Eu lancei meu primeiro produto AI SaaS há oito meses. É uma ferramenta que lê relatórios da SEC e gera resumos em inglês simples para investidores de varejo. Receita: $4.200/mês. Usuários: cerca de 340 assinantes pagantes. Tempo para construir o MVP: 12 dias.
Não estou dizendo isso para me gabar — $4.200/mês não é dinheiro suficiente para pedir demissão. Estou dizendo isso porque, há oito meses, eu jamais tinha construído um produto SaaS, não sou um desenvolvedor particularmente talentoso e toda a pilha técnica é essencialmente um envoltório bem projetado em torno da API do Claude. Se eu consigo, a barreira de entrada é realmente baixa.
Aqui está tudo que aprendi, incluindo os erros.
Encontrando a Ideia (Pare de Pensar Demais sobre Isso)
Eu perdi dois meses pensando na “ideia perfeita de AI SaaS”. Li artigos sobre tamanho de mercado, TAM e barreiras competitivas. Nada disso importava.
O que importava: meu sogro me ligou um sábado perguntando o que significava um preenchimento 10-K. Passei 30 minutos explicando para ele. Então pensei: quantos investidores de varejo têm a mesma pergunta, mas não têm 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 AI SaaS não são inteligentes. Elas são óbvias em retrospectiva. Encontre um fluxo de trabalho onde alguém passa horas fazendo trabalho cognitivo que um LLM pode fazer em segundos. Construa um produto em torno desse fluxo de trabalho. Fim.
A armadilha a evitar: “AI-powered [coisa genérica]” não é um produto. “AI writing tool” é uma funcionalidade. “AI tool that generates real estate listing descriptions from property photos and specifications, formatted for Zillow and Realtor.com” é um produto. A especificidade é o produto.
Arquitetura Técnica (Mantenha Simples)
Minha pilha técnica: frontend em Next.js, backend em Node.js, banco de dados PostgreSQL, API do Claude para a AI, Stripe para pagamentos, Vercel para hospedagem. Custo mensal total da infraestrutura: $87.
É isso. Sem microserviços. Sem Kubernetes. Sem banco de dados vetorial (acrescentei um depois quando precisei de RAG para comparação de preenchimentos históricos, mas o MVP não tinha isso). Sem um framework de orquestração sofisticado.
Eu vejo fundadores construindo arquiteturas de AI complexas antes de terem seu primeiro usuário. Eles passam meses em fluxos de trabalho do LangChain, orquestrações de agentes e ajustes de pipelines. Então eles lançam e descobrem que seus usuários só querem uma caixa de texto e um botão “Go”.
Construa a coisa mais simples que resolva o problema. Você pode adicionar complexidade depois, quando tiver usuários dizendo o que realmente precisam.
A camada de AI era literalmente: pegar o texto do preenchimento da SEC, enviá-lo para o Claude com um prompt cuidadosamente elaborado e transmitir a resposta de volta ao usuário. A engenharia do prompt levou dois dias. O resto do MVP de 12 dias foi autenticação, pagamentos e dar uma aparência menos terrível.
O Prompt É Seu Produto
Aqui está algo que demorou demais para eu perceber: para a maioria dos produtos AI SaaS, o prompt É o produto. Não a infraestrutura. Não o framework. Não o esquema do banco de dados. O prompt.
Passando dois dias elaborando e testando meu prompt de resumo. Passei por cerca de 40 iterações. O prompt final inclui instruções específicas sobre o que enfatizar (riscos materiais, mudanças de receita, declarações prospectivas), que formato usar (pontos-chave para os principais destaques, narrativa para visão geral) e qual nível de linguagem almejar (evitar jargão, explicar termos técnicos).
Esse prompt é o que torna meu produto diferente de “colar um 10-K no ChatGPT.” A experiência do usuário é um bom envoltório, mas o valor real está no prompt.
Versione seus prompts. Faça testes A/B com eles. Acompanhe quais prompts geram saídas que os usuários classificam mais altas. Trate a engenharia de prompts como desenvolvimento de produto, não como uma configuração única.
Precificação (Cobre Mais do que Você Acha)
Eu lancei a $9/mês. Usuários se inscreveram. Depois aumentei para $19/mês. Usuários continuaram se inscrevendo, quase na mesma taxa. Eu deveria ter começado em $19.
Meu custo por usuário por mês é cerca de $2,50 em chamadas de API (o usuário médio resume cerca de 8 preenchimentos 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: os produtos de AI oferecem um valor enorme em relação ao seu custo. Um investidor de varejo que pode entender os preenchimentos da SEC em 5 minutos em vez de 2 horas pagaria felizmente $19/mês. Muitos pagariam $49/mês. Eu estava precificando com base nos meus custos em vez do valor que meus usuários percebiam. Erro clássico.
Os Erros que Cometi
Construindo funcionalidades que ninguém pediu. Passei uma semana construindo uma funcionalidade de “comparação de preenchimentos” antes do lançamento. Zero usuários a utilizaram em oito meses. Eu deveria ter lançado uma semana antes.
Não conversei com os usuários cedo o suficiente. Construí por duas semanas antes de mostrar a alguém. Quando finalmente mostrei, as três primeiras pessoas disseram “isso é ótimo, mas pode destacar os riscos especificamente?” Isso se tornou a funcionalidade mais popular — e eu poderia ter descoberto isso no Dia 1 se tivesse perguntado.
Ignorando a latência. Minha primeira versão enviou o preenchimento inteiro para o Claude e esperou pela resposta completa antes de mostrar qualquer coisa. Os usuários encararam um carregador por 30-45 segundos. Mudar para respostas em streaming (mostrando o resumo à medida que é gerado) melhorou drasticamente a experiência percebida. A latência importa mais do que você pensa.
Subinvestimento em onboarding. Meus primeiros usuários chegaram ao painel e não sabiam o que fazer. Adicionar um simples prompt “cole um símbolo de ticker para começar” com um preenchimento 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. Cobraria $29/mês. Usaria as conversas para moldar o produto. Construiria apenas o que aquelas 10 pessoas precisam. Lançaria publicamente quando 8 em cada 10 disserem que ficariam chateadas se você retirasse o produto.
Essa abordagem teria me salvado duas semanas construindo funcionalidades que ninguém queria e me dado um produto que estivesse mais precisamente direcionado desde o primeiro dia.
AI SaaS é a oportunidade de negócios mais acessível em tecnologia atualmente. 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 para resolvê-lo de forma simples.
🕒 Published: