Rozwój EdTech w Startup House: co zbudowaliśmy i jaki to miało wpływ
Kluczowe fakty w skrócie
- Flagowa realizacja w EdTech: Graspify, platforma microlearningowa dla edukacji korporacyjnej, doprowadzona od koncepcji przez MVP do wersji 2.0, z planowaną 2.1, wdrożona w norweskich korporacjach
- Dowód skalowalności: w sierpniu 2022 klient Graspify wykorzystał platformę do przeszkolenia setek pracowników podczas wydarzenia firmowego
- Praktyka discovery-first: LITTLEWINE, B2B platforma edukacji winiarskiej, zdefiniowana poprzez 10 wywiadów z użytkownikami w 2 tygodnie z winiarzami, kupcami, sommelierami i konsumentami
- Narzędzia AI do nauki: KnowHub i InProduct AI mogą ruszyć w zaledwie 2 tygodnie po przygotowaniu treści
- Model realizacji: budowa etapami z odrębnymi budżetami na każdy etap i realnymi testami z użytkownikami przed każdą kolejną fazą
Dlaczego produkty EdTech zawodzą i co robimy inaczej
Platformy EdTech częściej zawodzą z powodów związanych z UX niż technicznych. Uczący się rezygnują, gdy interfejs nie odpowiada temu, jak ludzie faktycznie się uczą. Treści nie skalują się. Onboarding trwa zbyt długo. ROI pozostaje niewidoczne dla osób płacących za platformę.
Naszą odpowiedzią jest dyscyplina procesu: najpierw definiujemy rezultat, budujemy etapami z oddzielnymi budżetami na fazy i testujemy z prawdziwymi uczącymi się przed każdym kolejnym krokiem. Oto jak przełożyło się to na projekty poniżej.
Graspify: od odważnej idei do żywego szkolenia korporacyjnego
Klient: Graspify, norweski startup, który chce zmienić edukację pracowników w firmach dzięki platformie microlearningowej łączącej naukę z opartym na badaniach procesem uczenia. Współpraca od stycznia 2021.
Wyzwanie: Przekuć śmiałą wizję w działający produkt i znaleźć właściwą formę dla „Grasps” — krótkich mini‑kursów z 5–6 slajdami, będących sercem platformy. Jak długi ma być jeden? Jak złożony? Jak prosty? Ten balans był kluczowym problemem projektowym i nie dało się go rozstrzygnąć opinią.
Jak pracowaliśmy: Podzieliliśmy projekt na mniejsze kroki, każdy z własnym budżetem i rundą testów z użytkownikami — zarówno 1‑na‑1, jak i w przyjaznych grupach. W styczniu 2021 zakończyliśmy Product Discovery i wizję Graspify 1.0. Potem powstało MVP (wersje 1.0 i 1.1), następnie rozszerzona wersja 2.0, a wersję 2.1 zaplanowaliśmy na podstawie danych z rzeczywistego użycia.
Co się zmieniło:
- Graspify zostało wdrożone w kilku norweskich korporacjach.
- W sierpniu 2022 klient Graspify użył MVP 2.0 do przeszkolenia setek pracowników podczas wydarzenia firmowego.
- Wydarzenia wygenerowały istotne dane do analizy, które bezpośrednio zasiliły plan wersji 2.1.
Platforma pozwala firmom tworzyć własne treści, zapraszać pracowników, zarządzać dostępem, śledzić postępy i rekomendować kursy. Model etapowy sprawił, że Graspify nigdy nie przeznaczało pełnego budżetu na niezweryfikowane założenia.
LITTLEWINE: definiowanie platformy wiedzy z jej przyszłymi użytkownikami
Klient: LITTLEWINE, brytyjski B2B SaaS, który demokratyzuje edukację winiarską i wymianę wiedzy między profesjonalistami a winiarzami. Współpraca od listopada 2021.
Wyzwanie: Udostępnić wiedzę o winie bezpośrednio od winiarzy, bez pośredników rozmywających autentyczność, oraz zweryfikować kierunek B2B przed rozpoczęciem developmentu.
Jak pracowaliśmy: Cykl warsztatów obejmujący analizę konkurencji, potrzeb klientów i potencjalnych strumieni przychodów, a następnie prototypowanie wireframe’ów oparte na wiedzy o użytkownikach i badaniach rynku. Kluczowy ruch: 10 wywiadów z użytkownikami w 2 grupach (winiarze, kupcy, sommelierzy, konsumenci) przeprowadzonych w ciągu 2 tygodni.
Co się zmieniło: LITTLEWINE otrzymało pełną definicję zakresu produktu B2B i estymacje MVP w kilku wariantach, przygotowane do prezentacji dla wczesnych inwestorów. Funkcje obejmowały dedykowane konta winiarzy z dodawaniem treści, spersonalizowane kolekcje, bazę regionów i odmian winorośli oraz zaawansowane wyszukiwanie.
Tak wygląda discovery w EdTech, gdy odbiorcy są niszowi: rozmawiasz z realnymi profesjonalistami — szybko, zanim ktokolwiek napisze kod produkcyjny.
AI w EdTech: narzędzia nauki, które odpowiadają wyłącznie z Twoich treści
W platformach edukacyjnych błędna odpowiedź to nie bug. Podważa efekty nauki i może tworzyć ryzyko odpowiedzialności prawnej. Dlatego wszystkie trzy nasze produkty AI dla EdTech działają w modelu zweryfikowanych odpowiedzi: AI odpowiada wyłącznie na podstawie zatwierdzonych treści, nie generuje odpowiedzi z publicznych danych treningowych i cytuje każdą odpowiedź, wskazując dokument źródłowy.
- KnowHub zamienia Twoją bazę wiedzy w asystenta nauki 24/7, odpowiadającego w dowolnym języku i na każdym urządzeniu.
- InProduct AI czyta Twój codebase, pisze własną dokumentację i prowadzi użytkowników przez Twoją platformę i kursy.
- SmartSearch rozumie, czego szuka uczący się, a nie tylko wpisane słowa, i potwierdza każdy wynik dowodem.
- Dla istniejących platform budujemy także konwersacyjną warstwę AI na starszych (legacy) systemach LMS, aby użytkownicy mieli dostęp do danych w języku naturalnym bez przepisywania systemu.
KnowHub i InProduct AI można wdrożyć w zaledwie 2 tygodnie po przygotowaniu treści lub codebase’u. Customowe budowy platform podążają modelem etapowym — zwykle 4–12 tygodni do pierwszej użytecznej wersji, w zależności od zakresu.
Co dajemy poza AI
Kompleksowa realizacja EdTech obejmuje wszystko, czego potrzebuje produkt edukacyjny:
- Projektowanie UX i learning experience: ścieżki onboardingu, struktury kursów, śledzenie postępów budujące nawyk oraz UX ocen, testowane z użytkownikami na każdym etapie.
- Analityka i learning intelligence: pulpity pokazujące, które treści działają, gdzie uczący się rezygnują i co przewiduje ukończenie, zanim użytkownik zrezygnuje.
- Infrastruktura chmurowa: na GCP, AWS lub Azure, odporna na skoki ruchu, równoległe sesje i użytkowników na całym świecie, z CI/CD i wsparciem 24/7.
- Integracje platformy: SSO, HRIS, CRM, dostawcy płatności i biblioteki treści, aby platforma wpasowała się w dowolny korporacyjny stack.
Zarządzanie danymi obejmuje to wszystko: dane uczących się nigdy nie są używane do trenowania współdzielonych ani publicznych modeli AI — zgodnie z praktykami zgodnymi z ISO 27001, które stosujemy dla klientów enterprise, takich jak Siemens Healthineers.
