Tenex가 성과 기반 보상과 MetaHarness로 AI 네이티브 SDLC를 만든다

latentspace11일 전조회 1

Tenex는 대기업과 중견기업의 AI 전환을 돕는 applied AI 파트너로, 단순한 코드 생성 도구 도입이 아니라 개발 생명주기 전반을 AI 친화적으로 바꾸는 작업을 한다. 공동창업자 Alex Lieberman과 엔지니어링 리더 CJ Hess는 최근 Latent Space 팟캐스트에서 Fortune 2000 고객을 대상으로 한 이 접근과, 엔지니어 보상을 시간이 아닌 산출물에 연결하는 실험을 공유했다. AI 자체보다 기업 내 확산의 마지막 구간이 어렵다는 문제의식이 바탕에 깔려 있다.

Tenex의 조직은 75명 규모로 성장했고 고객은 Fortune 2000과 중간 시장 기업으로 나뉜다. 회사는 AI 기반 개발 스튜디오에서 출발했지만 최근에는 고객사의 전사 AI 전환을 돕는 요청이 늘고 있다. 보상 체계에서는 스토리 포인트가 여전히 중요한 기준으로 쓰인다. 시간당 과금 구조에서는 AI로 생산성이 올라갈수록 같은 일에 대한 수익이 줄어들 수 있기 때문에, Tenex는 결과물에 값을 매기는 쪽을 택했다. 추정치를 부풀리거나 나쁜 코드로 포인트를 쌓는 우려는 크지 않았고, AI 전략가가 고객 유지와 성장에 책임을 지면서 고객에 도움이 안 되는 일을 걸러내는 구조가 작동한다.

문제는 티켓으로 잘 쪼개지지 않는 일이다. 고객 문제를 이해하고 아키텍처를 설계하며 무엇을 먼저 만들지 결정하는 작업은 스토리 포인트로 환산하기 어렵다. 모델이 좋아질수록 CJ가 직접 코드를 쓰는 시간은 줄고, 고객의 맥락을 모델이 쓸 수 있는 형태로 정리하는 시간이 늘어난다고 한다. Tenex는 배포된 작업 중심의 보상 체계 안에 이런 비가시적 작업을 어떻게 반영할지 고민한다.

기술적 중심에는 MetaHarness가 있다. 공유 스킬, 프로젝트 문서, CLI를 묶은 작업 환경으로, 계획과 의사결정을 코드와 함께 Git에 커밋한다. 에이전트가 같은 작업으로 돌아왔을 때 무엇을 만들었는지뿐 아니라 왜 그렇게 만들었는지 읽을 수 있게 하려는 설계다. Linear, GitHub, 고객 업데이트를 연결한 프로젝트 기록 위에서 사람과 에이전트가 같은 맥락을 본다.

핵심은 에이전트의 코드 작성 속도를 높이는 것과 주변 작업을 읽을 수 있게 만드는 것을 구분하는 데 있다. 계획, 인수 조건, 의사결정, 근거가 저장소에 남아야 에이전트가 다음 작업에서 같은 실수를 반복하지 않는다. 다만 이런 구조는 작은 팀이 단일 프로젝트를 할 때는 과할 수 있다는 비용도 인정한다.

Tenex의 실험은 AI-native SDLC가 코드 생성 자동화만으로 완성되지 않는다는 점을 보여준다. 개발자는 프롬프트를 잘 쓰는 능력보다 문제 정의, 맥락 제공, 검증 가능한 산출물 설계에 더 많은 시간을 쓰게 된다. 보상과 평가도 '얼마나 빨리 타이핑했나'가 아니라 '고객 문제를 얼마나 잘 풀었나'로 옮겨간다.

팟캐스트에서는 사내 도구를 직접 만드는 문제도 다뤘다. Latent Space가 연간 4만3천 달러를 견적받은 발표자 관리 도구를 AI 에이전트로 대체하는 'Kill My SaaS' 실험에는 72개 제출물이 들어왔고, 사람 심사위원이 고른 우승작은 AI 심사위원 순위에서 19위였다. 시나리오 충족 여부를 검사하는 일과 사람이 실제로 쓰고 싶은지 판단하는 일은 다르다는 사례다.

Alex는 위쪽 시장으로 갈수록 기존 시스템을 걷어내는 비용과 위험이 커진다고 본다. 작은 도구도 결국 누군가 유지보수해야 한다. 반대로 직접 워크플로를 소유하면 공급업체를 기다리는 대신 분 단위로 개선할 수 있다는 기대도 있다. 절감액만으로 결정할 문제가 아니라는 뜻이다.

수직 AI 제품에 대한 시각도 갈린다. Alex는 모든 기업이 맞춤형 일대일 솔루션을 원하는 상황에서 소프트웨어 마진을 내기 어렵고, 프런티어 모델이 좋아지면 범용 도구가 하위 작업을 흡수할 수 있다고 본다. 반면 Harvey, OpenEvidence처럼 도메인 데이터와 전용 인터페이스, 통합, 사용 습관이 경쟁력이 되는 사례도 있다. Bloomberg 터미널처럼 데이터·워크플로·소통을 한곳에 묶는 제품이 대표적이다.

CJ는 에이전트가 작업을 수행하는 것이 핵심인 수직 제품과, 그 작업을 둘러싼 워크플로를 개선하는 도구를 구분한다. 결국 질문은 '수직 AI가 이기느냐'가 아니라 어떤 제품이 사람들이 계속 일하는 장소로 남고, 어떤 제품이 기존 에이전트의 기능으로 흡수되느냐다. Tenex의 사례는 AI 네이티브 개발 조직을 만들 때 보상, 저장소, 평가, 유지보수까지 함께 설계해야 한다는 숙제를 남긴다.