Zbudował platformę dla zapracowanych menedżerów, po sześciu miesiącach zamknął firmę. Dziś Aleksander Uznański pomaga startupom uniknąć jego błędów [WYWIAD]

My Company Polska: Pracowałeś z ponad 300 startupami. Czy spotkałeś firmy, które miały świetny produkt i wielu użytkowników, a mimo to poniosły finansową porażkę?

Aleksander Uznański: Przeważnie widzę te same powody i to samo potwierdzają raporty. Moja historia jest taka, że 11 lat temu, w 2015 roku, jeszcze na studiach, sam położyłem startup. Miałem pomysł na aplikację, która oferowała usługi concierge w restauracjach i ekskluzywnych barach dla zajętych osób z Wrocławia, przeważnie przedsiębiorców i, menedżerów. Znalazłem wspólnika, znaleźliśmy software house, któremu zleciliśmy budowę platformy. Zdobyliśmy kilkunastu partnerów, restauracji i barów z wyższej półki. Po pół roku mieliśmy produkt, całą infrastrukturę, ale nie zdobyliśmy płacących klientów. Zamknęliśmy spółkę.

Co poszło nie tak?

Popełniliśmy dwa błędy. Pierwszy to dobór współzałożyciela. Umawialiśmy się na jeden podział ról i zaangażowania, a w praktyce wyglądało to inaczej. Drugi, chyba najważniejszy, to brak sprawdzenia, czy rynek w ogóle potrzebuje naszego rozwiązania. To mnie popchnęło w kierunku zarządzania produktami. Chciałem nauczyć się jak budować wartościowe produkty, czyli takie, które dostarczają użytkownikom wartość na tyle dużą, że są gotowi za nie zapłacić.

Czy podobne błędy popełniają też startupy, z którymi dziś pracujesz?

Widzę ten sam problem. CB Insights co roku publikuje raport o powodach upadku startupów. Jednym z najczęściej wskazywanych powodów jest „no market need”, czyli brak potrzeby rynkowej. Founder wymyśla świetny pomysł, którego po prostu nikt nie potrzebuje.

W mojej branży często mówimy o „lekarstwach” i „witaminach”. Lekarstwa rozwiązują rzeczywisty, istotny problem klienta. Witaminy są tylko fajnym dodatkiem. Bardzo często startupy tworzą właśnie witaminy albo źle dobierają grupę docelową. Przedsiębiorca ma hipotezę i od razu zaczyna budować oprogramowanie, zamiast najpierw sprawdzić, czy to w ogóle ma sens.

Możesz podać przykład startupu, który podszedł do biznesu w taki sposób?

W 2022 roku dołączyłem do dwóch founderów ze Szwajcarii. Obaj mieli duże doświadczenie w branży rekrutacyjnej. Jeden był prezesem globalnej firmy rekrutacyjnej, którą przejęło Adecco, drugi pracował jako wiceprezes odpowiedzialny za Azję. Chcieli stworzyć cyfrową platformę rekrutacyjną dla rynku technologicznego w Szwajcarii. Tak zbudowaliśmy FOUND.

Moim pierwszym zadaniem było ustalenie, do jakiego segmentu rynku chcemy trafić. Zrobiliśmy analizę istniejących platform i zaczęliśmy rozmawiać z potencjalnymi klientami. Ustaliliśmy, że skupimy uwagę na product managerach w Zurychu. Founderzy bardzo chcieli już iść do software house'u i budować produkt. Powiedziałem im: stop.

Nie zatrudniliście programisty od razu. Co robiliście w tym czasie?

Pierwszego programistę, który został naszym CTO, zatrudniliśmy dopiero po pół roku. Pierwsze sześć miesięcy poświęciliśmy na sprawdzenie pomysłu. Uruchomiliśmy kampanie marketingowe skierowane do product managerów w Szwajcarii. Reklamy prowadziły do strony, na której można było zapisać się na listę oczekujących. Targetując 500 osób, zebraliśmy około 360 zgłoszeń i przyjęliśmy 100 osób. Później w sposób manualny, z wykorzystaniem narzędzi no-code, weryfikowaliśmy ich kompetencje oraz łączyliśmy ich z odpowiednimi ofertami pracy.

