AI की गोली खाकर कंपाउंड ग्रोथ करने वाले स्टार्टअप

• सैन फ्रांसिस्को की AI-native कंपनियों का सीधे दौरा कर उनकी वास्तविक कार्यशैली देखने पर पता चला कि PM भूमिका के लुप्त होने से लेकर पूरे संगठन में प्रयोग की रफ्तार तेज होने तक, पारंपरिक स्टार्टअप्स से बुनियादी रूप से अलग एक नया ऑपरेटिंग मॉडल उभर रहा है
• दौरा की गई 5 कंपनियों में समर्पित PM सिर्फ 1 था, और संरचना इस दिशा में बदल रही है जहां इंजीनियर ग्राहकों से सीधे बात करते हैं और product decisions की पूरी जिम्मेदारी लेते हैं
• जब लगभग कुछ भी एक दिन में बनाया जा सकता है, तब हर अनुरोध को implement करने की 'feature factory' वाली लालसा सबसे बड़ा रणनीतिक जोखिम बनकर उभर रही है
• टेक स्टैक Slack, Claude Code, GitHub, Codex, और Linear पर सिमटता दिख रहा है, और Slack agent orchestration के मुख्य hub की भूमिका निभा रहा है
• प्रयोग की लागत ढह जाने से कंपनियां 3~5 गुना तेज iteration हासिल कर रही हैं, और AI को आंतरिक रूप से अपना चुकी कंपनियों तथा अभी भी रणनीति पर चर्चा कर रही कंपनियों के बीच का अंतर हर हफ्ते बढ़ रहा है

---

PM भूमिका का लुप्त होना

• एक ही दिन में देखी गई 5 कंपनियों में समर्पित PM सिर्फ 1 था, जिनमें 40 लोगों की कंपनी भी शामिल थी
• संरचना ऐसी है जहां इंजीनियर हर दिन ग्राहकों से बात करते हैं और product decisions को शुरू से अंत तक सीधे own करते हैं
• PM को सिर्फ "assist" नहीं किया जा रहा, बल्कि उसकी भूमिका स्वयं engineering और design में absorb हो रही है

सबसे खतरनाक साइड इफेक्ट: feature factory

• जब ग्राहक अनुरोधों को एक दिन में implement करना संभव हो गया, तो सब कुछ बना देने का प्रलोभन बेहद बढ़ गया
• कई कंपनियों ने इसे अपनी सबसे बड़ी रणनीतिक risk बताया
• जो कंपनियां इस समस्या से पार पा रही हैं, वे कड़े constraints लगा रही हैं
  • एक कंपनी के agent JSON के जरिए केवल मौजूदा features की settings बदल सकते हैं, और नया application code बनाना संभव ही नहीं है
  • दूसरी कंपनी squad-level North Star metrics का इस्तेमाल कर ideas को launch से पहले ही हटा देती है
  • कई कंपनियों ने ज़ोर देकर कहा कि संस्थापकों को product के opinionated और flexible क्षेत्रों का फैसला खुद करना चाहिए
• जब execution cost लगभग शून्य के करीब पहुंच जाती है, तब taste ही moat बन जाता है, लेकिन इसे संगठन स्तर पर कैसे लागू किया जाए, यह अभी तय होना बाकी है

टेक स्टैक का अभिसरण

• दौरा की गई लगभग सभी कंपनियां एक ही core stack का उपयोग कर रही थीं: Slack, Claude Code, GitHub, code review के लिए Codex, और Linear
• Linear ने SaaS संकट में सिर्फ टिके रहने से आगे बढ़कर समृद्धि का roadmap बनाना शुरू कर दिया है
• Slack agents की केंद्रीय orchestration layer के रूप में उभर रहा है
  • emoji reaction से अपने-आप ticket बन जाता है
  • bots diagnosis reports और customer issues की classification करते हैं
  • thread में tag होते ही agents तुरंत fix पर काम शुरू कर देते हैं
• 6 महीने पहले Cursor हर बातचीत में आता था, लेकिन अब उसका उल्लेख बिखरे हुए ढंग से ही होता है
• इंजीनियर अब Claude Code में ही जी रहे हैं, और एक शोधकर्ता, जो Cursor और Claude दोनों साथ इस्तेमाल कर रहा था, खुद से पूछने लगा कि दूसरी window की जरूरत ही क्यों है
• इंजीनियरों में किसी खास coding tool के प्रति लगभग कोई loyalty या attachment नहीं है, जो coding platforms के लिए चिंता की बात है
  • यदि वे इंजीनियरों द्वारा पैदा किए गए data से models को train नहीं करते, तो long-term value बनाए रखना मुश्किल होगा, और इस मामले में Anthropic, Mythos की खबर के साथ, बेहतर स्थिति में दिखता है

