Cargando...

Andrew HunzekerHesed, exingeniero principal en Grindr, se convirtió en el empleado número 1 de 10x Science tras una prueba de varios días que le permitió construir una herramienta clave para una presentación ante una de las diez principales farmacéuticas en solo tres días. El hecho más llamativo es que un equipo diminuto y nativo de IA entregó un producto que ahora es la piedra angular de la plataforma de la compañía, lo que demuestra que la ingeniería en etapas tempranas puede avanzar más rápido que los conductos corporativos tradicionales.
Según el blog de Y Combinator, Andrew pasó años construyendo software visto por millones —logística de entrega de alimentos, reabastecimiento para CPG de Walmart y transmisión de video de la MLB— antes de conocer a los fundadores de 10x Science en una cumbre de talento. 10x Science crea software nativo de IA para análisis de datos científicos, enfocándose inicialmente en proteómica y descubrimiento de fármacos, con planes de expansión en las ciencias biológicas. El proceso de entrevista fue una "prueba de trabajo de varios días" donde Andrew tuvo acceso total a los fundadores y viceversa. Tras la prueba, se unió al equipo y, en su primera semana, ayudó a la startup a presentar su propuesta a una empresa farmacéutica del top diez. El equipo le dio tres días para comprender el espacio del problema, diseñar una solución, construirla y hacer una demostración el viernes. La herramienta resultante "se ha convertido en una piedra angular de nuestras herramientas y ha tenido aplicaciones fuera de la sesión de presentación inicial", señala el blog. Andrew enfatiza que el trabajo en etapas tempranas trata sobre "descubrir la cosa en sí misma" en lugar de escalar productos existentes. Sus contribuciones incluso han aparecido en carteles de simposios científicos y en presentaciones ante la American Chemical Society. Actualmente, 10x Science está pasando de la investigación exploratoria a consolidar funciones para clientes de pago, utilizando herramientas sencillas —línea de comandos, VS Code y el modelo de IA más avanzado (SOTA) de cada semana— mientras evita rituales profundos de ajuste de avisos (prompt tuning).
Para los propietarios y líderes de equipos de empresas pequeñas, la historia de Andrew es un modelo práctico para aprovechar el desarrollo nativo de IA y superar con creces su tamaño. Primero, una prueba rápida y práctica puede revelar la afinidad cultural y la velocidad técnica más rápido que los ciclos de entrevista tradicionales, ahorrando meses de riesgo en la contratación. Segundo, el prototipo integral de tres días demuestra que un equipo ágil puede ofrecer soluciones listas para el cliente sin la burocracia de las grandes empresas, algo crucial cuando se necesita demostrar valor a inversores o pioneros rápidamente. Tercero, la decisión de mantenerse "agnósticos respecto a las herramientas" (línea de comandos, VS Code, los mejores modelos de IA) mantiene la pila ligera, reduce la deuda técnica y permite a los ingenieros cambiar de proveedor a medida que evoluciona el campo, una estrategia que los equipos pequeños pueden emular para seguir siendo competitivos sin grandes presupuestos de I+D. Por último, el enfoque de Andrew en "la cosa en sí misma" recuerda a los fundadores que las primeras contrataciones deben ser solucionadores de problemas, no solo escaladores; esta mentalidad impulsa la adecuación del producto al mercado con mayor rapidez y crea propiedad intelectual que puede mostrarse en eventos de la industria, elevando la credibilidad.
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.

Comentarios2
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?