AI-native, assemble: новые правила найма

AI-native, assemble: новые правила найма

Прочитал разбор кейса стартапа Fyxer (ребята за год выросли с $1M до $30M ARR) и зацепился за одну деталь. Их growth-команда состоит из 4 человек, но за год они умудрились запустить более 500 продуктовых экспериментов.

Цифры, конечно, сумасшедшие, но интереснее другое — как вообще собираются такие команды в AI-native стартапах и почему классический подход к найму здесь ломается.

Мы привыкли к классическим продуктовым позициям: продакт-менеджер, дизайнер, фронтенд, бэкенд, аналитик. Но пока гипотеза пройдет по всей этой цепочке согласований и тикетов, AI-native команда из пары человек успеет выкатить и проверить три новых фичи.

Когда написание кода и базовый дизайн перестают быть узким горлышком (спасибо Claude и Cursor), профиль идеального кандидата меняется кардинально.

Что вижу у самых быстрых команд:

🟢 Дженералисты вытесняют узких специалистов

Больше не так важно, насколько глубоко разработчик знает конкретный фреймворк. Нужны дженералисты — люди-оркестры, мастера на все руки.. Идеальный инженер сейчас — это зачастую бывший продакт, маркетолог или экс-фаундер. Человек, который понимает бизнес-логику и может сам задизайнить процесс, а рутину с написанием SQL-запросов или кусков кода просто делегирует нейросети.

🟢 Сдвиг от output к outcome

С безлимитным доступом к LLM время на сам кодинг сокращается в разы. Главным скиллом становится насмотренность и умение отличать сильную гипотезу от мусорной. Модель легко соберет вам кнопку или новый экран, но человек должен решить, зачем мы вообще это делаем и как это повлияет на метрику.

🟢 Алгоритмические собеседования теряют смысл

Проверять синтаксис больше нет смысла. Передовые команды дают кандидатам задачи формата «open book» — вот реальная проблема из нашего бэклога, используй любой AI, реши ее. Дальше результат просто сравнивают с решением, которое выдает «голая» модель (тот же Opus). Если кандидат не может сделать продукт лучше, чем нейросеть по дефолту — он не нужен. Человек должен быть мультипликатором для AI, а не просто оператором.

Инвесторы сейчас внимательно смотрят на размер команды стартапа и его burn rate. Компании, которые научились нанимать правильных дженералистов и выстраивать AI-процессы, растут кратно быстрее при меньших костах. И на текущем рынке это становится огромным преимуществом.

А как у вас сейчас устроен найм разработчиков? Меняли процессы тестирования с поправкой на то, что код теперь пишут нейросети? Поделитесь опытом в комментах

Андрей Резинкин | Money For Startup