Jak zbudować startup ery AI? Lekcje od firmy, w której nikt nie pisze kodu #EN220

Współczesny świat technologii pełen jest opowieści o wielkich zespołach i ogromnych rundach finansowania. Dan Shipper, CEO firmy Every, prezentuje jednak zupełnie inną ścieżkę. Jego 15-osobowa firma z sukcesem rozwija pięć różnych produktów SaaS, prowadzi popularny newsletter i generuje siedmiocyfrowe przychody. Sekret? Nikt w zespole produktowym nie pisze już kodu ręcznie. Całą pracę wykonują agenci AI, a programiści stali się ich menedżerami.

To nie jest wizja przyszłości – to model operacyjny, który działa tu i teraz, pozwalając osiągnąć niespotykaną wcześniej efektywność. Every na nowo definiuje, czym jest budowanie firmy w erze sztucznej inteligencji.

TL;DR: Najważniejsze wnioski

Programiści nie kodują – W Every inżynierowie nie piszą kodu linijka po linijce, tylko zarządzają agentami AI jak Claude Code
Head of AI Operations – Nowa rola odpowiedzialna za automatyzację każdej powtarzalnej czynności w firmie
Wzrost wartości generalistów – AI staje się specjalistą, więc rośnie zapotrzebowanie na ludzi łączących różne domeny
Gospodarka alokacji – Przyszłość to umiejętności menedżerskie: wizja, ocena i delegowanie zadań do AI
CEO musi być przykładem – Najważniejszy predyktor sukcesu: czy szef codziennie używa ChatGPT
Dłuższa smycz = lepsze wyniki – Agenci pracujący 20-30 minut bez nadzoru dają lepsze rezultaty niż ciągłe mikromanagement
AI przyspiesza rozwój juniorów – Nowi pracownicy uczą się w tempie niemożliwym wcześniej dzięki promptom z feedbackiem

Co to jest Every i dlaczego warto się nim inspirować

Dan Shipper zbudował organizację, która reprezentuje przyszłość pracy już dziś. Jego firma Every zatrudnia 15 osób i obsługuje:

100 000 subskrybentów newslettera o AI
5 produktów SaaS (Quora, Sparkle, Spiral, Monologue, Lex)
Dział doradztwa – około $1M w zeszłym roku, planowane podwojenie w tym

Sekret? Nikt w zespole produktowym nie pisze kodu ręcznie. Wszyscy używają agentów AI.

Obrona „nakładek na GPT” – kluczowy insight biznesowy

Shipper ma kontrowersyjną opinię o tym, co branża tech nazywa „GPT wrapperami”. Podczas gdy wszyscy powtarzają „nie rób kolejnej nakładki na GPT”, Every zbudowało wszystkie 5 produktów właśnie jako nakładki.

„Nakładki na GPT są niesamowite i są niesłusznie oceniane. Ludzie nie rozumieją, jak bardzo są wartościowe”, mówi Shipper. Każdy produkt Every rozwiązuje konkretny problem, który zespół napotykał używając ChatGPT.

Unikalne podejście do finansowania

Shipper celowo unika tradycyjnego modelu VC. W szczytowym momencie creator economy zebrał tylko $700k w pre-seed, pisząc inwestorom jasno: „To prawdopodobnie nie będzie venture business”.

Niedawno pozyskał $2 miliony od Reid Hoffman w formule „SIP seed” – zobowiązanie, które można wykorzystać stopniowo według potrzeb.

„Psychologicznie pozwala mi to podejmować więcej ryzyka, ale nie patrzę na gigantyczną kwotę w banku myśląc 'spalmy to’”, tłumaczy Shipper.

Jak pracują bez pisania kodu – model operacyjny Every

Programiści jako menedżerowie agentów

Kieran i Nitesh, dwuosobowy zespół produktowy, pracują z „15 instancjami Claude Code”. W praktyce ich dzień wygląda tak:

Tworzą precyzyjne PRD (Product Requirements Document)
Przekazują specyfikację agentom AI
Weryfikują i scalają kod wygenerowany przez AI
Nigdy nie piszą kodu ręcznie

Kluczowa innowacja to „compounding engineering” – każdy nowy prompt przyspiesza kolejne projekty. Zespół buduje bibliotekę automatyzacji w GitHub.

Rola Head of AI Operations

Katie Parrott to kierowniczka operacji AI w Every. Jej praca polega na systematycznej automatyzacji:

Cotygodniowe spotkania z zespołem w poszukiwaniu powtarzalnych zadań
Budowanie promptów dla każdej sekwencji „kopiuj-wklej”
Tworzenie workflow bez przerywania codziennej pracy

Konkretny przykład: Katie zautomatyzowała redakcję tekstu. Wcześniej naczelna redaktor spędzała godziny na poprawkach stylistycznych. Teraz Claude Opus dostaje przewodnik stylistyczny i robi to automatycznie.

Gospodarka alokacji – nowa era pracy

Shipper przewiduje przejście od gospodarki wiedzy do „gospodarki alokacji”. Używanie AI to przede wszystkim zarządzanie.

Kompetencje przyszłości

Umiejętność	Zastosowanie w pracy z AI
Vision	Jasne kryteria sukcesu przed startem zadania
Evaluation	Natychmiastowy feedback dla agentów
Taste	Wyczucie jakości (Claude Opus 4 potrafi samodzielnie oceniać tekst)
Oversight	Decyzja, kiedy interweniować, a kiedy zostawić agenta samego

Dlaczego generaliści wygrają

AI faworyzuje generalistów. Specjalizacja była odpowiedzią na koordynację między wieloma ludźmi, ale AI wie wszystko o każdej dziedzinie.

„To jak mieć 10 000 doktoratów w kieszeni. Możesz przeskakiwać między domenami bez spędzania lat na nauce każdej z nich”, tłumaczy Shipper.

Przykłady przyspieszonego rozwoju w praktyce

Nitesh z zespołu Quora zaczął programować dopiero gdy wyszedł ChatGPT. „Zazdroszczę mu, że zna tylko programowanie w erze AI”, mówi Shipper. W miesiące osiągnął to, co wcześniej zajmowało lata.

Alex Duffy przyszedł do Every jako writer z dobrymi pomysłami, ale słabymi umiejętnościami. „Zrobił rok postępów w dwa miesiące”, zauważa Shipper. Sekret? Za każdym razem gdy dostał feedback, nagrywał go i wbudowywał w prompt. Nigdy nie popełnił tego samego błędu dwa razy.

Trzy nieoczywiste tezy na temat AI według Dana Shippera

1. AI jako siła dla lokalnych gospodarek

Wbrew obawom o utratę pracy, AI może przyczynić się do jej powrotu (tzw. reshoring). Sztuczna inteligencja obniża koszt zaawansowanych usług, stymulując lokalny popyt i czyniąc zatrudnienie bardziej opłacalnym niż outsourcing.

2. Claude Code: narzędzie nie tylko dla programistów

„Ludzie nie doceniają tego, jak dobre jest Claude Code dla osób nietechnicznych”, mówi Shipper. Przykłady zastosowań:

Analiza notatek: Folder ze spotkaniami → automatyczna analiza wzorców
Badanie literatury: Wojna i pokój → przewodnik do pisania charakteryzacji jak Tołstoj
Porównywanie dokumentów: Różne wersje bez ograniczeń kontekstu
Analiza własnego stylu: Shipper pobrał rosyjską wersję Wojny i pokoju i porównał z angielskim tłumaczeniem
Test predykcyjny: „Czy AI przewidzi co powiem na spotkaniu” (wyniki były słabe, co pokazuje złożoność kontekstów pracy)

Główna bariera to nauczenie się terminala, ale potem to rozmowa w naturalnym języku z narzędziem, które może pracować 20-30 minut autonomicznie.

3. Nowa definicja AGI: dłuższa smycz

Zamiast testu Turinga, Shipper proponuje mierzyć AGI długością „smyczy” – jak długo AI może pracować samodzielnie. AGI osiągniemy, gdy będzie ekonomicznie opłacalne, aby agenci działali 24/7 bez nadzoru.

Recepta na wdrożenie AI w firmach – doświadczenia z doradztwa

Every prowadzi konsulting dla firm chcących wdrożyć AI. Shipper zauważył jeden kluczowy wzorzec: firmy, które odnoszą sukces, mają CEO używającego ChatGPT codziennie.

Studium przypadku: Walleye Capital

10-miliardowy hedge fund to modelowy przykład wdrożenia AI:

CEO wysłał memo „jesteśmy AI-first” – napisane w ChatGPT z komentarzem „wy też powinniście”
Cotygodniowe spotkania dzielenia się promptami
Statystyki użycia w tygodniowych emailach
Wyróżnianie pionierów jako ambasadorów dla reszty

Wynik? 80% zespołu zaczęło aktywnie używać AI w ciągu miesiąca.

Proces wdrożenia Every

Faza	Działania	Czas
Badawcza	Wywiady z zespołami, identyfikacja powtarzalnych zadań	1 tydzień
Raport	Analiza gotowości, dashboard z wynikami	1 tydzień
Szkolenia	Dostosowane do ról, 1 godz/tydzień	4 tygodnie
Automatyzacje	Konkretne prompty i workflow	Ciągłe

Praktyczne prompty gotowe do użycia

Prompt jako osobisty mentor

Koncepcja: „Przeanalizuj poniższy tekst: [Twój tekst]. Zastosuj feedback od [Imię mentora]: [Treść feedbacku]. Popraw tekst i wyjaśnij zmiany, abym się nauczył.”

Kiedy stosować: Po otrzymaniu feedbacku od przełożonego lub klienta. „Uczysz” AI, które staje się Twoim trenerem.

Prompt do analizy komunikacji

Koncepcja: „Przeanalizuj moje transkrypcje z ostatniego miesiąca. Znajdź momenty, gdy unikałem konfliktu / używałem słów-wypełniaczy / mówiłem nieprecyzyjnie.”

Kiedy stosować: Do rozwoju umiejętności miękkich i odkrywania nieświadomych wzorców.

