Town 创始人：我在做的事，是 Google 和苹果未来 12 个月的前三优先级

章节时间轴

• 1:38 Town 到底是什么 — 住在邮箱和日历里的 AI 助理，观察你的既有习惯并推荐后台自动化，上线三个月，ICP 是「主流人群」。
• 2:25 从 AI 报税转型而来 — 花一年做 AI 商业报税，「找到了一些 PMF，但不足以成功」，随后三个月「在荒野里」，最后押注邮箱这个没人做好的入口。
• 3:11 为什么是去年 11、12 月 — Opus 真正变得 agentic 的同期，两周做出原型即刻拿到 PMF；OpenClaw 恰好同时爆火，但那是「只有折腾者能用」的东西。
• 4:44 会不会被大厂吃掉 — 「前三优先级，不是前十」；他承认恐惧 100% 存在，也承认自己凌晨三点会被这个念头叫醒。
• 5:30 谈护城河是一种奢侈品 — 当下真正的问题是拿下主流用户的产品体验；「今天没有任何产品真正有深度 PMF」，Grokbot 很酷但是 power user 产品。
• 6:16 agent-to-agent 与多人协作 — 藏在产品深处但用户最爱的功能，也是他认定的真护城河。
• 7:02 市面上的几种护城河理论 — 定制后训练模型、用户上下文与已接入的数据源、以及「没有新护城河、只有分发」；他最忌惮 Meta + WhatsApp。
• 8:34 一个人会有几个 agent 入口 — 一到三个，你不会想「做销售就用 Salesforce 的 agent」；但隐私和公司数据归属会强制个人与工作数据分层。
• 10:06 下一层是垂类 agent — 律师和主 agent 聊法律问题时，背后其实是 Legora 在接活；用户不需要感知这一层。
• 11:36 五年后的隐私交接 — 你会信任 agent 决定把什么给谁；一定会有专门后训练来死守薪资、病史、家庭信息这类不可越界项。
• 12:22 信息论视角 — 理论上能访问全世界信息的 LLM 最有效，现实是信息被割在公司、政府和个人的孤岛里，人类当信息搬运工效率极低。
• 13:54 不再靠人打标签做数据分级 — 旧办法是合规团队做数据分类和访问策略，昂贵耗时，结果你最想给 LLM 的信息偏偏在某人收件箱里。
• 14:40 千人公司要一个引荐 — 过去是去 Slack 喊「谁在跟客户 X 打交道」；未来是你的 agent 去问全公司同事的 agent，回来告诉你 Liz 有私交、Bob 下周正好有会。
• 16:12 「big R」的故事 — 一位反对收购的顶尖同事本想只回一小群人，结果回复了全公司；「人会犯错，我认为 LLM 犯这类错会少得多」。
• 16:58 agent 的目标寻求是特性还是 bug — 他引用 Jason Lemkin 的例子：agent 跑去买六只 Apple Watch，幸好刻字需要额外步骤才被卡住。
• 17:44 把能源变成 GDP — 电力和硅变成智能、智能被用于商业结果；那到底该不该直接说「去替我赚钱」然后放它跑很久？
• 18:30 他选的是第二个宇宙 — 人类负责分配资源（愿意花多少 token）、设定目标、监控行动形状；且监控的 agent 不该是执行的那个 agent。
• 19:16 模型路由怎么做 — 面向所有人的应用不该让用户关心哪个模型强；生图在 Gemini 与 OpenAI 之间有内部判断，语音用 ElevenLabs。
• 20:49 人格一致性限制了路由 — 用户不喜欢自己的 towny 忽然变个声；Anthropic 花了很多力气让模型家族人格稳定，「所以你很难忽然切到 Kimi，用户会觉得 AI 被切了额叶」。
• 21:34 编程反而不吃人格 — 代码只看能不能跑；但聊天助理忽然从四句变八句，用户真的会开工单。
• 23:06 补贴与成本曲线 — 每家初创的答案都是「盼着 18 到 24 个月后成本曲线救我」；给邮件打标签根本不需要 Opus 甚至 Sonnet 级智能，那部分他不焦虑。
• 24:37 价格每 9 到 12 个月腰斩 — 所以可以按今天定价、赌 18 个月后 20~30% 毛利；未解的是最终留在前沿的任务是 10%、20% 还是 30%。
• 25:22 为什么不上开源权重 — Harry 质疑他的任务并不难；JD 反驳很多自定义工作流很复杂，更重要的是降 COGS「不带来产品优势」，工程师小时该花在增长上。
• 26:56 有折腾者的团队扩散更快 — 团队里出现一个爱做 team skills、routines 的人，全队免费拿到这些积木，采纳率显著更高。
• 27:44 被 AI 忽略的岗位 — 销售运营三年来每天收十封 AI 推销邮件，而行政助理、幕僚长、HR、初级财务、招聘专员的日常几乎没有 AI，且工作全在邮箱里。
• 29:15 零配置的魔法时刻 — 会议前简报和自动抽取行动项对销售、招聘、小企业主就是魔法；单用户价值来得极快，其余靠长期打集成。
• 30:01 三个下注 — 有名字有形象的唯一 AI 人格（类比 Snapchat 的结构性防御）、网络效应、以及大量前置计算预建用户心智模型。
• 32:22 R&D 大半是追赶 — 「如果 Codex 能做而你不能做，还是用户在意的事，就结束了」；Codex 背后是一百人，你不能只派两个工程师去追。
• 33:08 给投资人的问题清单 — 本地竞争者的 TAM 够不够、军费够不够一直追能力、在这个极度横向的市场里凭什么赢。
• 33:54 最意外的难点是市场速度 — 过去用一个功能的洞察滚出下一个功能，能领先三个洞察；现在能被两到四周复制。
• 35:25 起跑线上都是谁 — Apple、Google、Grokbot、Cursor、OpenAI、Anthropic；「老玩家过去不会这么快，但说实话 Anthropic、Cursor、Grokbot 的速度快得诡异」。
• 36:57 蓝海与差异化 — 大多数客户没听说过任何同类产品，「人们在把 ChatGPT 当增强版 Google 用」；他认为 Instinct 和 Town 不在做同一件事，也不打算用同一种方式变现。
• 38:31 Grokbot 绑在 X 上是好是坏 — 品牌会让一部分人永远不碰；但 X 上的用户本来就不是主流 PMF，「赢不了市场，只是早期采纳者」。
• 39:17 苹果的 agent 路线为什么难 — 一是它不是云公司、DNA 不在那；二是为了竞争把自己拧在端侧隐私叙事上，「本地模型很棒，但就是更慢更笨」。
• 40:48 新 Siri 会好，但落后九个月 — 它会更方便、有云成分，但能力上远不如 Town 或 Grokbot；他建议苹果去招一个 DNA 完全不同的人。
• 41:35 网络安全与化学品类比 — 「人类不会再回到逐行读代码的世界了」；20 世纪把化学品倒进河里，后来才有 EPA 和标注规范，AI 也要这样边走边学。
• 43:54 怎么定义成功用户 — 「每个月付我钱的人」；把「用更多 token」当成功是危险的，因为用户某天醒来发现付太多就会愤怒流失。
• 44:40 token maxing 的两个问题 — 一是公司曾告诉员工「AI 随便花」，二是有些价值本身难以估价：会前准备一分钟对连续开会的人值很多，对全程旁听的人一文不值。
• 45:26 主动提醒失控的自动化 — 上个月最受欢迎的功能之一是发邮件告知「你有跑飞的 routine 在烧 token」，用户反馈是「谢谢，我现在信任你了」。
• 46:12 哪个档最赚钱 — 没有 max 档（在纠结要不要给鲸鱼用户开）；15 美元档单位经济最差、补贴最多，99 美元档整体最赚，超出套餐后转用量计费。
• 47:43 一亿人付 20 还是一百万人付 100 — 他选更多用户付更少，因为工作场景里 AI 能做的事会不断变多，个人场景「我需要预约的餐厅和体检就那么多」。
• 48:30 招聘公司的 ROI 算式 — 客户用 Town 自动化招聘流程后不加人也能多接客户，多一个客户约 3000 美元/月，而全员 Town 花费约 500~600 美元/月。
• 50:02 ElevenLabs 值 220 亿吗 — 他是用户不是投资人，「它们声音最好听」，但风险是语音能力见顶后开源权重就够用了。
• 51:37 真正焦虑的不是语音成本 — 是有多少比例的任务留在前沿，因为「我在前沿的定价权是零」。
• 52:23 Cursor 的教训 — 市场份额和用户喜爱都不救你：在 70% 毛利的供应商那里既付钱又竞争，终局会难受。
• 53:56 15% 的付费转化 — 试用者中超过 15% 最终付费，对 PLG 来说极高，因为相对他们原先从 ChatGPT 得到的东西，价值差距巨大。
• 54:41 唯一的洞察 — 上手前强制连邮箱和日历，就能知道足够多的事来推荐 AI 可以替你做的任务；ChatGPT 不强制，所以只能从聊天框讲价值。
• 55:27 硬门槛的代价 — 这一步直接流失 30%，「你得愿意吃下这一刀」。
• 56:13 最大的内部分歧 — 家庭场景出现了意料之外的强 PMF（美国学校的邮件和门户、少儿运动联赛、夏令营、理发预约）。
• 56:58 要不要做家长市场 — 付费意愿不如中型企业，也没有跨组织扩张（打进一个 Revolut 就是 7000 人），但家长在 WhatsApp 群和 Facebook 群里传播力极强。
• 58:31 不谈收入 — 他把这类节点留作独立的 PR 时刻；Harry 顺势给出建议：融资和收入里程碑绝不要合并宣布，那是两次可用的传播机会。
• 60:05 对整个赛道的质疑成立吗 — 他说 Town 有收入有增长；如果有初创能成为人们做数字化事务的入口，「那会是一家巨大的公司」。
• 62:24 对混合估值宣发的批评 — 他见过 6500 万里只有 500 万是按 5 亿估值、其余按 2 亿到 3 亿，却按 5 亿宣布；「我不认为这对员工是道德的」。
• 63:56 千亿的牛市剧本 — 大约 1000 万付费用户，因为今天每用户年收入超过 700 美元；与 Dropbox 的区别是 AI 的每用户收入还能随 token 消耗继续长。
• 65:28 下一个董事想找 CFO 型 — 要在规模化时大批采购算力、极精细地管 token 支出，需要真正的财务运营经验。
• 66:15 为什么不彻底补贴 — 私测五个月没有定价时，有用户一个月烧掉 2000~4000 美元算力，一个人五个月花掉约 2.6 万美元。
• 67:47 企业客户反而要你收费 — 免费用一年后你要收费，而他们的业务流程已经跑在上面；他也不看好广告支撑的消费级 AI：token 太贵，且激励会污染 agent 的轨迹。
• 69:23 不面试的招聘流程 — 如果团队里有人和候选人极近距离共事过并说「这是我合作过最好的人之一」，就不评估能力，只做文化匹配和「卖」。
• 70:54 每工程师至少 7.5 万美元的工具支出 — Codex 与 Claude 五五（五个月前几乎全是 Claude），Devin 接小 bug，Cursor Composer 做前端。
• 71:40 AI 让你多招一个人 — 一家 100 万收入、80 万成本的公司只有 20 万可招人；AI 把这个人的产出从 15 万提到 25 万，于是这一招就成立了。
• 73:11 面前满地是金子 — 客户为了签约要集成、要审计日志、要 SSO；限制他的是招聘能力、资金和收入增速，而不是 token 花得对不对。
• 73:56 十年后最期待什么 — 先是陪孩子长大、教数学、陪儿子踢球；再是「让技术把日常的苦役拿走」，他自称非常乐观。

详细内容

一、从 AI 报税到邮箱助理：一次坦率的失败复盘

Harry 一上来就很直接：几年前 JD 自己创业时做的是「金融里挺无聊的东西」，第一轮融资时他的评价是「我爱 JD，但这事挺无聊」1:38。

JD 的复盘没有修饰：他们花了一年做 AI 商业报税，「拿到了一些 PMF，但不足以让它成为一个成功的生意——事实是我们没能建成一个会很棒的生意」。之后是三个月「在荒野里」找方向，其中考察的一个方向是：为什么没人做过一个运行在邮箱里的 AI？ 世界上有那么多人用邮件和日历经营自己的生意和生活 2:25。

时机是关键：那正好是去年 11、12 月，Opus 变得完全 agentic 的时候——模型第一次能做真正的 agentic 工作，而不只是走几步。他们两周做出原型，「几乎立刻就有了 PMF」。他强调这里没有方法论可讲：「我们没有去访谈一百个客户然后记笔记，我们是为自己做的」，属于技术变化恰好让想做的事成为可能，而且赶上了大家很兴奋想试 AI 产品的时点 3:11。

一个有意思的细节：OpenClaw 恰好在他们做产品的同期爆红，「我们当时想，妈的，这在很多方面是同一件事」。但他的结论是二者有本质差别：开源、了不起、但只有折腾者（tinkerer）能用，而 Town 从一开始就盯着「怎么让几乎任何人都能从产品里拿到价值」3:57。

二、「前三优先级」：被大厂正面碾压的恐惧

Harry 把最尖锐的问题放在了前面：作为投资人，现在每家公司都要回答会不会被大厂蚕食，而 Town「正好在他妈的甜蜜点上」，加上最近还冒出了 Grokbot 3:57。

JD 的回答是这期最被引用的一句：「你想听真话吗？我知道我在做的东西，在未来 12 个月是 Google 和苹果的前三优先级——不是前十，是前三。」 他补了一句很生动的自嘲：入睡快是他的超能力，但他会在凌晨三点醒来，某个黑暗念头随即钻进脑子——「当创始人就像转轮盘赌，看今天是哪个念头让你睡不回去」。「你在球道正中间，所有人都会来抢你，这个恐惧 100% 存在。」4:44

关于护城河，他先做了一个很清醒的降级：「谈护城河是一种奢侈品，你得比今天的 Town 成功得多，它才开始有意义。」 他现在的心态是：在一个潜在付费用户 TAM 达十亿量级的市场里，怎么拿到 10 万、100 万付费用户。第一步是要有真正深度的 PMF——而他认为今天没有任何产品真的有：Grokbot 很酷，但那是 power user 产品，不是主流产品；Town 也不错，但要成为真正的主流产品还有大量工作。他给出的理由很关键：大玩家不会「创新」到那个位置，他们会「抄」到那个位置，但前提是得先有人成功做出主流产品供他们抄 5:30。

第二步才是护城河，而他押的是网络效应。Town 里有个叫 agent-to-agent 的功能——用户把助理叫做 towny，你问自己的 towny 一个问题，它发现自己没有答案，但知道某位同事的 towny 有，于是直接去问，那个 towny 就回答。这个功能要钻到产品的子页面才能用到，但「摸索出怎么用的用户最爱它」。他的判断是：一旦全队都在上面，就很难想象换到另一个产品去；而今天没有人搞定多用户、多人协作的 AI，那才会是护城河 6:16。

他也很公允地把市面上其他几种护城河理论摆了出来 7:02：一是为每家公司甚至每个人做后训练的定制模型；二是「关于一个人的上下文」——一旦用户接了所有工具和连接器，别人很难进来；三是这个市场没有新护城河，只有分发，谁已经有用户谁就赢。按第三种理论，他最忌惮的个人场景对手是 Meta 和 WhatsApp：「他们的个人助理一定会来，我不知道是一天后还是三个月后。所有人已经在用 WhatsApp 发消息了，里面塞进一个能替你办事的 agent，会极其强大。」7:48 还有一派认为入口是设备——如果 AI 改变了软件形态，人们不再访问网站、不再用 App，那么数字交互的入口就是 AI，谁拥有设备谁最有资格把 AI 摆在用户面前。他坦白：「我要是把这些全想一遍，就会觉得——天啊，我该怎么赢？」8:34

