The $100 Billion AI Assistant Race That Will Replace Apps on Your Phone

Town CEO Jean Denise：AI助手赛道12个月内是谷歌和苹果的前三优先级，护城河在“Agent对Agent”网络效应，而非模型本身。

AI越会替你做决定，人越要重写边界

Jean Denise 是 AI 助手 Town 的创始人，曾任 Plaid CTO。Town 上线约 3 个月，嵌入用户的邮箱和日历，试图替工作人群在后台完成原本要亲手处理的任务：会前准备、会议行动项、重复沟通和自定义流程。这不是一次关于“聊天机器人还能做什么”的讨论。Denise 讲的是另一层问题：当 AI 开始读你的邮件、替你找同事、代你执行工作，产品的核心就不再只是模型聪不聪明，而是谁能被授权、怎样不越界，以及这门生意能否算过账。

这期回答了 7 个问题：

1. 为什么未来你可能会允许 AI 替你判断哪些隐私可以分享？
2. 应用会被一个总入口代理取代，为什么工作与个人数据仍必须分开？
3. AI 助手真正的护城河，为什么可能不是模型能力而是“代理之间的关系网”？
4. 为什么 Town 宁可在注册时流失 30% 用户，也强制连接邮箱和日历？
5. 当竞争对手两周就能复制功能时，创业公司还靠什么领先？
6. 为什么 AI 产品不该把用户多花 token 当成成功，而要主动提醒用户止损？
7. 前沿模型任务占比为何可能决定 AI 助手最终能否赚钱？

被问到今天看来疯狂、五年后却可能变成日常的人机关系时，Denise 给了一个比“帮我订票”更激进的答案："I think you'll trust your agent to decide what data to share with other people without you intervening in 5 years."（我认为五年后，你会相信你的代理能自行决定该向别人分享哪些数据，而无需你介入。） 他的旅行例子很具体。你把自己的代理拉进一个三人旅行规划，它可以回答你偏好吃什么、何时能出发；但朋友开玩笑问“John 的病史是什么”，代理应当自行拒绝，即使你从没手写过“不要透露病史”这条规则。

企业里的收益更大。假设一家约 1,000 人的公司，销售想认识某个客户方联系人。今天他多半在 Slack 里群发“谁认识 X”。Denise 设想的是：销售代理去询问全公司的代理，返回两条不同性质的信息：Liz 有私人关系，可以问她是否愿意引荐；Bob 有工作关系，而且下周恰好有会议，可以请求加入。人不必先翻遍每个人的邮箱，信息也不必完全暴露。

这意味着访问控制会从“管理员先给数据贴标签、逐项授权”，变成代理根据关系、任务和语境即时判断。过去的信息闸门是人；以后闸门可能是模型。不过边界并没有消失。薪资、病史、家庭信息仍被他视为不可触碰的范围，可能要靠后训练模型约束。问题在于，代理若把一条本该拒绝的信息放了出去，造成的不是一次普通产品 bug，而是信任账本上的一次大额扣款。

被问到消费者代理、企业代理和硬件代理未来如何共存时，Denise 的判断很干脆："You'll want one entry point."（你会想要一个统一入口。） 他说自己手机上有 55 个应用，打开、切换、寻找功能的过程已经让人厌烦。未来用户不太会先判断“这是 Salesforce 的事、Linear 的事，还是某个法律 AI 的事”，而是按下一个按钮，对主代理说出意图。

这不等于所有软件都会被一个模型吞掉。Denise 举了律师的例子：律师不需要主动寻找某个“Lora agent”，而是把法律需求告诉主代理；主代理在后台与 Lora 协作，同时也能与 Salesforce 等系统交换信息。前台是一句话，后台却是多个专业代理各做各的。就像人去医院不会自己判断该挂影像科、检验科还是专科门诊，只希望一个入口接住问题，再把它送到正确的处理链路。

这意味着，界面层会从“按应用找功能”变成“向一个入口表达意图”，但数据层不会因此合并。Denise 特别强调，个人数据与工作数据仍应分开，因为雇主不会希望员工为公司创造的邮件、客户关系和工作记录，与私人行程、家庭信息混在同一个数据池里。统一入口解决的是操作复杂度，不解决数据主权。你可能只有一个手机入口，却在其下调用两个不同公司提供的代理：一个为你个人负责，一个为你的雇主负责。

被追问 Google、Apple、OpenAI 或平台公司随时可能复制 Town 时，Denise 没把答案放在“模型更强”上。他押注的是代理之间能否形成关系网："I think the product in this category that will win will have a network effect at the agent level."（我认为，这个品类最终胜出的产品，会在代理层形成网络效应。） Town 有个叫“agent to agent”的功能。用户问自己的 Towny 一个问题，它发现自己没有答案后，会去问同事的 Towny，再把对方代理返回的信息带回来。

这听起来像一个小功能，甚至还藏在产品的子区域，不在最显眼的主路径上。但它改变了产品价值的单位。普通 AI 助手的价值，通常是“我自己用起来顺不顺手”；代理协作的价值则变成“整个团队能不能因此更快找到信息、复用流程、完成协同”。逐字稿还提到一个现象：如果团队里有一个爱折腾的用户，愿意搭建团队技能、团队集成和团队例程，其他人会更快用起来，因为这些搭建成果能被整个团队共享。

这意味着未来的迁移成本，未必来自某个模型记住了多少个人偏好，而可能来自同事之间已经连好的工作流图谱。你换掉一个工具，不只是换自己的聊天窗口，还可能断开“谁的代理能回答什么、哪些流程可复用”的组织网络。但这仍是 Town 的押注，不是行业定论。Denise 也承认，目前没人真正解决“multi-user multiplayer AI”，即多人、多代理协作能否成为稳定习惯，尚未被验证。

被问到 Town 为什么能做到超过 15% 的试用付费转化时，Denise 把关键归结为一个很多增长团队会本能回避的设计：强制连接邮箱和日历。"You cannot use our product if you don't do those things."（如果你不做这两件事，你就不能使用我们的产品。） 不连，产品就不能用。这道门槛会让约 30% 的用户当场流失，听上去像是注册漏斗里主动凿了一个洞。

但 Town 想要的不是让用户尽快看到一个聊天框，而是尽快拥有足以行动的上下文。邮箱告诉它你正在推进什么事、常给谁发信；日历告诉它你要见谁、时间怎么安排。接入后，它可以不靠用户复杂配置，就给出会前简报、自动处理会议行动项，并按销售、招聘、小企业主等不同角色推荐自动化。对这些工作流高度依赖邮件和日历的人来说，价值不是“AI 很聪明”，而是原先散落在收件箱里的准备工作突然少了一截。

这意味着面向普通用户的 AI，未必总要把摩擦降到最低。有些授权是产品兑现价值的燃料。先收集足够上下文，再迅速制造“魔法时刻”，可能比先让所有人轻松注册、之后再慢慢劝授权更有效。代价也很清楚：30% 的流失只有在授权后立即换来结果时才值得。若用户交出邮箱和日历，得到的仍是空泛建议，那就不是必要摩擦，而是在拿最敏感的信任换一次失败体验。

被问到创业过程中最意外、最困难的部分时，Denise 没说是招人或写代码，而是市场速度。他总结得很准确："You can build now at the speed of machines, but you can only learn at the speed of humans."（现在你可以按机器的速度开发，但你只能按人类的速度学习。） 过去的创业节奏是：团队和客户交流，做出功能，看用户怎么用，再把收获带到下一个功能。等竞争对手复制第一个功能时，你可能已经积累了三轮用户理解。

现在这个窗口变得极短。他的判断是，只要某家公司做出有效功能，别人两周或四周内就能复制并追上。Town 早期曾把约 15 家初创公司视为重要竞争者；到访谈时，他认为真正可能跑出来的初创公司只剩两三家。更麻烦的是，竞争者不只是其他小团队，还有 Anthropic、Cursor、Grockbot 等既保持创业公司速度、又拥有更多人才、算力和分发渠道的公司。

这意味着“先发上线”越来越像一张短期入场券，而不是长期优势。代码生成加速后，功能本身会快速商品化；真正慢的环节是让真实用户形成习惯、判断反馈里哪些是有效信号、再据此重构产品。人不会因为模型更快就更快说清需求，也不会因为界面更漂亮就立刻改变工作方式。速度没有天然偏向创业公司。大公司也能快速迭代，甚至有更大的试错预算。创业公司能争取的，是在有限时间里比别人学得更准。

被问到开发者薪资里有多少花在 AI 工具、未来成本会升还是降时，Denise 给出的数字很反直觉：Town 每位工程师相关工具的年化支出至少是 7.5 万美元，覆盖 Codex、Claude、Devin、Cursor 和 Town 等工具。这不是一个“省下软件订阅费”的故事，而是把工具视为能放大工程师产出的生产资料。"AI means that suddenly that engineer can generate more than they could have before."（AI 意味着，那名工程师突然能够创造比以前更多的产出。）

他用一家公司算账：年收入 100 万美元，成本 80 万美元，利润只有 20 万美元。原本如果一名工程师只能额外创造 15 万美元收入，公司就没理由用仅有的利润再招人；但如果 AI 让这名工程师能创造 25 万美元收入，新增一人就多出 5 万美元利润，招聘反而变得合理。效率提高，不一定先表现为裁员，也可能表现为原本不成立的边际岗位变得成立。

