纽约AI：Tenex如何打造AI原生工程团队——Alex Lieberman与CJ Hess

摘要

• 最值得交易者关注的数据，是Alex Lieberman给出的企业采用漏斗：在10X接触的约100家企业中，90%已部署通用大模型Claude或Codex，约60%提供培训和使用指导，约50%已部署编程智能体，而不少AI Engineer参会者猜测的比例是70%–80%。 非工程类智能体进入生产环境的比例则降至约5%。Alex认为，这是原始智能与企业实际应用之间最大的落差，也印证了10X的判断：技术扩散的最后一公里很难走。
• 10X按产出付酬的判断大体经受住了检验，但实际模式需要更细致的设计：Alex表示，团队并未遇到人们担心的虚报故事点、交付劣质代码问题，AI策略师的激励则与客户留存和增长挂钩。 最大的薪酬难题，是如何计算工程师在架构设计、客户会议等非编码工作上的贡献。收入能力最高与最低的工程师之间差距约为4倍，而不是10倍。团队至少每季度重新校准一次故事点标准；一位嘉宾表示，理论上模型越强，故事点的价值就应该越低。
• CJ Hess估算，从12月“Opus 4.5时刻”到如今的Opus 5.5，工程师产出大约翻了一倍；他称Opus 5.5是“了不起的模型”。 Opus速度快、成本低，覆盖了他过去需要用两三个模型才能完成的任务范围。团队经常让它与Codex搭配，由Codex审查其工作；10X的“元框架”将计划、决策和智能体日志保存在代码仓库里，因此上下文“永远不只在某个人脑子里”。
• 随着团队扩张，Token成本曾令人担忧，但这种焦虑已经缓解。 CJ估算，10X的Token实际支出约为员工支出的1:1至2:1。swyx的基准数据显示，不少公司每名员工的Token支出为10至200美元；AI初创公司的Token支出则从与员工支出大致相当，到后者的5–10倍不等。CJ表示，单项任务成本下降后，想靠“把Token用到极限”来严重拖累公司，比6到8个月前难得多。Alex的表格测试是：“一个聪明10倍的模型，真的值得我们为移动表格里的几个单元格付出这笔成本吗？大概不值得。”
• 本期最尖锐的分歧在垂直AI上：Alex总体看空Harvey、OpenEdmunds等垂直AI，认为企业买家期待高度定制、独一无二的方案，迫使供应商组建FDE团队，令软件毛利率承压。 swyx则反驳说，专有数据、专业功能和集成能力可以支撑垂直产品；Bloomberg的价值就不止于提供市场数据。Alex指出，人们也在为Bloomberg的社交网络付费；swyx则认为软件整体市场会扩大，企业之间仍将争夺市场份额。
• Alex认为，Salesforce和SAP很难被替换，因为替换失败可能让数亿美元乃至数十亿美元面临风险；中端SaaS则要具体问题具体分析。 swyx举了“Kill My SaaS”的例子：一家供应商报价每年4万美元，替代方案只需1000美元，而且即将投入下一场大会的生产环境。重建系统的理由不只是省钱；swyx表示，客户若能以分钟而非数月为单位迭代，使用体验可能好得多。
• 企业反复遇到的两类问题，是部署后台智能体和管理数据权限。 Alex说，权限管理和RBAC已让CIO和CISO“头疼不已”，10X已将自家的网关方案产品化。CJ强调前提是：“流程不存在，就谈不上自动化。”如果40个人做着大致相同的工作，却各有一套做法，就应先统一流程，再把工作交给智能体或搭建评估体系。
• 谈到岗位替代，Alex强调个人仍有选择和行动的空间；CJ则直言，把AI说成只会替代人们不喜欢做的工作，“多少有点自我安慰”。 CJ援引a16z称，随着AI承担更多工作，呼叫中心岗位正在减少；10X则把部署智能体描述为人员重新分配、转向下一个问题。谈到地域，CJ认为纽约的AI泡沫比旧金山小；Alex则认为，纽约在商业上的体量可能不逊于旧金山，甚至更大，也能推动AI扩散。

精读

1. 按产出而非工时为工程师付酬的模式经受住了考验——差距是4倍，不是10倍

• Alex再次介绍10X：它是“为全球一些最大的企业提供AI落地服务的合作伙伴”，帮助客户从AI应用走向AI原生。其基本判断是，AI代表“原始智能”，真正的难题在于扩散的最后一公里。成立18个月后，公司有75名员工，其中90%是工程师或AI策略师；客户由《财富》世界2000强企业和营收1亿至5亿美元的中型企业组成。
• CJ的创业起点浓缩了这套薪酬逻辑：作为按小时收费的顾问，他“感觉自己的产出越来越好、速度越来越快，最后拿到的钱却越来越少”。在Sonnet 3.5和Gemini 2.5 Pro的时代，他押注按产出付酬能让自己随着AI提升产出而赚得更多。
• Alex表示，常见的质疑——虚报故事点、交付只勾选完任务却几乎未经检查的代码——“完全没有成为问题”，因为AI策略师的激励与客户留存和增长挂钩；他形容这与工程师的激励逻辑“完全相反”。真正棘手的是，如何为工程师用于架构设计或客户会议的时间付酬。Alex估算，收入能力最高与最低的工程师之间相差约4倍，swyx随即追问：“哦，不是10倍？”
• 故事点标准至少每季度重新校准一次。一位嘉宾表示，理论上模型越强，故事点就越应该贬值；CJ则谈到，既要奖励产出，也要重新校准所创造价值之间的平衡。CJ认为，未来更多价值会来自“坐下来听客户尽可能完整地讲清楚需求，然后把这些内容交给模型”。

2. 元框架：上下文留在代码仓库，阶段内产出大约翻倍

• CJ介绍，10X的工程体系由结构化文档和一套供模型驱动工作的CLI组成，包含规范计划文档、智能体决策日志和可视化进度报告，所有材料都提交到Git。谈到文档与代码孰轻孰重，他说，团队确实需要知道某项决策为何做出；持久化的上下文“永远不只在某个人脑子里，而始终在代码仓库里”。
• 衡量流程是否有效的指标之一，是每名工程师每月的平均故事点数。CJ估算，从12月的“Opus 4.5时刻”到如今团队使用Opus 5.5，工程师产出大约翻了一倍。他说，模型大约从那时起开始承担长时间运行的任务；工程师构建和交付的东西发生了“惊人的”变化。

3. Opus 5.5减少了模型轮换，Token成本担忧也有所缓解

• 办公室里的“氛围检测”结果是Opus 5.5。CJ说自己不太用Fable，觉得很多人正逐渐不再默认使用它。Opus“速度快、成本低”，能力覆盖了他过去需要用两三个模型才能完成的任务。团队仍会在电脑操作任务上使用Codex，也经常让它审查Opus的成果。CJ说自己仍在最大化使用AMP，采用AMP的Orbs云端方案，以及连接Claude Code订阅的功能；swyx表示，这样能把成本降低约80%。CJ认为，AMP的跨模型功能优于他通过Claude Code、Claude和Claude Tag能实现的效果。
• 谈到Token支出与员工支出的基准数据，CJ估算10X的Token实际支出约为员工支出的1:1至2:1。swyx表示，不少公司每名员工的支出为10至200美元；AI初创公司的Token支出则从大致相当于员工支出，到后者的5–10倍不等。CJ说，随着员工人数增加，成本一度令人担忧，但如今已经下降：Opus 5.5、订阅方式和单项任务成本下降都起了作用。他说，想靠“把Token用到极限”来严重拖累公司，比6到8个月前难多了。
• CJ提出了数据公司MicroOne、Mercor和Handshake面临的问题：他说它们超过90%的收入来自实验室，但一些创始人预计未来几年企业需求会增长。这一预期取决于企业是否会微调自己的模型；如果前沿模型持续进步、Token成本持续下降，CJ认为押注企业自训模型并不容易。Alex补充说，如果Astra 6.5或Fable 5.5以高价提供最佳效果，支出可能会再度上升。他还提到Muse Wonder，称其处于前沿水平，而且“便宜得离谱”。

4. 企业采用漏斗：90%已部署大模型，只有5%把非工程类智能体投入生产

• Alex给出了企业采用进度：在10X接触的约100家企业中，他估计90%已部署Claude或Codex；约60%提供培训和使用指导；约50%已部署编程智能体，而不少AI Engineer参会者猜测的比例是70%–80%；约5%把非工程类智能体投入生产环境。Alex认为，最后这一步的落差，是原始智能与企业实际应用之间最大的扩散鸿沟。
• Alex说，推动这波浪潮的是一小群理解技术能力的人，以及规模大得多、受错失恐惧驱动的人。这种势头也可能让企业盲目追逐智能体热潮。企业常提出的需求之一是后台智能体，另一个大问题是权限管理和RBAC。员工使用Claude或Codex并需要访问公司数据，Alex说，这已让“CIO和CISO头疼不已”。10X最初为客户定制解决方案，后来将自家的网关产品化。
• CJ提醒，前提是：“流程不存在，就谈不上自动化。”如果40个人做着大致相同的工作，却各有各的做法，智能体就更难在后台接手这类工作。CJ表示，应先统一流程，再评估智能体、移交工作；最终目标是让员工更像智能体管理者。

5. 看空垂直AI，swyx认为专业化产品仍能延续

• Alex表示，他总体看空面向特定垂直行业的AI，例如为律师服务的Harvey和为医生服务的OpenEdmunds。从10X深入企业内部的经验看，实际情况往往复杂，有惯性，还需要协调大量系统和人员。买家越来越期待高度定制、独一无二的解决方案，软件公司则为此组建FDE团队；Alex质疑垂直软件如何在维持软件毛利率的同时满足这些期待，也质疑前沿模型为什么不会“把它们吞掉”。
• swyx反驳道：“到目前为止，你一直判断错了。”他指出，ChatGPT可能不具备某些数据，专业功能和界面也有价值，例如Harvey的平板端审阅和Legora。他以Bloomberg为例：即便他能从Nasdaq和纽约证券交易所获取相同信息，Bloomberg仍提供整合后的专业信息、同行用户网络和各种集成。Alex回应说，人们也在为Bloomberg的社交网络和私信功能付费。
• CJ区分了新开发的AI应用和主要靠智能体干活的垂直产品。他认为，缺少战略性合规或数据护城河的垂直智能体，会随着模型进步而陷入困境；但能改变流程、在流程之上部署智能体的应用和工具依然可能成功。swyx补充说，用户可能更愿意使用已有的智能体，再接入自己的数据；他指出，Salesforce正通过API和MCP拥抱这条路径。
• swyx举出的“Kill My SaaS”案例让中端市场的问题更加具体：供应商报价每年4万美元，替代方案只需1000美元，而且即将投入下一场大会的生产环境。Alex说，Salesforce和SAP很难被替换，因为替换失败可能让数亿美元乃至数十亿美元面临风险。中端SaaS要具体问题具体分析：关键在于机会是否值得投入工程资源，以及是否值得承担维护非核心软件的认知负担。10X自己开发了CRM和操作系统。swyx强调，重建系统也可以是进攻手段，而不只是为了省钱：如果客户能“以分钟而不是数月为单位”迭代，使用体验可能好得多。

6. 岗位替代没有简单答案，纽约是商业活动更密集的一方

• CJ说，AI会增强和改变工作，也会取代一部分工作。他援引a16z的一篇文章称，随着AI承担更多工作，呼叫中心岗位正在减少。10X把智能体部署描述为人员重新分配：解决一个任务之后，还有下一个问题要处理；领域专家也可能在不同团队间协作，或专注于更具战略性的问题。
• Alex认为，人们谈岗位替代时，常把它描述成发生在人们身上的事，却没有充分肯定他们的主动性。CJ补充说，把AI描述成只会取代人们不喜欢做的工作，“多少有点自我安慰”：很多人无法只根据喜好选择工作。他表示，雇主和员工都应承担再培训的责任；人们也应评估自己的工作是否稳定、是否容易被替代，并在可能的情况下采取行动。
• CJ认为，纽约的AI泡沫比旧金山小，但10X的团队和合作伙伴让他得以看到当地高度活跃的AI社群。他说，10X希望扩大这个社群，把纽约打造成推动AI扩散的枢纽，因为当地商业活动密集，AI也有潜力影响GDP。Alex认为，纽约在AI领域只是个小池塘，但商业价值可能与旧金山相当，甚至更大。swyx说，他把AI Engineer活动办在纽约，是为了让旧金山的人来见客户、了解现实；Alex称这是种有意思的套利。
• CJ说，他的特别项目包括搭建10X内部的元框架和平台，寻找能为模型提供工具、提升其能力的方法，以及帮助企业部署后台智能体。