跳转至

Jean-Denis（Town 创始人兼 CEO，前 Plaid CTO）

⚠️ 转录稿只给到名。 主持人在 [00:01:00] 介绍为 "Jean-Denis, the CEO and founder of Town"，自动字幕在预告段把他误听成 "John and Denise" / "John Donahue"。本库不补姓氏。

本库收录他的理由：这是第一份"创始人主动砍掉一条已经在赚钱的产品线"的一手复盘，而且理由不是产品不 work，是 AI 把风投级的门槛抬高了；另外他从 app 层创业者的位置上说出了"app 层价值会下降"。

本库收录的视频

日期 视频 本页取用的部分
2026-10-19 a16z：pre-AI 好生意 / post-AI 不是风投级、token 分配机、供给聚合不再值钱（Alex Rampell 主持） 砍掉税务的两条理由、周期性业务的结构约束、token 分配机、"价值单元从 app 变成 computer"、对实验室的三条防线、FDE 路线会变差、tinkerer 瓶颈

⚠️⚠️ 利益相关：主持人 Rampell 既是 Town 的投资人也是重度用户，并在 Plaid 时期与他共事（[00:01:00]、[00:33:22]）。本库对本期关于 Town 前景的正面评价一律记为当事方口径，只取可独立检验的机制与框架。

一、⚠️⚠️ 为什么砍掉一条在赚钱的产品线

来源：a16z 2026-10-19

  • 事实线（[00:03:04]–[00:04:04]）：前 Plaid CTO 离职创业 → 判断 SMB 报税可被自动化（"税务里有大量文本，而 LLM 很擅长文本"）→ 做技术尽调证明可行 → 做了一年 → 第一年收入"略低于一百万美元"，第二年预计 250 万到 300 万。
  • ⚠️⚠️ 第一条理由（[00:04:04]）："如果我把这些数字给 pre-AI 的你看，你会说这完全说得通。但 post-AI，这就不会是一家风投级的公司了。"
  • ⚠️⚠️ 第二条理由，他说"甚至更重要"（[00:04:04]）：在位者会用同一项技术，为存量客户把报税自动化，速度快过新进入者抢份额。 他写成一个通用时钟："新进入者的优势是跑得更快、能做不同的产品、能用不同的 go-to-market；但墙上有个钟在走——在有分发优势的在位者追上并抄得足够有效之前，你能多快拿到真正的口碑网络效应和市场渗透？"
  • ✅ 本库标注这条框架不依赖 AI：AI 只是同时缩短了双方的时钟，而在位者的分发优势不变。
  • ✅ 他区分得很干净（[00:03:04]）："我毫不怀疑报税会被自动化；问题是你怎么高效地触达数百万家企业并把产品卖给他们。" 即产品可行 ≠ go-to-market 可行。

二、周期性业务这条结构约束

来源：a16z 2026-10-19

  • 三重叠加（[00:05:06]）：税一年只能卖一次；不可能是 DAU 工具；几乎没有口碑——"人们很少炫耀自己的报税体验，而且一年只能炫耀一次；等你报完税开始夸的时候，通常也不是别人在找新会计的时候。"
  • ⚠️ 他对自己的评语（[00:06:06]）：一位做 EdTech 的朋友长期抱怨学校软件一年只有两个销售窗口，"我们做税务的时候，我选择性地忘了这件事。"
  • ⚠️⚠️ 但周期性也救了这次决策（[00:09:08]–[00:10:08]）：大约 10 月 15 日前后只有一个月的窗口，两个宇宙还能同时活着。✅ 他给的反事实很锋利——"如果你不是周期性生意，你永远可以告诉自己：让我再试一个月下一个点子。"
  • ✅ 他处理"承认失败"的方式（[00:08:08]）："难的部分是向别人承认你失败了"；解法是"我的朋友不管我成功失败都还是我的朋友；员工我们可以帮他们找下一份工作、在遣散上好好对待"。"然后你会发现，这个决定没有你最初情绪反应的那么难。"

