אני רוצה לבדוק אם יש פה באמת משהו.

פחות מה הלקוח חושב על הרעיון שלכם. יותר מה באמת קורה אצלו היום. מתי הבעיה קרתה לאחרונה? מה הוא עשה? מי היה מעורב? כמה זמן זה לקח? האם ניסה לפתור את זה בעבר? כמה כסף או משאבים כבר מושקעים בבעיה?

כאן אפשר לתת לו לעבוד לא מעט. ChatGPT או Claude יכולים לבנות עבורכם Interview Guide טוב, לסמן שאלות מובילות ולהציע Follow Ups. את השיחה עצמה אתם מנהלים.

מסמך קצר שאפשר לפתוח בשיחה ולהשתמש בו. לא שאלון קשיח שצריך להספיק לעבור עליו. אם המרואיין אומר משהו מעניין, תסטו מהתוכנית ותעמיקו.

דיברנו עם לקוחות והם אהבו היא אמירה שאנחנו שומעים לא מעט. הבעיה היא שאנשים יכולים לאהוב רעיון ועדיין לא לשנות שום דבר בהתנהגות שלהם. מחמאה היא לא Validation.

לדבר יותר מדי על הפתרון. ברגע שסיפרתם ללקוח בהתלהבות איך המוצר יעבוד, כל השיחה משתנה. עכשיו הוא כבר מגיב לפתרון שלכם במקום לספר לכם על החיים שלו.

לנתח את החומר המקורי. עדיף Transcript, הקלטה מתומללת או Notes מפורטים, ולא סיכום שאתם כתבתם אחרי השיחה. NotebookLM מתאים במיוחד למקרה הזה כי אפשר לעבוד על Corpus סגור ולחזור מהתובנה למקור. אפשר גם לעבוד עם ChatGPT על קבצים.

לא Persona יפה. אלא מפת תובנות שאפשר לחזור ממנה לחומר המקורי.

הסכמה מלאכותית (Synthetic Consensus). הלקוחות אמרו דברים קצת שונים, והמודל מאחד אותם למשפט שנשמע חכם אבל לא בהכרח אומר משהו.

מה הלקוח מוציא היום על הבעיה. אם יש Budget. מאיפה הכסף מגיע. מי מאשר אותו. ומה צריך לקרות כדי לעבור משיחה חיובית לעסקה.

אם יש לכם הרבה ראיונות, NotebookLM יחד עם Google Sheets. אם הכמות עדיין קטנה, גם ChatGPT או Claude וטבלה פשוטה יעשו את העבודה.

סולם פשוט של הוכחות מסחריות. נשמע מעניין נמצא למטה. תקציב אמיתי, Proposal, LOI, Paid Pilot או חוזה נמצאים הרבה יותר גבוה.

פיילוט חינמי יכול להיות אחלה שלב בתהליך. אבל הוא לא מוכיח Pricing. השאלה שאנחנו אוהבים לשאול היא: מי בסוף מוציא את הכסף, ומאיזה תקציב?

מלמטה למעלה. כמה לקוחות מהסוג הרלוונטי באמת קיימים? כמה יחידות רלוונטיות יש בתוך כל לקוח? כמה הגיוני שכל אחד מהם ישלם? משם מתחילים.

Google Sheets או Excel כמקור האמת. ChatGPT יכול לעזור לבנות את הלוגיקה, לחפש Inputs ולעשות בדיקות סבירות.

Spreadsheet שאפשר לשנות בו הנחה אחת ולראות מה קורה. לא מספר שאף אחד כבר לא זוכר איך הגיע אליו.

TAM גדול לא עונה על השאלות שמטרידות אותנו יותר בשלב מוקדם: כמה לקוחות יש ב-ICP הראשון, איך מגיעים אליהם, מה חסמי הכניסה וכמה באמת אפשר לגבות מהם.

דיוק מדומה (Fake Precision). TAM של $1.347B נראה מאוד מחושב. אבל אם שני Inputs מרכזיים הם הערכות חלשות, הספרות הנוספות לא מוסיפות אמינות.

להיות כלי לאיתור שאלות. לא עורך הדין שלכם. אפשר להשתמש ב-Deep Research או Perplexity כדי למצוא גופים רגולטוריים, חובות אפשריות ומקורות רשמיים. אבל מסקנה משפטית או רגולטורית שיכולה לשנות את החברה צריכה לעבור אצל איש מקצוע מתאים.

מפה של דברים שצריך להבין. לא Legal Opinion.

מקור רשמי יכול להיות אמיתי לחלוטין, ועדיין להיות לא רלוונטי למקרה הספציפי שלכם. AI יכול למצוא את החוק הנכון ולפרש לא נכון אם הוא חל עליכם.

אל תניחו שהדרך שבה העסק עובד בישראל תועתק אחד לאחד לארה"ב או לאירופה. רגולציה, תהליך רכישה, דרישות אבטחה, Entity Structure ומיסוי יכולים להיות שונים משמעותית.

כי אנחנו עושים משהו אחר היא לא Differentiation. ולפעמים אין מתחרה שעושה בדיוק את מה שאתם עושים פשוט כי אין הרבה ביקוש לדבר הספציפי הזה.

Perplexity או Deep Research למחקר. Google Sheets לטבלת ההשוואה. אם אספתם הרבה Pricing Pages, Case Studies ומסמכים, NotebookLM יכול לעזור לנתח את החומר כמקשה אחת.

טבלה שעוזרת לקבל החלטה. לא Logo Wall לשקף המשקיעים.

למצוא חולשות שלא באמת קיימות. לא מצאנו באתר לא אומר אין להם. אם משהו חשוב להחלטה שלכם, תבדקו אותו יותר לעומק.

למי אתם מתאימים במיוחד. איזו בעיה חשובה אתם פותרים. מול מה הלקוח משווה אתכם. מה שונה אצלכם באופן שבאמת מעניין אותו. ומה כבר מוכיח שההבדל הזה קיים.

להיות Sparring Partner. לא להמציא לכם קטגוריה נוצצת. Claude או ChatGPT מתאימים כאן, אבל כדאי להגיע אליהם רק אחרי שיש כבר חומר מהלקוחות ומהשוק.

לא Tagline סופי. 2 או 3 כיוונים שאפשר לבדוק.

הרבה יזמים מתארים Differentiation דרך המוצר: אנחנו מהירים יותר, יש לנו AI יותר טוב, אנחנו End to End. הלקוח בדרך כלל חושב אחרת: למה שאפסיק להשתמש במה שיש לי היום?

Positioning שיכול להתאים כמעט לכל Startup. אם אפשר להחליף את שם החברה שלכם בשם של שלוש חברות אחרות והמשפט עדיין עובד, הוא כנראה עדיין כללי מדי.