以產出計價的薪酬模式與實際挑戰
Tenex 共同創辦人 Alex Lieberman 表示，公司仍使用故事點作為工程薪酬的重要組成部分。外界擔憂工程師會為了累積分數而虛報工作量或交付低品質程式碼，但 Lieberman 指出這些並非主要問題，因為負責客戶留存與增長的 AI 策略師有動機抵制不符合客戶利益的工作。
真正的挑戰在於如何獎勵那些無法明確對應單一工單的工作，例如理解客戶問題、架構設計或決定開發內容。工程總監 CJ Hess 提到，隨著模型能力提升，他直接編碼的時間減少，更多時間花在將客戶上下文轉換為模型可用的形式。
Lieberman 透露，Tenex 內部工程師的薪資差距約為 4 倍，而非外界猜測的 10 倍。公司認為 AI 是對人類智力與工作倫理的槓桿投資，因此產出能力的差異會擴大，但此模式僅適合願意自我驅動並善用前沿技術的工程師。
MetaHarness：將專案上下文納入版本控制
Tenex 開發了一種名為 MetaHarness 的內部工作流，包含共享的技能集、專案文件與 CLI 工具。計畫與決策會連同程式碼一起檢查至 Git 倉庫中，當 AI 代理回到任務時，不僅能讀取已建置的內容，還能理解團隊選擇該架構的原因。
Hess 解釋，這種做法將「讓代理更快寫程式」與「讓周邊工作可被閱讀」區分開來。系統記錄了計畫、驗收標準、決策與證據，形成人類與代理共同參照的專案紀錄。Tenex 的文章也承認，對於小型團隊或單一專案而言，這種結構可能過於繁瑣。
透過將所有上下文保留在倉庫中而非僅存在於對話或個人腦海中，Tenex 旨在讓 AI 工具擁有更完整的背景資訊。Hess 表示，自去年底模型能力突破以來，工程師在同一時間段內能處理的工作量大約翻倍，公司每季度會重新評估故事點的標準以反映模型能力的變化。
企業採用 AI 的障礙與垂直軟體的辯論
Tenex 目前擁有 75 名員工，其中 90% 為工程師或技術顧問性質的 AI 策略師。客戶結構約 50% 為財富 2000 強企業，另外 50% 為營收在 1 億至 5 億美元之間的中型市場公司。需求已從單純的工程外包轉向全公司的 AI 轉型服務。
Lieberman 對垂直領域的 AI 產品持謹慎態度，認為如果每家企業都期待客製化解決方案，將難以維持軟體業的利潤率，且通用模型的進步可能會吸收底層任務。然而，Latent Space 主持人反駁指出，如 Harvey 或 OpenEvidence 等案例顯示，特定領域數據、介面整合與使用者習慣仍能構成護城河。
Hess 區分了兩種產品：一種是主要功能為代理執行任務的垂直產品，另一種是改善實際工作流的工具。他認為關鍵問題不在於垂直 AI 是否會勝出，而在於哪些產品能成為人們持續工作的持久場所，哪些則會變成現有代理中的一個功能。
自建軟體的成本與維護風險
Latent Space 團隊曾進行「Kill My SaaS」實驗，嘗試用 AI 代理取代每年報價 4.3 萬美元的演講者管理工具。雖然人類評審選出的獲勝方案在 AI 評審排行榜上僅排第 19 名，但這突顯了滿足功能清單與判斷使用者意願之間的差異。
Lieberman 對企業自建軟體提出質疑，指出隨著客戶規模擴大，移除現有系統的風險與成本越高。即使是小型工具，也需要有人負責維護，節省的成本必須足以證明持續關注的合理性。
Latent Space 團隊則認為，擁有工作流的好處不僅在於帳單，更在於能針對使用者需求快速迭代，而非等待供應商數月。這顯示了自建軟體在靈活性與長期維護成本之間的權衡。
