OutSystems 的 CEO 伍德森·马丁在 2025 年 5 月接手了这家从葡萄牙车库里长出来的公司。这一期他讲的不是模型，而是那层中间层——agent 改的是「意图」的抽象，代码按按钮确定性地生成，每一份都继承企业已经过了合规的控制面。节目里有一组数字：去年第四季度 4 个重大功能、第一季度 19 个、第二季度 26 个；还有一句判断：大多数企业工作负载根本不需要前沿模型。123
逐段要点整理
下面按本期音频的实际推进顺序，逐段整理两位出场者在这一期里讲到的论点、数字、案例与金句。本期出场两人：主持内森·拉本茨（The Cognitive Revolution 主持人）、嘉宾伍德森·马丁（OutSystems 首席执行官）。章节时间点取自节目官方章节表；两段纯广告口播未计入。所有出自本期对话的判断都标了出处时间；涉及公司公开口径与第三方记录的部分另附来源。1
00:00 本期简介
- 内森在片头把这期定成一个转型故事：OutSystems 是 2001 年成立的企业应用开发平台，服务过许多世界上最大的公司；现在它专精于帮这些公司构建、编排和治理智能体系统。1
- 他把三个客户名字点出来：巴西石油（Petrobras）、沃达丰（Vodafone）、丰田（Toyota）。这几个名字出现在官方单集页的本期简介里，不是伍德森在对话中说的。
- 他给这期的问题定了形：一边是「AI 让产出暴涨」，另一边是「我们没看到对生产力或全球 GDP 的可衡量影响」；而伍德森的视角来自一家服务于世界上最保守的那批公司的平台。
03:11 领导层交接：二十四年的创始人，把公司交给一个外来者
- 内森把它当成一个社会学问题：在一家软件公司完成领导层交接，本身已经很难；在 AI 时代还多出一个维度——这家公司在 AI 旅程上处在哪？新来的人懂不懂这套东西？
- 伍德森先讲创始人保罗·罗萨多（Paulo Rosado）：2001 年带着一个很大胆的愿景创办 OutSystems——企业要做定制的、非常复杂的系统（定制 ERP、码头管理系统、为再保险公司做全球财务合并），可当时的定制软件项目总是晚上几年、严重超预算、极不可预测，而且做出来的东西非常僵硬。
- 罗萨多的愿景他复述成三句：更快、每一次都可靠地构建；让软件跟着业务的速度演进；而且不出事。伍德森说这仍然是 OutSystems 今天的核心——只不过现在这些是用 AI 建的，大部分活由智能体干，结果是「企业级 AI 每次、任何时候都能跑通」。
- 他讲自己为什么被吸引：十六个月前加入时，真正让他理解到的是平台原语的力量——它让技术能力相对不高的开发者也能搭建复杂的企业系统、快速修改而不弄坏东西。而 AI 时代让这件事变得更必要：当 AI 能替我们把这些都建出来，构建的速度和要管理的体量，都让「不出事」这件事结果变得更重要。
- 他的背景：在 Salesforce 干了十八年（欧洲市场营销、核心销售平台的产品、一度负责人力资源），之前还去过 Business Objects。官方公告补得更细——他在 Salesforce 最后一项职务是 AppExchange 的 EVP 兼总经理，那是一个 10M+ 安装、7,500 个应用、服务 150,000+ 客户的生态；他在伦敦做过 EMEA 区首席营销官。2
- 交接的官方口径：2025 年 5 月 20 日生效，罗萨多转任董事长与战略顾问；同日公司宣布收入突破 5 亿欧元、2,000+ 客户、500+ 合作方。2
07:46 永不宕机的软件：那层中间层
- 这是本期最核心的一段机制解释。伍德森说他们的做法和市场上大多数东西很不一样，原因是平台里有一层中间层——它是你用 AI 构建应用时「意图」的一个抽象。
- 关键句：你可以用 Claude Code、可以用内置的 Mentor、可以用 Codex，带任何你喜欢的编码智能体来；它们操作的不是代码，而是这个「你需要什么」的抽象模型。然后按下按钮（或让 Claude 去按），确定性地生成代码。
- 继承是重点：安全、基于角色的访问控制这些要求烘焙在平台层，所以平台上生成的每一份代码资产都 100% 遵守它们；而且它会自动复用你已经做过的东西。伍德森把它称作 OutSystems 真正的秘诀——你在平台上的每一次生成，都继承了企业控制面的每一个部分。
- 他给出的反例很具体：你拿起 Claude 说「给我写个 App」，它基本上从零搭起一切。可在一个复杂企业里，你已经有了满足 GDPR 或 HIPAA 的系统，你不想这些被反复重新发明、再走一遍合规周期。
- 内森补了一个他反复看到的模式：起初大家以为 AI 原生的创业公司会拿下市场，但大多数时候，正是那些成熟的原语让「加一层 AI」比「从零重做」更容易。
- 伍德森同意，并给出第二个优势——信任。他说在一家欧洲的受监管企业里，几百个监管机构在看，有对客户与伙伴的合同义务，有满眼的隐私问题；对系统的信任不只是对底层的一次技术评估，而是你交付同类系统的整个历史。这种声誉，创业公司无论技术多酷都很难拿到。
12:14 什么叫「企业级可用」
- 内森的问题：过去「企业级可用」约等于高可用、可靠；可现在增长最快的 AI 公司按常规标准可用性并不好，企业却接受了。那么今天真正要求什么？
- 伍德森说这里不简单，每个企业、每种工作负载都不同。一个关键判断：现在很少有受监管企业真正把任务关键型工作交给自主智能体，这是一件行业成熟度的事。SLA 仍然算，但在大多数这类组织里，它只是画面里很小的一部分。
- 他举了那个反复出现的画面：客户已经把智能体系统设计、构建、测试完，非常兴奋，可它卡在组织里某个地方的合规积压队列里，等待批准在底层为这项工作使用某个具体模型。
- 挡在门口的问题里包括：训练那个模型所用的全部数据，是否由训练它的那个人或实体合法取得。他举的例子小得惊人——那件事无非是把数据从 PDF 文档里读出来、变成结构化数据。
- 他把「企业级可用」拆成两层：系统要在你需要时能用（功能性）；同时要满足一整套相当繁多的非功能性要求——监管、合同、隐私。其中「模型来源」（model provenance）是相对新的问题；而「这条横跨六个系统的复杂工作流里，每一份个人身份信息是怎么被处理的」是老问题，AI 来了也没变。
- 内森追问：这些积压属于审慎的风险管理，还是领导层没能给转型加速？伍德森说两样都有——大企业里组织流程的僵化真实存在，需要被挑战、被打破；但很多地方监管约束重大、责任与声誉风险很高，那部分就是审慎。
- 他区分了同一家公司里的两种风险偏好：把 IT 资源分配给内部员工这件事，银行、保险公司、各类受监管企业都会做，他们在那上面敢担更多风险；而贷款审批做出的决定可以被监管机构质疑，必须能证明每一步是怎么做的、依据是什么——因为那需要可审计。
- 关于赔偿条款与 AI 保险：内森提到他做过一期的 AIUC（AI 承保公司）。伍德森的回答很直接——还没在客户身上、在他们于平台上管理的工作负载上看到这种东西被采用；他认为这想法有意思、可能成为一把解钥，但对受监管行业来说，它同时也是一件尚未被验证、还需要成熟的东西。
22:43 管理网络安全风险
- 伍德森把这件事的第一要务定成「修补速度」：网络威胁的速度在加快，所有人需要能响应的节奏也在加快；这分成他们自己的系统，和客户在他们平台上构建的那几千套系统。
- 他描绘了两种世界。一种是一个集中式资产组合跑在平台上、里面有大量共享原语——修补可以在一个点上处理掉，然后在任何地方产生广泛影响。另一种是几百套由 AI 构建的系统，各自跑在自己的框架、技术栈和各种开源组件上——出了漏洞，你甚至不知道该去哪儿找它，更别说怎么修。
- 内森问：网络风险会不会变成软件业一笔永远在交的税——前沿公司不断制造只有它们能解决的问题？伍德森说得很死：没有终点线。技术在一方面变好，搞攻击也变得更好；这个世界充满了遗留技术——客户那里还跑着六十年代的 COBOL、AS/400、Lotus Notes。「有一天我们会达到某种静止状态、一切都完美安全」，他说那是白日梦。
- 同时他也承认一个商业事实：那些既助推「发现漏洞、渗透进去」的技术、又能把这些模型用于防护（白帽）的模型公司，会是两头的受益者；而这一部分正是今天 token 消耗的一大来源，而且很难看出它为什么会停。
27:31 优化 token 支出
- 伍德森把 token 支出的峰值定位在六月、七月，之后一直在往下走。原因是学了东西，也因为开始专注：去年这个时候唯一的焦点是「把一切转向 AI、什么都用模型」。
- 他给出的加速度数字是本期最硬的一组：去年第四季度发布 4 个重大功能，第一季度 19 个，今年第二季度 26 个——而且他强调这不是小事，是重大的新能力；token 支出上能看到它，但就影响而言值得。
- 但更重要的是随后的学习：那些事大多数可以用更好的 harness 做得一样好、而且便宜得多。他们给自己工程组织建了一个 harness——装满了自己的上下文、为自己优化；又建了一个网关，也就是一个 LLM 路由器，把不同任务改道到更便宜的模型上。
- 结果：今天烧的比他们第三季度预测的还少。
- 他的判断：今天大多数组织的企业工作负载不需要前沿模型——几乎没有任何企业工作负载需要。他指的是企业真实的运营，而不一定是在创造一个新的软件资产。很多这类活，用确定性代码做比用模型还便宜；其余用三年前的模型、开放权重、或某个基础模型的更早版本就够了。
- 由此推出他对平台的看法：工作流和智能体系统要建在能让你极其方便替换模型的地方——这既是为了能力提升，也是为了成本。
- 他描述转折点的时刻：二月和三月，每个 CFO 都收到 token 账单，那对整个世界都是一个「糟了」的时刻；随后是整套管控（按人设上限、装路由器、甚至从「处处事事 AI 优先」退回来）。他点名微软、Meta、Uber 都在那条线上。
- 关于中国模型：确实有客户完全乐意走那条路——跑自己的版本、做蒸馏、做后训练微调，通常由成本驱动。但他提醒这不是全球统一的答案：我们的业务非常全球化，我有一半客户在欧洲，在亚洲也有很多客户；在世界很多地方，并不是每个人都特别乐意把自己的东西托付给美国公司。
- 他顺带解释了 Mentor 的接口：Mentor 有自己的智能体体验，你也可以通过 MCP 服务操作它，用你选择的任何编码智能体或 harness。他们在后台挑选并微调了一批模型来驱动这类构建者工作负载，所以你在 MCP 服务之上接一个前沿模型、甚至更老的模型时，你的 harness 要干的活轻得多。
38:34 灵活与安全的平衡
- 内森先说他去网站上用了 Mentor，然后提出这个平衡的难点：一边要允许任意用户构建任何东西，一边要保证他们建出来的东西达到客户期待的安全标准。
- 伍德森的回答是「这不是新平衡」——这就是 OutSystems 二十五年来一直在解的那个问题：怎么让一个没有计算机学位、不懂软件架构、不是数据库专家的人，去构建运行一家银行的任务关键型系统。
- 两个具体证据：如果你几乎在世界任何一个亚洲国家有银行账户，你用来查余额、付账单的那个 App，很可能就跑在 OutSystems 上；如果你是一艘停靠鹿特丹的油轮，把数百万升石油卸进储罐再转运，运行这一切的系统也建在 OutSystems 上，其中极其复杂的逻辑要确保输柴油时不会把它送进一根上一次装过煤油的管道。
- 他解释为什么这需要二十五年的功课：必须建一个足够精密的底层模型，能服务几乎无限多种用例；而正因为那些基础服务于所有这些高度受监管的环境，客户才能在体验层快速迭代。
43:01 遗留系统现代化
- 内森先引用了他看到的一种说法：OutSystems 的客户「预算有限、积压很长」。他问积压是不是真的在变短。
- 伍德森说积压的内容变了。第一件让他兴奋的事：那些大家一向不敢放进队列的项目终于等到了日子——COBOL、AS/400、Lotus Notes 那些老遗留系统。因为现在 AI 能在流程的每个阶段加速：搞清楚老系统在做什么、把它转译成新需求、构建、测试、上线。有保险公司接手了用了六十年的陈旧案件管理系统，原本规划成六年的事，现在打算六个月做完。
- 第二件变化：过去「我要一个仪表盘」会进别人的队列，现在很多人直接跟 Claude 说「拿这个表格给我做个仪表盘」，自助就完成了。代价是失去标准化与整合，于是新的积压出现——怎么让这些东西接上公共的数据定义、公共的 RBAC 标准。伍德森说，这是一种和几个月前看起来非常不同的积压。
- 内森把话题推到经济层面：我们到处都能看到 AI，但 GDP 增长统计上看不出来；客户是不是快到一个增长可衡量的临界点了？
- 伍德森说这是逐客户的故事，并点出两家：圣迭戈的纯数字银行 Axos Bank，负责软件工程的凯文·赫恩（Kevin Hearn）说他们在自身生产力上看到巨大收益；拉斯维加斯「Welcome to Las Vegas」标志牌的建造运营商 YESCO，也用现有资源抓住了比过去更多的新业务机会。他强调两人的财务结果该由他们自己来讲。他也给了自己的一套谨慎：生产力到损益表之间有时间差，而且不是所有投资都会有回报。
- 关于收益归谁：他说这会因行业极其不同——离散制造业的利润率更多和关税政策有关，而不是 AI；咨询业基本上是在和信息打交道，AI 能接手更多工作，因而既影响需求量，也影响交付时的利润率。同一行业内部也会分化：有人全力投入，有人坐观其变。
50:25 战略性的 AI 试验
- 内森描述一种他反复经历的事：苦干很久做出来的东西，下一代、或者两代之后的模型让它突然变容易；于是问题变成「哪些事值得早点攻，哪些事上耐心是美德」。
- 伍德森的落点是「该做什么还是最难的问题」。他顺带给了 Mentor 的来历：项目 2018 年就开始了，那时还没有生成式 AI，问题还是「怎么在软件开发生命周期的每个阶段用机器学习加速、提质量」；今天它实际上是一组 MCP 服务，可以在任何地方被消费。底层模型一直在换，就是为了优化成本。
- 他讲了他们为此建的一个新东西：因为客户手上有成千上万个应用，他们做了一个 AI，直接告诉客户该建什么样的智能体系统。它读你已经建好的应用的遥测数据、理解你做事情的结构、看数据怎么流过，然后推理出这里也许可以放一个智能体，把一项手工工作变成自动化；它还会预测投资回报（比如省下多少时间），并按一个按钮就让 AI 建出第一版，再走客户自己的开发、测试、验证流程。节目里把它放在「智能体铸造厂」这个名字下。
54:31 未来软件的体验
- 内森把问题定位在「冰球会滑向哪里」：Mentor 的体验是包在遗留应用外面的 AI 侧边栏；但还有 MCP 范式——我完全坐在另一个软件里，或者只靠语音跟智能体对话，工具永远不会被可视化出来。
- 伍德森不相信所有体验都会变成对话。他举谷歌地图：我每天都用它，但我仍然想知道我周围的世界长什么样、路上会经过什么——对话式体验不会完美胜任这件事。他预计一年后自己手机上还会有超过一百个 App。
- 他认为很多铁板一块的东西（一个上去要面对八十个功能的门户）可能被拆成小块，在你需要的时候、在你做别的事情的流里出现；而隐私、合规和纯粹的用户偏好，会让软件交互范式继续保持多样。
- 他讲了六月大会上的那个演示：一个消费者在和 Claude 聊家里装修，「这肯定很贵，我可能需要点钱」，然后被告知已预获批一笔三万美元的贷款，可以发起申请。同一个智能体在两种场景下无缝运作：它认得出你作为老客户本来就有那些材料，所以不用再向你要银行流水；申请在后端被直通式处理，环中的人在每一个阶段拿到建议。但那个移动应用仍然需要存在——出于合规、隐私和监管要求。
- 他给的收尾问题是：有意思的不是「所有东西会不会变得一样」，而是既然 AI 和这类平台把过去的传统约束去掉了一大堆，创造者的想象力会造出什么。
59:32 专业化 vs 商品化
- 内森描述这种收敛：每个平台都在向相邻领域扩张，最后长成同一种「你需要的一切都在一处」的提供方式。他问：在那种环境里一个人怎么赢？
- 伍德森用广告牌来回答：如果你开上旧金山 101 号公路，看那些广告牌，它们说的都是同样五个词，只是 Logo 不一样。他认为整个行业都很难把差异化的信息讲清楚，而且「我们什么都有」这种说法只是在把大家搞糊涂。
- 他认为出路是专业化：会有一套所有人都需要的公共积木（智能体平台、AI 构建器、与很多东西的集成），然后就是你在什么上面专精、你为优化什么。一部分专业化在调优、蒸馏、模型专精度和相应的成本结构；一部分在行业与工作流。
- 对 OutSystems 来说，行业那一半落在受监管行业——银行、保险、政府、医疗、交通物流、能源与公用事业，这些也是它今天装机基础的核心。他给了一个具体口径：有三十七个功能不在那张基础清单上，但你需要它们才能跨过「构建或部署第一个东西」的那道坎。
01:03:24 AI 时代的招人
- 内森问的是那些觉得自己就业前景不妙、对 AI 有些怨气的年轻人。伍德森说他极度看好年轻人才——看好那些过去五年基本上就生长在这些新技术里的人，他们能给组织带来 AI 优先的思路。
- 他的批评也在同一段里：组织还没有建好基础设施去做另一件事——真正把行业知识和专门知识灌输给这些人，好让那些技能被有效用出来。
- 招聘本身在变：他们向 FDE（前向部署工程师）模式倾斜，更直接地帮客户设想那件工作；并把招聘想成两件事——我们招的人，和我们招的智能体。
- 由此推出一套工作设计方法：每一件需要发生的新工作，今天都会先被问一遍——这件事该由人来做吗？该由智能体来做吗？还是该由一个混合的团队来做？
- 入职也被重做：传统入职是新人头几天或头一周做一套事、再跟进一系列培训；他们要把这一切变成更像智能体的、更实时、更按需即给的形式——在你真正能用到、因而能内化它的那个点上，把知识给你。
01:06:50 收尾
- 伍德森把最后一句留给了拉斯维加斯的 OutSystems 世界巡演，说会在那里展示智能体体验的最新进展。
- 内森致谢，节目结束。
逐句全文翻译
以下按节目原始顺序，逐句翻译整集对话。底稿用的是本期节目官方单集页自带的完整自动逐字稿——它带说话人姓名与每轮时间戳，比整集音频转写干净；页首说明写明「措辞与说话人识别可能有误」，本轮以内容锚点逐段复核，把自动标签把主持人提问并进嘉宾回答的几处重新切开，其余照原顺序保留。1
只保留中文译文，不保留英文原文；对话部分保留说话人标签：片头／内森／伍德森。不压缩、不摘要、不删减。
口径：官方章节表里标为赞助商的两段纯广告口播未计入本板块，其余对话全部保留；片头是主持人录制的本期简介，单独标注为「片头」。
片头：欢迎回到《认知革命》！今天我的嘉宾是 OutSystems 的 CEO 伍德森·马丁。OutSystems 是企业应用开发平台的开创者，自 2001 年成立以来，帮助世界上许多最大的公司构建并运行复杂的任务关键型应用；如今它专精于帮助这些巨头构建、编排和治理智能体系统。伍德森在 2025 年接替了 OutSystems 传奇的创始 CEO 保罗·罗萨多，所以我们从他对 AI 时代领导层交接的思考开始：包括他如何评估这家公司的 AI 成熟度，以及他在寻找新领导者时看重什么。接着我们讨论今天的软件平台怎样才能算「enterprise ready」——伍德森强调由多年累积而来的人对人的信任，以及设计良好的抽象层在其中的关键作用：它让编码智能体既能加速软件开发，又能兑现公司「永不宕机」这一核心承诺。对 OutSystems 的客户来说——其中包括巴西国有的能源巨头巴西石油、全球最大的移动运营商之一沃达丰，以及全球最大的汽车制造商丰田等——这套新范式让产品路线图得以加速，其中一些客户甚至开始清理此前只增不减的开发积压。伍德森说，他们客户今天交付的东西大多是传统的、确定性的应用，并不需要前沿 AI；但 OutSystems 自己已经从去年第四季度发布 4 个重大功能，变成第一季度 19 个、第二季度 26 个，并且正在快速把自身业务智能体化，主要动作包括面向客户的应用开发助手 Mentor、包括自建 harness 与网关在内的内部 AI 基础设施——这让它的支出从六、七月的峰值降到今天低于预期——以及一个新的「智能体铸造厂」，用来为客户建议该做哪些新的智能体系统并预测相应的投资回报。接近尾声时，我们聊到他对软件业未来的战略分析：当各个平台都向相邻领域扩张时竞争会怎么演化、当所有人开始做所有事时公司该如何区分自己，以及他为什么「极度看好」被 AI 浸润的年轻人才。从外部看，人们常说，尽管 AI 能做这么多惊人的事，我们却没看到它对生产力或全球 GDP 增长产生可衡量的影响。但我想你会同意：伍德森的视角来自一家服务于世界上许多最重要、也往往最保守的公司的平台，它说明变化确实已经在进行之中。那么，希望你喜欢我与 OutSystems CEO 伍德森·马丁的对话。
内森：伍德森·马丁，OutSystems 的 CEO。欢迎来到《认知革命》。
伍德森：谢谢你，内森。激动人心的时代，很高兴来这里。
内森：是啊。天哪，这些天的 AI 界从来不会无聊。我想先问你一个偏社会学的问题，因为我在做功课的时候了解到，你接手的 OutSystems，此前由一位传奇的创始 CEO 带领了二十四年。这让我一直在想：在一家软件公司经历领导层交接，是多么有意思的时点——处在你的位置去接手一家软件公司，以及作为一家公司去寻找新的领导者。这些事一向都很……但在 AI 时代，还多出整整另一个维度：这家公司在这段旅程上处在哪？这位领导者在谁的愿景里？谁懂，谁不懂？所以我很想听那段思考过程的故事，以及你们是怎么彼此了解，以至于足够确信这会是一次契合的。
伍德森：好，很好。我先从我们正在谈的保罗·罗萨多说起。保罗是个狠角色。他 2001 年创办 OutSystems 时就带着一个很大胆的愿景，而这个愿景一直延续到今天。那个想法就是：定制的企业软件。人们在 OutSystems 这个平台上搭建非常复杂的系统——定制 ERP、码头管理系统、为再保险公司做全球财务合并。但在那个时候，这类定制软件项目总是晚上几年、严重超预算、极不可预测，做出来的软件非常僵硬：你想改它，又是另一个浩大的项目。保罗当时想，这太荒唐了，有更好的办法。他的愿景很简单：更快、每一次都可靠地构建，让软件跟着业务的速度演进，而且不出事。这仍然是 OutSystems 今天的核心。当然，现在这些东西我们是用 AI 建的，大部分活由智能体来干。但结果是，企业级 AI 每次、任何时候都能跑通。所以，他最初那个愿景如此耐久、他打下的平台基础如此扎实，这挺让人惊叹的。这也是让我对 OutSystems 感到兴奋和受到启发的原因。十六个月前我加入时，真正让我理解到的，是这家公司建起来的平台原语有多强大——它们让技术能力相对不高的开发者，也能搭建非常复杂的企业系统、快速修改而不弄坏东西。这在当时是革命性的，而今天更需要它。当 AI 能替我们把这些都建出来，我们构建的速度、我们要管理的庞大体量，都让「不出事」这个特性变得更重要。所以这就是让我对 OutSystems 这门生意和这个机会感到兴奋的地方。接下来就是去见客户。人们对这个平台的热情，是因为它给这么多人、这么多公司带来了可能——人们是真的喜欢这个产品。你总是希望自己处在一个客户和用户都热爱这项技术的位置上。所以这对我来说也是很重要的部分。然后就是看到这家公司还没解决的一些问题，恰好是我知道怎么做的。你知道，我是在 Salesforce 干了十八年之后来的。在那家公司我做过很多岗位，从负责欧洲的市场营销，到管理核心销售平台的产品，再到一度负责整个公司的人力资源。通过所有这些经历，我学到了大量关于如何扩展一门生意的经验。我当时想，我觉得我知道很多我们在这里可以做的事，能真正打开加力燃烧室、把这门生意做大。所以这非常令人兴奋。
内森：很引人注意的是……听你描述那个最初的愿景时，我在想，这一切听起来和我们今天所处的 AI 时代非常一致。
伍德森：是啊。也许只是「不出事」那部分不一样。对吧？
内森：因为我们所有人——至少我们大多数人——都活在一个 AI 替我们做大量事情的世界里。产出量大幅上升；我很想听到一些 OutSystems 这边相关的数字。但同时我们也看到东西经常坏掉。在我们现在所处的 vibe coding 时代，你们是怎么维持「不出事」这个价值的？
伍德森：我们在 AI 辅助软件开发上的做法，和今天市场上大多数东西很不一样。原因是，OutSystems 平台里有一层中间层——它是你用 AI 构建应用时，「意图」的一个抽象。你可以用 Claude Code，你可以用我们内置的 AI 助手 Mentor，你可以用 Codex 来构建。你带任何你喜欢的编码智能体来都行。它们在我们平台里操作的不是代码，而是这个「你需要什么」的抽象模型。然后你按一个按钮去确定性地生成，或者你让 Claude 去做。你以确定性的方式生成代码，最终产出的资产满足你全部的安全要求、基于角色的访问控制要求。这些东西都烘焙在平台层面，所以 OutSystems 上生成的每一份代码资产都百分之百遵守这些规则。顺便说，它还会自动复用你已经做过的东西。我去用 AI 构建，拿起 Claude 说：「嘿，给我写个 App。」它基本上会从零开始搭一切。可在一个复杂企业里，我已经有满足 GDPR 或 HIPAA（取决于我做的是哪门生意）合规要求的、经过加固的系统；我不想这些东西被反复重新发明、再走一遍合规周期。我要做的是接上那些能用的东西，把我需要的能力叠加上去，然后把它推到生产环境，而且我知道它第一次就能跑通。这才是 OutSystems 真正的秘诀。当你在 OutSystems 上构建一个新系统时，你生成的每一份代码资产都继承了企业控制面的每一个部分。这和人们今天用来构建 AI 技术的大多数 harness 是非常不同的故事。
内森：是啊。总的来说，我经常看到这个模式：拥有真正成熟原语的在位者……起初你会觉得，哦，这些创业公司可能会以 AI 原生的姿态进来拿下这个市场；但大多数时候，似乎正是这些非常成熟的原语，让在上面加一层 AI 变得更容易，从而能把这些原语用到极致、想怎么重新配置、重新组合都行。
伍德森：那些基础非常重要。而且要在企业规模上，做出 OutSystems 这种能用得住的这些原语，真的很难。而且还不止这个。软件是一回事，另一件事是信任。如果你是一家在欧洲运营的受监管企业，有几百个监管机构在盯着你的东西，你和各种各样的客户、商业伙伴有合同义务，你目之所及全是隐私问题——那么你对任何一个系统的信任，就不只是对它的底层做一次纯技术评估。对吧？它其实是你所知道的、在那个平台上交付同类系统的整个历史；外面还有很多别的选择，你可以去问别人，这个能不能信、什么行得通什么行不通，等等。所以你在受监管行业里，为这类加固系统一点一点积累起来的那种信任声誉，是创业公司无论技术多酷，都非常难拿到的东西。
内森：是啊。那真的很有意思。它可能也回答了我本来想问的另一个问题——在今天的世界里，什么叫企业级可用？当然，现在每个人都在这么宣称，在位者和创业公司都一样。但我原来以为它的意思是高可用、可靠之类的。可现在我看这个世界，看到增长最快的那些公司，比如 Anthropic 和 OpenAI，按任何常规标准，它们的可用性其实并不算特别好。所以看起来它们证明了：只要你手里有「那味料」，企业对于过去看起来神圣不可侵犯的一些要求，其实可能会宽容一些。你怎么看？你认为今天真正要具备什么，才算企业级可用？
伍德森：好，这里有很多东西。而且它并不简单。现实是，每个企业都稍有不同，他们需要的东西也不一样；他们在不同的工作负载上需要的东西，也不总是一样。所以没错，在很多受监管企业里，人们有 AI 助手在干活；但今天没有多少受监管企业真正放开了自主智能体去跑任务关键型工作。这属于行业成熟度的问题。像 SLA（服务等级协议）那样的东西——系统的可靠性、模型是不是一直在、能不能响应、可用性等等——当然算。但在这些组织里，它远不止于此。我有一些客户已经在这条路上走得很远——顺便说，我觉得很多技术供应商都是如此——他们构建、设计并测试过的智能体系统非常完整，他们也非常兴奋，可它今天正卡在组织里某个地方的合规积压队列里，等待批准在底层为那项工作使用某个具体的 AI 模型。挡路的东西包括这样的问题：我们需要搞清楚，训练那个模型所用的全部数据，是否由训练它的那个人或实体合法取得。对吧？很多这类组织里存在一整套要求，它们让「把一项工作负载托付给自主智能体」变得极其困难。而这里面有些东西——它做的无非是从 PDF 文档里把数据读出来、变成结构化数据——却仍然存在这种合规顾虑，拖慢了进度。所以我认为，「企业级可用」意味着很多东西。是的，当然，它意味着系统在你需要的时候得能用；但它也意味着，系统要满足一整套相当繁多的非功能性要求——不只是「我按下按钮或者说句话，它能不能把事做成」，而是「它能不能帮我们满足所有的监管要求、合同要求等等」。所以，在今天的市场上，企业级可用到底意味着什么，这里面东西很多，而且其中很大一部分并没有因为 AI 而改变。是的，有一些变了。整套「模型来源」（model provenance）的问题，是一个相对较新的问题。但很多并没有变。比如，我怎么能确切知道，在这条横跨六个系统、最终要进生产的复杂工作流里，每一份个人身份信息（PII）是怎么被处理的？这正是治理发挥作用的地方，也是安全模型发挥作用的地方。再比如，我怎么确保模型运行时，只访问对它而言合适的数据，不去消费它不该碰的东西？这些都是你要在平台里具备的核心原语能力，才能为企业的 AI 做好准备。
内森：说到这些已经建好、却卡在你描述的那种合规积压里的应用——你尽管把这个答案拆开、细分着讲——你觉得这属于审慎的风险管理，还是说到底，是领导层的失误：他们没有为了推动这场我认为大家都认可不可避免的转型，而给其中一些事加速？
