AI कैप्सूल खाकर compound growth करने वाले startup

• सैन फ्रांसिस्को की AI-native कंपनियों का सीधे दौरा करके उनके वास्तविक काम करने के तरीके देखने पर पता चला कि PM की भूमिका के समाप्त होने से लेकर पूरे संगठन में प्रयोग की गति तेज होने तक, पारंपरिक startup से मूल रूप से अलग एक operating model उभर रहा है
• दौरा की गई 5 कंपनियों में से केवल 1 में ही dedicated PM था, और संरचना ऐसी बन रही है जिसमें engineer ग्राहकों से सीधे बात करते हैं और product decisions पूरी तरह संभालते हैं
• जब अब लगभग कुछ भी एक दिन में बनाया जा सकता है, तब हर request को implement करने की 'feature factory' वाली ललक सबसे बड़े strategic risk के रूप में उभर रही है
• tech stack का झुकाव Slack, Claude Code, GitHub, Codex और Linear की ओर है, और Slack agent orchestration के केंद्रीय hub की भूमिका निभा रहा है
• प्रयोग की लागत टूटकर बहुत नीचे आ जाने से कंपनियां 3~5 गुना तेज iteration हासिल कर रही हैं, और AI को भीतर तक अपनाने वाली कंपनियों और अभी भी strategy पर चर्चा कर रही कंपनियों के बीच का अंतर हर हफ्ते बढ़ रहा है

---

PM भूमिका का लोप

• एक ही दिन में देखी गई 5 कंपनियों में केवल 1 dedicated PM था, जबकि इनमें 40 लोगों वाली कंपनी भी शामिल थी
• engineer 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 वह भूमिका खुद engineering और design में absorb हो रही है

सबसे खतरनाक दुष्प्रभाव: feature factory

• जब ग्राहक की request को एक ही दिन में implement किया जा सकता है, तब सब कुछ बना देने का प्रलोभन बेहद बढ़ जाता है
• कई कंपनियों ने इसे अपना सबसे बड़ा strategic risk बताया
• जो कंपनियां इस समस्या से पार पा रही हैं, वे कड़े constraints लगा रही हैं
  • एक कंपनी का agent JSON के जरिए केवल मौजूदा features की settings बदल सकता है, और नया application code बना ही नहीं सकता
  • दूसरी कंपनी squad-level North Star metrics का इस्तेमाल करके ideas को launch से पहले ही हटा देती है
  • कई कंपनियों ने जोर देकर कहा कि founder को product के opinionated areas और flexible areas खुद तय करने चाहिए
• जब execution cost लगभग शून्य के करीब पहुंच जाती है, तब taste ही moat बन जाता है, लेकिन इसे संगठनात्मक रूप से कैसे लागू किया जाए, यह अभी तय हो रहा है

tech stack का convergence

• दौरा की गई लगभग सभी कंपनियां एक ही core stack इस्तेमाल 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 prosperity का roadmap बनाना शुरू कर दिया है
• Slack agents की केंद्रीय orchestration layer के रूप में उभर रहा है
  • emoji reaction अपने आप ticket बना देता है
  • bot diagnosis reports और customer issues की classification करता है
  • thread में tag होते ही agent तुरंत fix पर काम शुरू कर देता है
• 6 महीने पहले Cursor हर बातचीत में आता था, लेकिन अब उसका जिक्र इक्का-दुक्का ही होता है
• engineer Claude Code में ही रहते हैं, और एक researcher ने Cursor और Claude दोनों साथ इस्तेमाल करते हुए खुद से पूछा कि दूसरे window की जरूरत आखिर क्यों है
• coding platform के लिए चिंता की बात यह है कि engineer किसी खास coding tool के प्रति लगभग कोई loyalty या attachment नहीं रखते
  • जब तक वे engineer द्वारा पैदा किए गए data से model को train नहीं करते, long-term value बनाए रखना मुश्किल है, और इस मामले में Anthropic Mythos खबर के साथ बेहतर स्थिति में है

पूरे संगठन में क्षमता का विस्तार

• enterprise account manager ने महीनों तक product team से account upload automation मांगा, लेकिन उसे priority नहीं मिली → Slack के AI agent से कहा तो 1 घंटे में काम हो गया
• accounting team खुद database queries लिख रही है और MCP का इस्तेमाल करके अपने business data का analysis कर रही है
• Chief of Staff direct mail और marketing materials 30 मिनट के भीतर बना रहा है
• सबसे कम आंका गया बदलाव यह है कि AI सिर्फ engineers के लिए नहीं, बल्कि बाकी सभी लोगों के लिए क्या कर रहा है

प्रयोग की लागत का पतन और compound effect

• एक researcher ने 10 interface designs test किए, हर एक को एक-एक दिन चलाया, और फिर 9 को हटा दिया
• designer 6 मिनट के भीतर अलग tab में कई competing iterations बना देता है
• coding का बिल्कुल अनुभव न रखने वाले growth PM ने दो दिनों में पूरा Meta Ads pipeline बना लिया (strategy brief, AI-generated video ads, Meta auto-posting)
• वास्तविक ग्राहक संपर्क से पहले AI के जरिए customer simulation किया जा रहा है
  • एक team ने ऐसे AI agents बनाए जो अलग-अलग user personas निभाते हैं और वास्तविक feedback के बिना ही product stress test करते हैं
  • दूसरी team हर quarter 50 के बजाय हर हफ्ते सैकड़ों research interviews कर रही है
  • एक कंपनी ने पूरी negotiation history, communication preferences और decision patterns शामिल करते हुए customer personas बनाए, जिन्हें sales calls की तैयारी में इस्तेमाल किया जाता है
• कंपनियां 3~5 गुना तेज iteration हासिल कर रही हैं, और यह गति दो तरीकों से दिखाई देती है
  • एक single experiment को जल्दी खत्म करके उसी समय में ज्यादा experiments करना
  • कई experiments को parallel में एक साथ चलाना
• build और learning के चरण पूरे संगठन में compress हो रहे हैं और knowledge compound होकर जमा हो रही है
• जैसे युद्ध में fighter jets से drone swarms की ओर बदलाव आया, वैसा ही परिवर्तन अब business operations में भी दिख रहा है

आगे का दृष्टिकोण

• आगे भी और कंपनियों का दौरा जारी रहेगा और ज्यादा ठोस उदाहरणों के साथ deep case studies प्रकाशित की जाएंगी
• एक बात पहले से साफ है: इस तरीके को भीतर तक 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