Co to zmieniło — w jednym akapicie
Dla Graspify etapowa realizacja zamieniła śmiałą wizję w produkt prowadzący żywe szkolenia korporacyjne i generujący własne dane do doskonalenia. Dla LITTLEWINE dwa tygodnie uporządkowanych wywiadów przełożyły szeroką ideę na zakres gotowy do prezentacji inwestorom. Wspólny mianownik: w EdTech dowody o uczących się są lepsze niż założenia o uczących się — na każdym etapie budowy.
O Startup House
Startup House to 50‑osobowa firma software’owa z siedzibą w Warszawie, założona w 2016 roku, z ponad 100 produktami dostarczonymi klientom na 5 kontynentach. Pracujemy zarówno z wczesnofazowymi startupami EdTech, jak i dojrzałymi platformami edukacyjnymi — od discovery, przez MVP, po długoterminową iterację.
Budujesz produkt EdTech? Umów 30‑min rozmowę.
FAQ
Jakie produkty EdTech zbudowało Startup House?
Startup House zbudowało Graspify, korporacyjną platformę microlearningową wdrożoną w norweskich korporacjach i używaną do przeszkolenia setek pracowników podczas wydarzenia firmowego, oraz zdefiniowało LITTLEWINE, B2B platformę edukacji winiarskiej, poprzez uporządkowane discovery z 10 wywiadami w 2 tygodnie. Wdrażamy też narzędzia AI do nauki (KnowHub, InProduct AI, SmartSearch) dla istniejących platform.
Czy Startup House pracuje z wczesnofazowymi startupami EdTech?
Tak. Graspify zaczynało jako koncepcja bez produktu — dostarczyliśmy discovery, design, MVP i wersję 2.0. Pracujemy również z dojrzałymi platformami, które dodają możliwości AI lub skalują infrastrukturę.
Ile trwa zbudowanie platformy EdTech?
Narzędzia AI do nauki, takie jak KnowHub i InProduct AI, mogą ruszyć w zaledwie 2 tygodnie po przygotowaniu treści. Customowe budowy podążają modelem etapowym — zwykle 4–12 tygodni do pierwszej użytecznej wersji, w zależności od zakresu, z testami użytkowników wbudowanymi w każdą fazę.
Jak Startup House zapewnia, że AI udziela trafnych odpowiedzi w kontekście edukacyjnym?
Wszystkie nasze produkty AI dla EdTech działają w modelu zweryfikowanych odpowiedzi: AI odpowiada wyłącznie z zatwierdzonych treści, nie korzysta z publicznych danych treningowych i cytuje każdą odpowiedź, wskazując konkretny dokument źródłowy.
Czy dane uczących się są używane do trenowania modeli AI?
Nigdy. Dane uczących się pozostają w środowisku klienta i nie są używane do trenowania współdzielonych ani publicznych modeli AI — zgodnie z ładem danych zgodnym z ISO 27001.
Jak powstał ten artykuł. Szkic powstał z pomocą AI, następnie został zweryfikowany i zredagowany przez nasz zespół. Odpowiedzialność redakcyjna: Startup Development House sp. z o.o. Przeczytaj naszą politykę treści AI
Digital Transformation Strategy for Siemens Finance
Cloud-based platform for Siemens Financial Services in Poland
Może Ci się również spodobać...
Rozwiązania w zakresie tworzenia aplikacji
Rozwiązania do tworzenia aplikacji obejmują cały proces — od strategicznego discovery po ciągłe skalowanie — a na każdym etapie czyhają inne pułapki. Ten przewodnik definiuje, co obejmują nowoczesne rozwiązania, wyjaśnia, dlaczego discovery zasługuje na realną inwestycję, i pokazuje, gdzie rozwiązania szyte na miarę wygrywają z gotowymi szablonami. Omawia realizację sprintów w Agile, wymagania specyficzne dla branż oraz modele współpracy dopasowane do różnych etapów wzrostu. Bezpieczeństwo, compliance i kompromisy dotyczące time-to-market są traktowane jako kwestie inżynierskie, a nie jako coś, o czym myśli się na końcu.
