摘要

“SaaS末日”首先是对不确定性重新定价，而非软件普遍受损的证据。 Mike Cannon-Brookes 承认，软件业务的风险已经上升，“不是每家 SaaS 公司都能在未来10年持续繁荣”，但他认为，市场正在把未来2-3年的 AI 情景外推，同时假设在位企业不会变化。Atlassian 已交出3个强劲季度；对知识工作这项业务而言，“这是发生在我们业务上的最好一件事”——前提是公司能在转型期执行到位。
Alex Rampell 的“3类框架”区分了会受损的按席位模式，以及 AI 上行空间正被忽视的系统。 Zendesk 式的席位直接对应智能体可能消灭的工作；如果不重新定价，“这条收入流100%会归零”，但按结果收费后，收入也可能变成原来的3倍或4倍。Workday 按员工数收费，席位并不与结果挂钩；Adobe 介于这2种模式之间——Rampell 认为，公开市场投资者没有给这些差异定价。
真正持久的护城河是积累下来的流程知识，包括无法从一个提示词中复原的边缘案例。 Rampell 援引 David Ricardo 的比较优势理论，以及 Indiana 的员工休产假问题：企业理论上可以用 vibe coding 自己写核心软件，就像也可以自己种粮食一样，但在工程师还有其他工作要做时，重建数十年积累的隐性规则既令人恐惧，经济上也不划算。Cannon-Brookes 更尖锐的说法是，企业是流程的集合，而不是数据库。
AI 对输入受限型和产出受限型工作的影响并不相同。 客服和法律团队面对固定流入的任务队列，因此处理速度更快可以提升效率、降低成本；营销、创意工作和软件开发则可以把效率提升转化为更多产出。这个分野很重要，因为同一种 AI 能力可能在一个工作流中压缩席位，却在另一个工作流中扩大活动量和软件价值。
Vibe coding 更像核心系统的扩展引擎，而不是替代核心系统。 Cannon-Brookes 称，自己搭建并运行 Workday “令人害怕”，但在 Workday 的数据和规则之上，低成本生成一个供迈阿密20人使用的应用，价值巨大。Erik Torenberg 将其概括为：这会让底层平台“在企业里更具粘性、价值更高”，即使定制化界面会大量涌现。
软件定价仍由公平感、可控性和可预测性决定，而非技术上的纯粹性。 客户能够选择计费单位时，通常能接受按用量收费，例如 Splunk 的日志或 S3 的存储；但 AI credits 更像供应商通过增加功能就能消耗的不透明“赌场筹码”。按结果收费也有另一个缺陷：软件把支持成本从20美元降到10美元后，客户会把10美元重置为基准，并要求进一步降到5美元。
短期内 AI 的瓶颈在产品设计和信任，而不在模型能力。 Cannon-Brookes 说，“给人一个能力无限的聊天框，他们会说：‘给我讲个冷笑话’”；模型能力远远领先于已经兑现的价值，因为用户需要有上下文的工作流、可理解的智能体行为，以及时机合适的人工确认节点。Atlassian 正通过 AI gateway、Teamwork Graph、工作流摘要、智能体集成和 Rovo 的文档与聊天混合界面应对这一问题。

精读

1. AI让文件柜开始干活

Cannon-Brookes 将软件从1960年到2022年的演进概括为：把文件柜变成数据库。生成式 AI 改变了这条路径，因为“文件柜可以干活了”（the filing cabinet can do work）。
Rampell 随后把这个思路应用到 Intuit 等系统：QuickBooks 不必只是替人检索会计信息；软件可以自行催收未收应收账款，或执行其他任务，把被动的记录层变成潜在的劳动力层。

