ஏற்கனவே செல்வந்தர், ஏற்கனவே வெற்றிபெற்றவர் — ஏன் கடந்த தலைமுறை தொழில்நுட்ப வெற்றியாளர்கள் மீண்டும் கடுமையாக உழைக்கிறார்கள்

டாம் ப்ளாம்ஃபீல்ட் இரண்டு பில்லியன் டாலர் மதிப்புள்ள ஃபிনটெக் நிறுவனங்களை உருவாக்கினார், Y Combinator-ல் அடுத்த தலைமுறை நிறுவனர்களை வடிவமைக்க நான்கரை ஆண்டுகள் செலவிட்டார், பின்னர் அனைத்தையும் விட்டுவிட்டு Anthropic-ல் தொழில்நுட்ப பணியாளராக சேர்ந்தார் — நிர்வாகியாக அல்ல, ஆலோசகராக அல்ல, ஆனால் பொறியாளராக. ஏற்கனவே செல்வந்தர், ஏற்கனவே வெற்றிபெற்றவர் — ஏன் கடந்த தலைமுறை தொழில்நுட்ப வெற்றியாளர்கள் மீண்டும் கடுமையாக உழைக்கிறார்கள் என்பது ஒரு கேள்வி, ஏனெனில் இதன் பதில் AI உண்மையில் எங்கே இருக்கிறது என்பதையும் அதற்கு மிக நெருக்கமாக இருக்கும் மানুষ என்ன வரும் என்று நம்புகிறார்கள் என்பதையும் உங்களுக்குச் சொல்கிறது.

இது ஒரு முறை நிகழ்வு அல்ல. இது ஒரு முறை. மேலும் ஆசியா முழுவதும் உள்ள டெவலப்பர்கள் மற்றும் நிறுவனர்களுக்கு, இது புரிந்துகொள்ள வேண்டிய ஒரு சமிக்ஞை கொண்டுள்ளது.

என்ன நடந்தது

ப்ளாம்ஃபீல்ட்டின் நகர்வு, TechCrunch ஆல் ஜூலை 13, 2026 இல் தெரிவிக்கப்பட்டது, அவர் இதைச் செய்ய விட்டுக் கொடுத்ததன் காரணமாக சுவாரஸ்யமாக உள்ளது. GoCardless மற்றும் Monzo சிறிய வெற்றிகள் அல்ல. Y Combinator-ல் ஒரு Group Partner பாத்திரம் ஸ்டার்টআப் உலகில் மிகவும் விரும்பப்படும் நிலைகளில் ஒன்று — உচ்ச செல்வாக்கு, குறைந்த ব்যক்তிগত ঝுக்கி, மற்றும் கட்டப்படும் அனைத்தையும் முன் வரிசையில் பார்க்கும் வாய்ப்பு. அவர் அதை ஒரு எல்லை AI ল்যாবில் குறியீடு எழுத பரிமாற்றம் செய்தார்.

அவர் தனியாக இல்லை. Instagram இணை-நிறுவனர் Mike Krieger 2024 இல் Anthropic-ல் Chief Product Officer ஆக சேர்ந்தார். Andrej Karpathy — OpenAI இன் நிறுவன உறுப்பினர், Tesla-ல் AI இன் முன்னாள் தலைவர், Eureka Labs இன் நிறுவனர் — மே 2026 இல் Anthropic இன் pre-training குழுவில் சேர்ந்தார், "LLM களின் எல்லையில் அடுத்த சில ஆண்டுகள் குறிப்பாக உருவாக்கும் தன்மை கொண்டிருக்கும்" என்று எழுதினார். Chamath Palihapitiya, 2011 இல் Facebook ஐ விட்டு வெளியேறிய பின்னர் முழுநேர இயக்க பாத்திரம் எடுக்கவில்லை, இப்போது 8090 Labs இன் CEO ஆக நுழைந்துள்ளார், அவரது எন்டারப்ரைஸ் AI குறியீடு ஸ்டার்টআப், Salesforce Ventures ஆல் வழிநடத்தப்பட்ட $135 மில்லியன் Series A ஐ மூடிய பின்னர். அவரின் கட்டமைப்பு தெளிவாக இருந்தது: "நாம் இப்போது கட்டுவது இன்னும் முக்கியமானது என்று நான் நம்பிக்கையுடன் இருக்கிறேன், எனவே முழுவதுமாக இருப்பதைத் தவிர வேறு முடிவு இல்லை."

இவர்கள் மீண்டும் வேலை செய்ய வேண்டாத அளவு பணம் உள்ள மানுষ்யர். அவர்கள் இதுவரை கடுமையாக வேலை செய்ய தேர்வு செய்கிறார்கள். பொதுவான நூல் நிதி தேவை அல்ல — இது AI-ல் முக்கியமான சாளரம் இப்போது திறந்திருக்கிறது மற்றும் இது எப்போதும் திறந்திருக்காது என்ற நம்பிக்கை. அந்த ক্যালிபারின் অপারேட்டர்கள் ஒரு தருணத்தை ஒரு தலைமுறை வாய்ப்பாக கருத்தில் கொள்ள தொடங்கும் போது, அது ஏன் என்று கேட்க வேண்டும்.

ஆசியாவுக்கு இது ஏன் முக்கியம்

இந்த அலையைப் பற்றிய மேற்கத்திய கதை San Francisco, Anthropic, OpenAI, மற்றும் சில நன்கு மூலதனம் கொண்ட ল்যாபுகளை மையமாக வைக்க முனைகிறது. ஆனால் AI இன் ஈர்ப்பு ஒரு ভூகோளத்திற்கு সীমிதப்படவில்லை, மேலும் இந்த மாற்றத்தின் ஆசியாவின் உறவு கவரேஜ் பரிந்துரைக்கும் விட அधिक சிக்கலான — மற்றும் அधिक சுவாரஸ்யமான — ஆகும்.

ஆசியாவுக்கு இந்த நிகழ்வின் அதன் சொந்த பதிப்பு விளையாடுகிறது. Singapore, Jakarta, Seoul, மற்றும் Bangalore முழுவதும் மொபைல், ই-கமার்ஸ், மற்றும் ஃபிনடெக்-ல் தங்கள் நற்பெயரை கட்டிய வயதான நிறுவனர்கள் மற்றும் অপারேட்டர்கள் AI-native முயற்சிகளை நோக்கி조용ாக pivot செய்கிறார்கள். சிலர் ল்যாபுகளில் சேர்கிறார்கள். மேலும் கட்டுகிறார்கள். வேறுபாடு என்னவென்றால் ஆசியா தொழில்நுட்ப ইকোசிஸ்டம் எல்லை மாதிரி உள்கட்டமைப்பின் அதே அடர்த்தி இல்லாமல் இதைச் செய்கிறது — இதன் பொருள் வாய்ப்பு pre-training layer-ல் இல்லை. இது application layer, integration layer, மற்றும் distribution layer-ல் உள்ளது.

அது உண்மையில் ஒரு கட்டமைப்பு நன்மை. Grab, Gojek, Tokopedia, மற்றும் அவற்றின் வாரிசுகளை கட்டிய நிறுவனர்கள் Silicon Valley பெரும்பாலும் குறைமதிப்பிடுவது ஏதோ புரிந்துகொண்டார்கள்: fragmented, multilingual, mobile-first markets-ல் விநியோகம் உண்மையில் கடினமாக உள்ளது, மற்றும் அந்த கடினமாக வென்ற அறிவு கூட்டுகிறது. Southeast Asian users-க்கு AI-native product — சரியான மொழி সমர্থন, சரியான payment rails, சரியான offline-first assumptions — San Francisco-ல் ஒரு ல்যாব உங்களுக்கு கட்ட மாட்டாது.

ப்ளாம்ஃபீல்ட் மற்றும் Karpathy அடுத்த சில ஆண்டுகளைப் பற்றி வெளிப்படுத்தும் அவசரம் உண்மையானது. ஆனால் ஆசியாவில், அவசரம் யாரோ வேறொருவரின் pre-training குழுவில் சேருவது பற்றி அல்ல. இது application layer கட்டுவது பற்றி சாளரம் மூடுவதற்கு முன். இப்போது தீவிர நோக்கத்துடன் நகரும் டெவலப்பர்கள் அடுத்த பில்லியன் ব்যবহারকாரிகளுக்கு AI எப்படி தெரிகிறது என்பதை வரையறுக்கும் மக்கள்.

டெவலப்பர்களுக்கு இதன் பொருள் என்ன

ப்ளாம்ஃபீல்ட்டின் கதைகளை অনুপ্রেরணা porn ஆக படிக்க ஒரு சோதனை உள்ளது — "ஒரு பில்லியனேர் அரைக்க ইচ்ছுக்குள்ளவர் என்றால், நீங்களும் இருக்க வேண்டும்." அது பயனுள்ள takeaway அல்ல. பயனுள்ள takeaway timing மற்றும் leverage பற்றி. இந்த returning operators புரிந்துகொள்வது என்னவென்றால் early-stage infrastructure முடிவுகள் கூட்டுகிறது. AI systems எப்படி கட்டப்பட்டுள்ளன, அவை எதற்கு இணைக்கப்பட்டுள்ளன, மற்றும் அவை தற்போதைய software stacks உடன் எப்படி தொடர்பு கொள்கிறது என்பதைப் பற்றிய தேர்வுகள் வருடங்களுக்கு defaults வடிவ கொடுக்கும். Early-ல் பெறுவது — ஒரு junior technical capacity-ல் கூட — என்றால் நீங்கள் அந்த defaults வடிவ கொடுக்கிறீர்கள் அவற்றை பெறுவதற்கு பதிலாக.

டெவலப்பர்களுக்கு, சமமான insight இது: abstractions இன்னும் முழுவதுமாக தீர்க்கப்படவில்லை. tooling இன்னும் எழுதப்பட்டுக்கொண்டிருக்கிறது. அதன் பொருள் ஒரு டெவலப்பர் இன்று AI உடன் தீவிரமாக கட்டுவது வெறுமனே ஒரு product கட்டுவது அல்ல — அவர்கள் என்ன வேலை செய்கிறது என்பதைப் பற்றி intuition வளர்ப்பிக்கிறார்கள் இரண்டு அல்லது மூன்று ஆண்டுகளில் genuinely rare இருக்கும் போது patterns calcified ஆகிவிட்டு அனைவரும் playbooks பின்பற்றுகிறார்கள்.

Practically, இது சில விஷயங்களை அர்த்தம் செய்கிறது. முதலாவதாக, toy demos-ல் பதிலாக real data மற்றும் real integrations உடன் கட்டுங்கள். ஒரு demo இன் இடைவெளி pitch-ல் impress செய்கிறது மற்றும் ஒரு system production-ல் நির்ভরযோக்கமாக வேலை செய்கிறது என்பது பெரும்பாலான AI projects stall செய்யும் இடம். இரண்டாவதாக, perfect tooling-க்கு காத்திருக்க வேண்டாம். MonstarX மற்றும் இதேபோன்ற AI-native platforms-ல் இப்போது கட்டும் டெவலப்பர்கள் production experience accumulate செய்கிறார்கள் எந்த certification அல்லது course-ல் விட அधिक மதிப்பு இருக்கும். மூன்றாவதாக, distribution problem பற்றி early-ல் சிந்தியுங்கள். Singapore-ல் ஒரு user-க்கு brilliantly வேலை செய்கிற ஒரு AI feature Vietnam அல்லது Philippines-ல் ஒரு user-க்கு முற்றிலும் வேறுபட்டு நடந்துகொள்ளலாம் — மொழி, context, மற்றும் infrastructure அனைத்தும் மாறுபடுகிறது. start-ல் இந்த complexity-க்கு கட்டுவது ஒரு competitive moat, nice-to-have அல்ல.

ப்ளாம்ஃபீல்ட் move ஆ technical credibility மீண்டும் முக்கியமாக உள்ளது என்பதை reminder. கடந்த cycle growth hackers மற்றும் product managers reward செய்தது metrics நகர்த்த முடியும். இந்த cycle systems உண்மையில் எப்படி வேலை செய்கிறது என்பது புரிந்துகொள்ளும் மানுஷ்யர் reward செய்கிறது. நீங்கள் pure product அல்லது business roles-க்கு drift செய்திருந்தால், இது engineering layer உடன் reconnect செய்ய ஒரு நல்ல moment.

முக்கிய Takeaways

celebrity names மற்றும் large numbers strip away, மற்றும் சில clear signals returning operators-ல் இந்த pattern-ல் இருந்து emerge.

• சாளரம் உண்மையானது, மற்றும் அதற்கு மிக நெருக்கமாக இருக்கும் மানுஷ்யர் அதுபோல் acting. Karpathy இன் phrase — "especially formative" — precise. Formative moments நீடிக்கவில்லை. infrastructure, norms, மற்றும் dominant players அடுத்த இரண்டு மூன்று ஆண்டுகளில் emerge ஒரு தசாப்தத்திற்கு நீடிக்க likely. அதனால் மানுஷ்யர் வேலை செய்ய வேண்டாத வேலை செய்ய தேர்வு செய்கிறார்கள்.
• frontier வெறுமனே model layer-ல் அல்ல. Palihapitiya foundation models training செய்யவில்லை — அவர் enterprise AI coding tooling கட்டுகிறார். Krieger Anthropic-ல் product running, research அல்ல. application மற்றும் product layer பெரும்பாலான value capture செய்யும் இடம், மற்றும் இது wide open.
• ஆசியாவின் advantage distribution மற்றும் domain expertise, model access அல்ல. Asian markets-ல் win செய்யும் டெவலப்பர்கள் மற்றும் நிறுவனர்கள் AI capability உடன் local user behavior, regulatory environments, மற்றும் infrastructure constraints-ல் deep knowledge combine செய்கிற மக்கள். அந்த combination abroad-ல் replicable அல்ல.
• Urgency without panic சரியான posture. இந்த operators அனைத்தையும் frenzy-ல் abandon செய்யவில்லை — அவர்கள் deliberate, strategic moves செய்கிறார்கள். ப்ளாம்ஃபீல்ட் leave of absence எடுத்தார். Palihapitiya proper capital raise செய்தார் commit-க்கு முன்.