W rozmowach o innowacji często miesza się szybkie usprawnienia produktu z technologiami, które wymagają lat badań i rygorystycznej walidacji. Deep tech to obszar, w którym przewaga wynika z mierzalnego przełomu naukowego lub inżynierskiego, a nie z samej dystrybucji czy designu. Deep tech to właśnie technologie oparte na przełomach naukowych, które budują trwałą przewagę technologiczną. Dla ambitnej osoby oznacza to inne tempo, inne ryzyka oraz inne kryteria oceny niż w typowych startupach software’owych. Zrozumienie mechaniki deep tech pozwala trafniej ocenić projekty, partnerów i realny horyzont zwrotu.
Czym jest deep tech?
Deep tech to przedsięwzięcia oparte na istotnym postępie naukowym albo nowej metodzie inżynierskiej, które dają mierzalną przewagę techniczną, trudną do skopiowania bez podobnego zaplecza badawczego. Często punktem startu jest własność intelektualna, na przykład patent, know-how laboratoryjne lub unikalny proces wytwarzania, ale sama obecność patentu nie wystarcza. Typowy cykl rozwoju obejmuje etap TRL, czyli Technology Readiness Level, skalę dojrzałości technologii opisaną przez NASA w 1974 roku, używaną do oceny od koncepcji do wdrożenia. Projekty deep tech zwykle przechodzą przez prototypy, testy w warunkach zbliżonych do operacyjnych oraz certyfikacje, co przesuwa przychody na późniejszy etap. W odróżnieniu od czystego SaaS, ryzyko techniczne bywa dominujące na początku, a dopiero potem rośnie znaczenie ryzyka rynkowego i operacyjnego. Weryfikacja polega na sprawdzeniu, czy istnieje powtarzalny eksperyment lub test, który potwierdza przewagę, na przykład stabilność parametrów materiału, czułość sensora lub dokładność modelu w określonych warunkach. Jeśli projekt nie potrafi wskazać mierzalnego parametru sukcesu i metody jego niezależnej walidacji, to najczęściej jest to innowacja produktowa, a nie deep tech.
Najważniejsze obszary deep tech
Różnice w regulacjach, dostępie do infrastruktury oraz ścieżkach komercjalizacji decydują o tym, jak planować pilotaże, partnerstwa i finansowanie. Poniżej znajdziesz obszary opisane przez pryzmat typowych ograniczeń wdrożeniowych i kryteriów, które warto sprawdzić przed rozpoczęciem prac.
Sztuczna inteligencja i uczenie maszynowe
W AI tempo prac zależy od jakości danych, a nie od liczby modeli w repozytorium. Przed budową rozwiązania sprawdza się pochodzenie danych, zgody na przetwarzanie, stabilność etykiet oraz ryzyko "data drift", czyli zmiany rozkładu danych między treningiem a produkcją. Jeśli nie ma dostępu do danych produkcyjnych lub nie da się zbudować pętli feedbacku, lepiej zaczynać od wąskiego zastosowania z mierzalnym KPI i prostą integracją, bo inaczej model nie utrzyma jakości po wdrożeniu.
Robotyka i automatyka
W robotyce o sukcesie decyduje dopasowanie do środowiska pracy: tolerancje, zmienność obiektów, bezpieczeństwo i utrzymanie ruchu. Koszty rosną na integracji z linią, doborze chwytaków, czujników oraz walidacji bezpieczeństwa funkcjonalnego, więc prototyp powinien jak najszybciej przejść testy w warunkach zbliżonych do docelowych. Jeśli proces jest niestabilny lub nie ma właściciela operacyjnego po stronie zakładu, automatyzacja często kończy się "wyspą" bez realnego wpływu na OEE i jakość.
Technologie kwantowe
W technologiach kwantowych największym ograniczeniem jest dostęp do sprzętu, stabilność eksperymentów i kompetencje w inżynierii kriogenicznej, mikrofalowej lub fotonice, zależnie od platformy. W praktyce sensowny start to przypadki użycia, które da się uruchomić na dostępnych emulatorach lub usługach chmurowych, a następnie porównać z najlepszym algorytmem klasycznym na tych samych danych. Jeśli nie ma planu na "quantum advantage" w konkretnym zadaniu i nie da się policzyć kosztu błędów oraz korekcji, projekt zostaje demonstracją naukową bez ścieżki do produktu.
Nowe materiały i chemia
W materiałach i chemii wąskim gardłem bywa przejście z próbki laboratoryjnej do serii pilotażowej, bo parametry procesu zmieniają się wraz ze skalą. Zanim zamówi się linię pilotażową, warto ustalić specyfikację krytycznych parametrów: czystość, rozkład wielkości cząstek, lepkość, stabilność w czasie oraz tolerancje temperaturowe, bo to one determinują powtarzalność. Jeśli nie da się zapewnić łańcucha dostaw surowców i kontroli jakości (QA/QC) na poziomie przemysłowym, nawet świetne wyniki R&D nie przełożą się na kontrakty.
Biotechnologia i medtech
W biotechnologii i medtech harmonogram wyznaczają badania przedkliniczne, kliniczne oraz wymagania dotyczące jakości, a nie sama innowacyjność rozwiązania. Warto wcześnie ustalić ścieżkę regulacyjną i dowody kliniczne, bo różnica między wyrobem medycznym a terapią biologiczną oznacza inne standardy wytwarzania, dokumentacji i nadzoru. Jeśli nie ma dostępu do ośrodków klinicznych, biobanków lub populacji pacjentów oraz nie da się zaplanować monitorowania bezpieczeństwa, projekt utknie na etapie obiecujących wyników laboratoryjnych.
Energetyka i technologie klimatyczne
W energetyce liczą się niezawodność, koszt w cyklu życia oraz zgodność z normami sieciowymi i bezpieczeństwa. Pilotaż powinien od razu mierzyć parametry eksploatacyjne, takie jak sprawność, degradacja, czas przestoju i koszty serwisu, bo to one decydują o bankowalności projektu, czyli zdolności do finansowania długiem. Jeśli technologia nie przechodzi testów trwałości lub nie ma modelu przychodów opartego na realnych taryfach i umowach, skala pozostaje ograniczona do demonstratorów.
Technologie kosmiczne
W sektorze kosmicznym barierą jest kwalifikacja komponentów i niezawodność w środowisku promieniowania, wibracji oraz skrajnych temperatur. Sensowna strategia to projektowanie pod konkretne wymagania misji i standardy testów środowiskowych, a także plan na łańcuch dostaw części o znanej historii jakości. Jeśli nie ma dostępu do okien startowych, integratorów satelitarnych lub nie da się udowodnić niezawodności na poziomie wymaganym przez operatora, produkt nie wejdzie do programu lotnego.
Regulacje i zgodność rynkowa
Regulacje różnią się radykalnie między domenami, dlatego trzeba je traktować jak element projektu, a nie formalność na końcu. Minimalny zestaw to identyfikacja organów nadzoru, wymaganych badań, dokumentacji oraz odpowiedzialności za produkt, a następnie przypisanie budżetu i właściciela procesu zgodności. Jeśli zespół nie potrafi przełożyć wymagań prawnych na wymagania inżynierskie i testy akceptacyjne, ryzyko opóźnień i kosztownych przeróbek rośnie wykładniczo.
Dlaczego Europa stawia na deep tech
Europejskie gospodarki mają gęstą sieć uczelni i instytutów badawczych, co zwiększa podaż technologii wychodzących z laboratoriów i sprzyja spółkom typu spin-off. Istotnym narzędziem jest finansowanie publiczne badań i komercjalizacji, gdzie część ryzyka technicznego przejmuje sektor publiczny, a prywatny kapitał wchodzi później. Przykładem ram wsparcia jest European Innovation Council w programie Horizon Europe, uruchomionym przez Komisję Europejską w 2021 roku, opisanym na https://eic.ec.europa.eu. Europa ma też silne branże przemysłowe, więc deep tech częściej znajduje pierwszych klientów w modelu B2B, gdzie liczą się parametry, niezawodność i zgodność z normami. Regulacje potrafią działać jak filtr jakości, bo wymuszają dokumentację, testy i ścieżki zgodności, co utrudnia wejście projektom bez solidnej inżynierii. Jednocześnie to podejście nie zadziała, gdy firma nie planuje budżetu na certyfikację i nie ma kompetencji do prowadzenia audytowalnych procesów, bo wtedy czas wejścia na rynek wydłuża się bez wzrostu wartości. Z perspektywy inwestora europejskiego ważna jest też ochrona know-how, bo w wielu sektorach przewaga wynika z procesu i danych eksperymentalnych, a nie tylko z kodu. Rekomendacja: oceniając europejski projekt deep tech, sprawdź, czy ma plan przejścia od demonstratora do produkcji lub wdrożenia u klienta, z jasno wskazanym partnerem przemysłowym albo ośrodkiem testowym, bo bez tego przewaga technologiczna często pozostaje w laboratorium.
Przykłady deep tech z Europy
Poniższe przykłady pokazują, jak europejskie spółki łączą twardą inżynierię, naukę i rygor operacyjny, a także gdzie realnie pojawiają się bariery skalowania. Każdy przypadek warto czytać przez pryzmat tego, co jest trudne do skopiowania: infrastruktury, łańcucha dostaw, regulacji albo dostępu do danych i mocy obliczeniowej.
ASML i litografia EUV
W tym przykładzie najważniejsze jest to, jak produkt staje się systemem systemów, a nie pojedynczą maszyną. ASML buduje narzędzia litografii EUV, w których precyzja optyki, stabilność źródła światła i metrologia procesu muszą działać jednocześnie w skali przemysłowej. Przewaga wynika z kumulacji kompetencji oraz lat walidacji u producentów chipów, bo każdy przestój fabryki ma koszt liczony w milionach. Bariera wejścia ma charakter praktyczny: zależność od wyspecjalizowanych dostawców, długie cykle kwalifikacji i konieczność serwisu w trybie 24/7. Ten model nie zadziała bez cierpliwego kapitału i kontraktów serwisowych, które finansują ciągłe ulepszenia oraz utrzymanie floty urządzeń.
BioNTech i platforma mRNA
W tym przypadku decyduje zdolność przełożenia biologii na powtarzalny proces wytwarzania i kontroli jakości. BioNTech rozwinął podejście platformowe, gdzie mRNA jest "nośnikiem instrukcji", a przewagę buduje się na projektowaniu sekwencji, formulacji i wytwarzaniu zgodnym z wymaganiami regulatorów. Mechanizm komercjalizacji opiera się na tym, że ta sama infrastruktura badawcza i produkcyjna może obsługiwać wiele kandydatów terapeutycznych, o ile da się utrzymać spójne parametry jakości. Ograniczeniem jest to, że sukces zależy od danych klinicznych i zdolności prowadzenia badań zgodnie z zasadami GCP (Good Clinical Practice), czyli standardem jakości badań klinicznych opisanym przez ICH. Ten model traci sens, gdy firma nie ma dostępu do sieci ośrodków klinicznych, kompetencji CMC (Chemistry, Manufacturing and Controls) oraz partnerów zdolnych do skalowania produkcji.
DeepMind i zastosowania uczenia maszynowego
W tym przykładzie liczy się przejście od wyników badawczych do produktów, które da się utrzymać i rozliczać z efektu. DeepMind pokazał, że uczenie maszynowe może tworzyć wartość w obszarach, gdzie błędy są mierzalne, a poprawa ma wymiar ekonomiczny lub naukowy. Warunkiem jest skala obliczeń i dyscyplina ewaluacji, bo bez porównywalnych testów modele łatwo "wygrywają" tylko na prezentacji. W praktyce komercjalizacja wymaga MLOps, czyli zestawu praktyk do wdrażania i monitorowania modeli, obejmującego wersjonowanie danych, kontrolę dryfu i audyt wyników. Podejście nie zadziała, gdy dane są niestabilne, nielegalne do użycia lub gdy organizacja nie potrafi utrzymać pętli feedbacku między produktem a zespołem badawczym.
IQM i komputery kwantowe
W tym przypadku istotne jest, że rynek buduje się równolegle po stronie sprzętu i oprogramowania. IQM rozwija komputery kwantowe, gdzie sprzedaż często zaczyna się od projektów z ośrodkami badawczymi, laboratoriami państwowymi i dużymi firmami testującymi przewagę obliczeniową. Komercjalizacja opiera się na dostępie do urządzeń, usługach integracji oraz wspólnym definiowaniu przypadków użycia, które da się zweryfikować eksperymentalnie. Ograniczeniem jest dojrzałość ekosystemu: brakuje jednolitych standardów, a narzędzia programistyczne i metody korekcji błędów są wciąż rozwijane. Ten model nie zadziała w organizacjach oczekujących szybkiego ROI, bo cykle walidacji są długie, a przewaga nad klasycznymi metodami bywa zależna od bardzo specyficznych problemów.
Siemens i przemysłowe oprogramowanie
W tym przykładzie widać, jak deep tech może rosnąć dzięki integracji z procesami przemysłowymi, a nie dzięki "aplikacji" dla masowego odbiorcy. Siemens buduje rozwiązania z obszaru automatyki, symulacji i cyfrowych bliźniaków, gdzie wartość powstaje z redukcji błędów projektowych i skrócenia uruchomień linii. Cyfrowy bliźniak to model cyfrowy obiektu fizycznego, który pozwala testować scenariusze bez zatrzymywania produkcji i bez ryzyka dla sprzętu. Mechanizm sprzedaży jest zwykle enterprise: licencje, wdrożenia i długoterminowe utrzymanie, co premiuje kompatybilność z istniejącą infrastrukturą OT (Operational Technology). Podejście nie zadziała, gdy klient nie ma uporządkowanych danych procesowych lub gdy integracja z parkiem maszynowym jest zbyt kosztowna względem spodziewanych oszczędności.
ABB i robotyka w fabrykach
W tym przykładzie istotne są powtarzalność, bezpieczeństwo i serwis, bo robot ma pracować w cyklu wieloletnim. ABB rozwija robotykę przemysłową i systemy automatyzacji, gdzie przewaga wynika z niezawodności, bibliotek aplikacji oraz integracji z czujnikami i sterowaniem. Komercjalizacja często zaczyna się od jednego stanowiska, a potem skaluje się przez standaryzację chwytaków, programów i procedur utrzymania ruchu. Typową pułapką jest niedoszacowanie pracy inżynierskiej po stronie integratora, bo koszt projektu bywa większy niż sam robot. Ten model nie zadziała w procesach o dużej zmienności produktu, jeśli nie ma planu na przezbrojenia, wizyjne systemy kontroli i szkolenie operatorów.
Nokia i infrastruktura telekomunikacyjna
W tym przykładzie liczy się zdolność dostarczania sprzętu i oprogramowania, które spełniają rygor sieci operatorskich. Nokia rozwija rozwiązania dla sieci mobilnych i rdzeniowych, gdzie przewaga wynika z jakości radiowej, efektywności energetycznej i zgodności ze standardami 3GPP. Mechanizm komercjalizacji jest kontraktowy i długoterminowy: operatorzy kupują nie tylko urządzenia, ale też aktualizacje, wsparcie i plan rozbudowy sieci. Ograniczeniem jest to, że cykle zakupowe są długie, a wymagania bezpieczeństwa i interoperacyjności podnoszą koszt certyfikacji oraz testów w środowisku klienta. Podejście nie zadziała dla firm bez dostępu do laboratoriów testowych, relacji z operatorami i kompetencji w utrzymaniu oprogramowania sieciowego przez wiele lat.
Ericsson i sieci o wysokiej niezawodności
W tym przykładzie widać, jak przewagę buduje się na jakości wdrożeń i stabilności działania pod obciążeniem. Ericsson dostarcza infrastrukturę radiową i rozwiązania sieciowe, gdzie istotne są parametry takie jak przepustowość, opóźnienia i dostępność usług w gęstych środowiskach miejskich. Komercjalizacja opiera się na referencjach i wynikach testów polowych, bo operatorzy porównują dostawców na podstawie mierzalnych KPI sieci. Typowym trade-offem jest wybór między agresywną optymalizacją wydajności a konserwatywną polityką aktualizacji, która zmniejsza ryzyko regresji. Ten model nie zadziała, gdy firma nie potrafi utrzymać globalnego łańcucha dostaw i zespołów wsparcia zdolnych reagować na incydenty w trybie ciągłym.
