按成果付费：激励重构与隐性工作

Tenex 的核心创新在于将 AI 工程师的薪酬从“工时”转向“交付成果”，以解决效率提升反而导致收入下降的激励悖论。尽管采用故事点（story points）作为补偿指标，但人员虚报估算或交付劣质代码以刷分的情况并未成为主要问题。这得益于 Tenex 的 AI 战略家对客户留存和增长负责，这种角色设定使他们有动力拒绝那些不符合客户利益的工作。然而，随着模型能力的提升，工程师的直接编码时间减少，更多精力投入于将客户上下文转化为模型可理解的形式。这种难以被标准化为工单的“隐性工作”——如架构设计和问题定义，要求补偿体系必须做出相应调整。

“你无法自动化一个不存在的流程。”

Tenex 已扩展至 75人，客户涵盖财富200强及中型企业。业务重心正从单纯的 AI 开发转向全公司的 AI 转型咨询。这种转变要求团队不仅具备技术执行力，更需深入理解业务逻辑，从而在按成果付费的框架下，确保高价值、非标准化的智力贡献得到合理回报。

MetaHarness：构建可解释的 AI 原生 SDLC

为支撑上述工作模式，Tenex 开发了 MetaHarness，这是一套共享技能库、项目文档及 CLI 工具的组合。其核心理念是将计划与决策直接签入 Git，与代码共存。当 AI 代理重新介入任务时，它不仅能读取已构建的代码，还能理解团队当初为何如此设计。这种“项目记录”机制让 AI 代理与人类在统一的上下文中共作，并集成 Linear、GitHub 及客户更新视图。

“有用的区别在于让代理更快写代码，还是让整个周围工作变得可解释。”

Tenex 强调，让代理写代码更快并非唯一目标，更重要的是使计划、验收标准、决策和证据变得“可解释”（legible）。这种结构化虽然能显著提升 AI 辅助开发的效率，但也存在成本：对于仅有一个项目的小团队而言，这种程度的结构可能显得过度复杂。因此，MetaHarness 代表了 Tenex 在规模化 AI 工程中平衡效率与灵活性的尝试。

Kill My SaaS：自建软件的成本与收益权衡

在“Kill My SaaS”实验中，团队尝试用 AI 代理替换每年报价 $43,000 的会议演讲者管理工具。实验结果显示，人类评委选出的最佳方案在 AI 代理排行榜上仅排名第19位。这一反差揭示了两个不同维度的评价标准：软件是否满足场景列表，与用户是否愿意使用它，是截然不同的任务。

针对自建软件的决定，Alex 提出了严厉的反驳：随着企业层级上升，替换既有系统的成本和风险急剧增加。即使对于小型工具，维护责任也无法消除。然而，实验发起者认为自建的价值不仅在于节省账单，更在于拥有工作流后能以分钟为单位迭代，而非等待数月。这种对敏捷性的追求必须与 Alex 所描述的持续维护成本进行权衡。这一案例深刻反映了在 AI 时代，构建能力的提升并未消除拥有软件的成本，反而改变了价值评估的维度。

垂直 AI：专用工具与工作流整合的竞争

关于“垂直 AI”的前景，Alex 持悲观态度。他认为如果每家企业都要求定制解决方案，软件利润率将难以维持。随着通用模型能力的提升，底层任务可能被通用工具吸收。然而，反驳观点指出，领域特定数据、专用接口和集成习惯在通用模型普及后依然重要。以 Bloomberg 为例，虽然市场数据可 elsewhere 获取，但其终端通过整合数据、工作流、通信和用户习惯形成了护城河。

CJ 进一步区分了两种产品形态：一种是以代理执行任务为核心功能的垂直产品，另一种是改善该任务周围工作流的工具。这引出了一个更深刻的问题：哪些产品会成为人们持久工作的场所，而哪些仅会沦为现有代理的一个功能？ 这一辩论揭示了 AI 原生时代软件形态的演变方向，即从单一任务执行向工作流整合平台转变。

解决“最后一公里”难题与按产出计酬的愿景

Tenex的核心使命是解决AI技术扩散到经济体的“最后一公里”难题，帮助企业理清复杂的落地路径。CJ Hess作为Tenex的第一位员工，从传统的工程咨询转向AI领域时，敏锐地察觉到工程师的产出效率正在提升但收入未同步增长。他深受Alex在Twitter上提出的理念吸引，即奖励工程师的产出而非时间。随着AI模型如Sonnet 3.5和Gemini Pro的发展，CJ意识到通过结合个人技能与AI杠杆，工程师可以实现更高的产出和收入潜力。这种模式认为AI是对人类智慧和勤奋的杠杆化押注，导致收入差距可能比以往更大。对于那些拥有扎实软件工程基础并愿意利用前沿技术拉伸时间价值的工程师来说，这是实现高收入的最佳途径。这种转变标志着从按小时计费向基于结果付费的根本性范式转移。

业务演进：从初创公司到Fortune 2000的AI转型服务

Tenex成立18个月以来，业务重心从最初的AI驱动的开发工作室迅速扩展。联合创始人Armand发现许多企业仍在手动编码，未采用新技术，这促使Tenex超负荷赋能那些尚未采纳AI的工程组织。随着客户群从初创公司和中端市场向高端市场迈进，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。这些客户不再仅仅寻求人员外包，而是需要“AI转型即服务”。目前公司已有75名员工，其中90%为工程师或AI战略家（技术顾问）。这一业务扩张验证了核心论点：企业在解决技术问题后将更倾向于为结果付费，而非构建过程所花费的时间。这种市场需求的转变证明了Tenex模式的可行性和必要性。

薪酬模型实证：4倍收入差距与质量保障机制

Tenex的按故事点（Story Points）计酬模式在实践中展现了巨大的收入方差。最高薪工程师与最低薪工程师的收入差距约为4倍，虽然未达到最初的10倍梦想，但已充分证明了该模型的有效性。外界曾担忧这种模式会导致工程师压低故事点估值或交付低质量代码以应付检查。然而，实际情况并未出现这些问题。这主要归功于AI战略家的制衡作用：他们的激励措施与工程师不同，专注于客户留存和增长。因此，AI战略家确保了交付物的质量和长期价值。尽管存在担忧，但基于产出的薪酬模型并未导致道德风险或质量下滑。相反，它成功激励了工程师最大化利用AI工具提升效率。这种机制表明，在有效的监督和战略引导下，按产出计酬可以兼顾速度与质量。目前的主要挑战在于如何补偿工程师在架构设计和客户沟通等非编码时间上的投入，但这并未动摇以产出为核心的薪酬体系。

工作流变革：从编码到上下文提供的角色转变

随着AI模型能力的提升，工程师的角色正在发生深刻变化。CJ Hess观察到，在提供正确上下文的情况下，AI模型已能解决90%的问题。这意味着未来的价值将更多体现在与客户深入交流、收集需求并转化为模型可理解的上下文，而非传统的代码编写。Tenex内部使用的“Meta Harness”工程工作流支持这种转变，使得处理长期复杂任务成为可能。团队正在标准化一套技能集，以适应从纯编码向解决方案架构和上下文工程的过渡。这种转变要求工程师不仅具备编程能力，还需拥有更强的业务理解和需求转化能力。AI战略家在此过程中扮演关键角色，他们确保技术交付与商业目标对齐。这种工作流的标准化是Tenex能够服务大型企业的关键基础设施，它使得大规模并行处理复杂AI项目成为现实。未来，Tenex可能会重新评估故事点作为唯一衡量单位的有效性，但其核心逻辑——以最终交付的价值为导向——保持不变。

构建以代码为核心的结构化AI工作流

Tenex的工程团队已将AI辅助开发从松散实践转化为高度结构化的流程。这一过程始于仓库内详尽的文档体系，并围绕这些文档构建了命令行工具（CLI），使模型能够驱动具体工作。无论是制定计划、生成可视化图表还是为客户创建报告，团队都在代码编写之外构建了自动化的标准流程。随着模型能力的提升，强制性的文档结构约束正在逐渐减少，但核心逻辑保持不变：一旦形成计划，代理（Agents）便会依据既定规则执行。所有决策日志、行动记录及上下文信息均被严格追踪，并全部提交至Git仓库。这种机制确保了代码不仅是源代码，更成为整个项目的“记忆”载体。团队认为，仅靠代码不足以解释决策背景，因此需要持久的记录来保存对话上下文和决策理由。所有关键信息均存储在仓库中而非个人脑海中，这赋予了代理工具前所未有的上下文获取能力。通过这种方式，团队致力于将分散在口头交流中的信息集中化，使更多工作由代理驱动而非人工预先提供全部指令。

生产力提升与故事点估算的动态校准

在衡量AI工作流成效时，Tenex关注工程师每月平均完成的故事点（Story Points）趋势。数据显示，今年整体生产力实现了约2倍的增长。这一提升与底层模型能力的迭代密切相关：从12月Opus 4.5版本开始支持长任务处理，到如今更强大的模型出现，工程师能够覆盖的工作范围显著扩大。然而，团队也意识到故事点定义的相对性——随着效率提升，理论上存在“通缩”效应。因此，团队每季度会重新评估故事点的估算标准与价值定义。这种校准旨在平衡对高产出的奖励机制与模型能力增强带来的实际价值变化。尽管估算体系在动态调整，但对比去年同一时期，当前团队构建和推送的功能复杂度与数量已发生质的飞跃。这种生产力的跃升不仅体现在速度上，更反映在团队能够以更少的资源投入完成更大规模的项目覆盖。

模型偏好集中化与云端工具链整合

在模型选择上，团队呈现出明显的收敛趋势。Opus 5.5目前占据主导地位，因其兼具速度、低成本及广泛的适用性，已能覆盖团队此前需要两到三种不同模型才能解决的需求场景。尽管部分复杂任务（如计算机使用类操作）仍会调用Codex进行辅助审查，形成“Opus主导工作+Codex负责审查”的最佳实践组合，但单一模型的全能化趋势已十分明显。在工具链方面，AMP（AI Model Platform）成为首选界面。通过集成Cloud Code订阅，团队实现了高达80%的成本削减。AMP的云端架构（Orbs）将计算负载从本地移除，提升了开发体验与安全性。对于特定场景如Sol6.1的使用，团队保持开放态度，但整体工作流已围绕Opus与AMP构建起高效闭环。这种工具链的标准化不仅降低了运维复杂度，还通过云端协作（如远程Happy Hour）增强了团队凝聚力。

AMP的多模态协作与Token成本占比分析

在讨论AI原生开发工具时，AMP因其跨模型功能而备受青睐。用户可以在不同“Orb”（工作区）间切换，例如让Opus模型编写代码，再跳转至另一个Orb进行审查，这种体验几乎完美复刻了本地开发流程。关于成本结构，Tenex正在追踪“Token支出占员工支出的百分比”这一指标。大多数公司的AI Token人均花费在$10至$200之间，而真正的AI原生公司会将这一比例转化为约 10% 的占比。相比之下，普通AI初创公司的Token支出与员工支出的比例约为1:1，甚至高达5到10倍。Tenex目前的Raw Token支出与员工支出的比例处于 1:1 到 2:1 之间，这一数据反映了其较高的AI使用密度。

模型选型策略与成本控制的平衡点

随着团队扩张，Tenex曾担忧Token消耗失控，但并未盲目追随“最大化使用顶级模型”的风潮。早期团队曾广泛使用Astra和Fable等昂贵但效果最佳的模型，导致成本激增。然而，随着技术进步，Opus 5.5的出现大幅降低了整体成本。Tenex认为，企业已触及一个“帕累托点”：任务层面的单位成本正在下降，这使得过去六个月到八个月内常见的“Token最大化导致公司破产”的风险显著降低。并非所有任务都需要十倍智能的模型，例如在电子表格中移动单元格这类经济价值较低的任务，使用Opus 5.5已完全足够。尽管存在对前沿模型（如假设中的Astra 6.5）性能优势的担忧，但开源与闭源竞争的加剧正持续压低价格。成本下降的速度使得过度追求极致性能变得不再经济合理。

企业AI采用的三大里程碑现状

Tenex将企业在AI领域的采用过程比作一场赛跑，并分享了三个关键里程碑的渗透率数据。第一个里程碑是向员工部署通用大语言模型（如Claude或Codex），目前90%的受访企业已完成此步骤。第二个里程碑是培训与赋能，即教导员工如何使用这些工具及所需技能，这一比例约为60%。许多企业误以为员工能自行掌握，但实际上系统的培训至关重要。第三个里程碑是部署编码代理（Coding Agents）。尽管许多人误以为这一比例高达70%或80%，但实际数据更接近 50%。这表明，虽然基础LLM的普及率极高，但在将AI深度整合进工程工作流方面，企业仍处于早期阶段。培训与赋能的重要性常被低估，它是连接技术部署与实际生产力提升的关键环节。

企业级 AI 代理部署的“死亡之谷”与 FOMO 驱动

当前企业在采用编码智能体方面存在巨大断层，大多数拥有千名以上员工的企业尚未在生产环境中部署非工程类的 AI 代理。数据显示，从原始智能到企业级应用的扩散差距中，非工程工作领域的生产环境代理部署率仅为 5%。这一现象背后是恐惧错失（FOMO）与技术认知落差的共同作用。虽然 FOMO 推动了行业向前发展，但也导致企业盲目追逐“代理之年”的 zeitgeist（时代精神），而非基于实际业务需求。许多企业急于为后台任务构建代理，却忽视了底层流程的标准化。Tenex 目前的核心工作正是将这些非工程类、可重复的业务代理部署到生产环境中，以解决这一普遍存在的落地难题。

权限治理噩梦与定制化网关的崛起

随着企业内部员工普遍获得类似 CLAWD 或 Codecs 的工具访问权限，CIOs（首席信息官）和 CISOs（首席信息安全官）面临着前所未有的权限管理噩梦。现有的解决方案缺乏一个易于操作的“控制面板”来明确界定数据读取与禁止的边界，导致RBAC（基于角色的访问控制）成为企业 AI 落地的重大阻碍。针对这一痛点，Tenex 从最初为企业构建定制（Bespoke）解决方案起步，如今已将其产品化，推出了专属的数据权限网关解决方案。这一转变不仅回应了客户对精细化数据控制的迫切需求，也标志着企业级 AI 基础设施从通用工具向具备严格安全边界的专用网关演进，确保代理在合规的前提下高效运行。

流程标准化：自动化不可逾越的前提条件

AI 代理无法自动执行尚未标准化的过程。当数十名员工以不同方式执行相同职能时，构建能够主动在后台处理工作的代理变得极其困难。虽然可以通过工具辅助员工优化个人工作流，但真正的杠杆效应来自于代理主动呈现工作内容供人类审核与反馈的“代理经理”模式。Tenex 向企业提出的核心建议是：首先必须在组织内部建立标准化流程，然后才能将工作移交给人工智能代理。缺乏标准化的结果是无法构建有效的评估体系（evals），进而导致无法交付 AI 代理应有的价值。这一观点强调了在引入技术之前，先进行业务流程重构的必要性，否则 AI 只会放大混乱而非提升效率。

垂直领域 AI 的护城河与“一对一”体验悖论

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，Tenex 持总体悲观（bearish）态度。尽管这些方案拥有数据访问权限这一护城河，以及针对特定用户群体优化的 UI 和“ affordances”（可供性/易用性功能），但它们面临着软件利润率与定制化期望之间的根本矛盾。在“一对一”（one-of-one）体验成为常态的时代，买家期待高度个性化的软件服务，这迫使所有软件公司组建庞大的前端开发工程（FDE）团队。垂直解决方案难以在保持高定制化服务的同时维持软件公司的利润率，且面临被前沿通用模型吞噬的风险。以 Bloomberg 为例，其成功不仅在于数据整合，更在于社交网络效应和与交易系统的深度绑定，这种“最后一公里”的专属体验构成了极高的转换成本。垂直 AI 若无法复制这种深度嵌入工作流的社会与技术双重壁垒，其长期生存能力将受到严峻挑战。

通用AI工具与垂直领域专用工具的差异化竞争

尽管生成式AI带来了巨大的市场增量，但通用型工具（如ChatGPT）与垂直领域专用软件之间的界限正在重塑。对于交易者或重度用户而言，通用工具虽能满足基础需求，但针对特定工作流优化的专用软件仍具有不可替代的价值。Alex Lieberman以Superhuman邮件客户端为例，指出即便Gmail普及率极高，Superhuman仍通过提供更极致的快捷键体验和针对邮件重度用户的优化功能赢得了市场。这种模式表明，只要软件能显著改变用户的工作流程并提供超越通用工具的深度体验，垂直领域的专用应用依然拥有巨大的生存空间和商业价值。CJ Hess补充道，随着AI能力的提升，整体市场蛋糕会变大，所有参与者都会受益，竞争焦点将从“是否有需求”转向“谁能占据更高的市场份额”。

数据主权与API优先策略：Salesforce的范式转移

在AI代理（Agent）时代，数据所有权和接入方式成为决定软件命运的关键因素。CJ Hess指出，许多垂直领域的AI代理面临挑战，因为用户更倾向于使用自己已有的、熟悉的主控Agent，并将数据接入其中。这导致“谁拥有接口和主控权”成为核心竞争点。相比之下，Salesforce作为记录系统（System of Record）的巨头，采取了截然不同的策略：不再强行推销其自建的Agent，而是提供API和MCP（模型上下文协议）供外部接入。这种“平台化”思维允许用户将Salesforce的数据无缝集成到他们选择的任何AI代理中。Alex Lieberman认为，这种策略虽然看似放弃了直接的用户界面控制权，但实际上通过成为基础设施而非应用层竞争者，巩固了其作为数据源头的战略地位。这种转变意味着未来的软件生态中，少数几家公司将掌握核心接口，而其他公司则需通过插件或API形式融入这一生态。

“杀死SaaS”竞赛：中端软件的重构成本与收益分析

Alex Lieberman分享了他近期参与的“Kill My SaaS”竞赛案例，旨在用AI重构一款年费约$40,000的中端SaaS软件。最终，团队仅花费$1,000便完成了替代方案的开发并投入生产环境。这一案例引发了关于“软件死亡论”的深入讨论：虽然替换成本极低，但是否值得重构取决于该工具在企业中的战略重要性。对于非核心业务的中端软件，企业往往面临两难：一方面，自建软件需要承担巨大的认知负荷和维护成本；另一方面，使用现成SaaS则需支付高昂费用并受制于其功能限制。Alex指出，核心优势不仅在于节省$39,000的年度订阅费（防御性收益），更在于获得完全定制化的用户体验和流程优化（进攻性优势）。然而，这种重构仅适用于那些对业务体验有极致要求且愿意承担内部开发负担的企业。

企业自建软件的决策框架：核心能力与机会成本权衡

关于大型企业是否应重构现有SaaS，CJ Hess提出了基于规模与风险厌恶程度的分析框架。他认为，对于Salesforce或SAP等顶级企业级软件，由于其涉及的业务流程极其复杂且替换错误可能导致数亿甚至数十亿美元的损失，企业普遍持高度风险厌恶态度。因此，这些巨头短期内并无被颠覆的风险。相反，对于年费在数百万美元级别的中端SaaS，决策的关键在于“机会成本”。企业需评估：将工程师资源投入到重构一个非核心工具上，是否能带来足够的业务增量以抵消维护成本？ Alex Lieberman进一步强调，软件的价值不仅在于其功能效用，更在于免除维护非核心系统所带来的认知减负。因此，只有当重构带来的业务优势（如流程效率提升、用户体验优化）足以覆盖内部开发的认知负荷和资源投入时，自建软件才具备合理性。对于大多数企业而言，聚焦核心业务逻辑，将非核心工具外包给专业SaaS提供商仍是更优选择。

企业创新困境与“十倍好”产品的缺失

大型企业往往深陷于现有SaaS工具的平庸之中，不仅面临过度收费的问题，更长期忍受着产品体验的停滞不前。对于初创公司或高增长的中期企业而言，它们具备敏捷性，能够以分钟为单位进行迭代；然而，大型企业由于能力根深蒂固，极少会主动思考如何创建一个“十倍好”的替代品并将其独立出来。这种创新惰性使得企业难以摆脱低效工具的束缚，而AI时代的到来恰恰提供了打破这一僵局的契机。

“我们不仅仅是被多收了钱，更是长期忍受着平庸的产品。那么，十倍好的版本应该是什么样？”

这种对比揭示了当前企业软件市场的结构性问题。大型企业缺乏像初创公司那样的迭代速度，导致其在面对新技术浪潮时反应迟缓。AI原生SDLC（软件开发生命周期）的提出，正是为了解决这一痛点，通过自动化和智能化手段，让企业能够重新审视并优化其核心业务流程，从而摆脱对低效工具的依赖。

AI自动化与岗位再分配：从替代到赋能

关于AI是否会导致大规模失业的讨论，核心在于如何理解“自动化”的本质。虽然客服等重复性工作正迅速被AI接管，但这并非简单的岗位消失，而是工作内容的重新分配。企业不会在解决了一个问题后就让员工闲置，因为大型组织中永远存在“无限的需求”。AI的作用是将那些拥有深厚专业知识的专家从繁琐的日常事务中解放出来，让他们能够跨团队协作，关注更具战略性的业务问题。

“我们真正做的是关于再分配。我认为没有任何企业会声称，一旦解决了这个问题，这群人就无事可做了。”

以财务部门为例，传统工作往往局限于电子表格的处理。通过AI自动化处理基础数据录入和分析，财务人员得以从“ Spreadsheet level”的工作中抽身，转而思考资金分配、业务战略等更高价值的问题。这种转变不仅提升了企业的敏捷性，使其能够 tackling 更复杂的核心问题，也保留了员工的专业价值，避免了因技能单一而导致的职业危机。这种从执行到战略的 elevation（提升），是AI赋能企业的关键路径。

员工能动性：技能重塑的双向责任

在讨论AI对就业的影响时，必须强调个人的主体性（Agency）。虽然雇主有责任推动业务增长并提供再培训机会，但员工自身也需主动评估未来几年工作的稳定性与可替代性。许多人将AI视为处理不喜欢工作的工具，但这是一种逃避现实的“安慰剂”。事实上，大多数人工作是为了生存，而非出于热爱。因此，员工应主动思考如何通过技能升级来保护自己免受AI冲击。

“人们应该考虑：在未来几年，我的工作的稳定性或可替代性如何？如果我尝试提升技能以更好地保护自己，那会是什么样子？”

这种观点挑战了被动等待雇主安排的传统思维。在AI快速迭代的背景下，自我驱动的技能重塑成为职业安全的关键。员工需要意识到，AI不仅替代重复性劳动，也在改变技能的价值分布。通过主动适应变化，员工可以将AI作为提升自身竞争力的工具，而非威胁。这种双向的责任分担——雇主提供平台与方向，员工发挥能动性进行适应与创新——是构建可持续人机协作关系的基础。

纽约与旧金山：AI文化的“气泡”差异

尽管纽约被视为全球最进步的城市之一，但在AI文化的渗透程度上，它与旧金山仍存在显著差异。旧金山的AI氛围如同一个巨大的“气泡”，几乎无处不在；而纽约虽然也有类似的进步趋势，但其规模较小。Tenex团队认为，他们身处一个旧金山的微缩模型（Microcosm）中，这源于公司员工的自我选择以及合作伙伴的构成。然而，纽约作为一个商业枢纽，拥有巨大的经济影响力。

“旧金山是一个大气泡……我们在Tenex感觉我们处于一个微缩的旧金山。”

这种差异并不意味着纽约落后，而是意味着扩散潜力巨大。Tenex的目标之一是将纽约打造为美国的AI中心，因为这里的商业活动对GDP的影响深远。虽然目前纽约的“气泡”较小，但通过推动AI技术的普及和应用，有望产生更广泛的社会和经济影响。这种战略定位不仅提升了纽约在科技领域的地位，也为全球AI技术的落地提供了新的范式。

结语：构建未来的协作生态

综上所述，AI对企业的影响远不止于效率提升，更在于工作模式、职业发展和城市科技生态的重塑。从解决企业软件平庸问题，到实现岗位的再分配与赋能；从强调员工的主体性技能重塑，到推动纽约成为AI新中心。这一系列变化要求企业、员工和社会共同努力，构建一个更加敏捷、智能且包容的未来协作生态。AI不是终点，而是通往更高效、更具创造性工作方式的桥梁。

从旧金山到纽约：AI商业价值的现实套利

视频开篇讨论了人工智能在公共视野中的渗透变化。曾经带有讽刺意味的涂鸦式宣传（如“Friend”活动）逐渐被无嘲讽意味的真实AI广告牌所取代，这标志着人们开始接受“生活在未来”已成为日常生活的一部分。然而，演讲者指出，虽然旧金山因风投和科技巨头聚集而成为AI创新的“边缘”地带，但纽约在商业价值挖掘方面拥有同样巨大甚至更广阔的池塘。这种差异并非技术差距，而是市场环境的错位。

“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，同时也让他们接受现实检验。”

这种观点揭示了一种有趣的套利机会。旧金山提供了前沿的技术氛围和人才，而纽约则拥有更成熟的商业客户群体。通过将硅谷的AI能力引入纽约的商业场景，Tenex旨在解决技术与实际市场需求之间的脱节问题。这种策略不仅利用了旧金山的创新活力，更通过纽约的客户反馈循环来验证和优化产品，从而在商业落地层面获得竞争优势。

招聘需求与Tenex的核心定位

随着业务的发展，Tenex正在积极扩大团队规模。目前公司在纽约拥有75名员工，并持续在本地扎根发展。招聘重点主要集中在两个关键角色：一是前端部署工程师（Forward Deployed Engineers），他们直接深入客户现场解决实际问题；二是AI战略家（AI Strategists），这些技术顾问负责主导客户的项目参与和战略规划。

对于企业而言，如果尝试过AI落地但效果不佳，Tenex提供了替代传统咨询公司的选择。演讲者自信地表示，他们将提供比许多传统咨询公司更优质的工作成果。这种定位强调了Tenex不仅仅提供理论建议，而是通过工程化的手段确保AI技术在企业环境中真正生效。这种“实战派”的风格是其区别于其他咨询机构的核心竞争力，旨在帮助 Fortune 2000 企业真正实现AI原生（AI-Native）的转型。

内部创新与特殊项目：解决IT混乱局面

除了面向客户的业务，Tenex还设立了特别项目（Special Projects）部门，专注于探索客户工作之外的前沿技术。以CJ Hess为例，他目前正致力于构建内部的元工具链（meta harness）和系统。这一系统的核心目标是追踪模型的极限能力，并为模型提供工具以增强其表现。同时，团队还在开发Alex提到的平台功能，重点在于扩散后台代理（background agents）。

这一内部研发方向直接回应了企业在AI落地中遇到的混乱IT问题。通过开发更智能、更具自主性的代理系统，Tenex希望将这些技术以真正有益的方式输出给企业客户。这不仅是对现有技术的优化，更是对未来AI工作模式的探索——即让AI代理在后台自动处理复杂任务。演讲者还邀请读者通过Latent Space博客分享相关解决方案，体现了开源共享和技术交流的态度。最后，双方在纽约重逢并感谢彼此的时间，结束了这次关于AI商业落地的深入对话。

“特别项目涉及我们客户工作之外的任何事情……找到模型能力的边缘，并给他们工具来增强他们做得更好的方式。”

结论

Tenex的模式证实，按成果付费结合AI杠杆可显著提升工程师产出并解决激励悖论，但成功依赖于“隐性工作”的标准化及AI战略家的质量制衡。MetaHarness通过Git记录决策上下文，解决了代理协作的可解释性难题，虽增加小团队复杂度却支撑了规模化交付。企业AI落地仍处早期，核心瓶颈在于流程标准化缺失、权限治理滞后及非工程领域部署率极低。垂直SaaS面临通用模型吞噬风险，自建软件需严格权衡维护成本与战略收益。最终，AI转型不仅是技术升级，更是从工时计费向结果导向、从单一执行向工作流整合的根本性范式转移。