पूरे संगठन की क्षमता का विस्तार

• enterprise account manager महीनों से product team से account upload automation मांग रहा था, लेकिन वह priority में पीछे था → Slack के AI agent से अनुरोध करते ही 1 घंटे में समस्या हल
• accounting team ने खुद database queries लिखीं और MCP का उपयोग कर अपने business data का analysis किया
• Chief of Staff ने direct mail और marketing materials 30 मिनट के भीतर तैयार किए
• सबसे कम आंका गया बदलाव यह है कि AI सिर्फ इंजीनियरों के लिए क्या कर रहा है, यह नहीं, बल्कि बाकी सभी लोगों के लिए क्या कर रहा है

प्रयोग लागत का पतन और कंपाउंड प्रभाव

• एक शोधकर्ता ने 10 interface designs test किए, हर एक को एक दिन चलाया, फिर उनमें से 9 को हटा दिया
• एक designer ने 6 मिनट के भीतर अलग tab में कई competing iterations बना दिए
• बिना किसी coding experience वाले एक growth PM ने सिर्फ 2 दिनों में पूरा Meta Ads pipeline बना लिया — strategy brief, AI-generated video ads, और Meta auto-publishing सहित
• AI की मदद से वास्तविक ग्राहकों तक पहुंचने से पहले customer simulation की जा रही है
  • एक टीम ने अलग-अलग user personas निभाने वाले AI agents बनाए और वास्तविक feedback के बिना ही product stress test किया
  • दूसरी टीम तिमाही में 50 के बजाय हर हफ्ते सैकड़ों research interviews कर रही है
  • एक कंपनी ने पूरे negotiation history, communication preferences, और decision patterns सहित customer personas बनाए और उनका इस्तेमाल sales calls की तैयारी में किया
• कंपनियां 3~5 गुना तेज iteration हासिल कर रही हैं, और यह रफ्तार दो तरह से दिख रही है
  • एक single experiment को तेज़ी से खत्म कर उसी समय में अधिक experiments करना
  • कई experiments को parallel में एक साथ चलाना
• build और learn के चरण पूरे संगठन में compress हो रहे हैं और knowledge compound होकर जमा हो रहा है
• जैसे युद्ध का तरीका fighter jets से बदलकर drone swarms की ओर गया, वैसा ही बदलाव कंपनी संचालन में भी हो रहा है

आगे की दिशा

• और कंपनियों के दौरे जारी रखकर, अधिक ठोस उदाहरणों के साथ deep case studies प्रकाशित करने की योजना है
• एक पैटर्न पहले ही साफ है: इस तरह की कार्यशैली को अपना चुकी कंपनियों और अभी भी "AI strategy" पर चर्चा कर रही कंपनियों के बीच का अंतर बहुत बड़ा है, और हर हफ्ते बढ़ रहा है

[daumkakao]

इस तरह के तरीकों को भीतर तक अपनाने वाली कंपनियों और अभी भी सिर्फ़ "AI रणनीति" पर चर्चा कर रही कंपनियों के बीच का अंतर बहुत बड़ा है, और वह हर हफ्ते बढ़ता जा रहा है — यह बात सच में बहुत गहराई से महसूस होती है... हम अभी भी बस रणनीति पर ही चर्चा(??) कर रहे हैं, ऐसे में पता नहीं कब पीछे छूट जाएंगे..शायद हम तो पहले ही पीछे छूट चुके हैं, हाय