Lancei meu primeiro produto SaaS AI há oito meses. É uma ferramenta que lê os depósitos da SEC e gera resumos em inglês simples para investidores privados. Faturamento: **4.200 $/mês**. Usuários: cerca de **340 assinantes pagantes**. Tempo para criar o MVP: **12 dias**.
Não estou dizendo isso para me gabar — **4.200 $/mês** não é dinheiro suficiente para me fazer desistir do emprego. Digo isso porque, há oito meses, eu nunca tinha criado um produto SaaS, não sou um desenvolvedor particularmente habilidoso e toda a pilha técnica é basicamente uma camada bem projetada em torno da API de Claude. Se eu consigo, a barreira de entrada é realmente baixa.
Aqui está tudo que aprendi, incluindo os erros.
Encontrando a ideia (Não pense demais)
Perdi dois meses procurando pela “ideia perfeita de SaaS AI”. Li artigos sobre o tamanho do mercado, o TAM e as vantagens competitivas. Nada disso importava.
O que importava: meu sogro me ligou um sábado para perguntar o que significava um depósito 10-K. Passei 30 minutos explicando para ele. Então pensei: quantos investidores privados têm a mesma dúvida, mas ninguém para perguntar?
É isso. Esse é todo o processo de ideação. Alguém tinha um problema. O problema era solucionável com um LLM. Eu construí a solução.
As melhores ideias de SaaS AI não são engenhosas. Elas são evidentes com o passar do tempo. Encontre um fluxo de trabalho onde alguém passe horas fazendo um trabalho cognitivo que um LLM pode realizar em segundos. Construa um produto em torno desse fluxo de trabalho. E pronto.
O truque a evitar: “([algo genérico] alimentado por AI)” não é um produto. “Ferramenta de escrita AI” é uma funcionalidade. “Ferramenta AI que gera descrições de anúncios imobiliários a partir de fotos de propriedades e especificações, formatadas para Zillow e Realtor.com” é um produto. A especificidade é o produto.
Arquitetura Técnica (Torne-a entediante)
Minha pilha técnica: frontend Next.js, backend Node.js, banco de dados PostgreSQL, API Claude para AI, Stripe para pagamentos, Vercel para hospedagem. Custo total da infraestrutura mensal: **87 $**.
É isso. Nada de microsserviços. Nada de Kubernetes. Nada de banco de dados vetorial (adicionei um mais tarde quando precisei de RAG para comparação histórica dos depósitos, mas o MVP não precisava disso). Nada de estrutura de orquestração sofisticada.
Vejo fundadores construindo arquiteturas de AI complexas antes de terem seu primeiro usuário. Passam meses com fluxos de trabalho LangChain, a orquestração de agentes e o ajuste dos pipelines. Então lançam e descobrem que seus usuários só querem uma área de texto e um botão “Go”.
Construa a coisa mais simples que resolve o problema. Você pode adicionar complexidade mais tarde quando tiver usuários que te digam o que realmente precisam.
A camada de AI era literalmente: pegar o texto do depósito da SEC, enviá-lo para Claude com um prompt cuidadosamente elaborado, disseminar a resposta para o usuário. A engenharia do prompt levou dois dias. O restante dos **12 dias** do MVP foi dedicado à autenticação, aos pagamentos e a torná-lo mais esteticamente agradável.
O Prompt É O Seu Produto
Aqui está algo que demorei muito a perceber: para a maioria dos produtos SaaS AI, o prompt É o produto. Não a infraestrutura. Não o framework. Não o diagrama do banco de dados. O prompt.
Passei dois dias elaborando e testando meu prompt de resumo. Fiz cerca de **40 iterações**. O prompt final inclui instruções específicas sobre o que destacar (riscos materiais, mudanças de faturamento, declarações prospectivas), qual formato usar (pontos-chave para os aspectos essenciais, narrativa para a visão geral) e qual nível de linguagem adotar (evitar jargões, explicar termos técnicos).
Esse prompt é o que torna meu produto diferente de “copiar um 10-K no ChatGPT”. A UX é um pacote bonito, mas o prompt é onde reside o verdadeiro valor.
Versione seus prompts. Teste-os em A/B. Monitore quais prompts produzem resultados que os usuários avaliam mais positivamente. Trate a engenharia de prompts como desenvolvimento de produto, não como um ajuste único.
Preços (Cobre mais do que pensa)
Lancei a **9 $/mês**. Os usuários se inscreveram. Aumentei para **19 $/mês**. Os usuários se inscreveram novamente, quase na mesma taxa. Eu deveria ter começado em **19 $**.
Meu custo por usuário por mês é de aproximadamente **2,50 $** em chamadas API (o usuário médio resume cerca de **8 depósitos por mês**). A **9 $/mês**, minha margem era de **72%**. A **19 $/mês**, é de **87%**. Mesmo esforço, mesmo produto, quase o dobro da receita.
“`html
A lição: os produtos de IA oferecem um enorme valor em relação ao seu custo. Um investidor privado que pode entender os depósitos da SEC em 5 minutos em vez de 2 horas pagaria prontamente 19 $/mês. Muitos pagariam 49 $/mês. Eu defini meus preços com base em meus custos em vez do valor para meus usuários. Erro clássico.
Os Erros Que Cometi
Construir funcionalidades que ninguém pediu. Passei uma semana criando uma funcionalidade de “comparação de depósitos” antes do lançamento. Nenhum usuário a utilizou em oito meses. Eu deveria ter lançado uma semana antes.
Não conversar cedo o suficiente com os usuários. Construí por duas semanas antes de mostrar a alguém. Quando finalmente o fiz, as três primeiras pessoas disseram “é incrível, mas pode destacar especificamente os riscos?” Isso se tornou a funcionalidade mais popular — e eu poderia saber desde o primeiro dia se tivesse perguntado.
Ignorar a latência. Minha primeira versão enviava o depósito inteiro para Claude e esperava a resposta completa antes de mostrar qualquer coisa. Os usuários viam um cursor de carregamento por 30-45 segundos. Passar para respostas em streaming (mostrando o resumo à medida que era gerado) melhorou consideravelmente a experiência percebida. A latência conta mais do que você pensa.
Não investir o suficiente na integração. Meus primeiros usuários chegavam ao painel e não sabiam o que fazer. Adicionar um simples prompt “cole um símbolo de ação para começar” com um depósito de exemplo aumentou a ativação de 40% para 78%.
O Que Faria Diferente
Começar com 10 usuários beta pagantes antes de construir qualquer coisa. Cobrá-los 29 $/mês. Usar as conversas para moldar o produto. Construir apenas o que essas 10 pessoas precisam. Lançar publicamente quando 8 em 10 disserem que ficariam desapontados se eu retirasse o produto.
Essa abordagem me teria feito economizar duas semanas construindo funcionalidades que ninguém queria e me teria dado um produto mais precisamente direcionado desde o primeiro dia.
O SaaS de IA é a maior oportunidade comercial acessível no setor de tecnologia neste momento. As ferramentas estão maduras, os custos são baixos e a demanda é real. A parte difícil não é a tecnologia — é encontrar um problema específico e ter a disciplina de resolvê-lo de forma simples.
“`
🕒 Published: