Caricamento...

Andrew HunzekerHesed, ex Principal Engineer presso Grindr, è diventato il primo dipendente di 10x Science dopo una prova di più giorni che gli ha permesso di costruire uno strumento fondamentale per una presentazione a una delle prime dieci aziende farmaceutiche in soli tre giorni. Il fatto più sorprendente è che un team piccolissimo e nativo AI ha consegnato un prodotto che ora è un pilastro della piattaforma aziendale, dimostrando che l'ingegneria nelle prime fasi può muoversi più velocemente dei processi delle grandi corporazioni.
Secondo il blog di Y Combinator, Andrew ha trascorso anni a creare software visto da milioni di persone – logistica per la consegna di cibo, rifornimento CPG per Walmart e streaming video MLB – prima di incontrare i fondatori di 10x Science a un vertice sui talenti. 10x Science sviluppa software nativo AI per l'analisi dei dati scientifici, focalizzandosi inizialmente su proteomica e scoperta di farmaci, con piani di espansione nelle scienze della vita. Il processo di colloquio è stato una "prova di lavoro di più giorni" in cui Andrew ha avuto accesso completo ai fondatori e viceversa. Dopo la prova, si è unito al team e, nella sua prima settimana, ha aiutato la startup a presentare il progetto a una grande azienda farmaceutica. Il team gli ha dato tre giorni per comprendere il problema, progettare una soluzione, realizzarla e mostrarla venerdì. Lo strumento risultante "è diventato un pilastro nei nostri strumenti e ha avuto applicazioni al di fuori della sessione di presentazione iniziale", nota il blog. Andrew sottolinea che il lavoro nella fase iniziale riguarda "la comprensione della cosa in sé" piuttosto che la scalabilità di prodotti esistenti. I suoi contributi sono persino apparsi su poster di simposi scientifici e in inviti all'American Chemical Society. Attualmente, 10x Science sta passando dalla ricerca esplorativa alla definizione delle funzionalità per i clienti paganti, utilizzando strumenti semplici – riga di comando, VS Code e il modello AI più all'avanguardia (SOTA) ogni settimana – evitando complessi rituali di prompt‑tuning.
Per i proprietari e i responsabili di piccole aziende, la storia di Andrew è un modello pratico per sfruttare lo sviluppo nativo AI per competere ben oltre le proprie dimensioni. Primo, una prova rapida e pratica può evidenziare l'affinità culturale e la velocità tecnica più velocemente dei cicli di colloquio tradizionali, risparmiando mesi di rischi di assunzione. Secondo, il prototipo end‑to‑end di tre giorni dimostra che un team snello può fornire soluzioni pronte per il cliente senza la burocrazia delle grandi imprese, aspetto fondamentale quando è necessario dimostrare rapidamente valore a investitori o primi utilizzatori. Terzo, la scelta di rimanere "agnostici rispetto agli strumenti" (riga di comando, VS Code, i migliori modelli AI) mantiene lo stack leggero, riduce il debito tecnico e consente agli ingegneri di cambiare fornitore man mano che il settore evolve, una strategia che i piccoli team possono emulare per rimanere competitivi senza grandi budget di R&D. Infine, l'attenzione di Andrew per "la cosa in sé" ricorda ai fondatori che le prime assunzioni dovrebbero essere risolutori di problemi, non semplici addetti alla scalabilità; questa mentalità guida più velocemente l'adattamento del prodotto al mercato e crea proprietà intellettuale che può essere mostrata in eventi di settore, aumentando la credibilità.
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.

Commenti2
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?