Atlassian CEO 眼中的企业 AI：代理不会消灭界面，真正的战场是上下文、设计与成本纪律

一、嘉宾背景

这期 20VC 的访谈对象是 Mike Cannon-Brookes，节目证据中给出的身份是 Atlassian 的创始人兼 CEO；主持人是 Harry Stebbings。访谈时长约 58 分钟，主题不是泛泛讨论 AI 趋势，而是从一家企业协作软件公司的位置出发，追问 AI 代理进入工作流后，传统应用、界面、上下文层和模型策略还剩下什么价值。Atlassian 在节目中被放在企业协作、业务流程、Confluence、MCP、代理接入和 teamwork graph 的语境里讨论，这决定了 Mike 的回答更接近应用层经营者和平台建设者，而不是单纯模型供应商的视角。

Mike 的相关经验来自 Atlassian 长期服务企业团队的产品背景。节目证据列出的 Atlassian 工作范围包括 Atlassian platform、Confluence、teamwork graph/context graph、MCP server、企业协作和工作流软件，以及与 Claude、Codex、Cursor、Teams、Slack、Figma、Databricks、Snowflake 等工具的代理集成。也就是说，他在访谈中谈“agent 是否会替代界面”时，并不是从抽象的未来想象出发，而是在讨论一个已经连接文档、代码、沟通、数据工具和企业流程的平台，如何继续保留应用价值。

这也是本集最值得分析的部分：Harry 追问的是，如果代理能从数据库取数、执行任务，Atlassian 会不会退化成一个后台数据提供者；Mike 则把问题改写为，不同任务对界面、品味、协作和责任的需求并不相同。节目标题提到“中国 AI”和“专用模型”，但访谈实际覆盖更宽：企业客户信任、开放模型、模型路由、AI 成本、组织知识图谱、OpenAI/Anthropic 进入应用层，以及创始人的长期心理能量。本文不会把标题中的判断当作普遍事实，而是按节目证据呈现 Mike 在访谈中的具体说法。

二、本期主要内容

节目开场的核心问题是：当代理能够从数据源提取信息、替人完成任务，传统软件是否还需要成为一个“doer”，还是只会变成被代理调用的数据层。Harry 把这个问题放到 Atlassian 身上，追问 Mike 如何看待价值从应用界面转向代理执行层。Mike 的回答先拆分任务类型：有些任务非常功能性，用户只想“拿到东西然后继续”，这类场景确实可能被代理压缩；但带有品味、互动、协作和企业流程的任务，不会以同样方式被替代。他把企业协作和业务工作流中的代理定位为推动工作前进的力量，让人把注意力放到更高价值、更有创造性的部分，而不是让应用界面整体失效。

由此，访谈进入“headless software”的争论。Mike 明确说，如果企业放弃用户界面，放弃继续演进客户体验，那就是“brainless bet”。但他并没有否定代理接口本身：他同时强调 Atlassian 很重视 MCP、CLI，以及 agent 对平台和 teamwork graph 的读写能力。这形成了本集最重要的张力：Atlassian 既要让代理能进入、查询、写入和利用组织上下文，也不能让 Jira、Confluence 之类产品退化为一组没有体验的后台 API。

随后，Harry 把问题推进到设计价值。Mike 的判断是，在 AI 时代，设计和体验反而更重要，因为技术生产变得便宜、丰富之后，“能不能做”不再是唯一差异，应用、产品和服务能否以正确方式帮助用户做事，会成为竞争点。他反对一个万能 Uber agent 或 magic button 解决所有事的想象，认为横向代理、垂直代理和强产品界面可以同时成立。Figma、Databricks、Snowflake 的例子说明了这种并存关系：用户可以在 Confluence 中选中文字，请系统查数、返回答案或小图表，但这并不意味着 Confluence 变成 BI 工具，而是当前工作流临时接入了外部能力。

访谈中段转向 AI 设计范式。Mike 认为，现在是移动时代以来少见的基础设计问题重启：文本框不足以承载 agentic UI，产品要解释代理何时出现、如何行动、代表谁行动，以及人类应该在哪些节点介入。他用 Codex 创建 pull request 的例子说明，企业系统需要区分“Harry 做的”“Codex 做的”以及“Codex 代表 Harry 做的”。这又引出 provenance 和 accountability：AI 触达内容不是简单贴一个水印就结束，更关键的是贡献比例、编辑过程、来源链条和责任归属。

