前Plaid CTO关掉赚钱生意，用一个月赌出AI新物种

一门被AI压垮的好生意

这个故事的开场带着一丝黑色幽默。知名风投a16z的合伙人本·霍洛维茨给同事亚历克斯·兰普尔发消息，说自己发现了一个改变人生的工具叫Town。兰普尔愣住了——Town是丹尼斯·格雷兹做的产品，而他清楚记得，这个人一直在做中小企业报税，那是一门挺不错的生意。更让他意外的是，兰普尔曾主导对金融科技公司Plaid的投资，格雷兹正是Plaid的前任CTO，这段创业经历他竟然完全不知情。

格雷兹第一次创业选了中小企业报税，把企业的财报和合同喂给大模型，生成一张能直接提交的申报表。方向看起来很美：报税全是文本，还带着大量结构化数据比如财务报表和租赁文件，大模型恰好擅长处理这些。他前后花了一年把产品建起来，第一年收入略低于100万美元，按推算第二年能做到250万到300万美元。放在AI时代之前，这是一条漂亮的上升曲线。

但大模型来了之后，天花板变了。在位者能用同一批模型把手里现有客户的申报自动化，抢份额比创业公司还快。格雷兹意识到，这门生意注定够不到风险投资的规模。对创始人来说这很要命：新入局者有优势，跑得更快，能做不一样的产品，但墙上有一只滴答作响的钟——你必须在现有企业复制你的做法之前，快速建立起口碑网络。

报税偏偏有几个绕不开的硬伤。税一年只能卖一次，它不是每天都要打开的日活工具，你几乎看不到有人炫耀自己报税报得多好。申报结束，那也不是人们张罗着换报税机构的季节，到了第二年，这件事大概率已经被忘了。这些断点让超大规模扩张变得非常困难。

第一个报税季结束后，格雷兹和联合创始人花了一周散步喝咖啡，认真想了生命、创业和资本主义的意义，最后想清楚一件事：税务团队在这家公司没有未来。他们决定换一个更值得做的市场。兰普尔评价说这是一个相当勇敢的决定，大多数人未必做得出来，尤其是当时看上去根本不成立。

杰文斯悖论（Jevons Paradox）是理解文中市场逻辑的关键经济学概念。1865年，英国经济学家威廉·斯坦利·杰文斯观察到，当蒸汽机效率提高、单位煤炭消耗下降后，全英国的煤炭总消耗量不降反升。原因在于效率提升降低了使用成本，从而激发了更多此前不经济的新用途，总需求被放大。这一悖论后来被广泛用于解释技术进步与资源消耗的关系：效率越高，某项资源被使用得反而越多。文章中格雷兹用它来说明，随着大模型推理成本（Token价格）下降，人们会找到越来越多把AI用在工作上的场景——每场会议准备笔记、每月比对批发商价格等，这些原本因人力成本过高而不做的事，突然变得值得做，Token的总消耗和AI的总价值随之膨胀。

一个月窗口期里的艰难转身

格雷兹的回应很坦率：那一刻感觉就是失败，感觉自己真的搞砸了。他反复问自己为什么要做这件事，答案是想给世界带来一点影响，想造一点有用的东西帮到别人。既然不再相信能产生那么大的影响，这个信念就塌了。还有团队，每个人都有自己的机会成本，本可以去很多优秀的公司。如果创始人自己都不再相信，每天走进办公室看着别人的眼睛说话就变得很难。最难的是开口告诉别人我们失败了——可真正说出口之后你会发现，谁会在乎别人怎么看你呢？员工可以帮忙找下一份工作，遣散费也能给得体面。事情理顺之后，他意识到这并非当初在应激反应里以为的艰难决定，它是对的。

另一个关键因素是时间压力。税按年征收，那个时间点做的决定是他们唯一能决定的机会。你不能等到4月16日、已经告诉很多人会帮他们报税之后再掉头，也不能等到1月、签了一半合作伙伴之后再转型。窗口大约就是一个月，在10月15日前后。那段时间他们同时生活在两个宇宙里：一个继续做税，一个回不去了。窗口一过门就关。格雷兹很清楚，如果行业不受周期波动影响，人总会告诉自己先是一个月再是三个月，可他们没有这个余量。窗口消失时必须马上决断，否则一年之后还在原地。

