Демо на их собственной работе, а не на тестовых данных

Harvey

L1

Тактика PACER-демо Winston Weinberg — самый точно задокументированный пример демо на собственной работе в этой когорте. Механика: перед каждым звонком с корпоративным литигатором Weinberg заходил в PACER — публичный репозиторий документов федеральных судов, которым обязан пользоваться каждый юрист Big Law, — и скачивал их самую свежую подачу. Затем он строил промпты, предназначенные для атаки меморандума: найти слабые места в аргументации, выявить риски по цитированию, поднять контраргументы. Он запускал эти промпты в Harvey до начала звонка. На встрече он показывал результат на экране. Описание Weinberg: «Я, по сути, скачивал последнее, что они подали в суд. А затем пытался придумать промпты вроде: “Это плохо”. И поскольку они литигаторы, а я фактически атакую то, что они только что написали, — они мгновенно начинали читать экран. Это было рискованно, потому что иногда Harvey галлюцинировал, и тогда все просто заканчивалось. Но в те разы, когда он попадал правильно, все было кончено». (Weinberg, Long Strange Trip, январь 2026.) Механизм точен: у потенциального клиента есть профессиональная и репутационная заинтересованность в документе на экране. Он не оценивает демо-среду — он смотрит, как анализируют его собственную работу. Когнитивное вовлечение мгновенное и висцеральное, потому что контент уже глубоко знаком. Прыжок воображения, которого требует демо на тестовых данных, — «представьте, что это ваш контракт», — полностью устраняется. Либо анализ верен, и тогда сделка фактически сделана, либо он неверен, и тогда встреча заканчивается. Бинарная природа результата сама по себе и есть смысл: это тестирует Harvey в условиях, которые имеют значение, а не в контролируемых демо-условиях. Weinberg применял этот подход холодно — он прямо отметил, что его собственная бывшая фирма (O'Melveny & Myers) была «клиентом 200 или вроде того», подтверждая, что тактика PACER применялась к незнакомым людям, а не к теплым отношениям. Тактика была ускорителем доверия, а не механизмом закрытия на основе отношений. Она сжимала недели оценки поставщика в одну Zoom-сессию.

Hebbia

L2

Демо-подход Hebbia был структурно идентичен подходу Harvey, адаптированному к контексту due diligence в private equity. Партнеры PE-фондов и их аналитики управляют data rooms с тысячами документов по каждой сделке. Демо Hebbia использовали документы, с которыми фонд уже работал, — собственные материалы по сделкам, финансовые данные портфельных компаний или публично доступные filings по знакомым им транзакциям, — а не универсальные примеры финансового анализа. Потенциальный клиент видел, как продукт выполняет анализ на контенте, который он уже глубоко понимает. Эффект был тем же, что и у тактики Harvey PACER, но работал на масштабе институциональной обработки документов, а не анализа отдельного меморандума. Когда PE-партнер видит, как его собственная инвестиционная гипотеза по сделке сопоставляется с реальным набором документов в реальном времени, это качественно другая оценка, чем когда партнер смотрит демо на вымышленных данных компании. Вопрос смещается с «сработает ли это на наших документах?» на «как нам развернуть это на нашей следующей сделке?». Формулировка George Sivulka о финансах как покупателе: «Финансы — самый медленно движущийся, самый летаргический Левиафан... если только вы не даете непропорционально большую альфу или реальную ценность; в этом случае, как только появляется что-то настоящее, финансы движутся быстрее любой другой отрасли». (Sivulka, 20VC, январь 2025.) Демо на реальных документах было механизмом доказательства того, что ценность реальна. Кризис SVB в марте 2023 года создал самую сжатую версию этой динамики в масштабе. Когда Silicon Valley Bank рухнул, Hebbia помогла PE-клиентам за часы картировать банковскую экспозицию всего их портфеля по тысячам документов. Это было не демо — это был продукт, работающий над самой срочной реальной аналитической проблемой, с которой эти клиенты когда-либо сталкивались. Последовавшее сарафанное радио внутри плотно связанного PE-сообщества обеспечило рост ARR с $900K до $10M в календарном 2023 году. Принцип «демо на собственной работе», когда он применяется в живом кризисе, становится неотличимым от референса. Методология Hebbia «сначала цитировать, потом генерировать» — вывод дословных исходных документов и конкретных доказательств до синтеза — является прямым ответом на требования доверия при показе потенциальным клиентам их собственных данных. Партнер фонда, оценивающий Hebbia на собственных документах по сделке, должен иметь возможность проследить каждое утверждение в выводе до конкретного фрагмента в конкретном документе. Методология делает демо аудируемым, а это единственный вид демо, который работает в сообществе, где профессиональная ответственность является критерием покупки.

