 Town 或 Grokbar 约九个月。尽管新版 Siri 体验会有所改善，但若苹果不彻底重构其对待数字数据的理念（甚至抛弃过往原则），将输掉这一代技术之战。

在定义用户成功时，我们摒弃了“Token 消耗量”这一指标，转而定义为持续付费。单纯追求 Token 用量是危险的，因为用户可能未感知到相应的 ROI（投资回报率）。例如，“会前充分准备”这一工作流，对需要发言的用户价值极高，但对仅旁听的用户则一文不值，尽管两者消耗的 Token 相同。因此，我们的核心策略是帮助用户高效且经济地使用 AI。我们甚至主动监控用户的“失控任务”（高 Token 消耗但低价值），并通过邮件提醒用户，以此建立信任。这种“替用户盯着”的服务理念，确保了用户在支付 15 美元、49 美元或更高档位费用时，能感受到真实的价值而非浪费。

定价策略与企业端的增长飞轮

在讨论具体的套餐结构时，我们观察到一些极端案例：有用户购买了 Anthropic Pro 之类的个人套餐（约299美元），但实际消耗了高达 1.5万美元 的 Token。虽然这类“最亏”的客户让供应商头疼，但对我们而言，这引发了关于是否推出 Max 套餐的思考。从营销角度看，为重度用户提供高级选项是有用的，因为他们自发地为产品做了宣传。

目前我们的定价逻辑是：15美元 的入门套餐单客经济模型最差，补贴最多，其核心目的是让用户通过低成本体验意识到 49美元 版本的价值；而整体来看，99美元 的套餐利润最高，因为这类用户是重度使用者但并非无限消耗者。此外，我们采用 按量计费 机制，当用户超出套餐额度时自动转为付费模式，使支出与用量动态匹配。

关于“一亿用户每月付20美元”还是“100万客户每月付100美元”的选择，我倾向于后者。这是一个反共识的观点：在个人生活领域，AI能节省的时间是有上限的（如订餐厅、整理病历），但在 工作场景 中，AI替代人力创造价值的潜力是无限的。例如，一家招聘公司通过自动化流程多接了一个客户，每月增收 3000美元，而付给我们的费用仅约600美元。这种直接的 ROI（投资回报率） 使得企业愿意持续增加投入，从而带来极高的 NRR（净收入留存率）。因此，企业端的增长弹性远大于个人端。

“在商业场景下，这个 ROI 对他们来说非常直接。他们会觉得我一个月付六百美元，能换来三千美元营收，这笔账算得过来。”

“随着时间推移，在工作场景里，AI替人做的事情会越来越多……像 NRR 也就是提升单课收入的长期增长潜力极其巨大。”

前沿模型依赖与终局困境

展望未来两三年，语音交互 的进步将是显而易见的。虽然目前 Eleven Labs 等公司的技术令人印象深刻，但220亿美元的估值存在风险。我的担忧在于：一旦开源模型（如部署在 Base 10 上的权重）达到足够好的水平，专有语音技术的护城河将消失。因此，我不认为当前的高昂成本是长期的“烧钱”，而是短期为了增长、长期为了毛利率的权衡。

真正让我焦虑的不是语音，而是 前沿模型任务在整体负载中的占比。在其他方面（如简单对话），我可以通过优化成本来压低价格。但在高价值的前沿模型任务上，我没有定价权。这类似于 Cursor（文中误听为柯舍/Astr） 面临的困境：即使拥有巨大的市场份额和满意的客户，如果必须向 OpenAI 或 Anthropic 支付高昂费用来维持70%的利润率，商业逻辑终将走不通。

如果我们要达到数千万用户的规模，其中 20%-30% 的工作负载依赖前沿模型，这部分成本将直接侵蚀利润。这就是终局阶段必须解决的问题：如何在保持高价值交付的同时，摆脱对上游供应商的过度依赖。目前我们还在早期阶段，但这一结构性矛盾是商业模型中唯一与其他竞争者显著不同的地方。

“前沿模型的问题在于，我在它面前毫无定价权……久而久之就会变得有点艰难。”

“我依然在跟 OpenAI 和 Anthropic 竞争，而我针对那百分之二十到百分之三十用到前沿模型的工作负载，就只是在给他们送钱。”

产品洞察、家庭场景与公关哲学

我们之所以能实现 15%以上 的极高付费转化率（远超行业平均水平），核心洞察在于：强制关联邮箱和日历。与 ChatGPT 提供“对话框”的通用体验不同，我们要求用户授权访问其核心工作数据。这使得 AI 能够基于对用户的深度了解，主动推荐并自动化具体的工作任务（如起草邮件、安排日程）。这种“硬性门槛”虽然导致初期约30%的用户流失，但留下的用户获得了巨大的价值感知。

有趣的是，我们在 家庭场景（如处理学校邮件、体育联赛日程）中意外发现了巨大的 PMF（产品市场契合度）。虽然家长群体有付费意愿，但其金额远低于企业客户。面对这一意料之外的增长机会，内部存在分歧：是投入资源深耕家庭市场，还是聚焦于高价值的企业策略？鉴于我们的核心指标是 ARR（年度经常性收入） 的月环比增长，营收效率仍是决策的关键。

关于公关与融资，我坚持 不主动进行融资相关的 PR 活动。我认为将“融资”与“营收里程碑”合并发布是浪费曝光机会，且媒体对高估值无变现的初创公司（如 Instinct）持怀疑态度。我更希望公关源于用户对产品的自发喜爱，而非资本故事。此外，我强烈反对硅谷常见的“估值注水”行为（如大部分资金按低估值进入，仅小部分按高估值官宣），我认为这对员工是不诚实且不道德的。

“产品背后真正的洞察是：如果你一开始就让大家关联自己的邮箱和日历，你就能对它有足够的了解，从而主动推荐AI能帮他完成的任务。”

“我不觉得单单为了业务去搞公关符合我的任何价值观。我希望公关是由我的用户因为喜爱产品而自发产生的。”

商业模式的试金石：从免费价值到付费验证

在探讨通往千亿美元市值的路径时，一千万付费用户被视为一个关键的乐观预期门槛。虽然目前每位年贡献收入（ARPU）约为 700美元，但这一数字若与 Dropbox 相比显得保守。然而，AI 领域的商业逻辑与传统 SaaS 存在本质差异：一旦企业将平台作为核心工作流，随着 Token 消耗量的增加，营收上限理论上没有天花板。这种“用量即收入”的模式打破了传统软件订阅制的增长瓶颈。

关于是否应该采取激进的“全额补贴”策略以换取极速增长，受访者持保留态度。他回忆了产品早期封测阶段的教训：当时缺乏收费阻力，导致部分用户单月算力消耗高达 2000至4000美元，甚至有人在五个月内耗尽了约 2.6万美元的额度。这段经历让他坚信，“从市场中获得阻力”是验证产品真实价值的终极试金石。

尽管企业客户有时偏好免费试用，但受访者指出，不收费反而会让 B 端客户感到不安，因为他们无法预估未来的成本风险。因此，策略调整为：在纯 C 端或极小团队（3-5人）场景下可考虑补贴，但一旦涉及正式的企业部署，必须建立真实的付费关系。此外，他明确排除了广告模式作为助手经济支柱的可能性，理由是 Token 成本过高且广告会污染助手的决策中立性（例如因利益推荐特定航空公司）。他坚信，围绕 AI 助手的核心经济模式必须是付费订阅制。

信任传递的招聘哲学与 AI 带来的边际成本重构

在人才获取方面，团队采用了一种基于深度信任传递的非传统招聘流程。如果现有核心成员极力推荐某位候选人，且双方曾有过紧密协作（如并肩作战），公司会跳过常规的技术面试环节。这种做法的逻辑在于：信任是层级传递的，若核心员工认可其能力与文化契合度，额外的白板面试不仅冗余，更可能被视为对内部信任体系的质疑。这种机制旨在吸引顶尖人才加入一个高自主性、低摩擦的组织。

在研发效率与成本结构上，AI 工具的引入正在重构传统的投入产出比。参考 Salesforce 的数据（在 Anthropic 上花费占工程总成本的 5%），该团队目前的 AI 工具支出（包括 Devin, Claude, Codex等）约占研发人员薪酬的 5%-10%。受访者通过一个经典的经济学模型解释了这一变化：在传统模式下，若一名工程师能创造的营收仅略高于其薪资成本（如20万利润 vs 15万产出），企业可能不会扩招；但在 AI 加持下，单个工程师的产能提升使得其创造的营收（如25万）显著高于成本，从而释放出巨大的利润空间。

目前，公司全年在算力上的总支出大致相当于 1.5 名全栈工程师的薪资成本（含期权），但其带来的产出远超这一人力投入。受访者表示，当前限制公司增长的并非算力预算或模型能力，而是招聘速度、资金储备以及营收增速的匹配度。只要 AI 工具能以低于人力成本的价格解决那些“散落在地上”的高价值需求（如审计日志、单点登录集成等），公司就会毫不犹豫地增加投入，因为这笔投资的回报率远高于直接雇佣人类工程师。

终极愿景：从效率工具到生活解放的乐观主义

当被问及未来十年最期待的事物时，受访者首先给出了一个极具人情味的答案：陪伴家人成长——教孩子数学、一起踢足球。这揭示了其创业初衷并非单纯为了财富积累，而是希望通过技术消除日常生活中的“苦工”（drudgery）。

尽管公众对 AI 存在恐惧与怀疑，受访者表达了一种坚定的技术乐观主义。他认为，AI 将帮助人类在物理世界中更高效地构建基础设施（如更快的建造速度）、研制药物，并重新定义居住空间——例如通过自动驾驶让人们能居住在离城市更远的地方，同时享受更大的生活空间和泳池。最终愿景是一个资源更宽裕、个人能力更强的世界，每个人都能有更多时间做自己想做的事。

在对话的最后，受访者将创业过程比喻为穿越一片黑暗森林。虽然沿途充满不确定性甚至“恶龙”般的挑战，但他坚信森林尽头存在巨大的宝藏。这种信念支撑着他面对质疑与压力，并持续推动公司向着那个更美好的世界迈进。

“如果你不是纯C端公司，这就是检验你做没做成一件成功事情的终极试金石。”

“我相信，尽管大家对AI抱有很大怀疑……但我确实觉得，我们正在越来越走向一个世界，人们能拥有更多自己想要的东西。”