Vägen till enhörning: De nästa miljarddollarsstartups kommer att byggas av små team

Är två veckor en rimlig tidsram för att bygga ett anpassat CRM som kombinerar affärer, redovisning, finansiering, agenter och samarbetsflöden i ett gränssnitt? Konventionell logik säger nej. Men jag ser hela tiden versioner av detta hända, eftersom kostnaden för att bygga intern programvara har sjunkit medan integration och onboarding inte har det.

Ett nyligt exempel från vårt eget arbete demonstrerar detta. Vår icke-tekniska medgrundare Denis byggde ett internt CRM på cirka två veckor, med orkestreringsstöd från vår ingenjör och jag, och delar av det var redan i produktion medan han fortfarande experimenterade med det. Systemet anslöt till en riktig databas via en administrativ panel så att teamet kunde övervaka 1000+ kunders hälsa i realtid, och det täckte även samarbetspartnershantering med hänvisningslänkar och utbetalningsspårning.

Han byggde det för att lösa ett problem som varje snabbt växande team stöter på. Färdiga CRM-system drar in dig i någon annans arbetsflöde. Du tillbringar tid med att lära dig funktioner du inte behöver, du stöter på begränsningar och du tillbringar ännu mer tid med att integrera verktyg så att systemet återspeglar hur din verksamhet faktiskt fungerar. När de underliggande verktygen låter dig bygga snabbare än du kan onboarda, ändras det gamla bygg-köp-valet, och fler team börjar bygga sin egen driftslager.

Att förkorta looparna mellan avsikt och genomförande

På marknaden minskar AI tiden mellan en idé och en fungerande första version. Denna förändring skedde eftersom du nu kan ge en agent en välbeskriven uppgift och få tillbaka en första utkast som är tillräckligt användbar för en senioringenjör att granska, korrigera och slå samman. På SquareFi uppskattar vi att cirka 95 procent av vår kod produceras med AI-stöd, och vår kärntekniska grupp gick från cirka tio personer till fyra. Detta är inte bara en gimmick för att minska kostnaderna – även om enhörningar försöker vara smala – utan en omfördelning av resurser. Med färre människor skickar vi 10 gånger mer högkvalitativ kod.

Detta är användbart för oss inom och mellan flera avdelningar. Designteam använder alltmer Figma-tillägg för att konvertera design till HTML, sedan använder de AI-verktyg för att bygga små prototyper för första nivåns testning innan något når utvecklingskön. Nu kan vi iterera genom att testa idéer tidigt utan att vänta på kapacitet.

Vi kör också agenter där undersidan av långsam feedback är hög. Vi har säkerhetsagenter som kontinuerligt analyserar loggar och brandväggsaktivitet för ovanliga mönster, och vi använder en agent som analyserar varje GitHub-kommit innan den slås samman till produktion medan den jämförs med den aktuella hotbilden. Människor gör sällan den typen av repetitiv noggrannhet konsekvent, även när de bryr sig mycket.

Det breda resultatet är att åtgärder går genom färre handoff och färre förseningar orsakade av att vänta på att en specialist blir tillgänglig.

Att veta vad man ska göra är viktigare än att veta hur man gör

Du kan be en AI-agent att bygga nästan allt, och du kan göra det till en bråkdel av den tid och kostnad det tar att utbilda en person att producera samma första utkast. Utmatningskvaliteten följer fortfarande noggrannheten i din begäran och styrkan i din validering.

I många startups nu är specifikationskvaliteten begränsningen. De mest värdefulla människorna i ett AI-drivet team är ofta de som djupt förstår domänen, kan beskriva system exakt och kan validera resultat utan att vifta med händerna. Nya jobbtitlar har börjat följa den verkligheten, inklusive specförfattare, domänägare och AI-orchestratorer. Etiketten är mindre viktig än förmågan.

Denna förändring ändrar också vem som blir effektiv. Starka chefer som kan förstå ett projekt snabbt och beskriva det enkelt kan nu producera mer utmatning än många ingenjörer, eftersom deras avsikt kan förökas genom agenter.

Jag blir ofta tillfrågad av andra grundare hur långt detta kan gå. Jag tror inte att det finns ett universellt svar, men jag tror att filosofin kartläggs väl till traditionell fintech eftersom det är ett område där arbetet är komplext men systemen är beskrivbara och testbara.

Ja, människor kommer fortfarande att ha jobb.

Det sista jag vill att detta ska läsas som är en elak fintech-grundare som vill utplåna den mänskliga rasen. Varje sunt företag vet att det är människor som håller hjulen i rullning.

Jag tror att fintech kräver disciplin och ansvar. AI-delen säkerställer det första medan den mänskliga aspekten säkerställer det andra. Stora finansiella transaktioner bör förbli mänskligt styrda. Agenter kan förbereda en betalningsorder och en människa bör underteckna den. Slutliga efterlevnadsbeslut bär också juridiskt ansvar. Om en efterlevnadsansvarig godkänner en motpart, ligger ansvaret hos ansvarig, inte agenten som förberedde fallet.

Så frågan är inte om du kan automatisera allt. Frågan är hur du allokerar mänskligt omdöme till de högriskmomenten, medan du använder agenter för att ta bort det bulkmässiga arbetet som långsamt ner experter. Efterlevnadsförberedelse är en bra kandidat. Ogynnsamma mediakontroller, motpartsanalys och dokumentmontering kan automatiseras så att en efterlevnadsansvarig får ett fall som är mestadels förberett och tillbringar sin tid på beslutet.

Den kombinationen är effektiv och kan hållas ansvarig.

Att vara AI-först

Många team säger att de är AI-först, och med det menar de en chattgränssnitt ovanpå samma infrastruktur. Jag är mycket mer intresserad av AI som en intern driftsmodell.

I vårt arbete använder vi AI tungt internt, medan produkt-nivå AI för närvarande är begränsad till specifika områden som support- och redovisningsagenter. Detta är mer en praktisk gräns än ideologisk. Risk beter sig annorlunda i finans, och produktautonomi behöver noggranna begränsningar.

En trend jag förväntar mig att växa är utvecklarorienterad infrastruktur som ansluter till agentarbetsflöden. Till exempel planerar vi att släppa en SquareFi MCP-server så att utvecklare kan integrera med vår API mer lätt och ansluta oss till sina egna agenter. Det praktiska användningsområdet är en finansagent som kan analysera din ekonomi, förbereda en betalningsorder och sedan be dig att underteckna den.

Detta är också varför jag uppmärksammar när ledande laboratorier offentligt hävdar att modeller inte är utrustade för att fatta oåterkalleliga högriskbeslut på egen hand. Fintech får inte låtsas att fel är ofarliga.

Vad detta betyder för grundare som bygger nu

Det CRM som Denis byggde var ett internt projekt, men det representerade en större verklighet där byggandet blir billigare medan samordning fortfarande är svårt. Kommunikation, ofta behandlad som en mjuk färdighet, ökar i värde, och tekniskt kunniga människor kommer att behöva investera i den om de vill trivas i en miljö där maskiner kan göra mycket av deras arbete snabbare och billigare.

I detta sammanhang blir det viktigt att skydda tid för tysta tankar. Ju snabbare agenter kan utföra, desto värdefullare blir det att sakta ner innan du ger dem riktning. Att förstå en komplex arkitektur djupt innan du beskriver den för en agent är där kvaliteten bestäms.

Om jag skulle börja om, skulle jag fokusera på tre discipliner.

• För det första skulle jag utbilda mig själv och mitt team att skriva bättre specifikationer. Du vill ha människor som kan bryta ner ett problem, definiera framgång, definiera misslyckande och beskriva tester. Detta är den nya standarden för operativ excellens.
• För det andra skulle jag bygga en strikt valideringskultur. AI gör det lätt att skicka snabbt, och det gör det också lätt att skicka fel snabbt. Din fördel kommer inte bara från hastighet utan också från att förbättra med höga standarder.
• För det tredje skulle jag behandla mänskligt omdöme som en knapp resurs och skydda det. I högriskdomäner presterar team bättre genom att överlämna förberedelse och repetition till agenter medan de håller beslutsfattandet med ansvariga människor.

Den konkurrensfördel som förskjuts mot testning och förbättring, eftersom lutningen har ändrats. Små team kan nu producera vad som tidigare krävde mycket större organisationer, eftersom agenter gör kommunikation och samordning mycket smidigare. Detta tar inte bort behovet av talang, utan höjer ribban för vad talang betyder.