AI应用层的无头工具形态、代理分工与定价转型——Zapier联合创始人兼CEO Wade Foster访谈要点梳理（Cognitive Revolution，2026-09-17）

——据Cognitive Revolution节目《No Code Is Code: Zapier CEO Wade Foster on Headless Tools, Zapier MCP & Automation Bench》（2026-09-17）整理

摘要：本文对Cognitive Revolution节目主持人Nathan Labenz专访Zapier联合创始人兼CEO Wade Foster的主要观点进行了梳理汇总。梳理了Foster关于知识工作者选定“日常主驾”、应用层转向无头工具的判断，介绍了AutomationBench的测试情况、代理与确定性代码的分工以及其对竞争格局与定价模式的看法，最后阐述了企业内部AI转型的瓶颈与token支出治理。据其介绍，AutomationBench约600项任务上新模型Astra的准确率约为40%，客户交给代理的场景中约八成应由确定性代码完成，个别工程师每月token支出达3万美元。

关键词：企业代理；分发渠道；席位制定价；按量计费；企业采用；Zapier；Wade Foster；AutomationBench

一、应用层形态由SaaS转向无头工具

Foster认为多数知识工作者已各自选定一个日常主驾工具，应用层的取胜策略在于以“无头”方式把自身能力接入这一主驾。

（一）用户选定日常主驾

据节目介绍，Foster距其上次做客约18个月，当时的口径是40万客户已通过Zapier把超过1亿项任务交给AI，此后Zapier补齐了代理、聊天机器人、MCP服务器、SDK与护栏产品。Foster表示，18个月前业内尚不清楚AI体验将以何种形态起量，是渗入已有产品、出现新产品，还是由实验室直接做出来。从Zapier自身用量看，多数人各自选定了一个日常主驾工具，如Claude Code、Cursor或ChatGPT，并在其中完成多数工作，Zapier MCP这类把用户上下文与数据带进主驾的工具由此成为知识工作的走向。

他将市场划分为两派：一是仍希望把用户拉到自身平台上搭建代理；二是像Salesforce那样宣称“无头”，随用户把能力带到任何地方。他认为后者是取胜策略，因为这既是用户作为工具消费者的诉求，也是增长所在；第三方应用与工具仍有空间，但要进入用户的日常工作流，就必须接入核心主驾。他本人的主驾是Cursor，Zapier内部有一个多数员工在用、带MCP的harness，他将其接入Cursor使用，该harness以虚拟文件系统充当上下文层，上面挂载自动化与可部署的应用。

（二）横向层的价值与模型公司的局限

主持人转述Tasklet的Andrew Lee的观点：长期只有三类软件公司存活，各方实际都在做同一件事，即给模型套上“机甲”的横向层，这类公司数量不多但价值很高，因为没人想被一家模型绑定。Foster认同后一点，理由在于模型的性价比分化：在AutomationBench上，新模型Astra取得约40%的任务准确率，为榜单新高，而Gemini 3.7以很小一部分成本取得接近的表现，组织需要在“这类任务用便宜模型即可全部做对、那类任务须换前沿模型”之间取舍，因此需要能按工作流切换模型的工具。

他将当前十年与上一个十年对照：一是上一个十年是SaaS爆发，当前是无头工具的爆发；二是harness自身即可造出部分工具，“自建”选项比过去容易得多，但能造与该造是两回事，自建意味着承接维护、可靠性与在线率；三是应用层仍有大量创新尚未发生，模型公司占有先手，但会受制于一个结构性问题，即它们不能销售彼此的token，也不能销售开源模型的token，因此需要第三方来统筹市面上的全部能力。

二、代理与确定性代码的分工

Foster认为当前模型在跨部门知识工作任务上仍有较大提升空间，代理的合理用法是在确定性工作流中只对需要推理的环节调用AI。

（一）AutomationBench的任务设计

AutomationBench的任务横跨营销、销售、人力与运营，约600项。Foster举例称：“我们刚签下Meridian Core平台的单子，把它标成赢单，按路由规则发到对应团队的赢单通知，去账户层级表核对账户级别，必要时换算货币，再查有没有未关闭的支持升级。”他表示模型在变好，但基准远未饱和。主持人认为签单属于低频事件，Foster指出这类流程在公司里每天发生甚至一天多次，部分面向消费者的公司每秒发生多笔购买，人不可能置于环中，只能依靠自动化。

（二）八成代理场景应由确定性代码完成

Zapier的目标是确保代理配合Zapier使用时，基准得分高于裸模型。其路径是用户在主驾中要求“去搭一个工作流”，调用Zapier MCP完成搭建，部分环节直接写代码完成，以获得确定性、更低成本与更高可靠性，只在真正需要推理之处调用AI或建立代理。

据其介绍，从客户对代理产品的用法看，八成场景实际应使用传统的确定性代码，AI只应推理需要推理的部分。他认为这一格局短期内不会改变：一是部分工作确定性代码始终更可靠、更便宜；二是部分工作确定性代码无法完成，才需要“机器里的幽灵”；三是正确做法是教会代理自行判断使用哪种工具，每次都从头到尾以代理方式运行是一种浪费。主持人询问把Zapier接给Claude能将40%提升至多少、节省多少token，Foster表示这正是AutomationBench v2要回答的问题，即给模型配上工具后，分数、成本与速度各能改善多少，这是应用层可以施展的空间。

（三）无代码的演变与数据优势

Foster认为“无代码”的提法已经过时，“新的无代码就是代码”，因为AI梳理逻辑比人快得多。其变化主要有三方面：一是工作流可视化仍有价值，用于核对“这东西是否在做我想要的”，也可作为可分享的文档；二是旧式的方框拖拽已让位于对代理说话、由其修改，出错时由代理排障，通过推理修复工作流或单次运行，代理接管了人的搭建与维护角色，实际运行的仍是一条确定性工作流，AI只嵌在必要位置；三是排障采用多代理并行，Zapier内部运行的自动邮件项目会启动5个独立代理评估同一故障，4个结论一致时多半即为真因，人工审核只做点赞或点踩并写明原因，原因回流进系统循环迭代。

在护城河问题上，他将其归于15年的自动化数据与接入各类系统的连接，用这些数据做出模型单独做不到的产品，在位者只要能用好自家数据便具备优势。例如把Gmail接入后，模型写邮件自然变好，因为它看到了用户的写法，用户几乎无须调优。

三、竞争格局与需求开发

Foster认为前沿实验室已是大型科技公司，难以包办所有产品；多数公司真正面对的挑战在于用户尚不知道如何使用AI工具。

（一）竞争格局

主持人列举了三类竞争对手：前沿实验室、Composio等“统合工具”新参与者，以及Salesforce这类拥有数据与资源的在位者。Foster援引Paul Graham在YC时的说法：当年创业者常问“谷歌（Google）做了怎么办”，实际面对的往往是对方一位想升职、干两年就走的中层产品总监，Larry与Sergey本人并不会下场。他表示，OpenAI与Anthropic如今就是大型科技公司，会把模型做到顶尖，其他地方也会有好产品，但它们造不了所有东西。

他指出，眼下确实存在一片“千篇一律的海”，人人都在做所有东西；另一方面，普通AI用户坦言并没有用AI做多少事，多数人只在谷歌搜索的默认位置用过Gemini，或在公司里用过微软（Microsoft）Copilot。基于此，他认为多数公司真正的对手是人们还不知道拿这些工具做什么，同行之间的较量在其次。据其介绍，自动化市场比15年前创业时设想的大几个数量级，可能大一千倍，大量客户并不知道主持人列举的那些竞争对手。

（二）自动化推荐

主持人坦言，他五年前预期经济中的做事方式会大幅增加，模型公司收入确实爆发，但生活基本照旧，家人朋友用ChatGPT做餐单、规划假期，远未用到Astra级别的能力。Foster表示，Zapier多年来的一个难题是推荐，即告诉用户该拿它做什么；他若坐在用户身旁看一天工作，能立刻列出六件对方会接受的自动化，难点在于把这种体验做进产品。

他今年年初开始为自己运行一条每周自动化：通过API收集Gmail、Slack、浏览器与Cursor中的事件流，每周提示“注意到你做了这个和这个，建议搭这样一个工具”，他回复“去做”或“加个改动再做”。一两个月后，很多事已在自动运行，即便其中不少是他本就知道该做的，打动他的是“我看见你在这里做了这件事”的具体性。Zapier多数员工都有类似设置，他表示很可能以某种形态产品化给客户。主持人指出这条路要求客户先接入所有平台，屏幕录制只需一次安装；Foster表示Zapier擅长API，这是自然形成的实验，理想体验应用上所有可用工具。

四、定价由席位转向用量与结果

Foster认为席位定价已经或即将失效，定价将转向用量计费或结果计费，选择取决于产品与可界定结果之间的距离。

（一）定价模式的转型

Foster表示，席位定价基本上“已死或将死”，个别小领域或许仍说得通，但当智能成为产品体验的核心时，固定席位缺乏道理，定价终将落到用量计费或结果计费。一是商品化路线更接近用量计费，即Sam Altman所说的“做一个公用事业，智能随取随用”；二是更面向企业的产品会尝试按结果收费，客户支持工具已按解决的工单计费，因其成功有清晰界定，产品若能有一个各方认可的固定结果即是优势；三是多数产品眼下离真正交付结果还差一两步，只交付了结果的一部分，因而被拉回用量计费。无论哪种方式，都是一个运转的计费表在出售某种份额的“工作”，企业需要开始考虑“工作的预算”。

（二）模型公司套餐与API的价差

主持人提出，Claude Max或OpenAI Pro套餐用满时获得的token，与同等金额通过API购买的token相比约为20比1，第三方增值服务因此难以竞争，并询问是否需要“token对所有人同价”的规则。Foster倾向于自由市场，认为公司有权定价；同时表示很多人经历过、现在仍在经历微软如何以捆绑把更好的产品挤出市场，何为垄断行为由各国自行判断。他的职责是按规则竞争、找到自身优势，不怪任何公司动用工具箱里的手段，并表示值得观察的是谁愿意咬牙承受、谁坚持了自由市场原则。

五、企业内部的AI转型与token支出治理

Foster认为员工普遍使用AI之后，转型的瓶颈转向岗位、薪酬与重新培训等人的问题，token支出治理宜先建立可见性、再设预算。

（一）AI转型的阶段与组织分工

Zapier把AI转型交给首席人力官Brandon。主持人询问这与此前“AI是每个人的事”的提法是否矛盾，Foster表示二者取决于阶段与问题：一是第一阶段为全员上手，不设AI委员会，ChatGPT发布一年左右后，员工几乎100%在日常使用AI，技术采纳已经过关；二是下一阶段要把个人的成功推广到公司级生产工作流，问题开始转向人，包括改写岗位说明、重新设计薪酬、某组不再需要而另一处需要增员、如何把具备部分技能的人重新培训到新技能；三是人力官恰好擅长这些，换成首席营销官或首席产品官也可以，他不建议其他公司照搬“必须是人力官”。

内部沟通上，Zapier一贯奉行默认透明，随规模扩大部分工作滑入私密频道与私信；促使其纠正的另一原因是代理在能看到Slack上下文时有效得多，高管团队为此开展了一场把沟通放进公开频道的友谊赛，不设考核。人事事件与进行中的安全漏洞仍私密处理，但他认为多数人高估了需要私密的事项，也低估了人和代理都能看到公司全部上下文时的作用。

（二）安全

Zapier持有大量用户凭证已有15年。Foster表示，变化在于现在有Mythos级别的安全模型能耐心地逐个漏洞往下找，每个软件项目都有漏洞，区别只在是否被找到，模型让发现与修复都变得更容易，聪明的公司会同时用于攻防。他认为Hugging Face事件如同科幻小说，并判断多数公司将经历一次性投入、重新适应，再回到攻防的稳态。他希望尽早获得前沿能力，主持人认为进入早期访问名单将成为保管凭证公司之间的差异点。

（三）token支出与组织形态

主持人提及有工程师一个月花费3万美元token。Foster表示那几位属于异常值，但促使公司建立了自我约束工具：一是目前未给个人设预算，员工能看到自己的花费，以及同一工作流选用强模型与便宜模型的成本差；二是看到有人花费很多时，第一反应是询问其在做什么，有人产出高得惊人，有人混杂着有效用量与“这件事不必用Fable或Astra”的用量，在接近800人的组织里这是一项教育工程；三是他预计token预算会成为现实，并按AI熟练度分配，懂得从token中获得更高产出的人获得更高预算，具体落地仍在摸索。

组织形态上，他表示团队一方面看起来与过去相似，工程、设计、产品都在；另一方面，经典的工程、设计、产品（EPD）三件套基本没了，管理层级压平，强管理仍然关键，只是每位经理能管理更多人；人人都是自己的数据分析师，分析师人数减少，但从事更高价值的工作。他将方向描述为团队转向“造工厂”，如软件工厂、支持工厂，由工作流处理内环、由人设计工厂；工厂里处处有“AI还不够好，这里要人”的环节，但每次模型发布、每轮内部学习循环都在削减一部分。

总的看，Foster认为知识工作者已各自选定日常主驾，应用层的机会在于以无头工具接入主驾、统筹多家模型能力；代理应嵌入确定性工作流、只在必要环节推理；定价将由席位转向用量与结果；企业AI转型的重心已从技术采纳转向岗位与组织重塑，token支出将逐步纳入与熟练度挂钩的预算管理。