20VC对话Town创始人JD：1000亿美元AI助手之争

摘要

• JD 在融资中途承认的核心竞争事实，令人大为意外：“未来12个月内，我知道自己正在做的事是 Google 和 Apple 的前三大优先事项。” 不是前十大优先事项。他的回答是，在 Town 还没有做到更大之前，“谈护城河多少有点奢侈”——巨头“会一路靠复制追上来，但前提是要复制一个已经成功打造出主流产品的人”，而目前还没有任何产品，包括 GrokBot，真正具备深度的主流产品市场契合度。
• 他真正押注的护城河，是代理层面的网络效应——“如今还没人真正解决多用户、多参与者 AI。” Town 的 agent-to-agent 功能允许你的“townie”在不知道答案时向同事的 townie 提问；一旦整个团队都在这套系统上运行，迁移就会变得困难。他对未来5年的判断更进一步：“我认为你会信任自己的代理，在不需要你介入的情况下决定向其他人分享哪些数据”——模型会尊重用户从未明确写成硬规则的边界。
• 他对单位经济终局的担忧非常明确：“在前沿模型上，我完全没有定价权。” Town 目前主要运行在前沿模型之上。JD 表示，创业公司希望模型成本曲线能在18–24个月内实现经济性改善；如果推理成本每9–12个月减半，一款产品今天定价，18个月后就可以做到20–30%的利润率。真正无法确定的是，仍有10%、20%还是30%的工作负载会留在前沿模型上——他还在问，这是否就是 Cursor 的处境：公司一边向供应商付费，一边与供应商竞争。
• 他的市场结构判断是，行业已经从大约15家创业公司收缩到“2到3家”，因为“如今你可以用机器的速度构建产品，但只能用人的速度学习”。 过去能持续数年的功能领先，现在只剩2到4周；Anthropic、Cursor 和 GrokBot 等成熟玩家也在以创业公司的速度推进。他关注的是 GrokBot，而不是 Instinct——“我不认为 Instinct 和 Town 在做同一件事”——并认为 Apple 新版 Siri 虽然不错，但能力大约落后9个月。
• 相较于拿补贴的竞争对手，变现纪律才是差异化所在：尽管有一道很硬的门槛（“你必须连接邮箱和日历”）会立即流失30%的用户，Town 仍能将超过15%的试用用户转化为付费用户，JD 称其目前每位用户年收入超过700美元。 成功的定义是“一个每月付我钱的人”，而不是 token 用量——没有价格约束的测试用户每月烧掉2,000–4,000美元算力，其中一人5个月花了约26,000美元；他也不看好纯广告驱动的助手，因为 token 太贵，广告会污染用户轨迹。
• Town 的 AI 工具年化投入达到“每位工程师至少7.5万美元”——用 Devon 处理 bug，用 Cursor 的 Composer 做前端，并在 Codex 和 Claude 之间大致五五分成；5个月前还“主要是 Claude”。 他估算全球算力支出相当于约3名工程师，可能是4名；如果按包含股权成本的硅谷工程师成本衡量，则相当于约1.5名工程师。投资回报计算很有吸引力：“我眼前到处都是金子”——客户要求 SSO、审计日志和集成，达到这些功能才会签约——所以如果有更好的模型，他现在就会继续加大投入。
• 1000亿美元的多头情景是1,000万名付费用户；如果只能二选一，他会选1亿名消费者每人支付20美元，而不是100万名用户每人支付100美元——因为企业端的净收入留存率具有弹性，而个人使用最终会触顶。 他的案例是一家招聘公司每月向 Town 支付约600美元，由此自动化出足够产能，再接下一个每月价值3,000美元的客户，并愿意再花500美元接下一个客户。至于相邻赛道，他是 ElevenLabs 的满意客户，但既不声称看空，也不排除以220亿美元估值投资；他的判断是，公司最终可能遇到“足够好”的天花板，而220亿美元已经是一大笔钱。

精读

1. 从失败的 AI 报税业务，到几周内找到产品市场契合

• JD 直面 Town 之前那一年：“事实是，我们没能打造出一门真正优秀的生意”——那是一家 AI 企业税务公司，确实有一定 PMF，但远远不够。3个月“在荒野中摸索”后，他们只问了一个简单问题：既然那么多人依靠邮箱和日历管理工作与生活，为什么还没人做出一个能直接在邮箱和日历里运行的 AI？
• 这次转向踩中了时间窗口：“当时 Opus 刚刚完全进入 agentic 阶段”——大约是去年11月或12月，技术已经让产品成为可能，人们也正兴奋地尝试 AI。他们几周内做出的原型“几乎立刻就找到了产品市场契合”。没有做上百次客户访谈；他们先为自己打造产品，然后运气不错。
• 与此同时，OpenCall——节目中就是这么说的——“正在爆发……就在我们开发产品的同时”。JD 的区分构成了这套判断：一种是只有极客才能使用、但开源且惊艳的东西，他随后称之为 OpenClaw；另一种则是“几乎任何人”都能从中获得价值的产品。

2. 护城河是奢侈品，真正的押注是多人协作 AI

• 当被直接问到前沿模型公司和 GrokBot 是否会蚕食 Town 时，JD 毫不回避：站在最核心的赛道中央，所有人都会来争夺 Town。但他的现实答案是：“谈护城河多少有点奢侈，得等你比今天的 Town 成功得多，这件事才重要。”第一步，是在“10亿潜在付费用户”的 TAM 中实现深度 PMF；大玩家“会一路靠复制追上来”，但前提是必须有人值得他们复制。
• 他相信的护城河是：“这个品类最终胜出的产品，会在代理层面形成网络效应。”Town 的 agent-to-agent 功能——你的 townie 向同事的 townie 提问自己无法回答的问题——藏在产品的一个子功能里，但发现它的用户都非常喜欢；“一旦整个团队都在这套系统上运行，就很难想象还要迁移到别的产品。”
• 他也坦诚盘点了市场上其他护城河理论：针对每家公司或个人后训练定制模型；积累起来的上下文和连接，用户不会再次授权给别人；或者根本没有新的护城河，只有分发——如果是后者，个人使用场景中最可怕的竞争对手就是 Meta，因为 WhatsApp 助手即将推出，而且 Meta 已经拥有分发能力。设备逻辑也类似：如果 AI 成为取代 App 和网站的入口，“谁拥有设备……谁就会赢”。
• Town 还押注人与助手之间的关系：每位用户都会得到一个有名字、图片和身份的助手。JD 认为，这种关系会形成类似 Snapchat 的强烈用户偏好和结构性防御。第三个押注是重度预处理——在用户提问之前，先建立用户的心理模型和上下文，尤其用于工作关系网络。

3. 每个人只需要一个主助手，隐私而非功能决定数据隔离

• JD 对多代理还是单代理的答案是：每个人只会拥有“进入数字空间的1个、2个，也许3个入口”，因为没人会想：“我现在在做销售，让我用 Salesforce agent。”用户只需按下按钮开口说话。硬件层面可能仍然只有一个入口；真正合理的分拆来自隐私——雇主希望拥有工作数据，因此个人和工作数据仍会在数据层面分开，甚至可能由下沉一层的两家公司分别承载。
• 垂直代理会留在界面之下：以 Harry 投资组合中的 Legora 为例，律师的主助手“会在后台直接与 Legora、Salesforce 或任何它需要的系统对话”。唯一悬而未决的问题，是用户是否会感知到这个垂直代理的存在。

4. 未来5年的判断：由代理决定向谁分享什么

• “我认为5年后，你会信任自己的代理，在不需要你介入的情况下决定向其他人分享哪些数据。”他的场景是：你的代理和两个朋友一起规划旅行，能够回答你在饮食偏好和可飞行时间上的问题；当朋友开玩笑问起你的病史时，“代理会说，‘不可能，我绝不会告诉你。’而这从来不是你预先设定的硬规则。”
• 这背后的信息论逻辑是：一个能访问全世界信息、拥有无限 agentic 搜索时间的 LLM，最终总能找到正确上下文；现实世界存在数据孤岛，是因为过去只有人类能充当信息搬运工。AI 之前的数据治理依赖分类和访问政策，速度慢、成本高，而且仍会让必要的上下文“卡在某个人的收件箱里”。
• 商业案例是：一家1,000人公司的销售需要引荐客户，今天的做法是在 Slack 发消息；未来，他的代理会查询所有人的代理，并返回：“Liz 与客户有私人关系……Bob 有工作关系……而且他们下周要开会。”这是很好的业务结果，但前提是个人信任经过后训练的 LLM，让模型把薪资、病史等神圣不可侵犯的信息过滤掉，承担过去由人类承担的角色。

5. 容错能力与“目标寻求”问题

• 谈到犯错时，JD 的说法是相对性的，而非绝对性的：“LLM 在这件事上的效果会远胜人类。”他举了一个能力排名前0.1%的同事的例子：本来只想对一部分人说“真不敢相信我们雇了这些小丑”，评论一笔收购交易，结果却回复了全公司。“财务部的 Bob 犯错，HR 的 Liz 不小心把包含员工薪资的表格公开给所有人。这种事一直在发生。”
• Harry 讲了 Jason Lemkin 的故事：一个代理试图买6块 AP 手表“以提升公司的文化”，最后因为刻字多了一道流程才被阻止。对此 JD 少见地回答：“我没有答案。”但他选择的世界观是：人的角色是设定目标、分配 token 预算，并“监控行动的整体形状”。这些监控职能本身可能也会由代理承担——“我只是不认为它会和你放在那条路径上的代理是同一个代理。”

6. 模型路由：个性一致性才是隐藏约束

• Town 按任务路由模型——图片使用 Gemini 或 OpenAI，语音使用 ElevenLabs——因为“我们不认为大多数人关心哪个模型在哪方面更好”，而且基础能力“每周或每两周”都会发生根本变化，路由应该由应用层负责。
• 不明显但关键的约束是声音和语气：Anthropic “花了很多时间……确保整个模型家族在个性上大体不会变化太多”，所以如果把最终输出切换到 Kimi，用户会“觉得自己的 AI 被切除了脑叶”。用户真的会提交工单：文本代理突然变得啰嗦一倍，或者开始使用不同的大小写规则。编码是例外——“代码能否实现它的目的？”——因此纯推理层可以自由路由，但面向用户的那一层不行。

7. 单位经济：一切取决于还剩多少前沿任务

• 关于成本，创业公司的诚实答案是：“我们希望成本曲线在18到24个月内变得高效……在此之前，你实际上是在承担一部分补贴。”给邮件打标签既不需要 Opus，也不需要 Sonnet 级别的智能，成本趋势会逐渐接近算力成本；如果价格每9到12个月减半，JD 认为产品今天定价，18个月后可以实现“20%、30%的利润率”。无法回答的问题是：“最后会剩下10%的任务属于前沿需求，还是20%，还是30%？……确实没人知道答案。”
• Harry 追问：邮件标签和会前简报显然不需要前沿模型。JD 部分认同，但也解释了优先级：定制工作流确实很难，然而 Town 主要留在前沿模型上的真正原因，是工程师时间的投资回报。切换到开放权重模型可以改善 COGS，却不会改善产品，而“我们非常专注于更快把蛋糕做大……这不是业务成功的约束”。
• 终局压力是结构性的：“在前沿模型上，我完全没有定价权。”JD 问，这是否就是 Cursor 的处境：如果你以70%的毛利率向供应商付费，同时又与供应商竞争，最终会变得困难。即使拥有数千万用户，仍然要向 OpenAI 和 Anthropic 支付假设中20%–30%前沿工作负载的成本，这“是我经济模型中唯一不同于其他人的部分”。他说自己有很多“如果”，但今天还不需要解决这个问题。

