Playbook pro AI-native SaaS — jak jsme postavili Plantory end-to-end

Vychází z Plantory.ai, vlastního AI-native SaaS, který jsme v DX Heroes postavili. Má 5 000+ uživatelů, 8 jazykových verzí a 15+ produkčních AI pipelines. Pokud vás zajímá proč, přečtěte si Proč jsme postavili Plantory. Pokud chcete uhlazenou případovou studii s metrikami, podívejte se na Plantory.ai — případová studie.

„AI-powered" funkce je snadná: vložíte volání LLM do route handleru a jste hotovi. AI-native je těžší. Znamená to, že AI je součástí produktu i provozu kolem něj, ne ozdobou.

Prakticky se AI-native rozpadá na pět ploch:

Většina týmů zvládne jednu, dvě. Všech pět najednou je tam, kde se přínos násobí.

Před nástroji tři principy. Ty bychom drželi bez ohledu na poskytovatele modelu.

V Plantory je model zahrady kanonický: 2D plátno se zónami, rostlinami v reálném měřítku, klimatickým pásmem, typem půdy, osvitem, inventářem a historií. Každé volání AI dostane tento stav, ne volný prompt.

To je největší důvod, proč poradce působí užitečně. Prompt bez ukotvení je pokrčení ramen; prompt s plným prostorovým modelem je cílené doporučení. Stejné modely. Jiný zážitek.

Veškerý perzistentní stav žije za NestJS API. Next.js aplikace je prezentační a AI-streamingová vrstva.

Proč na tom záleží: AI endpointy jsou ze své podstaty streamingové, stavové a náchylné k selhání. Nechcete mít doménovou logiku, autentizaci, billing a jobové úlohy zamotané v route handlerech. Dejte AI tam, kde záleží na odezvě (blízko uživateli), a byznys pravidla tam, kde záleží na trvanlivosti (za API s kontrakty).

Každá AI integrace si zaslouží místo jen tehdy, když konkrétně něco zlepšuje. Chat panel, který odpovídá na zahradnické otázky, není AI funkce, ale chatbot. Chat panel, který vidí plátno, ví, že je to USDA zóna 7a, ví, že uživatel má jílovitou půdu, a pamatuje si, že loni na jaře padla rajčata, už AI funkce je.

Pokud neumíte vyslovit, jaký kontext dělá AI užitečnou, nemáte AI produkt.

Tady je, co běží v produkci na Plantory.

To je plocha, kterou většina týmů podcení. Postavili jsme vlastní marketplace pluginů pro Claude Code. Plugin plantory má 20+ skillů: vývoj řízený specifikací (/plantory:spec-specify, /plantory:spec-plan, /plantory:spec-breakdown, /plantory:spec-implement), orchestrace GitHub Project boardů (/plantory:board-seed, /plantory:board-ensure, /plantory:board-work), revize kódu, audity refaktoringu, kvalitativní brány, vydávání release, LinkedIn zakladatele, budování Facebook důvěry.

Každý postup, který jsme dřív dělali ad hoc s prompty, je teď skill se známým tvarem, vstupy a výstupy. Tomuhle vzoru říkáme Claude Cowork: AI agenti jako plnohodnotní členové týmu s definovanou prací.

Výsledek: specifikace se plánují rychleji, revize kódu jsou konzistentnější, GTM boardy zůstávají aktuální a noví lidé v týmu poznávají systém tím, že spouštějí skilly, ne tím, že čtou dokumentaci.

Tři věci, které bychom dnes nastavili jinak, kdybychom začínali znovu.

Postavte evaluační sadu první den. Chvíli nám prošly „vibes". Když se chování po aktualizaci modelu posunulo, chytit to rychle chtělo testy, které jsme ještě neměli. Začněte s malou evaluační sadou na každý AI endpoint. Nechte ji růst.

Stropy rozpočtu před spuštěním, ne po něm. Náš první programový reklamní test propálil rychleji, než jsme čekali, protože strop na úrovni platformy zaostával za průtokem AI. Nastavte strop platformy nejprve. Nechte AI ladit uvnitř něj.

Dejte marketplacu pluginů plnohodnotné zázemí brzy. My jsme to brali jako „skripty", než jsme viděli, jak moc pomůže zabalit postupy do skillů. Průlom je vzor marketplace pluginů, ne jednotlivé skilly.

Pokud stavíte AI-native produkt a chcete tým, který to reálně dělal, pojďte si promluvit.