De Weg naar Eenhoorn: De Volgende Miljard-Dollar-Startups Zullen Worden Opgebouwd door Kleine Teams

Is twee weken een redelijke tijdlijn om een aangepaste CRM te bouwen die deals, accounting, fundraising, agents en partnerworkflows combineert in één interface? Conventionele logica zegt nee. Toch blijf ik versies van dit zien gebeuren, omdat de kosten van het bouwen van interne software zijn gedaald, terwijl integratie en onboarding nog steeds niet zijn verbeterd.

Een recent voorbeeld uit ons eigen werk demonstreert dit. Onze niet-technische mede-oprichter Denis bouwde een interne CRM in ongeveer twee weken, met orkestratieondersteuning van onze ingenieur en mij, en delen ervan waren al in productie terwijl hij nog steeds eraan werkte. Het systeem was verbonden met een echte database via een beheerpaneel, zodat het team de gezondheid van 1000+ klanten in real-time kon bewaken, en het omvatte ook partnerbeheer met verwijzingslinks en uitbetalingstracking.

Hij bouwde het om een probleem op te lossen dat elk snel groeiend team tegenkomt. Klaar-voor-gebruik-CRMs trekken je in iemands anders workflow. Je besteedt tijd aan het leren van functies die je niet nodig hebt, je loopt tegen beperkingen aan en je besteedt nog meer tijd aan het integreren van tools, zodat het systeem weerspiegelt hoe je bedrijf werkelijk werkt. Wanneer de onderliggende tools je laten bouwen sneller dan je kunt onboardingen, verandert de oude build-versus-kopen-afweging, en beginnen meer teams hun eigen operationele laag te bouwen.

Het Verkorten van de Lus Tussen Intentie en Uitvoering

Over de hele markt heen vermindert AI de tijd tussen een idee en een werkende eerste versie. Deze verandering kwam tot stand omdat je nu een agent een goed beschreven taak kunt geven en een eerste concept kunt krijgen dat bruikbaar genoeg is voor een senior engineer om te controleren, te corrigeren en te samenvoegen. Bij SquareFi schatten we dat ongeveer 95 procent van onze code met AI-ondersteuning wordt geproduceerd, en onze core-technische groep is gedaald van ongeveer tien mensen naar vier. Dit is niet alleen een gimmick om kosten te besparen – hoewel eenhoorns proberen om lean te blijven – maar een herallocatie van middelen. Met minder mensen schepen we 10x meer high-kwaliteit code.

Dit is nuttig voor ons binnen en over meerdere afdelingen. Ontwerpteams gebruiken steeds vaker Figma-plug-ins om ontwerpen om te zetten in HTML, en gebruiken vervolgens AI-hulpmiddelen om kleine prototypes te bouwen voor eerste-niveau-testen voordat iets de ontwikkelingsqueue bereikt. Nu kunnen we itereren door ideeën vroeg te testen zonder te wachten op capaciteit.

We draaien ook agents waarbij de downside van langzame feedback hoog is. We hebben beveiligingsagents die continu logs en firewall-activiteit analyseren op ongebruikelijke patronen, en we gebruiken een agent die elke GitHub-commit analyseert voordat deze naar productie wordt gemergd, terwijl deze wordt vergeleken met het huidige dreigingslandschap. Mensen doen zelden dat soort repetitieve ijverigheid consistent, zelfs als ze er veel om geven.

Het brede resultaat is dat acties minder handovers en minder vertragingen hebben die worden veroorzaakt door het wachten op een specialist die beschikbaar is.

Weten Wat Te Doen is Belangrijker dan Weten Hoe Te Doen

Je kunt een AI-agent vragen om bijna alles te bouwen, en je kunt het doen met een fractie van de tijd en kosten van het trainen van een persoon om dezelfde eerste concept te produceren. De kwaliteit van de output hangt nog steeds af van de precisie van je verzoek en de sterkte van je validatie.

In veel startups nu is specificatiekwaliteit de beperking. De meest waardevolle mensen in een AI-gedreven team zijn vaak degenen die het domein diep begrijpen, systemen nauwkeurig kunnen beschrijven en resultaten kunnen valideren zonder hand-waving. Nieuwe joblabels zijn begonnen om deze realiteit te volgen, waaronder specificatie-schrijvers, domeineigenaren en AI-orchestrators. De label is minder belangrijk dan de capaciteit.

Dit verandert ook wie effectief wordt. Sterke managers die een project snel kunnen begrijpen en eenvoudig kunnen beschrijven, kunnen nu meer output produceren dan veel engineers, omdat hun intentie kan worden vermenigvuldigd door agents.

Ik word vaak door andere oprichters gevraagd hoe ver dit kan gaan. Ik denk niet dat er een universeel antwoord is, maar ik denk dat de filosofie goed in kaart wordt gebracht met traditionele fintech, omdat het een gebied is waar werk complex is, maar de systemen beschrijfbaar en testbaar zijn.

Ja. Mensen Zullen Nog Steeds Banen Hebben.

Het laatste wat ik wil dat dit wordt gelezen als een slechte fintech-oprichter die de menselijke soort wil uitroeien. Elk verstandig bedrijf weet dat het mensen zijn die de wielen draaien.

Ik geloof dat fintech discipline en verantwoordelijkheid vereist. Het AI-deel zorgt voor het eerste, terwijl het menselijke aspect zorgt voor het tweede. Grote financiële transacties moeten menselijk worden afgehandeld. Agents kunnen een betalingsopdracht voorbereiden en een mens moet deze ondertekenen. Definitieve compliance-beslissingen dragen ook juridische verantwoordelijkheid. Als een compliance-officier een tegenpartij goedkeurt, ligt de verantwoordelijkheid bij de officier, niet bij de agent die de zaak heeft voorbereid.

De vraag is dus niet of je alles kunt automatiseren. De vraag is hoe je menselijke oordeel toewijst aan de momenten met het hoogste risico, terwijl je agents gebruikt om de bulk van het werk te verwijderen dat experts vertraagt. Compliance-voorbereiding is een goed kandidaat. Adverse media-controles, tegenpartijanalyse en documentassemblage kunnen worden geautomatiseerd, zodat een compliance-officier een zaak krijgt die grotendeels is voorbereid en zijn tijd kan besteden aan het nemen van beslissingen.

Deze combinatie is efficiënt en kan verantwoordelijk worden gehouden.

Hoe Om AI-Eerst te Zijn

Veel teams zeggen dat ze AI-first zijn, en daarmee bedoelen ze een chat-interface bovenop dezelfde infrastructuur. Ik ben veel meer geïnteresseerd in AI als een intern operationeel model.

In ons werk gebruiken we AI zwaar intern, terwijl productniveau-AI momenteel beperkt is tot specifieke gebieden zoals ondersteunings- en accounting-agents. Dit is meer een praktische grens dan ideologisch. Risico gedraagt zich anders in financiën, en productautonomie heeft zorgvuldige beperkingen nodig.

Een trend die ik verwacht te zien groeien, is developer-georiënteerde infrastructuur die in agent-workflows wordt geplugged. Bijvoorbeeld, we zijn van plan om een SquareFi MCP-server uit te brengen, zodat ontwikkelaars gemakkelijker kunnen integreren met onze API en ons kunnen aansluiten op hun eigen agents. Het praktische gebruik hiervan is een financieel agent die uw financiën kan analyseren, een betalingsopdracht kan voorbereiden en u vervolgens kan vragen om deze te ondertekenen.

Dit is ook waarom ik let op wanneer toonaangevende labs publiekelijk betogen dat modellen nog niet zijn uitgerust om onomkeerbare, hoge-inzetbeslissingen autonoom te nemen. Fintech kan niet doen alsof fouten onschadelijk zijn.

Wat Dit Betekent voor Oprichters Die Nu Bouwen

De CRM die Denis bouwde, was een intern project, maar het vertegenwoordigde een grotere realiteit waarin bouwen goedkoper wordt, terwijl coördinatie nog steeds moeilijk is. Communicatie, vaak behandeld als een zachte vaardigheid, stijgt in waarde, en technisch geschoolde mensen zullen moeten investeren in het als ze willen floreren in een omgeving waar machines veel van hun werk sneller en goedkoper kunnen doen.

In deze context wordt het belangrijk om tijd te beschermen voor stil nadenken. Hoe sneller agents kunnen uitvoeren, hoe waardevoller het wordt om langzamer te gaan voordat je hen richting geeft. Diep begrijpen van een complexe architectuur voordat je deze beschrijft aan een agent, is waar de kwaliteit wordt beslist.

Als Ik Opnieuw Zou Beginnen, Zou Ik Me Richten op Drie Disciplines.

• Ten eerste zou ik mezelf en mijn team trainen om betere specificaties te schrijven. Je wilt mensen die een probleem kunnen opdelen, succes kunnen definiëren, falen kunnen definiëren en tests kunnen beschrijven. Dit is de nieuwe standaard voor operationele excellentie.
• Ten tweede zou ik een strikte validatiecultuur opbouwen. AI maakt het gemakkelijk om snel te schepen, en het maakt het ook gemakkelijk om snel fouten te schepen. Je voordeel komt niet alleen van snelheid, maar ook van het verbeteren met hoge standaarden.
• Ten derde zou ik menselijk oordeel behandelen als een schaars middel en het beschermen. In domeinen met hoog risico presteren teams beter door voorbereiding en repetitie over te dragen aan agents, terwijl ze beslissingen houden bij verantwoordelijke mensen.

De concurrentievoordeel verschuift naar testen en verbeteren, omdat de helling ervan is veranderd. Kleine teams kunnen nu produceren wat vroeger veel grotere organisaties vereiste, omdat agents communicatie en coördinatie veel soepeler maken. Dit verwijdert niet de behoefte aan talent, maar verhoogt de lat voor wat talent betekent.