Mike Cannon-Brookes

“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。

🔗 原始收听与视频来源： Atlassian CEO 谈“SaaS末日”、AI智能体与接下来会发生什么

Atlassian 的可服务市场远不止开发者工具：超过一半用户从事的并非技术岗位。 Cannon-Brookes 对品类的定义是经过刻意设计的：「我们解决人的问题，不解决技术问题。」Jira 从2002年的缺陷追踪工具，演变为问题追踪器、路线图系统和连接技术团队与财务、人力资源、销售、市场等业务团队的通用工作流引擎。

Cannon-Brookes 认为，AI 会压缩业务流程，而不会让工作流软件消失。 Agent 会从流程图中移除单个方框和分支，但相关文件、链接、评论和输出仍会重新进入流程，接受审核、审批或进一步自动化。他的逆共识判断是：AI「是加速器，不是替代品」（“an accelerant, not a replacement”）。

Rovo 之下真正的战略资产，是一张具备权限感知能力的「团队协作图谱」，包含超过1000亿个对象和连接，环比增速超过50%。 这张图谱自2019年起由连接 Atlassian 产品和外部 SaaS 应用的链接构建而成，为企业搜索、上下文理解、排序和 Agent 行动提供底层能力。已有超过350万人每月使用 Atlassian 的 AI 功能：「我们不想营销 AI，我们想把它交付出去」（“We don’t want to market AI; we want to ship it.”）。

AI 显然正在提升从任务到代码的速度，但 Atlassian 拒绝把代码生成变快等同于客户价值，甚至拒绝将其等同于已经实现的生产力提升。 编码约占开发者每周工作时间的1/3，而生成式代码会把工作转移到重建心智模型和审核输出上。考虑到高 token 消耗工具可能让每名开发者花费数千美元、让 Atlassian 每年支出数千万美元，DX 将量化交付指标与定性调查结合起来，以寻找真实 ROI。

Atlassian 的应用层战略，是提供上下文并选择模型，而不是把产品押注在单一模型供应商上。 其生产级 AI 网关运行着超过75个模型，Rovo Dev 在一项典型任务中可能调用2至3个模型，包括 Claude Code 或 Gemini。一个值得注意的内部用例不是从零创建产品，而是对超过500个代码仓库进行 API 变更——大规模「割草」（“mowing the lawn”），让工程师重新回到「景观设计」（“landscape architecture”）。

Cannon-Brookes 既不接受开发者大规模被替代，也不接受只有资深工程师才能继续就业的判断。 他预计5年后 Atlassian 会雇佣更多开发者；让1名资深工程师搭配4至5名经验较少的工程师，仍有持续存在的经济价值，而 AI 可以放大后者的产出。责任仍由人承担：无论代码由 Rovo Dev、Cursor、Claude Code 还是 GitHub Copilot 生成，提交或审批代码的人都对其负责。

Atlassian 的经营准则是「把增长周期拉长，而不是追求更快增长」，即便公司最新披露的营收增速约为21%、云业务增速为26%、RPO 增速为40%。 Cannon-Brookes 希望5年后仍能实现超过20%–30%的持久增长，而不是为了眼前营收，把所有可用资金都花在一个季度上。他给投资者的关键判断是：公司是在播种未来需求，还是只是在收割过去的工作，直到「田地荒芜」。

🔗 原始收听与视频来源： Atlassian 最具争议的增长决策｜Mike Cannon-Brookes

“大多数东西都被严重高估了。” 但也有一些被低估的东西，未来价值会高得多，而且“高得多的那部分可能占比过重”：这正是互联网泡沫破裂后 Amazon 从废墟中崛起的路径。循环收入的说法——一家 AI 公司给模型公司1亿美元，模型公司给云厂商1.5亿美元，云厂商再给 Nvidia 2亿美元，“结果一路上每个人都亏了5000万美元”——正是为什么“我们还没有处在一个拥有持久商业模式的时代”，任何声称知道价值最终会落在哪里的人，“可能都没有告诉你真相”。

在 Harry 询问过的至少10位 CEO 中，Cannon-Brookes 是唯一一个不愿为 AI 编程工具支付10倍价格的人。 他说：“它们之间的竞争态势不可能允许你这么做”——一旦涨价10倍，工程师就会转用别的工具——而且编程本身只占开发者一周工作时间的10%-30%。搜索、调试和运维占据其余大量时间；服务越多——假设从100个变成1000个——故障点也越多，最终形成“AI 用 AI 解决 AI 用 AI 制造的问题”的“戈尔迪之结”。

投资者应该牢记的护城河逻辑是：“你不可能快速建立一家拥有高转换成本的企业。” LLM 是“同时被投放给全世界的”，不同于 PC 或移动设备花了数年才普及，因此当前几乎所有新业务的转换成本起点都很低，只能靠交付价值、数据、工作流和熟悉度逐步建立。竞争仍然是：“创业公司能否先获得分发，还是在任者能否先获得创新？”

按席位定价不会消亡。 基于价值的定价会在两处失效：买卖双方必须同意如何衡量结果，而共享节省额的算法只对“一个循环、绕世界一圈”有效——一张100美元的支持工单降到90美元后，你不可能永远围绕这10美元折扣收费。客户不喜欢按消耗量计费，而这类模式往往会转化成另一种付款方式，就像无限存储一样。他预计最终会是混合模式：“答案可能一如既往，存在细微差别和复杂性。”

5年后工程师会更多，而不是更少。 Mike 紧接着 AWS 的 Matt 发言，两人“激烈地达成一致”。Atlassian 招聘的应届毕业生比去年更多，一些10倍工程师可能借助新工具变成100倍工程师，而产品路线图没有尽头：“找一家已经走到路线图终点的软件公司给我看看。”当创造变得便宜，设计就会成为稀缺且难以复制的差异化因素。

“魔法般的演示”与实际交付的价值之间，差距相当大。 企业部署 AI 可能远比预期耗时，需要改造工作流、清理数据、加强安全、开展培训等。未来的界面也未必是聊天机器人——“否则我们都会直接用终端”——而更可能是稳定的 UI 加上提示词层，并拥有更高的点击价值比。

运营23年后，他的信条是：“创始人的工作，是对抗雄心的熵增。” 这是 Tobes 的话，Mike 把它记了下来。面对技术范式切换，Atlassian 的防线是创造力：“我们不可能靠防守穿越它。我们必须创造出下一个时代。”

🔗 原始收听与视频来源： Atlassian CEO Mike Cannon-Brookes：为什么一切都被高估了，以及我们是否处于 AI 泡沫之中