2. 市场正按同一套末日逻辑给3类 SaaS 定价

Cannon-Brookes 认为，市场对风险的理性重估，正在演变成一轮广泛的估值反应，可能无法区分不同的软件业务。投资者不只是在估算贴现现金流；面对彼此竞争的 AI 未来图景，他们还在押注“别人认为别人会认为投资者将怎么做”。
他反对的是，许多看空情景把现实当成静态的：AI 会在2-3年内发生剧变，而在位企业、客户和工作流却被假设为不变。Atlassian 交出的3个强劲季度与这种反应难以相容；他说，这类业绩似乎与实际经营脱节，但公司必须继续证明自己能够适应变化。
Rampell 认为，风险暴露最高的一类是席位与具体工作直接绑定的模式。如果智能体接管原本需要 Zendesk 操作员处理的客服请求，所需席位可能降至0；Zendesk 必须改变产品和定价，但成功的按结果收费也可能将机会放大至原来的“3倍或4倍”。
另一端是 Workday：它按员工总数定价，尽管这些员工并非每个人都在 Workday 内产出一个结果。Rampell 说“没人会放弃 QuickBooks”，并在讨论 Workday 和 Intuit 时提到2月26日或27日前后下跌45%；但摘录没有明确说明这一下跌对应哪家公司，同时他把 Adobe 放在边界较为模糊的中间位置。

3. 持久护城河是流程知识，而不是已存储的数据

Cannon-Brookes 不喜欢“记录系统”（system of record）这个说法，因为它把企业描述成静态数据库——概念上就像软盘保存图标。Atlassian 拥有超过10,000名员工，他们每天带着自己的大脑来上班，晚上再把它们带走；这家公司之所以存在，就是为了协调这些人的流程。
他把这些流程分成输入受限型和产出受限型。客服团队不可能仅仅因为工作速度提高10倍，就产生10倍的客户问题；营销或软件团队则可以利用同样的生产率提升，创造更多产出和客户价值。
流程还包含法律、治理和合规要求：一个生成的应用遗漏了 Indiana 员工休产假的用工边缘案例，并不意味着企业可以忽略它。Rampell 的观点是，大量软件由在现实世界中逐步积累的确定性规则构成，真正有价值的规则被嵌入系统，而不是公开暴露出来。
Intuit 说明，即使规则公开，流程价值也不会消失。税法条文可以下载，但 Intuit 的特殊能力在于，知道如何围绕混乱的生活数据向用户提出正确的问题；AI 迫使企业重新审视自己以为拥有的50个“秘密配方”流程，找出其中哪些才真正独特。

4. Vibe coding 更适合扩展核心系统，而非替代核心系统

Rampell 用 Ricardo 在1817年提出的比较优势理论来支撑自己的怀疑：具备种粮或焊接铝材的能力，并不意味着自己生产更经济。“我理论上可以用 vibe coding 给自己写一个 Workday”，但在工程师还有其他工作要做时，重建其中的边缘案例并不划算。
替代核心系统的经济性也有一个“金发姑娘区间”。一个很少使用的迈阿密会议室系统也许可以接受更换；Carta 的股权结构表同样不常访问，却绝不能出错；其错误后果严重、采购成本相对低，因此购买经过验证的系统更划算。
Cannon-Brookes 仍然看到了巨大的扩展空间。公司现在可以负担得起为迈阿密20人团队定制一个前台应用，把本地 HR 政策纳入其中，同时基于 Workday 的数据和全球规则运行——这种定制过去还不足以让公司组建一支内部技术团队。

5. 客户看得见、控得住价值，定价才能成立

Rampell 用 Dan Ariely 的锁匠故事解释，定价遵循的是公平感，而不是边际成本：客户不满于为一次90秒的救援支付500美元，却会给那个笨手笨脚、折腾了9小时的锁匠小费。人类“有能力，也愿意为无能买单”，尽管开通席位的成本接近0，按席位收费的 SaaS 仍然显得公平。
Salesforce 体现了前端与后端之间的张力。Rampell 说，他的公司可能有约600个 Salesforce 许可证，尽管他从不登录；他有时会使用关系数据输出，这说明即便直接界面和席位减少，底层记录仍可能不可或缺。
Cannon-Brookes 不认为按用量收费是普适答案。Splunk 的日志量和 S3 的 GB 存储量是容易理解、也能控制的计费单位；AI credits 却像不透明的“赌场筹码”，供应商加上自动摘要等功能，就可能让消耗量突然跳升，客户既无法判断不同供应商的计费单位是否可比，也无法控制账单。
按结果收费可能摧毁自己的参照系：第1年把支持成本从20美元降到10美元，之后买方就会因为10美元成为新的现实而要求降到5美元。Rampell 赞赏 Workday 的双向可预测性；在他的支付公司里，Walmart 的表现低于预期，而 Casper 却意外让这套经济模型跑通了。