伍德森：当然两样都有。大企业里组织流程的僵化是真实存在的，组织需要去挑战它、打破它，才能往前走。但其中很多也确实是非常真实的。在很多地方，监管约束是重大的，责任风险很大，声誉风险也很高。所以这里面有很多是审慎的决策。而现实是，组织在业务的不同部分、对不同的工作流，承担的是不同种类的风险。举个例子，在把 IT 资源分配给公司内部员工这件事上，我会承担一个层级的风险——银行需要这个，保险公司需要这个，各类受监管企业都需要这类东西——我在那上面的风险偏好，会比贷款审批这一环节更高；因为贷款审批做出的决定，是可以被监管机构质疑的，而且他们必须能够证明整个流程每一步是怎么做的、依据是什么，因为那全都需要可审计。所以他们得确保自己手里有需要的东西，以便在任何时候都能为所做的任何决定辩护。所以我认为，这里面既有恰当的审慎，也有单纯因循守旧的保守。
内森：在大型模型公司的赔偿条款（indemnification）方面，你看到了什么——那对人们有没有推动作用？保险在这些事上又扮演什么角色？我之前和一家叫 AIUC、也就是 AI 承保公司的企业做过一期节目。他们在制定标准、试图把保险市场做起来，希望能给这件事加点润滑。你看到那边有进展吗？
伍德森：在这个领域里做事的创业者，基本上就是做 AI 智能体保险这类产品。我们其实还没有在客户身上、在他们于我们平台上管理的工作负载上，看到这种东西被采用。所以我认为，这是一个非常有意思的想法。我确实觉得，它有可能成为一把解钥。但对很多这类组织来说，它同时也是一件尚未被验证的东西，还需要进一步成熟，才能让那些经常在我们平台上运营的受监管行业真正下场。
内森：这些天所有人都在面对的一个明显巨大的风险，是网络攻击的风险。你们是怎么处理的？显然，你们有一套可以追溯到很多年前的代码库。现在有很多人在说，我们得把所有东西都迁到 Rust 上，得从底层重写，得做到内存安全，得具备所有这些条件，否则我们就太暴露了。在这上面你们打算投多少？
伍德森：我们在这上面投了很多，而且显然我们在考虑两件事。一件是我们自己的平台、自己的基础设施、自己的业务运营；另一件是客户在我们平台上构建起来的那几千套系统——我们也把那个领域里的风险放在心上。在这两种情况下，我们想的第一件事都是「修补速度」。对吧？网络威胁的速度在加快，所有人需要能够响应的节奏也在加快。我们自己要能响应、能给我们自己的系统打补丁；我们的客户也要能响应、能给他们自己的系统打补丁。这里有两种世界，我们来描绘一下。一种世界是：你有一个集中式的资产组合，跑在一个平台之上，其中存在大量共享的原语。在那个语境下，修补速度就是要比另一种情况容易得多——另一种情况是：你有几百套由 AI 构建出来的系统，各自跑在自己的框架和技术栈上，用着各种各样的开源组件，等等。那样的话你会想：好吧，现在出了一个漏洞，我甚至都不知道该去哪儿把它找出来，更别说怎么修了。所以，对于一个平台化的路线，相对那种「AI 在荒野里把什么都搭出来」的做法，本身就有一个内在的好处。这就是我们在思考自家这种平台的优势时，会想到为客户带来的「修补速度」这一点。架构良好、大量复用公共组件的系统，意味着任何修补都可以在一个点上处理掉，然后在任何地方产生广泛影响。所以在考虑这件事时，我们想的是这一条。我们在提升自己的水平吗？绝对在。我们在增加资源吗？我们在把世界上最强的 AI 引进来，对我们自己的东西做渗透测试吗？我们在鼓励客户也这么做吗？我们是否在把大量这类测试自动化、嵌进构建、测试和部署流程里，让客户不必为此操那么多心？是的。随着网络环境风险越来越高，所有这些都是我们重要的投资方向。
内森：你觉得这会不会成为软件业的一笔永久性税——前沿公司永远在收，因为它们不断制造出只有它们才能帮你解决的新网络风险？还是你设想另一种可能：我们把 bug 都关掉，然后，比如说十八个月后，我们就待在一个幸福的地方了？
伍德森：安全和网络威胁这件事，没有终点线。对吧？随着技术在一切方面变得更好，它搞网络攻击也变得更好；而今天这个世界充满了遗留技术。我们有很多客户，角落里还跑着六十年代的 COBOL 系统，或者 AS/400、Lotus Notes，什么都有。这类系统太多了。所以「有一天我们会达到某种状态，一切都完美安全了」这个想法，我认为是白日梦。不，我不认为会到那个「什么都没有」的地步。那么，那些既在助推「能发现漏洞、能渗透进去」的技术、本身也能从把这些模型用于防护中获益的模型公司，会是受益者吗——白帽那一侧？当然，肯定是的。显然，这在今天驱动了大量的 token 消耗。很可能还会继续。很难看出它为什么不会。
内森：是啊。你们的 token 支出情况如何——在你愿意分享细节的范围内？它在最近几个月是怎么演变的，你是怎么考虑它的？我经常问别人一个问题：你的 token 支出与人力成本之比是多少，作为一种把握它的办法？
伍德森：我会说，也许有一点我先讲：对我们来说，峰值大概在六月、七月。之后一直在往下走。一部分原因是学了很多东西，坦白说也是因为开始专注在这上面。去年这个时候，我们唯一的焦点是「把一切转向 AI、什么都用模型」。那产生了大量的……先是一堆学习，我们学到了非常多；其次是能力交付速度的大幅提升。想一想软件工程——那是我们很大一部分工作，是交付软件产品。我觉得我们去年第四季度发布了四个重大功能，第一季度十九个，今年第二季度二十六个。所以我们在那上面看到了巨大的跃升。而且这不是小事——这些是重大的新能力，是那笔 AI 投资带来的剧烈加速。我们在 token 支出上看到了它，但就影响而言是值得的。所以那很好。但我们学到的一件事是：其实我们当时做的那些事，大多数都可以用更好的 harness 做得一样好、而且便宜得多。我们自己建了一个，给我们自己的工程组织用，它当然装满了我们自己的上下文、是为我们优化的。我们还建了一个网关，一个 LLM 路由器。所以我们会想：不是所有的活都需要丢给当时那个，比如说 Opus 4.8 之类的；对特定任务，我们可以改道到更便宜的模型上。于是我们实际看到的是：因为大部分是自己做出来的优化，我们今天烧的比我们第三季度预测的还要少。所以我认为，今天大多数组织的现实是：他们的企业工作负载不需要前沿模型。几乎没有任何企业工作负载需要。我想的是企业真实的运营，而不是一定指创造一个新的软件资产。而这类工作负载，大多数东西用三年前的模型就够了。你去看就会发现，今天 AI 能真正带来进步的大多数企业工作负载，其实相当无聊；其中很多东西用确定性代码来做，比用模型还便宜。或者第二，可以用更便宜的模型来做——要么因为你用的是开放权重，要么因为你用的是某个基础模型的更早版本。我想，这是我们的一个关键学习。我们在自己的工作中看到了它，我们也肯定在客户那里看到了它。这也是为什么，把自己的工作流、把自己的智能体系统建在一个能让你极其方便地替换模型的平台上，很重要——为了拿到外面最好的东西，也许是因为能力提升了，也许只是因为换个模型能更便宜。而且我认为，我们无疑会看到，大多数企业工作负载的每 token 成本，会远低于今天「前沿中的前沿」所报出的价格。而在前沿那一端，人们也在降价。对吧？我觉得这是另一件正在发生的事。所以会有大量的位移。我不认为我们今年上半年处在一条可持续的轨道上。
伍德森：对吧？就像，每个人的……每个 CFO 在二月和三月收到了 token 账单，显然，那对整个世界来说都是一个「糟了」的时刻。于是所有人都开始做管控，不管是哪种：按人给 token 支出设上限，装一个路由器好把任务路由到更便宜的东西上，或者干脆完全从「处处、事事 AI 优先」的战略上退回来。我们在一些公司身上看到了这一点，看到过一些大的公开表态。我觉得微软、Meta、Uber 等等这些公司都在想：哇，也许我们走得太快太远了。但我认为，你可以回到真正在一切事情上充分利用 AI 的那个点上。你只需要用一种聪明的方式去做。对吧？这就是为什么你需要平台来帮你做这件事。而这正是 OutSystems 为我们的客户所做的那类工作。那么我们来稍微深入一点。我很想知道，你们怎么给客户建议——你们的模型组合是什么样、你们认为他们的模型组合应该是什么样。我猜开发者在写代码的时候，还是会第一时间升级到 Opus 5.5，不过也许不是。另外我能理解，如果你是要把 PDF 转成结构化数据，那显然可以做得更便宜。你们会不会建议有些用例干脆做微调，以便在成本调整后的基础上真正把性能调准？那中国模型呢？你怎么看人们对……我个人并不觉得它有那么可怕，但「让一种中国智能进入你的业务」，有时候确实是一件听起来吓人的事。
伍德森：是啊。关于中国模型这个问题，我不确定我有什么独到的见解。我会说，我们确实有一些客户完全乐意走那条路——要么跑他们自己的那些模型版本，要么蒸馏，要么做后训练微调。这肯定在发生，而且通常是出于成本考虑。不过我也会说，我们的业务非常全球化。我有一半客户在欧洲，在亚洲也有很多客户。而围绕这个问题的态度，在世界不同地方差别很大。对吧？在世界很多地方，并不是每个人都特别乐意把自己的东西托付给美国公司。所以我们确实看到，客户在我们平台上构建智能体系统时所用的模型，有着巨大的多样性。我们自己也做了大量的调优。想一想，我们今天提供一项服务，让你在我们平台上构建应用、构建智能体系统。我们有项服务叫 Mentor 来做这件事。Mentor 为你提供它自己的智能体体验。作为用户，你可以上我们的网站，用我们的 IDE，直接在那里使用我们的 Mentor；但你也可以通过 MCP 服务来操作它，用你选择的任何编码智能体或 harness。所以我们要做的，当然是在后台上挑选并微调一批模型，来驱动这些构建者工作负载在我们平台上的高效执行。于是，当你在这些 MCP 服务之上使用一个前沿模型，甚至一个更老的模型时，你得到的是底层一整套优化带来的好处，而你的 harness 或它的模型需要做的工作也轻得多，就能在我们平台上得到你想要的结果。坦白说，这里围绕栈的不同层级上的优化，答案有很多。而我认为我们为客户做的一件事，就是把这一切简化。我们会说：我们做了那些艰苦的优化工作，从而交付你需要的东西——用 AI 快速构建、维护和管理复杂系统。我们让这件事既容易又不贵，对你来说还值得信任，我们把这个世界的复杂度替你简化掉了。这就是 OutSystems 平台价值主张的一大部分。
内森：关于平衡，你学到了什么——我自己确实去网站上用了 Mentor，所以对那个体验有点感觉。一方面，这个平台似乎被设计成能支持任何东西，或者说几乎任何东西。对吧？你有客户想连接到各种各样的数据源，随便什么。这种事肯定没有尽头。但另一方面，你又有这个安全约束和承诺。而要允许任意用户构建任何东西，同时还要确保他们在平台上构建出来的东西，安全性能达到你那位企业客户期待你维护的标准——看起来这是个相当大的挑战。那你是怎么拿捏这个平衡的？
伍德森：是啊。有一点是：这不是我们面对的新平衡。这就是 OutSystems 二十五年来一直在讲的那个故事。你怎么让一个技术能力相对不高的人——也许没有计算机学位，不太懂软件架构，不是数据库专家，对开源库理解不深——你怎么让这样一个人，去构建运行一家银行的任务关键型系统？这个问题，就是我们已经解了二十五年的问题。而现在我们要做的，是把过去你通过可视化编辑器才能用到的那些工具，以同样的方式给你——过去是「我把这些东西在屏幕上拖来拖去」「给我加一个我需要的字段」，而现在，这一切都变成和 AI 的一段对话。但在底层，它用的是同一批原语，最终交付的是加固过的资产。而这件事需要很多功夫。你必须建一个足够精密的底层模型，能服务几乎无限多种用例。所以，如果你几乎在世界任何一个亚洲国家有银行账户，你用来查余额、付账单的那个 App，很可能就跑在 OutSystems 上。对吧？大量的前端、移动 App、面向消费者的体验，是建在这个平台上的。如果你是一艘停靠鹿特丹港口的油轮，要把数百万升石油卸到码头的储罐里，再转运上卡车、火车和别的船，把东西运往欧洲各地、给经济供能——运行这一切的系统，就是建在 OutSystems 上的。那里面有极其复杂的逻辑，确保当你在码头通过某个泵输送柴油时，不会把它送进一根上一次装过煤油的管道。对吧？所有的质量控制、管理管道清洗与吹扫流程、确保一切正常、不至于毁掉价值几百万几百万欧元产品的那些系统，全都跑在 OutSystems 上。所以是极其多样的复杂后端、精密的前端，都被管理在同一个平台里。是的，这需要很多工作。这就是为什么我们花了二十五年才做到。也因此我们有信心：我们建起来的那些基础，能服务于所有这些用例、所有这些高度受监管的环境，让我们跨任何行业——坦白说，受监管或不受监管——的客户都更容易信任这个平台，从而可以在体验层快速迭代，构建各种各样「永远能跑、而且永远能协同」的新东西。
内森：就是这个思路。我在 OutSystems 网站上注意到一件事——也可能是你和别人做的一篇访谈——有人说过，OutSystems 的客户「预算有限、积压很长」。今天这有变化吗？既然所有人都在以快得多的速度推进，积压实际上在变短吗？
伍德森：是啊，事情在变。这一段里发生了很多事情。对我来说，也许最令人兴奋的，是那些大家一向不敢放进积压队列的项目——那些老的遗留系统，COBOL、AS/400、Lotus Notes 之类的——终于等到了属于它们的日子。因为现在有了 AI，在一个非常复杂的流程的每一个阶段，都能用 AI 来运行并加速：单单是搞清楚那些老的遗留系统到底在做什么，把它们转译成新的、现代化的需求，我们过去那种费力的工作变成了一种新的工作方式；然后是新技术的生产、测试、上线——所有这些现在都能被 AI 大幅加速。所以我们看到客户把现代化捡起来，比如保险公司接手去现代化那些用了六十年的陈旧案件管理系统，说：我们终于准备好做这个项目了；原本把它规划成一个六年的事，现在我们打算六个月做完。所以积压队列里的内容发生了巨大变化。还有另一件事也在发生：当然，过去我们常常需要借别人的积压队列——很多公司里很常见的情况是，嘿，我需要做一个仪表盘来追踪这个新东西，于是我找某个人要这个仪表盘，它就进了某个队列，然后等他们来做。而现在，在大多数组织里，你可能就是：嘿 Claude，拿这个表格，给我做个仪表盘——砰，你自己就有了。太多东西变成了自助式。现在很多公司看到的一件事是：好吧，有了这么多自助式的东西，我们现在正在失去标准化、正在失去整合，接下来得去把这些清理一下。但好消息是，体验本身已经被摸清楚了：人们真正需要什么？他们自己建出来了，他们一直跟 Claude 聊，直到聊出想要的东西。所以现在我们可以说：好，那我怎么把那些东西的后端接起来，让它们使用我们公共的数据定义、使用我们公共的基于角色的访问控制标准……而这正是 OutSystems 这样的平台能发挥巨大差别的地方——坦白说，去处理一种和几个月前看起来非常不同的积压。
内森：那这如何转化为公司的成功和经济增长？现在说「就像计算机普及时那样」已经有点老套了：我们到处都能看到 AI，但 GDP 增长数据上……你觉得你的客户是不是正在接近一个临界点，快要开始看到更快、而且可衡量的增长了？如果不是，为什么不是？
