Veien til enhjørning: De neste milliarddollarselskapene vil bli bygget av små team

Er to uker en rimelig tidsramme for å bygge et tilpasset CRM som kombinerer avtaler, regnskap, finansiering, agenter og partnerarbeidsflyt i ett grensesnitt? Konvensjonell logikk sier nei. Likevel ser jeg stadig versjoner av dette skje, fordi kostnadene ved å bygge intern programvare har falt dramatisk, mens integrering og påmelding ikke har det.

Et nylig eksempel fra vårt eget arbeid demonstrerer dette. Vår ikke-tekniske medgrunnlegger Denis bygde et internt CRM på omtrent to uker, med orkestreringsstøtte fra vår ingeniør og meg, og deler av det var allerede i produksjon mens han fortsatt lekte med det. Systemet var koblet til en ekte database gjennom en adminpanel så teamet kunne overvåke 1000+ kunders helse i sanntid, og det dekket også partnerhåndtering med henvisningslenker og utbetalingsregistrering.

Han bygde det for å løse et problem som hver raskt voksende team går inn i. Ferdige CRMs trekker deg inn i noen andres arbeidsflyt. Du bruker tid på å lære funksjoner du ikke trenger, du går inn i begrensninger, og du bruker enda mer tid på å integrere verktøy så systemet reflekterer hvordan din forretning faktisk fungerer. Når de underliggende verktøyene lar deg bygge raskere enn du kan påmelde, endres den gamle bygg-eller-kjøp-avtalen, og flere team begynner å bygge sin egen driftslag.

Kortere løkke mellom intensjon og gjennomføring

Over hele markedet reduserer AI tiden mellom en idé og en fungerende første versjon. Denne endringen skjedde fordi du nå kan gi en agent en godt beskrevet oppgave og få tilbake en første utkast som er brukbar nok for en senior ingeniør å se over, korrigere og slå sammen. Hos SquareFi anslår vi at omtrent 95 prosent av vår kode er produsert med AI-støtte, og vår kjernetechniske gruppe gikk fra omtrent ti personer til fire. Dette er ikke bare en gimmick for å kutte kostnader — selv om enhjørninger prøver å forbli lene — det er en omfordeling av ressurser. Med færre mennesker sender vi 10 ganger mer høykvalitetskode.

Dette er nyttig for oss både internt og på tvers av flere avdelinger. Design-team bruker stadig Figma-tillegg for å konvertere design til HTML, og så bruker AI-verktøy for å bygge små prototyper for første-nivåtesting før noe når utviklingskøen. Nå kan vi iterere ved å teste ideer tidlig uten å vente på kapasitet.

Vi kjører også agenter der nedsideeffekten av langsom tilbakemelding er høy. Vi har sikkerhetsagenter som kontinuerlig analyserer logger og brannmuraktivitet for uvanlige mønster, og vi bruker en agent som analyserer hver GitHub-kommit før den slås sammen med produksjon mens den sammenlignes mot den nåværende trusselslandskapet. Mennesker gjør sjelden den type repetitive granskning konsekvent, selv når de bryr seg mye.

Det brede resultatet er at handlinger går gjennom færre håndoverføringer og færre forsinkelser forårsaket av å vente på at en spesialist blir tilgjengelig.

Å vite hva man skal gjøre betyr mer enn å vite hvordan man gjør

Du kan be en AI-agent om å bygge nesten hva som helst, og du kan gjøre det til en brøkdel av tiden og kostnadene av å trene en person til å produsere samme første utkast. Kvaliteten på utdata følger fortsatt presisjonen i din forespørsel og styrken i din validering.

I mange start-ups nå er spesifikasjonskvaliteten begrensningen. De mest verdifulle menneskene i et AI-drevet team er ofte de som dypt forstår domenet, kan beskrive systemer nøyaktig og kan validere resultater uten å vifte med hendene. Nye jobbtitler har begynt å følge denne virkeligheten, inkludert spesifikasjonsforfattere, domene-eiere og AI-koordinatorer. Tittelen betyr mindre enn evnen.

Dette skiftet endrer også hvem som blir effektiv. Sterke ledere som kan forstå et prosjekt raskt og beskrive det enkelt kan nå produsere mer utdata enn mange ingeniører, fordi deres intensjon kan multipliseres gjennom agenter.

Jeg blir ofte spurt av andre grunnleggere hvor langt dette kan gå. Jeg tror ikke det finnes en universell beskjed, men jeg tror filosofien kartlegger godt til tradisjonell fintech fordi det er et område hvor arbeidet er komplekst, men systemene er beskrivelige og testbare.

Ja, mennesker vil fortsatt ha jobber.

Det siste jeg vil at dette skal leses som er en ond fintech-grunnlegger som ønsker å utrydde menneskeheten. Ethvert sunt organisasjon vet at det er mennesker som holder hjulene i gang.

Jeg tror at fintech nødvendiggjør disiplin og ansvar. AI-delen sikrer det førstnevnte, mens den menneskelige delen sikrer det sistnevnte. Store finansielle transaksjoner bør forbli menneske-gjennomførte. Agenter kan forberede en betalingsordre, og et menneske bør signere den. Endelige kompliance-beslutninger bærer også juridisk ansvar. Hvis en kompliance-offiser godkjenner en motpart, sitter ansvarligeten hos offiseren, ikke agenten som forberedte saken.

Så spørsmålet er ikke om du kan automatisere alt. Spørsmålet er hvordan du allokerer menneskelig dømmekraft til de høyeste risikomomentene, mens du bruker agenter til å fjerne den bulkearbeidet som sakter eksperter ned. Kompliance-forberedelse er en god kandidat. Ugunstige mediekontroller, motpartanalyse og dokumentasjonsoppbygging kan automatiseres så en kompliance-offiser mottar en sak som er nesten fullstendig forberedt og bruker sin tid på avgjørelsen.

Denne kombinasjonen er effektiv og kan holdes ansvarlig.

Hvordan være AI-først

Mange team sier at de er AI-først, og med det mener de en chat-grensesnitt på toppen av samme infrastruktur. Jeg er mye mer interessert i AI som en intern driftsmodell.

I vårt arbeid bruker vi AI tungt internt, mens produkt-nivå AI er for tiden begrenset til bestemte områder som støtte- og regnskapsagenter. Dette er mer en praktisk grense enn ideologisk. Risiko oppfører seg forskjellig i finansielle tjenester, og produkt-autonomi trenger omhyggelige begrensninger.

En trend jeg forventer å vokse er utvikler-orientert infrastruktur som kobler seg til agent-arbeidsflyt. For eksempel planlegger vi å utgi en SquareFi MCP-server så utviklere kan integrere med vår API enklere og kobler oss inn i deres egne agenter. Den praktiske bruken av dette er en finansiell agent som kan analysere dine finansielle transaksjoner, forberede en betalingsordre og så be deg om å signere den.

Dette er også hvorfor jeg legger merke til når ledende laboratorier offentlig argumenterer for at modellene ennå ikke er utstyrt til å ta irreversible høyrisiko-beslutninger selvstendig. Fintech får ikke lov til å late som om feil er harmløse.

Hva dette betyr for grunnleggere som bygger nå

Det interne CRM som Denis bygde var et internt prosjekt, men det representerte en større virkelighet hvor bygging blir billigere mens koordinering fortsatt er vanskelig. Kommunikasjon, ofte behandlet som en myk ferdighet, stiger i verdi, og teknisk dyktige mennesker må investere i det hvis de ønsker å trives i en omgang hvor maskiner kan gjøre mye av deres arbeid raskere og billigere.

I denne konteksten blir det viktig å beskytte tid for stille tenkning. Jo raskere agenter kan utføre, jo mer verdifullt blir det å sakke ned før du gir dem retning. Å forstå en kompleks arkitektur dypt før du beskriver den til en agent er der kvaliteten bestemmes.

Hvis jeg skulle starte igjen, ville jeg fokusere på tre disipliner.

• Først ville jeg trene meg selv og mitt team til å skrive bedre spesifikasjoner. Du ønsker mennesker som kan bryte ned et problem, definere suksess, definere feil, og beskrive tester. Dette er den nye standarden for operasjonell utmerkethet.
• For det andre ville jeg bygge en streng valideringskultur. AI gjør det enkelt å levere raskt, og det gjør det også enkelt å levere feil raskt. Din fordel kommer ikke bare fra hastighet, men også fra å forbedre med høye standarder.
• Tredje ville jeg behandle menneskelig dømmekraft som en knapp ressurs og beskytte den. I høyrisikodomener utfører team bedre ved å overføre forberedelse og repetisjon til agenter mens de holder beslutningstagning med ansvarlige mennesker.

Konkurranserfordelen skifter mot testing og forbedring, fordi skråningen har endret seg. Små team kan nå produsere hva som tidligere krevde mye større organisasjoner, ettersom agenter gjør kommunikasjon og koordinering mye glattere. Dette fjerner ikke behovet for talent, men hever bare standarden for hva talent betyr.