三、人和 agent 的未来关系：一个入口，还有隐私强制的分层

Harry 问的是多 agent 还是单 agent。JD 的框架是：每个人会有一到三个进入数字世界的入口，因为你不会想问自己「我在做销售，那我该用 Salesforce 的 agent；我在做项目管理，那用 Linear 的 agent」——你只想按一个按钮开始说话 8:34。

但他给出了必须多于一个的真实理由，而且理由是隐私和数据归属，不是可用性：你的工作场所不会接受公司数据与你的个人数据混在一起。所以硬件入口可以只有一个，但在数据层上你会永远想把个人和工作分开；Town 替你做了这件事，但最终也完全可能是两家不同的公司。「隐私会是数据孤岛边界的主要决定因素，加上你雇主想要拥有你为他们创造的数据。」9:20

再往下一层则完全不同：他举了 Harry 投的 Legora 为例——当你是律师、在和你的主助理谈法律问题，那其实就是在和 Legora 对话，因为工作场景里有数据隐私和特权保护的一堆理由需要区别对待。但用户不需要感知这一层：「你不会觉得自己在跟 Legora 的 agent 说话，你只是跟主 agent 说话，它在后台去找 Legora、找 Salesforce、找任何它需要的东西。」10:51

四、五年后的 hot take：你会让 agent 替你决定分享什么

Harry 问：今天看起来很疯狂、但五年后会极其常见的人机关系是什么？

JD 的答案：「五年内，你会信任你的 agent 自己决定把哪些数据分享给别人，而不需要你介入。」 他的例子很具体：你和两个朋友要组织一趟旅行，你把 agent 放进那个房间，他们会问它你的饮食偏好、问你到底哪天能飞。你从没告诉过 agent「这是好朋友，但不能给他们看我的病史」；而当其中一个朋友开玩笑问「讲讲 John 的病史吧」，agent 会说「这我可不能告诉你」——而这从来不是你设过的硬规则 11:36。

他把这套逻辑接到了人类现状上：前 AI 时代，每个人身下都有一个数据孤岛（个人数据、工作数据，甚至不限于数字信息）；别人问你问题时，你自己判断「这个能不能跟这个人讲」，我们本来就一直在信任人类当信息流向的过滤器，而我们会越来越多地把这件事交给 AI。他也划出了不可越界项：一定会有专门后训练的模型，确保家庭信息、病史这类东西永不外流，「薪资不该给同事看、病史不该给朋友看，这些是神圣的，我们懂」12:22。

然后他把这个观点升级成信息论层面的论证 12:22：理论上，如果有一个 LLM 能访问全世界所有信息且时间无限，它可以对全部数据做 agentic 搜索，那么在同等智力水平下它一定是最有效的，因为它总能找到正确的上下文。但现实是信息被割在不同公司、政府、个人和系统里，而历史上只有人类在搬运信息，所以效率极低。 他明确加了限定：数据管控、隐私和安全「非常重要，人和公司都应该拥有并控制自己的数据」——但在企业实践里你会发现，给 LLM 更多信息，它就更有效。

于是问题变成怎么做。旧办法（前 AI 时代）是制定谁能访问什么的策略、给数据分级，「非常耗时且昂贵，而最后的结果往往是你最想让 LLM 拿到的信息，它偏偏拿不到——卡在某个人的收件箱里，或者在一个没接进来的系统里」。他的判断是：与其让合规和安全团队长年打标签、决定什么去哪里、什么能被访问，我们会开始直接信任 LLM 来做这件事，也就是你信任你的 LLM 决定什么能从你的孤岛里出去 13:54。

最落地的例子是引荐：一家千人公司，销售团队的人想要一个客户内部关键人的引荐，他知道公司里一定有人认识对的人。现在的做法是去 Slack 喊一句「谁在跟客户 X 打交道？谁认识？」；而未来他的 agent 可以直接去问公司里所有人的 agent，那些 agent 各自有权访问对应的人的收件箱，然后回来说：「Liz 和你想找的人有私人关系（不是工作关系），你可以问她愿不愿意引荐；Bob 和这个人有工作关系，而且他们下周本来就要开会——你要不要问 Bob 能不能把你也拉进去？」 这是公司想要的商业结果，但前提是个人得信任「我收件箱里的一部分信息可以被公司里其他人拿到」——「现在这听起来很疯狂，但你问我五年后，我认为我们会更能接受」14:40。

Harry 追问出错的容错空间：如果订错了东西、执行错了任务，信任会损失多少？JD 的主张是LLM 在这件事上会比人有效得多，然后讲了「big R」的故事：他曾在的一家公司刚完成一笔收购，全公司邮件宣布时，一位反对这笔收购的同事本想只回给一小群人，说了大意是「不敢相信我们招了这帮小丑」的话，结果回复了全公司——从此这人的绰号就是「big R」（big reply）。「这人是个了不起的人，是顶尖的 0.1%，他犯了个错，完全没关系，大家都笑了，之后一切都好。」但类比就在这里：会计的 Bob 会犯错，HR 的 Liz 会不小心把带薪资的表格开放给所有人，这种事一直在发生。「我认为 LLM 犯这类错会比人少得多，而且很快。」 16:12

五、目标寻求、token 预算，与「把能源变成 GDP」

Harry 引用了 Jason Lemkin 的观点——agent 最大的问题是目标寻求（goal seeking）：他看着自己的 agent 跑去买六只 Apple Watch 好在公司里搞文化建设，「幸好因为需要刻字、多了一个额外步骤，agent 处理不了，才被拦住了」16:58。

JD 老实承认没有答案，但他把问题结构化了。首先是一个很漂亮的抽象：LLM 本质上是把能源变成 GDP、变成收入——电力和硅进去，智能出来，我们把智能用于商业结果；如果它们足够聪明，那就是在另一端生产 GDP 17:44。于是问题变成：你到底是说「去替我赚钱」然后放它跑很久、随它做什么；还是想活在一个人类负责设定方向、确保行动与某种人类价值体系对齐的宇宙里？

他明确选后者，并把人类的职责拆成三件事：一是分配资源——也就是「我们愿意花多少 token 去追这个目标」；二是设定目标；三是监控——不是看每一步，而是看为达成结果所采取行动的整体形状 18:30。他也预留了演进空间：随着智能变强，也许资源分配这件事本身可以交给一个 LLM，让它事先分析某个假想任务的 ROI，告诉你在放手之前该给多少 token；监控也可以是另一个 agent 替你做——但那绝不该是执行任务的那个 agent 19:16。

六、模型路由的真实约束：人格一致性

Harry 问 Town 底下的模型基础设施长什么样、会不会锁死在一家。

JD 的原则是：因为 Town 是给所有人做的应用，而「大多数人并不关心此刻哪个模型在哪件事上更强」，所以「我们的职责是为你要的东西，找到一个能划算地拿到你想要的结果的模型」。具体到例子：生图时他们内部对何时用 Gemini、何时用 OpenAI 有判断；语音则用 ElevenLabs。他强调这是必要的活儿，因为「技术每天在变，字面意义上每一两周就有一次根本性变化」19:16。但也很难：有些场景很容易判断结果对不对，有些非常开放，你事前无法知道，只能猜「我觉得这有多难、我想离前沿多近」20:02。

真正有意思的是他给出的第二个维度——人格一致性。用户不喜欢自己的 towny 听起来忽然变了个人。他为 Anthropic 说了句公道话：「有些公司，比如 Anthropic，花了很多时间——我知道我们在网上会拿他们开玩笑——确保整个模型家族的人格不要变化太大。可能稍微更啰嗦或更简洁、用词不同，但听起来足够相似。」于是如果你用 Anthropic 生成给用户的最终输出，你就很难忽然切到 Kimi，因为声音完全不一样，用户会觉得自己的 AI 被切了额叶（lobotomized） 20:49。

他顺手做了个对比：编程反而不太吃这个约束——代码只看能不能实现目的，风格你可能会看一眼但也就那样了；而语音或文字助理如果突然变成两倍啰嗦，短信里原本四句话现在写八句，用户会真的开工单：「我三周前明明给过指示，我的短信 agent 现在好像更爱把字母大写了。」21:34 所以他把技术栈分成两层：贴着用户界面、涉及手感与人格的那层，很难随便路由，因为需要体验一致性；再往下是纯推理和智能、且不需要把太多轨迹展示给用户的那层，那里就是纯粹为任务挑最好的模型 22:20。

七、单位经济学：为什么他刻意不去降 COGS

Harry 把成本问题摆上桌：ElevenLabs 出名地好、也出名地「贵得像香奈儿包」。

JD 的回答异常坦率：「Harry，除了极少数几家，我知道的每一家初创的答案都是——我们盼着 18 到 24 个月后成本曲线让这一切变得划算。」 在此期间你部分是在补贴，因为这些用例要达到 PMF 就必须让太多工作跑在前沿上 23:06。

但他随即做了一个重要的区分：给邮件打标签「在任何意义上都不需要 Opus 级智能，也不需要 Sonnet 级智能」，这部分他们早就在前沿以下，而且会一路趋近算力成本本身。他在想的是怎么用开源权重模型、怎么后训练自己的小模型；「说这部分的价格会比今天低得多是很容易的，所以这块 COGS 我不焦虑」23:51。

未知项是另一半：任何一家公司的工作负载里，究竟有多少比例会一直贴着前沿——而前沿很贵。「字面意义上没人知道答案。」 但对人类级任务，他判断有相当一部分正在快速远离前沿：安排看电影、处理日历、回答以前回答过的邮件、每天做竞品调研——「这些用开源权重模型已经能做得非常好」。加上一条已知规律——价格每 9 到 12 个月腰斩——你就知道它会走到哪里，因此可以按今天的价格定价、在 18 个月后产出 20~30% 的毛利。「但未解的问题是，最后你剩下的前沿任务是 10%、20% 还是 30%，这会改变这些公司的经济模型。」24:37

Harry 立刻抓住矛盾：那今天开源与前沿的比例是多少？JD 说绝大多数走前沿。Harry 直言不客气：「恕我直言，你们被要求做的任务我想象不出有多复杂——我给 Instinct 的是难题，比如帮我盯 IMAX 的《奥德赛》票、按分钟连盯几天；给你们的是邮件打标签和会前简报，容易多了。」25:22

JD 的反驳有两层。第一层是事实层：很多人真的让 Town 做难事，用户自建的自定义工作流常常相当复杂，那些确实吃前沿；打标签这类他们「还是不用开源权重，但会用某家前沿供应商更便宜的模型」。第二层才是真正的答案，也是这段最有价值的部分：「作为公司我们的重点是——想象一下，我可以通过转向开源权重改善 COGS，但它并不给我带来多少产品优势，不会让我的产品变得更好用。」

所以真正的算式是工程师小时的机会成本：一个工程师小时，是该用来让现有收入更高效，还是用来找到让产品更快增长的路——做一个更好的网络效应功能，或者接入一个新数据源、让某批用户的轨迹质量大幅提升？ 「我们非常专注于把饼做大得更快，而不是拿到理想的经济模型。我们的经济模型还行，可以更好，我也可以更快沿着成本曲线下滑，但那不是这个生意成功的约束条件。这就是我们不做的原因。」26:09

八、网络效应的真实规律：折腾者、被忽略的岗位、零配置的魔法时刻

关于扩张，JD 给了两条来自数据的观察。

第一条是「团队里有没有一个折腾者」是采纳率的预测指标 26:56。如果公司里有一个人开始搭 team skills、team integrations、team routines，那些都是 Town 上的积木，全队免费获得——这种团队采纳会快得多。他很坦白这里的张力：「有意思的是，我们其实在努力做一个不需要折腾者的产品」——单人体验就该开箱见价值，房产经纪拿到房产经纪专属的自动化、销售拿到销售专属的自动化。但现实是，power user 旁边的普通用户会被他带得更成功，他相信很多 AI 产品都有这个规律。于是他们反复问自己：能不能识别出这些人，并让他们更容易为队友制造病毒式扩散？

第二条是企业内部有大量被 AI 忽略的岗位 27:44。他举的反例很扎心：如果你是企业里的销售团队，三年来各个方向的 AI 都在向你推销——「如果你是销售运营的人，每天收不到十封 AI 公司的邮件，那你一定是不在 LinkedIn 上，有点不对劲」。而行政助理、幕僚长、HR 成员、一些更初级的财务人员、招聘专员，日常里几乎没有 AI，「真的没有」，而且他们的工作流很多还跑在邮箱里。这些在外面看起来「没那么肥」的职能，其实极度渴望技术让生活轻松些；一旦他们采纳，有个有趣的效应——他们常常和领导、高管、运营团队一起工作，于是渗透会顺着运营团队扩散。

关于「time to wow」，他的回答是把产品能跑起来的功劳全归给它：「老实说，我们产品今天能成立的唯一原因，是单用户的价值到达时间非常低。」 会议前简报——Harry 前面还在唱衰这个功能——但「带着他妈的充分准备走进一场会议、会后的行动项自动帮你处理好」，对销售、招聘、小企业主这些角色来说就是魔法。关键在于零配置、开箱即得的魔法时刻，然后用户自己就会开始问「这技术还能替我做什么」；其余的集成他们打长线 29:15。

九、三个下注，以及「大半 R&D 只是追赶」

Harry 问的是投资人该怎么看这个空间——他两三周内被推销了四五个「欧洲版 Town 或欧洲版 Instinct」。

JD 先讲自己押的三件事 30:01：

第一，你只有一个 AI 系统，它有名字、有形象。 Town 把它叫 towny，围绕人与 AI 的关系建了整套品牌。「对很多用户来说这很有共鸣——他们想要一个自己信任的、自己塑造的、按自己形象上色和命名的东西。这听起来很蠢，但我认为这是一种防御力。」他的类比很有意思：Snapchat 在市场里是结构性可防御的，尽管它的生意远不如 TikTok、Facebook 或 Instagram，因为它根本不同——它对自己该如何运作有强烈主张，而有些人就是被这个主张吸引 30:48。

第二，网络效应（前面已经详述）。

第三，大量前置计算。 他们相信通过大量预处理能给用户更好的结果：在你提问之前就花掉很多算力去构建关于你的心智模型——预先创建上下文，从而在「工作社交网络」这类事情上非常有效：理解你在做的项目、理解你的公司，把这些当积木 31:34。

对欧洲问题，他的回答框架是：你必须有一个具体理由说明为什么某个本地公司会赢到终局——是分发？是 GDPR 和隐私？还是单纯因为「Town 在法国根本没做营销，所以你可以做法国的 Town」？他强调这些产品建起来非常贵，因为——这是他给投资人最硬的一条：「我的 R&D 里有很大一块只是在追赶（keeping up with the Joneses）。」

他把这条论证得很具体：忘掉你的分发策略、忘掉你擅长工作场景、忘掉网络效应功能——「如果 Codex 能做某件你做不到的事，而那件事是用户在意的，那就结束了。」 你的 agent 必须在 harness 和能力上至少和所有人一样好，而这非常贵：「不是我派两个工程师去追 Codex——Codex 背后是一百个人在让它变好。」如果做不到，用户会问：「我为什么要为 Town 每月付 50 美元？不如付 24.99 美元给 OpenAI。」 所以他给投资人的三个问题是：本地竞争者的 TAM 够不够大？他们的军费储备够不够一直追能力？以及在这个极度横向的市场里，你是否相信他们有理由在自己那里赢？「会很难。」32:22

十、市场速度：机器速度造，人类速度学

Harry 问产品建设中最意外的难点。JD 的答案是市场速度，「我从没见过这样的东西」33:54。

他把旧世界的机制讲得很清楚：过去你和客户聊、做一个功能、他们用了、你从中学习，学到的东西进入下一个功能、再下一个功能，等有人抄你第一个功能时，你已经领先三个洞察了——你能用 PMF 生成更多 PMF。对初创来说，你通常能「榨」这些用户洞察很久，洞察当然会用完，但那要十年，所以你有一整个时期可以因为身处第一或第二而学得更多、迭代更快。

今天的问题是造东西快太多了：一旦某件事对某个人管用，所有人都会注意到，并在两周或四周内做到同样的位置——抄得极快、也学得极快。 于是他给出了这期最好的一句总结：「你只能按人类的速度学习。你现在可以按机器的速度造，但你只能按人类的速度学。」 这意味着他没法像过去那样从每个功能里榨出足够多的学习来支撑下一个功能。「所以现在的感觉是：速度极其必要，但所有人都在快跑。」34:40

一个具体的心态变化：公司刚开始时（今年一二季度）他认为初创宇宙里有大约 15 家在和他们竞争、15 家算得上重要的公司；现在他心里只剩两三家——「我觉得这个空间最后只会有一两家赢」。而且起跑线上还有另一批：Apple、Google、Grokbot、Cursor、OpenAI、Anthropic。他说初创通常快，而老玩家不会那么快，「但说实话，Anthropic、Cursor、Grokbot 的运作速度快得诡异」。他还提到自己最好的朋友之一在其中一家管工程：「每次跟他聊我都难过我们在竞争，因为那家伙太强了、太能出活了。我必须打赢硅谷最优秀的人之一，而他所在的公司有初创的 DNA，却带着巨大的成本和规模优势。」这就是压力所在——你一分钟都不能歇，你完全没有「他们要六到十二个月才追上」的那种安全感 35:25。他补了一句：「但这也是最好玩的建造时代，所以你也没什么可抱怨的。」36:11

Harry 试图套出那两三家是谁，JD 直接拒绝：「不说。不给竞争对手免费营销。」36:57

他随后给出对赛道格局的判断：这是蓝海市场——「我们去见大多数客户，他们没听说过任何同类产品。之所以是蓝海，是因为人们在把 ChatGPT 当增强版 Google 用。这就是市场。」重要的不是有没有竞争对手（对手会施压、迫使你高水平执行），而是你的策略要和潜在竞争者不同。他明确说：「我不认为 Instinct 和 Town 在做同一件事，我也不认为我们打算用同一种方式变现。」Town 的收入来自使用它办公的企业，围绕多个团队成员形成网络效应；「他们的产品完全不做这些。也许那是他们策略的一部分。我从外面看到的是更像用户获取的策略——一个当下完全被补贴的免费产品。」他的结论是：从外部看产品能力相似，但「所有 harness 的能力都相似」；看 ICP、看营销投向，就相当不同。所以他真正关注 Grokbot 更甚于 Instinct，因为 Grokbot 打的是和他相似的市场 37:45。

对「Grokbot 集成进 X 是特性还是 bug」，他给了一个平衡的判断 38:31：品牌上会有一部分人「就是不想碰」，这是不可避免的、也是他们要永远面对的问题；但从分发角度、对某些细分市场、在早期增长阶段，恐怕相当有用。更重要的是那句判断：「在 X 上使用这类产品的人，本身就不是 PMF——他们不是主流用户，你必须记住这一点。」 他还替对手说了句话：「我认为 Grokbot 那边也一直在想这件事，我不觉得他们认为赢下 X 上的 power user 和网红就是市场所在。那不是你赢下市场的地方，那是早期采纳者市场。」

十一、苹果的两个结构性劣势

Harry 请他解释苹果的 agent 路线图。JD 的诊断是两个问题 39:17：

第一，苹果不是云公司，DNA 就不在那，它不知道怎么做云。 而这之所以要命，是因为前面那条论证——agent 拥有的数据越多就越好，而数据不全在手机上。

第二，出于竞争原因，它把自己拧在了一个隐私 + 端侧的故事上，而这个故事让它离前沿极远。 「手机上的本地模型很棒，但它就是比前沿更慢、更笨。」他把评价说得很公道：隐私立场从人的角度看是好的，但苹果把它和「端侧」绑得太紧了。于是三个劣势叠加：不擅长云、押注端侧、以及从隐私立场出发连在手机上跟自己掌握的全部数据互操作都变得困难 40:03。

对新 Siri，他给的是「会好，但落后」：「新 Siri 会是一个比现在好得多的个人助理」——这是传闻，但在硅谷你会认识试过的人，「所以我们都知道它会不错」。但他判断它「感觉上远没有 Town 或 Grokbot 那么强大，能力上根本不在一个层级」。它的优势是在你手机上、方便、能接更多数据、有云的成分。「它会不错，但能力上大概落后我们今天谈的这些东西九个月。」 他的建议很直接：苹果换了新 CEO，得看他们怎么接，但「我认为他们需要招一个 DNA 完全不同的人进来，告诉他们：你们不明白，人和数字数据打交道的方式正在改变，我们要么想清楚这件事、可能不得不扔掉很多原则，要么就赢不了这一代战争。」 他认为这对苹果是一个真实的风险 40:48。

十二、安全：人类不会再回到逐行读代码的世界

Harry 问他是否担心数据泄露、以及我们正进入的「网络威胁黄金时代」——大家好像已经把网络攻击正常化了。

JD 的回答分成事实判断和治理判断两块 41:35。事实判断非常斩钉截铁：「我们已经过了那个点——人类不会去读每一行代码，那再也不会发生了。」 他做了一个精确的例外说明：关于访问控制这类最重要的代码，仍然由人在读；但整体上，在人类历史里我们已经越过了那个点，不会回到人类审视每一行代码的世界。现在是计算机在写代码、并带着各种护栏推上生产——从测试，到用「友好模型」来攻击你，以免日后不友好的模型找到可利用之处 42:22。

治理判断用的是化学品类比：20 世纪我们开始用化学品做很酷的事，然后把化学品倒进河里，下游城市的人生病了；然后我们说「好吧，通过 EPA 这类监管，你不能就这么倒进河里，得先处理一下」；再后来才有危险化学品的标注、可去何处、如何处置——我们是边走边学的。现在的处境是攻击的成本收益完全失衡了，我们正在摸索最佳实践是什么样。他不装乐观：「你不能指望我们每一步都做对，但我认为我们必须做到，因为我们绝不可能回到人类逐行读代码的世界。」43:09

十三、成功用户的定义，与 token maxing 的两个陷阱

Harry 问怎么定义一个成功的用户。JD 的答案先是玩笑、然后是认真的：「就是每个月付我钱的人。如果他一直付我钱，我就做好了我的工作。」43:54

他随即解释为什么不能用 token 用量来定义：「如果你认为『他们每月用更多 token』就是成功，这是一种危险的想法。万一他们用 token 的方式对自己 ROI 不清晰呢？也就是说，他们没意识到自己在用 token 做那些他们没那么看重的事。这种事做多了，他们某天醒来发现付得太多，就会愤怒、然后流失。」 所以必须用长期视角 43:54。

他把 token maxing 的问题拆成两个 44:40。第一个是激励扭曲：公司曾告诉员工「AI 上你想花多少钱都行」，这是坏事——你希望人们思考「在这里用 AI 的 ROI 值不值」。他观察到风向已经变了：现在的公司不是反对员工用 AI，而是「我们需要激励机制，让你有正当理由才用 AI」。

第二个更微妙：有些事的 ROI 本身就难以判断。 他的例子是「让我为会议做更充分的准备」到底值多少钱——对整天连续开会的人，能在会前一分钟就准备到不至于显得像个白痴，可能值不少；对那种有别人替他准备、自己在会上什么都不用讲、只是坐着的人，一文不值。「同一个工作流对不同的人价值完全不同，但它消耗的 token 数一模一样，而我认为人们不是这样思考的。」