Listen Labs

L2

Демо-подход Listen Labs использует структурное свойство их продукта: платформа анализирует качественные исследовательские данные, а у предприятий всегда лежат прошлые исследовательские данные в агентских отчетах, файлах опросов и post-mortem кампаний. Показать потенциальному клиенту его собственные данные маркетинговой эффективности, проанализированные в UI платформы, поэтому не является техническим подвигом — это демонстрация продукта, которая просто использует самый убедительный возможный набор данных: контент, который потенциальный клиент узнает, решения, которые он помнит, выводы, которые он может проверить по собственной памяти. Alfred Wahlforss описал динамику конверсии практическими словами: как только директор по маркетинговым инсайтам видит, как его собственное недавнее исследование кампании поднимается и сопоставляется за минуты — работа, которая раньше требовала 6–12-недельного агентского engagement, — вопрос уже не «работает ли это?», а «какие агентские контракты мы можем отменить первыми?». Romani Patel из Microsoft описала реальность до продукта: «Чтобы добраться до инсайтов, требуется 4–6 недель. К тому времени, когда мы до них добираемся, решение либо уже принято, либо мы упускаем возможность». (Кейс Microsoft, Listen Labs.) Демо на собственных данных потенциального клиента делает эту 6-недельную задержку висцерально видимой, потому что потенциальный клиент узнает данные и точно знает, сколько времени на самом деле потребовалось, чтобы их получить. Методология «сначала цитировать, потом генерировать», которую Alfred Wahlforss сформулировал в Greenbook Podcast (сентябрь 2024), напрямую применима к принципу демо на собственной работе. Listen Labs выводит дословные цитаты клиентов и grounding evidence до генерации синтеза или рекомендаций. Когда входом являются собственные данные потенциального клиента, эта методология создает демо, где каждый сгенерированный ИИ инсайт немедленно прослеживается до того, что потенциальный клиент сказал, написал или заказал. Эпистемологическое требование профессиональных исследователей — «как я узнаю, что этот вывод реален?» — получает ответ внутри самого демо, с использованием доказательств, которые потенциальный клиент может проверить по памяти. Скорость демо сама является механизмом конверсии. Кейс Listen Labs для Microsoft задокументировал проект customer story к 50-летию, который сократился с 6–8 недель до одного дня при одной трети традиционной стоимости. Этот коэффициент сжатия, показанный вживую на собственных данных потенциального клиента, схлопывает прыжок воображения, которого требуют универсальные демо. Потенциальный клиент не представляет, что продукт сделал бы с его данными; он наблюдает, как продукт это делает быстрее, чем он считал возможным.

Gong

L2

Механика демо на собственной работе у Gong была встроена в дизайн продукта, а не только в sales motion. Продукт записывал продажные звонки и анализировал их. Чтобы продемонстрировать это руководителю продаж, требовалось только одно: воспроизвести запись звонков его собственной команды и показать анализ в реальном времени. Никаких тестовых данных. Никакого вымышленного менеджера с вымышленным возражением. Руководитель продаж слышал своих собственных людей, узнавал конкретную динамику и наблюдал, как продукт поднимает паттерны, которые раньше он только интуитивно чувствовал. Эффект на опыт демо был структурным. Руководители продаж, оценивающие Gong, не сравнивали функции записи и транскрибации звонков в таблице спецификаций — они смотрели, как их собственных менеджеров коучит продукт, который только что обработал разговоры из их собственной организации. Вопрос «работает ли это?» получал ответ в первые десять минут демо через контент, который руководитель продаж знал как реальный. Сигнал PMF от Eilon Reshef из альфа-когорты — «9 из 10 жалоб были: почему вы вообще не записали этот звонок?» — отражает ту же динамику: после демонстрации продукта на реальных звонках пользователи злились, когда его не было, а не сомневались, работает ли он. Расширение этого принципа Chris Orlob на Gong Labs было столь же намеренным. Первый вирусный материал — анализ 25,537 продажных звонков из 17 анонимных клиентских организаций — сработал потому, что это был анализ реальных продажных разговоров, а не гипотетические модели поведения в продажах. Руководители продаж никогда раньше не видели данных, подтверждающих, что на самом деле работает в продажах, кроме исследований 1980-х годов. Формулировка Orlob: «Руководители продаж никогда не видели никаких данных, подтверждающих, что на самом деле работает в продажах». Контент конвертировал, потому что отражал паттерны из реальных звонков, которые руководители продаж узнавали из собственного опыта. Product-led демо также было механизмом квалификации. Gong требовал от потенциальных клиентов приносить небольшое количество реальных записей звонков на evaluation-сессии. Потенциальные клиенты, которые не позволяли анализировать свои звонки, не были ICP. Те, кто соглашался, а затем наблюдал, как анализ поднимает узнаваемые паттерны, конвертировались с высокой вероятностью, потому что продукт уже доказал себя на данных, которым они доверяли.

Abridge

L3

Механизм демо на собственной работе у Abridge встроен в архитектуру продукта. Ambient AI-документирование работает, слушая реальный прием пациента врачом и генерируя черновик заметки. Для этого use case не существует эквивалента на тестовых данных — демонстрация продукта по сути требует записи реальной речи. Когда Shiv Rao или команда внедрения системы здравоохранения демонстрировали Abridge группе врачей, демо состояло в том, что клиницист вслух проговаривал реалистичный клинический сценарий, своим собственным клиническим словарем, используя свои собственные привычки документирования, и наблюдал, как система генерирует черновик заметки в реальном времени. Эта структура устраняет friction оценки, присутствующий в любом другом корпоративном ИИ-демо. Врачу, оценивающему Abridge, не нужно проецировать свой рабочий процесс на вымышленные данные — он смотрит, как его собственные слова становятся структурированной документацией. Немедленная обратная связь: эта заметка отражает то, что я действительно сказал? Клинические термины отображаются правильно? Структура SOAP подходит для моей специальности? На эти вопросы врач может ответить мгновенно, потому что он сам сгенерировал входные данные. Описание Shiv Rao идеального состояния продукта как «хорошего кондиционера — когда он настроен правильно, вы его не замечаете. Вам просто комфортно. Вы просто находитесь в моменте и сосредоточены на других вещах» — это описание того, каким должно ощущаться демо: технология становится невидимой, а внимание врача остается на части приема, обращенной к пациенту. Структура пилота, которую использует Abridge, — 1–3 месяца, 15–160 клиницистов, измеряемые outcomes — является крупномасштабной версией того же принципа. Это не контролируемый эксперимент на синтетических данных. Это развертывание в реальном рабочем процессе клинической документации реальных врачей в реальной системе здравоохранения, измеряющее реальные outcomes (экономия времени на прием, сокращение документации после рабочих часов, оценки качества заметок), которые собственные клинические руководители системы здравоохранения могут проверить. CDO Sutter Health Laura Wilt описала внедрение: старт в середине марта и go-live в середине апреля, 100+ клиницистов по всем специальностям и рынкам — три недели от старта до production в реальной клинической среде. Такой таймлайн был возможен, потому что продукт оценивался ровно на той работе, для которой он был создан. Эмоциональное доказательство, которое генерирует Abridge, — сообщения врачей о том, что они ужинают со своими семьями, «любовные письма» своим CMIO, отмена решений об увольнении — исходит из реальных клинических приемов, а не из контролируемой демо-среды. Alastair Erskine из Emory сообщил, что получил любовные письма от 500 врачей. Эта доказательная база — данные реальной работы, созданные в масштабе, и это самая сильная возможная версия демо на собственной работе: собственный ежедневный опыт клиента становится доказательством.