KeyFrame內部研究專用

AI时代,一门好生意为什么撑不出独角兽 | AI创业 | 前Plaid CTO | Town | 报税自动化 | AI Agent | 智能体 | 邮件日历助手 | 创业转型 | 产品市场契合

Best Partners TV中文
觀看原始影片

三句話摘要

AI時代創業者如何通過放棄舊生意、抓住智能體機會,打造中立企業助手平台。 在智能體時代,企業級軟體的競爭力從聚合供給轉向保護用戶自主權與數據所有權,以及成為用戶信任的中立助手。 市場窗口的戰略轉向:稅務業務因年度周期限制,決策窗口僅一個月(10月15日前後)。JD發現即使收入翻倍也無法達成風投規模,而大企業複製做法更快,決定主動放棄看似不錯的生意來捕捉更大機會。這個硬性時間約束反而成為果斷轉向的催化劑。

重點整理

  1. 市場窗口的戰略轉向:稅務業務因年度周期限制,決策窗口僅一個月(10月15日前後)。JD發現即使收入翻倍也無法達成風投規模,而大企業複製做法更快,決定主動放棄看似不錯的生意來捕捉更大機會。這個硬性時間約束反而成為果斷轉向的催化劑。

  2. 客戶反饋驅動的產品創新:稅務客戶抱怨花大量時間安排會議、準備記錄、回覆郵件,這啟發團隊發現新方向。AI能讓原本不經濟的長尾工作變得可行——例如餐廳老闆每月花1美元分析批發商價格變化,卻有可能發現被多收數百美元。

  3. 模型中立與數據自主權架構:拒絕與OpenAI或Anthropic綁定,用戶可選擇最佳供應商;數據、記憶和業務上下文完全歸用戶,降低切換成本,避免被模型廠商鎖定,同時不進行模型訓練以保護企業競爭力。

  4. 智能體流量重塑商業生態:AI助手正成為信息流的主要承載者,威脅傳統廣告模式。Camel Camel Camel有2000萬美國用戶追蹤Amazon價格,未來這類功能被智能體自動化後,Amazon無需用戶訪問網站即可被繞過,威脅其700億美元年廣告收入。

實用技巧與重點

  • 數據與指標:
  • 稅務產品第一年收入:略低於100萬美元
  • 第二年預期收入:250萬~300萬美元
  • 決策轉向窗口:約一個月(10月15日前後)
  • 目標市場:500~1000人的中型企業、中小企業
  • 餐廳分析案例成本:$1美元/次,發現問題時可節省$200~$1000
  • Camel Camel Camel美國用戶:2000萬人
  • Amazon年廣告業務:~$700億
  • 技術與產品:
  • 核心技術時點:Opus 4.5發佈前後開始探索
  • Browser use成功率提升:30% → 90%(2.5個月內)
  • Good Technology:早期iPhone企業級郵件客戶端參考案例
  • 策略關鍵詞:
  • 中立應用層定位
  • 橫向市場開發先於縱向深耕
  • 客戶(決策者)與用戶(操作者)分離
  • 自動化長尾工作(Jevons paradox應用)

結論

在智能體時代,企業級軟體的競爭力從聚合供給轉向保護用戶自主權與數據所有權,以及成為用戶信任的中立助手。

完整解析

這場對話完整記錄了創業者JD從失敗轉向的思考過程與商業洞察。

初始的好生意與轉折

2024年,JD啟動一項看似合理的創業——為中小企業自動化報稅。通過將財務報表和合同餵入大語言模型,自動生成可直接提交的稅務申報表。這在傳統邏輯上成立:報稅本質是文本處理加結構化數據,而LLM正擅長此事。第一年收入略低於100萬美元,預計第二年達250~300萬美元——這在AI時代前是條漂亮的成長曲線。但JD很快認識到,大企業可用同樣模型更快地複製做法,搶占市場速度遠超創業公司。更致命的是,報稅存在結構性缺陷:一年只能銷售一次、不是日活應用、客戶很少因此轉換供應商。這些「斷點」讓規模擴張變成近乎不可能的任務。

經過靈魂拷問,JD認清這門生意達不到風投規模。但稅務年度制約提供了獨特機遇——決策窗口僅約一個月。過了這個窗口就必須執行整個報稅季,無法中途調整。這個硬性約束反而成為果斷轉向的催化劑。

靈感與新方向

轉向的種子在稅務客戶的日常反饋裡。客戶們說「報稅自動化太棒了,但我還得花大量時間安排會議、準備會議記錄、回覆郵件」。在Opus 4.5發佈前後,JD團隊開始探索:為什麼沒人做一款真正運行在電子郵件和日曆上的好產品?由此誕生Town。

產品與策略哲學

在產品構建上,JD有明確判斷。首先,客戶(出錢的人)與用戶(用產品的人)必須分清——若客戶不是用戶,最後會做出讓決策者開心卻讓使用者受罪的產品。從Dropbox的經驗他學到,先打造世界一流的消費者體驗,再思考企業應用,遠比從企業合規反推容易得多。

其次是模型中立。用戶應能自由選擇最適合他們的AI服務,而非被綁定。第三,數據、記憶和業務上下文歸用戶所有,維持低切換成本。第四,拒絕模型訓練——避免企業成功的關鍵被打包進別人的權重裡。

在增長策略上,JD瞄準中小企業和500~1000人的中型公司,因為合規要求相對簡化、普及速度快。他用具體案例說明:餐廳老闆面臨每季度數千件物品、不斷變化的批發商價格,理論上應定期分析有沒有被多收錢。但人工做這事太瑣碎。有了Town,五分鐘跑一次分析只需$1,即使十二個月有十一個月無收穫,這也值得做。一旦發現問題就能節省$200~$1000。

杰文斯悖論在AI中的應用

隨著token成本下降,可用AI的場景會越來越多。產品工作就是不斷發現新機會並問用戶「你想讓我幫你做這件事嗎?」他拒絕被標籤為「省錢公司」,而從橫向開始。訪談十位餐廳老闆發現他們共同做的五件事,就開發「餐廳老闆日常流程」的自動化方案。隨著AI進步,系統能為每個用戶進行深度定制。

智能體流量重塑商業生態

最深刻的觀察圍繞「智能體流量」。隨著AI助手數量激增,信息流量主要承載方從人類轉向智能體。過去基於人類注意力的廣告模式面臨根本威脅。如果用Meta的智能體訂機票,而Meta的廣告主聯合航空投放巨額廣告,你會擔心建議並非中立。解決方案是擁有一個中立的、屬於自己的智能體,沒有其他資金來源,唯一激勵就是幫你獲得最佳信息。

Camel Camel Camel這個第三方價格追蹤網站有2000萬美國用戶,用它監控Amazon商品價格。未來這類功能被智能體自動化後,用戶會讓自己的AI助手完成,而無需訪問Amazon。這威脅Amazon約$700億/年的廣告業務。Walmart沒相當的廣告業務,反而可能受益。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。