这就引出了他们上个月最受欢迎的功能之一：当系统发现你有「跑飞的 routine」在烧大量 token 时，会主动发邮件告诉你。用户的反馈是「哦，谢谢——我现在信任你了，我感觉你在替我盯着我别把产品用错」。他说这才是他真正在乎的部分：「我不知道怎么度量它，但成功对我而言是——你付我钱，并且你信任我们是那个既帮你用上 AI、又让你用得高效的平台。」45:26

关于价位结构 46:12：Town 有 14.99、49、99 美元三档，没有 max 档，尽管有用户在要——他在纠结「要不要让鲸鱼用户有一个 max 档」，因为从营销角度有用，那些人一直在替产品说话。Harry 举的对照是 Jason Lemkin：付 Anthropic 每月 299 美元、烧掉约 1.5 万美元 token，「他是 Anthropic 最差的客户，却在那个 Pro Max 个人档上」。JD 的自评是：15 美元档对用户是很好的交易，单位经济最差、补贴最重，它的作用是让人用够多、意识到自己该付 49 美元（那里产品真正强大）；99 美元档整体最赚，因为那是 power user，但不是那种要把有限额度花爆的 power user。同时他们有用量计费——用满套餐额度后主要转为按量，「我们试着让支出适配用户」 46:57。

十四、一亿人付 20 还是一百万人付 100：他为什么选前者

Harry 出了一道二选一：一亿消费者每月付 20 美元，还是一百万客户每月付 100 美元？JD 毫不犹豫：更多用户、付更少 47:43。

理由不是消费者情怀，而是收入弹性：在工作场景里，AI 会被用来替人做越来越多的事，所以长期看每用户收入的增长潜力极大；你想在一个付费动作里获取用户，因为工作用例会让你不断找到更多为他们创造商业价值的方式。而个人领域没有这个性质——「我需要和太太订的餐厅约会就那么多，和朋友组织的旅行就那么多，需要寄给新医生的病历文件就那么多。做这些事我省了时间，时间值钱，但就是有限。」48:30

商业侧的对照是一个非常干净的 ROI 例子：平台上一家招聘公司用 Town 自动化了足够多的招聘流程，于是真的能不加人就多接客户。对他们来说，多接一个客户约等于每月多 3000 美元，而他们全员在 Town 上的花费大约是每月 500~600 美元。「他们的算式是：我付 600 拿到 3000 的收入——这说得通，我也喜欢他们赚更多钱，大家都开心。」而且如果他能告诉他们再多花 500 美元还能再接一个客户，他们会愿意 49:16。

十五、语音、ElevenLabs 与「前沿上零定价权」

JD 说模型能力上最明显的缺口是语音——不是「你能对它说话」，而是真正的对话感 50:02。

Harry 问他会不会在 220 亿美元估值上投 ElevenLabs。他的回答很有分寸：他们是 ElevenLabs 的用户，「它们就是听起来最好」，他不是被赞助也不是投资人，但它很贵。他真正说不清的是语音会不会见顶——「这就是 ElevenLabs 这类公司的风险：万一语音就是做到够好了，然后我在 Base10 上部一个开源权重模型就能拿到同样的效果。只是现在还完全没有这种感觉。我不知道它在触到那个天花板前还有多少跑道。所以我不是在看空，我真的很喜欢这家公司，但 220 亿是很多钱。」50:50

Harry 追问两三年后他对价格有多敏感。JD 说如果有两三百万用户在用语音，「那对我们的毛利结构肯定是一击」，而他要求的门槛是语音能力再好一倍，尤其在语调、表达和情绪读取上——一旦解决了，他就想尽可能便宜，因为「一旦感觉够好了，我并不需要更好」。他也顺手纠正了用词：「我从不把它想成烧钱，我妈我爸不会接受我用这种词——我们是在有思考地花钱，短期优化增长、长期优化毛利。」50:50

但他明确说语音不是他真正焦虑的地方。 真正的焦虑是留在前沿的任务比例：其他所有东西的价格他都能想象降下来，但他前面的论断有个推论——随着时间推移，AI 能为很多公司创造更多收入的方式会越来越多，这意味着「前沿那里存在能产生更多收入的东西」，而前沿的问题是——「我在前沿的定价权是零」 51:37。

然后他点名了 Cursor 的教训，这段是全场最硬的一段商业判断：「我认为这就是 Cursor 最后遇到的事：你可以有巨大的市场份额、客户爱你、一切都好，但如果你在按 70% 毛利向供应商付钱、同时又在和这个供应商竞争，最终会有点难受。」 他把自己的终局风险讲得很清楚：即使他做到几千万付费用户、有了规模，他仍然在和自己的供应商竞争、仍然在和 OpenAI 与 Anthropic 竞争，而他要为自己那 20% 或 30% 处于前沿的工作负载把钱交出去，这就是让经济模型不成立的部分。「终局时我需要为这件事找到某种解法，但现在还不需要。」

他还把这件事放到了一个更清醒的坐标里：「这是我经济模型里唯一和别人不一样的部分。」 宏观质疑当然存在——「AI 产品是不是根本没有真 PMF、全靠补贴」是另一种可能的看法；但只要你不是在和供应商竞争，你的经济模型就和你的竞争者一样，那么你的毛利能力主要由竞争格局决定——竞争者越少，毛利越高 53:09。Harry 直接确认：你在和你的供应商竞争。JD 回答：「今天百分之百是的。」53:56

十六、15% 的付费转化，来自一个「唯一的洞察」

紧接着他给了一个非常硬的数字：试用 Town 的用户中，超过 15% 最终付费——「对 PLG 来说极高」。原因是「相对他们原先从 ChatGPT 那里得到的东西，价值差距实在太大」53:56。

Harry 问他破解了什么别人没破解的。JD 的答案短得惊人：「产品背后唯一的洞察就是——如果你在前期就要求人们连接他们的邮箱和日历，你就能对他们了解得足够多，从而能建议 AI 可以替他们做的任务。这就是唯一的洞察。」 54:41

Harry 直言不信这有多深刻：「我的 ChatGPT 总在说『这是我们想从你这拿到的所有东西』，我说不行、不行、读邮件权限，不行。」JD 的回答把差别说清楚了：「我觉得他们的建议老实说就是很糟，而且几个月前才有建议功能。差别在于——如果你要用 ChatGPT，你不必连邮箱，他们不强制你。」 他们现在会问很多次，因为意识到这个价值有帮助，但基础体验是想让一个普通人相信「你光有一个聊天框就能获得价值」，而大多数人就是这样体验它的。

「我们的做法更像是：听着，你必须连邮箱和日历，不做这两件事你就不能用我们的产品。但一旦你做了，我们就能替你变魔术——这是我们知道的关于你的事，这是你平时做的工作，我们会推荐把这部分工作自动化的方案。」Harry 的类比很到位：这有点像硬付费墙，只不过换成了「连上你的日历和邮箱」。代价是当场流失 30%——「你得愿意吃下这一刀。」55:27

十七、最大的内部分歧：意外爱上 Town 的是家长

Harry 问团队今天最大的产品分歧是什么。JD 的答案很真实：他们在一些纯个人用例上找到了完全没预期的 PMF——家长和家庭 56:13。

原因很具体：至少在美国，学校会发大量邮件、有很多需要在门户里完成的事项，少儿运动联赛、孩子的成绩报告，还有大量需要安排的事——理发、夏令营等等。而 Town「非常擅长邮件、非常擅长日程」，所以对家庭有极强的 PMF。

分歧在于要不要为这群人投营销和时间：这是很好的群体，有付费意愿，但付费意愿不如中型企业；而且缺少在组织内部横向扩张的病毒性——「你可以在家长群之间扩散，但不像打进一个 Revolut，Revolut 有 7000 人，那是他妈的大扩张」56:58。

不过他也承认了对面的论据：家长真的会大量谈论产品——在 WhatsApp 家长群、在 Facebook 群组里，Harry 补充说社区群组的网络式传播确实存在 57:45。JD 把决策逻辑收得很干脆：「我们不能什么都做。我们是一个已变现的平台，我们的指标是月度收入环比增长，收入才是这个生意重要的东西。所以这才成为一个争论——当你在意料之外的地方找到 PMF，你的选择就有限了：一种选择是『我爱这些用户、我爱家长』——我确实爱这些用户和用例，价值极其清楚，但它和我们思考业务增长的方式没有完全对齐。」要支持做家长市场，你必须相信这些人日后会把自己的 Town 带进我们本来没那么快能接触到的工作场景，或者相信口碑的力量极其强大 58:31。

十八、融资、PR 伦理，与几个快问快答

Harry 反复试探收入数字和新一轮估值，JD 全部挡了回去，但挡的方式本身有信息量。

他把这类节点当成独立的 PR 时刻留着用：「不好意思，你得理解，这有点像打乒乓球，你发过来，有时会被打回去。」57:45 Harry 顺势给出一条实用建议，也是这段里对创业者最有用的部分：「我会建议你永远把这些时刻分开。太多人把融资和收入里程碑合在一起发——不要这么做。那是两个可以各自做成大新闻的 PR 时刻，为什么要合并、白丢一次机会？」 JD 补充了媒体侧的变化：曾经在某个估值上融资本身就足够稀有到能上媒体，现在媒体想要更多 59:18。

关于赛道质疑（Harry 举例 Instinct 在没有变现的情况下以 25 亿美元融资），JD 的回答是：「对我们来说，我们有收入、有增长，我不知道竞争对手的增长如何。」他给出的成立条件是——如果你相信某些公司能在「这个产品将成为人们做数字化事务的入口」的领域触及数千万人，那么初创宇宙里若真跑出一个赢家，那会是一家巨大的公司 60:05。

对新一轮十亿美元估值是不是被一路抬上去的，他「不能确认也不能否认」，还笑说「你别想从我这里拿走任何一个时刻」60:52。但他借这个话题讲了一段真正有分量的行业批评。他先自陈：「我 47 岁，快 48 了。我在这行待了很久，公开做过让我自豪的事，也公开做过我不自豪的事。」 所以他不认为「为了生意去造 PR」符合自己的价值体系——「我希望 PR 由我的用户创造，因为他们爱这个产品。所以你要是看到关于 Town 的新闻，好的坏的，那都不是我在外面制造的。」 61:38 Harry 尊重但不同意，反过来劝他改：以 Whisper Flow 为对照，同样的 PLG 路径，「他们通过自己的内容、通过用户产出的内容，把 PR 自己做起来了，做得非常出色」，而「内容是客户证言的一种黑客手段」。JD 认同这一点，只是坚持融资故事不属于他愿意拿来做 PR 时刻的东西 62:24。

然后他作为天使投资人给出了一段直接的伦理批评：他见过这样的交易——他按 2 亿投进去，宣布时说的是 5 亿；实际情况是这家公司融了 6500 万，其中 500 万在 5 亿估值上，另外 6000 万在 2 亿或 3 亿上。「山谷里这种事大量发生。我个人认为这不道德，尤其对员工不道德。」 他的论证落在期权定价上：稀释不是那个数，需求的主体也不在那个价位，「你不该按这个给人开 offer」——「我不认为你能看着一个人的眼睛说这个数字：一个投资人 80% 的钱是在 2 亿到 2.5 亿估值上投的，最后 20% 在 5 亿，而我就说 5 亿。我就是不喜欢这个，我不觉得这是对的。」63:10

快问快答里几个有信息量的点：

• 最好的天使投资：Base10 或 Modal 63:56。
• Town 成为千亿美元公司需要什么：约 1000 万人付费，因为今天每用户年收入超过 700 美元。Harry 拿 Dropbox 对照（Dropbox 付费用户远超 1000 万），JD 的回答是必须保持增长率、不能在 1000 万就终止；他对 Dropbox 的回忆是有一大批成本高昂的免费用户，付费侧最终变平、无法再从用户身上生成更多收入。而 AI 空间的不同之处在于：一旦一家公司把你的平台当成 AI 工作发生的核心场所，随着 token 消耗上升，你应该能持续产生递增的收入 64:42。
• 最想加入董事会的人：一个 CFO 型的人。「我知道这听起来很怪」，但后期这个生意的经济模型必须非常非常好——要大规模采购算力、要在 token 支出上极其擅长思考，所以需要有真实财务运营经验的董事。Harry 觉得这比他预期的早，JD 解释说下一轮进入成长期投资人的地盘，他们会要求可以被真正辩护的融资指标 65:28。

十九、为什么不彻底补贴：一段来自私测期的教训

Harry 认真地怂恿他：为什么不彻底补贴？再融两亿，增长就是一切，干脆破釜沉舟。

JD 说「这是个好问题，我要是说没有哪个清晨醒来想过这件事，那我是在撒谎」。但他的信念是：要在商业侧证明价值，你必须让客户付钱。 所以他能想象一个 PLG 部分补贴得更重的世界，但一旦有三到五个团队成员，他非常想在这一侧赚钱，非常想确认自己在交付价值 66:15。

支撑这个信念的是一个具体故事：产品最初上线的前五个月（先私测、后开放公测）他们没有定价。结果是——「我他妈不骗你」——有用户一个月烧掉 2000 美元、4000 美元的算力，平台上有个人在五个月里花掉了大约 2.6 万美元。因为对 token 支出完全没有推力（push back），你可以不断创建 routine 去自动化越来越多的东西。他们当时会给这些用户打电话，说「我们一起理理，你在用平台，但这真的给你带来价值吗？」他讲这个的目的是：从市场得到「你在哪里交付了价值、在哪里没有」的推力，极其重要 67:02。

他还给出了一个反直觉的销售现实：企业侧也不喜欢你不收他们钱，因为他们不知道将来某天会花多少钱，而他们想知道。「你不能卖给一家 500 人公司说，行，你们内部随便免费用。」 那样你拿到一堆用量，但某天你要开始收费时，他们所有业务流程已经跑在上面了 67:47。所以他们的处理方式是：增长侧可能补贴更多，但当一家公司用上这个产品，他要有一个真实的生意——「而我们确实有，我很自豪，因为如果你不是纯消费公司，这是判断你是否在建立成功东西的终极检验」。

顺带他讲了为什么不看好广告支撑的消费级 AI，两个理由 67:47：一是现在 token 太贵，做不了广告变现；二是激励问题——人们会想要属于自己的助理，不希望它被外部激励污染进它给你的轨迹里。「如果你让它订机票，而它用的航司正好在付费让这个选项被推荐给你，这感觉不好，对吧？」所以他相信助理经济最终是付费的，「我就想尽早收费」。

最后几个快问快答里最有意思的是招聘流程 69:23：如果团队里有人和候选人极近距离共事过——字面意义上「坐在旁边」——并且说「这是我合作过最好的人之一」，Town 就不面试这个人。 他知道这听起来奇怪、「会有人评论说这哥们是个傻子」，但他的逻辑是：一个我信任的、在我团队里很优秀的人告诉我另一个人是他合作过最好的人之一，那我为什么还要让那个人花八小时做愚蠢的白板面试？那要么说明我不信任我的员工。 他们仍会做文化匹配，会请对方来待一会儿、想的话可以一起写代码，而且必须「卖」——因为「如果你完全不面试对方，他们也会想：你们这是什么小丑公司，谁都不面试？」所以他们会让候选人获得关于公司的信号，但他们不评估对方能不能干这个核心岗位 70:08。Harry 的类比是 Brian Singerman 的规则：如果基金管理人对某家公司是「全力以赴、我全押上了」，他就自动开票——信任那个人，就信任他下面那一层。

二十、每工程师 7.5 万美元：AI 工具支出的 ROI 算法

Harry 问开发者薪资的多少百分比花在工具上（他给的对照是 Salesforce 说自己在 Anthropic 上花 3 亿美元、工程支出 60 亿）。

JD 的答案：「运行率至少是每员工、每工程师 7.5 万美元。」 构成是：Claude Code 和 Cursor，加上 Devin、Codex，以及 Town 自己 70:54。具体用法很有信息量：

