软件公司应该拥抱 AI 还是抵制它？—— 专访 Asana 首席产品官 Arnab Bose

内容概要

在这场深入的对话中，Asana 的首席产品官 Arnab Bose 与主持人 Alex Kantrowitz 共同探讨了生成式 AI 时代下软件行业的未来。Arnab 详细阐述了 Asana 面对「氛围编程」挑战时的底气，即企业级软件在安全性、可靠性和集成深度上的不可替代性。他重点介绍了 Asana 的核心竞争力——「工作图谱」，以及新推出的「AI 队友」。通过引入具备共享记忆和企业级背景信息的 AI 智能体，Asana 旨在消除职场中的「协调成本」，让员工能从繁琐的行政工作中解脱出来，将精力集中在「品味」与「判断力」等核心创造性任务上。

AI 是否会取代传统的管理软件？

主持人： 软件公司，像 Asana 这样的公司，应该对抗 AI 还是拥抱它？今天我们邀请到了 Asana 的首席产品官 Arnab Bose，来到演播室与我们共同探讨。Arnab，欢迎你。 Arnab Bose： 谢谢你，Alex。很高兴能在这里交流。 主持人： Asana 是一款工作管理软件。目前流行的一种说法是，未来任何管理软件或工具，都可能被某个坐在电脑前使用「氛围编程」（vibe coding）的人通过简单的指令取代。那么，Asana 这种级别的产品会被「氛围编程」出来吗？ Arnab Bose： 问题在于，你为什么要这么做呢？你真的想把精力花在思考安全性、可靠性、99.99% 的在线率、深度的集成方案，以及如何将新的 AI 智能体接入你的人机协作平台这些问题上吗？这些挑战非常艰巨，远不是搞出一个原型或演示视频那么简单。

特别是如果你需要一个协调层来帮助企业从 AI 智能体投资中获得产出和成果，这就更难了。我们的观点是，每家公司都在成为 AI 驱动的公司，他们希望看到 AI 带来的结果。Asana 拥有超过十年的技术沉淀，我们专注于全球可用性、安全性，以及如何确保智能体拥有「共享记忆」这一对业务至关重要的概念。任何公司真的想为了重建这些功能，而分散核心业务的精力吗？他们更愿意专注于实现真正的业务目标。

协调成本、Token 效率与企业的核心竞争力

主持人： 我有一个大胆的想法，或许未来会有一个 AI 智能体负责开发软件，而其他 AI 智能体专门负责你提到的在线率、可靠性以及跟进最新标准。如果 AI 真的按照人们预想的方向发展，你觉得会怎样？ Arnab Bose： 即便如此，作为客户，你依然在消耗大量的 tokens。你不仅在花 token 构建辅助业务运行的软件，还要花更多的 token 去确保这些软件的安全、可用和可靠，并解决权限问题。在未来，如果谁能以最高效的方式消耗 token 并获得最佳业务成果，谁就能胜出。

那么，你为什么要专注于非核心业务呢？让 Asana 处理人机协作，因为这是我们的核心业务。而你可以专注于你的核心业务，无论你是旅游公司、金融机构还是医疗机构。如果这些公司把 token 和成本都耗费在处理人和智能体之间的协调上，他们是不会成功的。 主持人： 这是一个很好的观点。token 并不是免费的。虽然理论上你可以构建任何软件，但通过这种低效的方式去开发和维护，会让你付出高昂的代价。 Arnab Bose： 没错。你应该问自己：这是否是我想实现差异化的核心竞争力？如果它只是某种赋能技术，那就没必要亲力亲为。

揭秘 Asana 的核心：工作图谱与上下文背景

主持人： 另一个趋势是，AI 让人们能够获取那些为大众开发的标准化软件，并根据自己的需求进行深度定制。你认为这种「定制化软件」的趋势是你们需要拥抱的，还是需要对抗的？ Arnab Bose： 我们完全拥抱这一点。多年来，我们一直在思考如何降低「协调成本」。通过使用我们的「工作图谱」（Work Graph），用户可以获得一个清晰的架构，其中包括任务、项目、组合，并最终与公司的目标和使命挂钩。

