首年收入近百万美元，Town 为何从 AI 报税转向智能体

一、嘉宾背景

Jean Denis 是 Town 的创始人兼 CEO，此前担任 Plaid CTO。离开 Plaid 后，他开始寻找能够借助 AI 改变产品体验的 B2B 机会，最初选择了企业报税。这段经历构成了访谈的起点：一位技术负责人创业后，先验证 AI 能否完成专业工作，再面对产品可行之后的增长问题。

税务流程涉及财务资料、租赁文件和结构化输出，为检验模型能否将分散输入转成完整税表提供了具体任务。Denis 说，团队用一年时间建立了产品的可行性，却发现高效触达企业并完成销售，比技术尽调阶段预想的更难。访谈反复回到这一区别：能够完成一项工作，与能够围绕这项工作建立足够大的公司，需要不同的条件。

Town 后来转向邮件、日历和知识工作流程。Denis 借转型复盘阐述了他对智能体产品的判断：如何促成初次使用，如何让用户愿意扩大授权，以及模型供应商进入应用市场后，独立产品还能提供什么。他对旧业务收入、新业务前景和竞争格局的陈述，均来自经营者的观察，也带有自身战略选择的视角。

二、本期主要内容

Town 放弃报税方向时，这项业务已经有了收入。Denis 披露，首年收入略低于一百万美元，团队预计第二年可以达到二百五十万至三百万美元。他仍判断，这条路线难以支撑团队追求的风险投资规模。首年收入是经营实绩，第二年数字则是预测，两者不能合并为持续增长已经得到验证的证据。

他的主要担忧是竞争速度。既有厂商掌握客户和分销渠道，新公司必须赶在对手完成自动化之前建立足够的市场渗透。年度报税的购买节奏又限制了这一过程：客户完成报税后才有体验可以分享，其他企业当年的购买窗口却可能已经关闭。推荐需要等待下一轮购买时机才能转化，产品使用也难以形成日常习惯。

转型还涉及团队的机会成本。Denis 希望影响更多用户，也希望为员工提供值得投入的机会。他承认，继续经营或许仍能找到解决办法，因此没有将转型描述为唯一正确的答案。按他的说法，围绕十月十五日有一个约一个月的决策窗口，团队在此期间仍可保留继续报税或转向其他方向的选择。一旦窗口过去，新的客户承诺可能要求团队再完成一个报税年度，并消耗原本可用于转型的资金。

团队探索了约四个方向，最终选择回应现有客户反复提出的需求：安排会议、记住会议目的、准备资料、跟进结果，以及预拟常见邮件回复。Denis 认为，这些需求与模型自主执行能力的改善共同促成了早期吸引力。邮件和日历也使产品能够覆盖销售、招聘、商务拓展等对外协作岗位。但他明确区分了产品复杂度与竞争壁垒：一个体验足够复杂、值得深入打磨，并不意味着护城河已经建立。

Town 选择先通过产品体验推动采用，再扩展企业管理能力。Denis 强调，安全和隐私基础是这一顺序的前提。产品先借助邮件和日历提供会议准备、更新演示材料等价值，再争取接入 CRM 及其他系统。随着访问范围扩大，审计日志、特权信息限制、隐私保护和成本控制也必须跟上。

访谈后半段更多讨论用户如何开始采用智能体。Denis 讲述了一家海岛租赁商比较冲浪板和沙滩车照片、评估损坏并辅助处理押金的案例。他将这项应用的实现归因于店内一名愿意尝试的员工。在他观察到的留存用户中，邮箱、日历、核心业务系统和一项有价值的自定义集成，也经常同时出现。Town 希望替用户承担发现和搭建集成的工作，让他们无需自行构建便能获得价值。

Alex 则讲到，重新演示 AI 的能力，能够改变一些用户停留在早期模型阶段的印象。Denis 提到，部分计算机操作任务的成功率已从约三成升至九成，但没有给出基准测试或评估方法。这一数字只能作为他的观察，不能据此推定其他任务也已达到同样的可靠程度。

三、核心观点：推理、例子与边界

Town 对报税业务的复盘表明，技术可行与高效获客是两道不同的门槛。Denis 担心的并非无人付费，而是新公司获取客户的速度赶不上既有厂商向存量客户部署 AI 的速度。年度报税进一步拉大了这一差距：使用体验、客户推荐与下一位客户的购买时机难以衔接。这能解释 Town 为何认为旧业务难以达到自身的规模目标，却不能据此断言年度服务不值得创业。Denis 承认，继续经营仍可能找到办法；转型包含了对团队机会成本的权衡。

Denis 用“token 分配机器”概括新产品的逻辑：由产品提出可以通过计算完成的工作，再由用户授权。他估计，一份会前准备资料的生成成本可能约为一美分。主持人 Alex 的使用经历提供了另一种观察：他的 Town 助手 Snap 从邮件中找出了一场未记入日历的伦敦晚餐。这类持续检查邮件的工作，他通常不会交给真人助理。智能体由此可能扩大可委托工作的范围，而不只降低现有助理工作的成本。不过，个人愿意授予 AI 的权限，并不能直接成为企业授予同等权限的依据。

餐厅供应商比价的设想，说明低运行成本可能如何改变值得自动化的任务范围。Denis 设想，餐厅老板面对包含数千乃至上万项商品的 Excel 或 PDF 价目表，可以让系统定期比价，在部分商品涨价两三成时提示调整采购。他估计，搭建约需五分钟，每月运行成本约一美元；即使十一个月没有发现机会，偶尔一次也可能识别出数百至数千美元的节省空间。这些数字均为情境估算，访谈没有提供客户实绩。这个设想的关键在于，发现机会的频率即使很低，也可能值得持续检查；但价差仍须经过采购条件核验和实际执行，才能转化为收益。

Town 希望通过贴近职业和行业的个性化，让通用能力变成用户能够理解并采用的建议。Denis 预测，智能体能力趋同后，单个功能的领先优势会越来越难维持。但他也承认，目前直接向模型询问自动化建议，得到的答案往往较浅。Town 因此先用聚合指标识别重度用户，再通过访谈而非查看用户数据，提炼共同任务，制作称为 routines 的工作流程。他说，手工制作的餐厅模板已从约五项增至十五项，并希望同一助手逐步兼顾经营、财务、出租业务和家庭安排。模板增加记录了团队对需求的积累，却还不能证明新用户更容易获得成果，也不能自动构成护城河。

Denis 将这条路线与 FDE 模式作比较：后者依靠人员进入企业、理解流程并构建软件，Town 则押注自动化定制，以及由产品驱动增长（PLG）、中小企业（SMB）和愿意采用技术的中型企业推动的扩张。哪一种方式更易规模化，访谈没有提供比较验证。他同时承认，模型实验室能够复制 Town 的邮件与日历体验，因此强调独立应用的中立性：根据任务选择合适的模型和不同模态的服务商，让客户不必绑定一家供应商。这种中立性能否产生价值，仍取决于应用能否持续选出可靠、经济的方案。

上下文所有权是 Denis 的另一项明确主张。他认为，企业应拥有在产品中形成的数据、记忆和上下文，并希望将更换产品所需的时间缩短到约一天；他也接受切换成本降低可能带来的客户流失风险。Denis 还表示，训练模型不属于 Town 的业务理念，并担心企业知识进入模型权重。不过，他承认，大企业可以与模型实验室达成不使用其数据训练的安排。访谈因此既未证明所有模型供应商都会使用企业知识，也未验证 Town 已具备一天内完成迁移的能力。所有权承诺需要落实为能够导出并继续使用的数据和上下文，才会影响客户的实际选择。

智能体之间的协作进一步放大了效率与权限之间的张力。Town 的内部 CRM 设想，是让员工的智能体向同事的智能体询问，寻找谁认识潜在客户的财务团队，以减少群发消息后的等待。Denis 承认，这需要大量隐私设计，但没有说明权限如何实现，也没有提供风险测量。由 AI 协调请求可以改变交互方式，却不能单凭这一点证明它能够防止越权披露。