三、⚠️⚠️ token 分配机

来源：a16z 2026-10-19

  • 定义（[00:23:14]）："我把我们的产品想成一台 token 分配机。我们给人选项，告诉他可以把 token 用在哪儿，然后由人决定要不要那个结果。"
  • 扩张机制（[00:23:14]）："随着 token 变便宜，会有越来越多你以前绝不会用今天这么贵的 token 去做的地方，而那些地方你以前更不可能用人去做。"
  • ⚠️⚠️ 餐馆批发商那笔账（本库目前最好的一笔 agent 单位经济学账）（[00:24:15]–[00:26:16]）：批发商每月/每季发来成千上万条的价目表；理论上该每季比价，实际上没人做（"它很烦，不属于你的日常运营，你也没有全职的人干这个"）。换成 agent："五分钟 prompt 出来，一个月跑一次花大概一美元。十二个月里十一个月什么也没找到，而那一个月会给你找回几百、甚至几千美元。"
  • ✅ 他认为难点在需求侧（[00:26:16]）："我们的活儿是把这个机会摆到餐馆老板面前，因为他们不会觉得那件事有价值——不是他们不聪明或不懂自己的生意，他们很懂。" 正确话术不是"你要行政助理吗"，而是"你要不要我一直帮你盯着批发商有没有用对你不利的方式改价？"

四、⚠️⚠️ "软件的价值单元从 app 变成了 computer"

来源：a16z 2026-10-19

  • 原话（[00:29:20]）："我认为软件里的价值单元已经从 app 变成了 computer。它真正的意思是——从一个 app 变成了任何人类能做的事，而人类用一台电脑几乎什么都能做。所以我们在把 app 这一层整个抽象掉，我认为 app 层的价值会下降。"
  • ✅ 本库上调权重的理由是说话人的位置：他自己就是 app 层创业者，这不是基础设施方的利益性断言。详见 LLM OS。
  • 他由此推出的前提（[00:28:18]–[00:29:20]）："大多数 AI 产品的能力会非常接近"，所以"硅谷长期以来的主要差异化——领先市场的产品功能——会越来越难维持"。

五、app 层对抗模型层的三条防线

来源：a16z 2026-10-19

✅ 他先自己否掉了弱答案（[00:35:22]）："小答案是我们对 email 和 calendar 的体验有很不一样的信念……但这是个小答案，因为 OpenAI、Anthropic、Google 的某个人明天醒来就可以决定去做。"

  1. 模型中立（[00:35:22]–[00:37:23]）：话术是"你知道未来 3 到 5 年最好的模型提供方是谁吗？"；历史证据现成——"有些公司两年前选了 OpenAI，然后 Anthropic 在写代码上好了 12 个月，那些公司不得不两家都用。" ⚠️ 他把粒度切得更细："也不只是通用智能——谁在语音上更好、谁在视频上更好、谁在做 slides 上更好。"
  2. ⚠️⚠️ 数据与上下文的所有权，而且判据设在对自己不利的那一侧（[00:37:23]–[00:38:23]）：context 是企业的新资产类别，"你应该拥有到——如果哪天有个比 Town 更好的方案，你切过去只要一天"。✅ 他清楚这意味着什么："我承担的风险就是我客户的切换成本更低。但那正是我的卖点。如果我做不出市场上最好的产品，那也没关系，那就是我会输。"
  3. 不拿客户数据训练（[00:38:23]–[00:39:23]）："如果你的经营方式进了别人的权重、而那个人又转卖给别人，那基本等于你把自己成功的原因卖给了别人。"

⚠️ 他对实验室 FDE 路线的两次攻击：① 预测（[00:32:21]–[00:33:22]）"随着模型变好，FDE 这条路会变得糟糕得多"（⚠️ 有方向无时间窗，本库记为待检验）；② 动机指控（[00:38:23]）"任何派 FDE 给你造软件的人，实际上想做的是让你以后更难切走。"

⚠️ 他点名的两个前车之鉴（[00:41:24]）：Rogo、Harvey——"OpenAI 在造和它们竞争的垂直公司"；他的推论是反过来的——"大多数大公司真的不应该被任何一家实验室绑住。"

