Afforai: $58K в месяц на ИИ-ассистенте для научных исследований — кейс Алека Нгуена

Afforai — ИИ-reference-manager: загружаешь научные статьи, ИИ помогает с литературным обзором, цитированием, поиском по корпусу. $58.3K выручки в месяц ($700K в год), 2 основателя, команда 5 человек, прибыльно. Запущен в 2023 году.

Главное в кейсе — Алек и Хунг запустили MVP в своём университете и за день получили 500 платящих пользователей (около половины всех студентов школы). Это редкий пример идеальной локальной валидации.

Кто такой Алек Нгуен

Алек — выпускник Lawrence University (бакалавр по Economics + Data + Computer Science). Со-основатель Хунг Нгуен — однокурсник. Оба сталкивались с одной болью студента: горы научных статей, которые нужно прочитать, понять и процитировать для каждого литературного обзора.

Какую проблему решает Afforai

Студент, аспирант или научный сотрудник пишет работу. Нужно:

• Прочитать 30-100 статей по теме
• Выделить ключевые тезисы
• Связать между собой авторов и идеи
• Корректно процитировать в нужном стиле

Существующие инструменты: Zotero, Mendeley, EndNote. Они хранят PDF и форматируют ссылки, но не помогают читать и понимать.

Afforai добавляет ИИ-слой: задаёшь вопрос корпусу статей → ИИ ищет релевантные пассажи → даёт ответ с цитатами. Это превращает «3 недели на литобзор» в «3 дня».

Как родилась идея

Алек и Хунг тонули в академических работах. Изначально они сделали другой продукт — ИИ-помощник для программирования (аналог GPT-3 для кода) — для университетского pitch-конкурса.

Конкурс проиграли. Но в процессе разработки поняли, что их собственная боль — не код, а литобзоры. После конкурса пивотнули на reference-manager.

«Пивот по итогам провала» — стандартный путь стартапов. Главное — не закрыть проект, а посмотреть, что осталось ценного в команде и технологии.

Как собрал

45 дней на MVP, февраль-март 2023:

1. Команда взяла MERN-стек (MongoDB + Express + React + Node.js) — то, что знали
2. Подключили Azure OpenAI для обработки PDF и извлечения смысла
3. Добавили multi-mode AI-assistant: один режим для цитирования, другой для краткого обзора, третий для ответов на вопросы
4. Запустили в своём университете — 500 студентов (около половины школы) попробовали в первые дни

Стек:

Слой	Инструмент
Frontend	React
Backend	Node.js + Express
DB	MongoDB
ИИ	Azure OpenAI

Стартовые расходы: $10K от pitch-конкурса (несмотря на проигрыш — им дали утешительный приз) + $100K посевных от Sputnik ATX.

Стратегия роста

Product Hunt #4 of the day

Запуск на Product Hunt дал 4-е место дня. Команда сидела в чате 48 часов подряд, отвечала на каждый комментарий — это критично для алгоритма платформы.

Почему работает: Product Hunt подсвечивает активные продукты. Команда, которая отвечает в реальном времени, получает больше показов. Это игра внимания, не только маркетинга.

AppSumo partnership

После Product Hunt — партнёрство с AppSumo. Продукт попал в выборку «лучшие новые ИИ-инструменты». AppSumo даёт доступ к огромной базе deal-hunters: ИИ-категория = горячая тема. Это принесло основной импульс для роста с $0 до $10K+ MRR.

Word-of-mouth в академической среде

Особенность Afforai — академическая аудитория очень сетевая: студенты делятся инструментами в group-chats, лабах, conference-курилках. Один профессор → 30 аспирантов попробуют. Это embedded distribution в свой сегмент.

Команда форсировала это affiliate-программой: пользователи получают бонус за рекомендации. Это превращает органический word-of-mouth в трекаемый канал.

Freemium как воронка

Базовые функции бесплатные. Платная подписка от $3/мес — мизерная цена для студента. Это сознательно низкая ставка, чтобы конверсия из free → paid была максимальной. ICP — студенты, у них нет $50/мес на инструменты.

Стратегия работает, потому что массовый объём низких чеков даёт ту же выручку, что и небольшое число высоких. $58K/мес = ~20 000 платящих по $3.

Pricing

• Free — базовый поиск, ограниченные запросы к ИИ
• Платные планы от $3/мес — расширенные ИИ-возможности, неограниченные запросы
• Premium тарифы — для научных команд и корпоративных клиентов

5 уроков из кейса

1. Локальная валидация бьёт абстрактные интервью. Запуск в собственном университете дал 500 реальных пользователей за день — это не «опросили друзей», это live-test. Любой студенческий продукт можно валидировать в своём вузе/колледже. Школьный продукт — в своей школе. Это самая быстрая проверка PMF.
2. Pitch-конкурс — это deal-flow, не приз. Алек и Хунг проиграли конкурс, но получили $10K утешительного приза и контакт с инвестором Sputnik ATX, который потом дал $100K посевных. Цель участия — не «выиграть», а попасть в комнату с инвесторами и менторами.
3. Низкий ценник в массовой нише = выручка через объём. $3/мес кажется мизерным. Но для аудитории в миллионы студентов мира конверсия даже в 0.1% даёт тысячи платящих. Это «Spotify-стратегия» для micro-SaaS: ниже барьер → больше клиентов → больше CLV в сумме.
4. Multi-mode AI-assistant решает «one tool, many jobs». Не «один инструмент для одного действия», а «один инструмент с разными режимами для разных задач». Это снижает switching cost для пользователя и привязывает к продукту через breadth of use, не depth.
5. Активность в комментариях на Product Hunt = алгоритмическое продвижение. 48 часов команды в чате значат больше, чем 1000 рекламных долларов. Платформенные алгоритмы любят активность — без неё запуск просто не виден.

Главная мысль: в академической нише выигрывает тот, кто запустится в своём университете. Алек и Хунг знали ICP не на бумаге, а в реальности — потому что были ICP сами. Это даёт нерушимое преимущество: каждое решение в продукте — это их собственная боль, а не догадка маркетолога. Любой студенческий стартап, который не запускался в своей школе, теряет это преимущество.