JD Grèze：打造 Town 与 AI 助手市场的竞争

Harry Stebbings 说自己使用 Town，并欢迎其联合创始人兼 CEO Jean-Denis“JD”Grèze。Grèze 将 Town 描述为连接邮件和日历的 AI 助手，它会根据用户安排工作的方式建议后台自动化任务。

公司最初用一年时间为企业税务准备打造 AI 工具。Grèze 说，产品找到了一定市场契合度，但不足以形成他想要的业务，因此团队重新出发，花了几个月寻找新方向。

新的问题是，为什么没有人做出一款广泛易用、通过邮件和日历工作的助手。Grèze 说，智能体模型的进步让更完整的工作流成为可能，团队几周内做出的原型获得了令人鼓舞的早期反馈。

他对比了面向技术爱好者的产品与 Town 希望为普通用户创造价值的目标。他对原型产品市场契合度的描述是创始人判断，并非长期留存的独立验证。

Stebbings 问到来自模型提供商和平台公司的竞争。Grèze 说，这种前景会让他夜里醒来：他相信助手是大型科技公司的重要优先事项，而 Town 正在拥挤的市场中建设产品。

他说，对早期初创公司而言，在产品拥有深度市场契合之前，防御性并不是最紧迫的问题。Town 当前的挑战是找到许多人愿意使用和付费的体验；他认为自己和竞争者仍需努力才能进入主流市场。

一个长期押注是智能体之间的网络效应。Grèze 介绍 Town 的一项功能：一个人的助手可以向同事的助手询问相关信息。他认为，如果整个团队使用并从中获益，切换产品可能变得更难。

他列出其他可能的防御来源：定制模型、积累的上下文和连接、现有分发渠道，或人们访问助手所用的设备。这些是相互竞争的理论，并非 Town 或任何公司的既定优势。

Grèze 认为，消息平台的分发渠道可能给 Meta 等公司带来优势。他还提到一种观点：助手可能成为数字服务的主要入口，从而让设备拥有者受益；但两种结果都没有保证。

他预计，一个人面向用户的入口只会有少数几个，而不必为每个任务选择不同界面。主要助手可以在后台调用专业工具，而工作和个人信息可能需要不同的边界。

即使一个人只用一台设备，工作场所的数据所有权和隐私要求也可能需要不同的数据隔离区或提供商。Grèze 以法律助手为例：用户可能通过通用界面交流，专业服务则在后台处理受特权保护的工作。

被问及一个五年后的惊人预测时，Grèze 说，人们可能会信任智能体自行决定可以分享哪些信息，而不必每次征求批准。他设想一位助手帮助朋友规划旅行，却拒绝透露某人的病史。

他把这与人们决定向别人透露什么时已经运用的判断力相比。Grèze 预计模型会更善于尊重敏感边界，但这只是预测，并非当前或未来智能体能可靠保护所有私人信息的证据。

他认为获取更多相关上下文可以改善助手，同时承认隐私和人们控制自己数据的重要性。实际上，更多访问权限也会带来系统必须管理的安全和泄露风险。

他的工作场景例子是一名销售人员在大公司寻找引荐。一个智能体不必在 Slack 频道广泛询问，而可能咨询其他员工的智能体，找出有合适关系的同事，同时尊重可披露信息的限制。

Grèze 预测，随着模型改善，用户会更愿意允许这种有限共享。Stebbings 问，系统出错的容忍空间有多大，尤其是助手订错东西或泄露敏感信息的时候。

Grèze 回忆，一个人曾把只想发给少数人的邮件误回复给全公司。他认为人也会犯披露错误，并预测模型最终会在某些错误类型上犯得更少；这个轶事并不能确立双方的错误率比较。

Stebbings 提到目标导向行为，并举了一个智能体试图进行不需要的购买的轶事。Grèze 说，对于智能体应该自主运行多久、应给予多大自主权，他没有确定答案。

他更倾向于由人设定目标和资源预算，并监督行动是否符合价值观。他承认其他智能体也可能帮助估算回报或审查行动，但不认为执行目标的同一个智能体应该是唯一监督者。

Grèze 说，Town 代表用户选择模型，因为多数客户不想持续追踪每个任务由哪家提供商处理最好。团队在文本、图像和语音工具之间权衡结果和成本，但开放式任务很难提前判断是否成功。

路由还有用户体验难题：切换模型系列可能改变助手的声音或写作风格。Grèze 说，用户会注意到冗长程度或措辞突然变化。因此，对面向客户的输出，他除了关注模型能力，也重视一致性。

对于内部推理或中间过程不太直接暴露的任务，他认为可以更自由地选择最适合的模型。他将其与编程比较：主要问题可能是代码是否能工作，尽管实现质量仍然重要。

谈到成本，Grèze 说，许多初创公司目前补贴部分使用，同时希望模型价格和效率改善。在他看来，邮件分类等常规任务不需要最昂贵的模型，最终可能使用更便宜或开放权重的系统。

尚未解决的问题是，一家公司有多少工作仍需要昂贵的前沿模型。Grèze 给出的几个比例只是情景，并非实测；答案会影响常规任务成本下降是否足以支撑健康利润率。

他说，Town 仍在大量工作中使用前沿提供商的模型，部分原因是用户会构建复杂工作流。团队可以投入工程时间将一些模型替换为更便宜的选择，但目前更重视产品改进和增长。

Grèze 将其视为稀缺工程时间的配置：降低成本要与构建集成、改善工作流和提高采用率竞争。他说 Town 的经济性可以更好，但认为产品增长是更紧迫的约束。

一个采用信号是团队中是否有技术好奇心强的人，愿意构建共享集成、例程或技能。Grèze 说，这类高级用户能帮助同事发现有用工作流，但 Town 也希望让从不配置的人获得简单体验。

他认为行政助理、办公厅主任、招聘人员及部分财务或人力资源员工等岗位，可能较少受到 AI 供应商关注。他说，他们的许多日常工作仍涉及邮件和日程安排。

Grèze 强调让单个用户快速获得价值。在他的描述中，会议准备和后续工作可以不经配置就立即产生用处；用户看到好处后，可能探索更多工作流并邀请同事。

被问及投资者如何评估新助手时，他概述 Town 的三个押注：拥有名字并与用户形成独特关系的助手、团队内协作，以及在用户提问前预处理信息以建立有用上下文。

这种预处理可能帮助助手理解个人项目、组织和工作关系。Grèze 把它视为潜在产品优势，但收益及隐私影响取决于数据如何被访问、存储和控制。

他说，对本地竞争者而言，投资人应问其凭什么获胜：分发渠道、地区隐私需求或全球提供商忽略的市场都可能是原因。他提醒，维持有竞争力的能力需要高昂成本。

初创公司还必须跟上快速变化的模型提供商和工具。Grèze 说，如果助手无法完成用户认为重要的任务，光有吸引人的分发策略是不够的；所需研发预算的规模是重大风险。

他说，最大的意外困难是市场速度。过去某项功能可能给公司时间学习，如今可能在几周内被复制。团队可以按机器的速度构建，但了解人们真正重视什么仍需要人的反馈。

Grèze 说，这使企业更难通过连续的产品洞察积累不受打断的领先优势。成熟竞争者也能快速行动，有时既拥有初创公司的速度，又有更强的财务和分发资源。

他仍认为市场广阔，因为许多潜在客户除了通用聊天产品外没有尝试过助手。竞争带来执行压力，但公司可以选择不同的客户、商业模式和产品策略。

他把 Town 描述为专注于付费工作场景和团队协作，而认为 Instinct 早期采用了不同路径。这些是他从外部作出的观察，不是对竞争者计划或经济性的确认。

Grèze 密切关注 GrokBot，因为他认为它可能面向与 Town 更接近的客户。他说，连接 X 可能有助于早期分发，而品牌关联也可能让部分专业用户退避；这两点都是他的判断。

谈到 Apple，Grèze 认为助手需要访问云端信息，而强烈强调设备端隐私可能涉及能力权衡。这是竞争者的观点，不是对 Apple 路线图或技术限制的已验证描述。

他承认 Apple 的设备分发优势，并预计其助手体验将改善，但推测它在某些能力上最初可能落后于其他产品。他说，结果取决于 Apple 如何应对界面变化和公司优先事项。

被问及安全时，Grèze 说商业助手必须谨慎处理访问控制。他预计人仍会审查关键的安全敏感代码，而更多代码由机器生成和测试；这是他对趋势的判断，不能代替安全审查。

他把当前情况比作一些行业在有害事件后逐步建立安全实践。他的意思是，随着风险更加清楚，测试、控制和监管可能演进；他并没有说失败无害，或每次部署都必然失败。

Grèze 主要把持续付费、因为产品提供价值而留下的客户视为成功用户。他提醒，最大化 token 消耗可能产生收益不明确的活动，最终导致用户流失。

一份会议简报对两个人的价值可能截然不同，却消耗同样数量的 token。他说，助手应帮助客户了解钱花在哪里，而不是假定计算越多结果越好。

Grèze 说，Town 开始提醒用户注意成本高的重复例程，让他们重新评估。他希望客户相信产品能帮助他们高效使用 AI，尽管他说这种信任难以用单一指标表达。

他介绍了不同的定价档位，以及超过套餐限额后的按量收费。据 Grèze 所说，最低价套餐补贴最多，而较高档位的单位经济性更好。这是公司在某一时点的陈述，并非独立审计的利润率。

在大量低付费用户和较少高付费用户之间，他偏好更广泛的用户基础。他预计工作客户会随着时间发现更多有价值的用途，并可能增加支出；这是他的增长假设。

他举例说，一家招聘公司通过 Town 自动化工作后能够多接一个客户。示例中的收入和订阅费用是他对单一场景的描述，并不能证明客户普遍能获得某种回报。

Grèze 预计更自然的对话式语音交互将很重要。被问及 ElevenLabs 的报道估值时，他说 Town 使用该服务并喜欢其质量，但不确定它相对于更便宜替代品的溢价能维持多久。

他说，规模大得多时语音成本会更加重要，一旦质量足够好，价格可能成为决定因素。他没有就 ElevenLabs 作投资建议，也没有确立该公司的价值。

他更深层的利润率顾虑是仍需前沿模型处理的任务比例。助手公司可能同时是模型提供商的客户和竞争对手，从而依赖一家也提供竞争产品、收费昂贵的供应商。

Grèze 把这描述为 Town 获得相当规模后才会面临的终局问题。实际经济性取决于未来模型价格、工作负载、竞争和客户付费意愿；他说自己尚不知道任务组合会如何发展。

他承认 Town 现在就与一些模型供应商竞争。他认为，近期机会在于让不知道该向通用聊天界面提出什么的人也能从 AI 中受益；公司所声称的优势是一种引导式产品体验。

Grèze 说，尝试 Town 的人中超过 15% 会成为付费用户。这是公司报告的转化数字，缺少用户群、统计期和独立验证细节，因此本身不能证明持久的产品市场契合。

他将部分体验归因于要求新用户连接邮件和日历，使产品能建议任务和自动化。Stebbings 质疑这一洞察是否独特，以及人们是否愿意授予访问权限。

Grèze 说，有些用户会在连接步骤离开，并估计比例约为 30%。他认为这是一种权衡：这些集成支持他希望提供的入门体验，但也要求用户决定是否信任该服务处理敏感数据。

团队在管理学校邮件、活动和日程的家长中发现了意外的个人使用场景。Grèze 说，一些家庭认为产品有价值，但服务他们也带来了如何分配有限营销和产品资源的战略问题。

商业客户可能带来更高支出和组织内扩张，而家长可能通过社区推荐产品。Grèze 说，Town 正在权衡这些因素，而不是假定能够同等追求每个细分市场。

被问及收入时，Grèze 拒绝披露。Stebbings 稍后还提到报道中的融资和估值细节；Grèze 没有确认或否认报道估值，因此不应把讨论视为融资确认。

Grèze 认为，如果一家初创公司成为数字工作的常用入口并触达数千万用户，就可能出现一家大型助手公司。这是有条件的市场情景，而非任何特定估值合理的证明。

两人在公关策略上有分歧。Stebbings 倾向于将融资与运营里程碑分成不同的传播时刻；Grèze 说，他更希望关注来自真正重视产品的人，不想人为制造融资新闻。

作为天使投资人，Grèze 批评某些融资只把适用于一小部分资金的估值作为宣传数字，却没有说明其余部分。他说，这可能误导员工对稀释和薪酬方案的理解；他谈的是自己称见过的做法，并非已确认的 Town 交易。

在假设的乐观情景中，他说如果 Town 有 1000 万付费用户并持续增长，就可能形成一家规模很大的公司。他称访谈时每用户年收入超过 700 美元；这一指标和估值情景都未经独立验证。

他希望未来董事会成员具备财务和运营经验，尤其是在公司大规模购买算力和管理 token 成本时。他预计后期投资者会希望看到公司能够解释清楚的指标。

Stebbings 问，为什么 Town 不更激进地补贴使用。Grèze 说，自己考虑过这一点，但认为向商业客户收费是产品创造价值的重要证据，也能让客户清楚未来的成本。

他说，在早期没有定价的测试阶段，一些用户每月消耗了数千美元算力。他想说明的是，无限制使用并不能自动证明活动对客户有价值；他说团队与这些用户讨论过使用情况。

他承认获客活动可能得到更多补贴，但希望团队客户采用后形成真正的付费业务。他也质疑广告支持的助手模式，因为广告可能创造与用户利益冲突的激励；这是他的商业观点。

谈到招聘，Grèze 介绍了一个不寻常的例外：如果一位值得信赖、表现出色的员工与优秀候选人密切共事过，Town 可能重点说服对方加入，而不重复完整的技术面试。候选人仍有时间评估团队。

他报告了每位工程师使用 AI 工具的较高年化支出，并列出几款用于编码和处理日常问题的产品。这是他对当时 Town 支出的描述，未必代表其他公司。

他把工程和算力支出视为预期回报决策。在一个示例企业中，如果工程师借助 AI 提高效率后创造的价值超过成本，就可能值得额外招聘；这一算术是假设，不是就业预测。

他说，Town 的客户正在要求集成、审计日志和其他功能。如果增加算力能帮助团队更快交付有价值的工作，他愿意支出，同时也要受融资、招聘和收入约束。

被问及未来十年最期待什么时，Grèze 首先提到与孩子相处的时间。他也希望 AI 能减少日常琐事，为人们提供更多机会，同时理解快速变化为何令人不安。

他列出药物开发、现实世界的建设和交通等技术希望。这些是乐观的可能性，而不是已确定的结果。Stebbings 感谢他同时讨论竞争和经济风险，以及技术的潜力。