这集讲什么
Tenex 认为，企业迈向 AI 原生的关键不是多买一个模型，而是把工程决策、业务流程、数据权限和成果衡量都改造成智能体能够参与的系统。
1-3要点
- AI 原生是一套组织能力：模型、流程、权限、评估和责任归属必须共同改变。
- 按产出计酬比按工时更贴近 AI 杠杆，但「产出」越来越难用单一故事点表示。
- 可持久化的决策上下文，是智能体参与长期工程任务的重要条件。
0:00 / --:--
Latent Space · 10 月 20 日
Tenex 认为企业迈向 AI 原生的关键不是多买模型，而是把工程决策、业务流程、数据权限和成果衡量都改造成智能体能参与的系统。
Tenex 认为，企业迈向 AI 原生的关键不是多买一个模型，而是把工程决策、业务流程、数据权限和成果衡量都改造成智能体能够参与的系统。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
No Priors· 2026-10-29挑战 ServiceNow：面向我们普通人的编程智能体，与 Serval 联合创始人兼 CEO Jake Stauch 对谈Taking on ServiceNow: Coding Agents the Rest of Us with Serval Co-Founder and CEO Jake Stauch同主题：AI 编程
Latent Space· 2026-10-02学术界是为有雄心的人准备的——MIT 的 Alex ZhangAcademia is for Ambition — Alex Zhang, MIT同主题：AI 编程Latent Space· 2026-07-28Codex 从 0 到 10M 用户：打造 ChatGPT Work——Akshay Nathan，OpenAILatent Space
AI for the Fortune 2000: How Tenex Builds an AI-Native SDLC — Alex Lieberman & CJ Hess
YouTube
音频
Tenex 最初以 AI 辅助软件开发服务切入市场，如今将自己定位为大型企业的「应用 AI 合作伙伴」：既帮助工程团队使用编码智能体，也参与非工程业务的智能体部署与权限基础设施建设。本集在 AI Engineer 活动现场录制。Alex 主要谈商业模式与企业客户需求；早期加入公司的 CJ 则解释内部工程工作流，以及智能体进入生产环境时遇到的实际障碍。
这集的主线，是 Tenex 如何从「用 AI 更快写代码」，走向「帮企业重建交付工作的方式」。CJ 早年按小时收费做工程咨询，发现自己借助 AI 做得越快，收入反而越少；Tenex 因而尝试按产出而非工时奖励工程师。但模型能力提升后，他们也发现，架构设计、客户访谈和澄清需求越来越重要，单靠故事点无法完整计价。
技术上的对应做法是 MetaHarness：把计划、决策缘由、执行记录与代码一同留在仓库，让智能体接手长任务时不必猜测团队脑中的上下文。面向客户，Tenex 看到的落差更大：发放通用模型账号相对容易，把非工程智能体安全地部署到生产环境却少得多。原因并不只是模型不够聪明，还包括流程未标准化、权限边界不清，以及缺少判断工作是否做对的评估方法。
节目后半段把这一经验推向软件产业的争论：专用 AI 产品会被通用模型吞并，还是凭借数据、界面和工作流留住客户？自建软件能省下订阅费，但维护责任也会回到企业内部。Tenex 的观点带有服务商视角，却提出一个有用的检验标准：AI 原生不是模型调用量更高，而是组织能否持续定义工作、交付结果、控制风险，并承担随之而来的人员转型。
💬 他们说了什么：Alex 将 Tenex 定义为大型企业的应用 AI 合作伙伴，目标是帮助客户从拥有一些「AI 应用」，转向以 AI 为原生工作方式。他认为模型提供的是尚未嵌入组织的「原始智能」，难题在于把它扩散到真实经济活动。CJ 补充了个人起点：做按小时收费的工程咨询时，AI 令他交付得更快、更好，却也缩短了可收费时间。
💡 为什么重要：效率工具与计费制度可能互相冲突。若企业仍按投入时间衡量价值，最会使用 AI 的人未必得到相应回报；若只采购模型而不改变流程，也难以兑现生产力。
⚡ 争议点：「从 AI 应用到 AI 原生」是方向性表述，不是可直接验收的标准。企业仍需明确：哪些工作由人负责，哪些交给智能体，以及成果如何衡量。
💬 Tenex 创立约 18 个月，已从 AI 辅助开发团队扩展到 75 人；Alex 称客户约一半为 Fortune 2000 企业，另一半为年收入 1 亿至 5 亿美元的中型企业。公司仍主要按故事点衡量工程交付，最高与最低收入工程师之间约有 4 倍差距。他说，原先担心的故事点虚高和低质代码并非最大问题；更难处理的是架构设计、客户会议等非编码工作应如何计酬。
💡 当模型能完成更多实现工作，工程师的价值会向需求理解、方案判断与结果负责迁移。薪酬制度若只记录可拆分的编码任务，可能低估这些先决工作。
⚡ 故事点本身带有主观性。Tenex 认为客户留存与增长导向的 AI 策略师可以形成制衡，但节目没有提供可独立检验的质量、收入分布或客户满意度数据。
💬 CJ 描述的 MetaHarness 并非单一模型，而是一组仓库内的结构化文档和配套 CLI。团队记录总计划、执行过程及关键决策，将这些材料与代码一同提交到 Git；智能体据此生成计划、可视化材料和客户汇报，并追溯过去为何作出某项选择。随着模型进步，他们反而减少了对文档格式的强制规定。
💡 长任务最怕上下文断裂。代码能说明系统做了什么，决策记录则解释为什么这样做；后者若只留在会议和个人脑中，新同事与智能体都难以可靠接手。
⚡ 把更多资料提交到仓库，会引出敏感信息管理、记录质量和维护负担。文档存在并不等于决策正确，还需要审阅与过期清理机制。
💬 CJ 估计，随着模型更能承担长时间运行的任务，今年工程师在相同时间内覆盖的工作量大致达到此前的 2 倍。团队至少每季度重新审视故事点估算：如果同类工作因模型进步而更容易完成，每点的含义就不能永久不变。工具使用上，他描述了一个模型主导执行、另一个模型交叉审查的工作方式，也会借助远程环境运行任务。
💡 AI 原生 SDLC 不只是把模型接进编辑器，还要同步更新计划、审查和计量办法。「每月完成更多故事点」可能反映真实能力提升，也可能反映计分尺度变化。
⚡ 2 倍是受访者的经验估计，而非控制任务难度后的实验结果。转写中的部分模型及工具名称可能有字幕识别误差，不宜把具体版本偏好当作稳定的产品排名。
💬 面对主持人询问 token 支出与人力支出的比例，CJ 明言手头没有准确数字，仅粗估原始 token 花费与员工支出约在 1:1 至 2:1之间。Alex 承认团队扩张时曾担忧成本，但认为模型竞争和单位任务成本下降，令无节制使用模型造成的风险较数月前缓和；CJ 则提醒，若未来最强模型明显更贵，选择题还会回来。
💡 单看 token 消耗无法判断 ROI。更有用的单位是「完成一项合格任务的总成本」：调用费用、人工审查、返工、运行时间与失败风险都应计入。
⚡ 粗估比例没有明确核算口径；订阅、API 与不同岗位的成本也可能混在一起。「模型会持续降价」是一种市场判断，不能代替企业自己的预算与任务级测量。
💬 Alex 以 Tenex 正在接触的约 100 家企业为参照，估计约 90%已向员工提供通用大模型工具，约 60%开展了培训与赋能，约 50%向工程或产品组织推出编码智能体；但在非工程工作中真正投入生产的智能体，比例约为 5%。客户频繁提出后台重复任务自动化需求，同时询问谁可以读取哪些数据。Tenex 称已将为客户定制的权限网关逐步产品化。
💡 这组逐级下降的数字指出，企业 AI 的瓶颈从「能否接触模型」转向「能否安全、持续地把它放进业务」。培训、权限和生产责任，无法靠发账号跳过。
⚡ 这些比例来自 Tenex 的客户接触经验，不是随机抽样的行业普查；各公司对「推出」和「生产部署」的定义也可能不同。
💬 CJ 用「你无法自动化一个不存在的流程」概括部署难题：如果 40 人名义上做同一种工作，却各有做法，很难让后台智能体稳定接手。先让员工用工具增强个人工作流是可行的；若要智能体主动提交成果、由人审阅和退回，则应先统一流程，再设计交接步骤和评估方法。
💡 流程标准化不是自动化之后才补的文书，而是定义输入、例外、验收与责任归属的前提。没有这些约定，智能体即使能产出内容，也难以知道自己是否完成任务。
⚡ 统一流程可能抹去资深员工处理特殊情况的有效经验。设计时应区分「必须一致的控制点」与「允许因案调整的判断」，而非机械要求人人采取同一步骤。
💬 Alex 对部分垂直行业 AI 解决方案持谨慎甚至看空态度：企业要求高度定制，供应商不得不配备更多前线部署工程师，服务成本可能侵蚀软件利润；通用前沿模型也可能逐步覆盖专用智能体的能力。主持人反驳，Harvey 等产品可凭专有数据、行业界面、集成与使用习惯建立价值。CJ 随后收窄论点：单纯出售某个垂直任务智能体更脆弱；若产品同时改变工作流程、提供可靠工具和合规能力，仍可能成功。
💡 争论焦点不是「通用还是垂直」的标签，而是客户为何持续付费：为一个可替换的模型提示，还是为难以迁移的数据、流程与可靠交付。
⚡ Alex 自认其看空判断与部分垂直产品当前的市场表现并不一致。模型能力、行业数据获取方式和定制服务成本都会变化，现有案例不足以判定长期胜负。
💬 主持人介绍其「Kill My SaaS」实验：一项软件报价约 每年 4 万美元，团队花约 1000 美元构建替代品，并计划在下一场会议投入生产。他强调收益不止节省费用，还包括自行快速改进体验。Alex 认可中层 SaaS 存在替换机会，却认为企业规模越大，拆除关键系统的风险越高；Tenex 自建 CRM 等工具后，也体会到购买软件所附带的维护责任转移价值。
💡 「买还是造」应比较完整生命周期，而不是将年度报价与一次构建成本直接相减。自建还意味着持续修复、安全、集成、值守，以及把工程注意力从核心业务移走。
⚡ 实验中的替代品当时尚待生产验证，1000 美元也不能视作长期总拥有成本。反过来，供应商产品若长期无法满足需求，内部快速迭代的业务收益也可能超过单纯节费。
💬 CJ 相信 AI 能增强许多岗位，也明确承认它会改变并挤出部分工作。他说 Tenex 与客户讨论智能体接手任务时，会继续寻找可让原团队处理的更大问题，例如让熟悉财务细节的人参与跨团队判断。Alex 则提醒，把「AI 只会替代没人喜欢的苦活」当成安慰并不诚实：很多人工作首先是为了收入，雇主有培训责任，员工也需要评估自身技能的可替代性。
💡 把任务自动化与人员安置放在同一实施计划里，才能看清技术收益由谁获得、转型成本由谁承担。领域专家知识尤其需要在原任务消失前转化为流程设计和审查能力。
⚡ 「总有下一个问题」不代表每名员工都能顺利转岗；新岗位所需技能、地点与薪酬未必匹配原岗位。节目没有提供客户实际再培训或裁员结果。
💬 Alex 认为纽约有积极探索 AI 的圈子，但相较旧金山，尚未形成同样普遍的日常氛围。Tenex 希望扩大纽约的 AI 社群；其理由是这里聚集大量商业活动，更便于让技术与实际客户需求相遇。主持人也将纽约描述为技术公司会来见客户、接受现实检验的地方。
💡 模型前沿与产业扩散不必发生在同一座城市。部署型公司可能因接近采购方、运营团队和行业专家，而更快发现流程中的真正阻碍。
⚡ 城市「氛围」和所谓地理优势主要是受访者观察，节目没有比较纽约与旧金山的项目成效或经济数据。
💬 Alex 表示 Tenex 在纽约继续招聘部署工程师与负责客户项目的 AI 策略师。CJ 解释，「特殊项目」一方面继续建设内部 MetaHarness，让模型更好地使用工具完成工作；另一方面开发面向企业的内部平台，以推动后台智能体部署，并处理相关 IT 难题。
💡 招聘方向与本集论证相互印证：企业交付既需要懂客户现场的人，也需要将反复出现的工程方法与权限需求沉淀为基础设施。
⚡ 平台能否跨客户复用、减少定制工作，节目尚未给出部署规模或效果数据。此处关于能力的描述应视为建设目标，而非已获验证的产品成果。
「你无法自动化一个不存在的流程。」——CJ Hess
「代码能告诉你做了什么，但你还需要知道为什么作出那个决定。」——据 CJ 关于仓库决策记录的表述意译
「软件的好处不只是它提供的功能，还有那些你不必亲自维护和改进的麻烦。」——据 Alex 关于自建软件的表述意译
