Atlassian CEO Mike Cannon-Brookes：代理不会取代界面
摘要
Mike Cannon-Brookes 的核心产品判断是：代理会放大，而不是抹去界面设计的价值。 功能性、“把事办完就行”的工作可以被代理吞进后台，但协作型工作仍需要品味、上下文和人与人的互动；横向代理、垂直代理和第一方界面可以共存。他的直白规则是“无头即无脑”（Headless is brainless），并且他“非常反对 AI 的魔法按钮论”。
Atlassian 的战略资产是 Teamwork Graph：一个新建的、公司专属的人员、决策、文档、代码和工作流索引，供代理查询。 它的作用是在代理发问前先推断并整理上下文，就像 Google 在用户搜索前先索引整个互联网。Cannon-Brookes 强调：“这是客户的上下文，不是我们的上下文。”真正有价值的不是通用的外部数据，而是每个客户自己的组织语境。
企业抵触的是“中国模型”，而不是开放模型本身；Atlassian 目前没有在生产环境使用任何中国模型。 公司确实在使用 Nemotron、Mistral 和其他开放模型，并把每项任务路由到性价比最优的模型。Cannon-Brookes 表示，美国模型越来越多地用中国模型训练自己，国别标签在技术上因此变得不那么清晰，但他承认客户当下的担忧是真实存在的。
多数专用模型能否在快速进步的通用模型之上持续保持优势，仍没有定论。 专有数据，以及机器人、世界模型等高度专门化的应用，可能足以支撑专用化；但许多所谓的专有模型，不过是花费10亿美元打造的基础模型，再用约100万美元做定制。真正的证伪标准很明确：随着通用模型前沿推进，它们必须持续实现“指数级”的每瓦价格性能提升。
AI 成本管理正成为企业软件的核心能力，而不再只是后台职能。 Atlassian 内部设有 AI gateway 团队，围绕质量、成本和速度三角持续做模型路由、混合与 harness 选择。Cannon-Brookes 起初优先追求魔法般的产品采用——“如果只有5个人在用一项功能，我不在乎它花多少钱”——但一旦使用者达到500万人，就会开始激进优化。
Cannon-Brookes 已经下调了对未来推理价格的估计，尽管更低的单位成本会带来大得多的使用量。 资本、人才、芯片、数据中心设计和蒸馏会让价格性能“以陡峭的速度”下行，但他不认为需求会无限增长：技术的生产速度已经超过客户吸收业务变化的速度。一部搭载超级计算机的手机，也不会100%时间都在满负荷运行 CPU。
随着技术变得充裕，竞争稀缺性正从掌握特权信息转向创造性应用。 借用 Culture Amp 创始人 Didier 的说法，Cannon-Brookes 认为商业正从“信息不对称的世界”走向“想象力不对称的世界”。他的个人对策是刻意放慢节奏：代理会放大活动量和对注意力的要求，因此领导者必须保护深度思考的时间，学会“慢下来，才能快起来”。
精读
1. 代理会重新分配工作，但不会让所有界面消失
Harry Stebbings 开场提出的前提是，代理可能把软件公司降格为数据供应商。Cannon-Brookes 反对一概而论：如果用户只是想要“普通地把事办完”，代理可以替他买一根充电线；但涉及研究、品味或愉悦感的购物，仍然需要体验来承载价值。
企业协作处在这条光谱中更偏创意和协作的一端。代理会推进工作流、移除低价值劳动，让人把精力集中到创意工作上；但 Cannon-Brookes 不认为由此产生的工作变化天然是坏事，也不认为这会对 Atlassian 不利。
他的架构允许横向代理、深度垂直代理和应用界面同时保持价值。Atlassian 已经通过 Claude、Codex、Cursor、Teams 和 Slack 接入外部生态，但 Cannon-Brookes “非常反对 AI 的魔法按钮论”：不会有一个超级代理神奇地包办一切。
“无头按定义就是无脑”并不是反对 MCP 或 CLI；Atlassian 称自己的 MCP server 位居全球前五，甚至可能是前三。它反对的是放弃客户体验，转而依赖别人来呈现自家产品的价值。
他用跨产品案例进一步说明这一点：Atlassian 正把 Figma 和 Databricks 的功能接入自己的平台，而用户也可以从 Figma 触达 Atlassian 的功能。用户可以在 Confluence 中选中一个数字，直接从 Databricks 或 Snowflake 获取答案或小型图表，而不必把 Confluence 变成完整的 BI 工具。他把这称为多工种团队之间的 A2A：每个界面都保留自身的强项。
2. AI 重新打开了基础设计问题
