Wczytywanie...

Andrew HunzekerHesed, były główny inżynier w Grindr, został pierwszym pracowniakiem w 10x Science po wielodniowym okresie próbnym, w trakcie którego w zaledwie trzy dni zbudował kluczowe narzędzie do prezentacji dla jednej z dziesięciu największych firm farmaceutycznych. Najbardziej uderzający jest fakt, że malutki zespół oparty na sztucznej inteligencji dostarczył produkt, który jest obecnie kamieniem węgielnym platformy firmy, udowadniając, że inżynieria na wczesnym etapie może poruszać się szybciej niż procesy w korporacjach.
Jak podaje Y Combinator Blog, Andrew spędził lata na budowaniu oprogramowania oglądanego przez miliony – logistyki dostaw jedzenia, zatowarowania CPG w Walmart oraz streamingu wideo MLB – zanim poznał założycieli 10x Science na szczycie talentów. 10x Science tworzy oprogramowanie oparte na AI do analizy danych naukowych, początkowo ukierunkowane na proteomikę i odkrywanie leków, z planami ekspansji na nauki przyrodnicze. Proces rekrutacyjny był „wielodniową próbą pracy”, podczas której Andrew miał pełny dostęp do założycieli i na odwrót. Po okresie próbnym dołączył do zespołu i w ciągu swojego pierwszego tygodnia pomógł startupowi przygotować prezentację dla czołowej firmy farmaceutycznej. Zespół dał mu trzy dni na zrozumienie przestrzeni problemu, zaprojektowanie rozwiązania, jego zbudowanie i zaprezentowanie w piątek. Powstałe narzędzie „stało się fundamentem naszych narzędzi i miało zastosowanie poza początkową sesją pitchową” – zauważa blog. Andrew podkreśla, że praca na wczesnym etapie polega na „zrozumieniu samej istoty rzeczy”, a nie na skalowaniu istniejących produktów. Jego wkłady pojawiły się nawet na plakatach sympozjów naukowych oraz w zgłoszeniach do Amerykańskiego Towarzystwa Chemicznego. Obecnie 10x Science przechodzi od badań eksploracyjnych do dopinania funkcji dla płatnych klientów, korzystając z prostych narzędzi – wiersza poleceń, VS Code oraz najbardziej zaawansowanego modelu AI każdego tygodnia – unikając jednocześnie głębokich rytuałów dostosowywania promptów.
Dla właścicieli i liderów małych firm historia Andrew to praktyczny plan wykorzystania rozwoju opartego na AI, aby dorównać graczom o wiele większym od siebie. Po pierwsze, szybka, praktyczna próba pozwala ocenić dopasowanie kulturowe i prędkość techniczną szybciej niż tradycyjne pętle rekrutacyjne, oszczędzając miesiące ryzyka związanego z zatrudnianiem. Po drugie, trzydniowy, kompleksowy prototyp udowadnia, że szczupły zespół może dostarczyć gotowe dla klienta rozwiązania bez biurokracji dużych przedsiębiorstw – co ma kluczowe znaczenie, gdy trzeba szybko udowodnić wartość inwestorom lub wczesnym użytkownikom. Po trzecie, decyzja o pozostaniu „niezależnym od narzędzi” (wiersz poleceń, VS Code, najlepsze w swojej klasie modele AI) utrzymuje stos technologiczny w lekkim stanie, zmniejsza dług techniczny i pozwala inżynierom zmieniać dostawców wraz z ewolucją dziedziny – to strategia, którą małe zespoły mogą naśladować, aby zachować konkurencyjność bez dużych budżetów na B+R. Wreszcie, skupienie się przez Andrew na „samej istocie rzeczy” przypomina założycielom, że pierwsi pracownicy powinni być osobami rozwiązującymi problemy, a nie tylko osobami skalującymi; takie podejście szybciej prowadzi do dopasowania produktu do rynku i tworzy własność intelektualną, którą można zaprezentować na wydarzeniach branżowych, podnosząc wiarygodność.
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.

Komentarze2
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?