6. Atlassian 横跨现有工作流与智能体原生工作流

Atlassian 的基础条件相当有利：服务、HR、财务、业务和软件团队之间的协作问题，涉及海量文本。但客户需要逐步推进大型组织的迁移，因此 Cannon-Brookes 说，Atlassian 必须同时把客户带向“1年、2年和5年后的未来”。
公司将平台底座与单项功能分开：AI gateway、Teamwork Graph、企业级合规与控制能力，应当支撑未来出现的各种模型和界面。面向客户的能力可以据此持续演进，而不必为每个应用重新搭建其背后的组织上下文和治理体系。
一个刻意不炫技的 Jira 例子是工单摘要。复杂的企业问题可能被4、5或6个人接手；下一位专家可能要花30分钟消化对话和附件，而理解上下文的摘要可以省掉这段启动时间，同时让工作流一丝不变。
Atlassian 随后把智能体嵌入高成本的工作流环节，同时也在探索让服务工单彻底消失的工作流。Cannon-Brookes 预计，大多数企业会运行3-5个大型智能体平台，因此 Jira 必须既支持 Atlassian 的框架，也能与 Agentforce、Gemini 等系统并存。

7. 信任与上下文成为当前的硬约束

Cannon-Brookes 认为，模型能力与交付价值之间的鸿沟几乎已经成了老生常谈，但规模依然巨大。一个不受约束的聊天框会让人陷入瘫痪——“无限能力”最后只换来一句“给我讲个冷笑话”——因为普通用户要的是结果，而不是去学习模型、提示词或底层技术。
信任取决于既要展现足够的自主性，又不能制造审批疲劳。一个会静默发出15封邮件的收件箱智能体令人害怕，但反复追问“你确定吗？”又让人抓狂；界面必须靠持续正确工作的记录，并设置与风险相称的检查点，逐步赢得自主权。
更多上下文并不自动等于更好。Teamwork Graph 可能记得 Cannon-Brookes 在2002年写过代码，但只有在相关时，这一事实才应影响解释；如果要求用户在网页搜索和组织搜索之间手动切换，就等于把自己并不理解的上下文取舍推给用户。
他的管理类比揭示了协调税：50名实习生可以产出大量工作，却可能“一分钟问50个问题”。因此 Jira 智能体允许用户在任务进行中追问它正在做什么；但 Cannon-Brookes 说，用户拒绝2个极端——不透明的黑箱，以及“1,000个步骤”的遥测。

8. 最终胜出的 AI 界面仍得让用户学会

Rampell 以 Nano Banana 2 为例，说明尚未解决的编辑问题：它可以一次生成一张令人惊艳的日本礼仪信息图，但用户究竟该修改文字、操控图形、重新提示生成，还是把3者结合起来？Torenberg 的结论是，用户需要“把自己的脑子放进模型里”（get your head into the model），才能建立信任并完成迭代。
Atlassian 的 Create with Rovo 给出了一种答案：75%的屏幕是可编辑文档，25%是聊天。用户可以研究某一段，询问董事会成员可能如何解读草稿，或下达“把所有标题变成蓝色”的指令，同时保留对正文的直接控制。
重度用户会在2个窗格之间快速来回切换，称系统“惊艳”；普通商业用户则会问，自己是不是只需在左侧输入。Cannon-Brookes 预计，这一范式最终会像 Excel 或移动端手势一样，成为用户需要学会的基础设施；但与谈者都同意，无论行业还是 Atlassian 都还没有完全解决它。

为什么Leonardo是破坏者、Gutenberg破产了，而佛罗伦萨很古怪——Ada Palmer OpenAI 的战争迷雾 + 押注伊朗 + Hard Fork 对 Slop 的评析