Vissza a blogra
AI SaaSGo-to-MarketStartupEsettanulmányAI

AI SaaS build playbook — 12 hónapos menetrend, esettanulmányok és a 10 leggyakoribb hiba

ÁZ&A
Ádám Zsolt & AIMY
||7 perc

Ez a cikk az AI Ágens Mint Termék whitepaper sorozat 4. (befejező) része. A sorozat korábbi részei: Üzleti modellek, Pricing és unit economics, Architektúra és biztonság.


A 12 hónapos build playbook

Fázis 1: Validáció (0–3. hónap)

Cél: Bizonyítsd be, hogy van kereslet — mielőtt komolyabb összeget költenél fejlesztésre.

Hét Feladat Eredmény
1–2 Ügyfélinterjúk (15–20 potenciális felhasználó) Fájdalompontok validálva
3–4 Landing page + waitlist 100+ regisztráló = validált kereslet
5–8 MVP fejlesztés (1 vertikális, 1 connector, chat UI) Működő prototípus
9–12 Zárt beta (10–20 felhasználó) Aktivációs ráta, feedback, iteráció

Budget: 5.000–15.000 EUR (fejlesztés) + 1.000–3.000 EUR (marketing)

Az MVP nem a végleges termék. Az MVP a kérdés megválaszolása: „Ez a probléma elég nagy ahhoz, hogy fizessenek a megoldásáért?"

Fázis 2: Product-Market Fit (4–8. hónap)

Cél: Találd meg az árpontot, erősítsd az aktivációt, és indítsd el az organikus növekedést.

Hónap Feladat Eredmény
4 Pricing teszt (A/B: 49 vs 99 EUR) Optimális árpont
5 2. connector hozzáadása (Gmail) Aha-moment erősödik
6 Onboarding flow optimalizáció Aktiváció > 50%
7 Tartalommarketing indítás (blog, SEO) Organikus forgalom indul
8 Referral program CAC csökkenés

Budget: 3.000–8.000 EUR/hó | KPI: Churn < 8%, NPS > 30, trial → paid > 15%

Fázis 3: Növekedés (9–12. hónap)

Cél: Skáláz a működő modellt — több connector, több csomag, partner hálózat.

Hónap Feladat Eredmény
9 3. connector (Calendar) + Business csomag ARPU növekedés
10 White-label / partner program indulás Új értékesítési csatorna
11 Enterprise funkciók (SSO, audit log, SLA) Nagyobb ügyfelek
12 2. vertikális (ha az 1. működik) TAM növekedés

Budget: 8.000–20.000 EUR/hó | KPI: MRR növekedés > 15%/hó, LTV:CAC > 3x


5 AI SaaS esettanulmány — Akik csinálják

1. Intercom Fin — AI ügyfélszolgálat

Modell: Outcome-based pricing ($0.99/sikeres interakció). Az L1 jegyek 50%-át automatizálja. Ez a legrafináltabb pricing modell: ha az AI nem old meg egy jegyet, a cég nem fizet. Az ügyfelek imádják, mert csak az eredményért fizetnek.

Tanulság: Az outcome-based pricing erős értékajánlat, de nehéz definiálni a „sikert".

2. Harvey AI — Jogi AI

Modell: Seat-based enterprise pricing. A jogi kutatás idejét 80%-kal csökkenti. A Harvey nem általános chatbot — mély jogi szaktudással rendelkezik, speciális promptokkal és fine-tuned modellekkel.

Tanulság: A vertikális szaktudás a moat. Ha a terméked jobban ért az iparághoz, mint a versenytársaid általános AI-ja, nyertél.

3. Jasper — Marketing AI

Modell: Tiered ($39–$125/hó). $80M ARR, de a növekedés lassul. A probléma: a ChatGPT „elég jó" a marketing szövegírásra, és ingyenes. A Jasper differenciálási nehézségekkel küzd.

Tanulság: Differenciálás nélkül commodity-vá válunk. Az „AI, ami ír" nem elég — kell egy vertikális, egy workflow, egy integráció, ami pótolhatatlan.

4. Bland AI — Voice AI agent platform

Modell: Per-minute pricing ($0.09/perc). A voice AI az alulértékelt kategória 2026-ban. A telefonos ügyfélszolgálat, időpontfoglalás és outbound sales automatizálás óriási piac.

Tanulság: Nem kell vizuális UI — a voice-first is lehet AI SaaS termék.

5. AIMY — Vertikális AI asszisztens

Modell: Tiered + connector-alapú bővülés. Technológia: Node.js, PostgreSQL + pgvector, provider-agnosztikus adapter, MCP connector-ok, Knowledge Graph + RAG. Célpiac: szolgáltatók (szépségszalonok, egészségügyi praxisok).

Tanulság: A vertikális + lokális kombináció erős moat. Aki az adott iparágban, az adott nyelven, az adott piacon a legjobb — azt nehéz kimozdítani.


A 10 leggyakoribb hiba

# Hiba Megoldás
1 „Mindenkinek szól" Válassz EGY vertikálist, és légy ott a legjobb
2 „A technológia eladja magát" Az ügyfelet az érdekli: hány órát takarít meg
3 Nincs clear pricing Ha 10 mp alatt nem érti az árat → nem vásárol
4 Lassú onboarding Aha-moment > 3 nap = trial konverzió 5% alá esik
5 Nem mérik az AI költséget per tenant Per-tenant cost tracking kötelező
6 Egyetlen LLM provider Provider-agnosztikus architektúra: üzleti biztosíték
7 Nem tenant-izolált adatréteg Kódszintű izoláció, WHERE providerId =?
8 Feature creep MVP-ben 3 dolog nagyon jól, ne 15 félig
9 Nem gyűjtenek feedbacket Heti user interview az első 6 hónapban
10 Nincs moat Vertikális szaktudás + integráció + adat + közösség

A döntési keretrendszer

A 4 kérdés, amire válaszolnunk kell

1. Melyik iparágban indulunk? — Ahol a fájdalompont egyértelmű, a fizetőképesség megvan, a piac nem telített, és van iparági hozzáférésünk.

2. Melyik üzleti modellt választjuk?

  • Micro team → Vertikális AI asszisztens
  • Platform vízió → Connector platform
  • Kétoldalú piac → AI marketplace

3. Hogyan árazunk?

  • KKV: Tiered (49/99/199 EUR)
  • Enterprise: Seat-based + egyedi
  • Volume: Usage-based kiegészítéssel

4. Mi a 12 hónapos terv?

Hónap Mérföldkő
3. MVP + 20 beta felhasználó
6. 50 fizető ügyfél, 5K EUR MRR
9. 150 ügyfél, 15K EUR MRR, 2. connector
12. 300 ügyfél, 30K EUR MRR, partner program

A végső gondolat

Az AI SaaS termék építése 2026-ban olyan, mint a mobilapp-építés 2010-ben volt. A piac nyitott, az eszközök elérhetők, a kereslet exponenciálisan nő.

De ahogy a mobilforradalom idején sem az nyert, aki „csak épített egy appot", hanem aki egy konkrét problémát oldott meg egy konkrét közönségnek — az AI SaaS-ban is ez a képlet.

Ne AI-t építs. Megoldást építs. Olyat, amelyik történetesen AI-t használ, mert azzal 10x jobb.


Egy mondatban: Az AI ágens mint termék a 2026-os SaaS piac legnagyobb lehetősége — de csak annak, aki nem technológiát, hanem üzleti értéket árul.


Ez a cikk az AI Ágens Mint Termék whitepaper sorozat befejező 4. része. Olvasd el a teljes tanulmányt a Tudásbázisban!

Megosztás:
Vissza a blogra