Interviews
Jan Čurn, medeoprichter en CEO van Apify – interviewreeks

Belangrijkste puntenAgenten huren bestaande tools wanneer vanaf nul bouwen meer kost dan kopen.
Meer weergeven
- Agenten huren bestaande tools wanneer vanaf nul bouwen meer kost dan kopen.
- Stille fouten zorgen ervoor dat agenten met vertrouwen lege pagina's samenvatten zonder het probleem op te merken.
- Apify betaalde vorige maand aan een paar honderd makers ongeveer $2M aan totale netto-inkomsten.
Jan Čurn is medeoprichter en CEO van Apify, dat hij in 2015 samen met Jakub Balada lanceerde via de Y Combinator Fellowship. De praktische behoefte om woningadvertenties in Praag te verzamelen, vormde mede de inspiratie voor het oorspronkelijke product: een tool om websites om te zetten in API’s. Sindsdien heeft hij de ontwikkeling ervan begeleid: van webcrawl-infrastructuur tot een platform voor webdata en browserautomatisering, met een marktplaats voor tools die steeds vaker door AI-agents worden gebruikt.
Apify biedt een platform voor webscraping en browserautomatisering, met kant-en-klare tools die Actors worden genoemd. Ontwikkelaars kunnen Actors via de marktplaats publiceren en er geld mee verdienen, terwijl bedrijven en AI-ontwikkelaars ze gebruiken om gestructureerde webdata op te halen en taken te automatiseren. In dit interview bespreekt Čurn hoe agents gespecialiseerde tools vinden en gebruiken, waarom actuele data belangrijk is en welke betrouwbaarheid, machtigingen en economische voorwaarden nodig zijn om agents op grote schaal op het web te laten werken.
Je hebt Apify in 2015 samen met Jakub Balada opgericht via de Y Combinator Fellowship. Aanvankelijk richtte het bedrijf zich erop ontwikkelaars makkelijker flexibele en schaalbare webcrawlers te laten bouwen. Wat inspireerde het idee, en hoe heeft je oorspronkelijke visie zich in de afgelopen tien jaar ontwikkeld?
Het idee voor Apify kwam voort uit een probleem waar Jakub en ik zelf tegenaan liepen. We werkten aan een project voor een klant die advertenties voor nieuwe appartementen in Praag nodig had. De bestaande tools hadden moeite met dynamische JavaScript en onregelmatige websitestructuren. Daarom bouwden we onze eigen tool om elke website om te zetten in een API.
Na verloop van tijd ontwikkelde het zich van een platform voor webcrawling tot een platform voor webscraping, browserautomatisering en webdata. Vervolgens openden we een marktplaats waar ontwikkelaars hun tools, die Actors worden genoemd, kunnen publiceren en betaald krijgen wanneer anderen ze gebruiken. Inmiddels is een groeiend deel van de gebruikers van deze Actors AI-agents.
Apify begon als een platform voor webcrawling, lang voordat AI-agents een belangrijk aandachtspunt in de sector werden. Wanneer realiseerde je je dat de infrastructuur die jullie hadden gebouwd bijzonder waardevol kon zijn voor AI-agents die toegang tot het web nodig hebben en ermee moeten kunnen werken?
Het eerste ‘aha’-moment kwam begin 2023, kort nadat ChatGPT werd gelanceerd. Plotseling kon je actuele webdata aan een prompt toevoegen in plaats van een nieuw model te trainen. Apify was een van de eerste scrapingplatforms die crawlers beschikbaar stelden voor opkomende RAG-pipelines en integreerden met nieuwe bibliotheken zoals LangChain en LlamaIndex.
Daarna kwam de golf van AI-agents. Stel dat je een agent vraagt de prijs van een product op 20 e-commercesites te vergelijken. Waar haalt die de data vandaan? Dat probleem losten we al jaren op voor ontwikkelaars. Toen Anthropic eind 2024 het Model Context Protocol (MCP) uitbracht, namen we het dan ook meteen in gebruik. We hadden al duizenden tools met een duidelijke invoer en uitvoer, precies wat een agent nodig heeft.
Het echte keerpunt kwam eind 2025, toen de modellen goed genoeg werden om agents zinvol werk te laten doen. Agents hebben geschikte tools en betrouwbare data nodig. Sindsdien is het gebruik van Apify sterk toegenomen en nadert de bruto ARR snel de $100M.
Apify is uitgegroeid tot een platform met meer dan 90.000 tools op het gebied van webdata, scraping, automatisering en AI. Welke rol speelt dit ecosysteem volgens jou nu agents steeds vaker gespecialiseerde tools nodig hebben, in plaats van uitsluitend te vertrouwen op de mogelijkheden van een groot taalmodel?
Ja, de modellen zullen steeds complexere software vanaf nul kunnen genereren, maar er is een grens waarboven het voor een agent efficiënter is een bestaande tool te kopen dan die zelf vanaf nul te bouwen. Die grens zal opschuiven naarmate de modellen beter worden, maar er zullen altijd gevallen zijn waarin vooraf gebouwde tools ruimte bieden om geld te verdienen, vooral als ze gebaseerd zijn op privédata en moeilijk te verkrijgen context.
Nu software schrijven goedkoper wordt en het aantal softwaresystemen en tools groeit, wordt het vinden ervan de belangrijkste beperking: waar vind je betrouwbare en waardevolle tools die je helpen de klus te klaren? In plaats van $500 te betalen om de software goed te laten maken, kun je iemand $5 betalen om een bestaande dienst te huren.
Welke van de toepassingen die momenteel met AI-agents worden ontwikkeld binnen de ontwikkelaarsgemeenschap van Apify vind je het interessantst, en welke toepassingen worden daadwerkelijk in productie genomen?
Enkele van de interessantste voorbeelden zijn opvallend specifiek. We hebben gezien hoe AI YouTube, eBay en Japanse winkels doorzoekt om te helpen bepalen welke Pokémon-kaarten het kopen waard zijn. Een verzekeraar gebruikte Apify om 55 Italiaanse overlijdensberichtensites te controleren en het overlijden van polishouders te verifiëren. Aan de andere kant van het spectrum gebruikt Canary Apify voor Spotlight, een tool waarmee onderzoekers slachtoffers van kinderhandel kunnen opsporen.
Deze toepassingen hebben een specifiek probleem en toegang tot de juiste data gemeen, in plaats van een agent die is ontworpen om van alles een beetje te doen.
Een van de grootste uitdagingen voor AI-agents is het verkrijgen van actuele, gestructureerde informatie van websites, in plaats van volledig te vertrouwen op statische trainingsdata. Hoe belangrijk wordt realtime toegang tot het web wanneer agents steeds complexere taken uitvoeren?
Een LLM is een verliesgevende compressie van de gegevens waarop het is getraind. Het kan heel slimme inschattingen maken, maar het blijft gokken. Zodra van een agent wordt verwacht dat die in de echte wereld beslissingen neemt of taken uitvoert, kan die niet volledig op trainingsgegevens vertrouwen. Prijzen veranderen, producten verdwijnen, concurrenten lanceren nieuwe producten en websites worden voortdurend bijgewerkt.
Het model levert het redeneervermogen, maar veel agents hebben een betrouwbare manier nodig om actuele informatie van het web op te halen en om te zetten in gestructureerde gegevens die ze op grote schaal kunnen gebruiken.
Webomgevingen kunnen onvoorspelbaar zijn, met veranderende interfaces, dynamische inhoud, authenticatievereisten en systemen die automatisering tegengaan. Wat zijn de grootste technische uitdagingen voor ontwikkelaars die agents willen bouwen die betrouwbaar op het open web kunnen werken?
Moderne websites kunnen dynamische JavaScript, challengepagina’s of onvolledige inhoud teruggeven, en anti-botsystemen kijken naar alles, van de reputatie van IP-adressen tot browserfingerprints. Fouten blijven vaak onopgemerkt, waardoor een agent vol vertrouwen een lege pagina kan samenvatten zonder dat in de gaten te hebben.
Iets bouwen dat één keer werkt, is relatief eenvoudig. Iets bouwen dat blijft werken op veranderende websites en op productieschaal, is veel moeilijker.
Nu agents niet alleen informatie kunnen ophalen, maar ook online acties kunnen uitvoeren, wat moet er dan verbeteren op het gebied van betrouwbaarheid, machtigingen, verificatie en menselijk toezicht voordat bedrijven ze meer autonome workflows kunnen toevertrouwen?
Machtigingen worden veel belangrijker zodra een agent acties kan uitvoeren in plaats van alleen informatie te lezen. De agent mag nooit je inloggegevens zien en alle geheimen moeten buiten een beveiligde sandbox blijven, zodat ze nooit aan het model worden blootgesteld. We werken aan dit probleem rond proxy-isolatie voor Actors op het Apify-platform, en ook voor mcpc, onze opensource-CLI-client voor MCP.
Ontwikkelaars experimenteren met van alles, van browserautomatisering tot gespecialiseerde API’s en opkomende agentprotocollen. Hoe zie je de architectuur van AI-agents zich ontwikkelen, en hoe ziet de ideale verhouding tussen modellen, tools, gegevensbronnen en browsers eruit?
Ik denk dat de grote agentplatforms zoals ChatGPT en Claude het nieuwe besturingssysteem worden: een primaire interface waarmee mensen computers aansturen, waarop tools aansluiten zoals apps op je telefoon. Voor tools die elders draaien, is MCP de geaccepteerde standaard geworden voor het communicatieprotocol.
Als een agent gegevens nodig heeft, zoals restaurantbeoordelingen en contactgegevens, kan die Google Maps in een browser openen en er net als een persoon doorheen klikken. Dat is onnauwkeurig en duur. Of de agent kan een tool vinden en aanroepen die gestructureerde kaartgegevens teruggeeft; dat is sneller en betrouwbaarder. De hoofdagent zal taken zoals tafels reserveren of vluchten zoeken ook uitbesteden aan gespecialiseerde subagents die op goedkopere modellen draaien.
Apify bouwt al jaren infrastructuur voor ontwikkelaars en heeft daarnaast een marktplaats opgezet waar externe ontwikkelaars hun eigen tools kunnen publiceren. Kan agentische AI leiden tot een veel grotere economie rond gespecialiseerde tools en diensten die agents zelfstandig ontdekken en gebruiken?
Ja, en onze marktplaats is daar nu al een kleine versie van. Ontwikkelaars publiceren Actors, mensen gebruiken ze, de ontwikkelaars krijgen betaald en dat trekt weer meer ontwikkelaars en meer tools aan. Die positieve spiraal draait al jaren, met mensen aan de koperskant.
Naarmate AI-agents meer verantwoordelijkheden krijgen, hebben ze geld nodig om sommige taken uit te voeren. Je kunt je voorstellen dat je een agent een taak en een kleine portemonnee geeft, zodat die onderweg kan betalen voor de tools die hij nodig heeft, met behulp van een agentisch betalingsprotocol zoals x402 of MPP. Het volume is nog klein, maar ik denk dat de meeste economische activiteit uiteindelijk autonoom tussen agents zal plaatsvinden, met steeds minder menselijk toezicht.
Nu Apify aan zijn tweede decennium begint en AI-agents een veel groter deel van het softwarelandschap gaan uitmaken, hoe zie je het bedrijf zich de komende jaren ontwikkelen, en wat ontbreekt er volgens jou nog in het huidige ecosysteem van agents?
Steeds meer mensen koppelen Apify nu aan hun agents, zoals Claude of ChatGPT, en ontdekken dat deze tools hen helpen complexere werkzaamheden op het web sneller uit te voeren. Het Apify-platform en Actors worden geoptimaliseerd voor een uitstekende ervaring met agents, wat leidt tot meer gebruik en hogere uitgaven.
Aan de andere kant van de marktplaats verdienen steeds meer softwaremakers een regelmatig inkomen met hun Actors: meer dan 300 community-Actors genereren maandelijks meer dan $1,000. Alleen al vorige maand betaalden we een paar honderd makers in totaal ongeveer $2M aan netto-inkomsten uit.
De groei van de Apify-marktplaats versnelt, net als onze ambitie om Apify uit te bouwen tot ‘s werelds grootste en meest vertrouwde marktplaats voor AI-tools, zodat mensen en de miljarden agents die ze in de toekomst zullen hebben, hun werk op het web kunnen doen.
Bedankt voor het mooie interview. Lezers die meer willen weten over webgegevens, browserautomatisering en tools voor AI-agents kunnen terecht bij Apify.












