按成果付费的激励机制与角色转变

Tenex的核心商业模式是为AI工程师交付的工作量付费，而非按键盘前的工时计费。这种模式旨在解决传统时薪制下的激励错位：如果AI让工程师效率翻倍，按时薪收费反而导致收入减半。Alex Lieberman指出：“你无法自动化一个不存在的流程”，因此必须建立正向激励机制。尽管采用故事点（story points）作为补偿依据，但Tenex并未出现预期的“虚报估算”或“交付劣质代码刷分”现象。这得益于其AI战略家对客户留存和增长负责，使其有动力拒绝无价值的客户需求。随着模型能力提升，工程师的直接编码时间减少，更多精力转向将客户上下文转化为模型可理解的格式。这种非标准化工作（如架构设计、需求定义）同样需要纳入补偿体系，以应对不断变化的工作内容。

MetaHarness：构建可解释的AI原生SDLC

为解决Agent在长期任务中的上下文丢失问题，Tenex开发了MetaHarness。这是一个围绕项目工作的共享技能集、文档和CLI工具包。其核心理念是将计划和决策与代码一同提交至Git。当Agent重新介入任务时，不仅能读取已构建的代码，还能理解团队为何选择该架构的决策背景。Tenex强调区分“让Agent更快写代码”与使周围工作变得可解释（legible），后者包括计划、验收标准、决策和证据。这种结构化的项目记录（Project Record）让人类和Agent共同协作，并集成Linear、GitHub等工具视图。然而，CJ也指出这种高度结构化流程对小团队或单一项目而言可能过于繁琐（overkill），需根据规模权衡。

Kill My SaaS：自建软件的成本与收益博弈

在“Kill My SaaS”实验中，团队试图用AI替换每年花费$43,000的会议演讲者管理工具。结果显示，人类评委选出的最佳方案在AI评测中仅排第19位。这一案例揭示了软件功能满足度与用户体验价值之间的差异。Alex对此提出质疑：随着企业层级上升，替换现有系统的成本和风险急剧增加，且自建软件需承担持续的维护责任。然而，作者反驳称，自建的收益不仅在于节省账单，更在于拥有工作流的主导权。通过自建团队可以以分钟为单位迭代优化，而非等待供应商数月更新。这种潜在的业务敏捷性提升必须与维护成本进行权衡。该案例生动展示了在AI降低构建门槛后，企业如何重新评估“拥有”与“使用”软件的长期价值。

AI渗透经济的“最后一公里”难题

Tenex的创立初衷源于一个核心洞察：AI技术扩散到经济末梢是最大挑战。联合创始人Alex Lieberman指出，企业需要有人帮他们理清复杂的AI落地路径。CJ Hess作为Tenex的首位员工，从传统工程咨询转向AI领域时，敏锐地察觉到工程师的产出效率正在发生质变。他提到自己早期按小时收费时，虽然技能提升、速度加快，但收入并未同步增长。这种“投入与回报脱节”的困境促使他加入Tenex，因为该公司倡导一种全新的价值观：奖励工程师的输出成果而非消耗的时间。CJ认为，随着AI工具如Sonnet 3.5和Gemini 2.5 Pro的普及，工程师能够并行处理大量工作，通过杠杆效应实现产出倍增。他当时便押注于这一趋势：凭借技能与AI结合，工程师将获得更高的收入潜力。如今看来，当AI解决技术难题时，企业将更倾向于为结果付费，而非为建设过程的时间买单。

按故事点计费的薪酬实验与收入分化

Tenex采用了一种极具争议的“基于故事点的产出付费模式”。这种模式的逻辑是：AI是对人类智力和工作伦理的杠杆化押注，因此收入差异将前所未有地扩大。CJ透露，该模式并非适合所有人，而是专为那些拥有扎实软件工程基础并愿意极致利用前沿AI工具的人设计。在收入分布上，公司呈现出巨大的方差：最高薪工程师与最低薪工程师的收入差距约为4倍。虽然未达到最初梦想的10倍，但这已充分验证了“高产出带来高回报”的论点。CJ强调：“The thesis is that AI is really just a leveraged bet on a human’s intellect and work ethic.” 这种机制下，顶级工程师可能年入百万美元以上，而产出较低者收入则相对有限。公司认为这是对自我价值做多（go long oneself）的最佳方式，即通过最大化时间利用率和保证输出质量来实现收入跃升。

从初创公司到Fortune 2000的业务演进

Tenex起步于18个月前，最初定位为AI驱动的软件开发工作室。联合创始人Armand作为技术背景深厚的合伙人，率先大量使用编码代理（coding agents），并观察到许多同行仍停留在手动敲代码的阶段。这一反差促使他们决定“超级赋能”那些尚未采用AI技术的工程团队。随着业务向上游市场拓展，客户群体发生了显著变化：目前50%的客户为Fortune 2000企业，另外50%为年收入1-5亿美元的中端市场公司。这些客户不再仅仅需要人力外包，而是寻求“AI转型即服务”。目前公司规模已达75人，其中90%为工程师或AI战略家（技术顾问）。CJ指出：“Today, the business is at 75 people. 90% of those employees are either engineers or AI strategists...” 这一数据表明，AI战略家在连接技术与业务需求中扮演了关键角色。尽管存在关于“故事点主观性”和“代码质量注水”的担忧，但实际运行中并未出现大规模低质交付现象。

AI战略家的制衡机制与未来工作流重构

针对按产出计费的潜在风险，Tenex引入了AI战略家作为制衡机制。他们的激励机制与工程师截然不同：专注于客户留存和增长，从而确保交付质量。CJ反思道：“We incentivize, I think, perfectly at odds with engineers where AI strategists are incentivized for like customer retention and growth.” 这种设计有效防止了工程师为了刷故事点而牺牲质量。然而，新的挑战在于如何补偿那些不直接编码的时间（如架构设计、客户会议）。目前，公司仍在寻找薪酬模型的细微差别以平衡这一矛盾。CJ预测未来工作流将发生转变：AI模型在提供正确上下文后能解决90%的问题。因此，核心价值将转移到与客户深度沟通、收集需求（brain dump）并转化为模型指令的过程。他提到：“I do think there is some opportunity here to think about like really the value is sitting down with a customer...” 虽然故事点仍是计价单位，但对“产出”的定义将从代码行数转向解决方案的有效性和完整性。公司正在标准化一套技能体系，以支持这种元工作流（meta harness）的长期任务执行。

构建基于Git的结构化AI工作流

Tenex的工程团队将原本分散的开发过程转化为仓库内高度结构化的文档体系，并围绕其构建了命令行工具（CLI），使模型能够驱动从计划制定、可视化生成到客户汇报等全流程工作，从而让编码之外的环节更加自动化和标准化。随着模型能力的提升，团队对文档结构的强制性约束有所减少，但核心逻辑保持不变：一旦形成计划，Agent会以一种极具“意见性”（opinionated）的方式记录其决策过程、执行步骤及当前状态，所有交互与日志均提交至Git版本控制系统中。这种机制不仅保留了代码作为源码的优势，更通过持久化的记录解决了“为什么这么做”的上下文缺失问题。将决策背景与对话语境固化在仓库中，使得所有信息不再依赖个人记忆或口头沟通，而是成为团队共享的单一事实来源。这一转变赋予了Agent和工具强大的上下文感知能力，使工作重心从人工提供前置指令转向由Agent自主驱动执行。

工程师产出翻倍与估算体系的动态校准

在衡量AI辅助开发的效果时，Tenex关注每个工程师每月平均故事点（Story Points）的增长趋势。Alex Lieberman指出，自今年初模型开始处理长周期任务以来，工程师的实际产出大致翻了一番（2x increase）。他将这一增长归因于模型版本的迭代，从Opus 4.5到当前的Opus 5.5，后者在处理复杂任务时表现出卓越的能力。然而，产出的增加也带来了估算体系的重估问题。团队每季度会重新评估故事点的定义与项目预估标准，以平衡对高输出的奖励与模型能力提升带来的价值通胀/通缩效应。尽管存在估算标准调整的复杂性，但对比去年同期的功能交付速度与广度，当前的开发效率提升显著。这种动态校准确保了绩效评估既能反映技术进步带来的红利，又能维持团队对价值创造的准确认知。

模型偏好与工具链的协同策略

在工具选择上，团队呈现出明显的集中化趋势。Opus 5.5因其速度、成本效益及全能性，已成为大多数工程师的首选默认模型，取代了过去根据任务需求在多个廉价快速或高智商模型间切换的做法。然而，单一模型并非万能，对于涉及计算机操作（computer use）或需要本地环境交互的任务，团队仍倾向于结合使用Codex。最佳实践是“Opus驱动核心逻辑 + Codex进行代码审查与本地执行”，两者协同工作以产出最佳结果。在界面层，Alex Lieberman是AMP（Anthropic Message Protocol）的重度用户，特别是通过Cloud Code订阅接入Opus后，成本降低了约80%。AMP的云原生架构（Orbs）将计算负载从本地移除，极大提升了开发体验。尽管Anthropic未像Orbs那样深度整合远程环境，但Cloud Code和Cloud Tag等工具仍为团队提供了重要的补充价值，形成了以Opus为核心、多工具协同的混合工作流。

跨模型协作与Token成本占比分析

Tenex团队高度推崇AMP（AI Multi-Process）工作流，其核心价值在于实现了跨模型的无缝协作。在这种模式下，用户可以使用Opus模型进行代码编写，随后切换到另一个Orb（智能体环境）来审查该输出。这种机制完美复刻了开发者在本地机器上的操作体验，解决了云端工具（如Cloud Code）无法提供的灵活性和连贯性。在成本监控方面，团队开始追踪“Token支出占员工总支出的比例”这一关键指标。行业数据显示，大多数公司的该项比例为10%至20%，而AI原生公司通常控制在10%左右。相比之下，普通AI初创公司的Token与员工支出比约为1:1，部分激进者甚至达到5到10倍。Tenex目前的原始Token支出比例介于1:1至2:1之间，这一数据反映了其在规模化过程中的成本结构特征。

模型选型策略与成本控制逻辑

关于何时使用顶级大模型，Tenex团队经历了从追求极致结果到注重成本效益的转变。早期阶段，团队曾广泛使用Astra和Fable等模型以获取最佳效果，但高昂的费用引发了对“Token最大化”（即无节制消耗算力）的担忧。然而，随着技术进步，团队发现Opus 5.5模型在性价比上达到了一个关键的帕累托点。尽管存在对顶级模型（如假设中的Astra 6.5）性能优势的担忧，但市场竞争加剧——无论是开源还是闭源领域（如新发布的Muse Wonder）——都推动了Token成本的持续下降。团队认为，如今让公司因Token消耗而陷入财务危机的难度已大幅降低。对于大多数经济价值有限的任务（如电子表格单元格移动），使用比Opus 5.5强10倍的模型并不能证明其额外成本的合理性。这种理性选型策略使得团队在保持高效产出的同时，有效控制了运营成本。

企业AI采用的三大里程碑现状

从市场视角来看，Tenex将企业在AI领域的采纳过程划分为三个清晰的里程碑。第一个阶段是通用大语言模型的部署普及。数据显示，在与Tenex接触的10家企业中，有90%已经向员工推出了Claude或Codex等通用工具。第二个阶段是培训与赋能（Training and Enablement），即教会员工如何使用这些工具及其功能。尽管这一环节常被忽视，但其重要性不亚于技术本身，目前约有60%的企业已完成此阶段。第三个最具挑战性的里程碑是编码智能体（Coding Agents）在工程产品组织的落地。外界普遍高估了这一进程，许多人认为比例高达70%或80%，但实际数据表明，仅有约50的企业实现了编码智能体的全面部署。这一差距揭示了从“使用通用工具”到“深度集成自动化工作流”之间存在显著的技术与管理鸿沟。

企业级AI代理落地的巨大鸿沟与“FOMO”驱动

尽管生成式人工智能技术日新月异，但企业在实际部署编码代理方面进展缓慢。大多数拥有超过一千名员工的企业要么尚未推出任何代码生成工具，要么其现有方案的效果微乎其微。更严峻的断层出现在非工程类工作的生产环境中，真正在生产环境运行的非软件构建型AI代理比例低至5%。这种巨大的扩散差距主要源于市场情绪：一小部分人理解技术潜力，而大多数人则被“错失恐惧症”（FOMO）驱动。虽然这种焦虑推动了前进动力，但也导致企业盲目追逐 zeitgeist 中的热门概念。“每年都是代理之年”，这种叙事使得大量企业急于为后台任务构建AI代理。然而，Tenex目前的重点工作正是将这些非工程领域的重复性工作转化为生产环境中的实际部署，以解决这一落地难题。

权限管理的噩梦与Tenex的网关解决方案

随着企业内员工普遍获得类似CLAWD或CodeCops等工具的使用权限，数据访问控制成为了CIO和CISO面临的绝对噩梦。目前缺乏一个良好的网关或控制面板来轻松管理数据权限，即明确界定“可以读取什么”和“不可以读取什么”。为了解决这一痛点，Tenex最初通过为企业定制专属（Bespoke）解决方案来应对复杂的权限需求，随后将这一能力产品化，推出了自己的网关解决方案。这不仅简化了数据访问控制流程，还为企业提供了标准化的入口。这种从定制到产品化的转变，反映了企业在追求AI效率时对安全合规和数据治理的刚性需求。通过建立统一的网关，企业能够更有效地管理AI代理对内部数据的访问权限，从而在提升效率的同时降低安全风险。

流程标准化：自动化前的必要前提

许多企业在尝试AI代理时忽视了一个核心原则：你无法自动化一个不存在的流程。当40名员工执行相同职能但操作方式各异时，构建能主动在后台工作的代理变得极其困难。虽然可以为员工提供工具并指导他们增强自身工作流，但真正的杠杆效应来自于代理主动呈现工作内容、人类进行审核反馈的“代理经理”模式。因此，Tenex的建议是：首先在企业内部围绕该组织建立标准化流程，然后再将工作移交代理。如果没有某种形式的标准化，就无法构建评估系统（evals），也无法确保代理正确执行任务。“如果没有某种形式的标准化，对于代理来说，知道它是否为我们做得对是不可能的。” 这一观点强调了在引入AI之前进行业务流程重组（BPR）的重要性，只有标准化的流程才能被有效编码和自动化。

垂直领域AI解决方案的长期竞争力质疑

对于针对特定行业（如法律领域的Harvey、医疗领域的Open Evidence）的垂直AI解决方案，Alex Lieberman持普遍看空（bearish）态度。他认为这些方案虽然拥有专有数据作为护城河，并提供了定制化的UI和“可用性”（affordances），但在软件利润率方面面临挑战。因为客户期望一对一的定制体验，导致每家公司都需要组建大量的前端开发工程师（FDE）团队来处理细微差别和服务需求。这种软件与服务的融合使得垂直解决方案难以维持高利润率。“如果每个人都期望一对一的解决方案，他们如何在软件利润率下做到这一点？” 此外，前沿模型（如ChatGPT）正在通过收购数据源来缩小差距。尽管垂直方案在“最后一公里”上有优势，类似于Bloomberg终端因其社交网络和专业化整合而具有粘性，但长期来看，通用大模型的能力提升和专有数据的获取可能削弱垂直方案的独特优势。

通用工具与垂直领域的市场分层

尽管AI代理（Agent）和生成式模型正在重塑软件开发流程，但市场对专业工具的需求依然巨大。这种需求并非完全被通用型AI产品（如ChatGPT或Claws）所满足，而是呈现出明显的分层趋势。正如Superhuman作为邮件客户端的成功案例所示，即使存在像Gmail这样的免费通用替代品，用户仍愿意为特定场景下的极致体验付费。这种“高级版Gmail”的市场逻辑表明，针对重度用户群体的垂直优化产品具有独立的生存空间。然而，对于非核心业务或通用任务而言，随着模型能力的提升和自建成本的降低，纯代理型产品的护城河将变得脆弱。除非拥有极具战略意义的合规数据壁垒，否则那些仅依靠代理功能而缺乏深层流程整合的产品将面临巨大挑战。

数据主权与接口标准化的博弈

在AI代理的生态中，用户倾向于使用自己熟悉且已集成数据的现有平台，而非迁移至新的代理服务。这种“数据跟随用户”的趋势意味着最终可能只有少数几家巨头公司掌握核心交互界面，其他服务商则退居为数据提供者或插件角色。这一观点在Salesforce的最新战略中得到了印证，作为系统记录（System of Record）的巨头，Salesforce选择提供API和MCP接口供外部代理接入，而非强行推广其自有代理。这种策略承认了用户数据主权的重要性，通过开放接口来维持其在企业基础设施中的地位。相比之下，试图让用户迁移到全新代理平台的公司将面临极高的转换成本和阻力。

中端SaaS的替代危机与自建权衡

以“Kill My SaS”竞赛为例，演讲者展示了一个用约$1,000成本替换年费$40,000的中端SaaS产品的案例。这种从防御性成本节约转向进攻性功能优化的思路，在中端市场尤为显著。然而，对于大型企业而言，是否自建系统取决于该功能对核心业务的战略价值。如果替换现有软件带来的收益不足以抵消重新开发和维护的认知负荷，企业通常倾向于维持现状。正如Tenex自建CRM和操作系统所揭示的：软件的价值不仅在于其功能效用，更在于免除维护非核心业务带来的隐性成本。只有当某个领域的改进能带来显著竞争优势时，自建才具备合理性。

企业级软件的护城河与风险规避

尽管市场上充斥着“软件死亡论”，但像Salesforce和SAP这样的企业级巨头依然稳固。这主要是因为这些系统涉及巨额资金流动，替换它们的潜在风险高达数亿甚至数十亿美元。企业在面对此类核心基础设施时表现出极高的风险厌恶倾向，任何替换决策都需经过极其严格的评估。因此，对于年收入数百万美元的中端SaaS产品，企业需要权衡的是资源投入的边际效益。只有当自建系统能显著提升核心业务能力或带来不可替代的体验优势时，企业才会愿意承担相应的开发和维护负担。对于非核心业务，购买现成软件仍是更经济且低风险的选择。

企业创新困境：为何难以制造“10倍好”的产品

在讨论产品迭代时，存在两个核心痛点：一是用户感到被过度收费，二是产品在长时间内表现平庸。面对这些现状，理想的解决方案是思考“如果有一个10倍于当前版本的产品会是什么样”。然而，这种思维在大型企业中极难实现。虽然初创公司和高速成长的中型企业具备敏捷性，能够以分钟为单位进行迭代，但大型企业往往深陷于特定的能力锁定中。它们很少会主动提出“我们要创建一个10倍更好的SaaS产品并将其独立出来”这样的构想，因为企业的运作机制决定了它们不具备这种自我颠覆的灵活性。相比之下，客户（即用户）拥有更快的迭代能力，能够迅速反馈并推动产品进化，这与传统企业的缓慢节奏形成鲜明对比。

AI自动化与就业重构：从替代到重新分配

关于AI自动化的讨论，更尖锐的问题在于它是否是在“自动化人类”，以及当流程完全顺畅后是否会取代工作岗位。对此，观点倾向于认为AI将增强而非单纯切断工作机会。尽管像客服中心等岗位正在因AI介入而衰退，这对依赖该技能的从业者而言是毁灭性的打击，但企业的应对策略应侧重于重新分配（Reallocation）。任何企业都不会声称在解决某个问题后，相关人员将无事可做。业务需求是无限的，总存在下一个待解决的问题。因此，策略是将那些拥有深厚专业知识的员工从繁琐的日常工作中解放出来（如不再局限于电子表格），转而让他们跨团队协作，思考更宏观的业务运作方式。这种转变旨在让企业变得更敏捷，去处理核心难题，而非陷入日常琐事。

个人能动性：员工与雇主共同承担技能重塑责任

在讨论就业替代或重新分配时，应避免将其视为一种被动施加于人的力量。个人应拥有对自己生活的能动性（Agency）。虽然雇主有责任推动业务增长并提供再技能培训，但员工也有责任主动评估自身工作的稳定性与可替代性。许多人将AI视为处理“不喜欢的工作”的工具，但这是一种逃避现实的借口。大多数人工作是为了谋生，而非出于热爱。因此，个体需要主动思考：“在未来几年内，我的岗位是否稳定？如果我要提升技能以保护自己，该怎么做？”这种自我驱动的行动力是应对AI冲击的关键。通过主动适应和技能升级，个人可以在技术变革中掌握主动权，而不是被动等待被替代。

地域文化差异：纽约与旧金山的AI生态对比

在地理位置对AI氛围的影响上，旧金山被视为一个巨大的“未来泡泡”。在那里，人们整天讨论的是Agent、Grok或Muse等前沿工具，AI已成为生活和工作的一部分，而非一个是否喜欢的选择题。相比之下，纽约的AI生态是一个较小的泡泡。尽管Tenex所在的圈子可能类似于旧金山的微缩版，但整体而言，纽约的AI普及度和沉浸感远不及旧金山。旧金山的文化DNA中嵌入了“生活在未来”的特质，而纽约虽然也在进步和向前看，但其AI氛围的密度较低。Tenex的目标之一是将纽约打造为美国的AI枢纽之一。鉴于纽约巨大的商业体量，技术的扩散将对美国GDP产生深远影响。虽然可能无法达到旧金山的规模，但通过努力扩大这一“泡泡”，可以在更广泛的商业环境中推动AI技术的落地与影响。

从旧金山到纽约：AI商业价值的套利机会

视频中，Alex Lieberman与CJ Hess深入探讨了当前人工智能在公众视野中的渗透现象。他们提到，曾经带有讽刺意味的涂鸦式宣传（如“Friend”活动中的故意挑衅）正在转变为无讽刺意味的真实AI广告牌，这标志着社会对技术的接受度发生了根本性转变。人们开始认为“这就是生活的一部分”，这种物理层面的存在感是AI融入未来的显著标志。

在这种背景下，Tenex选择将总部设在纽约而非旧金山，并非因为技术资源的匮乏，而是基于一种独特的商业价值套利（Arbitrage）策略。Alex指出：“我之所以在纽约做AI，是因为我把旧金山的人带到这里来见他们的客户，并接受现实检验。”虽然硅谷在前沿技术创新和初创生态方面占据主导，但纽约拥有更庞大的传统企业客户群。Tenex认为自己在AI前沿领域处于“较小的池塘”，但在创造商业价值（Commercial Value）的领域中，纽约乃至整个企业市场是一个更大甚至更大的池塘。这种策略旨在让技术团队直面真实的企业需求，避免陷入纯技术的自嗨。

招聘动态与核心人才定位

随着业务重心的明确，Tenex正在积极扩张其团队规模。目前公司在纽约的团队已达到75人。Alex明确表示，公司正在招聘两类核心人才：一是前线部署工程师（Forward Deployed Engineers），这类角色直接深入客户现场解决实际问题；二是AI战略家（AI Strategists），他们本质上是技术顾问，负责主导客户的项目交付。对于寻求实现AI原生（AI-Native）转型的企业而言，Tenex提供了一种区别于传统咨询公司的解决方案。Alex自信地表示：“如果你尝试过AI但效果不佳，请联系我们，我们承诺会比那些传统咨询公司做得更好。”这种自信源于他们对真实业务场景的深入理解，而非仅仅停留在概念层面。

内部研发与特殊项目愿景

CJ Hess进一步阐述了公司的技术愿景，特别是针对工程师招聘的偏好。他提到公司内部的“特殊项目（Special Project）”，这些工作超出了常规的客户交付范畴，专注于构建底层能力。目前的一个核心项目是开发一个元框架（Meta Harness）和系统。该系统的目标是探索模型的极限，并为模型提供工具以增强其执行能力。CJ强调：“我的大脑现在正专注于构建这个内部元框架和系统，基本上就是找到模型能力的边缘，并给他们提供工具来增强他们做得更好的方式。”

另一个关键目标是扩散后台代理（Background Agents），使其真正对企业有所帮助。这旨在解决之前讨论过的许多混乱的IT问题（Messy IT Problems），通过自动化和智能化手段简化企业内部的复杂流程。CJ表示：“我们的目标是真正地将这些后台代理扩散到企业中，以一种对它们来说真正有帮助的方式。”这种内部研发不仅服务于当前客户，也为未来更广泛的AI原生SDLC（软件开发生命周期）奠定了技术基础。最后，双方以友好的互动结束对话，并邀请读者在Latent Space博客上分享相关知识。

结论

Tenex通过“按成果付费”与AI战略家制衡机制，成功验证了AI原生SDLC在提升工程产出（约2倍）及降低Token成本方面的可行性，并确立了以Opus 5.5为核心的高效工具链。然而，该模式高度依赖工程师的高智力杠杆与标准化流程前置，仅适用于具备一定数字化基础的企业。对于Fortune 2000等大型企业，自建软件虽能提升敏捷性，但面临极高的替换风险与维护成本；垂直AI方案则因定制化陷阱难以维持高利润率。当前市场核心痛点在于从通用工具向编码Agent落地的巨大鸿沟，以及数据权限管理的复杂性。