Der Weg zum Einhorn: Die nächsten Billionen-Dollar-Startups werden von winzigen Teams gebaut

Ist zwei Wochen ein realistischer Zeitrahmen, um ein benutzerdefiniertes CRM zu bauen, das Deals, Buchhaltung, Finanzierung, Agenten und Partner-Workflows in einer Oberfläche kombiniert? Konventionelle Logik sagt Nein. Doch ich sehe immer wieder Versionen davon, weil die Kosten für die Erstellung von internen Software eingebrochen sind, während Integration und Onboarding nicht nachgezogen haben.

Ein jüngeres Beispiel aus unserer eigenen Arbeit demonstriert dies. Unser nicht-technischer Mitgründer Denis baute ein internes CRM in etwa zwei Wochen, mit Orchestrierungsunterstützung von unserem Ingenieur und mir, und Teile davon liefen bereits in Produktion, während er noch daran herumtüftelte. Das System war mit einer realen Datenbank über ein Admin-Panel verbunden, so dass das Team die Gesundheit von 1000+ Kunden in Echtzeit überwachen konnte, und es umfasste auch Partnermanagement mit Verweislinks und Auszahlungsverfolgung.

Er baute es, um ein Problem zu lösen, auf das jedes schnell wachsende Team stößt. Kommerzielle CRMs ziehen Sie in den Workflow eines anderen. Sie verbringen Zeit damit, Funktionen zu lernen, die Sie nicht benötigen, Sie stoßen auf Einschränkungen und Sie verbringen noch mehr Zeit damit, Tools zu integrieren, damit das System Ihrem Geschäftsablauf entspricht. Wenn die zugrunde liegenden Tools es ermöglichen, schneller zu bauen, als Sie onboarden können, ändert sich der alte Build-or-Buy-Kompromiss, und mehr Teams beginnen, ihre eigene Betriebsebene aufzubauen.

Die Schleife zwischen Absicht und Ausführung verkürzen

Über den Markt hinweg reduziert künstliche Intelligenz die Zeit zwischen einer Idee und einer funktionierenden ersten Version. Diese Änderung kam zustande, weil Sie jetzt einem Agenten eine gut beschriebene Aufgabe übergeben und eine erste Fassung zurückbekommen, die ausreichend brauchbar ist, um von einem leitenden Ingenieur überprüft, korrigiert und zusammengeführt zu werden. Bei SquareFi schätzen wir, dass etwa 95 Prozent unseres Codes mit Unterstützung von künstlicher Intelligenz produziert werden, und unsere Kern-Technik-Gruppe ging von etwa zehn Personen auf vier zurück. Dies ist nicht nur ein Gag, um Kosten zu senken – obwohl Einhörner versuchen, schlank zu bleiben – es ist eine Neuausrichtung der Ressourcen. Mit weniger Menschen liefern wir 10-mal mehr hochwertigen Code.

Dies ist für uns innerhalb und über mehrere Abteilungen hinweg nützlich. Design-Teams verwenden zunehmend Figma-Plugins, um Entwürfe in HTML umzuwandeln, und verwenden dann künstliche Intelligenz-Tools, um kleine Prototypen für die erste Teststufe zu erstellen, bevor etwas die Entwicklungsqueue erreicht. Jetzt können wir durch Testen von Ideen früh iterieren, ohne auf Kapazitäten warten zu müssen.

Wir führen auch Agenten durch, bei denen die Nachteile langsamer Rückmeldungen hoch sind. Wir haben Sicherheitsagenten, die kontinuierlich Protokolle und Firewall-Aktivitäten auf ungewöhnliche Muster analysieren, und wir verwenden einen Agenten, der jeden GitHub-Commit vor dem Zusammenführen mit der Produktion analysiert und mit dem aktuellen Bedrohungslandschaft vergleicht. Menschen tun diese Art von wiederholter Gewissenhaftigkeit selten konsistent, auch wenn sie sich sehr darum kümmern.

Das breite Ergebnis ist, dass Aktionen durch weniger Übergaben und weniger Verzögerungen verlaufen, die durch Warten auf einen verfügbaren Spezialisten verursacht werden.

Wissen, was zu tun ist, ist wichtiger als wissen, wie es zu tun ist

Sie können einen künstlichen Intelligenz-Agenten bitten, fast alles zu bauen, und Sie können es bei einem Bruchteil der Zeit und Kosten tun, die für die Ausbildung einer Person erforderlich wären, um die gleiche erste Fassung zu produzieren. Die Qualität der Ausgabe hängt immer noch von der Präzision Ihrer Anfrage und der Stärke Ihrer Überprüfung ab.

In vielen Startups jetzt ist die Qualität der Spezifikation die Einschränkung. Die wertvollsten Menschen in einem von künstlicher Intelligenz getriebenen Team sind oft diejenigen, die das Domäne tief verstehen, Systeme präzise beschreiben und Ergebnisse ohne Handwaving überprüfen können. Neue Job-Bezeichnungen haben begonnen, dieser Realität zu folgen, einschließlich Spezifikationsautoren, Domänenbesitzern und künstlichen Intelligenz-Orchestrierern. Die Bezeichnung ist weniger wichtig als die Fähigkeit.

Diese Verschiebung ändert auch, wer effektiv wird. Starke Manager, die ein Projekt schnell verstehen und einfach beschreiben können, können jetzt mehr Ausgabe produzieren als viele Ingenieure, weil ihre Absicht durch Agenten multipliziert werden kann.

Ich werde oft von anderen Gründern gefragt, wie weit dies gehen kann. Ich denke, es gibt keine universelle Antwort, aber ich denke, die Philosophie passt gut zu traditionellem Fintech, weil es ein Bereich ist, in dem die Arbeit komplex ist, aber die Systeme beschreibbar und testbar sind.

Ja. Menschen werden immer noch Jobs haben.

Das Letzte, was ich möchte, ist, dass dies als böser Fintech-Gründer gelesen wird, der die menschliche Rasse auslöschen will. Jede vernünftige Organisation weiß, dass es die Menschen sind, die die Räder am Laufen halten.

Ich glaube, dass Fintech Disziplin und Rechenschaftspflicht erfordert. Der künstliche Intelligenz-Teil stellt die erste sicher, während der menschliche Aspekt die zweite sicherstellt. Große Finanztransaktionen sollten immer noch von Menschen gesteuert werden. Agenten können einen Zahlungsauftrag vorbereiten und ein Mensch sollte ihn unterzeichnen. Endgültige Compliance-Entscheidungen tragen auch rechtliche Verantwortung. Wenn ein Compliance-Officer einen Kontrahenten genehmigt, liegt die Verantwortung bei dem Officer, nicht bei dem Agenten, der den Fall vorbereitet hat.

Die Frage ist also nicht, ob man alles automatisieren kann. Die Frage ist, wie man menschliches Urteil auf die höchsten Risikomomente verteilt, während man Agenten verwendet, um die Hauptarbeit zu entfernen, die Experten verlangsamt. Compliance-Vorbereitung ist ein guter Kandidat. Adverse-Media-Checks, Kontrahentenanalyse und Dokumentenmontage können automatisiert werden, so dass ein Compliance-Officer einen Fall erhält, der größtenteils vorbereitet ist und seine Zeit auf die Entscheidung verbringt.

Diese Kombination ist effizient und kann zur Rechenschaft gezogen werden.

Wie man AI-erst ist

Viele Teams sagen, sie seien AI-erst, und damit meinen sie eine Chat-Schnittstelle auf dem gleichen Infrastructure. Ich bin viel mehr an künstlicher Intelligenz als internem Betriebsmodell interessiert.

In unserer Arbeit verwenden wir künstliche Intelligenz stark intern, während produktseitige künstliche Intelligenz derzeit auf bestimmte Bereiche wie Support- und Buchhaltungsagenten beschränkt ist. Dies ist mehr eine praktische Grenze als eine ideologische. Risiken verhalten sich in der Finanzwirtschaft anders, und Produkt-Autonomie benötigt sorgfältige Einschränkungen.

Eine Trend, den ich erwarte, ist Entwickler-Infrastruktur, die in Agenten-Workflows integriert ist. Zum Beispiel planen wir, einen SquareFi-MCP-Server zu veröffentlichen, damit Entwickler unsere API leichter integrieren und mit ihren eigenen Agenten verbinden können. Die praktische Anwendung davon ist ein Finanzagent, der Ihre Finanzen analysieren, einen Zahlungsauftrag vorbereiten und dann bitten kann, ihn zu unterzeichnen.

Dies ist auch der Grund, warum ich darauf achte, wenn führende Labore öffentlich argumentieren, dass Modelle noch nicht in der Lage sind, irreversible Hochrisiko-Entscheidungen autonom zu treffen. Fintech darf nicht so tun, als ob Fehler harmlos wären.

Was dies für Gründer bedeutet, die jetzt bauen

Das CRM, das Denis baute, war ein internes Projekt, aber es repräsentierte eine größere Realität, in der das Bauen billiger wird, während die Koordination immer noch schwierig ist. Kommunikation, oft als weiche Fähigkeit behandelt, steigt im Wert, und technisch versierte Menschen werden in sie investieren müssen, wenn sie in einer Umgebung gedeihen wollen, in der Maschinen viel ihrer Arbeit schneller und billiger erledigen können.

In diesem Kontext wird es wichtig, Zeit für ruhiges Nachdenken zu schützen. Je schneller Agenten ausführen können, desto wertvoller wird es, vorher langsamer zu werden, bevor Sie ihnen eine Richtung geben. Ein tiefes Verständnis einer komplexen Architektur, bevor Sie sie einem Agenten beschreiben, ist der Punkt, an dem die Qualität entschieden wird.

Wenn ich noch einmal von vorne beginnen würde, würde ich mich auf drei Disziplinen konzentrieren.

• Erstens würde ich mich und mein Team darauf trainieren, bessere Spezifikationen zu schreiben. Sie wollen Menschen, die ein Problem aufteilen, Erfolg definieren, Misserfolg definieren und Tests beschreiben können. Dies ist der neue Standard für betriebliche Exzellenz.
• Zweitens würde ich eine strenge Validierungskultur aufbauen. Künstliche Intelligenz macht es leicht, schnell zu liefern, und sie macht es auch leicht, schnell Fehler zu liefern. Ihr Vorteil kommt nicht nur von der Geschwindigkeit, sondern auch von der Verbesserung mit hohen Standards.
• Drittens würde ich menschliches Urteil als knappe Ressource behandeln und schützen. In Hochrisikobereichen führen Teams besser, indem sie Vorbereitung und Wiederholung an Agenten übergeben, während sie Entscheidungen bei verantwortlichen Menschen belassen.

Der Wettbewerbsvorteil verschiebt sich hin zu Testen und Verbessern, weil die Steigung sich geändert hat. Kleine Teams können jetzt produzieren, was früher viel größere Organisationen erforderte, da Agenten Kommunikation und Koordination viel reibungsloser machen. Dies entfernt nicht die Notwendigkeit von Talent, sondern erhöht die Latte für das, was Talent bedeutet.