Atlassian CEO 谈 SaaS 末日、AI 智能体与软件业的下一章

摘要

本期 a16z 播客邀请了 Atlassian 联合创始人兼 CEO Mike Cannon-Brookes 与 a16z 合伙人 Alex Rampell，围绕当前科技界最热门的话题——所谓的"SaaS 末日（SaaS Apocalypse）"展开深度对话。Mike 从软件行业六十余年的历史切入，提出"文件柜隐喻"：1960 年到 2022 年的软件本质是把实体文件柜变成数据库，而 AI 时代的根本区别在于，这个"文件柜"现在可以自己干活了。Alex 则用三种 SaaS 公司的分类框架来分析不同企业的脆弱性：按座收费且座位直接产生工作成果的（如 Zendesk）最危险，按座收费但座位与实际产出脱钩的（如 Workday）反而安全。两位嘉宾深入讨论了定价公平性、Vibe Coding 的局限、企业作为流程集合的本质，以及 Atlassian 自身如何在现有工作流优化、智能体嵌入和完全重构工作流三个层面上同时推进 AI 转型。Mike 还分享了大量关于 AI 交互设计、用户信任建设和组织知识管理的一线洞察，指出当前 AI 能力远超实际交付价值的核心瓶颈不在技术，而在设计与体验。

正文

从文件柜到数据库：软件业六十年简史

Mike Cannon-Brookes 用一个简洁有力的比喻概括了软件行业从 1960 年到 2022 年的发展轨迹：把文件柜变成数据库。这个过程的第一个代表性案例是 Sabre Systems——1960 年由 IBM 和美国航空（American Airlines）联合创建的预订系统。在此之前，航空公司的预订记录存储在成排的文件柜中，由大量秘书手动管理。SQL 数据库的早期版本将这些纸质记录数字化，开启了企业信息化的纪元。

同样的模式不断重演：电子健康记录（Electronic Health Records）——最早的版本 MOPS 由麻省总医院（Mass General Hospital）开发；第一个客户关系管理系统 ACT! Systems 出现在 1987 年，比 Salesforce 更早。本质上，每一个行业都在经历相同的转变：把某种纸质文件柜变成某种数据库。这个转变带来了实际的效益——多办公室协同、数据库的复杂查询能力——但它并没有让世界变得"高效得多"。因为在此之前，你需要派人去文件柜取文件；在这之后，你需要一个首席信息安全官（CISO）来确保系统不被入侵，还需要 IT 人员去配置单点登录（SSO）账户。

Mike 的核心论断是：那个时代的软件，文件柜本身"不会思考"。而 AI 时代的关键变化在于——文件柜现在可以干活了。QuickBooks 不仅仅存储你的财务数据，它还可以自己完成一项任务，而不是依赖人类从中检索信息——就像 1950 年代的员工从实体文件柜中取文件一样。

SaaS 末日：为什么恐惧被夸大了？

"所有人都在谈论 SaaS 末日，有些人称之为灾难。"主持人提到公开市场上 SaaS 公司股价的大幅下跌。Mike 的分析冷静而务实：世界正在试图搞清楚如何在一个高度颠覆性的阶段对软件企业进行估值。每个投资者都有自己对未来的"热辣观点"，而这些观点决定了他们看到的未来版本——对软件行业要么极好，要么极坏。

从投资者心态来看，风险水平确实上升了。SaaS 曾经是一个非常稳定的品类，现在变成了一个风险更高的品类，所以投资者选择"退后一步观望"。Mike 尖锐地指出，投资者真正关心的往往不是公司未来利润的现金流折现模型（DCF），而是"其他投资者会怎么做"——他们在押注别人认为别人会做什么。这就形成了一个有趣的世界：每个人都有一个自认为合理的未来版本，但这些版本往往与地面实际情况严重脱节。

"如果你的回答总是'如果 AI 在两三年内能做到那件事，这意味着什么'，那问题本身就来自一个非常静态的视角——仿佛人不会适应，世界不会改变。好像只有一件事在变，其他一切都保持静止。"

Mike 坦率表示，并非所有 SaaS 公司都能在未来十年繁荣发展。"就像当年一大批公司没能成功上云一样，一大批也没能从 Windows 时代过渡到互联网时代。"没有人会声称 100% 的 SaaS 公司都能生存下来并持续增长。很多软件最终会变成一种"现金收入流"——不退场，但也不再增长。但 Atlassian 的情况不同：这是他们业务史上遇到的最好机遇。"我们处于知识经济世界，拥有处理知识、运用知识、解决客户需求的工具。从逻辑上讲，这对我们非常有利——但我们需要通过执行来证明这一点。"

