# 季度大功能从4个涨到26个，token支出反而降了：OutSystems CEO的企业AI实战课 > Cognitive Revolution No. 383 中文精读 - 原标题：Software That Never Breaks: OutSystems CEO Woodson Martin on Building Enterprise-Grade Apps at ... - 发布日期：2026-10-07 - 主持：Nathan Labenz - 网页版：https://cogrev.1mmt.com/ep/383-software-that-never-breaks-outsystems-ceo-woodson-martin-on-Y2qs-B.html - 精读字数：约 5466 字（阅读约 12 分钟） > 本文为 cogrev.1mmt.com 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 丰田、沃达丰、巴西国家石油公司，这三家巨头的核心业务系统跑在同一个平台上，OutSystems。这家2001年成立的企业级应用开发平台公司，2025年完成了一次交接：执掌24年的创始人Paulo Rosado退下，新CEO Woodson Martin从Salesforce过来。他在那家公司干了18年，管过欧洲市场营销，管过核心销售产品线，甚至管过一阵子人力资源。 他最近上了Nathan Labenz主持的Cognitive Revolution播客，给出一组扎眼的数字：公司去年四季度只发布4个主要功能，今年一季度19个，二季度26个，全是重量级新能力。与此同时，token支出在6、7月见顶，如今反而低于内部预算。 交付速度翻了六倍多，成本曲线却往下走，两个数字同时成立。中间的工程账和管理账，这期节目掰开讲了一遍。 先交代背景。Paulo Rosado在2001年创业时看准一件事：当年的定制企业软件，延期数年、严重超预算是常态，交付之后还改不动，改一次等于重开一个大项目。他的愿景就三句话。 > 建得更快，每次都可靠，让软件跟着业务的节奏演进，而不弄坏任何东西。 25年下来，这套平台上跑着什么？Woodson Martin给了两个画面。第一个，你在亚洲几乎任何地方开的银行账户，查余额、交账单用的那个App，大概率跑在OutSystems上。第二个，一艘油轮靠泊鹿特丹港，往终端油罐里卸几百万升石油，再分装上卡车、火车、驳船运遍欧洲，整套调度系统也在它上面。管道里上一批货是煤油，这一批要泵柴油，清洗、冲洗、质检的流程逻辑全由系统管着，出错就是几百万欧元的货报废。 Woodson Martin说他接手时最被打动的，正是这些平台原语。让没有计算机学位、技术不算资深的人，也能搭出跑银行的复杂系统，还能快速改而不出事。这在当年是革命。他接手的理由有三条：平台原语扎实，客户和用户是真心爱这个产品，再加上公司还有一些没解决的问题恰好是他会的，他在Salesforce十八年横跨市场、产品、人力，学了一整套规模化的打法，用他自己的话说，可以打开加力燃烧室，把这生意再推高一截。**当AI能把软件造得又快又多，"永不坏"就从一句卖点，变成了整场游戏里最贵的那块基石。** ## AI写代码，凭什么"永不坏" OutSystems处理AI编程的思路，跟市面上大部分工具不一样。关键在于平台中间有一层抽象：应用意图的模型。你可以用Claude Code，可以用Codex，可以用自家AI助手Mentor，带哪个编码代理来都行。这些代理直接操作的对象是那层意图模型，代码由平台确定性生成。 安全、基于角色的访问控制这些要求，全部焊死在平台层。**在OutSystems上生成的每一份代码资产，100%继承企业已有的控制面。**Woodson Martin拿Claude举了个反例：直接让Claude从零写个应用，等于把已经通过GDPR、HIPAA验证的硬化系统推倒重来，再走一遍合规周期。在OutSystems上建新系统，等于直接继承全部已验证的资产，复用现成的，往上叠新能力，第一次上线就能跑通。 Nathan Labenz点出了他观察多年的模式：大家总以为AI原生的创业公司会掀翻老平台，结果多数时候，原语扎实的老厂把AI层叠上去，效果反而更好。Woodson Martin补了第二层，技术之外是信任。受监管企业面对几百个监管机构和一堆合同义务，敢把系统交给谁，看的是这个平台多年交付同类系统的完整历史，加上随时能打电话问的其他客户。**这份信任，创业公司技术再酷也买不到。** Nathan自己试用了Mentor，感受是熟悉的AI侧边栏包着老应用：过去拖拖拽拽的操作，现在靠对话完成，底下用的还是同一套原语。Woodson Martin说这个平衡他们已经玩了25年：怎么让一个没学过软件架构、不懂数据库的人，建出跑银行的系统。过去靠可视化编辑器，现在靠对话，产出的是同一种硬化资产。 ## "企业级"的门槛，比uptime复杂得多 Nathan抛了个尖锐观察：眼下增长最快的Anthropic和OpenAI，按传统标准uptime并不算漂亮，可见企业对老规矩也没那么死守了。那今天的企业级到底指什么？ Woodson Martin的答案是分层拆开看： - 系统在需要时能用，SLA、可靠性，这些老要求一样没少。 - 非功能需求一大串：监管、合同、隐私。一个工作流跨六个系统，每一条个人敏感数据怎么流转，得说得清清楚楚。 - 模型来源是道新考题：训练数据是不是合法取得？光这一条就卡住了一堆项目。 他举了个活生生的案例：客户把代理系统设计好了、测试好了，团队兴奋得不行，然后整个东西躺在合规积压队列里，等一个"底层用的具体模型"的审批。那个系统干的活，说穿了就是把PDF读出来转成结构化数据。 > 组织内部的僵化流程是真实存在的，企业得主动去打破它。但很多约束也是真实的，监管约束很大，责任风险很大，声誉风险也很大。 分寸怎么拿？他给的参照是：管公司内部IT资源分配这种活，可以多冒点险；贷款发起流程就完全两回事，监管随时可能质询每一个决定，每一步都得可审计、能自证。谨慎和守旧，按业务场景配比。至于Nathan提到的AI保险（他此前做过一期节目，嘉宾是做AI承保标准的AIUC），Woodson Martin说平台客户里还没看到实际采用，想法有意思，但对受监管行业来说，保险本身又是一个待成熟的新东西。 网络安全那一段也值得记下来。Nathan问：很多人喊要把代码库全部用Rust重写，你们打算投多少？Woodson Martin说他们盯着两个域：自家平台和基础设施，加上客户建在平台上的几千套系统，两头的第一原则都是快速修复，网络威胁的速度在涨，补丁的速度必须跟上。这里他给平台模式做了个有力的辩护：**几千套系统共享同一批原语，集中管理，发现漏洞一处修复全局生效。换成几百套各自跑在不同框架、不同技术栈、拼着各种开源组件的AI造系统，出了漏洞，光是找到它在哪儿都费劲，更别说修。**他们自己也在加码：把最强的AI请进来对自家系统做渗透测试，鼓励客户照做，把大量测试自动化进构建和部署流程。这场攻防有没有终点？他的回答很干脆：没有。技术变强的同时攻击也变强，世界上还满是COBOL、AS/400和Lotus Notes，什么都完美安全的那天，纯属幻想。模型公司两头赚钱，攻击和防御都在烧token，而且看不出为什么会停。 ## token账单教的一课：4、19、26 去年这个时候，OutSystems内部的口号是把一切搬到AI上，所有流程都用模型。结果两头都兑现了：学习量巨大，交付速度暴涨。四季度4个主要功能，一季度19个，二季度26个。token账单也跟着涨，6、7月见顶。 然后他们做了三件事，把曲线压了下来。第一，给自己的工程组织造专用harness，装满自家上下文，为自家场景优化。第二，建LLM网关做路由，很多任务用不着当时最贵的旗舰模型，特定任务路由到便宜模型就够了。第三，一大批任务回头用确定性代码做，比调模型还便宜。 现在的token支出已经低于三季度预算。Woodson Martin从这里面提炼出的核心判断：**绝大多数企业工作负载用不上前沿模型，三年前的模型就够用，很多活用确定性代码比调任何模型都便宜。**前沿模型留给创造新软件资产这类活。客户今天在平台上上线的东西，大部分也仍是传统的确定性应用，用不着前沿AI。 他补了一段行业观察：今年一二月，每个CFO都收到了token账单，全世界集体倒吸一口凉气。然后是按人头设限额、上路由器、收缩AI优先战略，微软、Meta、Uber都公开调整过。他的原话很直白：上半年的那条成本曲线，本来就不可能持续。 中国模型的问题也被问到了。他的观察：确实有客户在用，自己部署、蒸馏、后训练，动力主要是成本。但这是一门全球生意，一半客户在欧洲，亚洲也一大堆，各地态度差异巨大，有些市场并不乐意把系统托付给美国公司。所以客户建出来的代理系统里，模型组合非常多元。 ## 积压清单第一次变短了 企业IT部门的老大难是backlog只增不减。Woodson Martin说，现在有两件事在真正改变它。 第一件，最不敢碰的遗留系统终于排上队了。COBOL、AS/400、Lotus Notes，他手上不少客户还在跑60年前的系统。AI把整条链条都提速了：搞明白老系统到底在干什么，翻译成现代化需求，写新代码，测试，上线，每个环节都加速。有保险公司决定改造60年前的案件管理系统，**原计划六年，现在按六个月来做。** 第二件，很多需求自服务化了。过去你要个仪表盘，提需求，进backlog，排队等几个月。