后半段，节目把讨论扩展到模型来源、专用模型和成本纪律。Mike 对“中国模型”的表述比标题更细：部分客户对所谓中国模型有抵触，但不是对开放模型有抵触；Atlassian 使用 NemoTron、Mistral 等开放模型，但不在生产环境使用中国模型。他也质疑很多公司“训练自己的模型”的叙事，认为多数是在已有开放权重或基础模型上做微调，而不是从原始数据训练基础模型。专用模型不是没有价值，但要在特定任务和价格性能比上持续领先，才不至于被快速进步的通用模型追平。

最后，节目讨论 Atlassian 的 teamwork graph、应用层竞争和创始人状态。Mike 说，企业知识不只在数据库，也在 PowerPoint、文档、决策、项目、人员关系和代码服务中；teamwork graph 的目标是像 Google 索引网页一样，提前为每家公司独特的信息集建立可检索、可推理的上下文。面对 OpenAI 和 Anthropic 进入 Docs、Office 等应用层，Mike 承认边界会高度竞争且不确定，但用 Confluence 的业务规模和增长说明，写文本本身不是决定性优势，设计、体验、目的和工作流整合才是护城河。访谈结尾转向创始人长期能量：Mike 认为金钱和圈层很难支撑 5 到 10 年，创始人要理解自己的能量来源，并在 agent 和通知不断争夺注意力的环境中保留慢思考。

三、核心观点：推理、例子与边界

Mike 在这集里的第一条核心观点，是 AI 代理不会线性地把企业软件推向“无界面”。他的判断并不是出于对既有软件形态的防守，而是来自对任务结构的区分：买一根充电线、执行一次明确查询、自动完成低摩擦的功能动作，确实可能由代理直接接管；但企业协作、业务流程、跨团队判断、设计和创造性工作，包含大量上下文、偏好、责任和互动。这类任务中，代理更像是在推进工作，让人从机械步骤中释放出来，而不是把人和界面一起删除。因此，他把“放弃用户界面和客户体验演进”称为错误押注。背后的逻辑是：如果产品不再承载用户理解、监督、判断和协作的空间，它就失去了企业软件中最难替代的一部分价值。

这并不意味着 Mike 在维护传统界面。他明确承认 Atlassian 高度投入 MCP、CLI、代理对 teamwork graph 的读写，以及代理在 Claude、Codex、Cursor、Teams、Slack 等环境中访问 Atlassian 平台。更准确地说，他反对的是二选一叙事：不是“代理替代界面”，也不是“界面拒绝代理”，而是横向代理、垂直代理和产品界面会长期共存。Figma、Databricks、Snowflake 的例子很能说明这一点：用户在 Confluence 中查一个数字，可以让系统连接外部数据工具，拿回答案或小图表；但如果用户要长期做深度分析，Databricks 或 BI 工具仍有自己的界面价值。这个例子划清了 agentic workflow 的边界：代理连接能力，不等于宿主产品吞掉所有专业产品。

第二条观点是，AI 时代设计的重要性上升，而不是下降。Mike 的理由是，当技术创造越来越便宜、越来越丰富，功能实现本身会更快商品化，差异会转向体验、目的和工作流整合。他把当前阶段视为移动时代以来第一次重新面对基础设计范式：一个文本框加无限能力并不是好界面，用户常把强大的 LLM 当搜索框使用，说明产品还没有把“合适的能力在合适的时刻交给合适的人”设计清楚。这里的设计不是视觉装饰，而是权限、可见性、介入时机、异常处理、协作方式和责任说明的总和。

Codex pull request 的例子展示了这个设计问题的深度。如果 Codex 创建了 PR，企业系统需要回答：这是 Harry 做的，Codex 做的，还是 Codex 代表 Harry 做的？Harry 是否深度参与？其他人是只想看人类评论，还是也需要看 agentic comments？这不是语义洁癖，而是企业审计、协作信任和责任归属的基础。Mike 对 AI 水印的怀疑也在这里成立：同样一段文本，可能是“写一篇 3000 字文章”的全自动输出，也可能是人类写好后让 AI 润色；同样的水印无法表达这两者的差异。限制在于，他并没有在节目中给出完整产品答案，而是指出了问题空间：provenance、accountability、人类参与比例和内容来源，需要比“AI/非 AI”更细的表达方式。

第三条观点是，企业模型策略要从“模型品牌崇拜”转向围绕任务、成本和信任的工程组合。节目标题把焦点放在“中国 AI”，但 Mike 的实际表述更谨慎：他观察到部分客户对所谓中国模型有抵触，但没有看到客户对开放模型本身有抵触；Atlassian 使用 NemoTron、Mistral 等开放模型，同时不在生产环境使用中国模型。他进一步区分技术开放性和地缘战略控制：开源软件可能有大量中国贡献，企业也可以检查开放代码；但谁拥有战略控制，是另一层问题。这个观点的限制在于，它是 Atlassian 客户语境下的经验判断，不应被扩写成所有企业、所有行业、所有地区的普遍测量事实。

专用模型也服从同一逻辑。Mike 并不是说专用模型没有价值，而是要求它们证明长期价格性能优势。他承认，在有专有数据、机器人、战争模型等特殊应用时，专用模型可能合理；但他质疑很多公司把“在现有基础模型上微调”包装成“训练自己的模型”。如果通用基础模型进步更快，垂直模型在某个时间点的领先可能很快被抹平。这里的关键限制是任务依赖性：某些专用场景可能拥有持续数据壁垒，另一些场景只是暂时领先。因此，采购方不能只听“自研模型”或“行业专用”的标签，而要看它在目标任务、延迟、成本、准确率和维护周期上的持续表现。

第四条观点是，AI 成本会下降，但需求不会无穷。Mike 一方面认为，每性能单位的推理价格会明显下降，因为资本、人才、芯片、数据中心设计和蒸馏都在优化这一环节；另一方面，他反对把便宜推理直接推导为无限使用。他用手机 CPU 不会一直 100% 运转作类比：能力存在，不代表资源会无上限消耗。企业真实采用还受消化速度、流程改变、员工注意力和商业回报限制。他说，现在技术生产已经快过客户消费和改变业务的能力，这使“更多功能”本身不再自动等于“更多价值”。

teamwork graph 是 Mike 对企业 AI 护城河的具体回答。企业知识不只在数据库里，很多事实存在于 PowerPoint、文档、会议、代码服务、项目历史和人际关系中。Atlassian 想建立的是每家公司自己的索引和上下文图谱，像 Google 预先索引网页一样，在 agent 提问前提前整理和推理，从而以较低成本、大规模回答问题。这个图谱还必须同时“新鲜”和“有记忆”：今天谁在公司、谁负责哪个项目、人与项目关系如何变化，需要实时更新；但历史经验也有价值。例如，Mike 2003 年写过什么 Java 代码，对 2026 年 Atlassian 未必有直接价值，而“他曾经是程序员”这个背景仍可能帮助系统用技术语境解释概念。这是组织知识系统的细微处：旧事实可能过期，旧学习却仍有解释力。

最后，应用层竞争和创始人状态构成了一个更宽的判断。Mike 承认 OpenAI 和 Anthropic 既是 Atlassian 的深度合作伙伴，也在进入应用层，计算服务与应用之间的边界会高度竞争且不确定。他用 Confluence 最近披露的规模和增长说明，写文本不是决定性优势；电脑上可以写文本的地方很多，真正的差异在设计、体验、目的和工作流整合。但这也不是绝对护城河，Mike 自己也承认未来边界无人知道。访谈尾声关于创始人的讨论看似转题，实则呼应 AI 时代的注意力问题：如果创始人只被融资、金钱和圈层驱动，很难撑 5 到 10 年；如果 agent、通知和碎片媒介不断制造忙碌，慢思考反而会成为更稀缺的能力。

四、学习与应用

对企业 AI 产品团队来说，这集最直接的应用是：不要只问“我们有没有 agent”，而要问“用户如何理解、监督、纠错和承担责任”。如果一个代理能创建 PR、改文档、触达客户或移动业务流程，界面就必须表达谁发起了动作、谁批准了动作、AI 贡献了多少、人类改了多少、其他协作者该看哪些痕迹。把所有 AI 内容贴一个水印，解决不了企业场景里的责任问题；但把所有 agent trace 全部暴露出来，又会让用户被噪音淹没。更实用的设计方向，是按风险和协作需求分层：低风险自动化可以默认隐藏细节，高风险决策需要显示来源、版本、审批和回滚路径。

对企业软件公司来说，Mike 的观点提示，护城河不应只写成功能清单。代理时代，功能更容易被模型调用，单点能力更容易被横向入口吸走；但上下文整合、工作流嵌入、实时组织知识、权限语义和体验质量更难复制。Confluence 中调用 Databricks 或 Snowflake 的例子可以转化成产品原则：不要把每个外部能力都做成完整替代品，而是在用户当前任务中提供足够完成下一步的能力。边界条件是，如果用户进入的是专业深水区，例如持续数据建模、复杂 BI、深度设计创作，原专业工具仍需要保留强界面和完整控制面板。

对 CIO、AI 平台团队和采购团队来说，模型策略要按任务组合，而不是按品牌站队。Mike 对开放模型、中国模型和专用模型的讨论可以落到几个评估问题：这个模型是否被客户政策允许？是否能解释来源和供应链风险？是否在目标任务上有稳定价格性能优势？延迟、质量、隐私、部署方式和可维护性如何？如果供应商声称“训练了自己的模型”，应进一步追问是从原始数据训练基础模型，还是在开放权重或现有基础模型上微调。后者并不一定不好，但它不应被包装成更高壁垒。

成本纪律也要提前进入产品流程，但进入方式需要分阶段。Mike 给产品团队的原则很实用：早期不要为了节省几分钱而扼杀“神奇体验”，先验证用户是否真的采用；一旦功能从少数用户走向大规模使用，就必须建设模型路由、模型混合、harness 优化和 AI gateway 能力。对大公司来说，这可能是内部核心能力；对小公司或非技术型企业，购买模型路由和网关服务可能更现实。权衡点在于控制力、成本透明度、供应商锁定和团队能力：规模越大、AI 调用越核心，内部理解每类任务的质量、速度、价格三角就越重要。

对知识管理和企业搜索团队来说，teamwork graph 的启发是：不要只做静态数据湖，也不要幻想一次性买一批外部数据就能获得企业智能。更关键的是把文档、会议、项目、代码、人员关系、业务数据和历史决策连接起来，并区分“当前事实”和“历史学习”。员工是否还在公司、谁负责某项目、某数据是否最新，这些需要新鲜；而某人曾经做过工程、某团队曾经踩过某类坑、某决策为何形成，则可能作为学习保留。应用边界也很清楚：过期事实如果不标记，就会污染回答；历史学习如果没有抽象，系统只会背旧档案。

对创业者和高强度知识工作者来说，节目尾声提供了另一个应用层面：在 AI 加速下，能力不只是调用更多工具，也包括保护慢思考的空间。Mike 说，agentic 世界会让人不断“推一下、做一下”，工具和通知会持续攻击注意力。这意味着个人和团队需要有意设计深度判断机制，例如固定无会时间、把重大产品判断从即时聊天中移出、给战略问题留出非同步写作和复盘空间。这里的边界是，慢思考不是拖延，也不是拒绝速度；它适用于方向、架构、责任、定位和取舍，不能替代快速实验和客户反馈。

最后，这集也提醒读者处理标题和数字时要谨慎。节目标题中的“中国 AI”是访谈框架，不等于已被独立验证的普遍结论；Mike 提到的客户抵触、Confluence ARR、增长率、推理成本下降、专用模型前景，都是节目中的说法，应按发言人和场景理解。最有价值的学习不是把这些判断当口号，而是转成决策清单：界面是否保留监督和协作？上下文是否新鲜？AI 内容是否可追责？模型是否按任务路由？成本是否随规模优化？创始人和团队是否还有能力停下来想清楚真正的问题？

来源

• 原始节目：Atlassian CEO: Enterprises Won't Trust Chinese AI | Why The Jury’s Still Out on Specialised Models