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

Tenhle článek je pro tvůrce produktů. Pokud jste CTO, principal engineer nebo technický zakladatel a ptáte se „co to reálně obnáší postavit AI-native produkt end-to-end?", tady je návod.

Je postavený na Plantory.ai — vlastním AI-native SaaS, který jsme v DX Heroes postavili. 5 000+ uživatelů, 8 jazykových verzí, 15+ produkčních AI pipelines. Pro „proč" a vyprávění zakladatele: Proč jsme postavili Plantory. Pro uhlazenou případovou studii s metrikami: Plantory.ai — případová studie.

Co „AI-native" reálně znamená

„AI-powered" funkce je snadná — vložíte volání LLM do route handleru a jste hotovi. AI-native je těžší. Znamená to, že AI je základním stavebním kamenem produktu i operací kolem něj, ne ozdobou.

Prakticky se AI-native rozpadá na pět ploch:

1. AI v produktu — to, za co uživatelé platí
2. AI v médiích — to, co posíláte ven do světa
3. AI v distribuci — jak se nasazují reklamy, kampaně a provoz
4. AI v obsahu — jak vzniká blog, SEO a životní cyklus komunikace
5. AI v buildu — jak vzniká kód, specifikace, kontrola a vydání

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

Tři architektonické principy

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

1. Stavový model je zdroj pravdy

V Plantory je model zahrady kanonický — 2D plátno se zónami, rostlinami v reálném měřítku, klimatickým pásmem, typem půdy, osvitem, inventářem, 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.

2. Backend-first data, AI na okraji

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).

3. AI jako kontext, ne kulisa

Každá AI integrace si zaslouží místo jen tehdy, když specificky něco zlepšuje. Chat panel, který odpovídá na zahradnické otázky, není AI funkce — je to 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 — to je AI funkce.

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

Pět AI ploch — s reálným stackem

Tady je, co běží v produkci na Plantory.

1. AI v produktu

• Poskytovatel: Google Gemini přes Vercel AI SDK
• Vzory: streamovaný chat, strukturovaný výstup (pro generování úkolů), multimodální rozpoznávání obrazu (pro identifikaci rostlin), tool calling (k vyhledávání rostlin a úpravě plátna)
• Endpointy: Next.js route handlery pro AI plochu (/api/gardens/[id]/chat, /api/gardens/[id]/tasks/generate, /api/gardens/[id]/plants/[plantId]/analyze), NestJS pro všechno ostatní
• Kontroly: limity tokenů na požadavek, evaluační sada pro regresi nejdůležitějších úloh, strukturované logy

2. AI v médiích

• Statické obrázky: Satori + Resvg + Gemini — layout máme jako šablonu, AI generuje texty a prompty pro ilustrace, Satori renderuje do SVG, Resvg do PNG. Běží v background jobu.
• Video: Remotion pro programové video reklamy — AI píše scénář, syntetizuje voiceover a produkuje vizuální storyboard; Remotion renderuje do MP4.
• Škálování: jedno marketingové zadání se promění v desítky značkově konzistentních podkladů napříč jazyky bez toho, aby někdo otevřel Figmu.

3. AI v distribuci

• Integrace: Meta Ads API a Google Ads API, napřímo
• Tok: AI generuje kreativní varianty ze zadání → AI navrhne cílení a rozpočty → automatizace nasazuje kampaně přes API → člověk kontroluje výkon a schvaluje škálování
• Kontroly: tvrdé stropy rozpočtu na úrovni platformy, denní evaluace výkonu, skill /plantory:paid-performance-review, který audituje kampaně a vrací doporučení

4. AI v obsahu

• Blog a newsletter: skilly /plantory:blog-article a /plantory:newsletter v našem Claude Code pluginu. AI píše návrh, my ho kontrolujeme a publikační MDX pipeline řeší překlad do všech 8 jazykových verzí s automatickým linkováním a metadaty.
• Programové SEO: stránky generované ze šablon a AI doplněného obsahu, pro každou jazykovou verzi, vzájemně provázané
• Poznámky k vydání: AI je vytáhne z historie gitu, zkontrolujeme, publikujeme

5. AI v buildu

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 skilly spouštějí, než že by četli dokumentaci.

Co bychom udělali jinak

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 multiplikátor z toho, když se postupy zabalí do skillů. Vzor marketplace pluginů — ne jednotlivé skilly — je průlom.

Další čtení

• Proč jsme postavili Plantory — a co nás to naučilo o AI — vyprávění zakladatele
• Sedm lekcí, co nás Plantory naučila o AI v produkci — konkrétní taktická ponaučení
• Plantory.ai — případová studie — metriky a sedm pilířů

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