Eu 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 individuais. Receita: $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 abandonar o emprego. Estou falando isso porque, há oito meses, eu nunca havia criado um produto SaaS, não sou um desenvolvedor particularmente habilidoso, e toda a pilha técnica é essencialmente uma camada bem projetada em torno da API de Claude. Se eu consigo, a barreira de entrada é realmente baixa.
Aqui está tudo o que aprendi, incluindo os erros.
Encontrando a Ideia (Não pense demais)
Eu perdi dois meses procurando a “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 em um sábado para perguntar o que significava um depósito 10-K. Passei 30 minutos explicando para ele. Então pensei: quantos investidores individuais têm a mesma pergunta, mas ninguém a quem 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 se tornam óbvias com o tempo. Encontre um fluxo de trabalho onde alguém passa horas fazendo um trabalho cognitivo que um LLM pode fazer em segundos. Construa um produto em torno desse fluxo de trabalho. Pronto.
O truque a evitar: “[coisa genérica] alimentada 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 (Mantenha simples)
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 mensal de infraestrutura: $87.
É isso. Sem microsserviços. Sem Kubernetes. Sem banco de dados vetorial (eu adicionei um mais tarde quando precisei de RAG para comparação histórica dos depósitos, mas o MVP não tinha um). Sem um framework de orquestração sofisticado.
Vejo fundadores construindo arquiteturas AI complexas antes de terem seu primeiro usuário. Eles passam meses em fluxos de trabalho LangChain, orquestração de agentes e ajuste de pipelines. Então, eles lançam e descobrem que seus usuários querem apenas uma área de texto e um botão “Ir”.
Construa a coisa mais simples que resolva o problema. Você pode adicionar complexidade mais tarde, quando tiver usuários dizendo o que realmente precisam.
A camada AI era literalmente: pegar o texto do depósito da SEC, enviá-lo a Claude com um prompt cuidadosamente elaborado, e difundir a resposta ao usuário. A engenharia de prompt levou dois dias. O resto do MVP de 12 dias foi a autenticação, os pagamentos e deixar a interface mais agradável visualmente.
O Prompt É Seu Produto
Aqui está algo que demorei muito para perceber: para a maioria dos produtos SaaS AI, o prompt É o produto. Não a infraestrutura. Não o framework. Não o esquema do banco de dados. O prompt.
Eu passei dois dias elaborando e testando meu prompt de resumo. Realizei cerca de 40 iterações. O prompt final inclui instruções específicas sobre o que destacar (riscos materiais, mudanças na receita, declarações prospectivas), qual formato usar (pontos principais para os itens essenciais, narrativa para a visão geral), e qual nível de linguagem alcançar (evitar jargões, explicar termos técnicos).
Esse prompt é o que torna meu produto diferente de “colar um 10-K no ChatGPT”. A UX é uma embalagem bonita, mas o prompt é onde reside o verdadeiro valor.
Versione seus prompts. Teste-os em A/B. Acompanhe quais prompts produzem resultados que os usuários avaliam mais positivamente. Trate a engenharia de prompts como desenvolvimento de produto, não como uma configuração única.
Precificação (Cobra mais do que você pensa)
Eu lancei a $9/mês. Os usuários se inscreveram. Eu aumentei para $19/mês. Os usuários ainda se inscreveram, quase na mesma taxa. Eu deveria ter começado a $19.
Meu custo por usuário por mês é de cerca de $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.
A lição: produtos AI oferecem um valor enorme em relação ao seu custo. Um investidor individual que consegue entender os depósitos da SEC em 5 minutos em vez de 2 horas pagaria facilmente $19/mês. Muitos pagariam $49/mês. Eu estabelecia meus preços com base nos 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 mais cedo.
Não conversar com os usuários cedo o suficiente. Eu construí durante duas semanas antes de mostrar para alguém. Quando finalmente fiz isso, as três primeiras pessoas disseram “é incrível, mas pode destacar os riscos especificamente?” Isso se tornou a funcionalidade mais popular — e eu poderia ter descoberto isso no primeiro dia se tivesse perguntado.
Ignorar a latência. Minha primeira versão enviava o depósito completo para Claude e esperava a resposta completa antes de exibir qualquer coisa. Os usuários viam um carregador por 30 a 45 segundos. Passar para respostas em streaming (exibindo o resumo conforme era gerado) melhorou consideravelmente a experiência percebida. A latência conta mais do que você imagina.
Não investir o suficiente na integração. Meus primeiros usuários chegaram ao painel e não sabiam o que fazer. Adicionar um simples aviso “cole um símbolo de ações para começar” com um depósito de exemplo aumentou a ativação de 40% para 78%.
O Que Eu Faria Diferente
Começaria com 10 usuários beta pagantes antes de construir qualquer coisa. Faria eles pagarem $29/mês. Usaria as conversas para moldar o produto. Construiria apenas o que essas 10 pessoas precisam. Lançaria publicamente quando 8 em 10 dissessem que ficariam chateadas se você retirasse o produto.
Essa abordagem teria me economizado duas semanas construindo funcionalidades que ninguém queria e me teria dado um produto mais precisamente direcionado desde o primeiro dia.
O SaaS AI é a maior oportunidade de negócios acessível no setor de tecnologia no 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: