Interviews

Jan Čurn, medstifter og CEO for Apify – interviewserie

Antoine Tardif
Føj Unite.AI til dine foretrukne kilder på Google
Jan Čurn, Co-Founder and CEO of Apify
NøglepunkterAgenter vil leje eksisterende værktøjer, når det koster mere at bygge fra bunden end at…
Vis mere
  • Agenter vil leje eksisterende værktøjer, når det koster mere at bygge fra bunden end at købe.
  • Stille fejl får agenter til selvsikkert at opsummere tomme sider uden at bemærke problemet.
  • Apify betalte et par hundrede skabere omkring 2 mio. dollars i samlede nettoindtægter sidste måned.

Jan Čurn er medstifter og CEO for Apify, som han lancerede sammen med Jakub Balada i 2015 gennem Y Combinator Fellowship. Behovet for en praktisk måde at indsamle boligannoncer fra Prag på var med til at inspirere det oprindelige produkt: et værktøj, der omdanner websites til API’er. Siden har han stået i spidsen for udviklingen fra webcrawler-infrastruktur til en platform for webdata, browserautomatisering og en markedsplads med værktøjer, der i stigende grad bruges af AI-agenter.

Apify tilbyder en platform til dataudtræk fra websites, browserautomatisering og færdige værktøjer kaldet Actors. Udviklere kan udgive og tjene penge på Actors via markedspladsen, mens virksomheder og AI-udviklere bruger dem til at hente strukturerede webdata og automatisere opgaver. I dette interview taler Čurn om, hvordan agenter finder og bruger specialiserede værktøjer, hvorfor opdaterede data er vigtige, og hvilken pålidelighed, hvilke tilladelser og hvilken økonomi der skal til, for at agenter kan arbejde på nettet i stor skala.

Du var med til at grundlægge Apify sammen med Jakub Balada i 2015 gennem Y Combinator Fellowship, i første omgang med fokus på at gøre det lettere for udviklere at bygge fleksible og skalerbare webcrawlere. Hvad inspirerede idéen, og hvordan har jeres oprindelige vision udviklet sig i løbet af det seneste årti?

Idéen til Apify udsprang af et problem, som Jakub og jeg selv stødte på. Vi arbejdede på et kundeprojekt, hvor vi skulle bruge annoncer for nye lejligheder i Prag, og de eksisterende værktøjer havde svært ved at håndtere dynamisk JavaScript og uregelmæssige webstedsstrukturer. Derfor byggede vi vores eget værktøj, der kunne omdanne ethvert website til et API.

Med tiden voksede det fra webcrawlning til en platform for dataudtræk fra websites, browserautomatisering og webdata. Derefter åbnede vi en markedsplads, hvor udviklere kan udgive deres værktøjer, kaldet Actors, og få betaling, når andre bruger dem. Nu er en voksende andel af brugerne af disse Actors AI-agenter.

Apify begyndte som en webcrawlingsplatform længe før AI-agenter blev et stort fokusområde i branchen. Hvornår indså du, at den infrastruktur, I havde bygget, kunne blive særligt værdifuld for AI-agenter, der skal have adgang til nettet og interagere med det?

Det første ”aha”-øjeblik kom i begyndelsen af 2023, kort efter at ChatGPT blev lanceret. Pludselig kunne man føje friske webdata til en prompt i stedet for at træne en ny model. Apify var blandt de første platforme til dataudtræk, der leverede crawlere til de nye RAG-pipelines og blev integreret med nye biblioteker som LangChain og LlamaIndex.

Så kom bølgen af AI-agenter. Forestil dig, at du beder en agent om at sammenligne prisen på et produkt på 20 e-handelssider. Hvor får den dataene fra? Det er det problem, vi havde løst for udviklere i årevis. Da Anthropic derfor lancerede Model Context Protocol (MCP) i slutningen af 2024, tog vi det straks i brug. Vi havde allerede tusindvis af værktøjer med tydelige input og output, og det er præcis, hvad en agent har brug for.

Det egentlige vendepunkt kom i slutningen af 2025, da modellerne blev gode nok til, at agenter kunne udføre meningsfuldt arbejde. Agenter har brug for ordentlige værktøjer og pålidelige data, og siden da er brugen af Apify virkelig taget fart og nærmer sig hurtigt 100 mio. USD i brutto-ARR.

Apify er vokset til en platform med over 90.000 værktøjer inden for webdata, dataudtræk, automatisering og AI. Hvordan ser du økosystemets rolle, efterhånden som agenter i stigende grad får brug for specialiserede værktøjer frem for udelukkende at basere sig på en stor sprogmodels funktioner?

Ja, modellerne vil kunne generere stadig mere kompleks software fra bunden, men der er en tærskel, hvor det er mere effektivt for en agent at købe et eksisterende værktøj end selv at bygge det fra bunden. Tærsklen vil flytte sig opad, efterhånden som modellerne bliver bedre, men der vil altid være tilfælde, hvor der er plads til at sælge færdigbyggede værktøjer – især hvis de bygger på private data og kontekst, der er svær at få adgang til.

I takt med at det bliver billigere at skrive software, og antallet af softwaresystemer og værktøjer vokser, bliver den største begrænsning muligheden for at finde de rette værktøjer: Hvor finder man pålidelige og værdifulde værktøjer, der kan hjælpe med at løse opgaven? I stedet for at betale 500 USD for at få det udviklet ordentligt kan man betale nogen 5 USD for at leje en eksisterende tjeneste.

Ud fra det, du ser i Apifys udviklerfællesskab, hvilke af de mest interessante anvendelser af AI-agenter i den virkelige verden bliver bygget i dag, og hvilke anvendelser bliver faktisk sat i drift?

Nogle af de mest interessante eksempler er overraskende specifikke. Vi har set AI gennemgå YouTube, eBay og japanske butikker for at hjælpe med at afgøre, hvilke Pokémon-kort der er værd at købe. Et forsikringsselskab brugte Apify til at tjekke 55 italienske dødsannoncesteder for at bekræfte forsikringstageres dødsfald. I den helt anden ende af spektret bruger Canary Apify til Spotlight, et værktøj, der hjælper efterforskere med at finde ofre for menneskehandel med børn.

Fælles for disse anvendelser er, at de tager fat på et specifikt problem og giver adgang til de rette data, frem for at bruge en agent, der er designet til at kunne lidt af hvert.

En af de største udfordringer for AI-agenter er at få adgang til friske, strukturerede oplysninger fra websites i stedet for udelukkende at støtte sig til statiske træningsdata. Hvor vigtig bliver adgang til nettet i realtid, efterhånden som agenter får stadig mere komplekse opgaver?

En LLM er en tabsbehæftet komprimering af de data, den er trænet på. Den kan komme med meget intelligente gæt, men det er stadig gæt. Når en agent forventes at træffe beslutninger eller løse opgaver i den virkelige verden, kan den ikke udelukkende basere sig på træningsdata. Priser ændrer sig, produkter forsvinder, konkurrenter lancerer nye ting, og websites opdateres hele tiden.

Modellen står for ræsonnementet, men mange agenter har brug for en pålidelig måde at hente aktuelle oplysninger fra nettet og omdanne dem til strukturerede data, de kan bruge i stor skala.

Webmiljøer kan være uforudsigelige med skiftende brugergrænseflader, dynamisk indhold, krav om godkendelse og systemer, der modvirker automatisering. Hvilke tekniske udfordringer er de største for udviklere, der vil bygge agenter, som pålideligt kan fungere på tværs af det åbne web?

Moderne websites kan levere dynamisk JavaScript, udfordringssider eller ufuldstændigt indhold, og anti-bot-systemer vurderer alt fra IP-adressers omdømme til browseraftryk. Fejl er ofte lydløse, så en agent kan opsummere en tom side med stor sikkerhed uden at opdage det.

Det er forholdsvis nemt at bygge noget, der virker én gang. Det er langt sværere at bygge noget, der bliver ved med at fungere på tværs af websites i forandring og i produktionsskala.

Efterhånden som agenter får mulighed for ikke blot at hente oplysninger, men også at handle online, hvad skal så forbedres inden for områder som pålidelighed, tilladelser, verifikation og menneskeligt tilsyn, før virksomheder kan betro dem mere autonome arbejdsgange?

Tilladelser bliver langt vigtigere, når en agent kan handle og ikke kun læse. Agenten må aldrig få adgang til dine loginoplysninger, og alle hemmeligheder skal opbevares uden for en sikker sandkasse, så modellen aldrig får adgang til dem. Vi har arbejdet med dette problem med proxyisolering i Actors på Apify-platformen og i mcpc, vores open source-CLI-klient til MCP.

Udviklere eksperimenterer med alt fra browserautomatisering til specialiserede API’er og nye agentprotokoller. Hvordan ser du arkitekturen for AI-agenter udvikle sig, og hvordan vil det ideelle samspil mellem modeller, værktøjer, datakilder og browsere se ud?

Jeg tror, at de store agentplatforme som ChatGPT og Claude er ved at blive det nye styresystem – den primære grænseflade, hvorigennem folk styrer computere – og at værktøjer kobles til dem, ligesom apps gør på telefonen. For værktøjer, der kører et andet sted, er MCP blevet den accepterede standard for interaktionsprotokoller.

Når en agent har brug for data som restaurantanmeldelser og kontaktoplysninger, kan den åbne Google Maps i en browser og klikke sig rundt som et menneske, hvilket er upræcist og dyrt. Eller den kan finde og kalde et værktøj, der leverer strukturerede kortdata, hvilket er hurtigere og mere pålideligt. Hovedagenten vil også overlade opgaver som at bestille bord eller finde flyrejser til specialiserede underagenter, der kører på billigere modeller.

Apify har i årevis bygget infrastruktur til udviklere og samtidig skabt en markedsplads, hvor tredjepartsudviklere kan udgive deres egne værktøjer. Kan agentisk AI skabe en langt større økonomi omkring specialiserede værktøjer og tjenester, som agenter selv finder og bruger?

Ja, og vores markedsplads er allerede et lille eksempel på det. Udviklere udgiver Actors, folk bruger dem, udviklerne får betaling, og det tiltrækker flere udviklere og flere værktøjer. Denne selvforstærkende udvikling har været i gang i årevis med folk på købersiden.

Efterhånden som AI-agenter får flere ansvarsområder, får de brug for penge til at løse nogle opgaver. Man kan forestille sig, at man giver en agent en opgave og en lille tegnebog og lader den betale for de værktøjer, den har brug for undervejs, ved hjælp af en agentisk betalingsprotokol som x402 eller MPP. Omfanget er stadig lille, men jeg tror, at det meste økonomiske aktivitet på sigt vil foregå autonomt mellem agenter med stadig mindre menneskeligt tilsyn.

Apify går ind i sit andet årti, og AI-agenter bliver en langt større del af softwarelandskabet. Hvordan ser du virksomheden udvikle sig i løbet af de næste par år, og hvad mener du stadig mangler i dagens agentøkosystem?

Endnu flere forbinder nu Apify med deres agenter som Claude eller ChatGPT og opdager, at disse værktøjer hjælper dem med hurtigere at løse mere komplekse opgaver på nettet. Apify-platformen og Actors optimeres til at give en god agentoplevelse, hvilket øger brugen og forbruget.

På den anden side af markedspladsen får et voksende antal softwareudviklere en regelmæssig indkomst fra deres Actors: Over 300 Actors fra fællesskabet genererer mere end 1.000 USD om måneden. Alene i sidste måned udbetalte vi samlet omkring 2 mio. USD i nettoindtjening til nogle få hundrede udviklere.

Væksten på Apifys markedsplads accelererer, og det samme gør vores ambition om at gøre Apify til verdens største og mest betroede markedsplads for AI-værktøjer, så folk og deres milliarder af fremtidige agenter kan løse opgaver på nettet.

Tak for et godt interview. Læsere, der gerne vil vide mere om webdata, browserautomatisering og værktøjer til AI-agenter, kan besøge Apify.

Antoine er en visionær leder og stiftende partner i Unite.AI, drevet af en urokkelig passion for at forme og fremme fremtiden for AI og robotteknologi. Som serieiværksætter mener han, at AI vil forandre samfundet lige så grundlæggende som elektriciteten, og han taler ofte begejstret om potentialet i banebrydende teknologier og kunstig generel intelligens (AGI).

Som fremtidsforsker er han optaget af at undersøge, hvordan disse innovationer vil forme vores verden. Han er desuden grundlægger af Securities.io, en platform med fokus på investering i avancerede teknologier, der omdefinerer fremtiden og omformer hele brancher.