三种 SaaS 公司：Alex 的分类框架

Alex Rampell 提出了一个"过度简化但极具解释力"的三分法框架，来解释为什么公开市场无法区分不同类型的 SaaS 公司：

第一类：座位与产出直接挂钩。 典型代表是 Zendesk。在 Zendesk 的案例中，每个付费座位对应一个正在使用软件完成工作的人。当 AI 客服代理（如 Sierra、Decagon 或自研方案）能够替代这些人工客服时，座位的价值趋于零。如果 Zendesk 不做任何改变——不修改代码也不修改定价模型——那条收入流在默认路径上将归零。但 Alex 也指出，如果转向基于成果的定价（Outcome-Based Pricing），收入可能翻三倍或四倍。

第二类：按座收费只是聪明的定价策略，座位与实际产出脱钩。 典型代表是 Workday。通用电气（GE）有 34 万员工，Workday 按每员工每月收费——但这 34 万人并不是在用 Workday "生产"什么。这个定价模式之所以有效，是因为它"感觉公平"：公司越大，付的钱越多，而这笔钱对 GE 来说不过九牛一毛。因此 Workday 在 AI 时代不但不受威胁，反而可能受益——当 Workday 的 AI 能够自动完成背景调查、催收应收款等任务时，它的未来现金流现值只会上升。

第三类：中间地带。 如 Adobe，可能多几个座位也可能少几个，但不存在 Zendesk 那样鲜明的风险，也没有 Workday 那样的绝缘性。

Alex 还驳斥了"所有人都能 Vibe Code 自己的软件"的观点。他以经济学家大卫·李嘉图（David Ricardo）1817 年提出的比较优势理论（Theory of Comparative Advantage）为论据：理论上你可以自己种粮食、自己焊接铝材，但你会专注于你最有比较优势的事情。更重要的是，企业软件真正的壁垒不在于可见的功能，而在于成千上万个你只有在真实世界中才会遇到的边缘案例：

"在印第安纳州，如果员工离职并请产假，会发生什么？这些规则不是公开的，它们是几十年经验中积累下来的，嵌入在软件中，无法通过简单的复制来获取。软件本质上是一套确定的规则，而这些规则在过去数十年的实战中不断打磨，但并不对外暴露。"

从系统记录到业务流程：重新理解企业

Mike 对"系统记录（System of Record）"这个术语提出了质疑。他认为这个说法过于静态——"听起来就像一个坐在那里的数据库，我把东西放进去，再拿出来，就这样。"这本质上是把企业视为一组建于工业时代的文件柜。但实际上，现代企业——尤其是知识型企业——是一组流程（Processes）的集合。

"我有一万多人每天走进办公楼，带着他们的大脑进来，带着大脑走出去——仅此而已。我没有原子，我没有比特，我甚至没有任何文件柜。我的全部工作就是协调一组流程，我认为大多数现代企业也是如此。"

Mike 将企业流程分为两类：

输入受限型流程（Input Constrained Processes）。 客户服务的例子最为典型：客户会提出一定数量的问题，你能多快、多高效、多低成本地处理这些问题是关键。但即使你把处理效率提高 10 倍，顾客提问的数量不会因此增加 10 倍。法务团队也是如此——他们的工作不是创造法律需求，而是响应既定的合同、保密协议和租约需求。

输出受限型流程（Output Constrained Processes）。 创意工作、市场营销、软件开发都属于这一类。你受限于创造力和想象力，可以做的事情理论上是无限的。在这类流程中，效率提升意味着你会产出更多，而不是减少投入。

Mike 指出，理解一个企业的真实价值需要从外部同时审视这两类流程以及它们之间错综复杂的交互——而这远不是简单地标记一个"系统记录"能完成的。

定价的公平性幻觉：为什么按座收费不会消失

讨论自然延伸到软件定价模式的未来。Alex 引用了丹·艾瑞里（Dan Ariely）在《怪诞行为学》（Predictably Irrational）中的一个经典例子：凌晨你被锁在公寓外，锁匠一分钟后赶到，花 30 秒打开门，要价 500 美元——你愤怒地留一星差评并抗议信用卡扣款。换一个平行宇宙，同一个锁匠花了九个半小时，跑回办公室取工具，终于在第二天早上 9:30 打开门——你感激地给了他 200 美元小费和五星好评。

"人类在某种程度上愿意为无能付费。很多定价机制的核心是公平感。"

这解释了为什么 SaaS 的按座按月收费模式如此成功：额外开通一个座位的边际成本几乎为零，但"你有 500 个座位所以付更多钱"这件事在直觉上让人觉得公平。同样，Workday 按员工人数收费不是因为这与成本相关，而是因为 GE 利润更高、付得起——而这对 GE 来说只是"预算中的零头"。

然而，AI 时代的到来让定价变得更复杂。Mike 详细解释了为什么基于消费量（Consumption-Based Pricing）和基于成果（Outcome-Based Pricing）的模式虽然在理论上合理，但在实践中困难重重：

AI 信用/代币模式的问题。 客户无法理解"AI 代币"到底是什么。一个 GB 的云存储从 AWS 搬到 Azure，价格透明可比。但不同厂商的 AI 代币是否等价？而且供应商不断添加新功能——"我建了一堆摘要功能给你，一夜之间让你的代币消耗翻了 10 倍。客户说：等等，我没让你做这些。"

成果定价的陷阱。 以客服为例，第一年的销售话术是"你以前花 20 美元做客服，用我们的工具只需要 10 美元"。但第二年客户会说："我现在只花 10 美元，你得帮我把成本降到 5 美元，否则你就没交付任何价值。"而供应商只能说："但如果没有我，你还会花 20 美元。"——这场辩论变得非常棘手。

Alex 进一步补充，从销售团队规模化角度看，Workday 的定价模式近乎完美：销售人员从外部看一眼就知道 GE 大概会付多少钱（34 万员工 × 每人每月 4-5 美元 ≈ 每年 2000 万美元），这让资源分配变得极其高效。而在基于消费或成果的定价模型下，你根本无法从外部预测一个客户的收入潜力，这让销售团队的扩张变得困难得多。

Vibe Coding 的真实价值：扩展，而非替代

当被问及"Vibe Coding 取代企业软件"的说法时，Mike 的回应一针见血："自己 Vibe Code 出一个 Workday 然后上线运行，这个想法太可怕了。我有非常聪明的工程师，但他们有更重要的事情要做。而且这对我来说，弊远大于利。"

但 Vibe Coding 在另一个方向上的价值巨大：软件的可扩展性（Extensibility）。 Atlassian 的平台允许客户编写运行在其之上的应用程序，但这需要投入技术团队。现在，AI 让非技术用户也能"Vibe Code"出高度定制化的扩展——比如迈阿密办公室 20 个人使用的、需要兼顾当地 HR 政策的会议室预订系统。以前这种小众需求的投入产出比太低，现在变得可行了。

"这个应用的构建使用了 Workday 底层的全球数据和规则，但它只是一个非常定制化的前端界面。这就是 AI 和 Vibe Coding 的力量——让软件对特定需求更加量身定制，而这实际上让 Workday 在企业中更加不可或缺和更有价值。"

Alex 引用 Salesforce 的例子进一步阐释了"前端不等于后端"的定价困境：a16z 可能有 600 个 Salesforce 许可证，但 Alex 本人从未登录过。然而他确实在消费 Salesforce 的输出——因为 Salesforce 是整个公司的关系数据库。当人们可以基于 API 构建自己的前端但不使用 Salesforce 的 UI 时，定价压力就会出现。"没有人会抛弃 Salesforce 的后端，但他们可能需要更少的座位，因为他们需要更少的前端。"

Atlassian 的 AI 转型：三条战线并行

Mike 将 Atlassian 的 AI 战略拆解为三个相互嵌套的层面：

第一层：优化现有工作流

这是最"不性感"但最受客户欢迎的层面。以 Jira 服务管理为例，当一个工单经历了四五个人的内部流转后，第六个人接手时需要阅读大量附件和对话记录才能理解来龙去脉——通常需要 30 分钟的"大脑启动"时间。Atlassian 的 AI 摘要功能可以瞬间完成这个任务，让专家直接进入问题解决环节。

"客户对这些功能赞不绝口。在 AI 圈子里，这些功能看起来很简单——'不过就是丢给大模型让它总结一下嘛'——但实际上它涉及非常精细的上下文管理。关键是客户的工作流一步也没变：Alex 照样对 Eric 说'来帮我看下这个工单'，Eric 照样需要启动大脑理解状况，只不过这个过程从 30 分钟变成了 30 秒。"

第二层：在工作流中嵌入智能体

Atlassian 建立了自己的智能体框架，基于其团队知识图谱（Teamwork Graph），允许客户在工单流程的特定步骤中引入自主智能体。同时，Atlassian 也支持客户引入第三方智能体平台——Mike 预测大多数企业会同时运行 3 到 5 个大型智能体平台（如 Salesforce 的 Agentforce、Google 的 Gemini 等），而 Atlassian 的角色是让这些智能体能够无缝插入工作流中运行。

