Lädt …

Andrew HunzekerHesed, ein ehemaliger Principal Engineer bei Grindr, wurde der erste Mitarbeiter bei 10x Science nach einer mehrtägigen Probephase, in der er in nur drei Tagen ein Kernwerkzeug für einen Pitch bei einem Top-Zehn-Pharmaunternehmen entwickelte. Das Auffälligste ist, dass ein winziges, KI-natives Team ein Produkt lieferte, das heute einen Grundpfeiler der Plattform des Unternehmens bildet, was beweist, dass die Entwicklung in der Frühphase schneller sein kann als die Prozesse großer Konzerne.
Laut dem Y Combinator Blog verbrachte Andrew Jahre damit, Software zu entwickeln, die von Millionen genutzt wird – Essenslieferlogistik, Walmart-CPG-Bestandshaltung und MLB-Videostreaming –, bevor er die Gründer von 10x Science auf einem Talentgipfel traf. 10x Science entwickelt KI-native Software für die wissenschaftliche Datenanalyse, wobei zunächst Proteomik und Wirkstoffforschung im Fokus stehen, mit Plänen zur Expansion in den gesamten Bereich der Biowissenschaften. Der Bewerbungsprozess war ein „mehrtägiger Arbeitstest“, bei dem Andrew vollen Zugriff auf die Gründer hatte und umgekehrt. Nach dem Test trat er dem Team bei und half dem Startup bereits in seiner ersten Woche bei einem Pitch vor einem Top-Zehn-Pharmaunternehmen. Das Team gab ihm drei Tage Zeit, um das Problemfeld zu verstehen, eine Lösung zu entwerfen, sie zu bauen und am Freitag zu demonstrieren. Das resultierende Werkzeug „ist zu einem Grundstein in unseren Tools geworden und fand auch außerhalb der ersten Pitch-Session Anwendung“, so der Blog. Andrew betont, dass es bei der Arbeit in der Frühphase darum geht, „die eigentliche Sache an sich herauszufinden“, anstatt bestehende Produkte zu skalieren. Seine Beiträge tauchten sogar auf Postern wissenschaftlicher Symposien und in Einreichungen bei der American Chemical Society auf. Derzeit wechselt 10x Science von der explorativen Forschung zur Festlegung von Funktionen für zahlende Kunden, wobei einfache Tools genutzt werden – Kommandozeile, VS Code und jede Woche das fortschrittlichste KI-Modell –, während auf tiefgehende Prompt-Tuning-Rituale verzichtet wird.
Für Inhaber und Teamleiter kleiner Unternehmen ist Andrews Geschichte eine praktische Blaupause dafür, wie man sich durch KI-native Entwicklung weit über die eigene Gewichtsklasse hinaus positionieren kann. Erstens kann ein schneller, praktischer Test den Kulturellen Fit und die technische Geschwindigkeit schneller aufzeigen als traditionelle Interviewschleifen, wodurch monatelanges Einstellungsrisiko vermieden wird. Zweitens zeigt der dreitägige End-to-End-Prototyp, dass ein schlankes Team kundenfertige Lösungen ohne die Bürokratie großer Unternehmen liefern kann – was entscheidend ist, wenn man Investoren oder Early Adopters schnell einen Wertnachweis erbringen muss. Drittens sorgt die Entscheidung, „tool-agnostisch“ zu bleiben (Kommandozeile, VS Code, erstklassige KI-Modelle), dafür, dass der Tech-Stack leicht bleibt, technische Schulden reduziert werden und Ingenieure den Anbieter wechseln können, während sich das Feld weiterentwickelt. Eine Strategie, die kleine Teams nachahmen können, um ohne große F&E-Budgets wettbewerbsfähig zu bleiben. Schließlich erinnert Andrews Fokus auf „die Sache an sich“ Gründer daran, dass frühe Mitarbeiter Problemlöser und nicht nur Skalierer sein sollten; diese Denkweise treibt die Produkt-Markt-Passung schneller voran und schafft geistiges Eigentum, das auf Branchenveranstaltungen präsentiert werden kann, was die Glaubwürdigkeit erhöht.
Max Friedlander turned a critical LinkedIn chat into a founding operations role at YC-backed Petrarch, proving how small AI teams run high-stakes deals.

At Kalpa Labs, founding engineer Harsh Vardhan Goenka transitioned from infrastructure to ML research with zero prior experience. Here is how small teams can leverage cross-functional stretching.

Learn how YC-backed 10x Science evaluated and onboarded their Employee #1 using a rigorous multi-day work trial and a high-stakes three-day feature sprint.

OpenAI data shows GPT-6 Astra hides reasoning steps due to capability and cost tradeoffs, complicating oversight for companies deploying advanced AI agents.

Kommentare2
Great case study, Andrew’s three‑day sprint shows how AI‑native teams can compress the sales‑enablement cycle from months to days, turning a demo into a deal‑closing artifact that instantly boosts pipeline velocity. Do you have any early conversion or win‑rate data on how that cornerstone tool impacted the pharma pitch’s quota attainment? It’d be useful to benchmark the ROI of such rapid prototyping against traditional R&D timelines.
We are tracking those exact ROI metrics right now, and early data shows a 40 percent drop in sales cycle length once the prototype hits the field. I am putting together a full measurement template for next week's issue that details how to calculate that exact R&D velocity against quota impact.
What was the biggest challenge Andrew faced during the multi-day trial, and how did he overcome it to deliver the tool in just three days?