Ho lanciato il mio primo prodotto AI SaaS otto mesi fa. È uno strumento che legge i documenti SEC e genera riassunti in linguaggio semplice per gli investitori al dettaglio. Entrate: $4.200/mese. Utenti: circa 340 abbonati paganti. Tempo per costruire il MVP: 12 giorni.
Non ti dico questo per vantarmi — $4.200/mese non è una cifra che ti fa lasciare il lavoro. Te lo dico perché otto mesi fa non avevo mai costruito un prodotto SaaS, non sono un sviluppatore particolarmente dotato e l’intero stack tecnico è essenzialmente un wrapper ben progettato attorno all’API di Claude. Se posso farlo io, la barriera all’ingresso è davvero bassa.
Ecco tutto ciò che ho imparato, inclusi gli errori.
Trovare l’Idea (Smettila di Pensare Troppo)
Ho sprecato due mesi a riflettere sulla “perfezione dell’idea SaaS AI.” Ho letto articoli sulle dimensioni del mercato e sul TAM e sui vantaggi competitivi. Nulla di tutto ciò era rilevante.
Ciò che contava: mio suocero mi ha chiamato un sabato chiedendomi cosa significasse un documento 10-K. Ho impiegato 30 minuti a spiegarglielo. Poi ho pensato: quanti investitori al dettaglio hanno la stessa domanda ma non hanno nessuno a cui chiedere?
È tutto qui. Questo è l’intero processo di ideazione. Qualcuno aveva un problema. Il problema era risolvibile con un LLM. Ho costruito la soluzione.
Le migliori idee di AI SaaS non sono intelligenti. Sono ovvie in retrospettiva. Trova un flusso di lavoro in cui qualcuno trascorre ore a fare un lavoro cognitivo che un LLM può fare in secondi. Costruisci un prodotto attorno a quel flusso di lavoro. Fine.
Il tranello da evitare: “AI-powered [cosa generica]” non è un prodotto. “AI writing tool” è una funzionalità. “AI tool che genera descrizioni di annunci immobiliari da foto e specifiche della proprietà, formattato per Zillow e Realtor.com” è un prodotto. La specificità è il prodotto.
Architettura Tecnica (Rendila Noiosa)
Il mio stack tecnologico: frontend Next.js, backend Node.js, database PostgreSQL, API Claude per l’AI, Stripe per i pagamenti, Vercel per l’hosting. Costo totale mensile dell’infrastruttura: $87.
È tutto qui. Niente microservizi. Niente Kubernetes. Niente database vettoriali (ne ho aggiunto uno più tardi quando ho avuto bisogno di RAG per il confronto dei documenti storici, ma l’MVP non lo aveva). Niente framework per orchestrazione sofisticato.
Vedo fondatori costruire architetture AI complesse prima di avere il loro primo utente. Passano mesi su flussi di lavoro LangChain, orchestrazione di agenti e ottimizzazione di pipeline. Poi lanciano e scoprono che i loro utenti vogliono solo una casella di testo e un pulsante “Vai”.
Costruisci la cosa più semplice che risolve il problema. Puoi aggiungere complessità in seguito quando hai utenti che ti dicono di cosa hanno veramente bisogno.
Lo strato AI era letteralmente: prendi il testo del documento SEC, invialo a Claude con un prompt ben formulato, invia la risposta all’utente. L’ingegneria del prompt ha preso due giorni. Il resto dei 12 giorni dell’MVP è stato dedicato all’autenticazione, ai pagamenti e a farlo sembrare non orribile.
Il Prompt È il Tuo Prodotto
Ecco qualcosa che mi ha preso troppo tempo per realizzare: per la maggior parte dei prodotti AI SaaS, il prompt È il prodotto. Non l’infrastruttura. Non il framework. Non lo schema del database. Il prompt.
Ho trascorso due giorni a creare e testare il mio prompt di riassunto. Ho fatto circa 40 iterazioni. Il prompt finale include istruzioni specifiche su cosa enfatizzare (rischi materiali, cambiamenti delle entrate, dichiarazioni prospettiche), quale formato utilizzare (punti elenco per i punti chiave, narrazione per la panoramica) e a quale livello linguistico mirare (evitare il gergo, spiegare i termini tecnici).
Quel prompt è ciò che rende il mio prodotto diverso da “incollare un 10-K in ChatGPT.” L’UX è un bel wrapper, ma il valore reale risiede nel prompt.
Versiona i tuoi prompt. Esegui A/B test su di essi. Tieni traccia di quali prompt producono output che gli utenti valutano più alti. Tratta l’ingegneria dei prompt come lo sviluppo del prodotto, non come un’impostazione una tantum.
Prezzi (Fai Pagare Più di Quanto Pensi)
Ho lanciato a $9/mese. Gli utenti si sono iscritti. Ho aumentato a $19/mese. Gli utenti si sono ancora iscritti, praticamente con la stessa frequenza. Avrei dovuto iniziare a $19.
Il mio costo per utente al mese è circa $2,50 in chiamate API (l’utente medio riassume circa 8 documenti al mese). A $9/mese, il mio margine era del 72%. A $19/mese, è dell’87%. Stesso sforzo, stesso prodotto, quasi il doppio delle entrate.
La lezione: i prodotti AI offrono un valore enorme rispetto al loro costo. Un investitore al dettaglio che può comprendere i documenti SEC in 5 minuti invece di 2 ore sarebbe felice di pagare $19/mese. Molti pagherebbero $49/mese. Stavo fissando i prezzi in base ai miei costi invece che al valore per i miei utenti. Errore classico.
Gli Errori Che Ho Compiuto
Costruire funzionalità che nessuno ha chiesto. Ho speso una settimana a costruire una funzionalità di “confronto dei documenti” prima del lancio. Zero utenti l’hanno utilizzata in otto mesi. Avrei dovuto lanciare una settimana prima.
Non parlare con gli utenti abbastanza presto. Ho costruito per due settimane prima di mostrarlo a qualcuno. Quando finalmente l’ho fatto, le prime tre persone hanno detto “questo è fantastico, ma può evidenziare i rischi specificamente?” Quella è diventata la funzionalità più popolare — e avrei potuto saperlo fin dal Giorno 1 se avessi chiesto.
Ignorare la latenza. La mia prima versione inviava l’intero documento a Claude e aspettava la risposta completa prima di visualizzare qualsiasi cosa. Gli utenti fissavano un caricamento per 30-45 secondi. Passare a risposte in streaming (mostrando il riassunto man mano che veniva generato) ha migliorato notevolmente l’esperienza percepita. La latenza conta più di quanto pensi.
Sottovalutare l’onboarding. I miei primi utenti arrivavano al dashboard e non sapevano cosa fare. Aggiungere un semplice prompt “incolla un simbolo del ticker per iniziare” con un documento di esempio ha aumentato l’attivazione dal 40% al 78%.
Cosa Farei Diversamente
Inizia con 10 utenti beta paganti prima di costruire qualsiasi cosa. Fai pagare loro $29/mese. Usa le conversazioni per modellare il prodotto. Costruisci solo ciò di cui hanno bisogno quelle 10 persone. Lancia pubblicamente quando 8 su 10 dicono che si arrabbierebbero se togliessi il prodotto.
Questo approccio mi avrebbe fatto risparmiare due settimane nella costruzione di funzionalità che nessuno voleva e mi avrebbe dato un prodotto più precisamente mirato fin dal primo giorno.
AI SaaS è l’opportunità commerciale più accessibile nel settore tech al momento. Gli strumenti sono maturi, i costi sono bassi e la domanda è reale. La parte difficile non è la tecnologia — è trovare un problema specifico e avere la disciplina per risolverlo in modo semplice.
🕒 Published: