Antler: Strella — как превратить качественные исследования из узкого места в масштабируемую платформу

Как основатели Лидия Хилтон и Прия Кришнан начали с MVP в духе «Волшебника из страны Оз» и построили полноценную AI-платформу для клиентских исследований.

Организации снова и снова проводят одни и те же интервью, хотя этого можно было бы избежать. Будь то UX-исследования, customer discovery, анализ рынка или звонки с экспертами — каждое исследование обходится дорого, занимает много времени и плохо масштабируется. Ограничивающий фактор здесь — время людей, а не их отсутствие любопытства. Опросы быстрее, но страдают от мошенничества и спешки респондентов. В результате решения, определяющие продуктовый roadmap, стратегии выхода на рынок и оценку новых сегментов, нередко основаны на более тонком клиентском понимании, чем большинство готово признать.

Качественные исследования всегда были наиболее ценным и наименее масштабируемым видом бизнес-аналитики. Представьте продуктового менеджера, которому нужно 50 интервью с клиентами, чтобы подтвердить решение по roadmap, или консультанта, который в рамках одного проекта по 10 раз задаёт одни и те же вопросы разным людям. Именно в таком контексте Strella — AI-модерируемая платформа для клиентских исследований — сделала ставку на голосовой AI: не для того, чтобы заменить человеческую проницательность, а чтобы убрать человека из процесса её сбора. Сегодня Strella автоматизирует исследовательские проекты для ряда компаний, включая Amazon, Duolingo и Chobani.

В рамках серии кейсов «Launching AI products that win» команда Antler поговорила с CEO и сооснователем Strella Лидией Хилтон о том, как она и Прия Кришнан построили и вывели на рынок AI-платформу для клиентских исследований, которая помогает командам работать в разы быстрее.

Путь Strella к платформе полностью автоматизированных интервью

Ситуация. Лидия Хилтон и Прия Кришнан познакомились в старшей школе и в начале карьеры наблюдали одну и ту же проблему в управленческом консалтинге, UX-исследованиях, продуктовом менеджменте и инвестициях: понимание клиента критически важно, но мучительно медленно достигается. В июле 2023 года они основали Strella и провели первый год в поиске верного направления — включая период, когда Прия сама изображала AI-модератора на звонках, чтобы собрать данные, — прежде чем в середине 2024 года выйти на основной продукт.

Проблема. Существующие инструменты не решали правильную задачу. Платформы для опросов работали быстро, но давали сомнительное качество данных. Инструменты, позиционировавшиеся как «AI-исследования», по сути представляли собой опросники с голосовой записью. Не хватало чего-то, что могло бы воспроизвести опыт квалифицированного модератора — адаптивного, диалогового, способного реагировать — в масштабе.

Решение. Strella построила платформу для AI-модерируемых интервью с полностью агентным голосовым модератором, который проводит разговоры в режиме реального времени: задаёт динамические уточняющие вопросы, одновременно обрабатывает вербальные и невербальные сигналы и поддерживает диалог до 90 минут. Платформа также автоматизирует сопутствующий исследовательский процесс: подготовку гайда, рекрутинг участников и синтез результатов в практические выводы.

Результат. Все 12 первоначальных дизайн-партнёров Strella конвертировались в платящих клиентов при запуске. Duolingo провёл тестирование видеоконцепции через Strella и закрыл за два дня проект, на который прежде уходило больше шести недель; результаты достигли уровня C-suite. За первый год монетизации компания вышла на ARR в $1,6 млн, а в октябре 2025 года Bessemer возглавил Series A на $14 млн.

Пять уроков из опыта Strella

1. Делайте ставку на траекторию технологии, а не на её текущий потолок. Strella запустилась в середине 2024 года именно потому, что голосовой AI только что преодолел качественный порог, при котором стал возможен настоящий разговор голос-к-голосу. Выбор момента входа в технологическую волну — а не просто признание проблемы — был осознанным стратегическим решением, давшим компании значимый отрыв по качеству продукта.

2. Если кажется, что уже готов к запуску — уже опоздал. Вместо внутреннего тестирования Strella использовала строгую программу дизайн-партнёров, чтобы проверить продукт в реальных условиях. Стандарт оценки был не в совершенстве продукта, а в том, захотят ли незнакомые люди из интернета тратить на него время. Когда все партнёры конвертировались в платящих клиентов — это и стал сигнал.

3. Убирайте каждый барьер для использования ещё до оптимизации выручки. Strella намеренно выбрала поместное ценообразование (per seat), чтобы устранить необходимость согласования бюджета на каждый проект внутри организации. Расчёт был таким: сделать запуск Strella-интервью безбарьерным значит ускорить распространение продукта быстрее, чем максимизация выручки с каждого проекта.

4. Устойчивое конкурентное преимущество — это специфичная для задачи интеллектуальная собственность, а не выбор модели. Strella регулярно меняет провайдеров моделей. Её долговременное преимущество — в задачах, которые она решила там, где коробочные модели не справляются: например, в создании модератора, который не перебивает участника на полуслове, что в контексте поддержки клиентов допустимо, а в исследовательском контексте разрушительно.

5. AI-интервьюеры могут извлечь столько же данных, а нередко и больше, чем человек. По опыту Strella, участники исследований ведут себя измеримо более открыто с AI, чем с человеком. Вместо потери глубины диалога платформа во многих случаях увеличивает её: разговор с AI-исследователем переходит из категории «достаточно хорошо» в категорию «объективно лучше».

«Огромное количество сценариев» как TAM Strella

Для тех, кто профессионально проводил качественные интервью, знакома трудоёмкость процесса: 1) назначить встречи, 2) проинструктировать модератора, 3) провести сессии, 4) транскрибировать записи, 5) синтезировать выводы, 6) повторить. На одном консалтинговом проекте в Bain & Company Лидия оценивает, что тратила более половины времени на механику исследования — не на формулировку выводов, а на логистику вокруг неё. «Я проводила опросы, я проводила экспертные интервью снова и снова», — вспоминает она. И это в компании, где крупнейшие мировые корпорации платили миллионы долларов в месяц именно за такую работу.

«Это наш TAM, и это огромное количество сценариев».

Проблема не ограничивалась консалтингом. Как инвестор Лидия раз за разом проводила одни и те же due diligence-звонки, задавая одни и те же вопросы разным людям по одной сделке. Прия видела ту же картину со стороны продукта и UX: непрерывный цикл согласования времени, ведения заметок и синтеза, занимавший недели, прежде чем команда могла действовать на основе узнанного. «Подумайте о том, сколько раз люди, по существу, проводят одно и то же интервью 10 раз, пять раз, сколько угодно», — говорит Лидия. «Это наш TAM, и это огромное количество сценариев».

Инструменты, существовавшие до Strella, не решали проблему — они её переформулировали. То, что называлось «AI-инструментом для исследований», было ближе к асинхронному опросу с голосовой записью: на экране появлялся вопрос, участник записывал голосовой ответ, затем переходил к следующему вопросу. Это было быстрее традиционного опросника, но не являлось интервью. Без уточняющих вопросов, без зондирования, без возможности проследовать за интересным поворотом в ответе. «Все, кто пришёл до нас, предлагают опыт прокачанного опроса», — объясняет Лидия. «Да, это лучше, чем часовой опросник с открытыми вопросами, но вы не перестаёте чувствовать, что проходите опрос».

Более глубокое следствие, которое наблюдали основатели Strella, состояло в том, что клиентские инсайты — фундамент правильных продуктовых решений, здравой стратегии и эффективного выхода на рынок — системно деприворитизировались в организациях. Не потому, что люди не верили в их ценность, а потому что инфраструктура вокруг сбора этих инсайтов не успевала за темпом, который требовался командам.

Когда голосовой AI догнал задачу

Лидия и Прия не наткнулись на Strella случайно: они провели целый год в осознанном поиске, проверяя гипотезы и ожидая нужного сочетания проблемы и технологии. Переломный момент наступил, когда голосовой AI преодолел качественный порог, открывший нечто принципиально новое. Инструменты, предшествовавшие Strella, не были плохими продуктами — они просто были ограничены технологией своего времени. К середине 2024 года это ограничение исчезло. Разговор голос-к-голосу в реальном времени с приемлемой задержкой стал технически осуществим, и Strella сделала раннюю, решительную ставку на то, что именно этот формат окажется лучшим. Они сосредоточились на качественной стороне исследований, когда большая часть рынка ещё строила вариации на тему опросника.

Правоту ставки подтвердило не только само технологическое развитие, но и то, что обнаружилось в первых экспериментах: до создания реального продукта и любого AI-модератора основатели открыли то, что стало одним из важнейших продуктовых инсайтов Strella. «Люди поразительно готовы разговаривать с AI», — говорит Лидия. Социального трения, которое могло бы сделать AI-интервью неловким или отталкивающим, попросту не возникало. Участники вовлекались, открывались и оставались в разговоре. AI-формат также снижал response bias, характерный для интервью с живым человеком: стремление понравиться интервьюеру или опасение быть осуждённым.

От сооснователя в роли AI до полноценного AI-модератора

Большинство основателей ждут, пока продукт будет готов, прежде чем проверять, нужен ли он кому-то. Strella начала до того, как построила любой AI: первым «продуктом» была Прия на звонке Zoom с выключенной камерой. Эволюция продукта прошла три фазы.

«Это было сложнее всего, что мы делали». — Лидия Хилтон о создании модератора.

Фаза 1: MVP в духе «Волшебника из страны Оз»

MVP был намеренно минималистичным: Strella рекрутировала участников и назначала сессии, которые позиционировались как ведомые AI. Когда звонок начинался, Прия присоединялась с выключенной камерой, изображая AI самым роботизированным голосом, на какой была способна. Чтобы имитировать задержки раннего голосового AI, Прия выдерживала пятисекундную паузу после каждого ответа участника. «AI тогда был плохим. Голоса были плохими», — вспоминает Лидия. Пятисекундная пауза была не ошибкой, а тестом: если участники готовы взаимодействовать с чем-то настолько медленным и роботизированным, они будут взаимодействовать и с реальным продуктом. Готовность людей разговаривать с AI стала фундаментальным сигналом, который команда получила до того, как вложила средства в реальную инфраструктуру.

Фаза 2: Программа дизайн-партнёров

Подтвердив ключевую поведенческую гипотезу, Strella перешла к программе дизайн-партнёров в середине 2024 года. Структура программы была намеренно требовательной: все 12 партнёров должны были найти в холодном LinkedIn-аутриче без тёплых рекомендаций и существующих связей. «Идею гораздо сложнее проверить, если нужно продавать продукт незнакомцу из интернета», — говорит Лидия. «Следовательно, если удаётся убедить незнакомца из интернета стать дизайн-партнёром, скорее всего, продукт обладает реальной ценностью». Партнёры встречались с командой раз в две недели, использовали ранние версии продукта и давали структурированную обратную связь. В обмен они получали скидку 50% на первые шесть месяцев после коммерческого запуска. Программа завершалась с жёстким дедлайном: конвертироваться в платящих клиентов или выйти. Все конвертировались. В начале 2025 года Strella запустилась с платёжной базой, полностью выстроенной из холодного аутрича.

Фаза 3: Архитектура AI-модератора Strella

Создание самого AI оказалось другим видом вызова — где важнейшие решения касались не выбора модели, а того, какие задачи нужно решить там, где модели не справляются. AI-модератор Strella полностью агентный: он построен на сотнях специализированных агентов, работающих параллельно и одновременно обрабатывающих голос, мимику и поведение на экране. Главное ограничение, определившее эту архитектуру: reasoning-модели были исключены, поскольку их задержки слишком велики для исследовательских разговоров. Вместо этого Strella компенсирует это широтой агентной структуры и специфичными для задачи решениями — в частности, вокруг одной из сложнейших проблем голосового AI в исследованиях: создания модератора, который не прерывает участника на полуслове. В большинстве контекстов голосового AI модель оценивает, когда говорящий завершил фразу, и отвечает выше определённого порога вероятности. В исследовательском контексте этот сценарий катастрофичен: участники нередко делают паузы для размышления, и прерывание их может уничтожить ценный инсайт.

«Убедиться, что все эти сигналы соединяются и действительно дают связный ответ — это очень сложно», — говорит Лидия. «Это было сложнее всего, что мы делали».

Поместное ценообразование Strella: убираем барьеры для роста

Ценообразование AI-продукта — это никогда не просто решение о монетизации. Для Strella выбор модели per seat вместо per interview или per project был осознанной ставкой на организационное поведение: сделай запуск исследования безбарьерным — и использование продукта в команде будет расширяться.

«Мы хотели убрать каждый барьер, который только возможен для запуска Strella-интервью», — объясняет Лидия. «Один из барьеров: если каждый раз нужно согласование бюджета, люди не будут быстро нас принимать». Поместная модель полностью обходит эту проблему: команды один раз согласуют расходы авансом и могут проводить исследования так часто, как требует работа, без возвратов к финансовому отделу.

Ценовая модель отражает и особенность структуры затрат Strella, которой могут похвастаться не все AI-компании. У многих AI-продуктов есть реальное давление на маржу со стороны inference-затрат — именно поэтому usage-based pricing часто имеет смысл для них. Ситуация Strella иная. «Наши затраты на одно интервью ничтожны по сравнению со стоимостью времени участника, который в нём участвует», — отмечает Лидия. Поскольку большинство участников исследований получают вознаграждение, и это вознаграждение существенно превышает AI-затраты Strella, компания не испытывает давления в сторону перекладывания inference-затрат на клиента. Это структурное преимущество дало гибкость в ценообразовании: приоритет — принятию продукта, а не оптимизации выручки с единицы.

В рамках поместной модели Strella использует разграничение функций по тарифам вместо лимитов использования, что отражает реальное устройство исследовательских организаций. Одни пользователи проводят исследования, другие потребляют результаты. Тарифы отражают это разделение, а не пытаются максимизировать выставленные счета. «Тарифы соответствуют типам стейкхолдеров в организации — одни отвечают за проведение исследований, другие хотят заниматься анализом», — описывает Лидия. Strella начала экспериментировать с usage-based pricing для клиентов, которые его предпочитают, и эта эволюция может ускориться по мере зрелости продукта. Но поместная основа была верным выбором для первоначального проникновения на рынок: она снизила барьеры, стимулировала использование и помогла сформировать исследовательскую привычку внутри организаций.

Как Strella выстроила воспроизводимый коммерческий процесс

Founder-led sales и близость к клиенту (середина 2024 — начало 2025). К середине 2024 года команда была намеренно небольшой: дизайнер, три инженера, один бизнес-дженералист, Лидия, управлявшая продуктом и разработкой, и Прия, отвечавшая за go-to-market. После онбординга 12 дизайн-партнёров, конвертировавшихся в платящих клиентов, Strella запустила продукт в начале 2025 года и сразу перешла к founder-led sales. Прия и первый бизнес-найм Strella Келси Янг Бреннан вели продажи напрямую примерно до середины года, оставаясь в тесном контакте с клиентами при коротком цикле обратной связи с Лидией и командой разработки.

Каждый разговор с клиентом обогащал понимание продукта, позиционирования и того, какие сценарии использования оказывались наиболее устойчивыми. Дисциплина дизайн-партнёров — сначала учиться, потом масштабировать — напрямую перешла в подход Strella к ранней коммерческой тяге.

Построение воспроизводимого процесса после Series A (осень 2025 и далее). Strella закрыла Series A осенью 2025 года при лидерстве Bessemer. С тех пор фокус сместился с продаж, ведомых основателями, к построению более традиционного sales-процесса. Go-to-market-команда выросла до 22 человек, причём большинство недавних найм приходится на GTM-сторону. Команда продукта и разработки насчитывает около 10 человек.

Масштабируясь, Strella конкурирует не только за существующие исследовательские бюджеты, но и расширяет рынок, обслуживая смежные функции. Команды, никогда прежде не выстраивавшие формальной исследовательской практики, начинают её создавать, потому что Strella достаточно снизила порог входа. Эта рыночно-созидательная динамика, обусловленная доступностью продукта, стала одним из неожиданных сигналов долгосрочного потенциала платформы.

Подтверждение через продление контрактов

Подлинный признак product-market fit — не первая продажа, а то, что происходит при продлении контракта. Для Strella этот момент наступил в начале 2026 года, примерно через год после начала монетизации. Результаты оказались показательными: более 150% net dollar retention (NDR) на первой когорте продлений — показатель, считающийся best-in-class.

Траектория роста компании подтверждает эту картину. Strella перешла от нуля к ARR в $1,6 млн за первый год монетизации — быстрее, чем любой из сравнимых игроков в категории за аналогичный период. Метрики не в полной мере отражают широту того, как клиенты фактически используют платформу: Strella разрабатывалась для структурированных исследований, однако покупатели пошли дальше — проводя с её помощью shopalong-сессии для Amazon, due diligence-звонки для M&A, сравнительные оценки конкурентных сайтов, наблюдение за работой с мобильными приложениями вживую и анализ перспектив выхода на рынок для новых локаций ресторанов.