Vejen til enhjørningen: De næste milliard-dollars startups bliver bygget af små hold

Er to uger en rimelig tidsramme til at bygge et brugerdefineret CRM, der kombinerer deals, regnskab, fundraising, agenter og partner-workflows i ét interface? Konventionel logik siger nej. Alligevel ser jeg igen og igen versioner af dette ske, fordi omkostningerne ved at bygge internt software er faldet, mens integration og onboarding ikke har ændret sig.

Et nyligt eksempel fra vores eget arbejde demonstrerer dette. Vores ikke-tekniske medstifter Denis byggede et internt CRM på omkring to uger, med orkestreringsstøtte fra vores ingeniør og mig, og dele af det var allerede i drift, mens han stadig eksperimenterede med det. Systemet var forbundet til en rigtig database gennem en admin-panel, så holdet kunne overvåge 1000+ kunders sundhed i realtid, og det dækkede også partnerstyring med henvisningslinks og payout-tracking.

Han byggede det for at løse et problem, som hver hurtigt voksende virksomhed støder på. Standard-CRM’er trækker dig ind i en andens workflow. Du bruger tid på at lære funktioner, du ikke har brug for, du støder på begrænsninger, og du bruger endnu mere tid på at integrere værktøjer, så systemet afspejler, hvordan din forretning faktisk fungerer. Når de underliggende værktøjer lader dig bygge hurtigere, end du kan onboard, ændrer den gamle byg-eller-køb-afgørelse, og flere hold begynder at bygge deres egen driftslag.

At forkorte loopet mellem intention og eksekvering

På markedet reducerer AI tiden mellem en idé og en fungerende første version. Denne ændring skete, fordi du nu kan give en agent en velbeskrevet opgave og få en første udgave, der er brugbar nok til, at en senior ingeniør kan gennemgå, korrigere og sammenføje. Hos SquareFi estimerer vi, at omkring 95 procent af vores kode er produceret med AI-støtte, og vores kerne-tekniske gruppe gik fra omkring ti personer til fire. Dette er ikke bare en gimmick til at spare omkostninger – selvom enhjørninger forsøger at være lean – det er en reallokering af ressourcer. Med færre mennesker sender vi 10 gange mere højkvalitetskode.

Dette er nyttigt for os inden for og på tværs af flere afdelinger. Designhold bruger mere og mere Figma-plugins til at konvertere design til HTML, og derefter bruger de AI-værktøjer til at bygge små prototyper til første-niveau-testning, før noget når udviklingskøen. Nu kan vi iterere ved at teste idéer tidligt uden at vente på kapacitet.

Vi kører også agenter, hvor ned siden af langsom feedback er høj. Vi har sikkerhedsagenter, der kontinuerligt analyserer logs og brandvæggsaktivitet for usædvanlige mønstre, og vi bruger en agent, der analyserer hver GitHub-kommit, før den sammenføjes med produktionen, mens den sammenlignes med den nuværende trusselslandsby. Mennesker gør sjældent den slags gentagne diligence konsekvent, selv når de er meget omhyggelige.

Det brede resultat er, at handlinger går gennem færre håndtering og færre forsinkelser forårsaget af at vente på, at en specialist bliver tilgængelig.

At vide, hvad man skal gøre, er vigtigere end at vide, hvordan man gør

Du kan bede en AI-agent om at bygge næsten alt, og du kan gøre det til en brøkdel af tiden og omkostningerne ved at træne en person til at producere den samme første udgave. Kvaliteten af output følger stadig præcisionen af din anmodning og styrken af din validering.

I mange startups nu er specifikationskvaliteten begrænsningen. De mest værdifulde mennesker i et AI-drevet hold er ofte dem, der dybt forstår domænet, kan beskrive systemer præcist og kan validere resultater uden at vifte med hånden. Nye jobbetiketter er begyndt at følge denne virkelighed, herunder specifikationsforfattere, domæneejere og AI-orkestratorer. Etiketten betyder mindre end evnen.

Dette skift ændrer også, hvem der bliver effektiv. Stærke ledere, der kan forstå et projekt hurtigt og beskrive det enkelt, kan nu producere mere output end mange ingeniører, fordi deres intention kan multipliceres gennem agenter.

Jeg bliver ofte spurgt af andre grundlæggere, hvor langt dette kan gå. Jeg tror ikke, der er et universelt svar, men jeg tror, filosofien passer godt til traditionel fintech, fordi det er et område, hvor arbejdet er komplekst, men systemerne er beskrivelige og testbare.

Ja, mennesker vil stadig have jobs

Det sidste, jeg vil have, dette skal læses som, er en ond fintech-grundlægger, der vil udrydde den menneskelige race. Enhver sund organisation ved, at det er mennesker, der holder hjulene i gang.

Jeg tror, at fintech kræver disciplin og ansvarlighed. AI-delen sikrer det førstnævnte, mens den menneskelige del sikrer det sidstnævnte. Store finansielle transaktioner bør forblive menneske-gatede. Agenter kan forberede en betalingsordre, og en menneske bør signere den. Endelige compliance-beslutninger bærer også juridisk ansvar. Hvis en compliance-officer godkender en modpart, sidder ansvarligheden hos officeren, ikke agenten, der forberedte sagen.

Så spørgsmålet er ikke, om du kan automatisere alt. Spørgsmålet er, hvordan du allokerer menneskelig dømmekraft til de højeste risikomomenter, mens du bruger agenter til at fjerne den bulkearbejde, der langsomer eksperterne. Compliance-forberedelse er en god kandidat. Ugunstige mediekontroller, modpartanalyse og dokumentassemblage kan automatiseres, så en compliance-officer modtager en sag, der er mestendels forberedt, og bruger sin tid på beslutningen.

Denne kombination er effektiv og kan holdes ansvarlig.

Hvordan man kan være AI-først

Mange hold siger, de er AI-først, og med det mener de en chat-interface oven på den samme infrastruktur. Jeg er langt mere interesseret i AI som en intern driftsmodel.

I vores arbejde bruger vi AI kraftigt internt, mens produkt-niveau-AI i øjeblikket er begrænset til bestemte områder som support- og regnskabsagenter. Dette er mere en praktisk grænse end ideologisk. Risiko opfører sig anderledes i finans, og produkt-autonomi behøver omhyggelige begrænsninger.

En trend, jeg forventer, vil vokse, er udvikler-orienteret infrastruktur, der kan kobles til agent-workflows. For eksempel planlægger vi at udgive en SquareFi MCP-server, så udviklere kan integrere med vores API mere let og kobler os ind i deres egne agenter. Den praktiske brug af dette er en finans-agent, der kan analysere dine finanser, forberede en betalingsordre og derefter bede dig om at signere den.

Dette er også hvorfor jeg lægger mærke til, når førende laboratorier offentligt argumenterer for, at modeller endnu ikke er udstyret til at træffe irreversibler, høj-stakes-beslutninger autonomt. Fintech får ikke lov til at prætende, at fejl er harmløse.

Hvad dette betyder for grundlæggere, der bygger nu

Det CRM, Denis byggede, var et internt projekt, men det repræsenterede en større virkelighed, hvor bygning er blevet billigere, mens koordination stadig er svært. Kommunikation, ofte behandlet som en blød færdighed, stiger i værdi, og teknisk dygtige mennesker vil neede at investere i den, hvis de vil trives i en verden, hvor maskiner kan gøre meget af deres arbejde hurtigere og billigere.

I denne kontekst bliver det vigtigt at beskytte tid til stille tænkning. Jo hurtigere agenter kan eksekvere, jo mere værdifuldt bliver det at slowe ned, før du giver dem retning. At forstå en kompleks arkitektur dybt, før du beskriver den til en agent, er, hvor kvaliteten bliver afgjort.

Hvis jeg startede forfra, ville jeg fokusere på tre discipliner.

• Først ville jeg træne mig selv og mit hold til at skrive bedre specifikationer. Du vil have mennesker, der kan bryde et problem ned, definere succes, definere fiasko og beskrive tests. Dette er den nye standard for operationel excellence.
• Anden ville jeg bygge en streng valideringskultur. AI gør det let at sende hurtigt, og det gør det også let at sende fejl hurtigt. Din fordel kommer ikke kun fra hastighed, men også fra at forbedre med høje standarder.
• Tredje ville jeg behandle menneskelig dømmekraft som en knap ressource og beskytte den. I høj-risiko-domæner performer hold bedre ved at overdrage forberedelse og repetition til agenter, mens de holder beslutningstagning med ansvarlige mennesker.

Den konkurrencemæssige fordel flytter sig mod test og forbedring, fordi skråningen af det er ændret. Små hold kan nu producere, hvad der tidligere krævede langt større organisationer, da agenter gør kommunikation og koordination meget glattere. Dette fjerner ikke behovet for talent, men hæver snarere standarden for, hvad talent betyder.