Как Tenex строит инженерную команду, в которой всё делают агенты

Что меняется, когда AI-native команда разработчиков строится с нуля, а не достраивается вокруг старых процессов? На эту тему в подкасте Latent Space (серия «AI in NYC») говорили Алекс Либерман и СиДжей Хесс из консалтинговой компании Tenex. Автоматические субтитры записи сильно искажены, поэтому здесь только те тезисы, которые читаются однозначно. Точные цифры из расшифровки лучше сверять с оригиналом.

Почему Tenex сделала ставку на AI-native консалтинг

Идея компании проста. Сырой интеллект моделей уже есть, а трудно довести его до реальной экономической работы внутри предприятий. Tenex продаёт не штатных инженеров, а результат: внедрение ИИ как услугу, где работают AI-стратеги и технические консультанты.

Модель оплаты тоже необычная. Инженеру платят не за часы, а за выход. В компании измеряют, сколько story points в среднем закрывает инженер за месяц, и квартально пересматривают саму оценку этих очков. По словам гостей, за последний год показатель вырос примерно вдвое. Особенно заметный скачок пришёл с декабря, когда модели научились надёжно работать на длинном горизонте.

Репозиторий как память команды

Главная практика касается документации. Идея в том, чтобы контекст не оставался в головах людей, а лежал в репозитории: планы, принятые решения, причины этих решений. Тогда агент, взявшись за задачу, видит ту же картину, что и инженер.

Вокруг этого выстроены повторяемые вещи:

• единая структура репозитория и канонический формат плана;
• разделение планирования и исполнения: сначала план, потом агенты его выполняют;
• CLI, который запускает задания и управляет моделями;
• отчёты и визуализации для клиента, которые тоже собирают агенты.

Отдельно отмечено, что для агентов HTML удобнее Markdown, когда нужно показать результат наглядно. Идея понятная: чем меньше работа зависит от устной договорённости, тем больше её можно автоматизировать.

Модели, подписки и цена токенов

Из моделей гости выделяют Opus 5.5: он быстрый и закрывает основные потребности команды. Часть людей по-прежнему пользуется Codex, особенно для работы с компьютером, но в целом команда склоняется к Claude Code. Одним из аргументов называют подписку, которая выходит заметно дешевле, чем оплата по API.

Расходы на токены у них растут, и они этого не скрывают. В какой-то момент в компании даже был внутренний рейтинг по потреблению токенов. Тем не менее гости не тревожатся. Токен дешевеет, а стоимость готовой работы падает ещё быстрее. Страшнее было бы экономить на модели и получать худший результат.

Где у компаний застревают агенты

По наблюдениям Tenex, у большинства организаций до сих пор нет агентов в продакшене, даже у тех, где работают тысячи людей. Причины две. Первая в том, что процесс, которого не существует на бумаге, автоматизировать нельзя. Сотня людей может делать одно и то же по-разному, и агенту нечего читать. Вторая в доступах и разрешениях: нет нормального шлюза и панели контроля, поэтому Tenex сделала собственную платформу-шлюз.

Совет клиентам такой: сначала описать конкретный процесс, потом передавать шаги агенту и проверять, что он делает работу правильно и стоит ожидаемых денег.

Вывод

Опыт Tenex показывает, что преимущество AI-native команды не в самой модели. Оно в дисциплине: описанные процессы, контекст в репозитории, измеряемый выход и понятная экономика токенов. Остальным стоит начать с малого: перенести решения из чатов и голов в репозиторий и посмотреть, сколько работы агент возьмёт на себя.