现在对着Claude说，拿这张表格给我做个仪表盘，当场就有。副作用是标准化和集成丢了，企业回头得整理。好消息是体验已经被员工自己试出来了，他们反复跟Claude磨，磨到满意为止，等于需求验证做完了。剩下的事是把后端接上统一的数据定义和权限标准。**backlog的构成变了，从"排队等开发"变成"回头补集成"。** 还有一层变化：该建什么，仍然是最难的问题。能力上去了，速度上去了，但判断哪个业务流程值得改造成代理系统，多数组织心里没数。OutSystems吃过的亏变成了产品：他们手里有客户成千上万套应用的组合，于是造了一个AI，翻遍这些应用的遥测数据，看结构、看数据流，然后直接告诉你，这里有个手工环节适合代理化，预计省多少时间、ROI多少，按一下按钮，AI先给你造个v1，再走正常的开发测试流程验证。这个agent foundry刚交到客户成功团队手上。 落到具体客户身上：Axos Bank，圣地亚哥的纯数字银行，软件工程负责人Kevin Hearn，生产率大幅提升，在存款和贷款的数字化竞争里跑在前面。YESCO，就是造"欢迎来到拉斯维加斯"那块招牌的公司，全球造招牌、运营招牌，用同样的资源能接下更多新业务。 GDP统计为什么还没动静？Woodson Martin的回答很克制：生产率进步传导到损益表需要时间，而且现在的大量实验注定有相当一部分不会回报。行业差异也大：离散制造的成本大头压在物料上，影响利润的可能主要是关税政策；咨询业整天生意就是信息，AI能接走的活多得多。 ## 广告牌上同样的五个词，和超级看多的年轻人 Nathan问竞争格局：所有平台都在长成"什么都有"的超级水平化产品，最后怎么分胜负？Woodson Martin的比喻很损：开车走旧金山101号公路，两边广告牌写着一模一样的五个词，只换logo。 他承认整个行业暂时说不出差异化的话。对话式体验把表层拉平了，真正的问题藏在对话背后：系统是什么，数据是什么，它们怎么协作。答案落到一堆人人都要的基本件上：代理平台、AI构建器、一堆集成。所有平台都在往里冲，于是看起来全都一样。 他的答案是专业化。**人人都要有的基本块之上，你到底优化什么？**OutSystems的押注在受监管行业：银行、保险、政府、医疗、交通物流、能源公用事业，这些也是它现有客户盘子的核心。除了人人都有的那套东西，他们还有37个额外特性，专门帮客户跨过"建成并部署第一个系统"的门槛。这些是25年攒下的家底。 关于软件的未来形态，Woodson Martin没有跟风喊"一切皆对话"。他判断一年后自己手机上的App还是会超过100个。他拿谷歌地图举例：查地址、订披萨、在陌生城市导航，每天用。语音对话能给你转弯指引，可你还是想知道周围长什么样、路上会经过什么。大而全的门户可能被拆成小块，嵌进对话流，但出于隐私、合规和用户偏好，软件交互会保持多样。六月用户大会上他们演示了一个银行场景：客户跟Claude聊家装预算，聊着聊着被提示预批了3万美元贷款，对话无缝接入银行App，同一个代理在幕后接续。因为客户资料银行早就有，连银行流水都不用再交，申请直接走完后端流程，每个环节由代理处理或推荐给人工把关。 人才话题上，Woodson Martin的原话是super bullish on AI-pilled junior talent。过去五年在新技术环境里长大的人，把这套打法带进组织，能直接加速创新。前提是他们得补行业知识，而组织目前还没建好把人"灌"进行业的基建。公司自己的做法在变：更倾向全职员工模式，直接帮客户想清楚该往哪儿投钱、投在哪儿影响最大；每接一个新任务先问一句，这活给人，给代理，还是给人机混合团队；入职培训改成即时供给，在你马上要用那个知识的时间点给你，别再沿用头两天灌完就散的老办法。Mentor本身也是长期主义的样本，这个项目2018年就启动了，比生成式AI早了好几年，当时用的还是机器学习，现在变成一组MCP服务，任何编码代理都能调用，底下模型随成本和能力随时更换。 ## 明天就能用的四件事 这期播客信息量大，拆出来可操作的就这么几条： - 把自家AI工作负载按任务分层：哪些必须前沿模型，哪些三年前的模型就够，哪些用确定性代码更便宜。然后上路由器，别让所有任务都打最贵的模型。 - 铺新代理之前，先让AI盘点现有系统和数据流，从"手工步骤多、出错代价低"的环节下手，别一上来就碰监管会质询的决策流程。 - 遗留系统现代化值得重新报价：凡是按六年规划的项目，现在按六个月重新算一遍账。 - 员工自服务造出来的小工具别一禁了之，体验已经验证过了，回头补统一的数据定义和权限标准就行。 Woodson Martin在节目最后说，AI把造软件的传统约束一个个拆掉了，真正有意思的问题是，创作者的想象力会拿出什么新东西。这话从一家服务全球最保守客户的公司CEO嘴里说出来，分量不太一样。