公司的名字最后没有改，还叫Town。

从报税到邮件日历：需求藏在客户的抱怨里

从税走到今天的Town，中间经历了什么？他们认真探讨过大概四个想法，最后选中了一个问题：为什么没有人做一款真正跑在电子邮件和日历上的好产品？

这个念头不是凭空来的。做税务产品时，很多客户会说你们居然把税自动化了太棒了，可客户还得花大量时间安排会议，开会时常常忘了会前聊过什么，客户永远在问同样的税务问题，要是你们能把答案预先拟好就好了。这些需求做起来并不复杂，只是当时还没有人把强大的AI用在这些再常见不过的流程上——会议准备、会后跟进、回复简单的邮件。

他们是在Opus 4.5发布前后开始探索这件事的，那时智能体在编程网上已经能够独立完成越来越多的工作。他们并没有坐下来认真算潜在市场规模有多大，只是拿到了大量用户反馈，决定接下来几个月全力冲刺。推进中发现，大多数企业的邮件和日历都是爆满的，尤其是销售、商务拓展、招聘这些对外角色，公司之间的协作主要靠邮件。他们判断潜在市场规模肯定很大，而且不止在美国，全世界都是如此。

产品驱动增长还是直接找企业签单？格雷兹的判断是：客户是开支票的人，用户是每天跟产品打交道的人。如果客户不是用户，你最后很可能做出一款糟糕的产品，让决策者开心却让使用者难受。他的联合创始人来自Jobbox，从Jobbox学到最重要的一点是，你随时能拿出一款世界一流的消费者产品体验，再去想它对于企业意味着什么；反过来从企业合规和IT需求出发再推到一款体验极佳的产品，几乎不可能。所以他们的重心一直是把产品做到足够好，增长自然会来，企业内测先保证数据和隐私安全可靠。他们赌的是消费者的预期——CEO心里的参照物是自己在个人场景里体验过的私人助理，他希望公司也能有。

中立智能体的四个立场

兰普尔补了一段自己的观察。2007年iPhone发布时，史蒂夫·鲍尔默说没人会买一部800美元的手机，结果黑莓很快完了。他的解释是，那年圣诞节很多CEO都收到了一部iPhone之类的礼物，正给孩子拍照然后被镇住了，紧接着就是一句：我是老板，你去想办法让这些东西在公司里跑起来。也有人还停在怀疑里，说AI好像不太好用，我用的是Watson之类的软件，感觉就像iPhone已经出现，人们在个人生活里感受到了AI的奇妙，可这种感受还没有进到工作场合。

格雷兹借用一家叫Good Technology的公司把这层担忧说透了。那是早年给iPhone做的企业级邮件客户端，他形容这款软件丑陋得离谱。他提起来是想说，这不只是黑莓的故事——有时候做好产品未必是好生意。他强调变化的速度就是人的速度：眼下智能体这个类别的用户已经有数百万，遍及全球，可还处在普及的很早期，就像iPhone一样，可能需要6个月、12个月、18个月才能让大多数人先自己感受到那种魔力。等感受到了，问题就来了：怎么在公司内部落地？这比iPhone更复杂，因为智能体有效的前提是能够访问数据和支撑业务运行的API。他们的思路是先谈旅程本身，让一部分人先把邮箱和日历关联上，感受到足够的价值；到了企业层面，还有审计日志、不得与智能体共享的机密信息、首席财务官要的成本控制等等。往低端市场走，目标客户转向中小企业和中型市场公司，要求会少得多，普及也快得多。他目前的赌注就是把产品体验做好，靠自助式增长切入中低端市场，再从安全合规角度拿下企业。

聊到助理市场，兰普尔讲了自己的经历：他有一位行政助理，但即便如此也不放心让对方看自己所有的邮件。他在伦敦时以为要去参加一场晚宴，结果日历上根本没有这一项，原因竟是他自己没回邮件。所以他说，行政助理的市场看起来很小，因为大多数人根本没有，可真做出来规模会相当大。这里有一个杰文斯悖论：蒸汽机效率变高之后，人们以为煤炭需求会下降，结果反而涨了1000倍，因为能高效完成的事情更多了。格雷兹对市场的定义是做一款能与人良好互动的产品，帮人找到更多把AI用在工作上的机会。某种意义上Town像一台Token分配机，让人自己决定把Token花在哪。随着Token价格下降，可以用Token的地方会越来越多。

他举了个例子：每场会议前准备一份会议笔记，这件事行政助理不会做，因为太浪费人力，可用大模型来做成本很低。于是有需求的人突然就能够每场会都有准备笔记，还能顺带查一查还有谁参加了这场会。这些场景变得有价值，就是因为便宜了太多。他们的工作就是不断找出这类机会，然后问用户：你想让我们帮你做这件事情吗？

