Jalan Menuju Unicorn: Startups Berikutnya yang Bernilai Miliaran Dolar Akan Dibangun oleh Tim Kecil

Apakah dua minggu merupakan timeline yang masuk akal untuk membangun CRM kustom yang menggabungkan penawaran, akuntansi, penggalangan dana, agen, dan alur kerja mitra dalam satu antarmuka? Logika konvensional mengatakan tidak. Namun saya terus melihat versi dari ini terjadi, karena biaya membangun perangkat lunak internal telah menurun drastis sedangkan integrasi dan onboarding belum.

Contoh terbaru dari pekerjaan kami menunjukkan hal ini. Co-founder non-teknis kami, Denis, membangun CRM internal dalam waktu sekitar dua minggu, dengan dukungan orkestrasi dari insinyur dan saya, dan beberapa bagiannya sudah berjalan di produksi saat dia masih mengutak-atiknya. Sistem ini terhubung ke database nyata melalui panel admin sehingga tim dapat memantau kesehatan 1000+ klien secara real-time, dan juga mencakup manajemen mitra dengan tautan referral dan pelacakan pembayaran.

Dia membangunnya untuk memecahkan masalah yang dihadapi setiap tim yang tumbuh cepat. CRM yang sudah jadi menarik Anda ke dalam alur kerja orang lain. Anda menghabiskan waktu untuk mempelajari fitur yang tidak Anda butuhkan, Anda menemukan keterbatasan, dan Anda menghabiskan waktu lebih banyak untuk mengintegrasikan alat sehingga sistem mencerminkan bagaimana bisnis Anda benar-benar bekerja. Ketika alat dasar memungkinkan Anda membangun lebih cepat daripada Anda dapat onboard, tradeoff lama antara membangun dan membeli berubah, dan lebih banyak tim mulai membangun lapisan operasional mereka sendiri.

Mengurangi loop antara niat dan eksekusi

Di seluruh pasar, AI mengurangi waktu antara sebuah ide dan versi pertama yang berfungsi. Perubahan ini terjadi karena Anda sekarang dapat menyerahkan tugas yang terstruktur dengan baik kepada agen dan mendapatkan draf pertama yang cukup untuk direview, diperbaiki, dan digabungkan oleh insinyur senior. Di SquareFi, kami memperkirakan bahwa sekitar 95 persen kode kami diproduksi dengan bantuan AI, dan kelompok teknis inti kami berkurang dari sekitar sepuluh orang menjadi empat. Ini bukanlah sekedar gimmick untuk menghemat biaya — meskipun unicorn berusaha untuk tetap ramping — ini adalah realokasi sumber daya. Dengan lebih sedikit manusia, kami mengirim 10x lebih banyak kode berkualitas tinggi.

Ini berguna bagi kami dalam dan di seluruh beberapa departemen. Tim desain semakin banyak menggunakan plugin Figma untuk mengubah desain menjadi HTML, kemudian menggunakan alat AI untuk membangun prototipe kecil untuk pengujian tingkat pertama sebelum apa pun mencapai antrian pengembangan. Sekarang kami dapat mengulangi dengan menguji ide-ide tanpa menunggu kapasitas.

Kami juga menjalankan agen di mana kerugian dari umpan balik yang lambat sangat tinggi. Kami memiliki agen keamanan yang terus menganalisis log dan aktivitas firewall untuk pola yang tidak biasa, dan kami menggunakan agen yang menganalisis setiap komit GitHub sebelum digabungkan ke produksi sambil membandingkannya dengan lanskap ancaman saat ini. Manusia jarang melakukan tindakan yang sama konsisten, bahkan ketika mereka sangat peduli.

Hasil luasnya adalah bahwa tindakan melewati lebih sedikit handoff dan lebih sedikit keterlambatan yang disebabkan oleh menunggu spesialis untuk tersedia.

Mengetahui apa yang harus dilakukan lebih penting daripada mengetahui bagaimana melakukannya

Anda dapat meminta agen AI untuk membangun hampir apa saja, dan Anda dapat melakukannya dengan sebagian kecil dari waktu dan biaya pelatihan orang untuk menghasilkan draf pertama yang sama. Kualitas output masih melacak presisi permintaan dan kekuatan validasi.

Di banyak startup sekarang, kualitas spesifikasi adalah kendala. Orang-orang paling berharga dalam tim yang didorong AI sering kali adalah mereka yang memahami domain dengan baik, dapat mendeskripsikan sistem dengan presisi, dan dapat memvalidasi hasil tanpa menggelengkan tangan. Label pekerjaan baru telah mulai mengikuti kenyataan itu, termasuk penulis spesifikasi, pemilik domain, dan pengarah AI. Label itu kurang penting daripada kemampuan.

Perubahan ini juga mengubah siapa yang menjadi efektif. Manajer yang kuat yang dapat memahami proyek dengan cepat dan mendeskripsikannya dengan sederhana sekarang dapat menghasilkan lebih banyak output daripada banyak insinyur, karena niat mereka dapat dikalikan melalui agen.

Saya sering ditanya oleh pendiri lain seberapa jauh ini dapat dilakukan. Saya tidak pikir ada jawaban universal, tetapi saya pikir filosofi ini cocok dengan fintech tradisional karena ini adalah area di mana pekerjaan kompleks tetapi sistemnya dapat dideskripsikan dan diuji.

Ya. Manusia masih akan memiliki pekerjaan.

Hal terakhir yang saya inginkan adalah dibaca sebagai pendiri fintech yang jahat yang ingin memusnahkan umat manusia. Setiap organisasi yang sehat tahu bahwa itu adalah orang-orang yang menjaga roda berputar.

Saya percaya bahwa fintech memerlukan disiplin dan akuntabilitas. Bagian AI memastikan yang pertama sementara aspek manusia memastikan yang terakhir. Transaksi keuangan besar harus tetap berada di bawah kendali manusia. Agen dapat menyiapkan pesanan pembayaran dan manusia harus menandatanganinya. Keputusan akhir compliance juga membawa tanggung jawab hukum. Jika petugas compliance menyetujui counterparty, akuntabilitas berada pada petugas, bukan agen yang menyiapkan kasus.

Jadi pertanyaannya bukanlah apakah Anda dapat mengotomatisasi semuanya. Pertanyaannya adalah bagaimana Anda mengalokasikan penilaian manusia untuk momen risiko tertinggi, sementara menggunakan agen untuk menghapus pekerjaan bulk yang memperlambat ahli. Persiapan compliance adalah kandidat yang baik. Pemeriksaan media yang merugikan, analisis counterparty, dan perakitan dokumen dapat diotomatisasi sehingga petugas compliance menerima kasus yang sebagian besar sudah disiapkan dan menghabiskan waktu mereka untuk keputusan.

Kombinasi ini efisien dan dapat dipertanggungjawabkan.

Bagaimana menjadi AI-pertama

Banyak tim mengatakan mereka adalah AI-pertama, dan dengan itu mereka maksudkan antarmuka obrolan di atas infrastruktur yang sama. Saya lebih tertarik dengan AI sebagai model operasional internal.

Dalam pekerjaan kami, kami menggunakan AI secara ekstensif secara internal, sementara AI tingkat produk saat ini terbatas pada area tertentu seperti agen dukungan dan akuntansi. Ini lebih merupakan batasan praktis daripada ideologis. Risiko berperilaku secara berbeda dalam keuangan, dan otonomi produk memerlukan konstrain yang hati-hati.

Saya mengharapkan tren yang akan tumbuh adalah infrastruktur yang menghadap pengembang yang terhubung ke alur kerja agen. Misalnya, kami berencana untuk merilis server MCP SquareFi sehingga pengembang dapat mengintegrasikan dengan API kami lebih mudah dan menghubungkannya ke agen mereka sendiri. Penggunaan praktis dari ini adalah agen keuangan yang dapat menganalisis keuangan Anda, menyiapkan pesanan pembayaran, dan kemudian meminta Anda untuk menandatanganinya.

Ini juga mengapa saya memperhatikan ketika laboratorium terkemuka secara terbuka berpendapat bahwa model belum dilengkapi untuk membuat keputusan otonom yang tidak dapat diubah dengan taruhan tinggi. Fintech tidak dapat berpura-pura bahwa kesalahan tidak berbahaya.

Apa yang ini berarti bagi pendiri yang membangun sekarang

CRM yang Denis bangun adalah proyek internal, tetapi itu mewakili kenyataan yang lebih besar di mana membangun menjadi lebih murah sementara koordinasi masih sulit. Komunikasi, sering dianggap sebagai keterampilan lunak, meningkat nilainya, dan orang-orang dengan keterampilan teknis akan perlu berinvestasi di dalamnya jika mereka ingin berkembang dalam lingkungan di mana mesin dapat melakukan sebagian besar pekerjaan mereka lebih cepat dan lebih murah.

Dalam konteks ini, menjadi penting untuk melindungi waktu untuk berpikir tenang. Semakin cepat agen dapat mengeksekusi, semakin berharga untuk melambatkan sebelum Anda memberi mereka arahan. Memahami arsitektur kompleks dengan baik sebelum Anda mendeskripsikannya kepada agen adalah di mana kualitas diputuskan.

Jika saya memulai lagi, saya akan fokus pada tiga disiplin.

• Pertama, saya akan melatih diri saya dan tim saya untuk menulis spesifikasi yang lebih baik. Anda ingin orang-orang yang dapat memecahkan masalah, mendefinisikan keberhasilan, mendefinisikan kegagalan, dan mendeskripsikan tes. Ini adalah standar baru untuk keunggulan operasional.
• Kedua, saya akan membangun budaya validasi yang ketat. AI membuatnya mudah untuk mengirim dengan cepat, dan itu juga membuatnya mudah untuk mengirim kesalahan dengan cepat. Keunggulan Anda tidak hanya datang dari kecepatan tetapi juga dengan memperbaiki dengan standar yang tinggi.
• Ketiga, saya akan mengobati penilaian manusia sebagai sumber daya yang langka dan melindunginya. Dalam domain risiko tinggi, tim berkinerja lebih baik dengan menyerahkan persiapan dan pengulangan kepada agen sementara menjaga pengambilan keputusan dengan manusia yang bertanggung jawab.

Keunggulan kompetitif bergeser menuju pengujian dan perbaikan, karena kemiringan telah berubah. Tim kecil sekarang dapat menghasilkan apa yang sebelumnya memerlukan organisasi yang jauh lebih besar, karena agen membuat komunikasi dan koordinasi lebih lancar. Ini tidak menghilangkan kebutuhan akan bakat tetapi malah meningkatkan standar apa yang dimaksud dengan bakat.