Intervjuer

Jan Čurn, medgrundare och vd för Apify – intervjuserie

Antoine Tardif
Lägg till Unite.AI bland dina föredragna källor på Google
Jan Čurn, Co-Founder and CEO of Apify
Viktiga punkterAgenter kommer att hyra befintliga verktyg när det kostar mer att bygga från grunden än…
Visa mer
  • Agenter kommer att hyra befintliga verktyg när det kostar mer att bygga från grunden än att köpa.
  • Tysta fel gör att agenter självsäkert sammanfattar tomma sidor utan att märka problemet.
  • Apify betalade några hundra kreatörer cirka 2 miljoner dollar i totala nettointäkter förra månaden.

Jan Čurn är medgrundare och vd för Apify, som han startade tillsammans med Jakub Balada 2015 genom Y Combinator Fellowship. Behovet av att på ett praktiskt sätt samla in bostadsannonser i Prag bidrog till idén bakom den ursprungliga produkten: ett verktyg för att omvandla webbplatser till API:er. Sedan dess har han lett utvecklingen från infrastruktur för webbcrawling till en plattform för webbdata, automatisering av webbläsare och en marknadsplats med verktyg som i allt högre grad används av AI-agenter.

Apify erbjuder en plattform för webbskrapning, automatisering av webbläsare och färdiga verktyg som kallas Actors. Utvecklare kan publicera sina Actors på marknadsplatsen och tjäna pengar på dem, medan företag och AI-utvecklare använder dem för att hämta strukturerad webbdata och automatisera uppgifter. I den här intervjun berättar Čurn om hur agenter hittar och använder specialiserade verktyg, varför aktuella data är viktiga och vilken tillförlitlighet, vilka behörigheter och vilken ekonomi som krävs för att agenter ska kunna arbeta på webben i stor skala.

Du grundade Apify tillsammans med Jakub Balada 2015 genom Y Combinator Fellowship, med det ursprungliga målet att göra det enklare för utvecklare att bygga flexibla och skalbara webbcrawlers. Vad inspirerade idén, och hur har er ursprungliga vision utvecklats under det senaste decenniet?

Idén till Apify kom från ett problem som Jakub och jag själva stötte på. Vi arbetade med ett kundprojekt där vi behövde annonser för nybyggda lägenheter i Prag, och de befintliga verktygen hade svårt att hantera dynamisk JavaScript och oregelbundna webbplatsstrukturer. Därför byggde vi ett eget verktyg som kunde omvandla vilken webbplats som helst till ett API.

Med tiden växte verksamheten från webbcrawling till en plattform för webbskrapning, automatisering av webbläsare och webbdata. Därefter öppnade vi en marknadsplats där utvecklare kan publicera sina verktyg, som kallas Actors, och få betalt när andra använder dem. Nu utgör AI-agenter en växande andel av användarna av dessa Actors.

Apify började som en plattform för webbcrawling, långt innan AI-agenter blev ett stort fokus i branschen. När insåg du att infrastrukturen ni hade byggt kunde bli särskilt värdefull för AI-agenter som behöver komma åt webben och interagera med den?

Det första ”aha”-ögonblicket kom i början av 2023, kort efter att ChatGPT lanserades. Plötsligt kunde man mata in aktuella webbdata i en prompt i stället för att träna en ny modell. Apify var en av de första plattformarna för webbskrapning som tillhandahöll crawlers för nya RAG-pipelines och integrerades med nya bibliotek som LangChain och LlamaIndex.

Sedan kom vågen av AI-agenter. Säg att du ber en agent jämföra priset på en produkt på 20 e-handelssajter. Var hämtar den sina data? Det är ett problem som vi hade hjälpt utvecklare att lösa i flera år. Därför började vi använda Model Context Protocol (MCP) direkt när Anthropic lanserade det i slutet av 2024. Vi hade redan tusentals verktyg med tydliga indata och utdata, precis vad en agent behöver.

Den verkliga vändpunkten kom i slutet av 2025, när modellerna blev tillräckligt bra för att agenter skulle kunna utföra meningsfullt arbete. Agenter behöver lämpliga verktyg och tillförlitliga data, och sedan dess har användningen av Apify verkligen tagit fart och närmar sig snabbt 100 miljoner dollar i brutto-ARR.

Apify har vuxit till en plattform med över 90 000 verktyg inom webbdata, webbskrapning, automatisering och AI. Hur ser du på ekosystemets roll när agenter i allt högre grad behöver specialiserade verktyg i stället för att enbart förlita sig på en stor språkmodells förmågor?

Ja, modellerna kommer att kunna skapa allt mer komplex programvara från grunden, men det finns en gräns där det blir effektivare för en agent att köpa ett befintligt verktyg än att bygga ett från grunden. Den gränsen kommer att höjas i takt med att modellerna blir bättre, men det kommer alltid att finnas verktyg som lämpar sig för försäljning i färdigbyggt skick, särskilt om de bygger på privata data och svåråtkomlig kontext.

När kostnaden för att skriva programvara sjunker och antalet system och verktyg ökar blir det allt svårare att hitta betrodda och värdefulla verktyg som hjälper en att slutföra arbetet. I stället för att betala 500 dollar för att få något ordentligt utvecklat kan man betala någon 5 dollar för att hyra en befintlig tjänst.

Vilka är några av de mest intressanta praktiska tillämpningarna som utvecklas med AI-agenter i Apifys utvecklarcommunity, och vilka användningsområden tas faktiskt i drift?

Några av de mest intressanta exemplen är märkligt specifika. Vi har sett AI skanna YouTube, eBay och japanska butiker för att hjälpa till att avgöra vilka Pokémonkort som är värda att köpa. Ett försäkringsbolag använde Apify för att kontrollera 55 italienska dödsannonswebbplatser och verifiera att försäkringstagare hade avlidit. I den helt andra änden av skalan använder Canary Apify för Spotlight, ett verktyg som hjälper utredare att hitta offer för människohandel med barn.

Gemensamt för de här tillämpningarna är att de löser ett specifikt problem och ger tillgång till rätt data, i stället för att använda en agent som är utformad för att göra lite av allt.

En av de största utmaningarna för AI-agenter är att få tillgång till aktuella, strukturerade uppgifter från webbplatser i stället för att helt förlita sig på statiska träningsdata. Hur viktigt kommer det att bli med webbtillgång i realtid när agenter får allt mer komplexa uppgifter?

En LLM är en komprimering med informationsförlust av de data som den tränades på. Den kan göra mycket träffsäkra gissningar, men det är fortfarande gissningar. När en agent förväntas fatta beslut eller utföra uppgifter i den verkliga världen kan den inte förlita sig helt på träningsdata. Priser ändras, produkter försvinner, konkurrenter lanserar nya saker och webbplatser uppdateras hela tiden.

Modellen står för resonemanget, men många agenter behöver ett tillförlitligt sätt att hämta aktuell information från webben och omvandla den till strukturerade data som de kan använda i stor skala.

Webbmiljöer kan vara oförutsägbara, med gränssnitt som förändras, dynamiskt innehåll, krav på autentisering och system som motverkar automatisering. Vilka är de största tekniska utmaningarna som utvecklare möter när de försöker bygga agenter som på ett tillförlitligt sätt kan arbeta på den öppna webben?

Moderna webbplatser kan leverera dynamisk JavaScript-kod, utmaningssidor eller ofullständigt innehåll, och antibot-system granskar allt från IP-adressers anseende till webbläsarfingeravtryck. Fel märks ofta inte, så en agent kan självsäkert sammanfatta en tom sida utan att upptäcka det.

Det är relativt enkelt att bygga något som fungerar en gång. Att bygga något som fortsätter att fungera på webbplatser som förändras och i produktionsskala är mycket svårare.

När agenter får möjlighet att inte bara hämta information utan också utföra handlingar på nätet, vad behöver förbättras när det gäller tillförlitlighet, behörigheter, verifiering och mänsklig tillsyn innan företag kan anförtro dem mer autonoma arbetsflöden?

Behörigheter blir mycket viktigare när en agent kan agera och inte bara läsa. Agenten ska aldrig se dina inloggningsuppgifter, och alla hemligheter måste förvaras utanför en säker sandlåda och aldrig exponeras för modellen. Vi har arbetat med det här problemet kring proxyisolering för Actors på Apify-plattformen, liksom i mcpc, vår CLI-klient med öppen källkod för MCP.

Utvecklare experimenterar med allt från webbläsarautomatisering till specialiserade API:er och nya agentprotokoll. Hur tror du att AI-agenternas arkitektur kommer att utvecklas, och hur kommer den ideala relationen mellan modeller, verktyg, datakällor och webbläsare att se ut?

Jag tror att de stora agentplattformarna som ChatGPT och Claude håller på att bli det nya operativsystemet – ett huvudsakligt gränssnitt där människor styr datorer och där verktyg ansluts på samma sätt som appar i mobilen. För verktyg som körs någon annanstans har MCP blivit den vedertagna standarden för kommunikation.

När en agent behöver uppgifter som restaurangbetyg och kontaktinformation kan den öppna Google Maps i en webbläsare och klicka sig fram som en människa, vilket är oprecist och dyrt. Alternativt kan den hitta och anropa ett verktyg som lämnar strukturerade kartdata, vilket går snabbare och är mer tillförlitligt. Huvudagenten kan också lämna över uppgifter som att boka bord eller hitta flyg till specialiserade underagenter som körs på billigare modeller.

Apify har i flera år byggt infrastruktur för utvecklare och samtidigt skapat en marknadsplats där tredjepartsutvecklare kan publicera sina egna verktyg. Kan agentisk AI skapa en mycket större ekonomi kring specialiserade verktyg och tjänster som agenter hittar och använder autonomt?

Ja, och vår marknadsplats är redan en liten version av det. Utvecklare publicerar Actors, människor använder dem och utvecklarna får betalt, vilket lockar fler utvecklare och leder till fler verktyg. Den här självförstärkande spiralen har snurrat i flera år, med människor på köparsidan.

När AI-agenter får fler ansvarsområden kommer de att behöva pengar för att utföra vissa uppgifter. Man kan tänka sig att ge en agent en uppgift och en liten plånbok och låta den betala för de verktyg den behöver på vägen, med hjälp av ett agentiskt betalningsprotokoll som x402 eller MPP. Volymerna är fortfarande små, men jag tror att det mesta av den ekonomiska aktiviteten så småningom kommer att ske autonomt mellan agenter, med allt mindre mänsklig tillsyn.

När Apify går in på sitt andra decennium och AI-agenter blir en mycket större del av mjukvarulandskapet, hur tror du att företaget kommer att utvecklas under de närmaste åren, och vad anser du fortfarande saknas i dagens ekosystem för agenter?

Allt fler kopplar nu in Apify i sina agenter, som Claude eller ChatGPT, och inser att de här verktygen hjälper dem att snabbare utföra mer komplext arbete på webben. Apify-plattformen och Actors optimeras för att ge en riktigt bra upplevelse för AI-agenter, vilket ökar användningen och intäkterna.

På den andra sidan av marknadsplatsen får allt fler mjukvaruskapare regelbundna inkomster från sina Actors: över 300 Actors skapade av communityn genererar mer än 1 000 dollar i månaden. Bara förra månaden betalade vi ut sammanlagt omkring 2 miljoner dollar i nettointäkter till några hundra skapare.

Tillväxten på Apifys marknadsplats accelererar, liksom våra ambitioner att göra Apify till världens största och mest betrodda marknadsplats för AI-verktyg, så att människor och deras miljarder framtida agenter kan få arbete gjort på webben.

Tack för en givande intervju! Läsare som vill veta mer om webbdata, webbläsarautomatisering och verktyg för AI-agenter kan besöka Apify.

Antoine är en visionär ledare och medgrundare av Unite.AI, driven av en orubblig passion för att forma och främja framtiden för AI och robotik. Som serieentreprenör tror han att AI kommer att förändra samhället lika genomgripande som elektriciteten, och han talar ofta entusiastiskt om potentialen i banbrytande teknik och artificiell generell intelligens (AGI).

Som futurist ägnar han sig åt att utforska hur dessa innovationer kommer att forma vår värld. Han är även grundare av Securities.io, en plattform med fokus på investeringar i spetsteknik som omdefinierar framtiden och omformar hela branscher.