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

Atlassian CEO Mike Cannon-Brookes 说"无头软件是没脑子的赌注"，并透露公司生产环境完全不用中国模型，只做模型路由和微调。

Agent 不会杀死企业软件。真正会被淘汰的，是把体验交出去、只剩一堆接口的产品。

这期嘉宾是 Atlassian 联合创始人兼 CEO Mike Cannon-Brookes。Atlassian 做 Jira、Confluence 等协作软件已有二十多年，Confluence 单项业务最近一次披露的年经常性收入已超过 15 亿美元，且仍保持超过 25% 的增长。面对 Agent、MCP、开源模型和模型价格下滑，他给出的答案并不浪漫：企业软件的价值不会退到后台，反而要重新把界面、上下文和成本纪律做扎实。

这期回答了 8 个问题：

1. Agent 能替人取数、做任务后，企业软件还剩什么价值？
2. 为什么 Mike 把彻底“无头化”叫作没脑子的赌注？
3. Agent 的界面究竟该解决哪些新问题？
4. 企业选模型时，客户偏好为什么会盖过技术标签？
5. 自研专用模型，什么情况下值得，什么情况下只是营销话术？
6. 模型成本下降时，产品团队该先追体验还是先抠单价？
7. 企业上下文图谱为什么不能只是一个历史资料库？
8. 当技术供给跑得比客户消化快，产品人该把注意力放在哪里？

被问到 Agent 会不会把所有软件变成“数据提供者”时，Mike 先拆掉了问题里的二分法。买一根充电线这类纯功能任务，人只想尽快得到结果，横向 Agent 很可能胜出；但协作、判断、反复比较和共同创作的任务，用户并不只是要一个答案。Agent 可以替人把工作往前推，人则应腾出手处理更高价值、更有创造性的部分。

他反对的不是 MCP、CLI 或跨产品调用。Atlassian 正在让 Claude、Codex、Cursor 等 Agent 读写其 teamwork graph，也与 Figma、Databricks 做双向接入。反对的是把这件事误读成“既然 Agent 能调接口，产品就不用继续把体验做好”。他把立场压缩成一句："Headless is brainless."（无头化就是没脑子的。）

这句话的硬核部分在于责任归属。用户可以在 Confluence 里选中一段文字，让 Agent 去 Databricks 或 Snowflake 查一个数字、带回一个小图；这很有用，但并不意味着 Confluence 从此就是 BI 工具。快捷取一次答案和长期在一个专业环境里做事，是两种体验。前者需要连通，后者仍需要产品把流程、上下文和控制感组织起来。

这意味着，所谓“Agent 会吃掉所有 SaaS”的判断太粗。接口开放是入场券，是否保有客户问题的主场，取决于你能否让用户在关键时刻更快理解、判断和协作。把界面全部外包，等于把最容易被替换的部分留给了自己。

被问到下一代协作产品最难的设计题时，Mike 的起点很朴素："text boxes suck firstly."（先说一句，文本框就很糟糕。） 一个空白输入框承载着几乎无限的能力，用户却不知道它此刻能做什么、该把任务交到什么程度，于是往往只把它当成搜索框。

他提到的第一层难题，是在恰当的场景给出恰当的能力，而不是要求用户先学会写提示词。第二层更棘手：Agent 开始代表人行动后，谁做了什么必须可理解。例如 Codex 创建了一份 PR，到底是 Harry 做的、Codex 做的，还是 Codex 代表 Harry 做的？不同参与程度会改变内容的责任和信任。

因此，产品要解决的不是简单给所有内容加一个“AI 生成”水印。Mike 认为，同样一段文字，可能是用户让 AI 从零写三千词，也可能是用户先写完、只让 AI 润色，两者不能被同一个标签粗暴处理。用户未必想翻看每一条 agent trace，却需要在有争议、有例外或要接手时，找到足够的来源、过程和权限边界。

这意味着 Agentic UI 的核心不是“更会聊天”，而是让人知道何时交出去、何时介入、出了问题能否追溯。企业软件的设计任务没有消失，只是从排版和表单升级成了代理权、出处和例外处理的设计。

谈到企业是否排斥开源模型，Mike 划得很清楚：客户并不普遍反对开放模型，Atlassian 在不同场景使用 Nvidia 的 Neotron、Mistral 等；真正出现阻力的是某些客户对“中国模型”的顾虑。他没有把这种顾虑包装成纯技术判断，而是把它当作产品交付必须面对的现实约束。

Atlassian 当前的生产策略也很明确："we don't use any Chinese models in production"（我们不在生产环境使用任何中国模型。） 这不是说模型名称就能解释全部风险。Mike 同时提醒，蒸馏与训练链条正在互相交织，一些美国模型也可能吸收中国模型的能力，供应链并不像营销标签那么干净。

他的操作原则不是替客户押某个模型，而是“为客户应用 AI”：为具体任务选合适模型，以合适价格达成客户要的结果。模型是能力层，不是产品身份。只要客户对某条供应链有顾虑，产品方就必须把它当作部署与信任设计的一部分，而不是用“技术领先”把问题压过去。

这意味着模型策略需要分两张表看。一张是质量、延迟和价格；另一张是客户可接受性、数据边界、采购与合规。第一张表漂亮，第二张表过不了，生产价值仍然是零。对企业产品来说，信任不是发布后再补的文案，它决定了哪些能力能真正上线。

被问到越来越多公司宣称训练自家模型，Mike 的回答不是全盘否定。他承认，在有大量专有数据、任务极窄，或机器人、世界模型等场景里，专用模型确实可能有意义。但他拒绝把这一点推广成所有公司都该自研的结论。

他的原话是："The jury is really out on the benefits of building specialized models at the moment."（现在还不能断定，构建专用模型究竟有多大好处。） 判断标准也很直接：某个模型此刻或许在一个特定应用上有性价比优势，但通用模型持续变强后，这种价格和性能优势能否留住，才是问题。

他还质疑“我们训练了自己的模型”这句话常被说得太宽。拿一个投入数十亿训练出的基础模型，再用自己的数据做微调，当然能带来价值，但它与从头训练不是一回事。把两者混成一个故事，只会让团队看不清真正的成本、可替代性和护城河。

这意味着专用模型应通过持续对照来决定，而不是通过发布会来决定。你需要持续回答：专有数据是否真的不可替代？任务是否窄到通用模型难以追上？上线后单位效果是否还能跑赢？只要其中一项变了，原本合理的模型投资就可能变成沉没成本。

谈模型路由时，Mike 给出的不是“只用最便宜模型”，而是把模型、任务和执行方式一起调度："model routing model blending applying the right model at the right time"（做模型路由、模型混用，在恰当时机用恰当模型。） 路由做得越好，原来贵到无法使用的能力，越能落到细小而真实的功能里。

他给产品团队的尺度很具体。一个功能只有五个人使用时，不必为成本过早牺牲体验；当它被五百万人使用，成本才必须成为一等问题。中间并非没有时间窗口，可以在需求被验证、使用量爬升后持续优化。这与“先堆完基础设施再找场景”相反，也与“完全不管单价”不同。

他还押注模型推理会大幅变便宜。芯片、数据中心设计、蒸馏和大量资本人才都在推动每单位推理价格下降。但他没有据此推出无限需求：当技术生产速度已经快过客户实际改变业务的消化速度，继续堆功能不一定创造价值。

这意味着成本纪律应服务于采用，而不是替代采用。先验证用户是否把功能当成魔法，再让路由、缓存、模型混用和交互设计把它变成可规模化的魔法。反过来，若客户没有形成新习惯，再低的 token 单价也救不了一个没人用的功能。

Atlassian 的 teamwork graph 不只是把文档塞进向量库。Mike 描述的对象包括会议、文档、代码、组织里谁与谁在哪些项目上合作，以及客户各自的业务数据；其上再叠加词法与语义搜索、让 Agent 能理解的查询方式。目标不是拥有客户数据，而是让客户自己的 Agent 能把散落的知识连接起来。

最重要的约束是时效。他说组织的社交图谱“只在今天有效”：明天可能有人离职、有人加入，项目关系也会变化。早年写过什么 Java 代码，对今天的工作事实未必有用；“这个人曾是程序员”这种能帮助解释问题的长期线索，才可能仍有价值。对此他总结："Our job actually is to be very fresh with that graph."（我们的任务是让这张图谱保持非常新鲜。）

他把这一层比作为每一家企业建立自己的搜索索引。Google 不是等用户提问才临时爬遍全网，而是预先建立索引；企业上下文也要提前整理、推断和更新，Agent 才能以可承受的成本给出答案。不同公司关心的领域数据不同，但会议、决策、知识和协作痕迹都需要被关联。

这意味着所谓“企业记忆”不能只做归档。事实层需要持续刷新，历史层才负责提炼可复用的教训。把过期权限、过期组织关系和过期项目事实混进回答，得到的不是更聪明的 Agent，而是更自信的错误。

Mike 用一句判断描述技术扩散后的变化："We're moving from a world of information asymmetry to imagination asymmetry."（我们正从信息不对称走向想象力不对称。） 当模型、代码和生成能力越来越容易获得，单纯“知道一个别人不知道的工具”很快不再足够。更稀缺的是，谁能把能力放进一个真问题里，想出别人没有设计出的工作流。

这也是他坚持体验的重要原因。技术创造越来越便宜，今天做得比九成应用好的产品，几年后可能只比两成应用好。体验标准会不断抬高，持续升级比第一次把功能做出来难得多。Confluence 的案例也在说明，写一段文本本身从来不是独占能力，围绕目的、集成和工作流形成的体验才是。

对团队而言，这会改变竞争问题。过去可以问“我们有没有模型能力”；现在更该问“用户在哪个时刻会因为它少一次切换、少一次误判、少一次等待”。没有这个具体场景，模型能力只是供给。技术生产快过消费时，最稀缺的不是再造一个能力，而是把能力转成可被客户吸收的改变。

访谈最后谈到创始人的能量。Mike 说，长期做难事的动力不能只靠钱或圈层，得来自与聪明的人一起解决难题。他对自己的提醒是别把高标准变成持续自我惩罚，并把更大的挑战放在如何创造慢思考的时刻。

他的收束很适合放回前面所有判断："slow down to go fast."（慢下来，才能走得更快。） 这不是反对自动化。恰恰因为更多任务会由 Agent 并行执行，人更需要设计何时收到提醒、何时查看细节、何时介入例外。否则，速度只会把未经判断的动作更快地放大。

对企业产品也是一样。好的 Agent 不是让每件事都变成即时弹窗，而是让正确的人在正确的时刻看到足够的信息，其他时候不被淹没。所谓“人留在回路中”如果只是要求人逐条审批，既慢又没有意义；真正的难题是把人放在最需要判断的节点。

这意味着下一代工作软件的竞争，也是一场注意力设计。谁能替用户处理例行部分、保留例外的可见性，并给深度判断留出空间，谁才可能把自动化从一个炫技功能，变成组织真正愿意依赖的工作方式。

Mike 的主线不是“Agent 会不会取代软件”，而是软件要不要继续为人的判断负责。第一条说明接口和 Agent 可以无处不在，但不能替代客户完成复杂工作的体验；第二条说明 Agentic UI 必须重新设计代理权、出处和接手点；第六条则把这种体验放回一张持续更新的企业上下文图谱里。

模型路线也是同一个问题。第三条的客户信任、第四条的专用模型边界、第五条的成本路由，都在提醒产品团队：不要把某个模型当成战略本身。真正的战略，是把不断变便宜、不断变强的能力，稳定地嵌进客户已经在做的工作，并让他们愿意把责任交给它。

所以，最值得带走的不是“无头化就是没脑子”这句狠话，而是它背后的取舍。技术越快，越要花力气定义什么该自动、什么该让用户看见、什么必须保持新鲜。能把这三件事做清楚的产品，才不会在 Agent 时代沦为一组可替换的接口。