پس از اخراج به دلیل هوش مصنوعی، سه کارشناس کهنه‌کار فروش با ۳۰۰ دلار و ۱۲ عامل هوش مصنوعی در ۱۰ هفته به ۳۰۰ هزار دلار ARR رسیدند

فرآیند

در تابستان سال 2025، سم براون (Sam Brown) 48 ساله شغل خود را از دست داد.

او از سال 2000 در دنیای شرکت‌های بزرگ فعالیت می‌کرد و به عنوان مدیر ارشد در استارتاپ‌های حوزه نرم‌افزار به عنوان خدمت (SaaS) بر جذب سرمایه، بازاریابی و عملیات نظارت داشت. تعدیل نیروی او بسیار ناگهانی و صریح بود. همان‌طور که او بعداً به مجله فورچون (Fortune) گفت: «من نه ماه پیش اخراج شدم، و دلیل مستقیم آن هوش مصنوعی بود.»

برای فردی در آستانه پنجاه سالگی، این وضعیت معمولاً آغاز تاریک‌ترین فصل زندگی حرفه‌ای به شمار می‌رود. اما مسیر سم چرخشی کاملاً غیرمنتظره پیدا کرد: چند ماه بعد، در کنار دو شریک که آن‌ها نیز چندان جوان نبودند، شرکتی را با سرمایه اولیه تنها 300 دلار و با تکیه بر 12 ایجنت خودکار هوش مصنوعی تأسیس کرد. بر اساس گزارش مجله فورچون در آوریل 2026، تقریباً 12 هفته پس از راه‌اندازی، این شرکت به درآمد تکرارشونده سالانه (ARR) معادل 300 هزار دلار دست یافت، حاشیه سود ناخالص بالای 90 درصد را حفظ کرد و از همان ماه نخست به سودآوری رسید.

این شرکت فادوم ای‌آی (Fathom AI) نام دارد و محصول اصلی آن فادوم پراسپکتور (Fathom Prospector) است. کاری که این نرم‌افزار انجام می‌دهد در ظاهر بسیار ساده است: به ویزیتورها و نمایندگان فروش میدانی دقیقاً می‌گوید که درِ بعدی که باید بزنند کدام است.

هوش مصنوعی بود که سم را از کار بیکار کرد، و همان هوش مصنوعی اهرمی شد که او را دوباره با اقتدار روی پاهایش نشاند.

یادداشت درباره ارقام: تمامی داده‌های مالی بر اساس اظهارات بنیان‌گذاران در مصاحبه با مجله فورچون نقل شده و توسط حسابرسان مستقل بررسی نشده است.

مرحله 1 · گره کوری که توسط یک فروشنده نخبه کشف شد

ماجرا از جوان‌ترین عضو این گروه سه نفره، یعنی بن هوتن (Ben Hooten) 39 ساله، بنیان‌گذار و مدیرعامل فادوم آغاز می‌شود.

پیشینه بن بسیار جالب‌توجه است. او 10 سال در ارتش ایالات متحده به عنوان متخصص اطلاعات رایانه‌ای خدمت کرد و هم‌زمان مدرک علوم کامپیوتر خود را گرفت. پس از پایان خدمت نظامی، وارد حوزه فروش تجهیزات پزشکی شد — و عملکردی خیره‌کننده به نمایش گذاشت: جایزه بهترین تازه‌وارد سال (Rookie of the Year) را از آن خود کرد، به عضویت «باشگاه رئیس‌جمهور» (President's Club - مخصوص برترین فروشندگان برتر شرکت) درآمد و بارها عنوان بهترین هم‌تیمی سال را کسب کرد.

اما در میان انبوه جوایز و تقدیرنامه‌ها، او متوجه یک ناکارآمدی ساختاری عمیق در این صنعت شد.

برنامه روزمره یک نماینده فروش تجهیزات پزشکی این است که با خودرو در منطقه تحت پوشش خود رانندگی کند و مطب به مطب سراغ کلینیک‌ها و پزشکان برود. این‌که به کدام مراکز سر بزنید — و کدام را در اولویت قرار دهید — تعیین‌کننده کل پورسانت ماهانه شماست. با این حال، حتی پردرآمدترین فروشندگان این حوزه نیز به شکلی کاملاً ابتدایی مشتری‌یابی می‌کردند: جستجوی دستی در گوگل، بررسی فایل‌های اکسل قدیمی، اتکا به حس ششم، یا تماس‌های سرد تصادفی و گشت‌زدن‌های بی‌هدف در مجتمع‌های پزشکی حومه شهر.

نرم‌افزارهای سنتی مدیریت ارتباط با مشتری (CRM) می‌توانستند به شما بگویند «در حال حاضر چه کسانی را می‌شناسید»، اما از پاسخ به این پرسش حیاتی کاملاً ناتوان بودند: «چه کسی در حال حاضر واقعاً آماده خرید است».

نتیجه‌گیری بن قاطع بود: هیچ نرم‌افزاری در بازار وجود نداشت که برای کسانی ساخته شده باشد که واقعاً در خط مقدم فروش می‌جنگند. شعار عملیاتی او این بود: «اگر ابزار مورد نظرت وجود ندارد، خودت آن را بساز. اگر وجود دارد اما ضعیف است، نسخه بهتری از آن بساز.»

بنابراین، او در حین انجام مأموریت‌های روزانه فروش، ابزاری متناسب با نیاز خود برنامه‌نویسی کرد.

مرحله 2 · بستن 440 هزار دلار قرارداد در یک روز

در ابتدا، این نرم‌افزار فقط یک کاربر داشت: شخص بن.

منطق فنی آن سرراست بود: استخراج داده‌های عمومی و عملیاتی تمامی مشتریان بالقوه در یک منطقه جغرافیایی، و سپس اعمال مدل‌های امتیازدهی هوش مصنوعی برای تشخیص این‌که چه کسی بالاترین احتمال خرید را دارد و اندازه معامله با او چقدر بزرگ است. نماینده فروش فقط کافی بود یک کد پستی وارد کند تا بلافاصله فهرستی اولویت‌بندی‌شده از سرنخ‌های معتبر را مشاهده نماید.

آزمون واقعی در شهر ال پاسو در ایالت تگزاس رقم خورد.

در حالی که بن همچنان به عنوان نماینده فروش سازمانی کار می‌کرد، از این ابزار برای برنامه‌ریزی و اجرای یک رویداد دمو بالینی یک‌روزه استفاده کرد. این ابزار کلینیک‌های دارای بالاترین شانس بستن قرارداد را گلچین کرد، آن‌ها را بر اساس تطابق با دستگاه امتیاز داد و پرونده اطلاعاتی جامعی از هر کلینیک آماده ساخت تا بن با اشراف کامل وارد هر جلسه شود.

نتیجه شگفت‌انگیز بود: او تنها در یک روز، 440 هزار دلار فروش قطعی ثبت کرد.

چنین موفقیتی نمی‌توانست پنهان بماند. ظرف چند هفته، شرکتی که بن در آن کار می‌کرد، این ابزار داخلی را برای کل تیم ارشد فروش خود در سراسر کشور به کار گرفت.

قانع‌کننده‌ترین مدرک برای سنجش کارآمدی یک نرم‌افزار سازمانی، اسلایدهای زیبا نیست — بلکه میزان پولی است که در میدان نبرد واقعی تولید می‌کند. پیش از آن‌که بن حتی به فروش تجاری نرم‌افزار فکر کند، بازده سرمایه‌گذاری (ROI) آن را با عملکرد فروش خودش به اثبات رسانده بود.

مرحله 3 · سه «کهنه‌کار» و سرمایه 300 دلاری

در نوامبر 2025، شرکت Fathom AI رسماً متولد شد. تیم اجرایی بنیان‌گذار از سه فرد باتجربه تشکیل شده بود:

• بن هوتن (39 ساله، مدیرعامل): هدایت فناوری و توسعه محصول، با درک مستقیم از مشکلات عینی نمایندگان فروش؛
• سم براون (48 ساله، رئیس شرکت): مدیر سابق استارتاپ‌های SaaS، مسئول توسعه کسب‌وکار، امور مالی و طراح استراتژی هوشمندانه «عدم جذب سرمایه‌گذاری خطرپذیر»؛
• دن کرامپ (Dan Crump) (56 ساله، مدیر ارشد درآمد - CRO): تفنگدار سابق ارتش با بیش از 25 سال تجربه فروش فناوری سازمانی در شرکت‌هایی چون کامپک، اچ‌پی، اسپرینت و شرکت‌های تجهیزات پزشکی؛ مسئول استراتژی‌های قیمت‌گذاری، مذاکره و قراردادهای کلان.

مجموع سن این سه نفر بیش از 140 سال بود. آن‌ها شبیه جوانان بیست و چند ساله هودی‌پوش سیلیکون‌ولی نبودند؛ بلکه تیمی از سربازان کارکشته بودند که دهه‌ها در خط مقدم فروش عرق ریخته بودند.

کل سرمایه اولیه‌ای که با هم گذاشتند تنها 300 دلار بود.

آن‌ها آگاهانه ساختار شراکت (Partnership) را برگزیدند: در این مدل، سود حاصله می‌توانست بلافاصله میان شرکا تقسیم شود، برخلاف استارتاپ‌های معمول که سال‌ها پول سرمایه‌گذاران را می‌سوزانند و برای دیدن سود چشم‌انتظار می‌مانند.

مرحله 4 · اولین مشتری: از آزمایش 6 نفره تا استفاده سراسری

پس از آماده‌سازی محصول، گام بعدی جذب نخستین مشتری سازمانی بود.

مهره کلیدی در این میان کرک گانهوس (Kirk Gunhus) بود، از کهنه‌کاران شناخته‌شده صنعت زیبایی پزشکی با دهه‌ها سابقه. او سابقه مدیریت ارشد درآمد در Venus Concept را داشت، هفت سال در Zeltiq (تولیدکننده CoolSculpting) کار کرده بود و تیم‌های فروش را در سه قاره هدایت می‌کرد.

به گزارش فورچون، کرک در ابتدا نسبت به ابزارهای فناورانه بسیار بدبین بود. نقطه عطف ماجرا در یک گفتگوی خودمانی رخ داد که در آن از ناکارآمدی و پراکندگی ابزارهای فروش صنعت زیبایی گلایه کرد. بنیان‌گذاران فادوم بلافاصله دست به کار شدند و سیستم خود را به او نشان دادند.

کرک موافقت کرد پروژه‌ای آزمایشی با حضور 6 نماینده فروش اجرا شود. او بعداً در توصیف دستاورد آن گفت: «این ابزار باعث شد آن‌ها بیش از اندازه پول دربیاورند.»

این مشتری، شرکت سازنده تجهیزات زیبایی تایگر استتیکس (Tiger Aesthetics) بود. طبق یافته‌های فورچون، شرکت تایگر استتیکس در تمام طول سال 2024 نتوانسته بود حتی یک مشتری جدید جذب کند (وب‌سایت فادوم اشاره می‌کند کمتر از 40 حساب در کل سال)؛ اما پس از استفاده از فادوم، همان تیم فروش تنها در یک فصل موفق به افتتاح 225 حساب مشتری جدید شد. همان پرسنل، همان منطقه، همان دستگاه‌ها — تنها متغیر افزوده شده فادوم بود.

دیو بکاتینی (Dave Becattini)، مدیر آموزش فروش تایگر استتیکس، در این باره گفت: «149 کلینیک در شعاع 40 مایلی با تمام مشخصات تماس، محصولات هدف، شماره تلفن، وب‌سایت، رتبه‌بندی اولویت و متن‌های پیشنهادی گفتگو. این کارها قبلاً حداقل یک هفته کامل از وقت مرا می‌گرفت؛ این بار در کمتر از 2 ساعت همه‌چیز آماده شد.»

به دنبال این آزمایش موفق، تایگر استتیکس استفاده از فادوم را به تمامی نیروهای فروش خود در سطح کشور تعمیم داد. موضع مدیریت شرکت به این جمله خلاصه شد: «هر چه نیاز دارند در اختیارشان بگذارید.»

مرحله 5 · فادوم پراسپکتور دقیقاً چه کار می‌کند

با نگاهی به زیرساخت آن، مشخص می‌شود که منطق هسته‌ای فادوم پراسپکتور بسیار شفاف و کاربردی است:

• پویش خودکار منطقه با کد پستی: سیستم تمام مشتریان بالقوه محدوده جغرافیایی از جمله کلینیک‌های زیبایی و مراکز جراحی پلاستیک را شناسایی می‌کند.
• سیستم امتیازدهی دوگانه: به هر مشتری دو امتیاز تعلق می‌گیرد — «تمایل به خرید (Readiness to Buy)» (آیا اکنون در موعد خرید هستند) و «اندازه فرصت (Opportunity Size)» (آیا ارزش زمان گذاشتن برای ویزیت حضوری را دارد).
• بیش از 200 نقطه داده‌ای: هر کلینیک در 10 شاخه اطلاعاتی ارزیابی می‌شود که شامل تحلیل زنده روندهای جستجوی بیماران محلی در گوگل نیز می‌شود.
• آموزش مدل اختصاصی برای هر مشتری: برای هر شرکت خریدار، یک مدل هوش مصنوعی اختصاصی متناسب با سبد محصولات و نمایه مشتری ایده‌آل (ICP) کالیبره و ظرف چند روز مستقر می‌شود.

در کنار پراسپکتور، آن‌ها ابزارهای مکملی نیز توسعه دادند: پرافِت (Prophet) که ثانیه‌هایی پیش از ورود به مطب خلاصه‌ای اطلاعاتی تولید می‌کند تا فروشنده دقیقاً بداند چه بگوید؛ کوچ (Coach) که محیط شبیه‌سازی هوش مصنوعی برای تمرین تکنیک‌های پاسخ به ایرادات مشتریان فراهم می‌سازد؛ و BOS که جایگزین سیستم‌های سنتی CRM با ایجنت‌های خودکار است.

عملیات داخلی فادوم نیز تماماً توسط هوش مصنوعی اداره می‌شود. طبق گزارش فورچون، این سه نفر اداره امور را به 12 ایجنت هوش مصنوعی سپرده‌اند: یکی مسئول پیگیری موفقیت مشتریان کل تیم فروش ملی است، دیگری هر دو ساعت تحرکات رقبا را رصد و گزارش تحلیلی می‌نویسد، و بات پشتیبانی به سؤالات کاربران پاسخ می‌دهد — به گونه‌ای که بسیاری متوجه نمی‌شوند در حال گفتگو با هوش مصنوعی هستند.

به همین دلیل سه نفر توانسته‌اند چنین کسب‌وکاری را اداره کنند: هزینه‌های عملیاتی کمتر از 10 درصد درآمد و حاشیه سود ناخالص بالای 90 درصد.

یک محاسبه سرانگشتی: با ARR معادل 300 هزار دلار و هزینه‌های زیر 10 درصد، حدود 270 هزار دلار سود سالانه برای تقسیم باقی می‌ماند. با ساختار شراکتی این پول هدر نمی‌رود؛ هر بنیان‌گذار سالانه حدود 90 هزار دلار عایدی دارد — و این دستاورد تنها 3 ماه پس از شروع است. برای فردی که تازه اخراج شده بود، این شرایط از هر پیشنهاد شغلی جذاب‌تر است.

مرحله 6 · رد کردن سرمایه‌گذاری خطرپذیر در خط پایان

چنین رشد پرشتابی طبیعتاً توجه سرمایه‌گذاران خطرپذیر (VC) را جلب کرد.

طبق گزارش فورچون، فادوم از یک صندوق سرمایه‌گذاری خطرپذیر برگه شرایط توافق (term sheet) رسمی دریافت کرد و تا آستانه امضای قرارداد پیش رفت. اما هر سه بنیان‌گذار در نهایت پیشنهاد را رد کردند. دلیل آن ساده بود: آن‌ها هیچ محل مصرفی برای خرج کردن آن سرمایه پیدا نکردند.

سم گفت: «ما تقریباً هیچ هزینه‌ای نداریم.» دان اضافه کرد: «ما همین امروز یک پرداخت جدید از مشتری دریافت کردیم. جریان نقدی ما کاملاً مثبت است.»

این یکی از عمیق‌ترین تحولات دوران هوش مصنوعی است. در گذشته، استارتاپ‌ها برای استخدام ده‌ها مهندس، بازاریاب و پشتیبان به پول VC وابسته بودند و تا زمان رسیدن به سوددهی میلیون‌ها دلار می‌سوزاندند. وقتی بخش عمده این کارها توسط ایجنت‌های هوش مصنوعی انجام می‌شود، سرمایه دیگر نایاب‌ترین منبع نیست؛ بلکه دانش تخصصی صنعت و ارتباط با مشتریان جایگاه اول را پیدا می‌کند.

تا سپتامبر 2026، وب‌سایت فادوم نشان می‌داد که این شرکت دارای 5 مشتری بزرگ سازمانی در 4 صنعت گوناگون است — از زیبایی به تجهیزات پزشکی، جراحی گوش و حلق و بینی و املاک و مستغلات (از جمله شعبه آمریکای غول ساخت‌وساز ژاپنی Sekisui House). این سیستم بیش از 32 هزار کلینیک را ارزیابی و 83 هزار مشتری بالقوه را رصد کرده بود و گزارشی جامع از وضعیت 48,198 کلینیک زیبایی در آمریکا منتشر کرد.

