Amol Jain 谈如何将 AI 原型变成业务

Replit 产品工程负责人 Amol Jain 与 Peter Yang 讨论没有编程背景的人制作的业务、如何让原型走向实际使用，以及 AI 模型不断进步时应用公司的作用。本期列出的赞助商有 Riverside、Linear 和 Wispr Flow。

Jain 介绍了 Pep AI，一位此前没有编程经验的 22 岁创始人制作的药物追踪应用。他称该应用首月收入六万美元、活跃用户达到数万人。访谈没有独立核实这些指标，也没有评估应用的医疗可靠性。

第二位创始人 John 据称收到超过十万美元的机构报价，随后在三天内制作了 AI 能力评估平台，并在两个月内收入超过十八万美元。第三个例子 TryNearby 连接本地商家与创作者；Jain 称其年度经常性收入超过十万美元。这些是嘉宾报告的数字，并非审计结果或利润数据。

Jain 认为，软件制作变得容易会使领域知识、判断、信任和分发更加重要。业务不一定要追求尽可能大的市场，也可以服务小众人群；但做出产品本身不能证明存在需求。

为了演示，Jain 使用粗略需求和设计探索制作了一个产品经理面试辅导网站。他将发布、安全、支付和分发视为超越初始原型需要考虑的步骤。这是产品操作演示，并不能证明假想业务已经拥有客户。

他讨论发布和自定义域名，然后展示 Replit 的 Security Center。他将泄露密钥、恶意软件包和个人数据处理不当列为风险示例。他介绍了扫描和定期检查；扫描可以发现问题，但不能保证应用安全。

为了测试变现，Jain 让智能体添加订阅。他说集成会创建 Stripe 沙盒供测试，真正收款前还需完成账户和正式支付设置。测试支付流程不等于证明它对真实客户稳定可用。

在分发方面，他演示了旨在改善可发现性的 SEO 扫描，并讨论未来的营销工具。Yang 强调已有受众的价值。两人描述的是可能的方法；运行扫描不能保证搜索曝光或收入。

Jain 说 Replit 会自行制作部分内部工具，而不是购买第三方软件。其中一个例子记录产品演示，供销售团队重复使用；他说一位不会编程的营收运营员工制作了它，随后又增加了面向不同受众的功能。

另一个内部例子是构建在公司现有数据之上的分析界面。Jain 说一位数据科学家制作了它，界面提供图表、漏斗和留存视图。他对供应商费用节省和开发投入的估计属于公司个案，并非独立验证的比较。

被问到哪些软件会保持价值时，Jain 指出信任、数据、基础设施、实体服务和网络，而不仅是代码。他以记录系统和支付基础设施为例。这是他的市场观点，并非演示已经证明的预测。

谈到模型实验室与应用公司的竞争，Jain 认为托管、安全、分发和模型选择可以形成应用差异。他还讨论为不同任务选择不同模型，以及关注 AI 支出的回报。这些是应用公司高管的战略观点。

访谈最后，Jain 鼓励人们尝试创业。三个业务故事展示的是嘉宾所称的可能性，实际结果取决于产品、市场、成本、安全和执行。