Cannon-Brookes 认为，随着技术创造的成本下降，设计反而变得更重要。今天一款比90%的替代品更好的应用，5年后可能只能胜过20%，因为用户预期会不断叠加；持续升级体验需要长期、艰难的工艺投入，而不是一次性重做界面。
上一次类似的重置发生在移动互联网时代。Atlassian 现在重新思考代理应如何出现在协作软件中、人类如何调用它们、代理如何代表用户行动，以及产品如何传达来源、责任归属和 AI 的参与程度，而不让用户被实现细节淹没。
原始的界面形态不够用了：“文本框很糟糕。”一条空白输入线看似提供无限能力，但大多数用户还是把它当成 Google Search。真正开放的设计问题是：当可用的代理功能持续变化时，软件如何在恰当的时机展示恰当的能力。
如果 Codex 创建了 Harry 的 pull request，它应该显示为 Harry 的工作、Codex 的工作，还是“Codex 代表 Harry 完成的工作”？这一区分可以让用户切换到只看“人类评论”或只看“代理评论”的视图。同样，水印也无法区分一篇完全由 AI 生成的3,000字文章，和一篇由人类撰写、再经 AI 轻度润色的文章：文本相同，水印也相同。
3. 监督代理工作的界面仍是设计难题
Cannon-Brookes 认为“软件工厂”这个类比并不完美，因为软件是创意工作，而不是机械生产。这个类比有用的地方在于：人们越来越多是在改进和监督工厂，而不是手动搅拌、切割或盖章处理每一件经过生产线的东西。
人类仍会发起工作、引导方向、共同创作、处理例外，并决定何时介入。设计难题在于建立信心：出错时提醒用户，顺利完成时不要发送通知，同时让用户仍能查看细节，却不必面对“一片正在发生的事情”。
Harry 预测，当内容达到90%由 AI 生成后，人类创作的作品将需要水印。Cannon-Brookes 提出相反的可能性：5年后，社会可能既不知道、也不在乎哪些部分没有被 AI 碰过，就像观众不会去问一部电影是否做过调色，或是否使用了看不见的 CGI。
他仍然保留一条边界：完全合成的“AI 生成垃圾”不同于 AI 辅助的创作。但更可能出现的均衡，是合成内容被正常化，同时手工制作和人类判断获得更强的差异化，而不是给所有被 AI 碰过的作品简单贴上好或坏的标签。
4. Atlassian 想索引每家公司，而不是拥有它的数据
Teamwork Graph 汇总决策、项目、文档、人员、代码和服务。“数据存储在数据库里”这个说法过于狭窄；Cannon-Brookes 反驳道：“不，很多数据存储在 PowerPoints 里。”其中包括从未进入结构化系统的事实。
它的作用类似 Google 的网页索引：提前组织和推断，让代理可以低成本、规模化地检索答案。Atlassian 还加入了词法搜索和语义搜索，通过 MCP 和 CLI 提供面向代理的查询语言，并支持每个客户自定义的实体类型，从股票、材料到医院和病床都可以纳入。
新鲜度比静态数据量更重要。每当员工、项目和协作关系发生变化，一家公司的社交图谱就会变化；因此当前事实必须保持最新，而历史应作为经验和记忆保留下来，而不是继续堆积已经过时的细节。
Cannon-Brookes 用自己的经历说明了这个区别：他在2003年写的 Java 代码对 Atlassian 在2026年的工作没有用处，但知道他曾经是一名程序员，可能有助于软件用恰当的方式解释某件事。因此，收购一家公司来获得它的数据集，并不能明显补上什么缺口：“这是客户的上下文，不是我们的上下文。”
他把这与数据市场区分开来：后者寻找大规模、通用的数据集，再把它们卖给不同供应商。他举了 Spirit Airlines 数据以3,000万美元售出的例子，其中包括100万封邮件，但对话没有确认买方是谁。这类通用数据集可能适合广泛的智能平台；Atlassian 则是在搭建一张实时、客户专属的图谱。
5. 企业抵触的是中国模型，而不是开放模型
Cannon-Brookes 确认，部分客户、部分地区确实对“中国模型”存在“某些反弹”，但开放模型没有遭遇类似的抵制。Atlassian 通过与 NVIDIA 的合作使用 Nemotron，也使用部分 Mistral 和其他开放模型，但“我们没有在生产环境使用任何中国模型”。
Atlassian 的任务是做应用，而不是基于意识形态选择模型：针对每项任务、价格和目标结果，混合使用最合适的模型。复杂之处在于模型来源；Cannon-Brookes 表示，美国模型越来越多地使用中国模型训练自己，形成反馈循环，使国别标签在技术上不像客户想象的那样干净。
他用 Linux 作类比：企业接受开源软件，尽管他估计其中可能约有40%的贡献来自中国，部分原因在于代码可以被检查。他认为，AI 甚至可能让这种检查变得更容易。