To był przykład podejścia beachhead market, czyli wejścia na bardzo wąski rynek, żeby najpierw zdobyć jedną grupę klientów, a później rozszerzać działalność. Skupiliśmy uwagę na doświadczonych product managerach, którzy chcieli awansować na stanowiska kierownicze, ale nie mieli takiej możliwości w obecnej firmie. Nie chcieliśmy budować kolejnego LinkedIna. Chcieliśmy dotrzeć do osób, które już mają pracę, ale chcą zwiększyć wynagrodzenie albo awansować na stanowisko Head of Product. Rozmowy i testy z nimi pomogły nam doprecyzować produkt. W pierwszym roku doszliśmy do 1000 aktywnych użytkowników i 60 klientów biznesowych.

Startup może jednak zdobywać użytkowników i nadal nie zarabiać. Dlaczego?

Jednym z głównych problemów jest to, że startupy dość szybko wydają pieniądze. Czasami tego nie widać, bo firmy, które pozyskały duże finansowanie od funduszy venture capital, mają duże budżety. Może minąć sporo czasu, zanim okaże się, że biznes nie działa.

Często obserwowałem firmy, które pozyskiwały użytkowników, ale nie potrafiły na nich zarabiać. Dla mnie dobra pierwsza wersja produktu, czyli MVP, powinna spełniać trzy warunki. Po pierwsze, dawać użytkownikowi wartość. Po drugie, pozwalać na łatwy kontakt z nim, zbieranie informacji i testowanie hipotez. Po trzecie, powinna umożliwiać monetyzację. Klient musi płacić. Bo jeśli nie płaci, to sprawdzamy tylko, czy rozwiązanie jest fajne, ale nie sprawdzamy, czy daje na tyle dużą wartość, żeby ktoś chciał za nie zapłacić.

Dlaczego startupy wolą rozwijać technologię, zamiast sprawdzać, czy uda im się ją sprzedać?

Nie stawiałbym tego w ten sposób, że albo technologia, albo sprzedaż. Myślę, że jedno i drugie jest ważne. Ale większość zespołów stawia na budowanie produktu, dlatego że paradoksalnie jest to łatwiejsze. Łatwiej zamknąć się w czterech ścianach i coś budować, niż wyjść do klienta i usłyszeć, że to nie ma dla niego wartości, że tego nie chce.

Jest też przekonanie, że im więcej budujemy, tym więcej wartości dostarczymy. A bardzo często to nieprawda. W 2019 roku Pendo, firma zajmująca się analityką produktową, przeanalizowała, ile funkcjonalności oprogramowania jej klientów wykorzystują użytkownicy końcowi. Okazało się, że 80 proc. funkcjonalności jest wykorzystywanych rzadko albo w ogóle. Około 25 proc. nie było wykorzystywanych wcale, a 55 proc. bardzo rzadko.

Dlaczego duże firmy mogą pozwolić sobie na takie straty, a startupy często nie?

Duże firmy, na przykład Google, mają bardzo duże budżety. Taka firma, jeżeli wypuści produkt, który nie zadziała, może szybko wycofać go z rynku. Może prowadzić kilka eksperymentów jednocześnie i jeśli uda się jeden lub dwa z dziesięciu, to dla tej firmy jest to w porządku. W startupach skutki są bardziej widoczne. Nagle cały zespół traci pracę, firma upada. A tak naprawdę podobne problemy występują zarówno w startupach, jak i w dużych organizacjach.

AI pozwala dziś tworzyć oprogramowanie znacznie szybciej. Czy firmy dzięki temu rzeczywiście więcej zarabiają?

Dostarczanie oprogramowania jest coraz łatwiejsze i bardziej dostępne. Wiele osób myśli więc, że skoro łatwiej zbudować produkt, to łatwiej też dostarczyć wartość. Ale to nie jest to samo. Powstaje coraz więcej aplikacji, ale to nie znaczy, że są wartościowe. Dlatego sprawdzanie potrzeb klientów przed rozpoczęciem, i w trakcie, budowy produktu jest dziś jeszcze ważniejsze. Według Nielsen Norman Group produkty z etapem badania i weryfikacji potrzeb klientów, tzw. product discovery, kończą się sukcesem w 83 proc. przypadków, bez niego mniej więcej w połowie. Najpierw trzeba sprawdzić założenia i z góry ustalić, jaki wynik uznamy za sukces. Dopiero potem budować i mierzyć.

Bardzo często trafiam na firmy, dla których najważniejsza jest ilość dostarczonego oprogramowania. Budujemy coraz więcej, więcej i więcej. Ale za tym powinna iść jakaś wartość.

Pracowałeś przy rozwoju UX Pilot. Co jest trudniejsze w biznesie opartym na AI: zdobycie użytkowników czy przekonanie ich, żeby regularnie płacili?

Myślę, że zdobywanie użytkowników jest relatywnie łatwe, bo działa efekt „wow”. Jest nowy produkt AI, więc ludzie chcą go przetestować. Ja sam testuję wiele różnych produktów, podobnie jak moi znajomi. Ale większość firm ma problem z płacącymi użytkownikami.

Kiedy dołączyłem do UX Pilot we wrześniu ubiegłego roku jako Head of Product, konwersja z darmowego planu na płatny wynosiła około 3 proc. Moim pierwszym zadaniem było zwiększenie tej liczby. Zacząłem od analizy danych. Korzystaliśmy z PostHog, narzędzia do analityki produktowej. Sprawdzałem, jakie funkcje i zachowania użytkowników korelują z przejściem z wersji bezpłatnej na płatną. Prowadziłem też wywiady z klientami i na tej podstawie robiliśmy eksperymenty.

Co odkryliście?

Cała firma była przekonana, że naszym głównym klientem są founderzy, czyli osoby zakładające startupy. UX Pilot to narzędzie, które pozwala tworzyć projekty interfejsów za pomocą języka naturalnego. Zamiast samodzielnie projektować wszystko w Figmie, można skorzystać z AI. Nasza komunikacja marketingowa koncentrowała się właśnie na founderach. Tymczasem analiza danych i wywiady pokazały, że chociaż founderzy szybko przechodzili z wersji darmowej na płatną, często potrzebowali narzędzia tylko przez miesiąc, dwa lub trzy. Najczęściej rezygnowali w drugim lub trzecim miesiącu. Utrzymanie takich klientów było więc bardzo trudne.

Zmieniliście grupę docelową?

Tak, na zespoły produktowe. Mogłoby się wydawać, że narzędzie AI do projektowania nie jest narzędziem dla designerów, ale okazało się, że to właśnie oni byli naszym największym segmentem płacących klientów, który najdłużej korzystał z płatnej wersji. Designerzy wykorzystywali AI przede wszystkim do przyspieszania pracy na etapie tworzenia pomysłów. Jeśli mieli jakiś problem do rozwiązania, mogli wygenerować dziesięć różnych kierunków, wybrać dwa, dalej pracować nad nimi w UX Pilot, a później dopracować projekt w Figmie. Dodatkowo, dzięki wywiadom z klientami odkryliśmy segment, o którym wcześniej nie wiedzieliśmy. Okazało się, że za UX Pilot płacą też agencje, bo narzędzie przyspiesza im proces sprzedaży. Wcześniej firma nie zdawała sobie sprawy, że to tak istotna grupa płacących klientów.

Co jeszcze pokazały dane?

Przeprowadziliśmy ponad 50 eksperymentów. Jednym z ciekawszych odkryć było to, że 80 proc. użytkowników, którzy decydowali się na płatną wersję, robiło to w ciągu pierwszych trzech godzin. To oznaczało, że musimy przekonać ich do zakupu już podczas pierwszego kontaktu z produktem.

Zauważyłem też, że użytkownicy, którzy korzystali z funkcji Deep Design, pozwalającej generować design’y wyższej jakości, znacznie częściej przechodzili na płatny plan. W tej grupie konwersja wynosiła 12.3 proc., podczas gdy wśród pozostałych zaledwie 1.3 proc.

Sprawdziliście, czy można wykorzystać tę wiedzę do zwiększenia sprzedaży?

Mieliśmy ponad milion użytkowników, a eksperyment przeprowadziliśmy na grupie około 120 tys. osób. Włączyliśmy Deep Design domyślnie podczas pierwszego generowania projektu i przeprowadziliśmy test A/B. Różnica była duża: konwersja z wersji darmowej na płatną wzrosła o około 45 proc.

Po różnych eksperymentach konwersja UX Pilot wzrosła z 3 do 4,5 proc. W tym czasie miesięczne przychody cykliczne wzrosły z 300 do ponad 450 tys. dolarów. To jest dla mnie przykład konkretnego wyniku biznesowego. Wolę rozliczać zespół z poprawy takiego wskaźnika niż z liczby nowych funkcji.

Czy AI może sprawić, że mniejsze zespoły zastąpią większe?

Myślę, że przede wszystkim wzrośnie produktywność zespołów. Dobrze widać to na przykładzie niemieckiej firmy Taxfix, w której kierowałem zespołem odpowiedzialnym za aktywację nowych użytkowników. Aplikacja ma ponad milion użytkowników i miała wtedy dwa produkty, a nad jednym z nich pracowało kilka zespołów produktowych. Z AI taki produkt mogłyby prowadzić mniejsze siły: jeden albo dwa zespoły zamiast pięciu.

Nie uważam jednak, że jedna osoba zastąpi product managera, designera i programistę. Raczej jeden albo dwa zespoły będą mogły obsługiwać duży produkt, nad którym wcześniej pracowało kilka zespołów. Kompetencje specjalistów nadal są ważne. Programista potrafi ocenić kod i architekturę oprogramowania, designer ma wyczucie estetyczne, tzw. design taste, a product manager łączy kompetencje techniczne z biznesowymi. Jest jednak paradoks produktywności. Wydaje nam się, że im więcej zbudujemy, tym większą wartość stworzymy.

I tu pojawia się coś, co nazwałeś „produktem Frankensteina”?

Frankenstein product to produkt, który ma tak wiele różnych funkcji, że ostatecznie nie jest dla nikogo. Ten problem istniał już przed AI, ale teraz ryzyko jest jeszcze większe. Skoro łatwiej zbudować kolejną funkcję, firmy dokładają następną, następną i kolejną.

Widać to również w produktach SaaS dla biznesu. Firmy zaczynają od mniejszych klientów, później przechodzą do dużych organizacji, a ich produkty robią się coraz bardziej rozbudowane i skomplikowane. Tak było z narzędziami do analityki produktowej, takimi jak Amplitude czy Mixpanel. W efekcie pojawiło się miejsce dla prostszych rozwiązań, takich jak PostHog czy June. Wiele startupów powstaje właśnie w ten sposób. Bierzesz dużego konkurenta i próbujesz zrobić jedną konkretną rzecz sto razy lepiej.

Czy firmy w ogóle potrafią policzyć, ile zarabiają dzięki AI?

Atlassian opublikował w tym roku raport „State of Teams 2026”, według którego 89 proc. menedżerów najwyższego szczebla deklaruje, że AI przyspieszyło ich pracę, ale tylko 6 proc. potrafi odpowiedzieć na pytanie o zwrot z inwestycji. To pokazuje problem z mierzeniem efektów.

Niedawno opublikowałem też post o firmach takich jak Duolingo, Amazon i Meta. Zaczęły mierzyć, jak często pracownicy korzystają z AI, i uwzględniać to w ocenie ich pracy. Później wszystkie trzy się wycofały z takiego podejścia. Z mojej perspektywy tworzy to złą presję. To tak, jakby rozliczać programistów z liczby funkcji, które stworzyli. Dla mnie ważniejsze jest to, jaką metrykę biznesową poprawili.

Możesz wskazać konkretny przykład firmy, która dzięki AI zwiększyła przychody?

Podczas pracy z UX Pilot rozmawiałem z klientami o tym, jak korzystają z narzędzia. Jedną z grup były wspomniane agencje tworzące oprogramowanie, które wykorzystywały je do przyspieszania procesu sprzedaży. Jedna z agencji otrzymała zapytanie od klienta, który chciał stworzyć aplikację medyczną, coś podobnego do ZnanyLekarz.

Software house przygotował wycenę, ale klient uznał, że jest za drogo. Mimo to przedstawiciel agencji zaproponował kolejne spotkanie. Przed rozmową wykorzystał UX Pilot i w ciągu dwóch godzin przygotował makiety pokazujące, jak aplikacja mogłaby wyglądać. Podczas spotkania zaprezentował klientowi gotowy projekt i sprzedał usługę za pierwotnie zaproponowaną cenę.

Takich przykładów mieliśmy więcej. Niektóre agencje podczas rozmowy z klientem automatycznie przygotowywały transkrypcję spotkania, przekazywały ją do UX Pilot i jeszcze przed końcem rozmowy miały gotowe makiety. Klient był zaskoczony, bo dopiero przed chwilą opowiadał o pomyśle, a już widział, jak aplikacja może wyglądać.

Czy korzyści finansowe z AI wynikają bardziej z oszczędności czasu czy większej sprzedaży?

Najwięcej przykładów mam z budowaniem produktów i przyspieszaniem pracy. Designer może przygotować różne koncepcje projektu w dwa dni zamiast w dwa tygodnie. Dzięki temu szybciej sprawdzi, czy pomysł ma sens.

Podobnie w mojej pracy. Dzięki AI mogłem szybciej analizować zachowania użytkowników i testować rozwiązania, które poprawiały konwersję. Zamiast przez tydzień analizować dane, mogłem zrobić to w jeden dzień i następnego dnia przetestować hipotezę. Nie zawsze łatwo przełożyć takie efekty na konkretną kwotę, ale zdecydowanie przyspieszają pracę.

Czy łatwiejszy dostęp do AI może paradoksalnie sprawić, że jeszcze więcej startupów poniesie porażkę?

Tak, dokładnie. Powstaje coraz więcej produktów, a przez to konkurencja na rynku jest większa. Na przykład, w ostatnim roku liczba aplikacji w App Store i Google Play rośnie jak kij hokejowy, a liczba ich użytkowników stoi w miejscu. Dlatego jeszcze ważniejsze jest badanie i weryfikowanie potrzeb klientów oraz znalezienie przewagi konkurencyjnej, czyli czegoś, co sprawi, że klienci wybiorą właśnie twój produkt, a nie konkurencji.

Co powinien więc sprawdzić przedsiębiorca, zanim zainwestuje pieniądze w nowy produkt?

Dla mnie najważniejsze są trzy kroki. Pierwszy to beachhead market, czyli wybranie niszy rynkowej. To określenie pochodzi z wojskowości. Kiedy wojsko chce zdobyć wyspę, nie rozdziela żołnierzy wokół całej wyspy, tylko zaczyna od jednej plaży, a później zdobywa kolejne obszary. Tak samo powinien działać startup. Możesz mieć wizję zdobycia globalnego rynku, ale potrzebujesz planu, jak osiągnąć to krok po kroku.

Drugi krok to sprawdzenie problemów i potrzeb klientów. Musisz wiedzieć, do kogo chcesz dotrzeć i za co ci ludzie będą gotowi zapłacić.

Trzeci krok to eksperymentowanie. Zawsze mówię, że każdy pomysł jest hipotezą i trzeba ją sprawdzić. Możesz przetestować twój produkt, zanim go jeszcze zbudujesz, na przykład uruchamiając reklamy prowadzące do strony produktu i sprawdzając, ile osób zapiszę się na listę oczekujących i jaka jest konwersja na każdym etapie. Możesz przygotować prezentację sprzedażową i porozmawiać z potencjalnymi klientami.

Kiedy budowaliśmy Found, platformę rekrutacyjną, w Szwajcarii, przez pierwsze pół roku korzystaliśmy z narzędzi no-code. Połączyliśmy kilka gotowych rozwiązań i to wystarczyło, żeby przetestować rynek. Dopiero później zatrudniliśmy programistę. Teraz dzięki AI można budować produkty jeszcze szybciej, ale najważniejsze pozostają te kroki, które powinny poprzedzać budowę.

Czy porażka pierwszego startupu miała wpływ na to, czym zajmujesz się dzisiaj?

Na pewno. Tak jak powiedziałem, lata temu mi nie wyszło i chciałem dowiedzieć się, jak robić to lepiej. Mam też dużą pasję do edukacji i widzę wartość w tym, że nie pracuję tylko nad jednym produktem, ale pomagam wielu firmom jednocześnie. Mentoruję też startupy w programach StartSmart CEE i StartUPolis, a w Szkole Biznesu Politechniki Warszawskiej uczę budowania produktów od zera w programie Executive MBA, bo chcę dzielić się wiedzą. Chcę, żeby więcej osób budowało po prostu bardziej wartościowe produkty.

---

Aleksander Uznański buduje produkty cyfrowe i pomaga budować je innym. Był pierwszą osobą odpowiedzialną za produkt w trzech firmach: francusko-belgijskim banku internetowym elyps, szwajcarskiej platformie rekrutacyjnej FOUND i UX Pilot, narzędziu AI do projektowania aplikacji z ponad milionem użytkowników. Kierował też zespołem w niemieckiej aplikacji do rozliczania podatków Taxfix. Od prawie sześciu lat prowadzi firmę doradczą ProductTrio i szkoli zespoły: dotąd ponad 300 startupów i 20 organizacji produktowych. Więcej o Aleksandrze Uznańskim tutaj.