另一个例子是餐厅老板。你在美国开餐厅，批发商大概每个月会发一封邮件，或者每个季度给一份覆盖所有库存商品价格的PDF，成千上万件物品价格还一直在变。理论上你那位兼职财务每个季度应该做一件事：看看价格怎么变了，能不能从别的批发商订货，有没有因为某件东西涨了20%到30%而多付了钱。可大多数情况下你不会做，因为它太琐碎，不在你的运营范围之内。有了Town，你只需要每月跑一次分析，五分钟就能拿到结果。哪怕12个月里有11个月什么都没有发现，这件事也值得做，因为跑一次大概花一美元，而真正有发现的那一个月，它能帮你找出几百甚至上千美元。

FDE即Forward Deployed Engineer（前置部署工程师），是Palantir等企业软件公司开创的一种交付模式：把工程师派驻到客户公司内部，深入理解其业务流程，再用软件或AI为客户定制解决方案。这种模式的优势是能贴近真实需求、交付高度贴合的产品；劣势是边际成本高、难以规模化，每个客户都需要一支驻场团队。文中格雷兹将Town的自动化路线与FDE对比，指出如果企业每年支付高额FDE费用，短期看划算，但随着模型能力提升，需要人工介入的环节会越来越少，重人力驻场的性价比会持续下降。Town选择的方向是让产品自身通过汇总指标和用户访谈沉淀行业知识，自动识别用户类型并推送打磨好的自动化流程，从而以更低的边际成本实现类似定制的效果。

横向起步，把定制交给自动化

顺着产品与增长聊到横向还是纵向，格雷兹态度明确：不想Town被孤立成帮你省生菜钱的公司这种标签。他们更愿意从横向开始，从成千上万的用户和数万家企业里学习，再让市场来决定垂直方向。在他看来，大多数AI产品的功能会越来越像，价值单位已经从应用程序变成了电脑，应用被抽象掉了，价值会下降，靠某个功能领先市场越来越难。

那怎么做成功的公司？他们的答案是随着AI进步，产品能够为每个用户更好地定制。你是电工、是风险投资人、是行政助理，能够自动化的事情各不相通，可这件事现在还做不好。如果直接去问模型，只能拿到一些表面的建议。所以他们不看用户数据，而是看汇总指标，找出平台上活跃的用户去和他们聊。聊十位精英餐厅的老手，你会发现他们都会做五件共同的事情，然后做出原型自动化流程，管它叫餐厅老板的日常流程。当有人加入之后，系统会判断你像不像一个餐厅老板，再把打磨好的方案摆到你面前。AI还在进步，随着能做的事情从五件变成十五件，对外部库的依赖越来越少，慢慢就能交付80比20的定制软件。

他把实验室的FDE方法拎出来对照：派一个人进驻你的公司摸清业务，再用AI开发定制软件。如果你每年给OpenAI付500万美元的FDE费用，现在看起来很划算，但随着模型改进，这种方法会越来越差。他们选择的是更偏向自动化的路子，扩展性要好得多。

凭什么比OpenAI和Anthropic更好

接着是比较：Town凭什么比OpenAI和Anthropic更好，尤其是它们现在也都有连接器可以关联Slack、LinkedIn这些应用。兰普尔的类比是基础设施与应用层的关系：思科和Akamai是基础设施公司，90年代亚马逊和eBay这类应用公司起来了，思科从没想过自己去开书店建拍卖网站。他说我们正处在一个奇怪的时代，旧设施正在变成应用程序，跟自己的供应商竞争是有风险的。

一个简短但不太好的答案是：围绕电子邮件和日历的用户体验截然不同，别人没有真正盯住这一点。但这只是简单的答案，因为OpenAI和Anthropic的某个人随时可能醒来决定做这件事。更好的答案是回到客户需求上：跟一家500到1000人的中型市场公司聊，你问他未来三到五年哪家模型供应商会是最好的，他可能回答不上来；那你如果买了OpenAI的产品，是不是就得一直用OpenAI的模型，万一它不是最好的呢？所以他们把自己定位成中立的应用程序，用当前最适合你的供应商，不只是通用智能，语音、视频、幻灯片这些能力上谁更强，决定权也留在自己手里。

第二个立场是所有权归你：数据、记忆和上下文。企业过去拥有实物资产和人力资源这样的资产，现在又多了一类，也许可以叫上下文，也就是AI了解你业务的一切。他认为这一整桶的东西你都应该拥有，如果有比Town更好的方案，迁过去只要一天。那些给你部署FDE的人，实际上是想让你更难换人。第三部分是训练：一家足够大的公司，实验室不会拿你去做实验，而如果被卷进权重里，等于你把自己企业成功的关键卖给别人。所以Town不做训练。