这意味着 AI 工具预算会越来越像资本支出：企业花钱买的不是“少一个人”，而是“让同一个人能处理更多高回报机会”。对 Town 这样的增长公司，眼下的瓶颈仍是能否招到人、融资规模够不够、收入增速够不够，而不是 token 用得是否太多。当然，这套逻辑有一个前提：市场上得有足够多“捡起来就能变现”的需求，例如客户要集成、审计日志、SSO 或更多导出能力。若新增收入机会减少，效率提升同样可能成为缩小团队的理由。

被问到模型选择和利润压力时，Denise 区分了两种任务。邮件标签不需要 Opus 或 Sonnet 级别的能力，已经可以下放给更便宜的模型；但复杂的自定义工作流，Town 目前大多仍依赖前沿模型。真正令他担忧的不是日常任务成本，而是这个比例最终会是多少。"The question that no one quite knows is how much of the workload for any particular company stays close to the frontier where you know it's very expensive."（没有人真正知道的问题是：对任何一家公司而言，究竟有多少工作负载会始终停留在成本极高的前沿能力附近。）

他的预期是，模型价格大约每 9 到 12 个月减半。日程安排、日历处理、处理已有答案的邮件、日常竞品研究等任务，都会逐步远离前沿能力，成本会向普通算力成本靠拢。因此，应用可以今天先按较低毛利定价，预期在 18 个月后获得 20% 到 30% 的毛利。

真正改变经济模型的是剩下那部分难任务究竟占 10%、20% 还是 30%。这意味着 AI 应用的长期利润，不由“平均推理价格会下降”单独决定，而取决于高价值任务中有多少无法下放。如果这些任务长期必须调用 OpenAI、Anthropic 等供应商的能力，应用公司既要向供应商付款，又可能与同一供应商争夺用户。用户规模再大，也未必自动换来议价权。Denise 的焦虑很实在：前沿能力越重要，应用层越像在别人的收费站旁边开店。

被问到宁愿要“一亿人每月付 20 美元”，还是“一百万人每月付 100 美元”时，Denise 选前者：更多用户、较低单价。表面上这是规模偏好，底层却是他对工作场景付费逻辑的判断。"Oh, I pay $600 a month and I get $3,000 of revenue."（哦，我每月付 600 美元，却获得了 3,000 美元收入。） 他举的是真实使用模式：一家招聘公司用 Town 自动化部分流程，因此不用增加招聘就多接下一个客户；这个新增客户每月带来约 3,000 美元收入，而该公司全体用户使用 Town 的月费约为 500 到 600 美元。

这和“AI 帮我省了半小时”是两种账。省时间当然有价值，但它常常难量化，也有天花板。工作流若能直接多接客户、多完成项目、多产出收入，客户的付费上限会随着业务增长而提高。Town 当前每名付费用户年收入超过 700 美元；按他的推演，若约 1,000 万人持续付费且增长不停，才可能支撑 1,000 亿美元级结果。

这意味着 AI 助手不能只围绕“谁愿意为一个更强的聊天框付费”来设计，而要嵌入可以衡量商业回报的流程。个人场景的频次很有限：约会订餐、旅行规划、转移病历，不会无限增长；工作场景里，若工具确实让企业能多赚钱，新增需求会反过来带动更多使用。规模叙事最终仍要落在一笔可复算的账上，而不是靠高消费“鲸鱼”无限烧 token。

这 8 条指向的并不是“哪家模型会更聪明”，而是 AI 助手一旦开始替人行动，竞争会变成一套更难的组合题。第 1 条“代理会替人判断哪些数据能分享”，说的是授权必须从静态权限升级为情境判断；第 3 条“真正的护城河不是模型，而是代理彼此代办协作”，说的是价值必须从单人效率延伸到组织关系。前者决定用户敢不敢交出信息，后者决定用户交出信息后能否形成难以替换的网络。

第 4 条把 30% 用户挡在门外，也是在解释同一件事：没有足够上下文，代理就无法真正行动；但拿到上下文之后，产品必须迅速交付可感知的回报，否则授权不会变成留存。第 7 条则给这套故事泼了盆冷水：即使用户信任你、团队离不开你，若关键任务长期依赖昂贵前沿模型，应用层仍可能被供应商成本卡住。

对读者来说，接下来要判断的或许不是“我要不要用 AI”，而是更具体的三件事：我愿意把哪些数据交给它？它替我做的决定能否被追溯和纠正？它节省的到底是几分钟操作，还是能让我和团队多完成一件原本做不到的事？前两项决定风险，最后一项决定这段人机关系是否值得长期存在。