先说结论

这期 Latent Space 的 AI Engineer 大会（AIE）现场访谈（2026-10-21 发布，约 43.5 分钟）请回了 Tenex 创始人 Alex Lieberman——他更广为人知的身份是商业媒体 Morning Brew 的联合创始人——以及他招进公司的第一位员工、如今执掌特殊项目（special projects lead）的 CJ Hess。转写把公司名记作 TenX/10x，经外部核实应为 Tenex（tenex.co，由 Alex 与技术背景的 Arman Hezarkhani 联合创立）。Tenex 自我定位是「applied AI partner」，帮最大的那些公司从 AI 缺席（AI-absent）走到 AI 原生（AI-native）；Alex 的说法是，AI 是「原始智能」，最难的不是智能本身，而是把它扩散进经济的最后一英里。本场最值得记住三点：其一，一家把工程师薪酬与 story point（故事点，敏捷开发中度量工作量的单位）而非工时绑定的公司运行 18 个月后的自述结果——人均产出一年约翻倍，内部最高与最低收入差距约 4 倍；其二，一条自称来自约百家企业观察的采用断崖：90% 发了 LLM、60% 做了培训、50% 落地编码 agent、只有约 5% 拥有跑在非工程环节的生产 agent，断崖的机制解释就是标题那句话——你无法自动化一个不存在的流程；其三，一场没有胜负的护城河之辩：Alex 看空垂直 AI，Swyx 用数据独占与 Bloomberg 类比追问，CJ 给出折中分层。对正在做 AI 转型定位的组织，这条 90-60-50-5 曲线本身就是一张自查表。

从「产出翻倍、收入反降」到按 story point 付酬

故事从 CJ 的个人悖论开始。他是软件工程师出身，创业失败若干次后开了家工程咨询公司；AI 编码工具普及后他发现，自己的产出「更好也更快，但按小时向客户收费，最终赚得更少」。转机是 Alex 发在推特上的一条帖子：Tenex 要按产出而不是时间奖励工程师。CJ 的判断在当时（Sonnet 3.5、Gemini 2.5 Pro 的年代）并不显然，但方向上他赌的是：一旦 AI 真能解决大部分技术问题，公司付费的逻辑会从「占用你多少小时」变成「交付了什么结果」。于是他加入 Tenex 成为一号员工。

这段开场其实是全篇的引子：AI 的收益归谁，取决于计价单位。按小时计费，效率提升的红利全部归客户；按产出计费，红利归杠杆的持有人。Alex 的表述更激进：AI 本质上是「对一个人的智力和职业伦理做杠杆化押注」，所以收入方差会比以往任何时候都大——节目自述有工程师年入百万美元量级，也有人低得多，最高与最低的差距约 4 倍（Alex 特意澄清：是 4 倍，不是 10 倍）。这个模式跑了一年半，当初的两个经典担忧——story point 太主观会磨洋工、会为凑点数交付垃圾代码——Alex 称完全没成为问题，靠的不是更严的考核，而是组织里激励方向相反的角色：AI strategist（技术顾问）的收入挂在客户留存与增长上，天然有动力戳破注水的产出。真正难的反而是另一件事：怎么给架构设计、客户会议这些「不写代码的时间」定价——Alex 承认这是薪酬模型至今仍在打补丁的地方。

story point 本身还有币值问题。Swyx 追问：现在的一个 story point 还等于一年前的一个吗？CJ 的回答是理论上应该通缩——同样的活今天需要的努力更少——所以 Tenex 每季度重新校准点位标准。他还给出一个正在发生的变化：模型加上正确的上下文已经能完成约 90% 的方案，工程师的价值越来越体现在「跟客户坐在一起，把对方脑子里的东西全部倒出来喂给模型」；因此未来考核可能从数点数转向看真实产出，但 story point 仍是锚定单位。

Meta Harness：把组织记忆搬进 Git，产出一年翻倍

Tenex 把内部这套工程流程叫 Meta Harness。按 CJ 的介绍，它从「把团队技能标准化」起步，长成 repo 里一套结构化文档加一个 CLI，由模型驱动：做计划、出可视化、给客户写汇报，把写代码之外的所有流程环节也自动化、标准化。其中有一份权威的计划文档，但 CJ 提到一个反直觉的细节：随着模型变强，他们反而减少了文档结构的强制项——harness 需要跟着模型能力重写。所有决策与过程记录全部进 Git，CJ 甚至偏爱让 agent 输出 HTML「图画书」而非 markdown。这背后是他们对「代码即文档」之争的表态：代码可以是代码库的记忆，但读不出「当时为什么这么做决定」，所以上下文必须是持久记录（durable record）——「永远不在某个人脑子里，永远在 repo 里」。CJ 认为这正是 agent「超能力」的来源：多数工程团队的知识还活在对话和脑子里，而 Tenex 把它全部落盘，agent 于是能带着全量上下文干活，越来越多工作由 agent 主动驱动而非人来喂料。

这套做法的产出度量非常直白：全公司工程师人均月 story points 是否持续上升。CJ 给出的自述数字是：以去年 12 月为起点——他称之为「Opus 4.5 时刻」，模型开始真正承接长任务——到今天的 Opus 5.5（版本号按转写保留），工程师在同样时间跨度里的产出大约翻倍。他也补了限定：方差极大，团队里有人像「巫师操纵法球」一样驱使 agent，有人还在爬坡。

工具栈则明显收敛。CJ 说当前团队氛围是 Opus 5.5「一打多」：快、便宜，覆盖了此前要两三个模型分工的全部场景；Codex（在用 6.1，转写如此）留给 computer use 与交叉评审——「用 Opus 写、让 Codex 看、来回打磨」仍是他心中效果最好的组合。界面层他用 Amp，看中其云端执行环境（orb）：不占本机，还能让一个 orb 检查另一个 orb 的产出；Amp 新支持接入 Claude Code 订阅后，成本砍掉约八成——这是后面成本话题的伏笔。Swyx 顺带提供了外部参照系：多数公司人均 token 支出约 10-200 美元；更 AI 原生的公司把它换算成薪资的约 10%；一般 AI 创业公司在 1 倍员工支出上下，重度者到 5-10 倍。CJ 估算 Tenex 在 1:1 到 2:1 之间——Swyx 直言「挺高」，但在订阅制压低边际成本之后，这个比例已不再令人紧张。

90-60-50-5：企业采用的四级断崖

Alex 用「比赛里的里程碑」描述企业采用 AI，并给出自称来自约 100 家企业（Tenex 的客户与对话池）的渗透率。第一级，向员工发放通用 LLM（Claude 或 Codex），约 90% 已做到；第二级，教员工怎么用——培训与赋能，「从未得到应有重视，但与技术本身同等重要」——约 60%；第三级，编码 agent 真正铺进工程组织，只有约 50%，而他在 AIE 现场随口问一圈，大家普遍猜 70-80%——「我们交谈的每第二家企业，要么没上编码 agent，要么用的东西更接近于没有」；第四级，非工程工作的生产环境 agent，掉到约 5%。Alex 的原话：绝大多数员工超过一千人的企业，没有一个跑在生产环境里、做非软件工作的 agent。这就是从「原始智能」到「企业使用」之间最大的扩散鸿沟。

为什么断崖在这里？Alex 的归因有两层。浅层是需求侧结构：这波浪潮由一小群真懂技术可能性的人，加上一大群怕掉队（FOMO）的人构成——他并不认为 FOMO 是坏事，它制造前进的动力，但也让人只会抓 zeitgeist 里最热的东西：所以年年都是「agent 之年」，所以最常见的委托是「帮我们做个后台任务的 agent」。深层则回到那句核心台词：你无法自动化一个不存在的流程。当一个 40 人的职能部门每人用自己的方式干同一件事时，根本无法为它建一个在后台主动干活、可判断对错的 agent——没有标准化，就没有 eval（评测集），就没有交接的资格。所以 Tenex 给企业的建议是两步走：先把流程标准化建出来，再把工作交给后台 agent。CJ 补充了人的角色变化：短期是给个人工具、增强各自的工作流；真正的杠杆时刻是 agent 主动把工作递到你面前、你评审后扔回去——「大家都在谈论成为 agent manager，我认为我们正处在那个临界点上」。

第二个高频痛点紧随浮现：权限。全员用上 Claude/Codex 之后，「谁能读什么数据」成了 CIO 与 CSO 的噩梦——市面上缺一个能管「能读什么/不能读什么」的控制面。Alex 说 Tenex 起初为企业定制（bespoke），后来把它产品化成自家的网关平台。从访谈语境可以推断：这类 AI 扩散的管道生意（权限网关、流程标准化），正是咨询公司转向产品公司的路径。

垂直 AI 与中层 SaaS 的护城河之辩

整场最激烈的交锋在垂直 AI。Alex 的看空来自一线体感：整天泡在企业的脏腑里，那里有太多细微差异、惯性、要摆平的系统与人；而买家如今期待「一对一」（one-of-one）的定制体验——结果是每家软件公司都在建 FDE（前向部署工程师）团队，服务业与软件业正在收敛。他抛出两问：如果人人都要 one-of-one，你怎么维持软件毛利？凭什么认为前沿模型不会直接把垂直方案吞掉？

Swyx 没有客气：「目前为止你一直是错的。」他摆出反例：律师行业的 Harvey、医疗的 Open Evidence，都是各自领域的赢家；接着替对方补上最强论点——数据独占是真护城河，那是 ChatGPT 拿不到的数据；labs 也在收购同样的数据源，只是不如垂直公司专注；这些产品还有只服务单一行业才做得出的界面与功能创新。Alex 用自己的金融从业经历回应（他在 Morning Brew 之前做过债券交易员）：同样的信息从纳斯达克和纽交所都能免费拿到，为什么还每年花 5 万美元买 Bloomberg？因为一切被整合、被专用化、接进了交易系统、聊天与新闻。Swyx 补了一句玩笑：人们为 Bloomberg 付钱，买的其实是里面的社交网络。辩论最终没有裁判：Swyx 又用 Superhuman 证明「更好的 Gmail」收 30 美元/月也有市场——合理的人可以对每块市场的大小有分歧，但总盘子在涨、涨潮抬所有船；Alex 维持总体看空；CJ 给出最有操作价值的分层——从零按 AI 设计的新应用（Superhuman 型）可以成；「agent 即产品」的垂直工具若没有战略性合规或数据护城河会挣扎，因为自建越来越快、模型能力还在持续收编任务；而「改掉流程、再加 agent」的应用仍会成功。

Swyx 随后把话题引向自己的实验：他的 kill-my-SaaS 竞赛——替换一个「中层 SaaS」（不琐碎，但远不是 Salesforce）。厂商报价 4 万美元一年，他们花 1 千美元自建替代品，下届大会前上生产。他自认是 Alex 论断的反例样本：我们就是那个喊着要 one-of-one、自建领域工具还跑通了的客户，「告诉我哪里会出问题」。Alex 的回应区分了市场层级：越往上走，拔除重写的代价越高——有人说 Salesforce、SAP 风险很大，「我完全不同意」：那里的赌注以数亿美元计，企业必然风险厌恶；对中层 SaaS 则要逐案算账——这块软件占的成本，值不值得占用工程师的认知负荷去自建维护？软件的美妙不只在功用，还在于非核心的维护头痛被外包掉了。Tenex 自己从零建过 CRM 和内部操作系统，深知这一点。Swyx 补上自建的另一半理由：不只是贵，而是产品平庸了太久；作为客户，自建的迭代周期是分钟而不是月。Alex 收尾：创业公司和高增长中型公司可以这样灵活，大企业几乎不会这么运作。

相邻还有两个判断值得记录。其一是 Swyx 的接口论：没人想用你造的 agent，人们想用自己已有的 agent、把你的数据插进去——没人愿意叠加一堆 20 美元/月的数据订阅，最终会是少数公司拥有界面、所有人接入；他点名 Salesforce 已经选了这条路：不推自家 agent，而是提供 API 和 MCP（Model Context Protocol，模型上下文协议）供别人接入。其二，Alex 顺带质疑了数据公司的「翻转论」：micro1、Mercor、Handshake 这类公司（名字按转写推测）九成以上收入来自 labs，有创始人赌几年内买方会翻转为企业；Alex 认为这要求企业大规模自微调，而微调换质量要对抗不断上移的前沿线、换价格要对抗持续下跌的 token 价格，两头都难。支撑他这份乐观（或者说对方悲观）的，正是成本侧的拐点：订阅制接入省八成、开源闭源竞争白热化——前一两日才发布的某个新模型（转写作 Muse Wonder，无法核实）据说既在前沿又极便宜。他的反问值得引用：一个聪明 10 倍的模型，值不值得为挪动表格里的几个单元格买单？多半不值。

就业与地理：重组、agency 与纽约的套利

被问到「你们是不是在自动化人」时，两位受访者给出一组并列的答案。Alex 说自己深度相信 AI 对人类总体是好的：它会增强工作，也「绝对会改变和取代」，更像一场运动而非一刀切断。节目引用 a16z 的观察：呼叫中心确实在衰退，AI 正在接手越来越多这类工作；如果这是你安身立命的技能，那打击是毁灭性的。但 Tenex 与客户对话的框架是重新配置（reallocation）：没有企业会说「这事解决了、这群人没事可干」；大公司的问题队列永远排着，做法是把领域专家从「电子表格里的一个单元格」提升到跨团队、战略层的工作。CJ 则对流行的 displacement 话语本身不满：它把人描述成被动的客体，低估了人的能动性。「人们说 AI 会替掉所有你不喜欢的工作——这多少是一种 cope（自我安慰）」：很多人并没有喜欢或不喜欢一份工作的奢侈，工作就是为了赚钱。他的结论是：再培训既是雇主的职责（为了增长），也是员工自己的职责——评估自己岗位未来几年的稳定性与可替代性、主动补技能，是每个人可以做且应该做的事。

最后一段聊纽约。Swyx 自述住在旧金山：那里人人整天泡在 agent 里，讨论的已是该用哪个模型，而不是要不要 AI；他想跳出气泡听听纽约的体感。Alex 的判断：纽约的 AI 泡沫确实比旧金山小一圈，Tenex 因为人员自选择而像「旧金山的微缩」；旧金山的特殊在于文化与 DNA——很大比例的人口「活在未来」（Swyx 自称 AI 人群已约占该市人口 1%，姑妄听之）。Tenex 把这当成使命：让纽约成为美国的 AI 枢纽之一——这里有全美最密的商业，AI 扩散会实质影响 GDP；用 Alex 的话说，纽约是「AI 的更小池塘，但商业价值的池塘一样大、甚至更大」。Swyx 给出自己的版本：他在纽约做 AI 的理由，是让旧金山的人飞过来见见真客户、接受现实检验——这本身就是一种套利。

机制链条与如何观察

链条一：计价单位决定红利归属。 CJ 的悖论（产出更快、收入反降）不是个案而是机制：按小时计费时，AI 增益全部流向买方；按产出计费时，增益归杠杆持有人。二阶影响是组织内方差显性化（自称约 4 倍）与非编码时间的定价难题。观察指标：按产出计酬的岗位供给、story point 类单位的通缩校准节奏。对个人的启发：与其焦虑被替代，不如先检查自己的收入公式是时间的函数还是产出的函数；对组织：用利益相反的角色互审，比堆考核指标更能防造假。

链条二：标准化是自动化的前置条件。 90-60-50-5 断崖的瓶颈不在技术侧而在组织侧：工具可以一夜下发，流程和 eval 不能。得利者是「最后一英里」的转型服务与权限网关产品（Tenex 正从定制转向产品化）；失利者是把「买了工具」当成「完成转型」的企业。观察指标：非工程生产 agent 的渗透率何时从 5% 起步、企业 AI 权限网关是否长成独立采购品类。自查表：把你所在组织按四级对号入座，缺哪级补哪级。

链条三：单任务成本拐点改写自建账本。 订阅制接入（省约 80%）叠加旗舰全能化（Opus 5.5 覆盖全场景），让「经济价值大的多数任务」都能用便宜模型完成。这直接改写了 Swyx 式自建实验（4 万美元订阅 vs 1 千美元自建、3.9 万美元年差价）的经济性，也解释了 Alex 为何看空无数据护城河的「agent 即产品」；但 Salesforce/SAP 级在位者反而安全，因为切换风险以数亿美元计。观察指标：旗舰模型订阅价格、中层 SaaS 的续约率与折扣力度。

链条四：就业话语的分岔。 Alex 的 reallocation 论（需求无限，人向问题队列上游移动）与 CJ 的 agency 论（cope 批评、再培训是双方责任）并不矛盾：前者是系统视角，后者是个体视角。观察指标：企业内部转岗与再培训投入是否同步上升；呼叫中心类岗位数据（节目引 a16z）的走势。

ASR 修正与可靠性说明：公司名转写 TenX/10x 经外部检索核实为 Tenex（tenex.co，Alex Lieberman 与 Arman Hezarkhani 联合创立，转写 Armand 应为 Arman）；转写「from AI apps into AI native」的官网与官方节目页写法为 from AI-absent to AI-native。模型版本 Opus 5.5、Codex 6.1、Astro/Fable、Muse Wonder、「perito point」（疑为 Pareto 拐点）、「CloudTag」（疑指云端版 Claude Code）、数据公司 Micro One/Mercure（疑为 micro1/Mercor）、「staffog」（应为 staff augmentation）均按转写结合上下文校正或保留，未经外部核实。文中全部业务数字（75 人、约 4 倍薪酬差、产出约翻倍、90-60-50-5、token 支出比、Bloomberg 约 5 万美元/年等）为嘉宾或主持人自述，样本主要来自 Tenex 客户池，未经独立核实。