最后一个立场关于竞争，他们对人类与AI的关系看得可能比实验室更加前瞻。Town里面有一个叫Teams的产品，围绕构建内部客户关系管理系统，他们信任智能体去决定公司掌握哪些信息，或者其他员工能不能用。举个例子，你在Town里问有人认识财务团队的人吗，这个潜在客户是谁呢，Town助手能看到其他员工的智能体，帮你找到跟你那条线索相关的人。虽然这个功能很强，但从隐私角度出发，设计必须非常出色。他们的想法是让人以AI的速度去运转：过去你在Slack或Teams里问一句有没有人认识那个团队的人，得等上大概一天才有回应，而在Town这边你会立刻得到回复。他们决定在这类问题上依靠AI来解决安全与公司内部的隐私，未来的样子是人工干预比今天少得多，而他们的工作是让公司坦然接受那个世界，因为它带来的经济利益远远超过可能面临的风险。

对大多数大公司来说，真正依赖任何一家实验室都没有意义。这里有一个恰到好处的相关区间：假设你的营收是一万亿美元，那当然是实验室的头号目标；但如果你的收入为零，没人用你的产品，它们根本不会在乎。编码已经越过了那条线，Anthropic在代码上投入很多，显然无法忽视，但医疗、法律、编码都是巨大的领域，实验室几乎不得不下这些大赌注，导致横向分散很难在小市场里深耕。

“跨越鸿沟”（Crossing the Chasm）源自杰弗里·摩尔1991年的同名著作，是对埃弗雷特·罗杰斯创新扩散理论的商业延伸。摩尔指出，高科技产品从早期采用者（技术爱好者、远见者）过渡到早期大众（务实主义者）之间存在一道鸿沟，两群人的购买动机截然不同：前者愿意为新技术容忍缺陷，后者要求完整方案、参考案例和成熟生态。许多产品在早期采用者中流行后便停滞不前，正是因为没能完成这一跃迁。文章中兰普尔借用这个概念指出，AI的扩散并非“有或无”的问题，而是分布极不均匀——硅谷的工程师群体早已跨过鸿沟，而世界大部分地区的中小企业主仍停留在把ChatGPT当“更好的谷歌搜索”的阶段。格雷兹由此判断，真正的机会在于让不爱捣鼓的普通人也能获得与修补匠同等的AI价值。

分布从来不是均匀的

两人聊到一个更微妙的问题：分布从来不是均匀的。兰普尔说，很多人说要跨越鸿沟，但这不是那种只在一个地方存在、其他地方没有的技术，世界各地的人都在用，只是分布不均。格雷兹举了个度假租赁公司的例子：有人利用Town去对比沙滩板或沙滩车的照片有没有损坏，据此决定事后该不该退押金。这根本不在他的愿望清单上，解锁这个需求的是那家小企业里一个爱捣鼓的人，他被这件事烦到了，然后和Town助手商量怎么把图片自动比对。他们在经济的各个奇怪角落都看到了这样的使用问题，也正在这里，世界上缺少足够多的修补匠，缺少有时间为自己的生意折腾的人。这才是AI没能够普及的原因。即便Claude或ChatGPT已经存在了12个月，很多小企业可以用它省下更多时间，可他们只是把它当成一个更好的谷歌搜索。原因在于产品体验不能只是一个文本框，你没法教会别人，只能够向人展示价值主张，并且替他把这件事做出来。

那为什么要让用户留在Town呢？他们关联了邮件、日历，最好再接入一个业务记录系统，然后构建出一个并非开箱即用却很神奇的自定义集成。这也是为什么分布不均：在硅谷，大家都和工程师一起工作，离那种天然的动手能力更近，而世界的大部分地方没有这个条件。如果你能够让一个不爱捣鼓的人进入AI，并且拿到和修补匠一样的价值，那你就有可能做出一家规模极大的公司。很多商业问题AI都能够解决，智能本身是现成的，关键在于如何大规模有效地部署它。

兰普尔提到他在哈佛遇到的一位非常聪明的教授，了解AI后说自己几年前试过，还行，不算好。兰普尔让他用AI重写了那篇20多年前写的论文，他说太棒了；得知这个AI就是ChatGPT之后，他反而不敢相信。AI的进度太快了，很多人习惯用当下的标准去评判它，而硅谷倾向于判断它未来会走到哪里，还有一大群人看到的只是它现在的样子。一部分原因很讽刺，是那些早期采用者两年前试过一次，发现会出现幻觉、会出错、效果不好，然后就僵在了那个版本的现实里。如果他们现在再试一次，结果会完全不同。

格雷兹的判断是，最终的胜利在于持续发展，让业务不断适配当下最好的AI，而人们对于什么可能、什么难、什么不难的认知会被彻底颠倒。他举了Computer Use和Browser Use的例子：过去两个半月里，智能助手能做到六个月前几乎不可能做到的事情，成功率从大概30%提升到了90%。

所以用Town做演示时，他在替你挑东西，你会惊讶难道不需要用户见面吗。可这些东西并不好推销，得说得很具体：比如我可以用你已经付费的Canva订阅，做出你一直用Canva做的那种海报，你想让我做吗？五分钟之后只用了25美分，Town就拿出了一些很有价值的东西。那些看起来越来越不可能的事情，其实只是在顺应当下模型能为你做什么的潮流。

智能体流量改写广告契约

兰普尔随后把话题引到智能体流量上。他说广义的智能体流量已经远远超过了人类的流量。他用雅虎财经打过比方：雅虎付费从纳斯达克这类地方拿到股票报价，免费提供给你，条件是你把注意力交给他，让你看到e-trade的广告。可这份契约已经被打破了，打包契约的双方是对抗的，但这里面也藏着协同的机会。这就像是全新的搜索引擎优化：如果你能够成为智能体流量的接收方，不去阻挡它，而是想着怎么去迎接它，那就是一个巨大的机会。按照这个逻辑，亚马逊的损失应该会成为沃尔玛的收获，因为沃尔玛没有广告业务，激励机制不一样。

格雷兹顺着说，最有趣的地方在于，如果智能体的信息不再中立会怎么样？比如你用Meta的智能体，Meta有大量广告主，联合航空在Meta上投的广告比任何一家航空公司都要多，你让它帮你订机票，一旦你觉得它给的不再是中立的信息，会发生什么呢？人的动机永远存在，始终有人会想去推销、去做营销。所以他认为，你需要的是一个中立的、属于你自己的智能体，它没有别的资金来源，你的钱包就是它唯一的资金来源，它才会有动力给你最好的信息，而不受营销力量的扭曲。

还谈到对抗与非对抗，把它放进体验的框架里：有些摩擦是人享受的，比如逛街时在店与店之间来回进；也有些摩擦他不想花时间，比如在家订卫生纸只想尽快把同款放进购物车。可人不总是在追求效率的最大化。如果他是亚马逊、面对每年700亿美元左右的广告业务，他会说不应该屏蔽智能体，可不屏蔽会带来更大的压力，所以要去创造一种不同的体验，让你在那里边确实能够看到广告。然而AI的发展实在太快，会以没人能够预测的速度改变分配方式和人的习惯，这当中肯定会有人惨败。

他另一个觉得有趣的类比是Muse，一款免费的私人智能体。人们会想，总有一天Muse得在上面投广告吧，但也许根本不用，也许Muse只是提供数据，让它在Instagram上更好地定位你就行了。用户打开Instagram就不是为了效率，而是为了找乐子，于是变现和智能体体验就这样被分开了。而像亚马逊这样的平台，至少在智能体这一侧是处于劣势的。如果你只是一个供应聚合方，这可能就不再是一个好的商业模式，真正的应对应该是拥有自己的私人智能体。

他补了个例子：有个网站叫CamelCamelCamel，专门追踪亚马逊价格，光美国就有2000万人在用。你告诉它我想知道胡椒博士汽水现在是不是从8美元降到6美元，降到6美元就告诉我，它不会替你下单，只会给你发文件。有些人的时间比金钱更加充裕，有些人钱多时间少，钱多时间少的人就不会去用CamelCamelCamel，只有时间多的人才会。如果你现在把这些工具交给每一个有钱没时间的人的智能体去代劳，他们当然会用。这简直就是一道智商测试题。所有这些的共同点是：供应聚合的价值大大降低了，因为人的注意力是有限的，而现在它可以被自动化替代。

把整场对话连起来看，格雷兹的路径其实很清晰：一门在旧世界里成立的好生意，在AI压缩了优势窗口之后未必还能长成一家风险投资规模的公司，于是他选择主动关掉它，用一个月完成转向，把客户的那句抱怨变成了Town。他对行业的几个判断也摆在明面上：客户和用户要分清，模型供给要中立，数据、记忆和上下文的归属要留给用户自己，而智能体带来的流量正在改写过去那套靠眼球支撑的广告契约。这些判断会不会都成立需要时间验证，但有一个问题值得留给大家：当你的智能体和平台方的智能体利益不一致时，你会怎么选？是继续用那个免费但可以被营销扭曲的助手，还是愿意为一份中立的智能付一点费用？