Zapier CEO：80% 的智能體任務本該用確定性代碼
Wade Foster 說客戶用 agent 幹的事裡 80% 其實該用老式確定性代碼；no code 已經過時，新的 no code 就是 code。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
知識工作正在搬進個人的日常工具
Foster 復盤過去 18 個月最大的認知變化：大多數人已經選定了一個日常 AI 工具——可能是 Cursor、Claude Code 或 ChatGPT——工作主要在那裡發生。因此把上下文和數據送進這個日常工具（比如 Zapier MCP 這類 MCP server）才是知識工作的走向。他把市場分成兩派：一派想把人留在自己平臺上建 agent，另一派像 Salesforce 那樣做 headless、隨你帶到哪裡用。他明確認為後者是贏的策略，因為那正是工具消費者想要的，也是增長所在。
— Wade Foster最強模型只做對四成自動化任務
Zapier 的 Automation Bench 用約 600 個真實知識工作任務測模型，例如「剛簽下 Meridian Core 平臺合同，按路由政策標記為贏單並轉給對應團隊，從賬戶層級表確認賬戶，必要時換匯，檢查是否有未結支持升級」。Foster 說新出的最強模型準確率約 40%，是當前最高，但比 Gemini 3.7 貴得多，於是形成一條「為增量性能付多少錢」的曲線。他強調這個 benchmark 遠未飽和，而 Zapier 要證明的是：把 Zapier 裝到 agent 旁邊，輸出會好過單用模型。
— Wade Foster80% 的 agent 任務該用確定性代碼
Foster 的核心判斷：客戶用 agentic 產品做的事裡，絕大多數——他給的數字是 80%——其實應該用老式的確定性代碼。做法是讓 agent 先判斷哪些環節寫代碼（成本更低、可靠性更高），只在真正需要推理的地方調用 AI 或建 agent。他承認模型會越來越好，但很難想像一個世界裡確定性代碼不再更可靠、更便宜。同時他保留可視化：人仍然需要看到工作流長什麼樣，用來驗證「這是不是我想讓它做的事」，也當文檔用。
— Wade Foster真正的對手是那個兩年後跳槽的產品總監
被問最該擔心哪類競爭者時，Foster 搬出 YC 時 PG 的話：當年問的不是「如果 Anthropic 或 OpenAI 做了你怎麼辦」，而是「如果 Google 做了怎麼辦」，而 PG 想灌輸的是——你很少直接和 Google 對打，你面對的是一個想拿晉升、待兩年就走的中層產品總監。他說 OpenAI、Anthropic 現在已是大廠，模型上會最強，但不可能什麼都做。另一面，普通 AI 用戶其實什麼都沒做，可能只用過 ChatGPT 或 Gemini，所以大多數公司的競爭不是彼此，而是「人們到底知不知道拿這些工具幹什麼」。
— Wade Foster讓 AI 盯著你幹活，替你找自動化機會
Foster 認為最難的一直是推薦：該拿這東西幹什麼。他今年開始跑一個工作流，讓 AI 去看自己在 Gmail、Slack、瀏覽器、聊天裡的日常操作，然後告訴他「你該換個做法」。多數 Zapier 員工的做法是把工具接進 Zapier MCP，每週跑一次自動化，收集一週的工作信號，給出「你做了這個和這個，這裡有個工具建議你建」。他說一半的仗只是讓你對某個建議產生反應——想法不需要完美，五成好就夠啟動頭腦風暴。他確認這很可能被產品化。
— Wade FosterAI 轉型的瓶頸從技術變成了人事
Foster 說第一階段是全員 AI 熟練度，一年內幾乎 100% 員工每天用 AI，技術採用不是瓶頸。之後問題變成：怎麼把個人的成功變成公司級的生產級工作流，於是挑戰越來越像人的問題——重寫崗位描述、重想薪酬、團隊重組、把不需要的組的人再培訓到需要的組。當時的人民官 Brandon 擅長這些，團隊也走在前沿，所以讓他去幫全公司。Foster 強調這不是「必須由人民官來管 AI」的觀點：換 CMO 或 CPO 也可以，關鍵是看你的瓶頸在哪，再找對的人。
— Wade Foster有人一個月燒三萬美元 token
Foster 說有個別工程師每月在 token 上花三萬美元，屬於離群值。Zapier 目前沒有給個人設預算，但做了工具讓人看到自己的花費、看到選強模型和便宜模型在不同工作流上的成本差。看到有人花得特別多，第一反應是去聊：「你在幹什麼，我很好奇。」結果有的在做極其高產的事，有的則是把 Fable 或 Astro 用在了不需要的地方。他預計 token 預算最終會成為真事，AI 熟練度的一部分就是有人拿到更高預算，因為更會用。
— Wade Foster用 AI 不是問題，低質量才是
Foster 說他不反對員工用 AI 寫溝通，真正的問題是低質量溝通：低判斷力的人能極快地生產大量低質內容，淹沒讀者。他給的幾條準則：你要為發出去的東西負責，作者花的時間應該多於讀者讀的時間；你要理解自己發的東西，被追問時不能答不上來；把請求寫明確，要決策、要反饋還是標成草稿；核實細節，因為 AI 會幻覺，也可能拉出三個月前的舊項目當相關材料，摘要的摘要層層傳下去就變成錯誤信息。他還點名了那套 AI 腔——「不是這個，是那個」、破折號、honest truth、load-bearing point。
— Wade Foster原話 · 已逐字校驗
I definitely think that latter is the winning strategy
我確實認為後一種（headless，隨你帶到哪裡用）才是贏的策略。
Wade Foster5:21
the idea of building a no code, it, it feels antiquated to me. It's like the new co- no code is code
做 no code 這件事在我看來已經過時了。新的 no code 就是 code。
Wade Foster18:01
the vast majority of what people are using an agent for, 80% in fact, they probably should be using actually old fashioned deterministic code
人們用 agent 做的事裡絕大多數——事實上 80%——大概都該用老式的確定性代碼。
Wade Foster23:02
you're going toe-to-toe with a potential mid-level product director who's trying to get a promo- promo, might be there for two years and then bounce
你在對打的是一個想拿晉升的中層產品總監，他可能待兩年就跳槽。
Wade Foster30:34
most of us, our competition isn't each other. It isn't the, the tools that you talked about. It's do people actually know what to do with these tools yet?
我們大多數人的競爭對手不是彼此，也不是你提到的那些工具，而是：人們到底知不知道拿這些工具幹什麼？
Wade Foster30:34
You need to look at what are your bottlenecks, what are your constraints, and go identify the person who is the right fit for that job
你要看自己的瓶頸和約束在哪，然後去找適合那件事的人。
Wade Foster46:09
using AI is not the problem. It's like low quality. That's the fight at the end of the day
用 AI 不是問題，低質量才是。說到底要打的是這一仗。
Wade Foster55:46
數字與實體
| Automation Bench 最強模型任務準確率 | 約 40% | 10:20 |
| Automation Bench 任務數量 | 約 600 個 | 10:20 |
| 客戶 agent 使用中本應用確定性代碼的比例 | 80% | 23:02 |
| Zapier 員工每日使用 AI 的比例 | 接近 100% | 46:09 |
| Zapier 員工規模 | 接近 800 人 | 55:46 |
| Zapier 持有客戶憑證的年限 | 15 年 | 55:46 |
術語
- MCP模型上下文協議
- 把外部工具和數據接進 AI 日常工具的接口標準。
- headless無頭
- 產品不要求用戶留在自己界面裡，能力可被帶到任意工具中調用。
- Automation Bench自動化基準
- Zapier 用真實知識工作任務測各模型自動化能力的評測集。
- PangramAI 文本檢測工具
- 判斷一段文字由 AI 生成概率的檢測器。
- harness外殼/駕馭層
- 包在模型外面、提供上下文與工具調用的日常使用界面。
收聽指南
正在做 agent 或自動化產品的創業者、評估模型性價比的工程負責人，以及要推動公司內部 AI 落地的管理者。
贊助商口播與結尾推薦語可跳過，其餘部分信息密度均勻。