六、⚠️⚠️ tinkerer 瓶颈：为什么 AI 扩散不开

来源：a16z 2026-10-19

  • 核心句（[00:46:26]）："那家小企业里有一个 tinkerer，有件事让他烦，然后他用 Town 想出了怎么自动化。让它成立的是那个 tinkerer。问题在于世界上 tinkerer 不够多……我认为这就是 AI 扩散不开的原因。"
  • ✅ 可证伪的对照（[00:46:26]）："过去 12 个月里，Claude 或 ChatGPT 里一直存在能让很多小企业省下大量时间的功能，但他们实际在做的是把它当成一个更好的 Google 搜索。"
  • ⚠️⚠️ 原因归到产品形态而不是用户（[00:47:27]）："因为产品体验不能只是一个文本框。你没法教会一个人。你得直接把价值主张展示给他，并且替他做掉。"
  • 地理学解释与商业落点（[00:47:27]–[00:48:28]）："硅谷我们都在工程师旁边上班……我们公司里到处是 tinkerer。世界上绝大部分地方没有。" → "如果你能把一个非 tinkerer 变成能拿到和 tinkerer 一样的价值，你今天就能做成一家巨大的公司。你不需要更多智能。智能已经在那儿了。问题是怎么把它有效地大规模部署下去。"
  • ✅ 营销的具体化规则（[00:51:30]）："你不能告诉别人'Town 现在有 computer use 了'，那什么也不是。" 要换成 "我可以给这个活动做海报，长得就像你一直在 Canva 里做的那些，用你已经在付费的订阅来做，要不要我试一版？"
  • ⚠️ 他给的能力数字（自述、无来源，本库不作为事实）（[00:50:29]）："过去两个半月里助理能做到六个月前几乎不可能的事，而且 90% 的时候能做到，以前是 30%。"

七、产品与组织上的其它立场

来源：a16z 2026-10-19

  • PLG 而不是 sales-led 的理由（[00:13:10]）："如果客户不是用户——客户是签支票的人，用户是必须忍受产品的人——你可能会做出一个烂产品，因为你是在让 CISO 开心。" ✅ Dropbox 的方向性经验（[00:14:10]）：消费级 → 企业级，难但可能；合规出发 → 极好的体验，几乎不可能。
  • ✅ 他挑出的反面教材不是 BlackBerry 而是 Good（[00:17:12]）："Good 最后不是个好生意，因为人们会说'你在 iPhone 上是企业级，但你的品质够不上 iPhone 上其它每一个 app'。所以我们的风险不只是成为 BlackBerry，也包括成为 Good。"
  • 逐级赢得数据权限（[00:18:12]–[00:20:14]）："agent 只有在能访问驱动你业务的数据与 API 时才越来越有效……否则它们的聪明程度就只到它能访问的数据为止。" 路径：先 email + calendar（不碰核心记录系统）→ "我有没有挣到让你连 CRM 的资格？" 企业侧的另一半是审计日志 + 特权信息隔离 + 给 CFO 的 token 成本控制。
  • ⚠️⚠️ "未来会少得多的 human in the loop"，而且他把安全判断交给了 agent（[00:39:23]–[00:41:24]）：Teams 产品里由 agent 决定公司内哪些信息对其他员工可见（例："有谁认识这家潜在客户财务团队的人吗"→ Town 去问其他员工的 agent）。"对这类问题，我们决定信任 AI 来中介一家公司内部请求的安全与隐私。" ⚠️ 本库标注：本期没有人追问失败模式。
  • ⚠️ 自定制的方法论（绕开"不看用户数据"这条约束）（[00:30:21]–[00:32:21]）：看聚合指标找重度用户 → 当面访谈 → 归纳出每个行业的共通项 → 做成 routines 模板 → 新用户进来时按 inbox 判断行业并推模板 → 再把访谈循环本身自动化（"不再以人的速度运转，而是以 AI 的速度运转"）。⚠️⚠️ 本库记下一处未被追问的张力："我们不看用户数据"与"我们读新用户的 inbox 判断他是餐馆老板"之间的边界本期没有被界定。
  • ⚠️ 可检验预测（时间窗 12 个月，即 2027-10 前后）（[00:43:25]–[00:44:25]）：被问"实验室会不会来打你"时他只部分同意——"'AI 为企业多做事'这个市场比写代码的市场大。所以这是何时而不是会不会的问题——在当下环境里它不会撬动那些公司的指针，但我认为 12 个月后会，而且会动得非常非常快。"
  • ⚠️⚠️ 收尾命题（[01:00:35]–[01:01:35]）："供给聚合比过去不值钱多了。它过去非常值钱，是因为人类注意力有限；而现在供给聚合不那么值钱了，因为人类注意力可以被自动化掉。"
  • ✅ "你享受的摩擦"与"你不享受的摩擦"（[00:55:32]）：SoHo 逛街是享受的摩擦（"我喜欢有人在排队因为我可以抄他们的穿搭"），在家订卫生纸不是。结论："我们想 agent 想得太多的时候，会太偏向减少摩擦，但人类并不总是为效率做优化。"
  • ⚠️ agent 中立性（模型中立的消费侧版本）（[00:53:31]–[00:54:32]）："你要一个属于你自己的中立 agent，它唯一的钱来自你这个用户的钱包。" 反例是用 Meta 的 agent 订机票而 United 在 Meta 上投放更多。✅ 他同时保留广告的位置：你可以主动问 agent "Instagram 上在投什么广告"。

关联