«تصمیماتی که موفقیت یا شکست استارتاپ‌تان را رقم می‌زنند»

به یکی دیگر از قسمت‌های Office Hours خوش آمدید. امروز قرار است به سؤالاتی از جامعه YC پاسخ دهیم، و ابتدا چند سؤال درباره‌ی نحوه ورود به بازار برای شرکت‌های مبتنی بر هوش مصنوعی (AI Go-to-Market) را بررسی می‌کنیم.

اگر در حال ساخت یک شرکت هوش مصنوعی در یک صنعت سنتی هستید و چشم‌انداز بلندمدت شما این است که با استفاده از عامل‌ها (Agents) یا مدل‌های زبانی بزرگ (LLMs) همه چیز را به‌صورت کامل خودکار کنید، اما در روز اول نمی‌توانید چنین محصول کاملی ارائه دهید، بهترین راه برای ورود به بازار به‌عنوان یک استارتاپ چیست؟

فکر می‌کنم سه نوع شرکت وجود دارد زمانی که می‌خواهید هوش مصنوعی را وارد صنایع سنتی کنید. به‌عنوان مثال، بیایید صنعت حسابداری را در نظر بگیریم. سه روش برای انجام این کار وجود دارد: می‌توانید یک شرکت نرم‌افزاری مبتنی بر هوش مصنوعی بسازید که آن را به حسابداران می‌فروشید...

روش دوم این است که خودتان یک شرکت حسابداری تأسیس کنید که به‌اصطلاح «فول‌استک» باشد، یعنی همه کارها را خودش انجام دهد. و روش سوم این است که یک شرکت حسابداری موجود را بخرید. هر سه روش مزایا و معایب خودشان را دارند. رایج‌ترین روش، روش اول است. بیشتر شرکت‌های YC همین مسیر را انتخاب می‌کنند.

آن‌ها ابتدا سعی می‌کنند دنیای حسابداری را درک کنند و بعد تشخیص دهند کدام بخش‌های حسابداری بیشترین ارزش را برای ساخت نرم‌افزار هوش مصنوعی دارند و در عین حال در چند ماه اول فعالیت شرکت، ساخت آن‌ها منطقی و قابل انجام است.

سپس آن سرویس را به حسابداران می‌فروشند در این حالت، نرم‌افزارشان همه‌ی قابلیت‌هایی را که شرکت‌های حسابداری دارند پوشش نمی‌دهد، اما همان بخشی را که ارائه می‌دهد، خیلی خوب انجام می‌دهد — و تا زمانی که آن بخش برای مشتریان ارزشمند باشد، این روش به‌خوبی جواب می‌دهد.

روش دوم، یعنی تأسیس یک شرکت حسابداری جدید، راهی است که برخی شرکت‌ها هم انتخاب می‌کنند. بزرگ‌ترین چالش در این مسیر این است که کار زیادی باید انجام دهید: باید کارهای مالیاتی، بستن دفاتر مالی و کارهای تخصصی دیگر را انجام دهید. برای این کار احتمالاً باید یک یا چند حسابدار در تیم خود داشته باشید و مقدار زیادی کار دستی انجام دهید.

در این روش، شاخصی که باید دنبال کنید درصد کارهایی است که خودکار شده‌اند — و هدف این است که این درصد با گذشت زمان افزایش پیدا کند.

روش سوم این است که یک شرکت حسابداری موجود را بخرید و سپس سعی کنید هوش مصنوعی را در آن وارد کنید. خبر خوب این است که مشتریان آماده در اختیار دارید، اما مشکل این است که باید فرهنگ کاری شرکت موجود را تغییر دهید — و هرچه شرکت بزرگ‌تر باشد، این کار سخت‌تر می‌شود.

تا به حال شرکت‌های زیادی را ندیده‌ام که روش سوم را امتحان کرده باشند. در عمل، روش اول رایج‌ترین است، و روش دوم در رتبه‌ی دوم قرار می‌گیرد.

در مورد روش دوم گفتید که باید میزان کارهایی را که خودکار می‌شوند، اندازه‌گیری کرد. آیا پیشنهادی دارید که استارتاپ‌ها باید چه هدفی تعیین کنند یا چطور خودشان را وادار کنند که این روند را ادامه دهند؟ چون من دیده‌ام شرکت‌هایی که این روش را امتحان کرده‌اند، آن‌قدر درگیر انجام کارهای روزمره و موفق شدن در نقش یک شرکت حسابداری شده‌اند

که دیگر هیچ‌وقت سراغ خودکارسازی نمی‌روند یا اتوماسیون تبدیل می‌شود به کاری که هر روز باید در اولویت دوم قرار گیرد. اینجاست که بنیان‌گذاران فنی (نرم‌افزاری) بیشترین مزیت را دارند. چون آن‌ها می‌توانند به کل فرایندها نگاه کنند و تشخیص دهند کدام بخش از کارها زودتر و راحت‌تر قابل خودکارسازی است. اما اگر بنیان‌گذار شما یک حسابدار باشد و تخصص فنی نداشته باشد، شاید نتواند این موضوع را به همان شکل ببیند. بنابراین، در این نوع استارتاپ‌ها بنیان‌گذار فنی بودن یک مزیت مهم است.

نکته دوم این است که باید یک معیار (metric) برای اندازه‌گیری پیشرفت خود داشته باشید. اشتباهی که معمولاً در این نوع شرکت‌ها می‌بینم این است که قبل از اینکه میزان کافی از کارها خودکار شود، بیش از حد زود برای افزایش درآمد و رشد شرکت اقدام می‌کنند.

مثلاً فرض کنید ۲۰٪ از کارها را خودکار کرده‌اید و هنوز ۸۰٪ کارها به‌صورت دستی انجام می‌شود، اما در همین مرحله شروع می‌کنید به استخدام تعداد زیادی حسابدار — مثلاً ۲۰ نفر، بعد ۳۰ نفر — و در نهایت شرکت شما تبدیل می‌شود به یک شرکت حسابداری بزرگ که فقط کمی نرم‌افزار در آن استفاده شده است. این مسیر اصلاً توصیه نمی‌شود و معمولاً باعث دشواری‌های زیادی می‌شود.

در یکی از شرکت‌هایی که داشتیم، معیاری داشتیم به نام درصد افراد فنی (technical people) در کل شرکت. علت این معیار این بود که وقتی تعداد افراد غیر فنی زیاد شود، آن‌ها مدام از تیم فنی درخواست انجام کار می‌کنند و در نهایت هیچ پیشرفتی در اتوماسیون رخ نمی‌دهد.

بنابراین لازم است همیشه نسبت افراد فنی به کل نیروها کافی باشد فکر می‌کنم در آن شرکت حدود ۳۰٪ نیروها فنی بودند. این چارچوب خیلی مفید است، چون باعث می‌شود مطمئن شوید در هر مرحله به اندازه‌ی کافی نیرو دارید تا بتوانید هم روی خودکارسازی کار کنید و هم کارهای دیگر را پیش ببرید.

اگر بخواهیم با ایجاد نوعی محدودیت اجباری (forcing function) خودمان را وادار کنیم،

مثلاً فقط یک حسابدار داشته باشیم و اجازه ندهیم حسابدارهای بیشتری استخدام شوند، چطور است؟ ـ بله، دقیقاً. وقتی کسب‌وکارتان رشد می‌کند، باید یاد بگیرید چطور با استفاده از هوش مصنوعی مقیاس‌پذیر شوید.

نکته‌ای که گفتید درباره داشتن یک عدد مشخص (شاخص قابل اندازه‌گیری) خیلی مهم است. نمی‌دانم در Airbnb دقیقاً چطور این کار را انجام می‌دادند، اما وقتی چنین عددی شفاف و قابل مشاهده برای همه اعضای شرکت باشد، باعث می‌شود فرهنگ شرکت بر پایه‌ی این اصل بنا شود که «این موضوع برای ما واقعاً مهم است» و همه اعضا روی آن متمرکز شوند تا این عدد افزایش پیدا کند.

اگر من به‌عنوان یک سرمایه‌گذار مرحله‌ی Series A بخواهم در یکی از این شرکت‌ها سرمایه‌گذاری کنم، بیشتر از میزان درآمد، برایم مسیر رشد نرخ خودکارسازی (automation rate trajectory) اهمیت دارد.

چون شرکت‌های حسابداری زیادی وجود دارند — اگر شما یک شرکت حسابداری تأسیس کنید، ممکن است درآمد بالایی هم به‌دست آورید، اما این به آن معنا نیست که می‌توانید از یک سرمایه‌گذار نرم‌افزاری سرمایه جذب کنید. در واقع، شما هنوز چیزی را که باید ثابت کنید، ثابت نکرده‌اید.

چیزی که باید نشان دهید این است که واقعاً می‌توانید نرم‌افزاری بنویسید که بخشی از کارها را خودکار کند. بنابراین من ترجیح می‌دهم در شرکتی سرمایه‌گذاری کنم که رشدش آهسته‌تر است، اما روند خودکارسازی در آن واضح و پیوسته رو به افزایش است به‌طوری‌که هر ماه کارهای بیشتری با نرم‌افزار انجام می‌شود.

من با شرکتی در دوره‌ی قبلی (دوره‌ی بهار) کار کردم به نام Vessence که در حال ساخت نرم‌افزار برای وکلاست. هیچ‌کدام از بنیان‌گذاران این شرکت پیش‌زمینه‌ی حقوقی نداشتند.

کاری که آن‌ها انجام دادند این بود که قبل از ورود به YC، یک شرکت حقوقی بزرگ در استکهلم پیدا کردند که از ایده‌ی استفاده از نرم‌افزار هوش مصنوعی بسیار هیجان‌زده بود. آن شرکت به بنیان‌گذاران اجازه داد چند ماه در دفترشان کار کنند و آن‌جا بود که آن‌ها نمونه‌ی اولیه (MVP) خود را ساختند.

این روش واقعاً مسیر خوبی است برای بنیان‌گذارانی که می‌خواهند وارد یک صنعت سنتی شوند اما در آن حوزه تجربه‌ی مستقیم و زیادی ندارند. فکر می‌کنم اگر در دسته‌ی اول باشید — یعنی دارید نرم‌افزار خود را به شرکت‌های حسابداری یا حقوقی می‌فروشید باید سراغ شرکت‌هایی بروید که بنیان‌گذاران یا تصمیم‌گیرندگان‌شان واقعاً مشتاق همکاری با شما باشند، به شما کمک کنند تا کار را پیش ببرید، و خودشان انگیزه و اختیار کافی برای افزایش استفاده از نرم‌افزار در شرکت‌شان داشته باشند. پیدا کردن چنین مشتری‌هایی برای اولین پروژه‌تان کار آسانی نیست.

– درست است، این دقیقاً مرحله‌ای قبل از «کاربران اولیه» (Early Adopters) در مدل «عبور از شکاف» است. یعنی کسانی که حاضرند چیزی را قبل از اینکه حتی وجود داشته باشد، امتحان کنند.

بله، نکته‌ی رایج این است که وقتی به دنبال مشتری هستید، باید سؤالاتی از پیش طراحی‌شده برای ارزیابی مشتری داشته باشید تا بفهمید آیا واقعاً فرد یا شرکت مقابل از نوع مشتریانی است که می‌خواهید یا نه. باید تشخیص دهید چه ویژگی‌هایی دارند کسانی که واقعاً هیجان‌زده و مشتاق استفاده از نرم‌افزارهای جدیدند و جزو پذیرندگان اولیه محسوب می‌شوند. اگر بتوانید این الگو را از همان ابتدا بشناسید، خیلی مهم است. در غیر این صورت ممکن است درگیر فروش سازمانی (Enterprise Sales) طولانی‌مدت شوید که بی‌پایان ادامه دارد و در نهایت حتی معلوم نیست مشتری واقعاً از نرم‌افزار شما استفاده کند یا نه.

شرکت‌های هوش مصنوعی سازمانی (Enterprise AI) مثل Viva یا Palantir معمولاً زمان زیادی برای رشد نیاز دارند. تعداد خریدارانشان زیاد نیست، چرخه‌های فروش‌شان بسیار طولانی است و پذیرش محصولات جدید در این بازارها ممکن است ماه‌ها یا حتی سال‌ها طول بکشد. در همین حال، سرمایه‌گذاران معمولاً بی‌صبر و خواهان رشد سریع‌اند. در بازار پرتب‌وتاب فعلی هوش مصنوعی، آیا بهتر است شرکت‌ها ابتدا وارد بازار متوسط (Mid-Market) شوند؟

آیا باید از همان ابتدا به بازاری فکر کنند که دامنه مشتریان (TAM) آن بزرگ‌تر است و چرخه فروش در آن سریع‌تر انجام می‌شود؟ چطور باید بین رشد سریع و پایداری بلندمدت تعادل برقرار کنند؟ من فکر می‌کنم در مراحل اولیه یعنی وقتی شرکت هنوز در ابتدای مسیر است مهم‌ترین عامل، سرعت یادگیری است.

باید ببینید چقدر سریع می‌توانید یاد بگیرید: مشتری واقعاً چه می‌خواهد؟ کاربر چه نیازی دارد؟ درد اصلی او چیست و کدام مشکلات فقط آزاردهنده اما قابل‌تحمل‌اند؟

اغلب وقتی با شرکت‌هایی روبه‌رو می‌شوم که از همان ابتدا می‌خواهند مستقیماً وارد بازار سازمانی بزرگ شوند، می‌گویم این کار شبیه پرتاب ماهواره به مدار است! چون بستن یک قرارداد سازمانی چندصدهزار دلاری، در عمل تفاوت زیادی با مأموریت فضایی ندارد هر دو به زمان و منابع زیاد نیاز دارند.

به همین دلیل همیشه توصیه می‌کنیم اول روی یک بازار کوچک‌تر و در دسترس‌تر تمرکز کنید، جایی که بتوانید سریع‌تر به موفقیت برسید. این کار به شما کمک می‌کند خیلی سریع‌تر یاد بگیرید، بازخورد واقعی از کاربران بگیرید و در موقعیتی باشید که بتوانید به‌عنوان یک استارتاپ محصول را تغییر دهید، نسخه‌های جدید عرضه کنید، و با کاربران گفت‌وگو داشته باشید.

اما اگر از همان ابتدا سراغ مشتریان بزرگ بروید مگر اینکه از ابتدا ارتباط ویژه‌ای با آن‌ها داشته باشید که فرایند فروش را کوتاه کند، در غیر این صورت یادگیری شما خیلی کند خواهد بود و از رقبایی که روی همان صنعت کار می‌کنند عقب می‌مانید.

من فکر می‌کنم باید در اینجا یک نکته‌ی احتیاطی اضافه کنم به‌طور کلی، دو نوع شرکت وجود دارد:

دسته‌ی اول شرکت‌هایی هستند مثل شرکت خودم، Algolia که به‌تدریج رشد می‌کنند — ابتدا با مشتریان کوچک و پراکنده شروع می‌کنند و با گذشت زمان، وقتی محصول‌شان کامل‌تر می‌شود و می‌توانند نیازهای بیشتری را برطرف کنند به سمت مشتریان بزرگ‌تر (Enterprise) می‌روند و در نهایت به قراردادهای چند میلیون دلاری می‌رسند.

اما در طرف مقابل، برخی شرکت‌ها هستند که مسئله‌ای که قصد حل آن را دارند، فقط در سطح سازمان‌های بزرگ (Enterprise) وجود دارد.

در چنین شرایطی، اگر بخواهند محصول‌شان را به استارتاپ‌های کوچک یا هم‌دوره‌ای‌هایشان در YC بفروشند اصلاً فایده‌ای ندارد، چون آن شرکت‌های کوچک چنین مشکلی ندارند. در نتیجه، چاره‌ای ندارند جز اینکه از همان ابتدا وارد بازار سازمانی بزرگ شوند.

البته تفاوتی بین بازار متوسط (Mid-Market) و بازار سازمانی بزرگ (Enterprise) وجود دارد و منطقی‌تر است که ابتدا به کوچک‌ترین شرکتی که آن مشکل واقعی را دارد مراجعه کنید.

گاهی هم می‌توان با کاهش شدید دامنه‌ی محصول وارد شد. یعنی مثلاً فقط برای یک یا دو کاربر درون یک شرکت بزرگ چیزی بسازید که واقعاً برایشان مفید باشد یک محصول بسیار محدود اما کاربردی. این کار باعث می‌شود بتوانید سریع‌تر وارد بازار شوید و چرخه‌ی فروش کوتاه‌تری داشته باشید.

من فکر می‌کنم علاوه بر انتخاب درست بازار هدف که به نظر می‌رسد بازار متوسط معمولاً گزینه‌ی بهتر و امیدبخش‌تری است باید روی شناسایی دقیق مشتری مناسب (Qualification) تمرکز کنید.

الان در بسیاری از صنایع، تقریباً همه‌ی شرکت‌ها — از کوچک گرفته تا متوسط و بزرگ به دنبال خرید نرم‌افزار هستند، اما شما باید مطمئن شوید شخص یا تیمی که می‌خواهید به او بفروشید:

• اختیار تصمیم‌گیری واقعی دارد،
• انگیزه‌ی لازم برای خرید و استفاده از نرم‌افزار را دارد،
• و می‌توانید مستقیماً با او گفت‌وگو و تعامل کنید.

خیلی از بنیان‌گذاران ابتدا روی «بخش‌بندی بازار» تمرکز می‌کنند و بعد تازه سراغ شناسایی مشتری واقعی می‌روند، در حالی‌که گاهی پیدا کردن فرد درست از انتخاب «بخش درست بازار» هم مهم‌تر است به شرطی که آن فرد قدرت تصمیم‌گیری داشته باشد.

من دیده‌ام در شرکت‌های متوسط، اگر فرد مناسب را پیدا کنید، روند تصمیم‌گیری می‌تواند خیلی سریع پیش برود. اما در شرکت‌های بزرگ (Enterprise)، همان‌طور که گفتید، چرخه‌ی بازخورد بسیار کند است، تصمیم‌ها دیر گرفته می‌شوند، و بنیان‌گذاران ممکن است درگیر فرایند فروش چندماهه شوند که در پایان حتی معلوم نیست نتیجه‌ای بدهد یا نه.

آیا بهتر است من یک «هکر رشد»، «ارتباط‌گیر»، «فروشنده»، یا «نماینده فروش (SDR)» استخدام کنم، یا اینکه سعی کنم همان نقش را با استفاده از هوش مصنوعی شبیه‌سازی کنم؟ می‌دانم ابزارهای زیادی وجود دارد، اما هنوز مطمئن نیستم بهترین روش چیست.

من به آینده‌ی نرم‌افزارهای فروش مبتنی بر هوش مصنوعی خیلی خوش‌بینم. اما باید بگویم که «نمایندگان فروش هوش مصنوعی» (AI SDRs) معمولاً زمانی خوب عمل می‌کنند که فرآیند فروش شما از قبل درست و کارآمد باشد. جایی که نتیجه‌ی خوبی ندیده‌ام، زمانی است که بنیان‌گذار چون نمی‌تواند محصولش را بفروشد، به سراغ هوش مصنوعی می‌رود تا مشکلش را حل کند — که معمولاً کار نمی‌کند. هنوز بخش سخت کار یعنی فهمیدن نحوه‌ی فروش محصول، بر عهده‌ی خود بنیان‌گذار است.

من وقتی حدود ۸ سال پیش به Y Combinator آمدم، پنج سال در زمینه‌ی رشد (growth) در یک شرکت مصرفی کار کرده بودم. اما بعد متوجه شدم که باید بسیاری از چیزهایی را که در آن‌جا یاد گرفته بودم، فراموش کنم چون برای استارتاپ‌ها قابل استفاده نبودند. بسیاری از ابزارها و روش‌هایی که برای شرکت‌های بزرگ عالی عمل می‌کنند، برای استارتاپ‌ها اصلاً جواب نمی‌دهند. اگر هنوز مطمئن نیستید که محصولتان واقعاً کار می‌کند یا نه — مثلاً هنوز صدها مشتری ندارید — ممکن است رشدتان ظاهری باشد و در مسیر اشتباه پیش بروید؛ در واقع پیشرفتی کرده‌اید که چیزی به شما یاد نمی‌دهد.

دو سؤال بسیار سختی که هر بنیان‌گذار در ابتدای کار باید جوابشان را بدهد این است که: دارم به چه کسی می‌فروشم؟ چطور توجه او را جلب کنم؟

این دو، مثل دو «ترفند جادویی» هستند که هر مؤسس باید یاد بگیرد. وقتی جواب این دو را بدانید، آنگاه استفاده از یک عامل یا SDR هوش مصنوعی بسیار ساده‌تر می‌شود. چون از آن نقطه به بعد فقط کارهای تکراری و اجرایی باقی می‌ماند — اما هوش مصنوعی هنوز نمی‌تواند خودش بفهمد باید این دو سؤال را چطور حل کند.

نکته‌ی جالب این است که همین موضوع حتی برای شرکت‌های سازنده‌ی SDR هوش مصنوعی هم صدق می‌کند! اگر آن‌ها به سراغ شرکت‌هایی بروند که اصلاً نمی‌دانند چطور محصولشان را بفروشند، احتمال موفقیتشان بسیار کم است — ممکن است در ابتدا کمی درآمد داشته باشند، ولی خیلی زود مشتریانشان از دست می‌روند (churn).

تجربه‌ی واقعی این شرکت‌ها نشان داده که وقتی به استارتاپ‌هایی می‌فروشند که هنوز فروششان شکل نگرفته، خیلی سریع مشتریان را از دست می‌دهند. در واقع، هدف باید یافتن شرکت‌هایی باشد که محصول خوبی دارند و توان فروش آن را هم دارند در آن صورت، هوش مصنوعی می‌تواند قدرت را چند برابر کند.

من فکر می‌کنم بنیان‌گذاران باید آن‌قدر کنجکاو و یادگیرنده باشند که خودشان همه‌ی این نقش‌ها را تجربه کنند پیش از آن‌که بخواهند تیم بسازند. مثلاً شغل «مدیر بازاریابی» یکی از پُرچرخش‌ترین (پر‌تعویض‌ترین) شغل‌ها در استارتاپ‌هاست. و دلیلش معمولاً این نیست که مدیران بازاریابی بد هستند، بلکه این است که بنیان‌گذاران انتظارات اشتباهی از آن‌ها دارند. آن‌ها به اندازه‌ی کافی درباره‌ی ماهیت آن شغل کنجکاو نیستند و نمی‌دانند چگونه باید عملکردش را سنجید — برخلاف مهندسی که قابل اندازه‌گیری‌تر است. بنابراین من طرفدار پر و پا قرص این هستم که بنیان‌گذار ابتدا خودش یاد بگیرد و تجربه کند، بعد افراد را استخدام کند.

آیا بنیان‌گذاران باید همین حالا با هزینه‌کرد تهاجمی سعی کنند برتری موقتی به‌دست آورند، یا صبر کنند تا مدل‌های جدید هوش مصنوعی بیایند و بعد کارشان را با هزینه‌ی کمتر و دسترسی بیشتر ادامه دهند؟

سؤال عالی‌ای است. به‌نظر من این سؤال دو بخش دارد: اول، بنیان‌گذاران باید از خودشان بپرسند: «آیا کاری که انجام می‌دهم، وقتی مدل GPT-5 منتشر شود، بی‌ارزش می‌شود؟» یا برعکس، «آیا با آمدن مدل جدید، محصول من بهتر خواهد شد؟»

اگر مورد اول باشد — یعنی دارید چیزی می‌سازید که مدل‌های جدید خیلی زود جایگزینش می‌شوند — پس سرمایه‌گذاری روی آن اشتباه است. اما اگر در دسته‌ی دوم هستید، یعنی پیشرفت مدل‌ها محصول شما را بهتر می‌کنند، در این صورت باید ادامه دهید و هم‌اکنون سرمایه‌گذاری کنید. چرا؟ چون در مسیر توسعه، چیزهای زیادی یاد می‌گیرید، و وقتی مدل‌های جدید آماده شوند، می‌توانید بلافاصله آن‌ها را به محصولتان متصل کنید و در همان روز اول جهش بزرگی داشته باشید. شاید بگوییم در این مسیر «کمی بیشتر از حد لازم خرج کرده‌اید»، اما آن یادگیری‌ها کاملاً ارزشش را دارد — همین هدف اصلی کار است.

ما امسال نمونه‌اش را دیدیم. وقتی مدل Claude Sonnet منتشر شد، خیلی از شرکت‌هایی که در حال ساخت ابزارهای داخلی بودند، ناگهان دیدند محصولشان که قبلاً خوب کار نمی‌کرد، حالا عالی شده است.

و نمونه‌ی دیگر، کدنویسی با هوش مصنوعی (Codegen) است این ابزارها قبل از مدل‌های جدید، تقریباً از کار می‌افتادند، اما با مدل‌های تازه، نتیجه‌ها جادویی شدند.

درباره‌ی تغییر مسیر (Pivot) است. چند سؤال از بنیان‌گذاران در این زمینه داشتیم.

اول از همه، چه زمانی باید به تغییر مسیر فکر کرد؟ وقتی کمی پیشرفت دارید — معمولاً وقتی از «پیشرفت» حرف می‌زنیم یعنی همه چیز خوب پیش می‌رود، یا برعکس، هیچ نتیجه‌ای نمی‌گیرید و باید مسیر را عوض کنید. اما اگر کمی پیشرفت کرده‌اید، اما نه آن‌قدر زیاد که مطمئن باشید در مسیر درستی هستید، در چنین شرایطی چه زمانی باید تصمیم به تغییر مسیر گرفت؟ احتمالاً این سخت‌ترین موقعیتی است که می‌توانید در آن باشید. اگر کارتان خوب پیش می‌رود، واضح است — ادامه دهید. اگر اصلاً جواب نمی‌دهد، باز هم واضح است — باید مسیر را عوض کنید. اما وقتی تا حدی جواب می‌دهد، ولی نه به‌اندازه‌ی کافی، تصمیم‌گیری واقعاً دشوار می‌شود.

من مثالی دارم از یکی از شرکت‌هایی که دقیقاً چنین تجربه‌ای داشتند — شرکتی به نام Firecrawl. Firecrawl یک ابزار متن‌باز (open source) است که به شرکت‌ها کمک می‌کند اطلاعات را از هر وب‌سایتی استخراج کنند. الان بسیار موفق است و مشتریان زیادی از شرکت‌های فعال در زمینه‌ی هوش مصنوعی دارد.

اما پیش از این موفقیت، آن‌ها روی محصول دیگری کار می‌کردند به نام Mandible. زمانی که تصمیم به تغییر مسیر گرفتند، در واقع چند صد هزار دلار درآمد سالانه (ARR) داشتند یعنی واقعاً مشتری واقعی داشتند، حتی با برندهای بزرگ. محصول آن زمانشان سیستم پرسش‌و‌پاسخ روی مستندات بود. در آن مقطع، رشدشان کند بود، و در عین حال نیاز جدیدی را از سمت بازار مشاهده کردند. به‌عنوان بخشی از کار روی Mandible، آن‌ها مجبور شدند یک خزنده (crawler) برای خودشان بسازند، چون هیچ ابزار مناسبی در بازار نبود که نیازشان را برطرف کند. وقتی با بنیان‌گذاران دیگر صحبت کردند، متوجه شدند که همه‌ی شرکت‌های هوش مصنوعی نیز به چنین ابزاری نیاز دارند. در نتیجه فهمیدند که آن بخش کوچک‌ترِ درون Mandible — یعنی همان crawler در واقع ارزشمندتر از کل محصول اصلی است.

پس کمی با آن بخش کوچک‌تر آزمایش کردند. به‌صورت ناگهانی از ایده‌ی A به ایده‌ی B نرفتند. بلکه مدتی آن مؤلفه را امتحان کردند و دیدند به‌شدت مورد استقبال قرار گرفت. بعد به سرعت تصمیم گرفتند: «بسیار خب، این همان شرکت جدید ماست.» با اینکه باید از صفر شروع می‌کردند و درآمد چندصدهزار دلاری را کنار می‌گذاشتند، اما نتیجه فوق‌العاده شد و موفق شدند.

سؤال این است که آیا لحظه یا نشانه‌ی خاصی وجود داشت که باعث شد بفهمند «این بخش از محصول، در واقع همان چیزی است که باید رویش تمرکز کنیم»؟

فکر نمی‌کنم برای این موضوع فرمول یا الگوریتم مشخصی وجود داشته باشد. یعنی مثل این نیست که بگوییم: «اگر A و B اتفاق افتاد، پس باید کار C را انجام دهیم.» بیشتر به نوعی باور و اطمینان درونی برمی‌گردد که از دلِ گفت‌وگوهای زیاد و تجربه‌های مکرر به دست می‌آید.

در واقع، همین اتفاق برای خود ما در شرکت Algolia هم افتاد. وقتی شروع کردیم، اولین محصول ما یک SDK بود که توسعه‌دهندگان می‌توانستند مستقیماً در اپلیکیشن موبایل خود — روی دستگاه — جاسازی کنند. مقداری درآمد داشتیم، نه خیلی زیاد، شاید چند هزار دلار در ماه. اما حس‌مان این بود که فروش آن سخت است، فرایند کند پیش می‌رود، و کاربران هم واقعاً ارزش زیادی برای محصول قائل نیستند. در نهایت گفتیم: «خب، می‌توانیم با همین روند یک شرکت کوچکِ باثبات (lifestyle company) بسازیم، اما این چیزی نیست که می‌خواهیم. باید مسیر را تغییر دهیم.» این تصمیم برای ما ساده‌تر بود چون درآمدمان هنوز زیاد نبود.

اما در مورد Mandible، موضوع فرق می‌کرد. بنیان‌گذارانش با شرکت‌ها و افراد زیادی در ارتباط بودند و همین ارتباطات قوی باعث شد آن باور درونی برای تغییر مسیر در آن‌ها شکل بگیرد. این‌که آیا واقعاً مردم برای محصول شما ارزش قائل هستند یا نه؟ بارها در جلسات «Office Hours» پیش آمده که با استارتاپ‌هایی مواجه شدیم که کمی رشد کرده‌اند و حتی سرمایه گرفته‌اند، اما وقتی با آن‌ها صحبت می‌کنیم، متوجه می‌شویم که تقریباً هیچ ارتباط واقعی با کاربرانشان ندارند یا خیلی کم از آن‌ها شناخت دارند. در چنین مواقعی معمولاً به آن‌ها (گاهی هم نه‌چندان ملایم!) توصیه می‌کنیم که بروند و بفهمند کاربران تا چه حد محصولشان را ارزشمند می‌دانند.

در بیشتر موارد، وقتی با کاربران صحبت می‌کنند، می‌فهمند که در واقع کاربران خیلی هم محصول را ارزشمند نمی‌بینند. و همین نکته می‌شود انگیزه‌ای قوی برای اینکه عمیق‌تر بررسی کنند و نسخه‌ی بهتری از محصول را بسازند.

مثالی بزنم: شرکتی به نام Greile از دوره‌ی زمستان ۲۰۲۴. وقتی به آن‌ها سرمایه دادیم، چند هزار دلار درآمد ماهانه داشتند و از رشدشان خیلی خوشحال بودند — از صفر به چند ده مشتری رسیده بودند، و نمودارها رو به بالا بود. اما من مدام به آن‌ها می‌گفتم: «بروید و با کاربران صحبت کنید. بفهمید کدامشان واقعاً محصول شما را باارزش می‌دانند.»

یادم هست در یکی از جلساتشان مستقیماً پرسیدند: «چرا باید این‌همه مصاحبه انجام دهیم؟ بهتر نیست فقط روی رشد عدد درآمد تمرکز کنیم؟»

ولی بعد از اینکه با کاربران زیادی صحبت کردند، فهمیدند که هیچ دو مشتری‌ای درباره‌ی محصول‌شان حرف مشابهی نمی‌زنند. یعنی رابطه‌ی بین محصول و نیاز مشتریانشان آشفته و نامنظم بود. در نتیجه تصمیم گرفتند تمرکزشان را روی یکی دو مورد خاص بگذارند و آن بخش‌ها را بهبود دهند.

و همین باعث شد رشد واقعی و پایدار را تجربه کنند. در نهایت همه‌چیز برمی‌گردد به این سؤال ساده اما بنیادی: آیا واقعاً مردم برای محصول شما ارزش قائل‌اند یا نه؟

یه نکته‌ی دیگه درباره‌ی «پیوت کردن» (تغییر مسیر در کسب‌وکار) اینه که این مرحله یکی از آسیب‌پذیرترین زمان‌ها برای یه شرکت محسوب می‌شه. معمولاً همین موقع‌هاست که بعضی شرکت‌ها کلاً از هم می‌پاشن — چون بعد از امتحان دو سه مسیر مختلف، خسته می‌شن و می‌گن: «بی‌خیال، هیچ‌چیزی جواب نمی‌ده.»

وقتی به این نقطه می‌رسی و از خودت می‌پرسی «آیا باید پیوت کنیم؟»، باید مطمئن باشی که انرژی لازم برای این کار رو داری. چون پیوت کار ساده‌ای نیست — تو قبلاً روی یه مسیر کلی زمان و انرژی گذاشتی، شاید ماه‌ها یا حتی سال‌ها، و حالا باید همه‌چیز رو رها کنی و مسیر جدیدی رو امتحان کنی.

اول از همه باید مطمئن شی هنوز انرژی و انگیزه‌ی ادامه دادن داری، چون یه دوره‌ی مبهم و نامطمئن پیش روته. باید باور قوی بسازی، باید انرژی داشته باشی، و البته چارچوب‌هایی وجود دارن که می‌تونن کمکت کنن تا این مسیر رو درست طی کنی. ولی در نهایت، دادنِ توصیه برای پیوت کردن راحته، اما در عمل، یعنی دوباره از صفر شروع کردن — و این برای هر کارآفرینی خیلی سخته.

خیلی از بنیان‌گذارها میان و از ما می‌پرسن: «به نظرت این ایده بهتره یا اون یکی؟» و من می‌گم: «اگه هفت تا ایده بیاری، می‌تونم نظر شخصی‌مو بگم که کدوم به نظرم بهتره، اما واقعاً نمی‌دونم — چون من مشتری هیچ‌کدوم نیستم. باید خودت بری و ایده‌هایی رو که فکر می‌کنی بهترن، در بازار اعتبارسنجی کنی.»

بخش سختِ پیوت، از دید چارچوب فکری، اینه که گاهی یه تیم فقط با یه ایده میان، و اگه من بگم «به نظرم این ایده خوب نیست»، سریع دلسرد می‌شن و می‌گن: «پس دیگه نمی‌خوایم روی هیچی کار کنیم، چون تنها ایده‌ای که داشتیم هم بد بود — تو گفتی خوب نیست، یا فلان مشاور یا کاربر گفت بده.»

برای همین، وقتی می‌خوای پیوت کنی، خیلی بهتره که چند تا ایده مختلف رو همزمان بررسی کنی تا فرصت پیدا کنی بینشون اون چیزی رو پیدا کنی که واقعاً بهش ایمان داری. این طوری اگر یکی از ایده‌ها جواب نداد، ناامید نمی‌شی، چون هنوز مسیرهای دیگه برای امتحان کردن داری.

این در واقع یه چارچوبه — هم برای پیدا کردن ایده‌ی بهتر، و هم برای حفظ انگیزه در مسیر پیوت.

من با شرکتی در یکی از دوره‌های پاییز کار می‌کردم که کل اون دوره رو درگیر این سؤال بودن که «باید پیوت کنیم یا نه؟» اونا چند هزار دلار درآمد ماهانه‌ی تکرارشونده (MRR) داشتن و واقعاً با تمام توان روی فروش کار می‌کردن، اما هیچ پیشرفت واقعی حاصل نمی‌شد.

در نهایت، درست بعد از پایان دوره، تصمیم گرفتن پیوت کنن و رفتن سراغ ساخت یه فریم‌ورک متن‌باز برای سیستم‌های صورتحساب به نام Autumn. الان از نظر درآمد، حتی کمتر از قبل traction دارن، ولی چیزی که حالا دارن ایمان و باور قوی به کارشونه — و این از لحن و حرف زدنشون کاملاً مشخصه.

و این دقیقاً همون نکته‌ی کلیدیه: یکی از اولین نشونه‌هایی که شاید وقت پیوته، اینه که دیگه به کاری که داری انجام می‌دی باور نداری و حس می‌کنی قرار نیست جواب بده.

کی باید یه ایده‌ی خوب استارتاپی رو رها کنیم تا بتونیم یه ایده‌ی عالی پیدا کنیم؟ و اصلاً ایده‌ی عالی یعنی چی؟

سؤال سختیه، چون واقعیت اینه که در لحظه، واقعاً نمی‌تونی بدونی ایده‌ت خوبه یا عالی. معمولاً تا وقتی بازخورد واقعی از مردم نگرفته باشی، نمی‌فهمی که یه ایده‌ی عالی واقعاً عالیه یا نه. پس بیشتر یه سؤال فرضی‌ه، چون انگار فرض می‌کنی در اون لحظه همه‌ی جواب‌ها رو می‌دونی.

به نظر من، پیوت کردن یه **فرآیند و چارچوب فکریه، نه یه پاسخ فوری. باید وارد عمل شی، بررسی کنی، تست بگیری و یاد بگیری — نه اینکه منتظر باشی جواب قطعی از قبل بدونی.

در نهایت هم همه‌چیز برمی‌گرده به همون چیزی که گفتیم: باور و ایمان (conviction). گاهی یه ایده‌ی «خوب» ایده‌ایه که فقط یه‌ذره درآمد داره، اما ایده‌ی «عالی» اونه که تو واقعاً بهش ایمان داری و حاضری براش بجنگی.

می‌دونی، شاید بعضی ایده‌ها فقط «خوب بودنشون» در حد یه ویژگی اضافی باشه، اما ایده‌ی واقعاً عالی اونیه که تو واقعاً بهش ایمان داری، چون مشتری‌هایی داری که هر روز بهت نیاز دارن تا یه مشکل واقعی رو براشون حل کنی. اوایل که تازه داشتم با ایده‌های استارتاپی ور می‌رفتم، کلی «ایده‌ی عالی» به نظرم می‌رسید. اما بعد فهمیدم هیچ‌کدوم واقعاً عالی نبودن — چون نه چیزی می‌ساختم، نه اون ایده‌ها رو به مشتری واقعی نشون می‌دادم. در نتیجه، در عمل، هیچ‌کدوم عالی نبودن.

راستش گاهی فکر می‌کنم اصلاً چیزی به اسم «ایده‌ی خوب استارتاپی» وجود نداره. به نظرم ایده‌ها فقط دو دسته‌ان: یا ایده‌های عالی هستن، یا بقیه که هیچ‌وقت نمی‌تونن منجر به یه شرکت بزرگ بشن — پس از نظر فنی، ایده‌های بد محسوب می‌شن.

بنابراین اگه یه نفر می‌گه «این یه ایده‌ی خوبه»، باید واقعاً اون رو محک بزنه تا نشونه‌های عالی بودنش رو پیدا کنه. مثل وقتی که یه سنگ پیدا می‌کنی و شروع می‌کنی به سابیدنش تا ببینی آیا توش الماسی هست یا نه. ولی اگه فقط هی بگی «نگاه کن چه سنگ قشنگی دارم» و کاری باهاش نکنی، هیچ‌وقت چیزی به دست نمی‌آری.

باید واقعاً با جدیت تستش کنی مثلاً با فروش واقعی، یا با ساختن یه نسخه‌ی سریع و خلاقانه از محصول در چند هفته، و دیدن واکنش مردم. یعنی همیشه باید دنبال نشونه‌هایی از «عالی بودن» باشی.

و از اون مهم‌تر، باید با خودت صادق باشی. خیلی راحت ممکنه از بس به ایده‌ت ایمان داری، خودت رو گول بزنی و دیگه به هیچ بازخورد مخالفی گوش ندی.

این نکته خیلی مهمه. امروز صبح با یه مؤسس تماس داشتم تا بهش پیشنهاد شرکت در دوره‌ی تابستونی YC بدم. تماس خیلی خوبی بود، همیشه این تماس‌ها جذابن. بعد از تماس، ازم پرسید: «فرق بین مؤسس‌های واقعاً موفق در دوره با بقیه چیه؟»

یه لحظه فکر کردم و جوابم این بود: اون‌هایی که واقعاً موفق می‌شن، آدم‌هایی هستن که وسواس و تمرکز شدیدی روی پیدا کردن یه ایده‌ی واقعاً عالی دارن. یعنی تمام تمرکزشون روی اینه که مطمئن بشن دارن روی چیزی کار می‌کنن که پتانسیل خیلی بزرگ شدن رو داره.

احتمالاً مؤسس‌هایی که واقعاً ایده‌های عالی دارن، خودشون اون‌قدرها هم فکر نمی‌کنن ایده‌شون «عالیه». و معمولاً هم تا مدت زیادی همچین حرفی نمی‌زنن. در واقع، کسی که واقعاً یه ایده‌ی بزرگ داره، نمی‌گه: «من یه ایده‌ی عالی دارم!» مثلاً استیو جابز معروف بود به اینکه وقتی ایده‌ای داشت، می‌گفت: «یه ایده‌ی احمقانه‌ست!» حتی اگه در دلش می‌دونست چقدر ایده‌ی بزرگیه، هیچ‌وقت اون‌طوری درباره‌اش صحبت نمی‌کرد.

آیا منطقیه از یه ایده صرف‌نظر کنیم فقط به این خاطر که از نظر فنی ساختنش خیلی سخته؟

فرض کن با مشتری‌ها صحبت کردی، اونا هم گفتن اگه محصول ساخته بشه، حتماً می‌خرنش. اما هرچقدر تلاش می‌کنی، هنوز نمی‌تونی از نظر فنی به اون سطحی که باید برسی. در چنین شرایطی، مؤسس‌ها باید چه فکری بکنن؟

در واقع، برعکسشه! اگه چیزی از نظر فنی خیلی سخته، اتفاقاً نشونه‌ی یه ایده‌ی خیلی خوبه. چون هیچ‌کس دیگه سراغش نمی‌ره! وقتی سطح سختی کار بالاست، افراد کمتری تلاش می‌کنن، و اگه تو شجاعت و مهارت انجامش رو داری، اون می‌تونه بهترین ایده‌ی ممکن برای تو باشه. پس حتماً دنبالش برو.

یه تجربه‌ی جالب در یکی از دوره‌ها داشتم. یه تیمی بودن که روی نرم‌افزاری برای پروژه‌های علمی کار می‌کردن. کارشون بد نبود، ولی بازار استقبال نمی‌کرد. بعد تصمیم گرفتن پیوت کنن و شرکت جدیدی ساختن به اسم Brahante Biologics. ایده‌شون این بود که «میکروکارخانه‌هایی برای تولید دارو در حجم کم» بسازن. هر بار که در موردش صحبت می‌کردیم، می‌شد برق شوق رو توی چشماشون دید. کاملاً مشخص بود که باور دارن دارن کار درستی می‌کنن.

البته با هر گفت‌وگو، یه چالش جدید سر راهشون سبز می‌شد از مسائل فنی گرفته تا قوانین نظارتی و هزار مشکل دیگه. ولی واکنش‌شون همیشه این بود: «بله، باید انجامش بدیم. دنیا بهش نیاز داره.» من عاشق اون انرژی‌ام. اون حوزه یکی از سخت‌ترین زمینه‌هایی بود که تا حالا دیدم یه استارتاپ واردش بشه، ولی اگه موفق بشن، دنیا رو تغییر می‌دن.

اگه یه ایده‌ی نرم‌افزاری خیلی سخت باشه — مثلاً بدونی ساختنش حداقل شش ماه زمان می‌بره — چی کار باید کرد؟

در این‌جور مواقع، بهتره محدوده‌ی کار رو کوچیک‌تر کنی تا بتونی سریع‌تر پیش بری. مثلاً من توی شرکت قبلی‌ام (Perfect Audience) می‌دونستم برای کارمون باید یه پلتفرم بزرگ ساخت تبلیغات بلادرنگ (real-time bidding) بسازیم که به کلی پلتفرم تبلیغاتی دیگه وصل بشه یه پروژه‌ی عظیم و پیچیده، و حتی نمی‌دونستیم از کجا باید شروع کنیم.

پس اول رفتیم سراغ یه شرکت دیگه که اون سیستم رو داشت و یه API ارائه می‌داد. ما براش بهترین رابط کاربری (front-end) ممکن رو ساختیم و اون رو وارد بازار کردیم. یه سیستم صورتحساب اختصاصی هم طراحی کردیم. همین باعث شد کلی کاربر بگیریم، حرکت کنیم، و قدم‌به‌قدم پیش بریم. در نهایت هم وقتی تجربه و ارتباطات لازم رو به‌دست آوردیم، تونستیم افراد متخصص رو استخدام کنیم تا بخش فنی سخت‌تر پروژه رو بسازن.

به این ترتیب، پروژه رو به بخش‌های کوچیک‌تر تقسیم کردیم تا بتونیم از پسش بربیایم. ولی باید مراقب بود — چون همچین شرایطی می‌تونه بهانه‌ای بشه برای شش ماه فقط «کار کردن روی ایده» بدون هیچ نتیجه‌ی واقعی.

درسته — بعضی وقتا مؤسس‌ها خودشون رو توی «گاراژ» یا یه گوشه حبس می‌کنن و فقط مشغول ساخت محصول می‌شن. ما هم توی شرکت Algolia یه همچین تجربه‌ای داشتیم. تقریباً شش ماه طول کشید تا محصول به شکل قابل قبولی برسه، چون یه موتور جست‌وجوی سطح پایین بود و از نظر فنی واقعاً کار سختی بود.

خوش‌شانس بودیم که در نهایت همه‌چیز خوب پیش رفت. ولی اگه بخوام برگردم به اون دوران، قطعاً زمان خیلی بیشتری رو با مشتری‌ها می‌گذروندم حتی اگه محصول هنوز آماده‌ی ارائه نبود. چون از زندگی کردن با مشکلات و نیازهای مشتری‌هات، می‌تونی چیزهای خیلی زیادی یاد بگیری. الان اگه همون شرایط تکرار بشه، این بخش رو خیلی بهتر انجام می‌دم.

پس خلاصه: تا وقتی از «سخت بودن فنی» به‌عنوان بهانه‌ای برای فرار از صحبت با مشتری‌ها استفاده نکنی، اشکالی نداره محصولت هنوز کامل نباشه.

در Optimizely هم سخت‌ترین بخش ساخت محصول اولمون این بود که یه ویرایشگر وب‌سایتی بسازیم که با هر وب‌سایتی کار کنه و به افراد غیر فنی اجازه بده بدون نوشتن کد، تست‌های A/B انجام بدن. ساختن این ابزار حدود شش ماه طول کشید.

ولی برای اینکه بتونیم مسئله رو به بخش‌های کوچک‌تر تقسیم کنیم، اولین نسخه رو فقط برای خودمون ساختیم. من و هم‌تیمی‌ام «دن» با یه نسخه‌ی خیلی ساده شروع کردیم در واقع یه bookmarklet بود که باهاش می‌تونستیم یه فیلد متنی ساده روی هر وب‌سایتی باز کنیم و دستی جاوااسکریپت بنویسیم تا اون کد روی سایت اجرا بشه.

همین نسخه‌ی ساده کافی بود تا بتونیم چند پروژه‌ی مشاوره‌ای بگیریم و برای شرکت‌های دیگه تست‌های A/B انجام بدیم. به این ترتیب با مشتری‌ها وارد تعامل شدیم، حتی قبل از اینکه نسخه‌ی عمومی محصول آماده بشه.

حداقلش این بود که دقیقاً می‌دونستیم چی داریم می‌سازیم و چرا. در واقع خودمون تبدیل شدیم به اولین کاربران محصولمون و این خیلی مفید بود.

چه زمانی باید برای استارتاپ شروع به استخدام کنیم؟ (یعنی فراتر از بنیان‌گذاران و کارمندان اولیه.) چه موقع وقتشه؟ از کجا باید بفهمیم؟

اگه وقت داری که زیاد درباره‌ی این سؤال فکر کنی، احتمالاً هنوز خیلی زوده. اگر هم هر روز ذهنت درگیرشه، باز هم احتمالاً هنوز زوده.

زمان درست استخدام وقتی می‌رسه که اوضاع واقعاً شلوغ شده. اون‌قدر که حتی نتونی یه ساعت خالی توی تقویمت پیدا کنی تا با یه متقاضی مصاحبه کنی!

یعنی وقتی حس می‌کنی کارها دارن از کنترل خارج می‌شن وقتی همه دارن فراتر از ظرفیتشون کار می‌کنن، وقتی احساس می‌کنی چیزها دارن می‌شکنن و دیگه با برنامه‌ی عادی نمی‌تونی پیش بری اون موقع وقتشه که باید از قبل شروع به استخدام کرده باشی!

البته مشکل اینه که فرآیند استخدام طول می‌کشه معمولاً چند ماه. پس اگه تازه وقتی به نقطه‌ی بحرانی رسیدی اقدام کنی، در واقع دیر شده.

بهتره زودتر نشونه‌ها رو ببینی. مثلاً اگه بخش خاصی از شرکت داره دچار مشکل می‌شه — مثل مهندسی، فروش یا آنبوردینگ و مطمئنی که این فقط یه نشونه‌ی موقتی نیست، بلکه قراره بدتر بشه، اون موقع وقتشه که شروع به مصاحبه یا انتشار آگهی شغلی کنی.

اما استخدام در استارتاپ‌ها همیشه سخته. وقتی هنوز یه تیم کوچیک دو نفره‌ای با چند تا مشتری محدود، از نظر رقابتی جذابیت زیادی برای استخدام نیرو نداری. به همین دلیل، معمولاً استخدام‌های اولیه از شبکه‌ی شخصی خودت انجام می‌شن آدم‌هایی که از قبل تو رو می‌شناسن و بهت اعتماد دارن.

در واقع بیشتر استخدام‌های اولیه «از بیرون سرد» نیستن، بلکه از بین کسایی هستن که قبلاً با کار یا ایده‌ت آشنا بودن. و این باعث می‌شه پیدا کردن اون افراد کمی راحت‌تر باشه نسبت به مراحل بعدی که باید افراد جدید و ناآشنا رو جذب کنی.

درسته، بذار تجربه‌ی خودم رو یادم بیاد… شرکت ما هم چند مرحله‌ی متفاوت داشت. اولش فقط چند نفر استخدام کردیم که کار درستی هم بود، چون در اون مرحله دنبال «تناسب محصول با بازار» بودیم.

بعد که به اون تناسب رسیدیم، متوجه شدیم خیلی کند استخدام کردیم. و بعد از مدتی که شرکت بزرگ‌تر شد، دیدیم برعکس، زیادی نیرو گرفتیم! در واقع سه مرحله‌ی مشخص وجود داشت: قبل از تناسب محصول با بازار → فقط تعداد کمی نیرو، بعد از رسیدن به اون مرحله → تأخیر زیاد در جذب نیرو، و در نهایت → استخدام بیش از حد.

یادمه اون موقع ما ۹ نفر بودیم و حدود ۱.۲ میلیون دلار درآمد داشتیم (قبل از موج AI). زندگی‌مون واقعاً سخت شده بود، ولی وقتی به اون دوران فکر می‌کنم، با همه‌ی سختی‌ها، یکی از بهترین دوران شرکت بود.

نکته اینجاست که خیلی‌ها اشتباه فکر می‌کنن وقتی دارن استخدام می‌کنن یعنی شرکتشون موفقه. در حالی که استخدام، معیار موفقیت نیست — فقط راهی برای جلوگیری از فروپاشی یا حفظ عملکرد شرکت محسوب میشه.

الان اما طرز فکر تغییر کرده. امروزه خیلی از استارتاپ‌ها افتخار می‌کنن که با حداقل نیروی ممکن به درآمد بالا می‌رسن — چیزی که ده سال پیش اصلاً رایج نبود. الان یه جور «میم» شده که بگی: «ما یه شرکت میلیارد دلاری با فقط ۱۰ نفر نیرو می‌خوایم باشیم (و فقط ۶ جای خالی داریم!)». اون دوران که همه می‌خواستن کلی مهندس بگیرن تا بعد شرکت رو به فیسبوک بفروشن، تموم شده.

وقتی فاوندرها از من می‌پرسن «آیا الان وقت استخدامه؟»، تقریباً همیشه جوابم اینه: «نه». چون خیلی وقتا فاوندرها فکر می‌کنن استخدام باعث سرعت گرفتن کارها میشه، ولی در واقع اغلب برعکس اتفاق می‌افته.

البته یه استثنا هم هست: «استخدام‌های فرصت‌طلبانه». یعنی مثلاً دوست خیلی باهوشت همین ماه از دانشگاه فارغ‌التحصیل شده یا از شغل قبلیش اومده بیرون، و تو می‌دونی با تیم خوب کار می‌کنه و واقعاً آدم توانمندیه. در اون صورت، زمان خوبی برای آوردنش به تیمه.

البته باید دقت کرد — این نوع استخدام فقط زمانی خوبه که واقعاً اون فرد «استثنایی» باشه: باهوش‌ترین دوستت، بهترین، قوی‌ترین. اما اگر فقط فکر می‌کنی شاید خوب باشه ولی مطمئن نیستی، اون خطرناکه. اون نوع استخدام‌ها معمولاً اشتباهن.

چه زمانی خوبه که یک محصول SaaS (سرویس سازمانی ابری) رو متن‌باز کنیم؟ چه مزایا و معایبی داره؟

سؤال جالبیه. بیشتر شرکت‌های متن‌باز، ابزار توسعه‌دهنده (Dev Tools) می‌سازن، چون برای این نوع مشتری‌ها خیلی مهمه که کدها شفاف و قابل بررسی باشن، و به شرکت سازنده اعتماد کنن. اما در بعضی موارد، متن‌باز بودن فقط برای اعتمادسازی با مشتریان سازمانی مهمه — مثلاً شرکت Medplum که سیستم پزشکی (EHR) می‌سازه. برای اون‌ها متن‌باز بودن باعث شد مشتری‌های سازمانی سریع‌تر اعتماد کنن و فرایند فروش حتی یک سال کوتاه‌تر بشه. در این مورد، متن‌باز بودن برای بازاریابی نبود، بلکه برای اعتمادسازی بود.

یه مثال دیگه شرکت 20i هست که CRM (مدیریت ارتباط با مشتری) متن‌باز می‌سازه. با اینکه CRM برای توسعه‌دهنده‌ها نیست، اما باز هم مشتری‌ها از متن‌باز بودنش احساس امنیت می‌کنن — چون می‌تونن در صورت نیاز کد رو بررسی یا گسترش بدن (حتی اگر هیچ‌وقت این کار رو نکنن!). همین حس «می‌تونم ببینم یا تغییر بدم» خودش باعث اعتماد میشه.

علاوه بر این، برای مسائل انطباق (compliance) هم مفیده — چون داده‌ها داخل خود سیستم باقی می‌مونن و مشتری نگران ارسال اطلاعات به یه استارتاپ ناشناس روی کلاد نیست. پس دلایل خوبی برای متن‌باز کردن وجود داره — به‌ویژه در فروش‌های سخت یا حوزه‌هایی که داده‌های حساس دارن. در دنیای هوش مصنوعی (AI) هم الان میزبانی محلی (self-hosting) داره رایج‌تر میشه، چون خیلی از شرکت‌ها حاضر نیستن داده‌های خصوصی‌شون رو با شخص ثالث به اشتراک بذارن. اگر مردم به OpenAI اعتماد نکنن، به یه استارتاپ کوچیک تازه‌کار هم اعتماد نمی‌کنن.

جالبه بدونی تا چند سال پیش، وقتی مشتری می‌خواست محصول رو خودش میزبانی کنه، همه می‌گفتن: «نه، غیرممکنه!» اما الان خیلی از استارتاپ‌ها باهوش‌تر شدن و راه‌های سریع و کارآمدی برای انجامش پیدا کردن — حتی خودشون داوطلبانه این قابلیت رو اضافه می‌کنن. این یه پیشرفت واقعیه. البته معایب هم داره — مثلاً میزبانی محلی هزینه‌بره و باید قیمت بالایی براش در نظر بگیری.