事实证明，这个框架非常适合训练 AI 智能体，确保它们拥有正确的业务上下文和企业级记忆。我们希望 Asana 能够以最佳方式适配每一家企业。无论你是引入自己的智能体，还是定制我们预设的 AI 队友，这都是我们战略的一部分。我们构建了一个灵活的框架，任何 AI 智能体都可以利用它来获得差异化的企业记忆和共享上下文，而无需重新学习人类过去做过的事情。 主持人： 我们来深入剖析一下。先给观众简单介绍下，人们通常用 Asana 做什么？ Arnab Bose： 我们的核心客户主要分布在市场营销、IT 运营和战略规划部门。他们使用 Asana 处理任何跨部门项目。例如，在营销领域，发布一个活动需要市场、产品、设计团队的协作，还需要协调第三方供应商。这其中涉及活动简报、材料清单等大量的「协调成本」。在 AI 时代之前，人们用 Asana 来保证项目按时推进。 主持人： 所以它就像是一个内部的协作引擎。 Arnab Bose： 正确。更重要的是，这个协作引擎不仅定义了「谁在什么时候做什么」，它还记录了过去项目是如何完成的。当某个项目偏离轨道时发生了什么？采取了什么补救措施？这些数据对 AI 智能体来说简直就是「猫薄荷」。智能体可以查阅工作图谱的历史记录，了解哪种类型的活动简报在 2022 年或 2023 年效果最好，以及当时其他同事给出了什么反馈。

AI 队友：具备共享记忆的企业级智能体

主持人： 现在的重点不再是软件本身，而是 AI 智能体如何在 Asana 这样的软件中发挥作用。你提到要让智能体进入软件内部，那什么是「工作图谱」的底层逻辑？ Arnab Bose： 想象一下 Asana 的定义：你创建项目，团队成员拥有访问权限。项目包含任务，任务完成则项目推进。项目可以整合为组合，并对应公司目标。支撑这一切的底层数据模型就是「工作图谱」。

通过新推出的「AI 队友」，AI 智能体可以利用这个图谱获取正确的背景信息。其中最重要的概念是「共享记忆」。如果你告诉 AI 队友某个发布计划中的风险分析是不正确的，只要我也拥有该项目的访问权限，当我也使用这个 AI 队友时，它会记得你告诉过它的事情，从而不再犯同样的错误。

这与目前市面上常见的 AI 助手或个人代理有很大不同。那些助手通常没有共享记忆，它们可能记得你告诉过它的事，但如果你没教过它，它在我面前还是会犯同样的错误。

实战演练：AI 如何重塑营销活动策划

主持人： 让我理一下这个流程。以我熟悉的营销领域为例。通常业务方会分配一个任务，我们需要撰写一份创意简报（Creative Brief），说明目标受众、核心利益点和沟通方式。最烦人的环节其实是获取审批。AI 智能体如何介入这个过程？ Arnab Bose： 没错。你可以收集初始需求，放入一个任务中，然后直接把这个任务分配给一个智能体。 主持人： 也就是我可以选择分配给「人」或者「智能体」。 Arnab Bose： 100% 可以。智能体访问工作图谱后，会查看过去的成功案例，参照以往经验撰写创意简报。它甚至可以进行深度的网页搜索和分析，结合你们公开的宣传案例，制定出一份研究计划，并将其拆分为子任务。

在这个过程中，团队中的任何营销人员都可以给它反馈。比如你说：「2024 年的那份简报其实行不通，因为我们遇到了某些问题。」AI 会实时重新计算研究计划并更新输出。最终，它会生成一份文档。由于这是在多用户协作环境下运行，整个团队都能实时看到 AI 的研究路径和提示词，消除了沟通中的误解。 主持人： 之后就是 Asana 原有的审批流程了。 Arnab Bose： 没错。你可以点击审批，进入下一阶段。业务部门或产品部门也可以查看 AI 产生的所有工作细节，给予指引和反馈。

抵御「AI 废话」：品味、判断力与人的价值

主持人： 将这些关键任务交给 AI 智能体的智慧在哪里？如果把创意工作交给 AI，难道没有风险得到一份「平庸之作」吗？AI 通常只是在预测全球数据的平均值。 Arnab Bose： 我们的目标是减少协调负担和查阅历史资料的压力，从而让创意总监能够将 100% 的精力投入到「品味」和「判断力」上。

首先，它并不是在预测全球数据的平均值，而是基于你们公司特定的消息传递和活动案例进行高度训练的。它产出的不是「AI 废话」（AI slop），而是已经达到了 80% 到 90% 完成度的优质草案。

其次，因为创意总监不再需要亲手处理基础搭建工作，他们有更多时间进行品味把控和工艺打磨，将 90% 的产出提升到卓越的水平。而且由于「共享记忆」的存在，创意总监提供的每一条反馈，智能体都会永远记住。下一次运行时，它的起点就是 90% 以上。 主持人： 这是一个非常重要的点。上下文窗口（context window）非常关键。如果没有注入正确的上下文，你得到的就是平庸的平均值。但如果充满了你们组织特有的成功案例，AI 就能给出独特且精准的输出。 Arnab Bose： 是的。这实际上提升了那些拥有「品味」的人的价值。他们可以用同样的时间处理更多的活动，质量更高，速度更快。理论上，企业可以从人力资本中获得更高的价值。 主持人： 我很喜欢英伟达的黄仁勋最近说的一句话：如果你用 AI 来裁员，那说明你缺乏想象力。 Arnab Bose： 没错。这就是「杰文斯悖论」（Jevons Paradox）。你应该能够利用现有的人力，去覆盖更多的市场、更多的受众，产生 4 倍甚至更多的影响。

技术选型：为何选择 Anthropic 与 OpenAI？

主持人： 很多人在拥抱 AI 时并没有获得指数级的回报，为什么？ Arnab Bose： 我们的观点是，虽然模型现在非常强大，具备深度推理能力，但由于缺乏足够的上下文来定制输出，结果往往很平庸。更糟的是，由于 AI 生成内容的速度极快，负责把控质量的人反而被海量的信息淹没了，工作效率不增反降。

作为 Asana 的产品负责人，我试图解决两个协调问题：第一，让 AI 的输出针对企业记忆进行高度优化，让它本身就是出色的。第二，确保人类提供的每一份反馈都能惠及整个团队，而不是散落在个人的笔记或提示词文档里。 主持人： 你们是如何与 OpenAI 或 Anthropic 这样的大模型公司合作的？ Arnab Bose： 我们的研发团队与最前沿的模型提供商保持紧密联系。在 Asana AI 中，我们同时使用 OpenAI 和 Anthropic 的模型。

特别是在这次推出的 AI 队友中，我们选择了 Anthropic 的 Opus 3.6 模型。在我们的测试和 Beta 阶段中，它的表现最为出色，推理能力非常强。 主持人： 为什么不只用一家？比如 Claude 似乎就是为办公场景设计的。 Arnab Bose： 技术在不断演进。我们在 Asana AI 的其他部分，比如摘要生成或简单的对话功能中，也会使用 OpenAI 的模型，因为它们在某些特定用例下更具成本效益或性能优势。我们要考虑结果返回的速度、确定性与非确定性工作流，以及成本。但在 AI 队友这个功能上，目前是由 Claude 驱动的。 主持人： 有考虑开源模型吗？ Arnab Bose： 目前没有。前沿实验室的产品在现阶段仍然具有显著的差异化优势。我们的策略是，信任这些实验室在推理能力上的持续创新，而我们将研发资源投入到我们擅长的领域：人机协作体验、工作图谱、共享记忆和深度集成。

智能体的未来：全能型还是专精型？

主持人： 关于 AI 智能体，目前人们最大的误区是什么？ Arnab Bose： 我认为最大的误区是，人们低估了让智能体产出优质结果所需的准备工作。看演示视频很容易，觉得 AI 幕僚长能搞定一切。但要让它变得可信、安全、高效且不产生废话，是非常棘手的。 主持人： 最后一个问题。未来我们是会拥有一个「全能智能体」来处理生活和工作的一切，还是在不同的界面中使用不同的专精智能体？ Arnab Bose： 我个人的哲学是，你会希望不同的智能体负责不同的事情，并且它们的记忆应该是隔离的。处理非确定性工作流时，如何百分之百保证个人生活信息不会泄露到工作中？

我的妻子也是一名记者。在 Asana 内部，有些敏感的非公开信息是我作为人类知道不能分享给她的，因为我能基于上下文做出判断。但 AI 智能体能否每一次都判断准确？这很难说。所以，保持智能体的独立性可能是更好的路径。 主持人： 很有道理。如果人们想了解 Asana 的 AI 队友，该去哪里？ Arnab Bose： 请访问 asana.com，所有的信息都在上面。 主持人： 好的，Arnab，非常感谢你参加我们的节目。 Arnab Bose： 谢谢，很高兴来到这里。