Prompt „Every-style copyedit”

Koncepcja: „Wciel się w redaktora naczelnego. Popraw tekst zgodnie z naszym przewodnikiem stylu. Zwróć uwagę na ton, prostotę języka i unikanie żargonu.”

Kiedy stosować: Dla spójności komunikacji w materiałach firmowych.

Checklista dla lidera: Jak budować kulturę AI-first?

Sprawdź podstawy

[ ] CEO używa ChatGPT/Claude codziennie
[ ] Masz zidentyfikowane powtarzalne zadania
[ ] Znajdziesz wczesnych adopters (10% zespołu)

Zbuduj fundament

[ ] Wyznacz Head of AI Operations
[ ] Cotygodniowe spotkania „Show & Tell” z promptami
[ ] Dostosowane szkolenia dla każdego zespołu

Mierz i skaluj

[ ] Statystyki użycia narzędzi AI
[ ] Wewnętrzne newslettery o sukcesach
[ ] System wyróżnień dla innowatorów

Mikro-wdrożenia gotowe do użycia

Problem	Rozwiązanie AI	Narzędzie
Powtarzalne maile	Prompt „draft & polish”	Quora/ChatGPT
Chaotyczne notatki	Automatyczne skróty decyzji	Monologue
Długie korekty	„Every-style copyedit” w CLI	Claude Code
Brak widoczności	Cotygodniowy pulpit użycia	Dashboard

Osobista lekcja założyciela: znajdź swój autentyczny model

Za unikalną strukturą Every kryje się ważna historia. Dan Shipper przyznaje, że przestał pisać, próbując dopasować się do wizerunku „poważnego CEO”. Biznes zaczął stagnować.

Po trzech latach płaskiego wzrostu zapytał ChatGPT o przykłady pisarzy budujących biznesy. Odkrył Joel Spolsky (Trello, Stack Overflow), Jason Fried (Basecamp), Sam Harris (meditation app).

Kluczowa lekcja: „Za każdym razem gdy skłaniałem się ku czemuś, co wydawało się ukrytym pragnieniem – największym luksusem – działało to znacznie lepiej.”

Shipper wrócił do pisania. Biznes odżył.

Stos technologiczny Dana Shippera

Z ciekawości – oto narzędzia, których Shipper używa codziennie:

Narzędzie	Zastosowanie
ChatGPT O3	Główne narzędzie z pamięcią, używa też do refleksji osobistej
Claude Opus 4	Jedyny model który potrafi ocenić jakość pisania („ma wyczucie”)
Claude Code	Cały zespół Every używa do programowania
Granola	Transkrypcje spotkań (wcześniej Whisper)
Notion	Organizacja z automatycznym nagrywaniem spotkań

Trzy kluczowe paradoksy ery AI

Paradoks nakładek: GPT wrappery są złotem

Standardowo myślimy: Nakładki na GPT to zły pomysł. Branża tech powtarza „nie rób kolejnej nakładki na GPT” i traktuje je jako brak innowacyjności.

W praktyce okazuje się: „Nakładki na GPT są niesamowite i są niesłusznie oceniane”, mówi Shipper. Every zbudowało 5 produktów właśnie jako nakładki – każdy rozwiązuje konkretny problem z używania ChatGPT.

Paradoks dźwigni: pracuj nad pracą, nie w pracy

Standardowo myślimy: Aby szybko wykonać zadanie, usiądź i je zrób. Kluczowa jest sprawność.

W praktyce okazuje się: Największą dźwignię daje zatrzymanie się i zbudowanie systemu (promptu), który wykona zadanie za nas. Pierwsze wykonanie wolniejsze, każde kolejne niemal natychmiastowe.

Paradoks smyczy: dłuższa autonomia = lepsze wyniki

Standardowo myślimy: Agent wymaga nadzoru co kilka minut, inaczej zacznie błądzić.

W praktyce okazuje się: Gdy agent pracuje 20-30 minut samodzielnie z jasnymi kryteriami, rezultaty bywają dokładniejsze i bardziej twórcze niż przy ciągłym nadzorze.

Test na jutro

Znajdź zadanie, które wykonasz więcej niż dwa razy
Zamiast od razu je robić, poświęć 30 minut na zbudowanie idealnego promptu
Sprawdź oszczędności przy trzecim i czwartym powtórzeniu
Przy następnym raporcie napisz kryteria sukcesu, uruchom agenta na 30 minut, sprawdź czy wymaga mniej poprawek
Gdy frustruje Cię robienie czegoś w ChatGPT, spróbuj zbudować prostą nakładkę automatyzującą ten przepływ

Z mojego doświadczenia, te testy pokazują różnicę między pracą w erze AI a tradycyjnym podejściem. Pierwszy uczył mnie budowania systemów zamiast wykonywania zadań. Drugi – że mikromanagement szkodzi nawet z AI. Trzeci – że najprostsze rozwiązania często są najwartościowsze.

Ten artykuł powstał na podstawie notatek z podcastów Lenny’ego Rachitsky’ego z Danem Shipperem. Wszystkie cytaty i obserwacje pochodzą od rozmówców.