El camino hacia el unicornio: Las próximas startups de mil millones de dólares serán construidas por equipos pequeños

¿Es razonable construir un CRM personalizado que combine tratos, contabilidad, recaudación de fondos, agentes y flujos de trabajo de socios en una sola interfaz en un plazo de dos semanas? La lógica convencional dice que no. Sin embargo, sigo viendo versiones de esto suceder, porque el costo de construir software interno ha disminuido drásticamente mientras que la integración y la incorporación no lo han hecho.

Un ejemplo reciente de nuestro propio trabajo demuestra esto. Nuestro cofundador no técnico, Denis, construyó un CRM interno en aproximadamente dos semanas, con apoyo de orquestación de nuestro ingeniero y yo, y partes de él ya estaban en producción mientras él todavía estaba trabajando en ello. El sistema se conectó a una base de datos real a través de un panel de administración para que el equipo pudiera monitorear la salud de más de 1000 clientes en tiempo real, y también cubrió la gestión de socios con enlaces de referencia y seguimiento de pagos.

Lo construyó para resolver un problema que todos los equipos de crecimiento rápido enfrentan. Los CRM de venta al por menor te llevan a la corriente de trabajo de alguien más. Pasa tiempo aprendiendo características que no necesitas, te encuentras con limitaciones y pasas aún más tiempo integrando herramientas para que el sistema refleje cómo funciona tu negocio en realidad. Cuando las herramientas subyacentes te permiten construir más rápido de lo que puedes incorporar, el antiguo intercambio entre construir y comprar cambia, y más equipos comienzan a construir su propia capa de operación.

Reduciendo el ciclo entre la intención y la ejecución

En todo el mercado, la IA está reduciendo el tiempo entre una idea y una versión funcional. Este cambio se produjo porque ahora puedes darle a un agente una tarea bien descrita y obtener un primer borrador que es lo suficientemente usable para que un ingeniero senior lo revise, corrija y combine. En SquareFi, estimamos que alrededor del 95 por ciento de nuestro código se produce con asistencia de IA, y nuestro grupo técnico central pasó de aproximadamente diez personas a cuatro. Esto no es simplemente un truco para reducir costos, aunque los unicornios tratan de mantenerse delgados, es una realineación de recursos. Con menos humanos, estamos enviando 10 veces más código de alta calidad.

Esto es útil para nosotros dentro y a través de varios departamentos. Los equipos de diseño cada vez más utilizan complementos de Figma para convertir diseños en HTML, y luego utilizan herramientas de IA para construir pequeños prototipos para pruebas de primer nivel antes de que algo llegue a la cola de desarrollo. Ahora podemos iterar probando ideas temprano sin esperar a que haya capacidad.

También ejecutamos agentes donde la desventaja de la retroalimentación lenta es alta. Tenemos agentes de seguridad que analizan continuamente registros y actividad de firewall en busca de patrones inusuales, y utilizamos un agente que analiza cada confirmación de GitHub antes de que se combine con la producción mientras la compara con el paisaje de amenazas actual. Los humanos rara vez hacen ese tipo de diligencia repetitiva consistentemente, incluso cuando se preocupan mucho.

El resultado general es que las acciones pasan por menos entregas y menos retrasos causados por la espera de que un especialista esté disponible.

Saber qué hacer es más importante que saber cómo hacer

Puedes pedirle a un agente de IA que construya casi cualquier cosa, y puedes hacerlo a una fracción del tiempo y el costo de capacitar a una persona para producir el mismo primer borrador. La calidad de la salida todavía sigue la precisión de tu solicitud y la fuerza de tu validación.

En muchas startups ahora, la calidad de la especificación es la restricción. Las personas más valiosas en un equipo impulsado por IA a menudo son aquellas que entienden profundamente el dominio, pueden describir sistemas con precisión y pueden validar resultados sin hacer movimientos de muñeca. Nuevas etiquetas de trabajo han comenzado a seguir esa realidad, incluyendo escritores de especificaciones, propietarios de dominio y orquestadores de IA. La etiqueta importa menos que la capacidad.

Este cambio también cambia quién se vuelve efectivo. Los gerentes fuertes que pueden entender un proyecto rápidamente y describirlo de manera simple ahora pueden producir más salida que muchos ingenieros, porque su intención puede multiplicarse a través de agentes.

A menudo me preguntan otros fundadores cuánto puede llegar esto. No creo que haya una respuesta universal, pero creo que la filosofía se ajusta bien a la fintech tradicional porque es un área donde el trabajo es complejo pero los sistemas son describibles y verificables.

Sí. Los humanos todavía tendrán empleos.

Lo último que quiero que se lea es que soy un malvado fundador de fintech que quiere extinguir la raza humana. Cualquier organización sensata sabe que son las personas las que mantienen las ruedas girando.

Creo que la fintech requiere disciplina y responsabilidad. La parte de IA garantiza la primera mientras que la parte humana garantiza la segunda. Las transacciones financieras grandes deben seguir siendo controladas por humanos. Los agentes pueden preparar una orden de pago y un humano debe firmarla. Las decisiones finales de cumplimiento también conllevan responsabilidad legal. Si un oficial de cumplimiento aprueba a un contraparte, la responsabilidad recae en el oficial, no en el agente que preparó el caso.

Entonces, la pregunta no es si puedes automatizar todo. La pregunta es cómo asignar el juicio humano a los momentos de mayor riesgo, mientras se utilizan agentes para eliminar el trabajo en bulk que ralentiza a los expertos. La preparación de cumplimiento es un buen candidato. Las verificaciones de medios adversos, el análisis de contrapartes y la compilación de documentación se pueden automatizar para que un oficial de cumplimiento reciba un caso que esté en su mayoría preparado y pase su tiempo en la decisión.

Esa combinación es eficiente y puede ser responsable.

Cómo ser AI-first

Muchos equipos dicen que son AI-first, y con eso quieren decir una interfaz de chat en la parte superior de la misma infraestructura. Estoy mucho más interesado en la IA como un modelo de operación interno.

En nuestro trabajo, utilizamos la IA mucho internamente, mientras que la IA a nivel de producto está actualmente limitada a áreas específicas como soporte y agentes de contabilidad. Esto es más una frontera práctica que ideológica. El riesgo se comporta de manera diferente en las finanzas, y la autonomía del producto necesita restricciones cuidadosas.

Una tendencia que espero que crezca es la infraestructura orientada al desarrollador que se conecta a los flujos de trabajo de los agentes. Por ejemplo, estamos planeando lanzar un servidor MCP de SquareFi para que los desarrolladores puedan integrarse con nuestra API más fácilmente y conectarnos a sus propios agentes. El uso práctico de esto es un agente de finanzas que puede analizar tus finanzas, preparar una orden de pago y luego pedirte que la firmes.

Esto también es por qué presto atención cuando los laboratorios líderes argumentan públicamente que los modelos aún no están equipados para tomar decisiones autónomas de alto riesgo e irreversibles. La fintech no puede pretender que los errores son inofensivos.

Qué significa esto para los fundadores que están construyendo ahora

El CRM que construyó Denis fue un proyecto interno, pero representó una realidad más grande donde la construcción se está volviendo más barata mientras que la coordinación sigue siendo difícil. La comunicación, a menudo tratada como una habilidad blanda, está aumentando en valor, y las personas con habilidades técnicas necesitarán invertir en ella si quieren prosperar en un entorno donde las máquinas pueden hacer gran parte de su trabajo más rápido y más barato.

En este contexto, se vuelve importante proteger el tiempo para el pensamiento tranquilo. Cuanto más rápido puedan ejecutar los agentes, más valioso se vuelve ralentizar antes de darles dirección. Entender una arquitectura compleja profundamente antes de describirla a un agente es donde se decide la calidad.

Si estuviera empezando de nuevo, me enfocaría en tres disciplinas.

• Primero, me entrenaría a mí mismo y a mi equipo para escribir mejores especificaciones. Quieres personas que puedan descomponer un problema, definir el éxito, definir el fracaso y describir pruebas. Esto es el nuevo estándar para la excelencia operativa.
• Segundo, construiría una cultura de validación estricta. La IA hace que sea fácil enviar rápidamente, y también hace que sea fácil enviar errores rápidamente. Tu ventaja no proviene solo de la velocidad, sino también de mejorar con estándares altos.
• Tercero, trataría el juicio humano como un recurso escaso y lo protegería. En dominios de alto riesgo, los equipos funcionan mejor al asignar la preparación y la repetición a los agentes mientras mantienen la toma de decisiones con humanos responsables.

La ventaja competitiva se está desplazando hacia la prueba y la mejora, porque la pendiente de esto ha cambiado. Los equipos pequeños ahora pueden producir lo que solía requerir organizaciones mucho más grandes, ya que los agentes hacen que la comunicación y la coordinación sean mucho más suaves. Esto no elimina la necesidad de talento, sino que eleva la barra de lo que significa el talento.