智能体的经济价值还取决于它替谁优化。Denis 支持由用户付费的中立智能体，担心广告关系影响推荐，但也承认广告可以帮助用户发现商品。他区分了两类购物需求：补购厕纸等事务适合自动完成，逛店、看玩具和发现新品则可能本身就是用户想要的体验。双方据此推测，自动比价、领券和领取权益，可能削弱供给聚合的价值，以及依赖用户未使用权益获利的商业模式。无界面零售和零售商自建智能体，是他们提出的可能回应。这些讨论揭示了激励可能发生的变化，尚不足以判定未来赢家，或认定某类商业模式必然消失。

四、学习与应用

评估 AI 创业方向时，Town 的经历提示团队分别检验技术与获客。技术检验关心输入、输出和错误是否可控；获客检验则要回答客户从哪里来、何时购买、何时愿意推荐，以及渠道能否赶在竞争者跟进前扩展。收入实绩与下一年预测需要分开记录，推荐能否转化也应放回购买季节判断。年度产品可能适合不同的经营目标，Denis 的选择需要结合他希望快速扩大影响的目标理解。

战略调整的预算还应包括客户承诺。参照 Town 描述的决策窗口，团队可以明确：下一次接单、签订合作协议或作出交付承诺后，会新增多少责任、占用多长时间，剩余资金是否仍足以支持其他方向的试验。这样的核算无法替代战略判断，但能让“再观察一个月”的代价显现出来。无论继续还是转向，都需要保留对结果的不确定性。

设计智能体的初始体验，可以从一项能够展示、能够核对的工作开始，例如会议准备或供应商涨价提示，再由用户决定是否持续运行。若试点餐厅比价流程，应先比较价目表并列出依据，记录发现机会的频率、核查时间、运行成本和最终实现的节省。采购建议还须核对商品规格、供货条件等约束，低 token 成本并不能抵消错误执行的损失。Denis 所说的每月一美元，应作为待检验的运行成本假设，而不能直接成为对客户的回报承诺。

行业模板的价值也需要通过采用情况检验。团队可以沿用 Town 的访谈方法，从相似用户的重复需求中提炼少量 routines，再观察新用户能否理解、采用，并在较少帮助下获得首次成果。除模板数量外，还应记录配置时间、人工介入程度和后续使用。海岛租赁商的照片比较案例提供了一个需求方向，但涉及押金的判断宜先保留人工复核。愿意探索的员工能够实现一项应用，并不意味着其他商户可以直接部署。

Denis 关于 Canva 的设想提供了另一种演示思路：利用用户已有的订阅，先制作一张可评审的活动海报，再建议是否定期重复，并随品牌变化调整。约五分钟完成、成本二十五美分，都是他的示例预期，需要在具体任务中测量。面对曾对早期模型失望的用户，演示可以让他们检查当前输出，同时看到仍不稳定的环节；一次成功无法证明持续可靠。

企业采购则需要同时验收体验、授权与退出能力。可以先从邮件和日历验证价值，再逐步连接核心业务系统和有价值的自定义集成，并确认审计日志、成本归属和信息访问范围。跨员工智能体查询不仅要测试回答速度，还要验证请求者是否有权获得答案。上下文所有权可以通过小范围迁移试验检查：哪些数据、记忆和规则能够导出，另一环境能否继续使用，哪些权限需要重新建立。约一天完成迁移的目标，以及不以客户数据训练模型的立场，都需要落实为具体能力与约定。

对电商或权益产品，可以先区分用户希望省掉的事务与希望保留的探索。自动补购需要明确预算和确认条件，发现新品则应允许用户主动接触推荐。随后再检查智能体的收入来自用户、广告还是其他产品的数据变现，以及业务是否依赖客户忘记领取权益。这有助于识别利益冲突与脆弱的收入来源，却不足以预测智能体的普及速度。对话提供了审视商业模式的思路，没有给出确定的市场时间表。

来源

• 原始节目：Why a $1M Startup Wasn’t Worth Building in the Age of AI