بازخوردها از صنایع جدید به همان اندازه پرشور بود. مدیر ارشد بینش در Sekisui House نوشت: «این رسماً فوق‌العاده است. بخش تحلیل روان‌شناختی آن چند تیم بازاریابی ما را پشت سر گذاشت.» معاون دیگری گفت: «سرعت شما در افزودن قابلیت‌های جدید از سرعت پاسخگویی ما به ایمیل‌ها بیشتر است.»

از زیبایی پزشکی تا ساخت‌وساز مسکن شاید فاصله زیادی به نظر برسد، اما منطق بنیادین کاملاً یکی است: هر صنعتی که به فروشندگان میدانی برای مراجعه به شرکت‌ها متکی است، باید بداند 'درِ بعدی که باید بزند کدام است'. همان معماری هوش مصنوعی با داده‌های تازه و مدلی متناسب، به سادگی در صنایع جدید قابل پیاده‌سازی است.

در زمان انتشار گزارش فورچون، هدف بنیان‌گذاران رسیدن به 5 میلیون دلار ARR تا پایان سال با 15 تا 18 مشتری سازمانی بود. هنوز داده‌های عمومی جدیدی مبنی بر میزان تحقق کامل این هدف در دسترس نیست.

تأملات

1. بهترین محصولات B2B توسط فعالان خط مقدم ساخته می‌شوند

فادوم حاصل تخیلات مهندسان پشت میز نشین نبود. این نرم‌افزار توسط فروشنده‌ای کارکشته برای حل چالش‌های عذاب‌آور کاری خودش خلق شد.

این امر دو برتری قاطع ایجاد می‌کند: شناخت دقیق گلوگاه‌های واقعی و درک این‌که مشتریان حاضرند بابت چه چیزی پول بدهند. برای علاقه‌مندان به محصولات سازمانی، تجربه عملی در یک صنعت بسیار ارزشمندتر از مهارت صرف برنامه‌نویسی است.

2. پیش از فروش نرم‌افزار، اثربخشی آن را با درآمد واقعی اثبات کنید

بن قبل از عرضه نرم‌افزار به بازار، خودش با کمک آن 440 هزار دلار فروش در یک روز ثبت کرد. این رقم از هر فایل ارائه‌ای نافذتر است.

بهترین بروشور تبلیغاتی، پولی است که خودتان با محصولتان به دست آورده‌اید. اگر ابزار شما حتی گره از کار خودتان نگشاید، هرگز نخواهید توانست دیگران را متقاعد به پرداخت پول کنید.

3. ایجنت‌های هوش مصنوعی تعریف اندازه تیم استارتاپی را دگرگون کرده‌اند

12 ایجنت هوش مصنوعی امور پشتیبانی، موفقیت مشتری و پایش رقبا را مدیریت می‌کنند و به سه نفر اجازه می‌دهند یک شبکه فروش ملی را بگردانند. هزینه‌ها به زیر 10 درصد درآمد محدود شده است.

شرکتی که در گذشته به ده‌ها نیرو نیاز داشت اکنون با سه نفر اداره می‌شود. معیار شروع کسب‌وکار از 'چقدر می‌توانید سرمایه جذب کنید' به 'چقدر می‌توانید از هوش مصنوعی بهره ببرید' تغییر یافته است.

4. تمرکز بر بازارهای عمودی و شخصی‌سازی عمیق، دژ محکم تیم‌های کوچک است

فادوم تلاشی برای ساخت ابزار عمومی جهت رقابت با غول‌هایی چون سیلزفورس یا آپولو نکرد. آن‌ها روی بازار نیچ تجهیزات زیبایی تمرکز کردند و مدل‌های اختصاصی برای هر مشتری ساختند.

نرم‌افزارهای عمومی درگیر جنگ قیمت فرسایشی می‌شوند. در بازارهای تخصصی، مشتریان مشتاقانه مبالغ بالایی برای ابزارهایی می‌پردازند که 'زبان کارشان را بفهمد' و غول‌های فناوری نیز وارد این حوزه‌های خرد نمی‌شوند. این همان بستر طلایی برای تیم‌های چابک است.

5. سن و تعدیل نیرو نقطه پایان فعالیت حرفه‌ای نیست

مجموع سن بنیان‌گذاران بیش از 140 سال بود و یکی از آن‌ها به تازگی به خاطر هوش مصنوعی کارش را از دست داده بود. از منظر سرمایه‌گذاران سنتی، آن‌ها نامحتمل‌ترین گزینه برای راه‌اندازی استارتاپ فناوری بودند.

اما آن‌ها صاحب تجربیاتی بودند که جوانان از آن بی‌بهره‌اند: دهه‌ها شناخت بازار، ارتباطات موثر و هوش تجاری. هنگامی که هوش مصنوعی مانع کدنویسی را برمی‌دارد، تجربه تجاری به باارزش‌ترین دارایی بدل می‌شود. کسانی که هوش مصنوعی جایگزینشان کرده، می‌توانند به ماهرترین کاربران آن تبدیل شوند.

اقدامات

گام 1: شناسایی بزرگ‌ترین اتلاف وقت در صنعت خود (1 هفته) سوابق کاری‌تان را بازبینی کنید: چه فعالیت روزمره‌ای بیشترین زمان را از شما و همکارانتان می‌گیرد؟ جستجوی مشتری، مرتب‌سازی اسناد، یا تدوین گزارش؟ آن را مکتوب کرده و ساعات هدررفته هفتگی را برآورد کنید.

گام 2: ابزاری اختصاصی برای حل مشکل خودتان طراحی کنید با کمک ابزارهای برنامه‌نویسی هوش مصنوعی (نظیر Cursor و Claude Code) یا پلتفرم‌های اتوماسیون (نظیر n8n و Zapier)، ابزاری ساده بسازید که منحصراً همان یک گره را باز کند. به فکر فروش نباشید؛ فقط برای استفاده شخصی خودتان بسازید.

گام 3: بازدهی را در شرایط کاری واقعی بیازمایید یک کار واقعی سازمانی را با ابزارتان انجام داده و آمار قبل و بعد را بسنجید: چقدر زمان صرفه‌جویی شد؟ چقدر درآمد بیشتر حاصل گردید؟ این آمار برترین ابزار فروش شما خواهد شد.

گام 4: از یک فرد معتبر در صنعت به عنوان معرف کمک بگیرید نتایج ملموس را به یک مدیر یا همکار ارشد و خوش‌نام در صنعت ارائه دهید و از او بخواهید شما را به اولین مشتری بالقوه شرکتی متصل کند.

گام 5: برای تسهیل تصمیم‌گیری از دوره‌های آزمایشی کوچک استفاده کنید از ابتدا به دنبال قراردادهای سراسری سازمانی نباشید. مثل فادوم عمل کنید: ابزار را در اختیار 5 تا 10 فروشنده بگذارید، ارزش آن را با شواهد اثبات کنید و سپس به سراغ قراردادهای فراگیر بروید.

گام 6: کارهای روتین را به ایجنت‌های هوش مصنوعی محول کنید رسیدگی به تیکت‌های پشتیبانی، تحلیل داده‌ها و رصد بازار را به ایجنت‌های خودکار واگذار کنید تا ساختار تیم تان سبک و هزینه‌ها در پایین‌ترین سطح حفظ شود.

گام 7: اولویت را به سودآوری بدهید و در پذیرش سرمایه وسواس به خرج دهید اگر تراز مالی شما مثبت است، صادقانه پاسخ دهید: پول سرمایه‌گذار در چه بخشی با بازده قطعی هزینه خواهد شد؟ اگر پاسخ روشنی ندارید، مستقل بمانید و کنترل کامل شرکت را حفظ کنید.

برای شما مناسب نیست اگر:

• فاقد سابقه میدانی یا ارتباطات تخصصی در صنعتی مشخص هستید و تنها در پی ساخت «ابزار عمومی هوش مصنوعی» می‌باشید؛
• تمایلی به تعاملات پیچیده فروش سازمانی (B2B) شامل مذاکرات حضوری و پیگیری‌های طولانی‌مدت ندارید؛
• به دنبال رشد آنی و انبوه کاربران خرد هستید — مشتریان سازمانی کم‌تعدادند اما نیازمند خدمات‌رسانی و بومی‌سازی دقیق هستند؛
• داده‌های عمومی کافی در صنعت هدف شما موجود نیست و هوش مصنوعی خوراک اطلاعاتی مناسبی برای تجزیه و تحلیل ندارد.