From 500 Conversations to Product-Market Fit with Asad Tirmizi
История компании Trener показывает, что product-market fit в deep tech не приходит мгновенно. Основатель Asad Tirmizi после 14 лет исследований в робототехнике вместе с со-основателем Lars ушёл из ByteDance, чтобы превратить академические наработки в коммерческий продукт. Команда провела 400–500 интервью с 60–70 компаниями, отказалась от рынков продуктовых магазинов и аптек и сфокусировалась на machine tending в производстве — загрузке и выгрузке деталей из станков ЧПУ. Первый клиент пришёл прямо из discovery-интервью: производитель согласился подписать контракт, если Trener заставит ранее неработавшего робота функционировать. На каждые $10 000, вложенные в продукт, клиенты получают около $138 000 годовой ценности — это 13-кратный ROI. Победа в ABB Robotics AI Challenge и масштабируемые внедрения через партнёров на второй год окончательно подтвердили PMF.
Many startups chase product-market fit as if it’s a moment of discovery. But for deep-tech founders, the journey is often much longer.
Многие стартапы гонятся за product-market fit так, словно это момент озарения. Но для основателей в deep tech этот путь обычно гораздо длиннее.
Product-market fit doesn’t appear overnight. It’s built through years of research, experimentation, and conversations with customers.
Product-market fit не возникает за одну ночь. Он строится годами исследований, экспериментов и разговоров с клиентами.
That’s exactly what happened with Trener.
Именно это и произошло с Trener.
Before founding the company, Asad Tirmizi spent 14 years researching robotics systems, developing the technical foundations that would eventually become the company’s product. What started as academic research later evolved into a commercial solution for manufacturers.
До основания компании Asad Tirmizi провёл 14 лет, исследуя робототехнические системы, разрабатывая ту техническую базу, которая в итоге легла в основу продукта компании. То, что начиналось как академические исследования, со временем превратилось в коммерческое решение для производителей.
From Research to Startup
От исследований к стартапу
Trener didn’t begin as a startup idea. It began as research.
Trener начинался не как идея стартапа. Он начинался как исследование.
During his PhD, Asad focused on one of the hardest challenges in robotics: enabling machines to sense, plan, and act in real-world environments. His work explored how robots could better understand their surroundings and make decisions autonomously.
Во время работы над PhD Asad сосредоточился на одной из самых сложных задач в робототехнике: научить машины воспринимать, планировать и действовать в реальной среде. Его работа исследовала, как роботы могут лучше понимать окружение и самостоятельно принимать решения.
Over time, that research expanded to include machine learning within the robotics stack, allowing robots to become more adaptive and capable.
Со временем эти исследования расширились и включили machine learning внутри робототехнического стека, позволяя роботам становиться более адаптивными и способными.
The long-term vision was simple but ambitious:
Долгосрочное видение было простым, но амбициозным:
Make robots easier to program and far more capable in real-world environments.
Сделать роботов проще в программировании и гораздо более способными в реальной среде.
What started as an academic exploration gradually revealed something bigger. The technology being developed in the lab had clear commercial potential.
То, что начиналось как академическое исследование, постепенно открыло нечто большее. У технологии, разрабатываемой в лаборатории, был явный коммерческий потенциал.
That realization eventually led to the creation of Trener, transforming years of robotics research into a product designed for real industrial use.
Это осознание в итоге привело к созданию Trener — компании, которая превратила годы исследований в робототехнике в продукт для реального промышленного применения.
For many deep-tech founders, this path is common. The startup doesn’t begin with a sudden insight. It emerges slowly from years of technical exploration, experimentation, and iteration.
Для многих основателей в deep tech этот путь типичен. Стартап начинается не с внезапного озарения. Он медленно вырастает из лет технических исследований, экспериментов и итераций.
The Hardest Step: Turning Technology into a Business
Самый сложный шаг: превратить технологию в бизнес
At some point, the founders had to leap.
В какой-то момент основателям пришлось решиться на прыжок.
Asad left his role at ByteDance. His co-founder, Lars, stepped away from a tenure-track professorship. Both were leaving stable, prestigious careers to pursue an uncertain path.
Asad ушёл из ByteDance. Его со-основатель Lars оставил профессорскую позицию с перспективой пожизненного контракта. Оба покидали стабильные и престижные карьеры ради неопределённого пути.
That decision forced a much harder question than building the technology itself:
Это решение поставило перед ними вопрос куда более сложный, чем создание самой технологии:
Can this become a real business?
Сможет ли это стать настоящим бизнесом?
Great technology isn’t enough. To build a company, the founders needed to prove that their robotics system solved a problem that companies would consistently pay for.
Отличной технологии недостаточно. Чтобы построить компанию, основателям нужно было доказать, что их робототехническая система решает проблему, за которую компании будут стабильно платить.
The challenge was no longer just technical. It was about turning years of research into a repeatable, scalable business.
Задача больше не была чисто технической. Речь шла о том, чтобы превратить годы исследований в повторяемый, масштабируемый бизнес.
The Validation Phase: 500 Conversations
Этап валидации: 500 разговоров
Before launching the company, the founders focused on one thing: talking to customers.
Перед запуском компании основатели сосредоточились на одном: разговорах с клиентами.
They interviewed 60–70 companies and spoke with 400–500 people across the industry. The goal wasn’t to pitch a product. It was to understand where their technology could actually solve a meaningful problem.
Они провели интервью с 60–70 компаниями и поговорили с 400–500 людьми из индустрии. Цель была не в том, чтобы продавать продукт. Цель — понять, где их технология действительно может решить значимую проблему.
Those conversations quickly revealed where robotics wouldn’t work.
Эти разговоры быстро показали, где робототехника не сработает.
At first glance, industries like grocery stores and pharmacies seemed promising. But the deeper they looked, the more obstacles they found. These markets had no established buying process for robotics, strong safety concerns, and limited automation budgets.
На первый взгляд, такие отрасли, как продуктовые магазины и аптеки, казались перспективными. Но чем глубже они смотрели, тем больше препятствий находили. У этих рынков не было устоявшегося процесса закупки робототехники, были серьёзные опасения по безопасности и ограниченные бюджеты на автоматизацию.
In other words, even if the technology worked, adoption would be difficult.
Иными словами, даже если технология заработает, внедрение будет крайне сложным.
The conversations also revealed a much better opportunity.
Разговоры также выявили куда более удачную возможность.
Instead of introducing robots into new industries, the founders focused on industries that were already using them. These markets already understood the value of automation and had the budgets and processes to support it.
Вместо того чтобы внедрять роботов в новые отрасли, основатели сфокусировались на отраслях, которые уже их используют. Эти рынки уже понимали ценность автоматизации и имели бюджеты и процессы для её поддержки.
That insight helped narrow the search for the right market and brought them closer to finding product-market fit.
Это понимание помогло сузить поиск правильного рынка и приблизило их к нахождению product-market fit.
The Beachhead Strategy
Стратегия плацдарма (beachhead)
Instead of pursuing multiple robotics applications at once, the founders made a deliberate decision: focus on a single use case first.
Вместо того чтобы развивать сразу несколько применений робототехники, основатели приняли осознанное решение: сфокусироваться сначала на одном сценарии использования.
They chose machine tending in manufacturing, the process in which robots load and unload parts from machines such as CNC mills.
Они выбрали machine tending в производстве — процесс, при котором роботы загружают и выгружают детали из станков, например, фрезерных станков с ЧПУ.
Several factors made this market attractive.
Несколько факторов сделали этот рынок привлекательным.
First, manufacturers were facing a severe shortage of skilled labor, making automation increasingly necessary. Second, the value proposition was clear: companies could see immediate, measurable ROI from automating these repetitive tasks.
Во-первых, производители сталкивались с острой нехваткой квалифицированной рабочей силы, что делало автоматизацию всё более необходимой. Во-вторых, ценностное предложение было очевидным: компании могли увидеть немедленный, измеримый ROI от автоматизации этих повторяющихся задач.
Just as importantly, manufacturing already had significant adoption of robotics. Companies were familiar with automation and had established processes and budgets for it.
Не менее важно, что в производстве уже было значительное распространение робототехники. Компании были знакомы с автоматизацией и имели устоявшиеся процессы и бюджеты под неё.
Finally, each deployment carried high economic value, meaning even a small number of successful implementations could generate meaningful revenue.
Наконец, каждое внедрение несло высокую экономическую ценность: даже небольшое число успешных проектов могло приносить значимую выручку.
By focusing on a single beachhead market, Trener was able to concentrate its efforts, demonstrate the value of its technology, and lay the foundation for expansion into other robotics applications.
Сфокусировавшись на одном плацдарм-рынке, Trener смог сконцентрировать усилия, доказать ценность своей технологии и заложить основу для расширения на другие робототехнические применения.
The First Customer (From an Interview)
Первый клиент (из интервью)
Trener’s first customer didn’t come from outbound sales or a polished pitch deck.
Первый клиент Trener пришёл не из outbound-продаж и не из отшлифованной презентации.
It came from a discovery interview.
Он пришёл из discovery-интервью.
During one of their research conversations, the founders spoke with a manufacturer that had already tried to deploy a robot for machine tending—but the project had failed. The hardware was there, but the system simply couldn’t be made to work reliably.
В одном из исследовательских разговоров основатели общались с производителем, который уже пытался внедрить робота для machine tending — но проект провалился. Железо было на месте, но систему просто не удавалось заставить работать стабильно.
That conversation quickly shifted from research to opportunity.
Этот разговор быстро превратился из исследования в возможность.
The company made a straightforward proposal: “If you can make this work with your software, we’ll sign a contract.”
Компания сделала простое предложение: «Если вы сможете заставить это работать с вашим софтом, мы подпишем контракт».
Within a few months, Trener deployed its solution and successfully got the robot running.
За несколько месяцев Trener развернул своё решение и успешно запустил робота.
What began as a discovery call became their first customer and eventually their first case study.
То, что начиналось как discovery-звонок, стало их первым клиентом и в итоге первым кейсом.
Traction and the Economics of a Winning Product
Трекшн и экономика выигрышного продукта
Two events helped turn Trener’s early progress into real traction.
Два события помогли превратить ранний прогресс Trener в реальный трекшн.
The first was a successful customer deployment. After turning a discovery interview into their first contract, the team proved they could make their software work in a real manufacturing environment.
Первое — успешное внедрение у клиента. Превратив discovery-интервью в первый контракт, команда доказала, что может заставить свой софт работать в реальной производственной среде.
The second was external validation: winning the ABB Robotics AI Challenge, one of the industry’s major competitions.
Второе — внешняя валидация: победа в ABB Robotics AI Challenge, одном из крупнейших конкурсов индустрии.
Together, these milestones validated two critical points: the technology worked, and the market wanted it.
Вместе эти вехи подтвердили два ключевых момента: технология работает, и рынок её хочет.
Just as importantly, the product’s economics were compelling.
Не менее важно, что экономика продукта была убедительной.
Trener closely measured the value their software created for customers. Their analysis showed that for every $10,000 spent on the product, manufacturers generated roughly $138,000 in annual value.
Trener тщательно измерял ценность, которую их софт создавал для клиентов. Анализ показал, что на каждые $10 000, потраченные на продукт, производители получают примерно $138 000 годовой ценности.
That kind of 13× return on investment makes the decision to adopt the technology much easier, and creates strong momentum as the company scales.
Такая 13-кратная отдача от инвестиций делает решение о внедрении технологии гораздо более простым и создаёт сильный импульс по мере масштабирования компании.
The Long Game of Product-Market Fit
Долгая игра под названием product-market fit
Even after early traction, reaching true product-market fit took time.
Даже после раннего трекшна достижение настоящего product-market fit заняло время.
In the first year, the market’s signal became clear. Customer conversations and early deployments confirmed that manufacturers genuinely needed a better way to make robots work reliably.
В первый год сигнал рынка стал ясен. Разговоры с клиентами и ранние внедрения подтвердили, что производителям действительно нужен лучший способ заставить роботов работать стабильно.
But demand alone wasn’t enough. The technology still had to mature.
Но одного спроса было недостаточно. Технология ещё должна была дозреть.
Around 18 months in, the system’s reliability improved significantly. Deployments became more stable, and customers could depend on the product in real production environments.
Примерно через 18 месяцев надёжность системы значительно выросла. Внедрения стали более стабильными, и клиенты могли полагаться на продукт в реальных производственных условиях.
By year two, the next milestone appeared: scalable deployments through partners. Instead of individual installations, the company began to see the beginnings of a repeatable model.
К концу второго года появилась следующая веха: масштабируемые внедрения через партнёров. Вместо отдельных установок компания начала видеть зачатки повторяемой модели.
Looking back, product-market fit didn’t arrive as a single breakthrough.
Оглядываясь назад, product-market fit пришёл не как единичный прорыв.
It emerged gradually, from the convergence of technology maturity, real customer demand, and the operational ability to consistently deploy the product.
Он возник постепенно, из схождения зрелости технологии, реального клиентского спроса и операционной способности стабильно внедрять продукт.
Conclusion
Заключение
Trener’s journey shows that product-market fit in deep tech is rarely a single breakthrough.
История Trener показывает, что product-market fit в deep tech редко бывает единичным прорывом.
It’s built over time, through years of technical research, hundreds of customer conversations, and a focused entry into the right market.
Он строится со временем — через годы технических исследований, сотни разговоров с клиентами и сфокусированный вход в правильный рынок.
Сначала технология доказала, что может работать. Затем стал очевиден спрос на рынке. И наконец, модель внедрения стала повторяемой.
Product-market fit wasn’t a moment. It was the gradual alignment of technology, market demand, and execution.
Product-market fit не был моментом. Это было постепенное схождение технологии, рыночного спроса и исполнения.
NO TIME TO READ?
НЕТ ВРЕМЕНИ ЧИТАТЬ?