Deep tech a zwykły tech - tabela porównawcza
| Aspekt | Deep tech | Zwykły tech |
|---|---|---|
| Źródło przewagi | Przewaga wynika z przełomu naukowego lub inżynieryjnego. | Przewaga wynika z lepszego produktu, UX lub dystrybucji. |
| Poziom innowacji | Wymaga nowej metody, materiału lub architektury systemu. | Opiera się na znanych technologiach i ich łączeniu. |
| Horyzont wdrożenia | Wdrożenie zwykle trwa lata z powodu R&D. | Wdrożenie zwykle trwa miesiące dzięki gotowym komponentom. |
| Ryzyko techniczne | Istnieje ryzyko, że technologia nie zadziała w skali. | Ryzyko dotyczy głównie dopasowania do rynku. |
| Kapitał na start | Wymaga wysokich nakładów na laboratoria i prototypy. | Wymaga niższych nakładów, często wystarcza zespół software. |
| Infrastruktura | Potrzebuje specjalistycznej aparatury lub linii pilotażowej. | Wystarcza chmura i standardowe narzędzia developerskie. |
| Ochrona IP | Kluczowe są patenty i tajemnice technologiczne. | Kluczowe są marka, dane i szybkość iteracji. |
| Walidacja | Wymaga testów eksperymentalnych i pomiarów fizycznych. | Wymaga testów użytkowników i metryk produktowych. |
| Regulacje | Często podlega certyfikacji i normom branżowym. | Zwykle podlega lżejszym wymaganiom zgodności. |
| Model przychodów | Często sprzedaje się jako komponent, urządzenie lub licencja. | Często sprzedaje się jako SaaS lub usługa cyfrowa. |
| Skalowanie | Skalowanie wymaga produkcji, łańcucha dostaw i kontroli jakości. | Skalowanie polega głównie na zwiększaniu infrastruktury i sprzedaży. |
| Cykl rozwoju | Iteracje są wolniejsze przez zależność od testów i prototypów. | Iteracje są szybsze dzięki wdrożeniom ciągłym. |
| Talent w zespole | Wymaga doktoratów i specjalistów od badań stosowanych. | Wymaga głównie inżynierów produktu i sprzedaży. |
| Wąskie gardła | Wąskim gardłem jest osiągnięcie parametrów i niezawodności. | Wąskim gardłem jest pozyskanie i utrzymanie użytkowników. |
| Dowód działania | Kluczowy jest prototyp spełniający mierzalne parametry. | Kluczowy jest MVP potwierdzające popyt. |
| Typowi klienci | Klientami są przemysł, energetyka, medycyna lub obronność. | Klientami są firmy usługowe i konsumenci w kanałach cyfrowych. |
| Wycena ryzyka | Inwestor ocenia głównie wykonalność technologiczną i IP. | Inwestor ocenia głównie wzrost, retencję i jednostkową ekonomię. |
| Efekt społeczny | Rozwiązuje ograniczenia fizyczne, np. energię lub materiały. | Optymalizuje procesy i doświadczenia w istniejących systemach. |
Deep tech nagradza cierpliwość i dyscyplinę pomiaru, bo wartość powstaje wtedy, gdy przewaga techniczna jest udowodniona i powtarzalna. Najlepszą praktyką jest rozdzielenie ryzyka technicznego, regulacyjnego i wdrożeniowego oraz przypisanie im osobnych testów akceptacyjnych. Jeśli projekt nie ma ścieżki walidacji i planu skalowania poza prototyp, rozsądniej traktować go jako eksperyment badawczy niż biznes. Gdy te warunki są spełnione, deep tech staje się narzędziem budowania trwałej przewagi w sektorach, w których parametry i zgodność z normami decydują o zakupie.
Komentarze