уровни абстракции

Quist updates или "куда пропал"

большую часть жизни я как физик занимался академическим рисерчем полупроводников, а с тех пор как перешел в дивный новый мир ИИ стартапов, стараюсь применить языковые модели к задачам этого самого рисерча. мы помогаем исследователям и инженерам искать данные в бесконечном потоке патентов и научных публикаций. и если без нас могли прочитать 1-10 статей с день, то с нами — 100-1000 и предела тому нет. не могу похвастаться, что я нашел product market fit, но есть ощущение, будто наконец нащупал очень такой хороший problem solution fit, правда в совсем иной конфигурации. по этому поводу работы в жизни стало кратно больше, про нее напишу отдельно, а пока короткий обзор дорогих уроков извлеченных за это время

1. стартаперы ищут good problem to solve, но даже самые большие проблемы могут оказаться плохой возможностью, если в их решении нет срочности. мы верно угадали широкую проблему: "поиск информации в научных статьях долгий и неэффективный" — кто угодно хотел бы сразу узнавать о новых технологиях,если они влияют на их ключевые процессы. но часто пауза в день, неделю, а иногда и в месяц — не делает большой разницы, потому что помимо того, чтобы первым узнать, нужно первым протестировать, освоить, внедрить, а иногда и произвести. на такой дистанции преимущество скорости знания, выравнивается скоростью менеджмента и логистики, что очень сильно било по нашему selling point "мы делаем knowledge work быстрее чем люди". нужна была точка, где это быстрее явным образом конвертируется в чью-то прибыль

2. делать B2C продукт в среднем очень плохая идея. мы изначально выпускали свой app.quist.ai как живое демо для B2B клиентов и на тот момент давали результаты по качеству не хуже perplexity, потому что все использовали одни и те же технологии. при этом они к тому моменту подняли кучу денег и конкуренция напрямую имела мало смысла. а к началу 2025 openAI, Google и Anthropic выпустили своих deep research агентов, и проблемы начались уже и у самого perplexity. единственная стратегия без миллионных инвестиций — искать небольшие ниши в которых у вас есть секретное знание недоступное конкурентам. к тому же, чтобы делать B2C нужно иметь подходящий майндсет — и по крайней мере хотеть продавать миллионы небольших штук по 10$. я про себя понял, что мне понятнее и интереснее делать штучный товар

3. академики любого толка — плохая целевая аудитория для стартапа (но по прежнему мои любимые в мире люди). если ваши продажи зависят от академиков, вы что-то делаете не так. у них либо нет денег, либо очень долгие согласования, либо "да мы такое сами можем сделать", либо все сразу. это при том что каждый кому я питчил наш сервис говорил, что это нужно и это сильно помогло бы ему в работе. только из-за п.1 это все не конвертировалось в деньги, а стало быть не помогало нам выжить

4. дальше мы сфокусировались на R&D industry и ученых внутри коммерческих компаний. основная сложность была в первом контакте. на 100 отправленных писем мы получали 5-10 ответов. это в целом средние конверсии, но они сильно действует на нервы. если вам не действуют, давайте дружить :) в идеале нужно знать людей принимающих решения в этих компаниях и соответствовать их представлениям о том с кем можно иметь дело. но даже помимо этого согласование B2B договоров длительностью в 6-12 месяцев — тоже реальность. поэтому если ваш runway короче, переговоры можно и не начинать

5. если продавать экспертам «рост производительности» любого рода, они волнуются что твой продукт пришел их заменить. вам не скажут об этом прямо, но либо не будут помогать, либо даже станут активно мешать. в таких ситуациях продажи возможны либо через очень аккуратную коммуникацию, либо «сверху вниз» через руководство, которое в свою очередь волнуется о том что "если мы как компания не внедрим ИИ в процессы, нас сожрут конкуренты, которые внедрили". между этими двумя состояниями приходится ловко балансировать, такой FOMO-маркетинг

(продолжение внизу)

#startup

www.tg-me.com/us/telegram/com.levels_of_abstraction/99

323 viewsedited  May 26 at 16:31

Quist updates или "куда пропал"

большую часть жизни я как физик занимался академическим рисерчем полупроводников, а с тех пор как перешел в дивный новый мир ИИ стартапов, стараюсь применить языковые модели к задачам этого самого рисерча. мы помогаем исследователям и инженерам искать данные в бесконечном потоке патентов и научных публикаций. и если без нас могли прочитать 1-10 статей с день, то с нами — 100-1000 и предела тому нет. не могу похвастаться, что я нашел product market fit, но есть ощущение, будто наконец нащупал очень такой хороший problem solution fit, правда в совсем иной конфигурации. по этому поводу работы в жизни стало кратно больше, про нее напишу отдельно, а пока короткий обзор дорогих уроков извлеченных за это время

1. стартаперы ищут good problem to solve, но даже самые большие проблемы могут оказаться плохой возможностью, если в их решении нет срочности. мы верно угадали широкую проблему: "поиск информации в научных статьях долгий и неэффективный" — кто угодно хотел бы сразу узнавать о новых технологиях,если они влияют на их ключевые процессы. но часто пауза в день, неделю, а иногда и в месяц — не делает большой разницы, потому что помимо того, чтобы первым узнать, нужно первым протестировать, освоить, внедрить, а иногда и произвести. на такой дистанции преимущество скорости знания, выравнивается скоростью менеджмента и логистики, что очень сильно било по нашему selling point "мы делаем knowledge work быстрее чем люди". нужна была точка, где это быстрее явным образом конвертируется в чью-то прибыль

2. делать B2C продукт в среднем очень плохая идея. мы изначально выпускали свой app.quist.ai как живое демо для B2B клиентов и на тот момент давали результаты по качеству не хуже perplexity, потому что все использовали одни и те же технологии. при этом они к тому моменту подняли кучу денег и конкуренция напрямую имела мало смысла. а к началу 2025 openAI, Google и Anthropic выпустили своих deep research агентов, и проблемы начались уже и у самого perplexity. единственная стратегия без миллионных инвестиций — искать небольшие ниши в которых у вас есть секретное знание недоступное конкурентам. к тому же, чтобы делать B2C нужно иметь подходящий майндсет — и по крайней мере хотеть продавать миллионы небольших штук по 10$. я про себя понял, что мне понятнее и интереснее делать штучный товар

3. академики любого толка — плохая целевая аудитория для стартапа (но по прежнему мои любимые в мире люди). если ваши продажи зависят от академиков, вы что-то делаете не так. у них либо нет денег, либо очень долгие согласования, либо "да мы такое сами можем сделать", либо все сразу. это при том что каждый кому я питчил наш сервис говорил, что это нужно и это сильно помогло бы ему в работе. только из-за п.1 это все не конвертировалось в деньги, а стало быть не помогало нам выжить

4. дальше мы сфокусировались на R&D industry и ученых внутри коммерческих компаний. основная сложность была в первом контакте. на 100 отправленных писем мы получали 5-10 ответов. это в целом средние конверсии, но они сильно действует на нервы. если вам не действуют, давайте дружить :) в идеале нужно знать людей принимающих решения в этих компаниях и соответствовать их представлениям о том с кем можно иметь дело. но даже помимо этого согласование B2B договоров длительностью в 6-12 месяцев — тоже реальность. поэтому если ваш runway короче, переговоры можно и не начинать

5. если продавать экспертам «рост производительности» любого рода, они волнуются что твой продукт пришел их заменить. вам не скажут об этом прямо, но либо не будут помогать, либо даже станут активно мешать. в таких ситуациях продажи возможны либо через очень аккуратную коммуникацию, либо «сверху вниз» через руководство, которое в свою очередь волнуется о том что "если мы как компания не внедрим ИИ в процессы, нас сожрут конкуренты, которые внедрили". между этими двумя состояниями приходится ловко балансировать, такой FOMO-маркетинг

(продолжение внизу)

#startup

BY уровни абстракции