Pourquoi ces cinq-là
Sur les dix-huit derniers mois on s'est assis en face d'environ quarante founders SaaS IA en premier projet. Certains ont shippé. D'autres ont plié. Ceux qui ont calé ont presque toujours calé aux mêmes cinq endroits. Aucun n'est technique — c'est la partie cruelle. Ce sont des décisions que vous prenez en semaine un qui ne mordent pas avant le mois trois.
Erreur 1 : Choisir un modèle comme si c'était un mariage
Les founders traitent le choix du modèle comme un engagement permanent : choisir Claude ou choisir GPT, puis construire tout le système autour des quirks de ce vendor. Six mois plus tard le modèle est deprecated, le prix a changé, ou un meilleur sort, et ils sont coincés.
Le fix est structurel, pas philosophique. Mettez chaque appel modèle derrière un adapter léger dans votre code — await callModel({ task, input, schema }), pas await anthropic.messages.create(...). L'adapter choisit le modèle selon le nom de la tâche, pas le vendor. Quand le paysage change (et il change, chaque trimestre), vous changez un fichier de config.
Erreur 2 : Construire l'eval après le lancement
Le pattern founder fait : construire l'agent, démoer à cinq amis, shipper en beta. Puis un user se plaint que l'agent a donné une mauvaise réponse, et là vous essayez de savoir si l'agent a régressé ou si ce user est un outlier. Sans eval set, vous ne pouvez pas le dire, et vous ne pouvez pas fixer sans casser autre chose.
Construisez l'eval set en premier — 20–30 paires input/expected-output faites main qui couvrent vos cas d'usage cœur plus les modes d'échec qui vous inquiètent. Faites-le tourner sur chaque changement de prompt. L'eval n'a pas besoin d'être sophistiqué ; un script qui compare des outputs JSON et flag les diffs suffit pour la semaine un. La discipline compte plus que l'outillage.
Erreur 3 : Sous-estimer le travail de la donnée
Chaque démo de SaaS IA montre le modèle faisant quelque chose d'impressionnant avec de la donnée propre et structurée. Puis vous shippez et vous découvrez que la donnée de votre client est dans des PDFs de 2014, des Excel avec des cellules fusionnées, des exports CRM où la moitié des champs sont des notes en texte libre disant « voir pièce jointe ». Le modèle va bien. La plomberie de la donnée est là où se cache 80% du travail.
Avant de construire l'agent, construisez le connecteur. Passez une semaine à tirer de la vraie donnée client — avec leur consentement — dans la forme dont votre agent a besoin. Si cette semaine est impossible ou prend un mois, votre produit est en fait un outil d'intégration de données avec une feature IA, et vous devez le pricer et le positionner comme tel.
Erreur 4 : Pricer au token
Un nombre surprenant de founders IA premier projet pricent leur produit comme OpenAI price son API — au token, ou à la requête. C'est un désastre pour deux raisons. D'abord, vos clients ne peuvent pas budgéter. Ensuite, ça vous met dans une course au moins-disant contre le provider en dessous, qui sera toujours moins cher que vous.
Pricez sur l'outcome qui intéresse votre client : par ticket clos, par lead qualifié, par dossier ouvert, par conversation aboutie. L'outcome se rattache à du revenu que votre client comprend déjà. Les tokens deviennent un problème de COGS interne que c'est votre boulot de résoudre.
Erreur 5 : Construire le dashboard avant l'API
L'instinct de chaque founder SaaS premier projet est de construire l'UI web la plus léchée possible comme preuve que le produit est réel. Pour les produits IA c'est l'inverse. La première version de votre produit doit être une API ou un workflow qui dépose l'output là où votre client travaille déjà — Slack, mail, leur CRM existant. L'UI vient plus tard, une fois que vous savez à quoi le workflow ressemble vraiment en prod.
Ce n'est pas une question d'être désengagé sur le design. C'est ne pas passer deux mois à construire des écrans pour un workflow que vous n'avez pas encore validé.
Une bonus : Vous parler de pas facturer
La plus dure. L'IA semble nouveau, donc les founders se sentent gênés de facturer de vrais prix. Ils le donnent gratuit, puis « introduisent » du pricing plus tard, puis regardent toute leur base churner le jour où ils allument le compteur. Facturez dès le jour un. Le chiffre peut être faux ; l'acte de facturer filtre l'audience aux gens qui ont vraiment le problème que vous résolvez.
À retenir
La partie technique du SaaS IA devient plus dure chaque trimestre, mais aussi mieux documentée. La partie non technique — abstraction du modèle, evals, travail de la donnée, pricing, séquençage — est là où les founders premier projet perdent le plus de temps. Évitez ces cinq et vous vous achèterez trois mois de runway dont vous ne saviez pas que vous les aviez.