8. GTM 机制：极客、硬门槛与15%的转化率

• 企业内部的采用预测指标之一是：“团队里有没有一个极客？”一个高级用户搭建团队技能和工作流程，所有人都能免费使用，往往会推动产品更快地全面扩散。Town 仍希望单人体验在没有极客的情况下也能成立，为房地产经纪人、销售人员等不同角色开箱即用地提供自动化。尚未被充分服务的切口是：销售运营已经被 AI 推销淹没，但行政助理、幕僚长、HR、初级财务和招聘人员“日常工作中确实没怎么用 AI”；Town 可以通过与他们合作的领导者和运营团队切入。
• 核心产品洞察——Harry 认为它或许没那么有洞察力——是强制用户一开始就连接邮箱和日历。JD 的辩护是，这与 ChatGPT 形成对比：后者的建议“就是很差”，基础体验则是一个空白聊天框；Town 的说法是，“如果你不做这些事，就无法使用我们的产品”，随后直接展示“你平时会做的工作”以及推荐的自动化方案。这道门槛会“立刻流失30%……你必须愿意承受这个损失”，但试用用户转化为付费用户的比例超过15%——“对 PLG 来说极高”。
• 公司内部正在进行一场现实争论：家庭和父母群体意外表现出 PMF——美国学校“会发很多邮件”，孩子的日程安排无休无止——这是一个付费意愿明确的群体，“但付费能力不如中型企业”。问题是，应该围绕这个新发现的 PMF 做营销，还是继续坚持既有战略？

9. 机器速度的竞争：从15个对手缩至2–3个，真正重要的是谁

• 开发过程中最难预料的事情是：“市场速度太疯狂了，Harry。我从没见过这样的事。”过去的玩法是花几年时间提炼用户洞察，同时享受复制者的落后；现在已经结束：“如今你可以用机器的速度构建产品，但只能用人的速度学习”，任何有效的东西都会在2到4周内被复制。他的创业公司竞争集合已经从大约15家缩至“2到3家”，但拒绝说出名字——“我不会免费给他们做营销”。
• 起跑线上的对手包括 Apple、Google、GrokBot、Cursor、OpenAI 和 Anthropic。成熟玩家的推进速度异常之快：Anthropic “非常快”，Cursor 和 GrokBot 的速度也让 JD 觉得不可思议。Town 很多研发工作“只是跟上 Joneses”： “如果 Codex 能做而你做不到……那就结束了。”
• 谈到 Instinct——Harry 提到它刚以25亿美元估值融资，但尚未实现商业化——JD 划出了战略边界：“我不认为 Instinct 和 Town 在做同一件事……我看到的更像是一套获客战略，目前用完全补贴的免费产品来获客。”他真正研究的是 GrokBot，因为后者瞄准他的市场；GrokBot 与 X 的整合对部分早期用户有帮助，但“在 X 上使用这些产品的人，并不是真正的产品市场契合”——那是高级用户和影响力人群，而不是最终胜负的决定性市场。
• 对于向 Harry 融资推介的4到5家欧洲版 Town 或欧洲版 Instinct，他要求对方说明本土玩家能赢到终局的具体理由——GDPR、分发能力，或尚未被营销触达的地理市场——因为要跟上 Codex 大约100人的能力水平，“成本非常高”。

10. Apple 的结构性问题，以及我们已经接受的安全交换

• JD 认为 Apple 面临双重束缚：“他们不是一家云公司，这根本不是他们的 DNA。”代理会从更多数据中变得更强，而这些数据并不都在手机上；与此同时，出于竞争考虑采取的端侧隐私立场又“让他们远离前沿”。传闻中的新版 Siri——“你认识试用过它的人……我们都知道它会不错”——能力仍会大约落后9个月。它会很方便，会存在于手机上，也会包含云端组件，但 JD 预计它的能力弱于 Town 或 GrokBot。
• 关于即将到来的网络威胁黄金时代，他给出了一个绝对判断：“在人类历史上，我们已经越过了那个不可能再回到由人类查看代码行的世界的节点。”他的类比是20世纪的化学品：人们把化学品倒进河里，下游城市生病，随后 EPA 等监管机构和标签制度出现。“你无法想象我们能在每一步都把事情做对，但我认为我们不得不这么做。”

