前沿｜AI 时代为什么需要全栈构建者？

这两年，很多公司对 AI 的第一反应是买模型、接 API、做一批 demo。可到了真正落地的时候，问题很快换了一个层面：模型已经足够强，企业却未必知道该把自己的数据、工具、业务判断和评测标准放在哪里。

这就是这期访谈值得看的地方。Microsoft CEO Satya Nadella 在 No Priors 与 Latent Space 的联合节目里，聊到 Microsoft Build、MAI 模型、GitHub Copilot 和企业 Agent，底层其实是一个更大的问题：企业怎样在 AI 时代继续拥有自己的控制权。

Satya 的回答不太像一次产品发布后的宣传口径。他反复讲私有评测集、多模型 harness、SaaS 的拆解、Azure 网络团队的 agentic 系统，以及 LinkedIn 正在试验的“全栈构建者”。这些词听起来偏技术，但放到商业语境里，指向同一件事：AI 把执行成本压低以后，价值开始转移到“谁能定义任务、组织上下文、验证结果、重新设计工作方式”。

微软想卖的，不只是模型

Satya 给微软 AI 战略定了一个很清楚的框架：平台的价值，要看它能让平台之外的人创造多少价值。

这句话听起来像微软过去几十年的老叙事。Windows 时代，Adobe、AutoCAD、NVIDIA 都在微软平台上成长；云计算时代，企业把自己的业务搬上 Azure；到了 AI 这一轮，微软想继续扮演类似角色。但 AI 平台比操作系统和云更麻烦，因为它直接碰到企业最敏感的资产：数据、流程、员工经验、客户关系，以及内部对“什么结果算好”的判断。

所以 Satya 没有把答案压在某一个模型上。他更在意的是企业能不能围绕模型搭出一套自己的系统。

在访谈里，他用 MAI 模型举例。微软内部关心模型的“干净血统”，也关心企业如何从一个基础模型出发，收集 trace，训练专家模型，构建自己的评测集。这里的重点不在于 MAI 是否马上追上所有前沿模型，而在于微软想把模型变成企业智能系统里的一个可替换部件。

如果企业只会调用某个模型，那企业的主动权在供应商手里。如果企业有自己的数据、工具、上下文和评测标准，它就能在模型变化时保留一部分判断权。

这也是 Satya 反复讲 harness 的原因。

所谓 harness，可以粗略理解成企业给 AI 准备的工作台。它把模型、数据、工具、权限、上下文和评测放到一起，让 Agent 能够做真实任务。GitHub Copilot 有自己的 harness，Security Copilot 有自己的 harness，Microsoft 365 Copilot 也需要自己的 harness。企业以后也会需要自己的 harness。

模型会越来越多，价格会变，能力会追赶。可如果企业没有这套工作台，它能做的事会被模型供应商和现成软件定义。

私有 eval 会变成新的公司资产

这一期里最值得产品团队和创业者拿走的概念，是私有 eval。

过去大家习惯看公开 benchmark。模型在某个榜单上提升几个点，就会带来一波传播。

Satya 的判断更直接：公开评测会被刷满，企业需要自己的评测集。

这已经进入商业控制权的范畴。

一家客服公司想知道模型是否能处理复杂投诉，一家律所想知道模型是否能发现合同风险，一家制造企业想知道模型是否能理解内部设备维修记录。这些问题不会由公共榜单回答。公共榜单能说明模型的通用能力，不能说明模型在某家公司内部是否真的可用。

Satya 提了一个很硬的测试：如果你今天使用模型 A，明天切到模型 B，还能在自己的评测集上持续提升，那你掌握了主动权。如果做不到，你只是把业务绑在某个模型上。

这句话对 AI 创业公司尤其刺耳。很多产品看起来像应用，实际只是某个模型能力的外壳。

模型一升级，外壳就被吸收；模型一降价，外壳的定价也被压扁。

私有 eval 的价值在于，它记录了公司自己的判断。哪些输出算合格，哪些失败不能接受，哪些边界必须守住，哪些任务可以交给 Agent，这些都比一句“我们用了某某模型”更像长期资产。

私有 eval 还会改变团队的工作方式。

以前产品经理写需求，工程师写代码，测试团队验收。AI 产品里，很多体验来自模型行为，单靠 PRD 很难写清楚。评测集会进入产品定义本身。

未来的企业 AI 项目，可能会先问三个问题：你的上下文在哪，你的工具权限在哪，你的 eval 在哪。

SaaS 不会死，但旧包装会被拆开

最近一年，关于“软件已死”的说法越来越多。很多企业看到 Agent 能生成工作流、页面和小应用，就开始怀疑：既然软件能现做，为什么还要继续买 SaaS？

Satya 的判断更克制。他没有说 SaaS 没价值，也没有否认企业会重新评估采购。

他把旧 SaaS 拆成几层：数据模型、业务逻辑、界面、配置。

数据模型和业务逻辑仍然有价值。很多 SaaS 公司多年积累下来的行业对象、字段、权限、流程和最佳实践，不会因为一个 Agent 会写页面就消失。真正被挤压的，是那些只是把界面和配置包装成“软件”的部分。

这会带来两个变化。

第一，企业会重新比较自建和采购。AI 让生成软件更容易，但维护、安全、责任归属仍然要付成本。一个 Agent 写出的内部应用，后续谁来修漏洞，谁来处理权限，谁来解释错误结果，最后仍然会回到组织账本上。

第二，SaaS 厂商需要把自己的系统变得更可拆、更可编排。

客户不一定愿意接受一个固定界面，但仍然需要底层数据模型和业务逻辑。能被 Agent 调用、能嵌入客户流程、能支持多种计费方式的软件，更容易留在预算里。

Microsoft 365 的 Work IQ 是一个典型例子。

过去，邮件、会议纪要、文档和代码仓库分别躺在不同产品里。Agent 出现后，这些材料突然可以组成公司内部的“工作数据库”。你可以让系统读取上周关于某个 GitHub 仓库的会议记录，再给出代码修改计划。

这类场景很难用旧软件分类解释。它既像搜索，又像办公套件，又像开发工具，还像内部知识库。AI 把软件边界揉开了，SaaS 的价值会从“卖一个完整系统”转向“提供一组可被调用的能力和语义模型”。

最先被放大的，是胶水工作

很多人谈 AI 生产力，第一反应是写代码变快。Satya 承认代码已经是最成熟的用例，但他更在意另一个区域：胶水工作。

所谓胶水工作，是组织里大量没人想专门命名、又每天都在消耗时间的事。整理信息，跨系统查资料，跟进任务，发邮件，读会议纪要，协调不同角色，确认进展，把碎片变成下一步动作。

这些工作过去很难自动化，因为它们不够标准，又依赖上下文。现在，长时间运行的 Agent 开始接近这个区域。

Satya 举了 Azure 网络团队的例子。过去 15 个月，微软建设的 Azure 容量超过此前 15 年总和，而且还是同一批人。他说这批人的工作已经被重新定义：他们不再只是做 Azure 网络运维，而是在搭一个能做 Azure 网络运维的 agentic 系统。

这句话很适合拿来理解未来的组织变化。

AI 不只是让一个人更快完成原来的任务。更大的变化是，人的工作对象从“做事”变成“设计做事的系统”。Azure 网络团队要处理光纤运营商、广域网、维护请求、设备故障、信息流转。如果每个环节都靠人手动推进，规模扩张会直接撞墙。Agentic 系统的价值，是把这些长期存在的碎片工作接起来，让人去处理更高层的问题。

企业 AI 落地里，胶水工作经常被低估。写代码是显性的，胶水工作是隐性的。可在大公司里，拖慢组织的往往不是某个功能写不出来；更常见的情况是，大量跨部门、跨工具、跨权限的工作一直在等待。

AI 最先释放的生产力，未必来自“少写几行代码”。它更可能来自一层又一层没人愿意承认的组织摩擦被拿掉。

全栈构建者不是万能工

Satya 在访谈里提到，LinkedIn 已经建立了一个新的角色，叫 full-stack builder。这个角色把设计、产品和前端工程更紧地放在一起。

这个说法容易被误解成“一个人要干所有活”。Satya 的意思更接近：角色边界会变宽，但专业能力不会消失。

未来仍然需要基础设施专家、科学家、分布式系统工程师。甚至在 Excel 这样的终端应用团队里，也会需要能搭 RLE 的基础设施人才。

原因很简单：AI 产品背后常常是一套训练、评测、数据、工具和权限系统，界面只是最外层。

同时，通才的杠杆会变高。一个有产品判断的人，可以直接做原型；一个懂前端的工程师，可以更早参与需求定义；一个设计师可以用 AI 把交互想法跑成可体验版本。过去需要多个角色反复转译的工作，现在可以由更小的团队完成第一轮验证。

全栈构建者的价值，在于跨层判断。

他知道用户问题在哪里，知道模型大概能做什么，知道数据和权限可能卡在哪，知道怎样用 eval 检查结果，也知道把一个想法做成可被用户理解的界面。AI 把很多执行动作变便宜以后，这种跨层判断会更值钱。

对个人来说，这比“学会某个工具”更重要。工具会换，模型会换，界面会换。更稳定的能力是：能不能把一个模糊问题拆成可验证的任务，能不能组织 AI 帮你跑出第一版，能不能判断结果是否值得继续。

科技公司必须交出真好处

这期访谈最后一部分，Satya 花了不少时间讲社会影响。相比前面技术和商业策略，这段更像是他对 AI 政治风险的判断。

他的态度很清楚：科技公司不能再只说“相信我们”。

AI 牵动的经济体量太大，社会会天然保持怀疑。公司必须交出可感知的好处。

这个判断和微软正在建设的数据中心有关。数据中心会影响能源、水资源、地方就业、税基和社区关系。如果大公司只说这些基础设施会带来未来收益，却让当地居民感受到电价上涨、水资源紧张、工作机会没有落到本地，那所谓 AI 未来很快会变成反弹。

Satya 说得很直白：要让普通人觉得自己是新经济的一等公民。

这不只是公关任务，也会反过来影响 AI 的商业空间。医疗效果是否改善，本地小店是否更好经营，普通人是否能用 AI 创业或学习新技能，教育系统是否能提供新的路径，这些都会影响社会对 AI 基础设施和科技公司的容忍度。

从商业角度看，这是 AI 公司下一阶段绕不开的问题。

模型能力越强，越需要社会许可。数据中心建得越多，越需要地方社区看到回报。企业 AI 越深入工作流程，越需要员工相信自己没有被单方面推到成本项里。

如果科技公司交不出这些真好处，监管、舆论和地方政治都会成为 AI 业务的成本。

最后

这期 Satya Nadella 访谈，最值得记住的不是某个单点发布。它给出了一套看待企业 AI 的方式。

企业买模型只是起点。更重要的是，它有没有自己的上下文、工具、权限、私有 eval 和 harness。没有这些，AI 项目会长期停在 demo 和供应商依赖里；有了这些，模型升级才可能变成公司自己的能力升级。

对 SaaS 公司来说，旧的完整包装会被拆开，底层数据模型和业务逻辑还值钱，但界面、配置和交付方式都要重新设计。

对个人来说，全栈构建者会变得更重要。未来稀缺的能力，会从“让 AI 写代码”转向“定义一个值得做的问题，组织 AI 跑出结果，再判断这个结果是否能进入真实工作”。

Satya 把微软的下一幕讲成“让每家公司都能拥有前沿智能”。这句话当然带着微软的平台野心。但换个角度看，它也给了所有公司和个人一个提醒：AI 时代的竞争，不会只发生在模型排行榜上，也会发生在每个组织自己的工作台上。

参考资料

1. No Priors × Latent Space, 2026-06-04, The Rise of the Full-Stack Builder and Hyper-Leveraged Generalist with Microsoft CEO Satya Nadella。

2. Apple Podcasts, No Priors: Artificial Intelligence | Technology | Startups, The Rise of the Full-Stack Builder and Hyper-Leveraged Generalist with Microsoft CEO Satya Nadella。

3. Microsoft Build, 2026, Satya Nadella keynote and Microsoft Build announcements。

4. Microsoft, Microsoft AI Foundry 产品与开发者文档。

5. Microsoft, Microsoft 365 Copilot 与 Work IQ 相关公开产品资料。