第三层：重构整个工作流

更进一步的问题是：如果服务工单这种形态本身就不需要存在了呢？当 Atlassian 开始重新想象整个软件品类时，他们面临的最大挑战不是技术，而是客户的迁移路径——大企业可能有几百个不同的服务台，其中 20 个会率先采用新范式，其余继续沿用旧模式，但企业需要同时管理所有模式。Atlassian 的任务是帮助客户同时迈出一年、两年和五年的步伐。

Mike 特别强调了设计（Design）在这一转型中的关键作用。他类比移动互联网时代的早期阶段：最初的应用只是把桌面或网页内容缩小塞进手机里，然后才逐渐演化出下拉刷新、推送通知等全新交互范式。

设计的核心挑战：信任、输入与迭代

当被问到 AI 交互设计的现状和未来时，Mike 给出了三个层面的深度思考。

信任问题

普通用户对 AI 的恐惧不是来自其强大的能力，而是来自"它做了事而我不知道它做了什么"。Mike 举例："如果我的 AI 机器人跑出去发了 15 封邮件、清空了我的收件箱，我的反应是——等一下，我真的不信任这个。"建立信任的关键在于，AI 需要在行动前回来说"我打算做这些事情，确认吗？"——但又不能烦人到让用户宁愿不用。Atlassian 在 Jira 的智能体中实现了一个中间方案：用户可以在智能体运行任务的过程中随时与它对话，问"你在做什么？"这在短期内帮助建立信任；长期来看，如果这个智能体在过去 20 次任务中全部正确执行，用户自然就会放手。

输入设计

Atlassian 的团队知识图谱可以访问用户组织的全部知识——极其准确、搜索质量极佳。但 Mike 提出了一个反直觉的问题："图谱知道我在 2002 年写过代码。这其实没什么用——除了一个场景：它可以在解释技术问题时用我知道的术语。但我不希望它在回答其他所有问题时都用这个过时的信息。现在的产品让用户在'搜索网页、不搜索网页、搜索组织知识、不搜索组织知识'之间做选择——这些用户根本不理解的选项不应该由他们来负责。"

迭代问题

在企业环境中的迭代远比个人场景复杂。Mike 以 Confluence 和 Whiteboard 中的头脑风暴功能为例：智能体可以从组织知识中收集信息、生成结构化的头脑风暴输出。但这个输出的真正价值需要经过人类团队的讨论、投票、直觉判断——然后这些人类反馈需要回流到下一个智能体循环中。循环太多，用户感到沮丧；循环太少，信任崩塌。

"给用户一个提示框，告诉他们'这个框有无限的能力'——结果就是用户让它讲一个爸爸笑话。这就是空白框悖论：能力越强，用户的行动瘫痪越严重。"

创造文档的范式转变：Rovo 的实践

Mike 用一个具体例子说明了设计挑战的深度。Atlassian 的 Confluence 中推出了一项名为"Create with Rovo"的功能，彻底改变了文档创作的方式。传统方式给了用户一页空白——他们自然而然地开始添加标题、输入文字、插入表格。这是几十年知识工作者被训练出来的方式。"Create with Rovo"则让用户从一句话开始：我想要一个大概长这样的文档。AI 生成模板，用户可以进一步要求它去研究某些主题、获取某些信息。

一旦文档生成，页面变成双栏布局：左侧 75% 是可编辑的文档本体，右侧 25% 是对话窗口。用户可以同时在两侧操作——在左侧手动修改任何细节，同时在右侧下达指令："帮我在摘要后加一个新章节，研究一下 XYZ"；"把所有标题改成蓝色"（这在 Word 中几乎不可行）；"用董事会成员的视角审读这份文档，它够不够简洁？"

Mike 观察到，重度用户对这种范式欣喜若狂，他们在双栏之间自如切换，理解了这个全新工作方式的全部潜力。但普通业务用户——那些非常聪明但不属于科技圈的人——的反应往往是："我就在左边打字，这就是我全部要做的事情。"就像一个从未接触过 Excel 的人第一次看到电子表格："我在哪里输入段落？"你需要解释：不，这是一个不同的思考方式。两年后、五年后，这个范式会变得像 Excel 一样标准——但现在，帮助数百万日常用户穿越这个认知鸿沟，是 Atlassian 面临的最大设计挑战。

结语

整场对话勾勒出 AI 时代软件行业的核心张力：技术能力已经远远超前于实际交付的价值，而弥合这个差距的关键不在模型本身，而在企业流程的重塑、定价机制的演进、以及交互设计的革命性突破。对于 Atlassian 而言，这场转变不是威胁而是机遇——因为它销售的是知识型协作工具，天然处于 AI 增强的最佳位置。但 Mike 反复强调的谦逊态度同样值得深思：拥有最领先的技术从来不是终点，让数百万用户真正理解、信任并使用这些能力，才是漫长且不可跳过的工程。