Harry 的反驳值得保留：当模型构建者及其家人受到国家权力约束时，技术与地缘政治无法彻底分开。Cannon-Brookes 不愿加入社会政策讨论，但他区分了美国或中国对战略控制权的掌握，与企业是否应该使用一种可检查、价格更低且性能更好的技术。
6. 专用模型必须跑赢不断前进的基础模型前沿
“打造专用模型的好处，确实仍然没有定论。”Cannon-Brookes 认可专有数据、狭窄应用、机器人和世界模型等场景的合理性，但怀疑多数专用模型能否在通用模型持续进步后，守住今天的价格性能优势。
他反对企业“对措辞快说快用”。Atlassian 会对专用开放权重模型做微调，但不会把它们称为自己的模型；花约100万美元去定制别人的10亿美元级基础模型，和从原始数据开始训练模型不是一回事。
在他看来，许多挂着企业品牌的模型，本质上是中国基础模型加上领域智能，再换一个新名字。微调当然可能有价值，但把结果描述成完全专有的模型，会掩盖其经济账和技术血缘。
他的检验标准，是相对于最新基础模型持续实现指数级的每瓦价格性能提升。代理 harness 可以反复应用提示词和配置，harness 设计也极其重要，但“那不是模型进步”。许多两三年前成立的模型创业公司，已经被通用模型更快的进步“碾碎”。
7. 规模化之后，成本纪律会变成产品能力
Harry 直接提出了私人公司最容易陷入的诱惑：如果充足的风险投资能买来一个好2%-3%的产品，为什么还要在乎推理成本？Cannon-Brookes 的回答是，融资不太可能永远持续，而随着 token 支出在预算中的占比上升，企业已经高度关注价格性能。
Atlassian 把模型路由、混合和 harness 选择当作内部能力。其规模可观的 AI gateway 团队持续优化答案质量、价格和速度这个三角关系；规模更小或技术能力较弱的公司完全可以外包路由，但像 Atlassian 这样的公司必须自己掌握这项能力。
产品团队得到的要求是：“短期内不要过度优化成本，先做出惊艳、神奇的功能。”如果一项功能只有5个人采用，成本无关紧要；如果达到500万人，优化就会变得紧迫，而两个阶段之间有足够时间更换模型或改进 harness。
Cannon-Brookes 表示，自己对“未来推理价格可能是多少”这件事的看法变化最大：价格应当会比他此前认为的进一步下降。芯片、数据中心、蒸馏、资本和非凡的人才都在压低每瓦成本，让技术成本管理成为优秀软件公司的决定性能力。
8. 推理充裕后，稀缺性从信息转向想象力
Harry 引用 Jevons 悖论：更便宜的推理可能只是带来数量大得多的推理。Cannon-Brookes 同意使用量会爆发，但不接受无限增长；“技术的生产速度快于技术的消费速度”，而客户已经来不及吸收足够多的新功能来改造业务。
更大的机会在于“创意驱动型经济”。Cannon-Brookes 借用了他归功于 Culture Amp 创始人 Didier 的一句话：价值正从“信息不对称的世界”转向“想象力不对称的世界”，优势不再主要来自知道别人不知道的事实，而来自以原创方式把 AI 应用到问题上。
他自己的短板不是想象力，而是被保护起来的时间。代理驱动的工作会鼓励人们不断“推动代理，把事情做完”，而各种工具的通知持续攻击注意力。在忙碌了一年之后，他过去2-3个月一直在刻意恢复每周哪怕两小时的时间，用于进行跨年度的长期思考。
9. 持久的软件和创始人都需要持续更新
OpenAI 和 Anthropic 是 Atlassian 的深度合作伙伴，但也在某种程度上进入应用层。Cannon-Brookes 称，双方最终的边界将是“未来一个争夺极其激烈的变量”；但他认为，原始文档创建已经商品化，却没有因此消灭差异化应用。
Confluence 就是一个例子：其上一次披露的规模已超过15亿美元 ARR，年增长远高于25%，尽管用户可能还有约20种其他写文字的方式。差异化来自设计、用途和工作流整合，而不是单纯把文字放到屏幕上的能力。
Harry 质疑，Linear 的产品工艺感似乎比 Jira 更强。Cannon-Brookes 认为这不公平，指出 Jira 和 Teamwork Collection 的增长正在加速，同时设计、速度和效能也取得了基础性进展；他说，Atlassian 必须在数十年的时间跨度上“跑自己的赛道”。
当被问及为何能在公司任职相对长的时间时，Cannon-Brookes 的回答是“24”。支撑他坚持下来的，是享受难题和聪明的同事，而不只是金钱或地位。他也把创始人的持久力与能量联系起来：早期创始人要同时承担生计、融资、收入、客户和声誉，单靠金钱或进入正确的圈子，很少能支撑5年或10年的工作。
他形容财富既是美好的事物，也是一种负担：这是一项暂时性的责任，要去追求“对社会有利”，而不只是对个人有利的用途。他最后的建议把谦逊与克制放在一起：“与自己缔结和平”，创造慢下来思考的时刻，并且“慢下来，才能快起来”。