Alexander Stasiak
22 sie 2026・8 min czytania
Od discovery do utrzymania: jak Startup House prowadzi projekt krok po kroku
Każdy projekt w Startup House przebiega według tej samej ścieżki, a każdy etap kończy się konkretnym rezultatem — możesz więc zacząć dokładnie tam, gdzie dziś jest Twój produkt. W tym artykule przeprowadzimy Cię przez cały proces krok po kroku: Product Discovery (4-8 tygodni), Scope Building (2-5 tygodni), development z MVP, które może dotrzeć do pierwszego użytkownika nawet w tydzień, Quality Engineering od pierwszego sprintu oraz długoterminowe utrzymanie. Przy każdym kroku zobaczysz, na czym polega dany etap i co otrzymasz na końcu. Pokażemy też, gdzie AI przyspiesza pracę i jak nad tą pracą utrzymujemy przejrzysty ład zarządczy.
Marek Pałys
26 wrz 2026・5 min czytania
Agenty AI dla predykcyjnego utrzymania ruchu i niezawodności urządzeń
Jak agenci autonomiczni analizują dane wibracyjne, termiczne i akustyczne, by z kilkutygodniowym wyprzedzeniem przewidywać awarie — i podejmować działania bez udziału człowieka.
Alexander Stasiak
29 sie 2026・9 min czytania
Alternatywy dla Alpine.js
Szukasz alternatyw dla Alpine.js? Sprawdź Vue.js, React, Angular i Ember.js do tworzenia interaktywnych, dynamicznych aplikacji webowych.
Marek Majdak
24 paź 2023・3 min czytania
Usługi tworzenia oprogramowania na zamówienie
Gotowe, pudełkowe oprogramowanie prędzej czy później przestaje odpowiadać potrzebom rozwijających się firm. Tworzenie oprogramowania na zamówienie dostarcza dedykowane systemy skrojone na miarę Twoich procesów, integracji i długoterminowych celów.
Alexander Stasiak
30 sty 2026・11 min czytania
Alternatywy dla Kubernetes
Szukasz alternatyw dla Kubernetes? Poznaj Docker Swarm, Apache Mesos, Amazon ECS i HashiCorp Nomad — narzędzia do orkiestracji kontenerów.
Marek Majdak
20 mar 2023・3 min czytania
Ostatnio dodane
Jak Startup House skrócił czas składania wniosków leasingowych do 2 minut dla Siemens Financial Services
Kiedyś leasing oznaczał papierologię, ręczne sprawdzanie zdolności kredytowej i decyzje wydawane wyłącznie w godzinach pracy. Dla Siemens Financial Services Poland Startup House zastąpił to rozwiązaniem SimplyLease Online: aplikacją, w której klient wypełnia wniosek w ok. 2 minuty, a zautomatyzowana decyzja kredytowa pojawia się po ok. 7 minutach, o każdej porze. To case study pokazuje, jak platforma została zbudowana zgodnie ze standardami bezpieczeństwa Siemens Group, jak łączy się z systemami Siemens i zewnętrznymi dostawcami danych oraz co przyniosła współpraca trwająca od 2016 roku. Na koniec – trzy wnioski, które można odnieść do niemal każdego produktu finansowania lub kredytowego.
Alexander Stasiak
06 paź 2026・5 min czytania
Jak platforma cyberbezpieczeństwa dla klientów Fortune 500 skróciła onboarding o 95% dzięki agentowi AI od Startup House
Platforma do oceny ryzyka cybernetycznego, której ufa wiele firm z listy Fortune 500, miała dobrze znany problem: klienci ją cenili, ale zaglądali do niej raz na kwartał, a onboarding wymagał 45 minut konfiguracji z przewodnikiem. Startup House stworzyło Aria, agenta AI osadzonego w produkcie, z czterowarstwowym interfejsem, który w jednym panelu obsługuje członków zarządu, CFO i CISO. Czas onboardingu skrócił się o 95% — do poniżej 2 minut, eksploracja danych stała się w pełni samoobsługowa, a platforma stała się codziennym narzędziem wspierającym decyzje. To case study wyjaśnia interfejs, architekturę izolacji tenantów oraz dlaczego nie wymagało to ingerencji w core codebase platformy.
Marek Pałys
05 paź 2026・5 min czytania
AI i projekty cyfrowe Startup House: 5 wymiernych wyników w liczbach
W tworzeniu oprogramowania łatwo o górnolotne deklaracje, dlatego ten artykuł opiera się na liczbach. Przechodzimy przez pięć efektów z projektów dla klientów Startup House — od 95-procentowego skrócenia czasu onboardingu dzięki wbudowanemu agentowi AI po 40-procentową redukcję kosztów developmentu dla Omnipack. Każda sekcja wyjaśnia, co konkretnie przełożyło się na ten wynik, i odsyła do publicznie dostępnego case study. Na koniec wskazujemy trzy wspólne wzorce tych projektów, warte wykorzystania niezależnie od tego, czy współpracujesz z nami, czy nie.
Alexander Stasiak
04 paź 2026・5 min czytania
Tworzenie oprogramowania healthtech w Startup House: projekty i efekty z naciskiem na zgodność z regulacjami
W oprogramowaniu medycznym zgodność regulacyjna to albo decyzja architektoniczna, albo przeróbka po fakcie. Ten artykuł pokazuje, jak wygląda wbudowywanie jej od pierwszego dnia na przykładzie trzech projektów Startup House: platformy sprzedażowej dla Siemens Healthineers, działającej w ponad 60 krajach; MVP opieki nad osobami z demencją, ukształtowanego przez 7 sesji testów z udziałem pacjentów i opiekunów; oraz Doogie — pokazowego rozwiązania AI w standardzie HIPAA, zbudowanego w dwa miesiące. Wyjaśnia też, jak RAG zapewnia możliwość śledzenia odpowiedzi AI w zastosowaniach klinicznych do zweryfikowanych źródeł oraz dlaczego dane pacjentów nigdy nie są używane do trenowania modeli. Dla firm MedTech i platform SaaS dla ochrony zdrowia to praktyczne spojrzenie na to, co naprawdę oznacza podejście compliance-first w inżynierii — poza samą etykietą.
Marek Pałys
03 paź 2026・5 min czytania
AI w fintechu: projekty Startup House, wnioski i rezultaty
Klienci fintechów oczekują szybkości jak w aplikacjach konsumenckich, a regulatorzy — kontroli na poziomie bankowym. W tym artykule pokazujemy, jak Startup House poradził sobie z tym napięciem w trzech projektach: automatyczne decyzje kredytowe dostępne 24/7 dla Siemens Financial Services, platforma do zarządzania ryzykiem cybernetycznym, która zwiększyła przychody o 150% w rok, oraz zespół fintechu klimatycznego dla CHOOOSE skompletowany w 2 tygodnie. Przy każdym projekcie dzielimy się lekcją, jakiej nas nauczył. Na koniec przedstawiamy pięć zasad dla AI w finansach — od opierania każdej odpowiedzi na zweryfikowanych danych po projektowanie tenant isolation w architekturze.
Marek Pałys
01 paź 2026・5 min czytania
Agenci AI do dokumentacji medycznej i administracji w ochronie zdrowia
Jak ambientne agenty AI przygotowują notatki kliniczne, przyporządkowują kody rozliczeniowe i obsługują wnioski o preautoryzację — oddając klinicystom godziny, które odbiera elektroniczna dokumentacja medyczna (EHR).
Alexander Stasiak
30 wrz 2026・11 min czytania
Gotowy, aby scentralizować swoje know-how z pomocą AI?
Rozpocznij nowy rozdział w zarządzaniu wiedzą — gdzie Asystent AI staje się centralnym filarem Twojego cyfrowego wsparcia.
Pracuj z zespołem, któremu ufają firmy z czołówki rynku.
