永不出问题的软件：OutSystems CEO Woodson Martin 谈如何以 AI 速度构建企业级应用

摘要

• OutSystems 的 AI 论点是，只有企业能守住软件“永不出问题”的承诺，更快生成代码才有意义。 编程代理围绕应用意图的抽象模型工作，之后由平台确定性地生成软件，并内置安全、基于角色的访问控制、复用和治理能力。对投资者而言，真正的护城河不只是更强的生成能力，更是 25 年积累的基础能力和客户信任，而 AI 原生初创公司无法在短期内复现这些资产。

• AI 已经让 OutSystems 的开发速度出现跃升：Q4 的 4 项重大功能，增至 Q1 的 19 项，再到 Q2 的 26 项。 Token 支出在 6 月和 7 月见顶，随后随着公司推出内部工具和 LLM 网关而回落；当不需要前沿模型时，网关会把任务从 Opus 4 等模型转给更便宜的模型。Martin 还表示，有些任务更适合由确定性代码处理。他的结论是，企业可以重新回到“所有事情都用 AI”，但前提是使用方式足够聪明。

• 企业采用 AI 受限的主要因素，已经不再是模型能力，而是治理、责任风险和组织“僵化”。 Martin 看到已经完成的代理系统排在合规审批队列中，企业还在调查模型训练数据的来源、数据权限和可审计性——即使任务只是从 PDF 中提取结构化数据。在放贷等高风险监管决策中，这种约束是理性的；但在其他场景，部分原因仍是“老派保守主义”。

• AI 正把遗留系统现代化从 6 年的项目压缩为 6 个月，可能释放一批企业过去连考虑都不愿考虑的积压需求。 AI 可以帮助企业理解 COBOL、AS/400 和 Lotus Notes 系统，重写需求、构建替代系统、完成测试并支持上线。更简单的工作正在变成自助服务——“Hey, Claude，把这张表格做成仪表盘”——由此又产生了围绕结果标准化的第二个机会。

• 企业代理最重要的问题仍然不是如何构建，而是“究竟该做什么”。 OutSystems 新推出的“代理工厂”会分析应用遥测数据、架构和数据流，提出哪些人工流程应该转为代理流程，估算节省时间和 ROI，并生成初始实现方案。这让平台的价值主张从加速开发，进一步转向资本配置和工作流重设计。

• Martin 预计软件界面会走向碎片化，而不是收敛为一个通用聊天机器人。 对话式代理可以调用小型、上下文相关的界面元素，但地图、受监管的银行流程，以及其他依赖视觉呈现或隐私保护的体验，仍需要专门的软件。Martin 举例称，一笔 3万美元的预批准贷款可以在 Claude 对话中发起，再无缝转入银行应用完成，整个过程由同一个代理跨越两种场景。

• 当所有软件厂商都拥有相同的 AI 基础能力后，竞争优势应当转向特定行业内的专业化和执行能力。 Martin 将当前市场称为“同质化的海洋”：101 号公路两旁的广告牌挂着不同 Logo，却都写着相同的 5 个词。OutSystems 希望通过受监管行业能力、模型与成本优化，以及在银行、保险、政府、医疗、交通、物流、能源和公用事业领域的专业知识实现差异化。

精读

1. OutSystems 最初的承诺在 AI 时代更有价值

• Woodson Martin 回溯了公司的起点：2001 年，Paulo Rosado 对企业项目动辄延期数年、预算超支，以及业务一变化就必须再启动大型项目的僵化系统感到不满。Rosado 给出的答案看似简单：“更快构建，而且每次都可靠”（“build faster, reliably every time”），随后让软件能够跟上业务速度演进，同时不出问题。

• Martin 认为，生成式 AI 强化了这一创始理念，而不是取代它。代理能够生成多得多的软件，也意味着企业需要维护、运营和改造的系统数量会大幅增加；因此，“永不出问题”的要求只会变得更重要，而不是更不重要。

• 这次管理层组合兼具延续性和规模化经验。Martin 在 Salesforce 工作了 18 年，历任欧洲市场、核心销售产品和人力资源管理岗位；他相信自己知道“如何打开加力燃烧室”（“turn on the afterburner”），同时又能保留 OutSystems 的平台基础和异常牢固的客户黏性——这些正是他 16 个月前加入 OutSystems 的原因。

2. 企业级 AI 的基础在生成代码之下

• OutSystems 走的是一条不同于传统 AI 编程工具的路线：代理操作的是应用意图的中间抽象层，而不是直接修改最终代码。平台随后确定性地生成软件资产，并延续基于角色的访问控制、安全要求、可复用组件和既有企业控制能力。

• Martin 给出的具体测试是：企业是否需要为每一个新应用重新创建符合 GDPR 或 HIPAA 的控制措施。他更认可的模式是“拿来即用，再补上必要功能”，并在进入生产环境时确认每个生成资产都自动继承组织已经建立的控制体系。

• 该平台覆盖的工作负载跨度很大：一端是亚洲银行用于查询余额和支付账单的应用，另一端则是鹿特丹一座石油码头的系统，用来防止柴油进入此前输送煤油的管道。后者需要围绕价值数百万欧元的产品，协调泵送、质量控制、清洗和冲洗流程。

• Labenz 的反驳值得保留：快速增长的模型厂商已经证明，只要产品足够有“特色”（“flavour”），企业就会容忍比传统软件更弱的正常运行时间。Martin 的回答是，关键的自主运行工作负载仍然不同：可用性很重要，但隐私、合同义务、数据来源链、模型权限，以及对一个横跨 6 个系统的工作流每一步进行可证明控制，同样重要。

3. 合规队列既反映真实风险，也反映制度惯性

• Martin 看到，一些成熟的代理系统在等待获准使用某个特定模型，合规团队则在追问其训练数据是否通过合法方式取得。即使是把 PDF 转换为结构化数据的系统，也可能停在审批环节，因为企业级准备度如今除了安全性、可用性和治理，还包括模型来源证明。

• 他强调，风险取决于工作负载。自动化内部 IT 资源分配，与作出可能受到监管机构质疑的放贷决定，不是同一类问题；后者必须能够完整说明“每个阶段做了什么、决定是如何作出的”。因此，流程缓慢既包含审慎尽调，也包含组织“僵化”和“老派保守主义”。

• Labenz 追问，模型厂商赔偿承诺或 AI 保险能否解锁采用。Martin 曾与代理保险创业者交流，认为保险“可能成为一个突破口”（“could potentially be a breakthrough”），但 OutSystems 目前还没有看到有意义的客户需求：对受监管企业而言，保险本身仍是一个不成熟、未经验证的新依赖。

• Labenz 强调，信任不只是技术指标表：一家受监管的欧洲企业还会评估隐私、合同义务、监管审查，以及供应商过去交付稳健系统的记录。Martin 认同，这种积累起来的声誉“初创公司非常难以获得”。

4. 安全与 Token 成本都偏好基础设施整合

• 对于网络风险，Martin 拒绝接受所谓终点：“安全和网络威胁没有终点。”更好的技术会同时强化攻击者和防守者，而大型企业至今仍在同时运行有 60 年历史的 COBOL 系统，以及 AS/400 和 Lotus Notes 系统。

• 基于通用组件构建的整合式应用组合，可以只修复一次漏洞，再将补丁广泛推送。另一种情况是数百个由 AI 生成的系统分别建立在互不相关的框架、技术栈和开源软件包之上；这不仅难以及时消除风险，甚至很难先找到暴露面。

• OutSystems 正在增加安全资源，使用能力更强的 AI 进行渗透测试，并把更多测试自动化嵌入构建、测试和部署流程。Martin 预计，防御性模型使用和白帽黑客测试会成为持续的 Token 消耗来源，而不是一项在 18 个月清理期结束后就会消失的临时成本。

• Token 支出在 6 月和 7 月见顶，当时公司内部推动“把一切都翻译成 AI”。这笔投入带来了可量化的产出：重大功能发布数量从 Q4 的 4 项增至 Q1 的 19 项，再升至 Q2 的 26 项；但 OutSystems 也因此发现，许多任务其实可以用低得多的成本完成。

5. 模型路由，而非全面使用前沿模型，决定企业经济性

• OutSystems 构建了带有公司上下文的内部工程工具，并配套一个按照需求分配任务的 LLM 网关。“不是所有任务都应该交给 Opus 4。”这些优化让第三季度支出低于预算，同时没有牺牲开发速度的提升。

• Martin 对成本最明确的判断是，几乎没有普通业务运营工作负载需要高级模型。他将这类任务与创建全新软件产品区分开来：前者很多“其实相当无聊”，可以运行在确定性代码、开放权重模型，甚至已经推出 3 年的基础模型上。

• 地域差异让模型组合更加复杂。一些客户使用中国模型、推出自己的模型版本、蒸馏模型，或为了降低成本重新训练模型；欧洲和亚洲的态度也存在显著差异——“不是所有人都愿意把数据托付给美国公司”。

• Mentor 将这部分优化隐藏在后台。用户可以通过 OutSystems IDE 工作，也可以从自己选择的编程代理访问其 MCP 服务；后台模型选择和针对平台的调优，则会减少叠加在其上的外部模型所需承担的工作量。

6. AI 正在清理旧积压，同时建立新的治理层

• 过去企业甚至不敢列入待办清单的遗留系统，如今开始变得可处理，因为 AI 加速了每个阶段：理解旧系统行为、将其转译为现代需求、把人工工作转为代理工作、构建替代系统、进行测试并部署。Martin 举例称，保险公司正在把一个 6 年的现代化项目重新定义为 6 个月的项目。

• 在复杂度的另一端，员工不再需要排队等待开发团队制作仪表盘等工具。他们可以直接要求 Claude 把一张表格做成仪表盘；代价是应用数量不断膨胀，而这些应用缺乏统一定义、系统集成和基于角色的访问标准。

• 因此，机会不只是加快开发，而是对这些结果进行结构化清理。自助式尝试能够暴露用户真正需要什么，因为他们会“不断和 Claude 对话，直到得到结果”；随后，平台可以围绕统一的数据和安全基础设施，重建这些已经被验证的需求。

• Martin 将 Axos Bank 和 YESCO 作为早期生产率案例，但拒绝对它们的财务结果作出判断。Axos 正在加快数字能力建设，以争夺存款、客户和贷款业务；YESCO 则表示，更高的生产率让公司能够承接此前资源基础无法服务的业务。重要的限定仍然存在：生产率提升需要时间才能反映到财务报表上，而且“并非人们做出的所有投资都会产生回报”。

7. 代理工厂解决更难的“该构建什么”问题

• Mentor 于 2018 年、生成式 AI 出现之前成立，最初目标是把机器学习应用于整个开发生命周期。具体实现已经发生巨大变化，但 Martin 认为，长期不变的战略问题仍是：为了真正解决业务问题，“究竟应该创建什么”。

• OutSystems 新推出的代理工厂，会利用包含数千个应用的应用组合中的遥测数据、应用结构和数据流，识别可能被自动化的人工工作，通过节省时间等指标估算 ROI，并提供一个按钮，让 AI 创建第一版方案，供常规开发、测试、验证和试用。

• Labenz 质疑，如果下一代模型可能让今天困难的工程工作变得轻而易举，那么激进试验是否会浪费资源；他提到，后来被称为“55 或 Astra”的模型，可能只用此前 10% 的时间就重做早期工作。Martin 的回答是，试验应集中在工作流改造预期回报最高的地方，而不是把技术新奇本身当成目标。

8. 界面将走向原子化，竞争优势则向上迁移

• Martin 仍预计明年会有 100 多个手机应用，因为对话并不适合所有任务。Google Maps 可以加入 AI 对话，但用户可能仍然需要看到空间结构，以及沿途会遇到什么；隐私、合规和个人偏好也会继续保留多种交互模式。

• 可能发生变化的是那个包含 80 项功能的单体门户。功能可以变成只在需要时精准出现的小组件。OutSystems 的演示就是一个例子：用户与 Claude 讨论装修房屋时，系统弹出一笔 3万美元的贷款预批准，并把客户交接到银行应用，全程无需重新开始，也无需再次提交银行已经持有的文件。

• Labenz 担心，厂商正不断扩张到所有相邻细分领域，最终每个厂商都变成一个横向覆盖一切的“everything”平台。Martin 认同当前市场像一片“同质化的海洋”，但他预计，底层会共享基础能力，顶层则在定制化、蒸馏、模型经济性、行业和工作流上实现专业化。

• 对 OutSystems 而言，专业化包括受监管行业知识，以及 Martin 所说的、超出基础清单的约“37 项功能”；这些能力决定了第一版方案能否真正部署。Martin 也看好伴随这些技术成长起来的年轻专业人士，但指出企业必须将他们的新鲜视角与行业知识结合起来。OutSystems 正倾向于采用全职员工模式，并追问每项任务究竟应该由人、代理、团队，还是三者组合来完成；公司也在用更及时的即时培训，替代传统上持续几天或几周的入门课程。