Atlassian 联合创始人兼首席执行官迈克·坎农-布鲁克斯(Mike Cannon-Brookes)在 Web Summit 上就 AI 智能体提出了两个论点。智能体是代替人执行任务的软件。第一,智能体对知识工作者工作内容的改变,将远远大于对岗位本身的消除。第二,更好的 AI 模型本身并不会让组织更高效,因为制约因素在于人们的工作方式和软件的设计方式。Atlassian 开发 Jira、Confluence 等企业办公软件,并正在把智能体内置到这些产品中。
目前收益出现在哪里
企业正在把智能体嵌入核心工作流,有的是小步迭代,有的是大规模的结构性改造。坎农-布鲁克斯对结果的描述很直白:效率提升确实存在,但幅度有限,小于早期炒作所暗示的水平。
更明显的收益在别处。工作质量在提高,也就是说业务流程的常规产出在变好。创造力也在增长,团队不断发现自己如今能够构建的新型项目和软件。
一种解读是:只衡量节省了多少工时的团队,可能会得出 AI 工具表现不佳的结论,而实际的改进体现在团队产出的质量和范围上。这是对他发言的一种解读,并非他给出的测量结果。
就业:内容改变,而非消失
坎农-布鲁克斯先提了一个醒。他建议不要相信任何声称知道五年后劳动力市场是什么样子的人。在此前提下,他表示自己相信,总体而言 AI 创造的岗位将远多于它取代的岗位,尽管广泛的重组会改变现有的角色。他还指出,企业其实是在为另一种运营方式做调整,外部观察者却常常把这类人员重组贴上“AI 裁员”的标签。
他的主要例证是银行网点。21 世纪初,有预测认为网上银行和手机银行会让实体网点消失。他说,实际情况是,过去十年美国和澳大利亚的网点反而增加了,因为网点的职能变了。员工从处理基本的现金业务,转向复杂的客户服务、顾问面谈和财务咨询。2026 年的网点岗位与 2000 年的同一岗位几乎没有共同之处。
他预计知识工作会遵循同样的模式。软件工程师、产品设计师、营销人员和金融分析师不会消失,但他们开展工作的方式将彻底改变。各职能之间的比例仍无定论。他提到业内的一场争论:一位产品经理预测产品经理会变多、工程师会变少,而一位工程师的看法正好相反。
检验自身岗位的实用方法
从他的发言中可以归纳出三项检查,用来判断一个岗位是被取消还是被重塑:
- 问岗位必须如何改变,而不是它是否还会存在。领导者应当赶在善用 AI 的竞争对手抢占市场份额之前,弄清现有岗位需要怎样转型。
- 关注同行,而不是模型。他重复了那句常见的说法:人们不会把工作输给 AI 模型,而是输给学会用 AI 工具把这份工作做得更好的人。
- 看人的精力流向哪里。工作者从流程性的操作转向定义目标成果,其贡献集中在品味、判断力以及对模型产出的严格评估上。
金融建模可以说明第三点。如今提出构建一个高级财务模型的请求,几乎立刻就能得到结果。分析师的核心任务变成设计测试,以确认这个模型正确无误。人们在更高的抽象层次上工作,设定目标、约束条件和反馈回路,而不是亲手执行每一个步骤。
为什么更好的模型不会直接转化为生产力
坎农-布鲁克斯认为主要障碍是人才,而不是技术。重新训练直觉、改变长期以来关于如何解决问题的固有假设很难,这种文化转变是比把模型接入产品更高的门槛。
第二个障碍是界面设计。模型进步很快,但人与软件交互的方式却滞后了。要实现大幅的生产力提升,工作者需要调整思维方式,软件也要超越传统的网页表单,以适应智能体。
他也不接受“AI 产品”这个标签。按照他的说法,Atlassian 销售的是技术和工作流解决方案,AI 是其中的一种成分,类似于移动连接或互联网。他预测,随着 AI 成为所有软件的基本要求,那些以“.ai”后缀打造品牌的公司将逐渐淡出。
Web Summit 召开前约一个月,Atlassian 在阿姆斯特丹举行的自家大会上发布了 Agentic Multiplayer Protocol,简称 AMP。它把一些新兴标准整合到 Jira、Confluence、Loom 和 Atlassian Service Collection 的用户界面之下,其中包括 Anthropic 的 Model Context Protocol(MCP,用于把智能体连接到工具和数据)以及智能体间(A2A)通信。

▲ 从独自填写网页表单到与智能体共同协作
人与智能体协作的四种方式
坎农-布鲁克斯认为,一对一的文字聊天并不是企业生产力的主要模式。他描述了几种交互方式。
| 模式 | 具体形态 |
|---|---|
| 聊天 | 一个人与一个模型之间来回的文字交流 |
| 委托 | 让 Claude 这样的智能体代表用户编写代码,并在 GitHub 上发起拉取请求(pull request),即一项代码变更提议 |
| 多方协作 | 来自不同厂商的多个智能体,在 Confluence 这样的应用中与多位人类同事同时工作 |
| 结对与代为出席 | 向智能体交代明确的参数,派它去参加会议,或以异步方式代表员工 |
当智能体以某人的名义完成工作时,委托会带来关于归属的新问题。在协作方面,他的心智模型是:人和智能体坐在桌子的同一侧,朝着共同的成果努力,一起打磨一份文档。
每种模式都需要自己的界面。在 Loom 中,智能体起草视频,或分析录制内容并给出点评。在 Confluence 中,交互方式是对一份文档进行实时共同编辑。单一的聊天框无法适配所有这些场景。
应用之下的上下文层
在 Atlassian 的各个应用之下是 Teamwork Graph,这一层为智能体提供公司上下文。这项工作始于八年前,当时约有五名工程师,如今约有 1,000 名工程师参与其中。
该图谱映射各类对象及其相互关系:文档、电子表格、项目目标与成果、电子邮件、日历、会议转录文本、源代码、来自 Databricks 和 Tableau 等平台的数据资产,以及办公室的实物资产。系统基于这张图谱进行推理,以回答搜索查询和聊天请求。外部的编程智能体通过命令行界面(CLI)或 MCP 服务器访问它。
坎农-布鲁克斯表示,丰富的上下文可以减少 token 消耗。token 是模型处理文本的单位,使用成本按 token 计算。它还能降低成本、提高准确性并加快任务速度。该图谱还会为已完成的智能体会话建立索引,并从中提取记忆、文档链接和经验教训,让后续的运行建立在之前的基础上。

▲ 上下文层、模型路由与智能体
混用模型,而不是追逐最新模型
坎农-布鲁克斯不认为模型是纯粹的同质化商品,因为它们在长处和成本上各不相同。他还提醒,自动切换到最新、最大的前沿模型,往往又慢又贵,而且适得其反。
Atlassian 依靠模型混用,投入大量时间去了解哪个模型最适合处理哪类任务。harness 是运行在模型之上的软件层,它之所以重要,是因为它负责分派工作并在不同供应商之间切换。按照他的说法,重大进步来自上下文、harness 和整个应用栈的共同改进,而不仅仅来自模型本身的提升。
模型实验室与企业软件
模型厂商正在进军应用领域,Anthropic 就推出了 Claude Code、Claude Cowork 和 Claude Design。微软首席执行官萨提亚·纳德拉曾表示,使用 AI 模型工作会留下“面包屑”,让实验室得以了解企业工作流并推出竞争产品。
坎农-布鲁克斯从历史中寻找参照。类似的担忧也曾围绕微软、谷歌和亚马逊出现。他认为企业软件的基本规则依然适用:专注、执行,以及与客户需求一致的产品。他把合规、大规模下的复杂工作流以及对界面的持续投入视为 Atlassian 的优势。
关于氛围编程(vibe coding),即用 AI 模型快速生成代码的做法,他指出,代码变便宜对现有厂商同样有利。Claude Opus、Claude Haiku、谷歌 Gemini 等模型,以及 Meta 和 Mistral 的开放权重模型,所有厂商都能以同样的节奏用上。
“无头即无脑”
无头软件舍弃了可视化界面,把所有交互都交给智能体。坎农-布鲁克斯称这种做法是“无脑”的,是软件产品的死路,尽管 Atlassian 自己也运营着一个被广泛使用的 MCP 服务器和面向智能体的 CLI 工具。
他的理由是:计算从终端走向窗口和菜单,正是因为终端操作对人来说效率低下。他援引近期的行业调查数据称,主流知识工作者非常不喜欢只通过文本提示词和命令行来工作。他预计界面会动态自适应,但也警告说,软件不能在用户面前不可预测地自行重排。
要点与行动建议
核心信息是:智能体改变的是工作的内容;决定收益节奏的是组织习惯和软件设计,而不是模型质量。这些观点出自一家销售协作软件的公司的负责人,读者可以结合这一点来权衡。
对于想把这些用到自己工作中的读者:
- 在让智能体行动之前,先定义成果、约束条件和验收标准。
- 培养验证能力。在依赖 AI 生成的成果(如财务模型或代码)之前,先为其设定测试。
- 把引入 AI 当作一项变革管理和培训工作,而不只是一次软件采购。
- 让模型与任务相匹配,而不是把所有任务都交给旗舰模型。
- 为智能体提供结构化的公司上下文,并保留它们在每次会话中学到的东西。
- 持续投入可视化界面;测试自适应界面时,保持导航稳定。


