Intervjuer
Jan Čurn, medgründer og administrerende direktør i Apify – intervjuserie

Viktige punkterAgenter vil leie eksisterende verktøy når det koster mer å bygge fra bunnen av enn å…
Vis mer
- Agenter vil leie eksisterende verktøy når det koster mer å bygge fra bunnen av enn å kjøpe.
- Stille feil lar agenter selvsikkert oppsummere tomme sider uten å legge merke til problemet.
- Apify betalte noen hundre skapere omtrent 2 millioner dollar i samlede nettoinntekter forrige måned.
Jan Čurn er medgründer og administrerende direktør i Apify, som han startet sammen med Jakub Balada i 2015 gjennom Y Combinator Fellowship. Et praktisk behov for å samle inn boligannonser i Praha bidro til å inspirere det opprinnelige produktet: et verktøy som gjør nettsteder om til API-er. Siden den gang har han ledet utviklingen fra infrastruktur for innhenting av data fra nettet til en plattform for nettdata, nettleserautomatisering og en markedsplass for verktøy som i økende grad brukes av KI-agenter.
Apify tilbyr en plattform for nettskraping, nettleserautomatisering og ferdigkjørte verktøy som kalles Actors. Utviklere kan publisere og tjene penger på Actors gjennom markedsplassen, mens bedrifter og KI-utviklere bruker dem til å hente strukturert nettdata og automatisere oppgaver. I dette intervjuet snakker Čurn om hvordan agenter finner og bruker spesialiserte verktøy, hvorfor oppdaterte data er viktige, og hvilken pålitelighet, hvilke tillatelser og hvilken økonomi som kreves for at agenter skal kunne arbeide på nettet i stor skala.
Du grunnla Apify sammen med Jakub Balada i 2015 gjennom Y Combinator Fellowship. I starten var målet å gjøre det enklere for utviklere å bygge fleksible og skalerbare webcrawlere. Hva inspirerte ideen, og hvordan har den opprinnelige visjonen din utviklet seg det siste tiåret?
Ideen til Apify oppsto da Jakub og jeg selv støtte på et problem. Vi jobbet med et kundeprosjekt som trengte annonser for nye leiligheter i Praha, og de eksisterende verktøyene hadde problemer med dynamisk JavaScript og uregelmessige nettstedsstrukturer. Derfor bygde vi vårt eget verktøy for å gjøre ethvert nettsted om til et API.
Etter hvert utviklet det seg fra å handle om innhenting av data fra nettet til å bli en plattform for nettskraping, nettleserautomatisering og nettdata. Deretter åpnet vi en markedsplass der utviklere kan publisere verktøyene sine, som kalles Actors, og få betalt når andre bruker dem. Nå er en økende andel av brukerne av disse Actors KI-agenter.
Apify startet som en plattform for innhenting av data fra nettet, lenge før KI-agenter ble et stort satsingsområde i bransjen. Når innså du at infrastrukturen dere hadde bygget, kunne bli særlig verdifull for KI-agenter som trenger tilgang til nettet og mulighet til å samhandle med det?
Det første «aha»-øyeblikket kom tidlig i 2023, kort tid etter at ChatGPT ble lansert. Plutselig kunne man mate en prompt med oppdaterte nettdata i stedet for å trene en ny modell. Apify var blant de første plattformene for nettskraping som tilbød crawlere for nye RAG-arbeidsflyter og integrerte med nye biblioteker som LangChain og LlamaIndex.
Så kom bølgen av KI-agenter. Tenk deg at du ber en agent sammenligne prisen på et produkt på 20 netthandelsnettsteder. Hvor henter den dataene fra? Det er et problem vi hadde løst for utviklere i årevis. Da Anthropic lanserte Model Context Protocol (MCP) mot slutten av 2024, tok vi det derfor i bruk med en gang. Vi hadde allerede tusenvis av verktøy med tydelige inndata og utdata, akkurat det en agent trenger.
Det virkelige vendepunktet kom mot slutten av 2025, da modellene ble gode nok til at agenter kunne utføre meningsfylt arbeid. Agenter trenger gode verktøy og pålitelige data, og siden den gang har bruken av Apify virkelig skutt fart og nærmer seg raskt 100 millioner dollar i brutto ARR.
Apify har vokst til en plattform med mer enn 90 000 verktøy innen nettdata, nettskraping, automatisering og KI. Hvordan ser du på økosystemets rolle når agenter i økende grad trenger spesialiserte verktøy, i stedet for å basere seg utelukkende på det en stor språkmodell kan gjøre?
Ja, modellene vil kunne lage stadig mer avansert programvare fra bunnen av, men det finnes en terskel der det er mer effektivt for en agent å kjøpe et eksisterende verktøy enn å bygge det selv. Denne terskelen vil flytte seg oppover etter hvert som modellene blir bedre, men det vil alltid finnes tilfeller der forhåndsbygde verktøy kan selges, særlig hvis de bygger på private data og kontekst som er vanskelig å få tak i.
Når det blir billigere å skrive programvare og antallet programvaresystemer og verktøy øker, blir den største begrensningen å finne fram til dem: Hvor finner man pålitelige og verdifulle verktøy som kan hjelpe en med å løse oppgaven? I stedet for å betale 500 dollar for å få det laget skikkelig kan man betale noen 5 dollar for å leie en eksisterende tjeneste.
Ut fra det du ser i Apifys utviklermiljø, hva er noen av de mest interessante praktiske bruksområdene for KI-agenter i dag, og hvilke bruksområder tas faktisk i bruk i produksjon?
Noen av de mest interessante eksemplene er påfallende spesifikke. Vi har sett KI skanne YouTube, eBay og japanske nettbutikker for å hjelpe folk med å avgjøre hvilke Pokémon-kort det er verdt å kjøpe. Et forsikringsselskap brukte Apify til å sjekke 55 italienske dødsannonse-nettsteder for å bekrefte dødsfall blant forsikringstakere. I den andre enden av skalaen bruker Canary Apify til Spotlight, et verktøy som hjelper etterforskere med å finne ofre for menneskehandel med barn.
Felles for disse bruksområdene er at de løser et konkret problem og gir tilgang til de rette dataene, i stedet for å bruke en agent som er laget for å gjøre litt av alt.
En av de største utfordringene for KI-agenter er å få tilgang til oppdatert, strukturert informasjon fra nettsteder i stedet for å basere seg utelukkende på statiske treningsdata. Hvor viktig blir tilgang til nettet i sanntid etter hvert som agentene får stadig mer komplekse oppgaver?
En LLM er en tapsfull komprimering av dataene den ble trent på. Den kan komme med svært smarte gjetninger, men det er fortsatt bare gjetninger. Når en agent forventes å ta beslutninger eller utføre oppgaver i den virkelige verden, kan den ikke basere seg utelukkende på treningsdata. Priser endrer seg, produkter forsvinner, konkurrenter lanserer nye ting, og nettsteder oppdateres hele tiden.
Modellen står for resonneringen, men mange agenter trenger en pålitelig måte å hente oppdatert informasjon fra nettet på og gjøre den om til strukturerte data de kan bruke i stor skala.
Nettmiljøer kan være uforutsigbare, med grensesnitt som endres, dynamisk innhold, krav om autentisering og systemer som hindrer automatisering. Hva er de største tekniske utfordringene utviklere møter når de prøver å bygge agenter som kan operere pålitelig på det åpne nettet?
Moderne nettsteder kan levere dynamisk JavaScript, utfordringssider eller ufullstendig innhold, og anti-botsystemer vurderer alt fra IP-adressens omdømme til nettleserens fingeravtrykk. Feilene er ofte usynlige, så en agent kan oppsummere en tom side med stor sikkerhet uten å oppdage det.
Det er relativt enkelt å bygge noe som fungerer én gang. Det er mye vanskeligere å bygge noe som fortsetter å fungere på tvers av nettsteder som stadig endres, og i produksjonsskala.
Når agenter får mulighet til ikke bare å hente informasjon, men også utføre handlinger på nettet, hva må forbedres innen områder som pålitelighet, tillatelser, verifisering og menneskelig tilsyn før bedrifter kan stole på dem i større grad med mer autonome arbeidsflyter?
Tillatelser blir langt viktigere når en agent kan utføre handlinger, ikke bare lese. Agenten må aldri få se påloggingsopplysningene dine, og alle hemmeligheter må oppbevares utenfor en sikker sandkasse, aldri eksponeres for modellen. Vi har jobbet med dette problemet med isolering av proxyer i Actors på Apify-plattformen, og i mcpc, vår åpen kildekode-baserte CLI-klient for MCP.
Utviklere eksperimenterer med alt fra nettleserautomatisering til spesialiserte API-er og nye agentprotokoller. Hvordan tror du arkitekturen til AI-agenter vil utvikle seg, og hvordan vil det ideelle samspillet mellom modeller, verktøy, datakilder og nettlesere se ut?
Jeg tror de store agentplattformene som ChatGPT og Claude er i ferd med å bli det nye operativsystemet – det primære grensesnittet folk bruker til å styre datamaskiner, der verktøy kobles til slik apper gjør på telefonen. For verktøy som kjører et annet sted, har MCP blitt den anerkjente standardprotokollen for samhandling.
Når en agent trenger data som restaurantvurderinger og kontaktopplysninger, kan den åpne Google Maps i en nettleser og klikke seg rundt som en person, noe som er upresist og kostbart. Eller den kan finne og bruke et verktøy som leverer strukturerte kartdata, noe som er raskere og mer pålitelig. Hovedagenten vil også overlate oppgaver som å bestille bord eller finne flyreiser til spesialiserte underagenter som kjører på billigere modeller.
Apify har brukt flere år på å bygge infrastruktur for utviklere, samtidig som selskapet har opprettet en markedsplass der tredjepartsutviklere kan publisere egne verktøy. Kan agentbasert AI skape en langt større økonomi rundt spesialiserte verktøy og tjenester som agenter finner og bruker autonomt?
Ja, og markedsplassen vår er allerede en liten utgave av dette. Utviklere publiserer Actors, folk bruker dem, utviklerne får betalt, og det tiltrekker flere utviklere og flere verktøy. Denne positive spiralen har pågått i årevis, med folk på kjøpersiden.
Etter hvert som AI-agenter får mer ansvar, vil de trenge penger for å utføre enkelte oppgaver. Tenk deg at du gir en agent en oppgave og en liten lommebok, og lar den betale for verktøyene den trenger underveis ved hjelp av en agentbasert betalingsprotokoll som x402 eller MPP. Omfanget er fortsatt lite, men jeg tror det meste av den økonomiske aktiviteten etter hvert vil foregå autonomt mellom agenter, med stadig mindre menneskelig tilsyn.
Nå som Apify går inn i sitt andre tiår og AI-agenter blir en langt større del av programvarelandskapet, hvordan ser du for deg at selskapet vil utvikle seg de neste årene, og hva mener du fortsatt mangler i dagens agentøkosystem?
Stadig flere kobler nå Apify til agentene sine, som Claude eller ChatGPT, og oppdager at disse verktøyene hjelper dem med å få utført mer komplekse oppgaver på nettet raskere. Apify-plattformen og Actors er optimalisert for å gi en god agentopplevelse, noe som fører til økt bruk og høyere forbruk.
På den andre siden av markedsplassen får stadig flere programvareskapere en jevn inntekt fra Actors-verktøyene sine: over 300 Actors fra fellesskapet genererer mer enn 1 000 dollar i måneden. Bare forrige måned utbetalte vi til sammen rundt 2 millioner dollar i nettoinntekter til noen hundre skapere.
Apify-markedsplassen vokser stadig raskere, og det gjør også ambisjonen vår om å gjøre Apify til verdens største og mest pålitelige markedsplass for AI-verktøy, slik at mennesker og de milliarder av framtidige agentene deres kan få utført arbeid på nettet.
Takk for et flott intervju. Lesere som vil lære mer om nettdata, nettleserautomatisering og verktøy for AI-agenter, bør besøke Apify.












