Sprig: $2.04M в месяц на ИИ-фидбеке от пользователей продукта — кейс Райана Гласгоу

Sprig — ИИ-платформа для сбора и анализа фидбека от пользователей продукта. In-product опросы, replay-сессии, автоматический ИИ-разбор ответов с темами и сентиментом. $2.04M выручки в месяц ($24M ARR), запущена в 2018 году в Сан-Франциско. Клиенты: Notion, Dropbox, Square, Robinhood, Hotwire.

Главное в кейсе — Райан Гласгоу не строил «ещё один Hotjar», а закрыл конкретную боль продакт-менеджера: понять «почему» пользователи поступают так, а не «что» они делают.

Кто такой Райан Гласгоу

Опытный продакт-менеджер. До Sprig работал в Weebly, Vurb, Extrabux — все стартапы потом купили. Из множества ролей вынес одну универсальную боль: данные показывают что делают пользователи, но не показывают почему. Эту дыру он и решил закрыть продуктом.

Какую проблему решает Sprig

Современный продакт-менеджер живёт в Amplitude/Mixpanel: видит когорты, воронки, retention. Но когда воронка падает, аналитика не отвечает на главный вопрос — почему. Раньше единственный способ узнать — отправить руками email-опросы и читать тысячи ответов вручную.

Sprig встраивает короткие in-product опросы в нужный момент пути (например, «почему вы откатились с pricing-страницы?») и через ИИ автоматически размечает темы, эмоции и инсайты. Продакт получает не вордклауд, а готовый отчёт «вот 4 главные причины оттока с pricing, вот цитаты пользователей».

Как родилась идея

В Weebly Райан годами отправлял персональные emails пользователям с вопросом «почему вы перестали пользоваться продуктом?». Каждый раз — тонна ручной работы, маленькая выборка, поздно. Когда Weebly решил сфокусироваться на e-commerce-продавцах, разрыв стал очевидным: много behavioral-данных, мало понимания мотивов.

Перед запуском Райан провёл серию интервью с продакт-менеджерами из growth-стартапов. Подтвердил: проблема общая, готовых инструментов нет, существующие решения дают только базовый word-cloud. Это и стало основанием для Sprig.

Как собрал

Райан нанял двух ключевых людей: Head of AI и full-stack-инженера. Разделил продукт на два слоя: scalable-сбор данных через SDK и серьёзный ИИ-анализ ответов. Изначально использовали open-source модель Google BERT, потом по мере публичного релиза GPT перешли на GPT-4 для классификации тем и сентимента.

MVP делали с минимальным набором фич, но с упором на глубокий ИИ-разбор. Многие операции в первых версиях делали вручную: команда сама размечала ответы, чтобы дообучить модель и понять, какие инсайты реально нужны клиентам. Это позволило быстро добраться до design-партнёров.

Стек:

Слой	Инструмент
ИИ-анализ	GPT-4, Google BERT
Инфраструктура	Google Cloud Platform
Продуктовая аналитика	Amplitude
SDK для встройки	Собственная разработка

Стартовые расходы: около $56 — Райан использовал минимальный сетап. Angel round ~$1M от friends-and-family. Всего за время существования компания подняла $58M финансирования.

Стратегия роста

Холодный outreach в YC-стартапы

Райан начал с прямых холодных писем в Y Combinator-стартапы — это сегмент, который ценит данные и готов экспериментировать с новыми инструментами. Первые платящие клиенты пришли именно через cold outreach, многие из них стали публичными кейсами Sprig.

Почему сработало: YC-стартапы — концентрированный рынок growth-ориентированных продакт-команд. Тот же email-список, отправленный «всем компаниям с сайта», принёс бы единицы конверсий. Узкий ICP в первый год — критично.

Платные пилоты с топ-клиентами

Параллельно Райан лично заходил в крупные технологические компании — Square, Robinhood, Hotwire. Не давал бесплатных триалов, а предлагал платный пилотный проект на 8-12 недель: «вот деньги за работу, мы внедряем под ваш кейс, отчёт по итогам».

Это давало двойной эффект: реальную выручку с первых сделок + ультра-плотный фидбек, на котором докручивали продукт под enterprise.

Design-партнёры

Sprig системно сделал ставку на design-партнёрства: клиенты получали возможность влиять на roadmap в обмен на глубокую вовлечённость и кейс. Это создавало клиентов-евангелистов, которые рекомендовали Sprig в своих сетях.

Warm-intros через инвесторов

Гласгоу осознанно использовал свою angel-сеть для тёплых интро в крупные компании. Это резко сокращало цикл продажи: вместо холодного звонка — рекомендация от уважаемого инвестора, доверие сразу выше.

Иттерации с AI-стеком

Команда регулярно меняла внутренние модели — от BERT к собственным дообученным, потом к GPT-4. Каждое обновление позволяло предлагать рынку новый класс инсайтов, которого не было у конкурентов с word-cloud-аналитикой.

Pricing

• Free — для стартапов и early-stage основателей
• Team — $79/мес — для растущих команд
• Enterprise — индивидуально (десятки тысяч долларов в год)

Free-план играет роль воронки: стартап вырастает, переходит на платный, потом — в enterprise. Это создаёт естественный compound-эффект: чем больше стартапов начало с Sprig в startup-фазе, тем больше enterprise-сделок через 2-3 года.

5 уроков из кейса

1. Стройте инструмент под конкретную роль, а не под рынок. «Опросы» — это горизонталь. «Понять почему юзеры действуют так, как действуют — для продакт-менеджеров» — это вертикаль с понятным ICP. Узкое позиционирование забирает категорию.
2. Платный пилот — лучший фильтр для enterprise. Бесплатные триалы в B2B-сегменте дают «туристов». Платный пилот сразу отделяет серьёзных закупщиков и окупает команду внедрения.
3. ИИ должен быть в продукте, а не на маркетинговой странице. Sprig инвестировал в реальные модели (BERT → GPT-4) с первого дня. Это даёт клиентам ощутимый отрыв от конкурентов с word-cloud-уровнем разбора.
4. Дизайн-партнёры — главный движок раннего PMF. Когда 5-10 топ-клиентов глубоко вовлечены в roadmap, продукт получает скорость итераций, которую невозможно купить за маркетинг-бюджет.
5. Warm-intros через сеть инвесторов — недооцененный канал. В B2B-сделках тёплое знакомство сокращает цикл с 3 месяцев до 3 недель. Стройте network до того, как он понадобится, и используйте его без стеснения.

Главная мысль: в B2B-продуктовой аналитике побеждает не самый мощный дашборд, а самый встроенный в реальный рабочий процесс продакт-менеджера. Sprig зарабатывает на том, что отвечает на вопрос, который сам ставит продакт — «почему мои пользователи делают это», — без необходимости вручную разбирать тысячи ответов.