DokladBot product teardown: jak scopuju AI produkt jako solo founder

Krátká verze: DokladBot promění fotku účtenky v zaúčtovaný záznam. Produktová práce není ten model. Model extrahuje. Produkt je všechno kolem, co donutí majitele malé firmy věřit výstupu natolik, aby klikl na "zaúčtovat" bez druhé kontroly. Tenhle teardown je o tom, jak jsem to nascopoval jako solo founder, co si zároveň píše kód.

Problém

Čeští živnostníci a malé firmy se topí v papírech. Každou účtenku a fakturu je třeba přečíst, zařadit do kategorie, spárovat s platbou a zaúčtovat do jednoho ze tří účetních systémů. Je to pomalé, nudné a přesně ten strukturovaný-ale-chaotický druh práce, ve kterém je LLM dobrý a člověk ji nesnáší. Bolest je opakovaná (každý měsíc), data jsou strukturovaná (částka, DPH, dodavatel, datum, IČO) a navazující akce je konkrétní (zaúčtovat). Tahle kombinace dělala produkt smysluplným.

Uživatel a job-to-be-done

Uživatel není vývojář a o AI se nezajímá. Jde mu o jediné: trávit míň času papírováním, aniž by zkazil čísla. Job-to-be-done tedy zní "ať mi účtenky zmizí správně do účetnictví". Všechno v produktu se měří proti téhle větě. Feature, co přidá nastavení, ale ne důvěru, prohrává.

Jediná metrika, co se počítá

Ne přesnost samotná. Metrika je podíl dokumentů, co projdou od fotky po zaúčtování jedním tapem a bez opravy. Tohle jedno číslo v sobě nese kvalitu extrakce, kvalitu návrhu kategorie i tření UI naráz. Když roste, produkt dělá svou práci. Když je přesnost vysoká, ale lidi stejně všechno kontrolují, číslo zůstane nízké a produkt selhal, i když model "funguje".

Klíčová rozhodnutí

AI je jádro, ne feature. Extrakce vytáhne z fotky částku, DPH, dodavatele, datum a IČO a navrhne účetní kategorii. Postavil jsem to jako AI-native produkt, ne formulář s AI tlačítkem.

Spolehlivost nad chytrostí. Jedno špatné číslo nahlodá důvěru rychleji než chybějící feature. Proto má systém fallback přes víc modelů, retry s ohledem na rate-limity, hlídání nákladů a human-in-the-loop krok tam, kde si model není jistý, místo sebejistého hádání.

Potkej data tam, kde už jsou. Příjem dokumentů je postavený na privátní inbound-email schránce na firmu a WhatsApp cestě, protože tam účtenky už žijí. Nejlepší UX je to, které se uživatel nemusí učit.

Shipni integrace, co pokryjí trh, ne všechny. Vydal jsem integrace na tři účetní systémy, co pokrývají většinu českého trhu, místo honby za dlouhým chvostem. Pokrytí je produktové rozhodnutí, ne inženýrské.

Co jsem schválně nepostavil

Tahle část odděluje produktové myšlení od vyjmenovávání featur. Nepostavil jsem: mobilní appku (email a WhatsApp cesty ji zbytečnily), vlastní OCR model (LLM extrahuje dost dobře na to, aby trénovat vlastní byla práce nasměrovaná špatně), multiměnu při launchi (uživatel je český) a dashboard plný grafů, co nikdo nechtěl. Každé "ne" koupilo soustředění na tu jednu metriku.

Roadmapa řazená podle páky

Roadmapa je seřazená podle dopadu na metriku "zaúčtováno jedním tapem", ne podle toho, co je zábavné stavět: utáhnout human-in-the-loop práh, ať míň dokumentů potřebuje kontrolu, rozšířit párování plateb z banky a zpevnit hraniční případy, co teď vynucují opravu. Růstová práce (akvizice na Meta, Google, Seznam) běží vedle, ale produktová sázka je, že právě one-tap rate dělá ten růst placení hodným.

Proč je to produktový, ne inženýrský příběh

Napsal jsem kód, ale ta zajímavá rozhodnutí byla produktová: co je metrika, co nestavět, kam dát člověka do smyčky, které integrace se počítají. Model je komodita. Produkt je úsudek kolem něj. To je práce, kterou chci dělat víc.

DokladBot je live v betě a jde na trh. Pokud chceš stejné myšlení aplikované na svůj AI produkt, ozvi se.