伍德森：是啊。我认为这非常取决于具体是哪家客户。我有一些客户——我想起一个叫凯文·赫恩的人，他负责一家叫 Axos Bank 的银行的软件工程，这家银行在圣迭戈，是一家纯数字银行，他们已经在这件事上做了很久。他们在自身生产力上看到了巨大的收益，而这就是最开始的目标：为银行交付新能力的速度大幅加快，好让他们在数字环境下，为存款、为客户、为放贷更好地竞争。所以我觉得他们远远走在前面。他们的财务结果该由他们自己来讲，但他们有一个相当令人兴奋的故事。我们也看到过别的例子，比如一家叫 YESCO 的公司——我不知道你最近去拉斯维加斯时有没有见过那个「Welcome to Las Vegas」标志牌，他们建造并运营着世界各地这类标志牌——他们的生产力也被大幅加速了，这对他们来说很振奋，因为这意味着他们能用现有的资源去抓住比过去更多的新业务机会。他们的财务结果也得由他们自己来讲，但他们讲的是一段乐观的故事，这对我们来说很兴奋，能帮着给这件事加把火。这里面有巨大的潜力，每个人都看得到。在一家组织里，生产力的进步要转化为损益表上的结果，是需要时间的。你知道，在我的生意里是这样，在任何生意里都是这样。不是所有事都一夜之间发生。而且我认为，人们正在做的投资，并不是全都会有回报。对吧？这里有大量的试验，因为很多东西都是新的。但我认为每个人都相当确信潜力很高，而随着我们学会如何大规模地做这些 AI 工作负载，我们会看到回报。我觉得这就是那个承诺。而现在，是的，我们的工作就是去帮着把它交付出来。
内森：那么，随着 OutSystems 去交付它，你觉得生产力提升所带来的节省，有多少会传导给客户？因为……第一反应往往是「我们的生产力高多了，我们的利润率更高了」。当然，理论上竞争应该会去约束高利润。你觉得我们现在处在这个故事的哪个位置？你认为最终、转型之后，利润率会和以前一样，只是每个人花同样的钱能拿到多得多的东西？还是你看到行业结构会变化——谁会捕获哪部分价值会变？
伍德森：我认为这会因行业而非常不同。我想起很多行业。比如离散制造业——在那个行业里，大量的成本都绑在实物材料上，而决定这门生意利润率的东西，大概和关税政策的关系比和 AI 的关系更紧密。这只是一个极端的例子。再举一个我们都爱谈的例子，咨询业：在那个行业里，我们基本上就是在和信息打交道。所以在那样的世界里，我认为 AI 能接手更多的工作、能产生更大的影响。而我认为它既会影响对那类工作的需求量，也会影响能够交付那类工作时所处的利润率水平。所以我确实认为，这在不同行业会是非常不同的故事，不存在唯一的答案。我还认为，同一行业内部也会有巨大的差异。有些组织在快速行动、全力投入、不断尝试；有些则坐观其变，说我们先看看、先等等。而我确实认为，这会影响谁先到达、谁会在利润率上获益——以及谁会在份额上获益，从而最终谁会赢。
内森：当我试你描述的那个 Mentor 构建者体验时，有几点让我印象深刻。一点是——我很想听你对「早期激进实验」的价值的看法。因为对我来说，一次又一次成立的一件事是：我使劲、我苦干、我流汗，最后终于把某个东西做出来了；然后下一代模型，或者肯定两代之后的模型，它突然就变得容易了。对吧？所以，就连构建 Mentor 这样一个东西，两代之前大概也是挺难的：要让它跑起来、让它半可靠，等等。而现在你如果把 5.5 或者 Astra 接上去，大概用十分之一的时间、甚至更少，就能建出跟你现在这个东西非常相似的东西。当你从战略上思考组织应该做什么时，你怎么把「白费力气、在一堆很快会变容易的事情上瞎忙」和「耐心等待」区分开？你怎么知道哪些事是你真想早点攻的，而哪些事上，耐心一点其实是一种美德？
伍德森：好，好问题。这里有很多可谈的。当然，构建 Mentor 是一件很大的工程。绝对的。我们在 2018 年就开始了这项工作，那时我还没进这家公司。显然，那时的技术状态……当时全是机器学习，还没有生成式 AI。当时的问题是：你怎么在软件开发生命周期的每一个阶段使用 AI、或者说机器学习，来加速、提高质量等等。这个项目在那段时间里演化了很多，到了今天，Mentor 实际上是一组 MCP 服务，可以在任何地方被消费，用来可靠地构建软件——它始终满足你所有的非功能性要求，帮你守住你的合规目标等等。所以这是一次巨大的转型。随着我们如前所说为成本做优化，我们在底层使用的模型一直在变。而大多数客户今天仍然面对的问题——坦白说，这相比以前并没有戏剧性的变化，只是能力更强了、人们能更快地做更多事——真正的问题是：我到底该建什么，才能真正解决我业务里的问题、抓住我业务里的机会？「该做什么」仍然是最难的问题。对吧？那么，我该在玩一玩、试一试上投入多少？我会说，这些力气里很大一部分，可能应该投到「我在哪儿能拿到最大的性价比」上。我在哪儿……哪个业务流程，把它变成智能体的形态是合理的？在这件事上，我们跟着现有客户吃过苦头。你知道，我们今天手上有成千上万个应用的资产组合。所以我们做的是：我们建了一个 AI，让它告诉客户，在他们已经跑在我们平台上的那些资产之上，应该创造什么样的智能体系统。我们刚刚上线了一个全新的能力——目前还在我们的客户成功团队手里用——它是一个智能体，直接告诉你该建什么，并为你预测投资回报，比如省下多少时间等等。我们使用你已经建好的那些应用的全部遥测数据，我们理解你在做的事情的结构，我们看着数据流过那些系统，我们在此基础上做推理，然后说：嘿，你也许可以考虑在这里放一个智能体，把这项手工工作变成自动化的工作。而且顺便，按这个按钮就能建，让 AI 真的去建出它的第一版，然后你当然可以走你的开发、测试、验证流程，去试一试。所以，对大多数想实现业务智能体化转型的组织来说，解决「该做什么」这个问题，是挑战中很大的一部分。
内森：很有意思。关于 Mentor，我另一个大问题是：你认为软件的用户体验未来会怎样？Mentor 的体验，就是那种现在越来越熟悉的、包在遗留应用外面的 AI 侧边栏。对吧？过去你靠拖拽做的事，现在它靠工具调用来做，而且现在你两者都有。但与此同时，你还有这套 MCP 范式：我完全坐在另一个软件里，或者我甚至出去散个步，只用语音模式那样跟我的智能体聊。而那些工具，也许根本就不会像在核心平台上那样被可视化出来。你预计「冰球会滑向哪里」？你正试图在哪些趋势上抢在前面？
伍德森：是啊，好问题。我个人仍然想象，一年之后我手机上还会有超过一百个 App。对吧？我确实认为，我们想做的不同事情的体验，并不都适合变成对话式的体验——不管我们是按语音模式还是文字去做。现在我不知道它会怎么演化。我确实认为，存在一个真实而显著的可能：我们今天所知的很多软件，会被「组件化」成一个个小东西，在你对话的流里出现。对吧？我会想谷歌地图这个问题。谷歌地图是我手机上最有用的东西之一，我每天都用它——要么是查一个地方去点披萨，要么是把我导航到一个目的地，开车去，或者在一个我不熟悉的陌生城市里走。所以我会想：好吧，谷歌地图什么时候会变成我和 AI 对话的一部分？马上就可能。对吧，我可以直接说：给我从这里到那里的逐向导航。但我仍然想知道，我周围的世界长什么样？它是什么形状的？我在路上会经过什么？我不认为对话式体验在这件事上会完美胜任。这是你提出的整个挑战的一个微缩样本，但它是一个例子，说明某些地方我认为仍然会不一样。我认为，出于各种各样的原因——可能是隐私，可能是合规，也可能纯粹是用户偏好和体验——我们在未来仍然会看到各式各样的软件交互范式。当然，我也接受这样一种想法：我们今天那些大的、铁板一块的东西——一个我上去要面对八十个功能的门户——可能会被以非常不同的方式、分成一个个小块，在我需要的时候、在我做别的事情的流里交付。这会很有意思，值得看着它发展。我们在六月自己的用户大会上，展示了一个相当有说服力的演示：我们的一家银行客户，让消费者通过和 Claude 的一段关于家里装修的对话，发起了一笔贷款申请。「嘿，想想这个新炉子、这些东西吧。」然后，「天哪，这肯定很贵。我可能需要点钱。」然后：「你知道吗，你已经预获批了一笔三万美元的贷款？你想发起这个申请吗？」接着是一段无缝的流程：从 Claude 里的这段对话，直通这家银行的移动 App，同一个智能体在两种场景下都在后台运作，无缝地把对话带过去；它认得出贷款申请流程通常需要的那些材料你本来就都有——因为你已经是这家银行的客户了——所以你不用再被要求提供银行流水；然后这笔申请在后端被直通式处理，那里有智能体在干活，或者在流程的每个阶段向环中的人做建议，把整个消费者体验理顺。这很有意思。对吧？很多工作负载直接移到了「智能体体验」里，如果你愿意这么叫的话。但那里仍然存在一些软件资产——在这例子里，就是一个移动应用——出于一系列合规、隐私和监管要求，它仍然需要存在。那些东西会随时间变化、演化到不再被需要吗？我不知道。我们走着瞧。对我来说，有意思的问题不是「所有东西会不会变得一样」，而是：既然 AI 和 OutSystems 这样的平台把过去那些传统约束去掉了一大堆，创造者的想象力现在会造出什么？
内森：「所有东西会变得一样」这个说法，加上你前面提到你们最近发布了很多重大功能、增长了多少，让我想到了竞争的未来。我确实感觉到，现在每个人都重新有了底气去追逐那些相邻领域；而他们追逐的相邻领域越多，可追逐的新相邻领域就越多。所以我确实看到这样一种收敛：所有平台都在长成同一种「超级横向、你需要的一切都在一处」的提供方式。我想知道你是否也看到这一点，以及你是否认为事情就是往那儿走。噢，是的。那我们怎么赢？在那种环境里，一个人怎么赢？
伍德森：是啊，是啊。当然。先把话说清楚：如果你开上旧金山 101 号公路，看那些广告牌，它们说的都是同样五个词。对吧？只是 Logo 不一样。我确实认为，在这个世界里，整个行业都很难把差异化的信息讲清楚。你知道为什么吗？一部分原因是「同质化的海洋」。对吧？今天有太多维度的太多体验，都可以通过对话式体验交付，这是一个因素。真正的问题变成了对话背后是什么：后面是哪些系统？后面是什么数据？后面那些东西怎么相互作用，从而通过这样一段体验给我更多我想要的东西？然后你很快会得出结论：好吧，我需要一个智能体平台，我需要一个 AI 构建器，我需要与很多东西的集成。对吧？要回答那个问题，需要的就是一些基本积木。而现在，很多平台正冲进这个空间说：好吧，那我们就用所有这些东西把它填满。那未来我们怎么区分自己？我认为最终真的会是专业化。对吧？会有一套所有人都需要的公共积木；然后就是你在什么上面变得特别强、你为优化什么。而其中一部分优化，会在调优、蒸馏、模型专精度，以及与之相关的、为那件事优化的成本结构这些领域；一部分会是行业与工作流特定的优化；还有一部分会围绕这个形成集中度——它让你走出纯粹的横向。每个人有一样的东西，因为每个人有一样的原语，因为你需要原语；但你必须在上面有专业化。对我们来说，很大一部分专业化，在受监管行业里——我们在那里解决了大量这类问题，能把它们带到这个平台上来。就好比，有三十七个功能不在那张基础清单上，但你实际上得靠它们才能跨过「构建或部署第一个东西」的那道坎。所以我认为，在我们这个领域，那会是很大一部分。而另外，我们在银行、保险、政府、医疗、交通物流、能源与公用事业这些大受监管行业里，多年积累起了专业化——它们全都是我们今天的装机基础的核心，我们的团队在那里有大量专门的技术与理解，能快速帮助组织把流程现代化。所以我认为，差异化就会是那种专业化。眼下我们正处在这样一个阶段：每个人都在说「对，我们什么都有」。而我想我们都在快速学到，那只是在把大家搞糊涂。所有人都觉得：哦，一切都是一样的。所以我确实认为，作为行业，我们在那件事上还有功课要做，得把自己的状态调整好。
内森：你们的招聘实践有什么变化？对那些刚刚进入职场的人——我觉得他们最近收到了很多信号，让他们对自己的就业前景感到紧张，也有点怨 AI，觉得它在和自己竞争——你会给什么建议？你们在 OutSystems 是怎么做的，你又怎么把它转化成更普适的建议？
伍德森：是啊。我极度看好年轻人才，看好那些在过去五年里基本上就生长在这些新技术里的人——他们能把这些东西带进组织、带进我们的客户、我们的伙伴、我们自己的组织，真正驱动加速的创新。他们显然需要大量学习所有这些行业里的核心业务流程，才能产生价值；但我认为，他们总体上带来一种新鲜的视角、一种态度、一种「AI 优先」的、被 AI 浸润的思路。所以我在这一点上是很乐观的。我不认为今天的组织已经建好了相应的基础设施，去把另一件事做好——也就是真正把这些人的行业知识、把他们真正需要的那套专门知识灌输给他们，好让那些技能被尽可能有效地用出来。你知道，我们招聘的方式在变什么？我们肯定在向 FDE（前向部署工程师）模式倾斜，思考怎么更直接地帮客户去设想那件工作。对吧？其中很大一部分是：设计的投资该投在哪里才能产生显著影响？而我们把这件事同时想成「我们招的人」和「我们招的智能体」。所以我今天谈到的那件事——我们的智能体铸造厂，它进去检查你的架构，然后说：这里有一些可以变成智能体的机会——也是我们在做的。所以今天我们思考每一件需要发生的新工作时，思路非常不同：这件事该由人来做吗？该由一个智能体来做吗？还是该由一个混合的团队来做？我们要怎么围绕这套交付工作的新模式来组织一切？然后我们还想每一个我们招进来的员工的旅程，以及怎么大幅加速我们过去称之为「入职」的那件事——你知道，几十年来在大多数公司里，它就是：嘿，这是新人头几天或头一周要做的事，然后这是你在这些事情上要跟进的一系列培训。我们要把这一切变成更像智能体的、更实时的、更「按需即给」的形式：在你真正能用到、因而能内化它的那个点上，把知识给你。所以围绕人的很多实践正在快速演化。这些既是我们自己正在做的投入，我们也当然在鼓励客户去思考，这件事在他们的业务里怎么落地。
内森：在我放你回去工作之前，你还有什么想留给大家的吗？
伍德森：好的。那么，请关注今天从拉斯维加斯开始的 OutSystems 世界巡演，我们会在那里展示很多这类惊人的技术，包括 OutSystems 智能体体验的最新进展——它极大地帮助组织加速为他们业务交付值得信任的 AI 系统。
内森：伍德森·马丁，谢谢你成为《认知革命》的一部分。
伍德森：谢谢你，内森。
片尾：如果你觉得这个节目有价值，我们希望你能花一点时间，把它分享给朋友、发到网上、在 Apple Podcasts 或 Spotify 写一条评论，或者干脆在 YouTube 上给我们留个言。当然，我们一直欢迎你的反馈、嘉宾与选题建议，以及赞助咨询——可以通过我们的网站 cognitiverevolution.ai，或者在你喜欢的社交网络上私信我。《认知革命》是 Turpentine Network 的一部分，那是一个播客网络，现已归属 a16z，那里专家们谈技术、商业、经济、地缘政治、文化等等。本节目由 AI Podcasting 制作。如果你从停止录制那一刻到你听众开始收听那一刻，都需要播客制作方面的帮助，去看看他们，并在 aipodcast.ing 看我的背书。也感谢每一位听众，谢谢你们成为认知革命的一部分。
References
- 1官方单集页（含完整逐字稿与 16 段官方章节）
cognitiverevolution.ai
- 2OutSystems 官方任命公告（2025-05-20）
outsystems.com
- 3OutSystems 官网 · 公司与领导层
outsystems.com
Comments