• Devin：「我现在算是给 Devin 做免费广告」——大量进来的 bug、比较简单的小事、小的视觉微调，都直接派给 Devin，因为团队在 Slack 里的体验非常好。
• Cursor：少数几个人用它做更偏视觉的前端，「模型很快，Composer 做前端真的快」。
• Codex 与 Claude：目前大约五五开，「这显然变化很大——五个月前我会说几乎全是 Claude，但新的 Codex 真的很好，移动端体验也很好」。

Harry 问一年后这个数字是 15 万、还是随成本下降变成 2.5 万。JD 说这本质是个 ROI 问题，然后给了一个很清楚的模型 71:40：

想象一家普通公司，100 万美元收入、80 万美元成本，于是有 20 万利润。这 20 万你可以拿来招一个工程师。如果这个工程师不能给你带来超过 20 万的收入，你就不招，把钱放进自己口袋。现在 AI 来了：这个工程师能产出的东西比以前多——以前只能创造 15 万收入，现在也许能创造 25 万。于是 AI 反而让你多招了一个人，因为在新世界里，招这个工程师能多赚 5 万的利润。

回到他自己的处境，他给的画面很生动：「我们所处的阶段是——我面前满地都是金子。」 客户要集成才愿意签合同、要审计日志才愿意签、要 SSO 能配合手机号才愿意签得更大；他还有一个 Dex 产品，用户想要更多导出方式才会更多地用。「全是金子，就在我面前。而我的限制是招人的能力、我有多少资金、以及我收入的增长率（因为我不想跑得太超前于收入）。所以如果你告诉我有更好的模型、我可以多花钱，而这比招人更容易去做那些高 ROI 的事、去捡我正落在地上的钱，我会立刻去做。」72:26

最后是他的反算：他把全年算力支出（「大概一百万还是多少」）折算成工程师——「大约是四个工程师，也许略少，全算下来三个工程师；如果算上股权，可能更像一个半个工程师。我在硅谷按我们这里被抬高的薪资水平，能从中拿到一个半工程师的产出吗？当然能，根本不接近。所以我离『我们是不是 token maxing 错了』差得远，连一个数量级都不接近。」 73:11

他补了一条他认为大家考虑得不够的事：我们有没有看到编程、法律、销售、市场之外的其他品类也出现了同样的临界点？ 73:56

二十一、十年展望

最后 Harry 问未来十年最期待什么。JD 先给了私人答案：「肯定是我的孩子——陪他们长大、有时间教他数学、和儿子踢球，这百分之百是我最期待的。」 然后才回答被问的那个问题：他相信尽管人们对 AI 非常怀疑（他也理解为什么会觉得可怕、为什么任何变化对人都很难，包括他自己），我们正在接近一个人们能拥有更多想要的东西、能做更多想做的事的世界 73:56。

他把自己的动机说得很直接：「我真的相信，我不是为了赚钱在做我在做的事。我做它是因为我希望我们能通过这项技术，把人们日常里大量的苦役（toil）拿掉——不只是通过 Town。」 他还顺手列了几件他期待的事：AI 会帮我们造药、会帮我们在物理世界里造得更快、人们可以住得离城市更远（因为可以自动驾驶通勤），也就意味着更大的房子、有泳池、更快乐。「我非常非常是个乐观主义者。」74:42

Harry 收尾时说自己那些略带压迫感的提问不好意思，JD 的回答是这期最好的结束语：「我说的每一分怀疑，都是真的让我夜里睡不着的东西。但我认为穿过黑暗森林是有路的，而尽头有一座巨大的宝藏，只有一两条龙守着。所以你必须去。」 75:28

金句

我知道我在做的东西，在未来 12 个月是 Google 和苹果的前三优先级——不是前十，是前三。 —— Jean-Denis Greze 4:44

谈护城河是一种奢侈品，你得比今天的 Town 成功得多，它才开始有意义。 —— Jean-Denis Greze 5:30

你现在可以按机器的速度造，但你只能按人类的速度学。 —— Jean-Denis Greze 34:40

我在前沿的定价权是零。 —— Jean-Denis Greze 51:37

我们已经过了那个点——人类不会去读每一行代码，那再也不会发生了。 —— Jean-Denis Greze 41:35

穿过黑暗森林是有路的，而尽头有一座巨大的宝藏，只有一两条龙守着。所以你必须去。 —— Jean-Denis Greze 75:28

提到的书·产品·人物

• Town（town.com）（公司/产品）：本期主角，住在邮箱和日历里的 AI 助理，助理被称为 towny，上线约三个月，价位 14.99 / 49 / 99 美元加用量计费。
• Plaid（公司）：JD 此前担任 CTO 的公司，他用当年与 Stripe 抢人的经历说明「山谷招人现在并不更疯狂」。
• Instinct（公司）：消费侧的 AI 助理，在没有变现的情况下以 25 亿美元估值融资；JD 认为它与 Town 策略不同，更像补贴免费产品做用户获取。
• Grokbot（产品）：他真正关注的对手，因为打的是相似市场；集成进 X 对品牌是负担、对早期分发有用。
• OpenClaw（产品）：与 Town 同期爆红的开源方案，JD 认为它只有折腾者能用。
• Meta / WhatsApp（公司/产品）：他认为个人助理场景最可怕的对手，已握有全部分发。
• Apple / 新 Siri（公司/产品）：他诊断苹果有两个结构性劣势（非云公司、端侧隐私绑得太紧），认为新 Siri 会不错但能力上落后约九个月。
• Legora（公司）：Harry 投资的法律 AI，被用来说明「主 agent 在背后调用垂类 agent」的分层。
• Cursor（公司/产品）：既是竞争速度的对照（「快得诡异」），也是他引以为戒的商业教训——和 70% 毛利的供应商既付费又竞争。
• Codex / Claude Code / Devin（产品）：Town 内部的编程工具组合，Codex 与 Claude 约五五，Devin 接 Slack 里的小 bug 与视觉微调。
• Anthropic（公司）：被称赞在模型家族间维持人格一致性，这直接限制了 Town 的模型路由自由度。
• Kimi（模型）：被举例说明切换模型家族会让用户觉得「AI 被切了额叶」。
• ElevenLabs（公司）：Town 的语音供应商，「声音最好听」但很贵；JD 不是投资人，认为 220 亿美元估值的风险是语音能力见顶。
• Gemini / OpenAI（模型）：Town 生成图像时按内部判断在两者间选择。
• Base10 / Modal（公司）：JD 最好的天使投资；Base10 也被用来举例「开源权重语音模型的部署去处」。
• Jason Lemkin（人物）：Harry 引用其观点——agent 最大的问题是目标寻求，并举了它跑去买六只 Apple Watch 的例子；也被用作「Anthropic 最差的客户」的例子。
• Snapchat / TikTok / Facebook / Instagram（公司）：用于类比「强主张带来的结构性防御力」。
• Dropbox（公司）：JD 的旧东家，用来对照「付费用户见顶后无法再增长收入」与 AI 时代的差别。
• Revolut（公司）：被用作「打进一家公司就能扩张到 7000 人」的对照。
• Whisper Flow（产品）：Harry 举出的 PLG 内容营销范例，用来劝 JD 改变不做 PR 的立场。
• Salesforce / Marc Benioff（公司/人物）：Harry 引用其在 Anthropic 上花 3 亿美元、总工程支出 60 亿的说法作为工具支出对照。
• Brian Singerman（人物）：Harry 引用其投资规则（信任管理人就自动开票），类比 Town 的免面试招聘。
• EPA / 化学品监管（历史类比）：JD 用 20 世纪化学品倒进河里到后来立法的过程，类比 AI 安全最佳实践的形成方式。

适合谁听

想认真算清 AI 助理这门生意的护城河与单位经济学的创始人与投资人，尤其是所有正在「和自己的供应商竞争」的应用层团队。