按時計酬的陷阱:越快越窮
Tenex 是一家協助企業從「無 AI」轉向「AI 原生」的應用型 AI 夥伴,目前團隊規模為 75 人,客戶涵蓋財富 2000 強企業與中型市場公司。這家公司的核心商業邏輯建立在一個反直覺的觀察上:當 AI 讓工程師的產出速度翻倍時,如果薪資仍按小時計算,工程師的收入實際上會因為「效率提升」而相對縮水。
Tenex 的工程總監 CJ Hess 在訪談中直言,他過去作為傳統軟體工程師,感覺自己的產出變得更好、更快,最終卻賺得更少。這正是 Tenex 選擇按「產出」而非「時間」付費的原因。他們使用 Story Points(故事點數,一種估算工作量的相對單位)作為薪酬基礎,讓激勵機制與客戶獲得的價值對齊,而不是與鍵盤敲擊的時間掛鉤。
結構即記憶:讓 AI 讀懂「為什麼」
在具體執行層面,Tenex 開發了一套名為 MetaHarness 的系統,這套系統將專案的技能庫、文件與命令列介面(CLI)整合在一起。其關鍵設計在於:所有的計畫、決策與驗收標準,都與程式碼一起提交到 Git 版本控制系統中。
這解決了 AI 代理程式(Agent,能自主執行任務的 AI 軟體)的一個痛點:當代理程式回頭處理任務時,它不僅能讀到「做了什麼」,還能讀到「為什麼這麼做」。CJ Hess 指出,隨著模型變強,工程師花在手寫程式碼上的時間減少,花在建構客戶情境、讓模型理解業務邏輯上的時間增加。MetaHarness 就是為了讓這些隱性的決策過程變得「可讀」,從而讓 AI 能持續參與長期專案。
自建 vs. 外包:維護成本的隱形帳單
Latent Space 主持人提出了另一個視角:如果 AI 讓軟體開發變便宜,為什麼不直接自己寫?他們舉例「Kill My SaaS」專案,該專案旨在替代一款年費 43,000 美元的會議講者管理工具。結果顯示,獲獎團隊在 AI 評分榜單上僅排第 19 名,這揭示了「滿足功能清單」與「使用者實際體驗」之間的巨大鴻溝。
Alex Lieberman 對此提出警告:對於大型企業,剷除既有系統的風險與成本極高。即使對於較小的工具,自建軟體意味著必須承擔持續的維護責任。他的論點是,除非節省下的費用遠高於長期維護的人力成本,否則自建並非總是理性選擇。這揭示了「開發成本」與「擁有成本」之間的斷層。
垂直 AI 的生存空間
在討論垂直領域 AI 產品時,Alex Lieberman 持悲觀態度。他認為,如果每家企業都期待客製化解決方案,軟體公司難以維持利潤率;且隨著前沿模型進步,通用工具會逐漸吸收這些特定任務。
主持人則以 Bloomberg 終端機為例反駁:交易員可以在別處獲取市場數據,但 Bloomberg 提供了數據、工作流、通訊與習慣的整合。CJ Hess 進一步區分了兩類產品:一類是「代理程式執行任務」的工具,另一類是「改善任務周圍工作流」的平台。後者更可能成為用戶長期工作的場所,而非僅是 AI 的一個功能。
主筆觀點
我認為 Tenex 的模式揭示了 AI 時代軟體服務業的終局:「時間」將不再是計價單位,「結果」與「維護責任」才是。
按時計酬在 AI 時代的荒謬性在於,它懲罰效率。當一個工程師利用 AI 在一天內完成過去三天的工作,按時計酬讓他只賺一天的錢,這不僅不合理,更會導致人才流失。Tenex 用 Story Points 將薪酬與客戶價值綁定,這在邏輯上是正確的,但執行難度極高。它要求企業必須精確定義「什麼是好結果」,這在模糊的創新領域幾乎是不可能的任務。
反過來看,自建軟體的誘惑往往被低估了維護成本。Alex Lieberman 的警告切中要害:開發只是開始,擁有才是負擔。對於白領與創業主而言,真正的決策點不在於「AI 能不能寫代碼」,而在於「誰來為這個系統的長期演進負責」。如果選擇外包,必須確保供應商有像 Tenex 這樣的結構化知識管理(MetaHarness),否則你買到的不是一次性交付,而是一個需要不斷餵養的黑盒子。
接下來該看的訊號是:大型企業是否開始在 RFP(徵求提案)中要求供應商展示其「決策記錄」與「維護 SLA(服務等級協議)」。如果供應商無法證明其 AI 工作流的可追溯性,它們將失去對 Fortune 2000 的競爭力。
以上為魔法報紙編輯部觀點,不代表原報導立場。