Chargement...

Andrew HunzekerHesed, ancien ingénieur principal chez Grindr, est devenu le premier employé de 10x Science après une période d'essai de plusieurs jours qui lui a permis de construire un outil central pour une présentation à une entreprise pharmaceutique du top dix en seulement trois jours. Le fait le plus frappant est qu'une petite équipe IA-native a livré un produit qui est désormais un pilier de la plateforme de l'entreprise, prouvant que l'ingénierie en phase précoce peut évoluer plus vite que les pipelines des grandes entreprises.
Selon le blog de Y Combinator, Andrew a passé des années à construire des logiciels utilisés par des millions de personnes—logistique de livraison de repas, approvisionnement CPG de Walmart et streaming vidéo de la MLB—avant de rencontrer les fondateurs de 10x Science lors d'un sommet sur le talent. 10x Science développe des logiciels IA-native pour l'analyse de données scientifiques, ciblant initialement la protéomique et la découverte de médicaments, avec des plans d'expansion dans les sciences de la vie. Le processus d'entretien était une « période d'essai de travail de plusieurs jours » où Andrew avait un accès complet aux fondateurs et vice-versa. Après l'essai, il a rejoint l'équipe et, au cours de sa première semaine, a aidé la startup à présenter son projet à une entreprise pharmaceutique du top dix. L'équipe lui a donné trois jours pour apprendre l'espace de problèmes, concevoir une solution, la construire et la démontrer le vendredi. L'outil résultant « est devenu un pilier de notre outillage et a eu des applications en dehors de la session de présentation initiale », note le blog. Andrew souligne que le travail en phase précoce consiste à « comprendre la chose elle-même » plutôt qu'à mettre à l'échelle des produits existants. Ses contributions ont même été présentées sur des affiches de symposiums scientifiques et dans des soumissions à la Société américaine de chimie. Actuellement, 10x Science passe de la recherche exploratoire à la fixation des fonctionnalités pour les clients payants, en utilisant des outils simples—ligne de commande, VS Code et le modèle IA le plus SOTA chaque semaine—tout en évitant les rituels de réglage profond des prompts.
Pour les propriétaires et responsables d'équipe de petites entreprises, l'histoire d'Andrew est un plan pratique pour exploiter le développement IA-native afin de frapper bien au-dessus de sa taille. Premièrement, une période d'essai rapide et pratique peut révéler l'adéquation culturelle et la vélocité technique plus rapidement que les boucles d'entretien traditionnelles, économisant des mois de risque de recrutement. Deuxièmement, le prototype de bout en bout en trois jours démontre qu'une équipe lean peut livrer des solutions prêtes pour le client sans la bureaucratie des grandes entreprises—essentiel lorsque vous devez prouver rapidement la valeur aux investisseurs ou aux premiers adopteurs. Troisièmement, le choix de rester « agnostique sur les outils » (ligne de commande, VS Code, modèles IA de premier plan) maintient la pile technologique légère, réduit la dette technique et permet aux ingénieurs de changer de fournisseurs au fur et à mesure que le domaine évolue, une stratégie que les petites équipes peuvent imiter pour rester compétitives sans grands budgets R&D. Enfin, l'accent d'Andrew sur « la chose elle-même » rappelle aux fondateurs que les premiers embauchés doivent être des solveurs de problèmes, pas seulement des scalers ; cette mentalité accélère l'adéquation produit-marché et crée une propriété intellectuelle qui peut être mise en avant lors d'événements du secteur, renforçant la crédibilité.
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.

Commentaires2
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?