11. 成功就是有人付钱：token 最大化、鲸鱼用户与不存在的免费午餐

• JD 的成功指标刻意不时髦：“一个每月付我钱的人。”把 token 消耗量当作 KPI 很危险，因为用户最终会在低回报任务上烧掉大量 token，然后“有一天突然醒悟，发现自己付得太多，开始生气，接着流失”。Town 最近最受欢迎的功能，是发送邮件提醒用户哪些“失控例程”消耗了过多 token——用户会说：“噢，谢谢……现在我觉得你是在替我着想。”
• 订阅档位大致为15/49/99/199美元，另加按用量计费的超额费用。约15美元的档位“单位经济最差，补贴最多”，作用是把用户引导至49美元；99美元档位利润最高，用户是高频使用者，但不是无限制烧钱的人。他正在考虑为鲸鱼用户和倡导者推出 Max 方案，但尚未上线。
• 为什么不按 Harry 的建议破釜沉舟，彻底补贴？“如果我说自己从来没有在某些早晨醒来后想过这件事，那就是在撒谎。”但没有价格约束的测试用户每月烧掉2,000–4,000美元算力，其中一人5个月花了约26,000美元；企业也不喜欢不定价——“他们总想知道有一天会花多少钱”。他同样不看好纯广告驱动的消费级 AI：token 太贵，而且广告激励会污染轨迹——比如“它推荐一家为这趟航班付费的航空公司”——这会破坏用户对一个“属于他们自己的”助手的信任。

12. 快问快答：每位工程师7.5万美元、1,000万用户的多头情景与融资伦理

• 工具投入按年化口径计算，每位工程师至少“7.5万美元”：Devon 处理新出现的 bug 和视觉调整（“Slack 里的团队体验真的非常好”），Cursor 的 Composer 用于快速完成前端工作，Codex 和 Claude 目前“大概五五开”——而5个月前还主要使用 Claude。对于全球年度算力支出，JD 估算相当于约3名工程师，可能是4名；如果与包含股权成本的硅谷工程师成本相比，则更接近1.5名工程师。投入逻辑没有变化：“我眼前到处都是金子”——SSO、审计日志和集成能力都在决定客户能否签约——所以“我离开始怀疑自己是不是 token 最大化做错了还差得很远”。
• 1000亿美元的情景是：“如果我们能让1,000万人为产品付费”，按目前每位用户每年超过700美元计算——前提是增长能够持续，不像 Dropbox 那样，付费用户基数“某个阶段确实停滞了”，且没有办法提高每位用户的收入；AI 平台则应随着 token 驱动的工作量增长而提升收入。由于这种弹性，他会选择1亿名用户每人支付20美元，而不是100万名用户每人支付100美元。招聘公司的案例是：每月向 Town 支付600美元，就能多接一个每月价值3,000美元的客户。下一位董事会成员应该是“类似 CFO 的人”，因为增长型投资者会要求他拿出能够自圆其说的融资指标。
• 在语音方面，JD 表示 Town 使用 ElevenLabs，因为它听起来最好，但他不确定还要多久，成本更低或开放权重的模型才会追上来。只有当语音在语气、表达和情绪理解上达到约2倍于现在的水平时，他才会更在意成本。
• 还有两条值得保留的伦理判断：如果一位可信赖的队友称候选人是“我共事过的最优秀的人之一”，Town 会跳过核心面试——“要么我不信任自己的员工……要么就没有必要让他做白板题”，这样做毫无意义。至于分层融资，他见过这样的交易：“他们融了6,500万美元，其中500万美元按500美元的价格，另外6,000万美元按200或300美元的价格……我认为这对员工不合乎伦理。”他不会确认或否认自己这一轮融资的价格。节目最后的基调甚至带着阴暗思考：“穿过黑暗森林是有路径的，尽头只有1到2条巨龙守着一座巨大宝藏，所以必须出发。”