Как стартап из Казахстана строит решения для 3D-моделирования в MedTech

DeepTech-платформа для генеративных 3D-симуляций и цифровых двойников, объединяющая MedTech, логистику и нейромаркетинг вокруг идеи физически точного моделирования реального мира. От первых стартапов в 16 лет до международных акселераций и реальных клиентов — в нашем интервью разбираем путь, идеи и решения. 

Сабина Байтемирова, город — Алматы, CEO, LinkedIn

Как все началось

Мой путь в стартапах начался в 16 лет, в 2016 году, в рамках Girls in STEM в American Space, где мы сделали первое приложение Saubol App на MIT App Inventor. Это был первый опыт создания продукта. Позже я самостоятельно изучала стартап-среду: pitch deck, инвесторов и Seed-раунды. В 2019 году появилась идея SauCoin — попытка связать повседневную активность с цифровой экономикой, но проект не дошел до запуска.

В 2022 году я работала в remote-стартапе Presence, который помогал Digital Nomads находить людей рядом. За несколько месяцев мы выросли до ~15 000 пользователей, и я увидела, как продукт может масштабироваться и менять позиционирование. В 2023 году участвовала в NASA Space Apps, где мы сделали AI Telegram-бота, генерирующего тексты по изображениям. Проект быстро набрал около 400 пользователей за день, но не масштабировался из-за инфраструктурных ограничений.

После этого мы пробовали B2B-направление через акселерации, но не нашли product-market fit. Параллельно делали AI-проекты в сфере переработки отходов с использованием vision-моделей и CRM для соединения производителей отходов с фермерами. Этот проект занял первое место на Google Developer Groups Hackathon. Позже развивали агротуризм и участвовали в GCIP UNIDO — международной климатической акселерации при поддержке ООН.

Я пришла из логистики и транспорта, где цифровые двойники и симуляции физических процессов — прикладной инструмент. Но идея FABS3D возникла из стоматологии. Врачи хотели не просто визуализацию «до и после», а физически точную модель работы челюстной системы — цифровой двойник анатомии. Я увидела в этом ту же задачу, что и в логистике: симуляция физического объекта, где критична точность, а не визуальная оболочка. Так появилась идея платформы генеративных 3D-симуляций и цифровых двойников — сначала в MedTech, затем шире.

Запуск стартапа

Мы стартовали на бутстрапе — без внешнего финансирования, на собственных ресурсах. Первые клиенты пришли из стоматологии, в частности ортодонтии: им был нужен инструмент для точного планирования лечения и объяснения пациентам изменений. Это дало первую валидацию продукта.

Параллельно мы прорабатывали логистический трек, где был релевантный бэкграунд и понятный запрос на цифровые двойники физических процессов. Команду собирали вокруг физического моделирования, machine learning и 3D-генерации. В Казахстане это сложный рынок — узкий и с ограниченным пулом специалистов. Также есть несколько 2D-продуктов, которые генерируют выручку, но не являются фокусом — мы позиционируем себя как DeepTech-компанию.

Часть ранних экспериментов была связана с ESG и ClimateTech: document-generation решения и ESG-фреймворки для компаний. Питчили в корпорации, но цикл сделок был длинным, а монетизация ограниченной. Позже это привело к участию в Web Summit Lisbon в ESG Track, где проект получил exposure и Social Impact Award.

Параллельно сформировался медицинский трек. На фоне личного опыта ортодонтического лечения стало интересно анализировать, как меняется лицо при различных вмешательствах. Мы начали использовать vision-подходы для симуляции изменений, что привело к идее применения в HealthTech — от ортодонтии до оценки функциональных параметров лица.

На Web Summit мы познакомились с ортодонтом из Европы, работающей с 3D-капами и удаленной диагностикой. Это стало ключевым моментом валидации: мы начали сотрудничать, тестировать 3D-сканирование и обмен данными между клиниками и пациентами.

В результате сфокусировались на dental-направлении и цифровых моделях анатомии, сохранив ESG/климатический трек как второстепенный. Со временем стало ясно, что ядро продукта — симуляция физических и биологических структур с высокой точностью, а не отдельные вертикали.

Целевая аудитория

У нас три основных направления:

— стоматология и MedTech — ортодонты и гнатологи. Им нужна физически точная симуляция лечения: как изменится прикус, что произойдет с костной тканью, как будет выглядеть результат. Есть клиенты в Казахстане и врачи из Японии.

— логистика и транспорт — цифровые двойники физических объектов и процессов. Симуляция до внедрения изменений, оптимизация маршрутов и потоков через модель, а не методом проб на реальной инфраструктуре.

— нейромаркетинг — цифровой двойник пространственного восприятия и поведения потребителя. Как человек воспринимает пространство, упаковку, выкладку — в 3D, с предсказательной моделью, а не только через опросы.

Общая логика везде одна: там, где цена ошибки высока и симуляция влияет на решение — не украшает презентацию, а меняет исход.

Программы инкубаций

Сейчас мы тестируем Dental Startup, и именно на нем начали появляться первые revenue. Основной вход идет через образовательную воронку — курсы по AI в стоматологии и смежные программы, включая темы сна и дыхательных нарушений. Это помогло сформировать первичный спрос и выйти на первых пользователей.

Дальше мы расширили нетворк через Web Summit, где познакомились с ортодонтами и профессорами из Новой Зеландии, Италии и других стран. Через эти связи вышли на смежные области — логопедию, ортодонтию и челюстно-лицевую биомеханику. Эти направления оказались тесно связаны: неправильный прикус, глотание и мышечный баланс лица рассматриваются как единая система.

Это привело к первым B2B-заказам от специалистов — ортодонтов, логопедов, остеопатов и косметологов. Мы тестировали приложение для анализа изменений лица и мышечного каркаса через 2D и 3D-сканирование. Продукт уже продавался, но оставался ранним прототипом: основной проблемой была 3D-часть — качество текстурирования, точность модели и ограничения инфраструктуры.

Параллельно мы усиливали техническую часть через внешнюю экспертизу и акселерационные программы, включая DeepTech-сообщества и международные инициативы. Это дало доступ к сильным ML-инженерам и исследователям и помогло улучшить модель.

Позже команда участвовала в международных событиях, включая AI-саммиты и Web Summit, где мы получили дополнительный нетворк в медицине и DeepTech. В этот же период развивались пилоты в косметологии и HealthTech.

Сейчас один из ключевых пилотов — с косметологической клиникой ProFace. Мы используем ML-модель для анализа и симуляции изменений лица в 2D, например после инъекций, филлеров или ботокса. Это позволяет делать более детальный фотопротокол и прогноз изменений клиента. В перспективе планируется переход к 3D-модели.

Основная сложность сейчас — инфраструктура и GPU. Обучение моделей и 3D-вычисления требуют значительных ресурсов, из-за чего запуск пилота затянулся.

При этом в 2D-версии мы достигаем точности около 40-60%, тогда как в 3D потенциально можем выйти на ~99%. Поэтому стратегически фокус смещается в сторону 3D и physical AI. Здесь возникает дилемма: 2D можно быстрее монетизировать, но долгосрочная ценность находится в 3D-симуляции.

Параллельно есть дополнительные продукты — nutrition bot, fitness bot и другие Telegram-решения с небольшой выручкой и аудиторией около тысячи пользователей. Однако они рассматриваются как вспомогательные направления, так как в долгосрочной перспективе могут потерять актуальность на фоне развития больших языковых моделей.

Поэтому стратегический фокус смещается в сторону physical AI и spatial computing — систем, которые моделируют и понимают реальный мир в 3D. 

В рамках этого направления мы участвовали в международных конкурсах и хакатонах, включая Tokyo Takeoff, где прошли в топ-20 из более чем 150 команд и стали единственным стартапом из Казахстана на финальной стадии отбора.

Также был опыт выхода на японский рынок. Несмотря на стереотипы о закрытости, мы получили сильный нетворк с локальными клиниками, ортодонтами и акселераторами, включая Antler и профильные founder-сообщества.

О трудностях

Главная сложность DeepTech в Казахстане — длинный цикл продаж и необходимость объяснять ценность physical AI еще до сделки. Фактически значительная часть работы уходит не на продажу, а на формирование понимания рынка.

Вторая проблема — кадры. Специалистов в 3D ML, spatial computing и смежных направлениях на локальном рынке крайне мало, поэтому команда собирается глобально, что дороже и сложнее в управлении.

Отдельный системный барьер — разрыв между стартапами и научной средой. Доступ к финансированию часто идет через научных руководителей и долгие грантовые процессы, которые плохо совпадают с темпом продуктовой разработки. Гранты обычно рассчитаны на два-три года с жестким планированием, тогда как стартапы живут итерациями в месяцы, что создает структурное несоответствие.

Bootstrap в DeepTech — это ставка на то, что ты успеешь дойти до продуктовой валидации до окончания ресурсов. Это требует работы в режиме высокой нагрузки и постоянных ограничений.

Совет тем, кто начинает: важно идти не в широкую идею, а в узкую индустриальную боль, где симуляция напрямую влияет на критическое решение. В медтехе это особенно заметно: врач не может позволить себе ошибку, поэтому точность модели становится ключевой ценностью.

Если есть работа с научной или высокорегулируемой сферой, важно заранее учитывать регуляторику и цикл принятия решений. В таких индустриях продукт может быть технически готов, но рынок — нет, и это нужно закладывать с самого начала.

И еще один важный момент — DeepTech почти всегда требует долгого горизонта. Его нельзя строить как быстрый B2C-продукт: ценность появляется там, где есть сложная физика, высокая цена ошибки и необходимость точной симуляции реального мира.

Достижения

Мы вышли на международных пользователей, включая врачей из Японии, что подтвердило востребованность решения за пределами локального рынка и дало первый устойчивый международный сигнал.

Сейчас у нас три продуктовых трека с единой технологической логикой: медтех, логистика и нейромаркетинг. Все они основаны на физическом моделировании, spatial AI и 3D-генерации.

Дополнительно проект получил внешнее признание:
— номинация University of Tsukuba Venture Night 2026
— финалисты TechCrunch.

Планы

Сейчас основной фокус — доведение core-технологии до уровня, где ее можно масштабировать без компромиссов по точности и качеству. Для нас это критично: в 2D-решениях точность может падать до 40-60%, тогда как в 3D она стремится к ~99%, и именно это определяет продуктовую архитектуру.

До конца года и дальше мы движемся по трем направлениям:

1. Запуск Physical AI как отдельного направления, с переходом от вертикальных решений к горизонтальной платформе, объединяющей разные индустрии вокруг физического моделирования.
2. Развитие коллабораций с учеными и исследовательскими группами в области spatial AI, 3D-генерации и физического моделирования, чтобы усиливать научную базу и качество моделей.
3. Развитие собственной ML- и GPU-инфраструктуры под генеративные 3D-модели, необходимой для масштабирования и повышения точности симуляций.

Параллельно мы готовимся к привлечению раунда на основе уже подтвержденной продуктовой валидации, работающих клиентов и международного интереса.