每天 500 万次 MCP 调用，让我们看到了 Agent 到底是如何被真实使用的

如果说过去一年，大家谈 AI Agent 时还更多停留在“概念”“演示”和“想象”里，那么 Atlassian 最近披露的一组数据，已经让这个话题变得更具体了。

不到六个月前，Atlassian Rovo 的 MCP Server 正式 GA，让 Claude、Cursor 以及其他主流 AI Agent 可以直接接入 Atlassian 的工作系统。如今，每个月已经有超过 100 万用户通过它使用 Agent 完成真实工作。

但真正值得关注的，并不是“100 万用户”这个数字本身，而是这些用户到底在用 Agent 做什么。

从 Atlassian 的数据来看，AI Agent 已经不只是一个问答助手，也不只是一个帮你搜索信息的工具。它正在进入企业工作流，开始创建任务、更新状态、记录决策、连接上下文，甚至参与到团队协作系统本身。

换句话说，Agent 正在从“旁观者”变成“协作者”。

Agent 不只是看工作，而是在做工作

目前，Atlassian 的 MCP Server 每个工作日会产生超过 500 万次工具调用，而且这个数字还在逐月增长。

这些调用背后，并不是简单的信息查询。Agent 正在创建 Jira 工作项，更新任务状态，记录决策，把工作和相关对话连接起来，帮助团队理解一项工作为什么重要、从哪里来、下一步要去哪里。

这意味着，Agent 已经开始真正参与企业的工作系统。

过去，我们更容易把 AI 想象成一个“聪明的助手”：你问它，它回答；你给它任务，它生成内容。但在真实企业场景中，更有价值的变化是：Agent 可以直接嵌入工作流，并对系统产生可追踪、可沉淀的影响。这些 Agent 已经不只是观察工作系统，它们正在参与其中。它们更像是拥有提交权限的队友。

最积极使用 Agent 的人，不一定是工程师

很多人可能会以为，MCP 这种能力最主要的用户一定是工程师。毕竟，它和工具调用、上下文协议、代码协作、任务系统高度相关。

但 Atlassian 的数据给出了一个很有意思的结果：44% 的 MCP 用户并不在软件团队，而且这个比例还在持续上升。与此同时，C-level 高管和产品经理使用 MCP 的强度，并不低于工程师。

这其实很合理。

在企业里，越是需要跨工具、跨团队、跨决策做综合判断的人，越容易被工作流碎片化拖住。高管、产品经理、运营负责人、项目负责人，他们每天要在 Jira、Confluence、Slack、Google Drive、Figma、邮件和会议记录之间来回切换，寻找背景、对齐信息、追踪决策。

对他们来说，真正的痛点并不是“不会写代码”，而是上下文太分散。

这也是 Agent 的价值开始扩展的地方。它不再只是工程师的效率工具，而是任何知识工作者连接上下文、理解工作、推进协作的入口。

真正有价值的不是模型本身，而是组织上下文

Atlassian 反复强调了一个概念：Teamwork Graph。你可以把它理解为一个组织级的上下文网络。它把工作、人员、知识、代码，以及各种 SaaS 工具中的信息连接起来，让 Agent 不只是看到一个孤立的 Jira ticket，而是能理解这个 ticket 背后的项目、文档、讨论、决策和相关人员。

很多企业在讨论 AI 时，第一反应仍然是：我们该用哪个模型？该买哪个 AI 工具？但在真实工作场景里，模型能力只是基础。真正决定 Agent 能不能做好工作的，是它能否理解组织内部的上下文。

一个 Agent 如果只看到一条任务描述，它能做的事情非常有限。但如果它同时知道原始需求文档在哪里，相关的 Confluence 页面写了什么，Slack 里谁调整过范围，代码仓库里哪些改动与它有关，那么它就能给出更准确、更有用的行动建议。

这也解释了为什么 Teamwork Graph 不只是一个数据层，而更像是组织的共享大脑。

每一次写入，都会让系统变得更聪明

在所有 MCP 工具调用中，接近三分之一是写入操作。

这意味着，Agent 不只是读取信息、消费信息，它还在创造结构化数据。

比如，它可以创建新的工作项，更新任务状态，补充评论，关联文件，把一个新 ticket 连接回触发它的 incident。这些动作都会把新的上下文写回系统里，成为下一次 Agent 工作时可以使用的组织记忆。

这和传统软件集成有很大不同。过去，很多集成只是把 A 系统里的数据同步到 B 系统，或者让用户少切换几个页面。但 Agent 的写入行为会持续丰富组织上下文。使用越多，系统中的关系越清晰；上下文越丰富，Agent 的回答和行动越准确；体验越好，用户就越愿意继续使用。

这就形成了一种复利效应。AI 不只是从企业系统中“拿走”信息，它也开始反过来完善企业的知识和工作系统。

为什么大企业反而走得更快？

通常情况下，新技术的早期采用者往往来自小团队、创业公司，或者高度技术化的组织。大企业因为流程复杂、权限严格、系统众多，通常会慢一些。

但 Atlassian 观察到，超过 50% 的 MCP 月活用户来自企业客户。这看起来有点反常，但其实很好理解。组织越大，工具越多，协作链路越长，信息就越容易碎片化。一个决策可能藏在会议纪要里，一个背景文档可能在 Google Drive，一个范围变更可能发生在 Slack，而真正执行却落在 Jira 里。

对大企业来说，“协调成本”本身就是巨大的隐形负担。因此，一个能够连接不同工具、理解不同上下文、并在权限体系内安全执行动作的 Agent，对大企业的价值反而更明显。

当然，企业愿意采用的前提是安全和治理。Atlassian 强调，Rovo MCP Server 从设计上就是面向企业环境的：由 Atlassian 托管，使用 OAuth 保护，遵守现有权限体系，管理员可以控制哪些 AI 客户端能够连接，也可以完整审计 Agent 做了什么。

这说明，AI Agent 真正进入企业，不只是能力问题，更是治理问题。

更丰富的上下文，也意味着更低的成本

很多人可能会把 MCP 理解成一种“更方便地读取 Jira ticket 的方式”。但这显然低估了它的意义。

当 Agent 获取一个工作项时，真正有价值的是它能同时找到那些相关但没有被显式链接的信息：原始需求文档、背景研究页面、范围变更讨论、相关代码、历史决策记录。

这正是现实工作中的问题：人类并不总是认真建立链接。

我们知道很多信息之间有关联，但并不会每次都把它们明确标出来。一个项目为什么改方向，可能只有某个 Slack 线程里提到过；一个功能为什么这样设计，可能散落在 Figma 评论和 Confluence 页面中；一个 bug 的真正来源，可能藏在某次事件的复盘里。

如果 Agent 每次都要自己临时探索这些关系，就会消耗大量 token，也更容易出错。而预先建立好的组织上下文网络，可以让 Agent 更快、更准、更省成本地理解工作。Atlassian 提到，基于 Teamwork Graph 上下文的 Agent，可以用少 48% 的 token，带来高 44% 的回答准确率。

这背后的启示是：AI 时代的效率，不只来自更强的模型，也来自更好的上下文结构。

另一个值得关注的指标是：每一个用户的留存率都在上升。这比单纯的使用量更重要。很多 AI 产品在早期都会有很高的尝鲜流量，但用户试过几次之后就不再回来。真正能证明价值的，是用户是否把它纳入自己的日常工作方式。

从 Atlassian 的观察来看，客户正在把 MCP 嵌入实际工作流中，而且使用入口也越来越多。用户不一定只在 Atlassian 产品里使用它，也可能通过 Figma、ChatGPT 或其他 AI Agent，在自己已经习惯的工作场景中调用组织上下文。

这意味着，未来的企业 AI 体验可能不再是“打开一个 AI 应用”，而是无论你在哪里工作，组织上下文都能跟着你走。

Agent 的下一步：从执行任务到主动编排工作

基于这些使用数据，Atlassian 也开始把 MCP 能力进一步扩展到多步骤工作流中。一个 Agent 不再只是完成单点操作，而是可以在一个连续流程里创建工作项、附加文件、找到负责人、编辑评论，并把新任务关联回原始事件。

这代表了 Agent 演进中的一个重要方向：从单次响应，走向多步骤执行；从被动调用，走向主动编排；从回答问题，走向推动工作完成。

当然，这也对企业提出了更高要求。如果 Agent 要参与真实工作，就必须有清晰的权限边界、审计能力、上下文质量和治理机制。否则，Agent 做得越多，风险也可能越大。

因此，企业真正要做的不是只买 AI 工具，要建设上下文能力。未来真正有竞争力的组织，不只是拥有更强 AI 工具的组织，而是拥有更好上下文系统的组织。

当工作、知识、人员、代码、决策和工具之间的关系被连接起来，Agent 才能真正理解组织如何运转，并在合适的权限和流程中采取行动。

对企业来说，这至少带来几个启发：

第一，知识管理不再只是内部管理问题，而会直接影响 AI 能力。

第二，文档、任务、评论、决策记录这些看似基础的东西，会成为 Agent 工作质量的底层燃料。

第三，AI Agent 的采用不会只发生在研发团队，它会扩展到产品、运营、管理、人力、财务等所有知识工作场景。

第四，企业需要尽早建立 AI 使用的权限、审计和治理机制，因为 Agent 一旦开始写入系统，就不再只是一个“聊天工具”。

如果过去几年，企业 AI 的关键词是“生成内容”，那么接下来很可能会变成“连接上下文”和“推动执行”。

每天 500 万次 MCP 工具调用说明了一件事：AI Agent 正在从演示场景进入真实工作系统。而真正决定它能走多远的，不只是模型有多聪明，而是组织能否为它提供足够清晰、可信、可行动的上下文。