From 500 Conversations to Product-Market Fit with Asad Tirmizi

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 не возникает за одну ночь. Он строится годами исследований, экспериментов и разговоров с клиентами.

Именно это и произошло с Trener.

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.

От исследований к стартапу

Trener начинался не как идея стартапа. Он начинался как исследование.

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.

Со временем эти исследования расширились и включили machine learning внутри робототехнического стека, позволяя роботам становиться более адаптивными и способными.

Долгосрочное видение было простым, но амбициозным:

Сделать роботов проще в программировании и гораздо более способными в реальной среде.

То, что начиналось как академическое исследование, постепенно открыло нечто большее. У технологии, разрабатываемой в лаборатории, был явный коммерческий потенциал.

Это осознание в итоге привело к созданию Trener — компании, которая превратила годы исследований в робототехнике в продукт для реального промышленного применения.

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.

Самый сложный шаг: превратить технологию в бизнес

В какой-то момент основателям пришлось решиться на прыжок.

Asad ушёл из ByteDance. Его со-основатель Lars оставил профессорскую позицию с перспективой пожизненного контракта. Оба покидали стабильные и престижные карьеры ради неопределённого пути.

Это решение поставило перед ними вопрос куда более сложный, чем создание самой технологии:

Сможет ли это стать настоящим бизнесом?

Отличной технологии недостаточно. Чтобы построить компанию, основателям нужно было доказать, что их робототехническая система решает проблему, за которую компании будут стабильно платить.

Задача больше не была чисто технической. Речь шла о том, чтобы превратить годы исследований в повторяемый, масштабируемый бизнес.

Этап валидации: 500 разговоров

Перед запуском компании основатели сосредоточились на одном: разговорах с клиентами.

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.

Эти разговоры быстро показали, где робототехника не сработает.

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.

Иными словами, даже если технология заработает, внедрение будет крайне сложным.

Разговоры также выявили куда более удачную возможность.

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.

Это понимание помогло сузить поиск правильного рынка и приблизило их к нахождению product-market fit.

Стратегия плацдарма (beachhead)

Вместо того чтобы развивать сразу несколько применений робототехники, основатели приняли осознанное решение: сфокусироваться сначала на одном сценарии использования.

Они выбрали machine tending в производстве — процесс, при котором роботы загружают и выгружают детали из станков, например, фрезерных станков с ЧПУ.

Несколько факторов сделали этот рынок привлекательным.

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.

Не менее важно, что в производстве уже было значительное распространение робототехники. Компании были знакомы с автоматизацией и имели устоявшиеся процессы и бюджеты под неё.

Наконец, каждое внедрение несло высокую экономическую ценность: даже небольшое число успешных проектов могло приносить значимую выручку.

Сфокусировавшись на одном плацдарм-рынке, Trener смог сконцентрировать усилия, доказать ценность своей технологии и заложить основу для расширения на другие робототехнические применения.

Первый клиент (из интервью)

Первый клиент Trener пришёл не из outbound-продаж и не из отшлифованной презентации.

Он пришёл из discovery-интервью.

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.

Этот разговор быстро превратился из исследования в возможность.

Компания сделала простое предложение: «Если вы сможете заставить это работать с вашим софтом, мы подпишем контракт».

За несколько месяцев Trener развернул своё решение и успешно запустил робота.

То, что начиналось как discovery-звонок, стало их первым клиентом и в итоге первым кейсом.

Трекшн и экономика выигрышного продукта

Два события помогли превратить ранний прогресс Trener в реальный трекшн.

Первое — успешное внедрение у клиента. Превратив discovery-интервью в первый контракт, команда доказала, что может заставить свой софт работать в реальной производственной среде.

Второе — внешняя валидация: победа в ABB Robotics AI Challenge, одном из крупнейших конкурсов индустрии.

Вместе эти вехи подтвердили два ключевых момента: технология работает, и рынок её хочет.

Не менее важно, что экономика продукта была убедительной.

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.

Такая 13-кратная отдача от инвестиций делает решение о внедрении технологии гораздо более простым и создаёт сильный импульс по мере масштабирования компании.

Долгая игра под названием product-market fit

Даже после раннего трекшна достижение настоящего product-market fit заняло время.

В первый год сигнал рынка стал ясен. Разговоры с клиентами и ранние внедрения подтвердили, что производителям действительно нужен лучший способ заставить роботов работать стабильно.

Но одного спроса было недостаточно. Технология ещё должна была дозреть.

Примерно через 18 месяцев надёжность системы значительно выросла. Внедрения стали более стабильными, и клиенты могли полагаться на продукт в реальных производственных условиях.

К концу второго года появилась следующая веха: масштабируемые внедрения через партнёров. Вместо отдельных установок компания начала видеть зачатки повторяемой модели.

Оглядываясь назад, product-market fit пришёл не как единичный прорыв.

Он возник постепенно, из схождения зрелости технологии, реального клиентского спроса и операционной способности стабильно внедрять продукт.

Заключение

История Trener показывает, что product-market fit в deep tech редко бывает единичным прорывом.

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 не был моментом. Это было постепенное схождение технологии, рыночного спроса и исполнения.

НЕТ ВРЕМЕНИ ЧИТАТЬ?