按成果付费、使用智能体构建,以及企业级 AI 落地的最后一公里
去年,Alex Lieberman 和他的联合创始人做客我们的节目,解释了 Tenex 的非同寻常的下注:根据 AI 工程师交付的成果而非在键盘前投入的工时来支付报酬。如果 AI 让工程师效率更高,那么按小时计费反而会让工程师在同一项工作中赚得更少。Tenex 希望激励机制能够反向运作。
在 AIE New York 大会上,Alex 与 CJ Hess 再次做客,畅聊当这一理念扩展到整个工程团队时会发生什么。我们还将自己的一个实验摆上了台面:Kill My SaaS,在这个项目中,我们向开发者发起挑战,希望替换一款曾被开价每年 43,000 美元的会议演讲嘉宾管理工具。
这两个故事都提出了同一个问题:当构建成本变得越来越低时,你该如何衡量优秀成果的价值?
当工作职责不断变化时,如何按产出付费
Tenex 仍将故事点(story points)作为工程师薪酬的重要组成部分。Alex 表示,人们所担心的失败模式——故意夸大预估或交付糟糕代码来刷点数——并不是最主要的问题。Tenex 的 AI 策略师需要对客户留存和业务增长负责,这促使他们有动力去抵制那些对客户无益的工作。
更难的问题是如何奖励那些无法被简单塞进工单(ticket)的工作:理解客户的问题、设计架构,或者从一开始就决定到底该构建什么。CJ 表示,随着模型性能的提升,他直接写代码的时间在变少,而花在将客户上下文转化为模型可用格式上的时间在变多。一套围绕“交付任务”设计的薪酬体系,必须也要为这类工作留出空间。
Alex 表示,Tenex 现已发展至 75 人,客户由《财富》2000 强企业和中端市场公司各占一半。该公司最初是一家由 AI 驱动的软件开发服务商;如今,越来越多的客户正在寻求全公司范围内的 AI 转型支持。跳转至薪酬讨论部分 →
MetaHarness:将整个项目保留在代码仓库中
CJ 详细介绍了 Tenex 的 MetaHarness:围绕开发工作打造的一套共享技能集合、项目文档和 CLI。规划和决策与代码一起提交到 Git 中。当智能体(agent)重新接手某项任务时,它不仅能读取构建了什么,还能读取团队当初为什么选择这种构建方式。
Tenex 自己的 AI 原生软件开发生命周期(AI-native SDLC)文章将这一理念展示为一份供人类和智能体共同协作的项目记录,并集成了 Linear、GitHub 和客户更新的视图:
来源:Tenex, Building an AI-Native SDLC。
这里一个很有价值的区分在于:是让智能体单纯更快地编写代码,还是让围绕代码的辅助工作变得清晰易懂(包括规划、验收标准、决策和证明证据)。Tenex 的文章也指出了其代价:对于负责单一项目的小型团队而言,如此繁复的结构可能会显得过度设计。CJ 解释工作流程 →
Kill My SaaS:拥有自己构建的工具所带来的成本
在我们的 Kill My SaaS 那期节目中,共评估了 72 份旨在替代我们演讲嘉宾管理软件的提交方案。在人类裁判眼中获胜的团队,在我们的 AI 裁判排行榜上仅位列第 19 名。这提醒了我们:检查软件是否满足一系列应用场景,与判断人们是否真的愿意使用它,是完全不同的两件事。
我把这个项目作为一个企业选择自建软件的现实案例抛给了 Alex。他的反驳观点是:客户在市场定位上越往高端走,连根拔起并替换现成系统的成本和风险就越高。而且即使是一个较小的工具,也必须有人去维护。所节省的成本真的足以支撑持续投入的精力吗?
我的回答是,自建软件的收益不仅体现在账单上。我们的团队长期忍受着一款平庸的产品。如果我们拥有这套工作流的所有权,就能为演讲者和运营人员提供更好的体验,并能在几分钟内完成迭代,而不是等待供应商数月之久。这种潜力必须与 Alex 所描述的维护成本放在一起权衡。观看该段讨论 →
支持与反对垂类 AI(Vertical AI)的理由
Alex 总体上看空垂直领域的 AI 产品:如果每家企业都期望获得一套独一无二的定制解决方案,你又如何维持软件级别的利润率?而且随着前沿模型的不断改进,底层任务又有多少会被通用工具所吸收?
我用 Harvey 和 OpenEvidence 等案例进行了反驳。即使底层模型对所有人开放,特定领域的专有数据、专业化界面、系统集成和用户使用习惯仍然至关重要。