Коли люди говорять про “фулстек-засновника”, зазвичай мають на увазі сильного інженера, який ще й розуміє продукт. Історія Матіаса Кастелло ламає цю схему. Він не інженер за освітою, але сьогодні будує більше, ніж багато досвідчених девелоперів. Як продакт-лідер у криптоінфраструктурній компанії Alchemy, він не лише впроваджує AI у робочі процеси, а й радикально змінює власний спосіб створення продуктів — від стартапу “старої школи” до системи, де автономні агенти працюють годинами, поки він не за комп’ютером.
Цей матеріал розбирає, як саме AI дозволяє йому стискати часові горизонти, зменшувати потребу в команді й паралельно вести десяток проєктів, залишаючись по суті соло-білдером.
Від прототипу на копіпасті до “тиждень на V1”
Ще шість–сім років тому шлях нетехнічного засновника виглядав досить передбачувано й болісно. Спочатку — самотній марафон із прототипом: нескінченне копіювання коду з туторіалів, стековерфлоу й чужих репозиторіїв, поки щось нарешті не запрацює. Потім — спроба підняти раунд, аби найняти перших інженерів і перетворити цей крихкий прототип на справжній продукт.
Саме так будував свій попередній стартап Матіас. Він самотужки зібрав перший прототип, фактично на “копіпасті”, і лише після цього зміг залучити кошти, щоб запросити у команду трьох–чотирьох інженерів. Далі — кілька місяців спільної роботи над MVP, який нарешті можна було показати користувачам. Це вимагало помітного бюджету, командної координації й довгого циклу ітерацій.
На цьому тлі контраст із сьогоденням виглядає майже шокуючим. Оцінюючи свій минулий досвід через призму сучасних інструментів, Матіас стверджує: першу версію того ж самого застосунку сьогодні він зміг би відбудувати сам менш ніж за тиждень, використовуючи AI. Не йдеться про умовний “клік — і все готово”, але про радикальне стиснення часу на всі етапи: від архітектури й коду до тестів і дрібних правок.
Це не поодинокий випадок. Співрозмовник Матіаса, Ромен Юе, згадує власний стартап, де до версії V1, яку можна було відправити багатьом клієнтам, ішли командою з приблизно 15 інженерів півтора року. Порівняння цих цифр із поточними можливостями AI показує не просто приріст продуктивності, а зміну самої траєкторії розвитку продукту. Там, де раніше потрібні були роки й десятки людей, сьогодні один мотивований білдер може пройти значну частину шляху сам — за тижні.
Ключова відмінність — не лише в тому, що AI “швидко пише код”. Моделі беруть на себе цілий пласт рутинної та проміжної роботи, яка раніше вимагала або додаткових людей, або компромісів із якістю. Це відкриває засновникам можливість мислити інакше: замість того, щоб будувати компанію навколо дефіциту інженерного ресурсу, вони можуть проектувати процеси навколо надлишку обчислювального ресурсу й автономних агентів.
Коли комп’ютер працює без тебе: особиста система автономних агентів
Парадокс сучасного AI-періоду в тому, що будувати стало легше, але відчуття тиску — сильніше. Матіас описує знайоме багатьом відчуття: коли технології дають змогу запускати проєкти майже “по одному на день”, з’являється тривога, що ти все одно робиш недостатньо. Кожна година, проведена не за ноутбуком, починає сприйматися як втрата можливостей.
Вихід, який він для себе знайшов, — не працювати більше, а змінити саме співвідношення “людина–машина” у процесі розробки. Замість того, щоб сидіти за комп’ютером постійно, він інвестував час у створення системи, де Codex може працювати над його проєктами годинами автономно, поки він займається іншими справами.
Ця система складається з набору навичок (skills) і процесів, які перетворюють природномовний опис ідеї на повний цикл розробки. Матіас може коротко сформулювати задум — і далі Codex:
генерує план реалізації;
розбиває роботу на кроки;
імплементує зміни в коді;
запускає тести;
повідомляє, коли завдання виконано.
У результаті замість того, щоб бути “оператором” кожної дії, людина стає постановником задач і арбітром результатів. Критичний момент — автономність у часі: Codex здатен працювати без нагляду годинами, а Матіас повертається до комп’ютера вже на етапі перевірки й прийняття рішень.
Це змінює й психологічну динаміку. Замість провини за те, що він “не працює”, коли виходить на прогулянку чи йде на вечерю, він знає, що в цей час його агенти продовжують рухати проєкти вперед. Людський час звільняється для стратегічного мислення, відпочинку й тих рішень, які AI поки що не може прийняти за нього.
AI як продакт-менеджер: дослідження конкурентів, фічі й експерименти
Якщо на рівні коду AI уже сприймається як звичний інструмент, то те, як Матіас використовує Codex на рівні продукту, показує наступний етап еволюції. Йдеться не лише про допомогу в написанні текстів чи дрібних скриптів, а про делегування цілих шматків продакт-роботи.
Для існуючих застосунків він побудував процес, у якому Codex бере на себе дослідження конкурентів і генерацію нових функцій. Агенти аналізують інші продукти в ніші, збирають ідеї, співвідносять їх із цілями та вподобаннями самого Матіаса й пропонують, що варто додати в застосунок.
Далі AI не зупиняється на рівні “списку ідей”. Він переходить до реалізації: кожну нову функцію будує як модульний експеримент із фічефлагом. Це означає, що в основному застосунку з’являються нові можливості, які можна вмикати й вимикати окремо, не ламаючи базову логіку продукту.
Практичний сценарій виглядає так. Перед сном Матіас може дати Codex завдання: дослідити певний застосунок, спроєктувати десять найперспективніших функцій і реалізувати їх як експерименти з фічефлагами. Вночі агенти:
аналізують ринок і конкурентів;
формують перелік фіч;
пишуть код;
інтегрують його в проєкт;
обгортають кожну зміну фічефлагом.
Вранці він відкриває продукт і бачить десять нових перемикачів, які можна по черзі вмикати, тестувати й оцінювати. Людина перестає бути вузьким горлечком у генерації й первинній реалізації ідей, але зберігає контроль над тим, що залишається в продукті.
Цей підхід важливий із двох причин. По-перше, він перетворює AI на повноцінного учасника продакт-процесу, а не просто “розумний редактор”. По-друге, він вбудовує експериментальність у саму архітектуру продукту: усе нове одразу приходить як керований експеримент, а не як незворотна зміна.
У поєднанні з автономною роботою в часі це дає ефект, який раніше був доступний лише командам із виділеними продакт-дослідниками, аналітиками й інженерами. Тепер це може робити одна людина, якщо правильно організує взаємодію з моделями.
Дванадцять проєктів одночасно: як AI тримає все в русі
Ще один вимір “масштабування однієї людини” — кількість паралельних ініціатив. Матіас веде близько дванадцяти сайд-проєктів одночасно, використовуючи Linear як центральний хаб управління. На перший погляд це виглядає нереалістично: навіть для досвідченого продакт-менеджера дванадцять активних продуктів — це рецепт вигорання.
Різниця в тому, що значна частина роботи в цих проєктах виконується не ним особисто, а Codex. У Linear багато задач і майлстоунів створюються й виконуються агентами. Вони ж автоматично рухають тікети між статусами — “in progress”, “review”, “done” — у міру виконання кроків.
Фактично AI виступає не лише як виконавець, а й як диспетчер процесу. Він:
генерує задачі на основі загальних цілей проєкту;
розбиває їх на підзадачі;
починає роботу над ними;
оновлює статуси в трекері;
сигналізує людині, коли потрібен огляд або рішення.
Людська увага в такій системі стає дефіцитним ресурсом, який витрачається тільки там, де справді потрібен judgment: пріоритизація, оцінка якості, вибір напрямку розвитку. Усе, що можна формалізувати як послідовність кроків, віддається агентам.
Це дозволяє Матіасу не “жонглювати” дванадцятьма проєктами в голові, а працювати з ними як із портфелем: час від часу заходити в кожен, переглядати прогрес, приймати рішення й запускати нові хвилі роботи для Codex. Такий режим був би неможливим без чіткої операційної структури, де AI інтегрований у саму тканину таск-менеджменту, а не існує окремо як “чарівний інструмент”.
Важливо, що йдеться не про демонстраційні “іграшкові” проєкти. Серед них — реальні застосунки, включно з macOS та iOS-апками, які він продовжує розвивати. Один із прикладів — інструмент для письма, що викликається глобальним шорткатом і використовує Codex App Server та GPT-підписку за лаштунками, аби допомагати йому писати краще під час роботи за комп’ютером. Це вже не просто експерименти, а корисні інструменти, які самі стають частиною його продуктивного стеку.
Як навчити агента працювати “по-людськи”: роль особистих преференцій
Щоб AI міг не просто виконувати задачі, а робити це “в стилі” конкретної людини, йому потрібен контекст про те, як ця людина мислить і працює. Матіас розв’язує це через явне кодування власних робочих преференцій у форматі, який можуть читати агенти.
У його системі це оформлено як окремий документ із описом того, як він любить планувати, писати код, структурувати проєкти, які компроміси прийнятні, а які — ні. Цей файл стає своєрідним “мануалом” для Codex, який дозволяє планувати й виконувати роботу в його улюбленому стилі, а не в абстрактному “середньому” варіанті.
Результат — менше тертя між людиною й агентом. Замість того, щоб постійно переробляти результати AI “під себе”, Матіас отримує артефакти, які від початку ближчі до його стандартів. Це особливо важливо, коли йдеться про десятки задач у багатьох проєктах: кожна дрібна невідповідність стилю чи структури в масштабі перетворюється на суттєву втрату часу.
Такий підхід показує, що наступний рівень інтеграції AI у роботу — це не лише кращі моделі, а й кращі способи описати себе для цих моделей. Особистий “профіль роботи” стає частиною інфраструктури, так само важливою, як репозиторій коду чи CI/CD.
Новий профіль засновника: менше людей, більше систем
Історія Матіаса — не про те, що “AI замінить інженерів”, а про зміну профілю того, хто будує продукти. Там, де раніше нетехнічний засновник був змушений якнайшвидше наймати команду, сьогодні він може значно довше залишатися ефективним соло-білдером, якщо вміє конструювати правильні системи навколо себе.
Це має кілька наслідків для екосистеми стартапів.
По-перше, знижується поріг входу. Люди без глибокого технічного бекграунду можуть не просто “замовляти розробку”, а реально будувати продукти, якщо готові інвестувати час у розуміння можливостей AI та організацію процесів.
По-друге, змінюється динаміка команд. Там, де раніше перші гроші йшли на розширення інженерного штату, тепер їх можна спрямувати на інші речі — маркетинг, дистрибуцію, юридичну інфраструктуру. Команди можуть залишатися меншими довше, а найм інженерів стає більш таргетованим: не для “писання всього коду”, а для вирішення найскладніших, нетипових задач.
По-третє, з’являється новий тип “операційної зрілості” для соло-засновників. Успіх визначається не лише якістю ідеї чи вмінням пітчити, а й здатністю побудувати навколо себе екосистему агентів, інструментів і процесів, які працюють автономно й масштабуються без прямої участі людини.
Матіас показує, що така модель уже не теоретична. Вона працює сьогодні: від відбудови колишнього стартапу за тиждень до управління дванадцятьма проєктами, де значну частину роботи виконують Codex-агенти, поки він спить, обідає чи проводить час поза комп’ютером.
Висновок: час будувати системи, а не лише продукти
Якщо раніше ключовим питанням для засновника було “як найняти потрібних людей”, то сьогодні дедалі частіше воно звучить як “як побудувати правильну систему з AI”. Досвід Матіаса Кастелло показує, що:
перший прототип більше не вимагає місяців і команди — його реально зібрати соло за дні;
AI може бути не лише “автодоповненням коду”, а повноцінним учасником продакт-процесу — від дослідження конкурентів до реалізації фіч як експериментів;
автономні агенти здатні працювати годинами без участі людини, якщо їм дати чіткі навички, процеси й опис робочих преференцій;
одна людина може тримати в русі десяток проєктів, якщо AI інтегрований у таск-менеджмент і бере на себе рутину планування та виконання.
У цьому сенсі “найкращий час бути засновником” — не просто красива фраза. Це констатація того, що інструменти нарешті наздогнали амбіції. Але скористатися цим зможуть ті, хто мислить не лише категоріями продуктів, а й категоріями систем — де людина й AI працюють разом так, щоб кожен робив те, що в нього виходить найкраще.
Джерело
Builders Unscripted: Ep. 3 – Matias Castello, Product Leader at Alchemy