La Strada per Diventare Unicorni: Le Prossime Startups da Un Miliardo di Dollari Saranno Costruite da Squadre Minuscole

È ragionevole pensare che due settimane siano un tempo sufficiente per costruire un CRM personalizzato che combini affari, contabilità, fundraising, agenti e workflow di partner in un’unica interfaccia? La logica convenzionale dice di no. Eppure, continuo a vedere versioni di questo accadere, perché il costo di costruire software interni è precipitato mentre l’integrazione e l’onboarding non lo sono.

Un esempio recente dal nostro lavoro dimostra questo. Il nostro co-fondatore non tecnico, Denis, ha costruito un CRM interno in circa due settimane, con il supporto di orchestrazione del nostro ingegnere e mio, e alcune parti di esso erano già in esecuzione in produzione mentre lui stava ancora lavorando su di esso. Il sistema si connetteva a un database reale attraverso un pannello di amministrazione in modo che il team potesse monitorare la salute di oltre 1000 clienti in tempo reale, e copriva anche la gestione dei partner con link di riferimento e tracciamento dei pagamenti.

L’ha costruito per risolvere un problema che ogni squadra in rapida crescita si trova ad affrontare. I CRM già pronti ti tirano dentro il flusso di lavoro di qualcun altro. Impieghi tempo a imparare funzionalità che non ti servono, ti imbatti in limitazioni e impieghi ancora più tempo a integrare strumenti in modo che il sistema rifletta il modo in cui funziona effettivamente il tuo business. Quando gli strumenti di base ti permettono di costruire più velocemente di quanto tu possa onboarding, il vecchio trade-off tra costruire e acquistare cambia, e più squadre iniziano a costruire il proprio livello operativo.

Ridurre il ciclo tra intento e esecuzione

In tutto il mercato, l’AI sta riducendo il tempo tra un’idea e una versione funzionante. Questo cambiamento è avvenuto perché adesso puoi affidare a un agente un compito ben descritto e ottenere una prima bozza che è abbastanza utilizzabile per un ingegnere senior da rivedere, correggere e unire. In SquareFi, stiamo valutando che circa il 95 percento del nostro codice è prodotto con l’assistenza dell’AI, e il nostro gruppo tecnico di base è passato da circa dieci persone a quattro. Ciò non è semplicemente un espediente per tagliare i costi —anche se le unicorni cercano di rimanere magre— ma una riallocazione delle risorse. Con meno esseri umani, stiamo spedendo 10 volte più codice di alta qualità.

Questo è utile per noi all’interno e tra diversi dipartimenti. Le squadre di design utilizzano sempre più plugin di Figma per convertire i design in HTML, poi utilizzano strumenti AI per costruire piccoli prototipi per test di primo livello prima che qualcosa raggiunga la coda di sviluppo. Ora possiamo iterare testando idee precocemente senza aspettare la capacità.

Noi eseguiamo anche agenti dove il lato negativo di un feedback lento è alto. Abbiamo agenti di sicurezza che analizzano continuamente i log e l’attività del firewall per rilevare modelli insoliti, e utilizziamo un agente che analizza ogni commit di GitHub prima che si unisca alla produzione mentre lo confronta con il paesaggio delle minacce attuale. Gli esseri umani raramente fanno quel tipo di diligenza ripetitiva in modo coerente, anche quando se ne curano molto.

Il risultato complessivo è che le azioni passano attraverso meno passaggi e meno ritardi causati dall’attesa che uno specialista diventi disponibile.

Sapere cosa fare è più importante di sapere come farlo

Puoi chiedere a un agente AI di costruire quasi tutto, e puoi farlo a una frazione del tempo e del costo di addestrare una persona a produrre la stessa prima bozza. La qualità del output ancora dipende dalla precisione della tua richiesta e dalla forza della tua convalida.

In molte startup ora, la qualità della specifica è il vincolo. Le persone più preziose in un team guidato dall’AI sono spesso quelle che capiscono profondamente il dominio, possono descrivere sistemi in modo preciso e possono convalidare i risultati senza gesticolare. Nuove etichette di lavoro hanno iniziato a seguire questa realtà, compresi scrittori di specifiche, proprietari di dominio e orchestratori di AI. L’etichetta conta meno della capacità.

Questo cambiamento cambia anche chi diventa efficace. I manager forti che possono capire rapidamente un progetto e descriverlo in modo semplice possono ora produrre più output di molti ingegneri, perché la loro intenzione può essere moltiplicata attraverso gli agenti.

Mi viene spesso chiesto da altri fondatori fino a che punto questo possa andare. Non credo ci sia una risposta universale, ma credo che la filosofia si adatti bene alla finanza tradizionale perché è un’area in cui il lavoro è complesso ma i sistemi sono descrivibili e testabili.

Sì. Gli esseri umani avranno ancora lavoro.

L’ultima cosa che voglio che questo venga letto come è un fondatore di fintech malvagio che vuole estinguere la razza umana. Qualsiasi organizzazione sana sa che sono le persone a tenere in movimento gli ingranaggi.

Credo che la fintech richieda disciplina e responsabilità. La parte AI garantisce la prima mentre l’aspetto umano garantisce la seconda. Le grandi transazioni finanziarie dovrebbero rimanere umane. Gli agenti possono preparare un ordine di pagamento e un essere umano dovrebbe firmarlo. Le decisioni finali di conformità portano anche responsabilità legali. Se un funzionario di conformità approva un contraente, la responsabilità si trova con il funzionario, non con l’agente che ha preparato il caso.

Quindi la domanda non è se puoi automatizzare tutto. La domanda è come allocare il giudizio umano ai momenti di rischio più alto, utilizzando gli agenti per rimuovere il lavoro di massa che rallenta gli esperti. La preparazione della conformità è un buon candidato. I controlli dei media avversi, l’analisi dei contraenti e l’assemblaggio della documentazione possono essere automatizzati in modo che un funzionario di conformità riceva un caso che è già preparato e spenda il suo tempo sulla decisione.

Questa combinazione è efficiente e può essere considerata responsabile.

Come essere AI-first

Molte squadre dicono di essere AI-first, e con questo intendono un’interfaccia di chat sopra la stessa infrastruttura. Sono molto più interessato all’AI come modello operativo interno.

Nel nostro lavoro, utilizziamo l’AI pesantemente all’interno, mentre l’AI a livello di prodotto è attualmente limitata a specifiche aree come supporto e agenti di contabilità. Ciò è più un confine pratico che ideologico. Il rischio si comporta diversamente nella finanza, e l’autonomia del prodotto necessita di vincoli attentamente controllati.

Una tendenza che mi aspetto di vedere crescere è l’infrastruttura rivolta agli sviluppatori che si collega ai flussi di lavoro degli agenti. Ad esempio, stiamo pianificando di rilasciare un server SquareFi MCP in modo che gli sviluppatori possano integrarsi con la nostra API più facilmente e collegarci ai loro agenti. L’uso pratico di ciò è un agente di finanza che può analizzare le tue finanze, preparare un ordine di pagamento e poi chiederti di firmarlo.

Questo è anche il motivo per cui presto attenzione quando i laboratori leader pubblicamente sostengono che i modelli non sono ancora in grado di prendere decisioni autonome ad alto rischio. La fintech non può fingere che gli errori siano inoffensivi.

Cosa significa questo per i fondatori che costruiscono ora

Il CRM che Denis ha costruito era un progetto interno, ma rappresentava una realtà più ampia in cui la costruzione sta diventando più economica mentre la coordinazione è ancora difficile. La comunicazione, spesso trattata come una competenza morbida, sta aumentando di valore, e le persone con competenze tecniche dovranno investire in essa se vogliono prosperare in un ambiente in cui le macchine possono fare gran parte del loro lavoro più velocemente e a un costo molto inferiore.

In questo contesto, diventa importante proteggere il tempo per il pensiero tranquillo. Più velocemente gli agenti possono eseguire, più diventa prezioso rallentare prima di dar loro direzioni. Capire profondamente un’architettura complessa prima di descriverla a un agente è dove si decide la qualità.

Se dovessi ricominciare, mi concentrerei su tre discipline.

• Primo, mi addestrerei e addestrerei il mio team a scrivere specifiche migliori. Vuoi persone che possano dividere un problema, definire il successo, definire il fallimento e descrivere i test. Questo è il nuovo standard per l’eccellenza operativa.
• Secondo, costruirei una cultura di convalida rigorosa. L’AI rende facile spedire rapidamente, e rende anche facile spedire errori rapidamente. Il tuo vantaggio non deriva solo dalla velocità ma anche dal migliorare con standard elevati.
• Terzo, tratterei il giudizio umano come una risorsa scarsa e lo proteggerei. Nei domini ad alto rischio, le squadre si esibiscono meglio passando la preparazione e la ripetizione agli agenti mentre mantengono la presa della decisione con esseri umani responsabili.

Il vantaggio competitivo si sta spostando verso il test e il miglioramento, perché la pendenza di esso è cambiata. Le piccole squadre possono ora produrre ciò che in passato richiedeva organizzazioni molto più grandi, poiché gli agenti rendono la comunicazione e la coordinazione molto più lisce. Ciò non rimuove la necessità di talento ma piuttosto alza la barra su cosa significa talento.