AI for the Fortune 2000: How Tenex Builds an AI-Native SDLC — Alex Lieberman & CJ Hess
三句話摘要
10x分享如何透過AI代理和工程師,幫助大型企業從AI應用過渡到AI原生架構,以及按成果而非工時付費的創新商業模式。 AI不會自動滑落到企業流程中,需要先建立標準化與清晰的權限架構,工程師才能透過低成本的通用模型有效部署代理,實現真正的AI原生轉型。 按產出而非時間計酬的革新 — 10x採用故事點制度,讓工程師的產能與報酬直接掛鉤。隨著AI模型能力提升,同樣故事點今年的工程師輸出已翻倍,但10x會定期校準故事點的貨幣價值,避免價值膨脹。
重點整理
按產出而非時間計酬的革新 — 10x採用故事點制度,讓工程師的產能與報酬直接掛鉤。隨著AI模型能力提升,同樣故事點今年的工程師輸出已翻倍,但10x會定期校準故事點的貨幣價值,避免價值膨脹。
企業AI採用仍有巨大缺口 — 雖然90%大企業已部署通用LLM,但只有50%真正採用coding agent,非工程工作的生產代理部署率僅5%。最大需求是部署後台工作自動化代理,以及解決員工資料存取權限問題。
流程標準化是自動化前提 — 企業常有40人做同樣工作卻各有一套做法,導致無法構建有效代理。10x的做法是先與團隊合作建立標準流程,才能設計代理在背景自動執行,將人員提升為代理管理者角色。
模型競爭推低成本,淘汰token優化時代 — 6-8個月前還需擔心過度使用高端模型,現在Opus 5.5價格親民且能力充足,加上Muse等新選項競爭,很多經濟價值工作無需再用最貴模型。內部token與員工薪酬比約1:1至2:1。
實用技巧與重點
- 商業規模
- 成立時間:18個月前
- 團隊規模:75人(90%工程師或AI策略師)
- 客戶構成:50%財富2000強企業,50%營收1-5億美元中型公司
- 工程師收入差距:約4倍(最高與最低之間)
- 企業AI採用五階段及滲透率
- 部署通用LLM(Claude/Codex)→ 90%
- 訓練與啟用(培訓員工用法)→ 60%
- Coding agent部署 → 50%
- 非工程工作生產代理 → 5%
- [下一階段未提]
- 技術棧與模型選擇
- 主流模型:Opus 5.5(成本低、速度快、能力全面)
- 副選:Claude for Anthropic products, Claude for computer use workflows
- Token/員工薪酬比:1:1至2:1(部分企業可能高達2:1)
- 10x內部系統
- Meta harness:結構化工程工作流與CLI工具
- 計劃文檔(Plan)+ 決策日誌(HTML圖表化記錄)+ 程式碼 = 完整可追溯記錄
- 網關平台(Gateway):解決資料權限控制與RBAC問題
- SaaS置換案例
- 原成本:$40,000/年
- 置換成本:$1,000
- 狀態:將在下次會議推出生產版本
- 故事點與生產力
- 2026年年初至今:工程師輸出增長約2倍
- 故事點定期校準(每季評估)
結論
AI不會自動滑落到企業流程中,需要先建立標準化與清晰的權限架構,工程師才能透過低成本的通用模型有效部署代理,實現真正的AI原生轉型。
完整解析
10x是一家應用AI的顧問公司,專注幫助企業從停留在AI應用層級進化到AI原生企業。訪談中CEO與首位員工CJ詳細介紹了他們的經營哲學與市場洞察。
10x的核心創新是打破傳統軟體顧問的時薪制,改為按故事點(story point)付費工程師。這模式基於一個觀察:AI大幅提升了工程師的產出能力,但傳統時薪制反而讓高產能者收入下降——你做得越快越好,賺得越少。故事點制度則直接把報酬與產能掛鉤。這吸引了如CJ這樣深信AI將徹底改變軟體工程的人才加入。過去18個月,這套模式已被驗證:雖然收入差距約4倍(而非宣傳的10倍),但確實形成了高度的收入分化,激勵頂級工程師持續優化AI工具使用。
在企業端,10x發現AI採用存在明顯的階梯效應。雖然90%大企業已部署ChatGPT或Claude,但真正導入編碼代理的只有50%,而在非工程部門部署生產級代理的企業比例僅約5%。最大的市場需求聚集在兩個地方:一是部署自動化代理執行後台工作(客服、流程自動化等),二是解決大規模AI採用帶來的權限與資料治理噩夢——每個員工都能存取AI,但如何控制他們看到什麼資料,成了CIO和CISO的頭痛問題。10x甚至為此構建了自己的網關平台。
談到自動化的前提條件,CJ提到一個被忽視的關鍵點:「你無法自動化一個不存在的流程。」許多企業期待AI代理立即解決問題,但如果40個員工都在各自用不同方式做同樣工作,代理根本無法標準化執行。10x的做法是先與團隊共同建立標準化流程,才能設計代理來處理。這不僅提升代理有效性,也讓組織能定義評估指標、建立反饋迴圈。最終目標是將那些曾執行重複工作的人員提升為「代理管理者」角色,負責審查代理的工作並提供改進意見。
在技術選擇上,訪談反映了AI市場的一個根本轉變。去年的「Token競賽」時代已過,工程師會因為「老闆買單就瘋狂」而過度使用最昂貴的模型。如今競爭加劇(Muse等新模型持續降價)、Opus 5.5的成本和能力平衡達到甜點,許多任務根本不需要最頂級模型。10x的token成本與員工薪酬比約1:1至2:1,遠低於業界平均10-200美元。這也改變了細調(fine-tuning)的經濟學:如果前沿模型持續降價,企業自行細調的動機大幅下降。
對於垂直特定AI方案(如Harvey、Gora等法律AI),兩位採取謹慎立場。他們認可這類工具的數據優勢和UX定製,但懷疑其長期護城河——隨著通用模型持續改進、成本下降,垂直解決方案的相對優勢會逐漸侵蝕。更有生命力的模式,他們認為,是將AI工具與既有商業軟體(如Bloomberg的生態)深度整合,而非單純的代理加vertical data。
最後談及AI對就業的影響時,他們強調雙向責任:企業需提供重新技能培訓與工作轉換機會,員工也應主動評估職業風險並主動提升。他們親眼看到許多客戶在自動化後勤工作後,將人員轉向戰略性工作(如財務人員從逐格填表升級為預算決策分析)。加上企業的無限需求池,通常總有新問題等待解決。

