Automatisez votre digest MRR Stripe avec un agent IA sur Telegram

Vous ouvrez déjà Stripe tous les matins. Arrêtez d'ouvrir le dashboard.

Si vous tenez un petit SaaS, la première chose que vous faites la plupart des matins est d'ouvrir Stripe. Vous regardez les mêmes trois ou quatre chiffres. MRR. Nouveaux abonnements de la nuit. Annulations. Parfois les paiements échoués. Puis vous fermez l'onglet et vous attaquez votre journée.

Les dashboards qui promettent de régler ça démarrent à un vrai tarif. Baremetrics Metrics coûte $208 par mois pour le produit d'analytics seul. ChartMogul est gratuit sous $10K de MRR, puis passe à $100 par mois en Scale et ajoute $25 par mois pour chaque tranche de $10K de MRR franchie. Les deux vous envoient un digest par email ou Slack. Les deux vous donnent aussi une matrice de cohortes de churn, un modèle de forecasting, un workflow de dunning et dix autres fonctionnalités que vous n'utilisez pas.

Si la seule chose que vous voulez vraiment c'est "qu'est-ce qui a changé sur Stripe cette nuit, dans un message, à 9h", vous payez entre $108 et $474 par mois pour le mauvais produit. Ce que vous voulez, c'est un rapport quotidien, pas une suite d'analytics. Ce sont deux problèmes différents et le deuxième se règle en un après-midi avec un agent IA sur Telegram, une clé Stripe en lecture seule et une seule tâche planifiée.

Ce que contient un digest Stripe vraiment utile

Avant d'automatiser quoi que ce soit, écrivez le digest que vous aimeriez recevoir en vous réveillant. Pour un SaaS bootstrappé, le minimum utile est court :

MRR actuel et delta par rapport à il y a 24h. Un seul chiffre titre avec son signe.
Nouveaux abonnés payants de la nuit. Plan, email du client, contribution au MRR.
Annulations de la nuit. Plan, email du client, MRR que vous venez de perdre.
Changements de plan. Les upgrades et les downgrades s'équilibrent en MRR d'expansion et de contraction.
Paiements échoués qui méritent qu'on s'y arrête. Tout ce qui dépasse $50, ou tout ce qui touche un client présent depuis plus de 3 mois.
Une ligne de contexte. "Net +$47 de MRR, l'expansion l'emporte sur le churn 3 contre 1, plus gros mouvement : Acme qui passe en Pro" se lit très différemment d'une simple liste de chiffres.

C'est un message de 10 lignes. Pas besoin d'un dashboard à $208. Il faut une clé Stripe en lecture seule, un chat Telegram et une seule tâche planifiée qui tourne à 9h heure locale.

La recette : une skill, une tâche quotidienne, une clé en lecture seule

L'astuce est de garder un périmètre très resserré. Pas besoin de recalculer le MRR à partir des événements invoice.payment_succeeded. Pas besoin d'une base de données interrogeable. Il vous faut un seul résumé quotidien, rédigé par l'agent, livré sur votre téléphone.

Étape 1 : créer une clé Stripe en lecture seule

C'est l'étape de sécurité la plus importante. Les clés restreintes de Stripe permettent d'accorder la permission Read sur des ressources précises et None sur tout le reste. Pour un digest MRR, vous n'avez besoin que de la lecture sur :

Abonnements
Clients
Factures
Prix et produits

Mettez None sur tout le reste. La clé ne peut pas créer de paiements, ne peut pas rembourser, ne peut pas modifier un abonnement, ne peut pas lire les données de votre plateforme Connect. Si elle fuit, le pire qu'un attaquant puisse faire est de voir les mêmes chiffres que vous. Stripe recommande explicitement les clés restreintes plutôt que les clés secrètes, surtout quand on confie la clé à un agent IA.

Stockez la clé dans les secrets de votre agent, jamais dans le code, jamais dans un prompt. Hermes Agent chiffre les secrets au repos et ne les expose jamais au modèle.

Étape 2 : écrire une petite skill `stripe-reader`

La skill est un wrapper léger autour de l'API Stripe qui renvoie un seul bloc JSON chaque matin :

# skills/stripe-reader/main.py
import stripe, os, datetime as dt

stripe.api_key = os.environ["STRIPE_RESTRICTED_KEY"]
since = int((dt.datetime.now(dt.timezone.utc) - dt.timedelta(hours=24)).timestamp())

# MRR actif à l'instant
active = stripe.Subscription.list(status="active", limit=100, expand=["data.items"])
mrr_now = sum(_monthly_normalize(item) for sub in active.auto_paging_iter() for item in sub["items"]["data"])

# Événements des dernières 24h qui affectent le MRR
new_subs = list(stripe.Subscription.search(query=f"status:'active' AND created>{since}").auto_paging_iter())
canceled = list(stripe.Subscription.search(query=f"canceled_at>{since}").auto_paging_iter())
plan_changes = list(stripe.Event.list(type="customer.subscription.updated", created={"gte": since}).auto_paging_iter())

return {
  "mrr_now_cents": mrr_now,
  "new_subs": [_pluck(s) for s in new_subs],
  "canceled": [_pluck(s) for s in canceled],
  "plan_changes": [_pluck_event(e) for e in plan_changes],
  "failed_payments": _list_recent_failed_invoices(since),
}

Deux remarques sur le calcul. Premièrement, la définition même du MRR chez Stripe est la somme des montants normalisés en mensuel de tous les abonnements actifs, donc un plan annuel à $290 contribue pour $24,17 au MRR, pas $290 (documentation MRR Stripe). Deuxièmement, une annulation n'arrête de compter dans le MRR que lorsqu'elle expire, pas au moment où le client clique sur Annuler - donc "annulations de la nuit" dans votre digest doit inclure à la fois les événements canceled_at et les événements current_period_end tombés dans les dernières 24h.

C'est exactement le genre de subtilité qui rend le calcul du MRR à partir des données brutes Stripe compliqué quand on tente de construire un vrai pipeline d'analytics. Pour un digest une fois par jour, on peut se permettre une légère imprécision - les dashboards sur lesquels votre œil est calibré font la même chose.

Étape 3 : une tâche planifiée à 9h

Donnez à votre Hermes Agent une seule ligne de cron en langage naturel :

chaque jour ouvré à 9h heure de Madrid, exécute la skill
stripe-reader et envoie-moi un digest Telegram. Titre : MRR
actuel et delta vs hier. Puis liste les nouveaux abonnés,
annulations, changements de plan et paiements échoués
au-dessus de $50. Termine par une ligne de contexte sur ce
qui a dominé la journée.

C'est tout le prompt. L'agent appelle la skill, récupère le JSON, rédige le message et l'envoie sur votre chat Telegram. Avec enabled_toolsets=["stripe-reader","telegram"] limité à cette tâche, le LLM ne voit que les chiffres dont il a besoin et l'outil d'envoi Telegram - il ne peut pas appeler autre chose par accident. C'est le même schéma que dans le guide du digest crypto et dans le manuel des tâches planifiées pour Hermes Agent.

Pourquoi la couche agent gagne sa place

Un rapport plat pourrait se faire avec un script Python de 50 lignes. La raison de mettre un agent devant, c'est la ligne de contexte à la fin du message.

Un rapport brut dit :

MRR $4 217. +$47 vs hier. 2 nouveaux abonnés. 1 annulation. 3 changements de plan. 1 paiement échoué.

Un rapport contextuel dit :

MRR $4 217 (+$47, +1,1%). L'expansion l'emporte sur le churn 3 contre 1 - Acme est passé de Starter à Pro ($30 de MRR), Beta Co a ajouté un siège ($10). Une annulation Starter ($19) a cité "je passe à Notion AI" dans le questionnaire de sortie. Net +$47, deuxième meilleure journée du mois.

Mêmes chiffres, message très différent. Le premier, vous le survolez. Le deuxième, c'est quelque chose sur quoi vous pouvez agir - vous pouvez recontacter le client qui annule, remercier Acme pour l'upgrade, ou vérifier si cette raison de sortie revient sur d'autres annulations. Cette couche de diagnostic, c'est ce qui coûte $108 par mois chez Baremetrics et c'est ce qu'un petit agent IA vous donne pour le prix d'un VPS bon marché plus votre propre consommation de modèle.

Combien ça coûte

Calcul honnête pour un SaaS bootstrappé dans la tranche $0 - $10K de MRR :

| Outil | Coût mensuel | Ce que vous obtenez | |---|---|---| | Baremetrics Metrics | $208 | Suite d'analytics complète, digest hebdomadaire par email | | ChartMogul Scale | $100 + $25 par +$10K MRR | Suite d'analytics complète, alertes configurables | | ProfitWell | $0 de base | Métriques gratuites limitées, upsell vers Recover et Retain | | Hermes Agent + Hermify Starter | $19/mois + ~$2 de consommation de modèle | Un digest Telegram à 9h, propriété totale de la clé en lecture seule et du prompt |

Vous n'avez pas les courbes de rétention par cohorte, vous n'avez pas de dashboard public, vous n'avez pas de workflow de dunning. Vous avez le seul rapport que vous ouvrez vraiment et vous l'avez sur votre téléphone avant même de vous asseoir. Pour la plupart des fondateurs bootstrappés sous $10K de MRR, c'est tout le boulot.

Si vous dépassez $10K de MRR et qu'il vous faut la pièce dunning, vous pouvez garder l'agent pour le digest quotidien et ajouter ChartMogul Launch (gratuit sous $10K) ou un outil ciblé pour le besoin précis. L'agent ne vous enferme pas.

Pour démarrer

Le setup complet :

Créez une clé Stripe restreinte avec lecture sur abonnements, clients, factures, prix et produits. None sur tout le reste.
Mettez la clé dans les secrets de votre Hermes Agent.
Ajoutez la skill stripe-reader - vous pouvez l'écrire vous-même ou repartir du dépôt public de skills Hermes.
Ajoutez une ligne de cron en langage naturel.
Vérifiez que le premier digest arrive bien sur Telegram à 9h.

Si vous voulez tout le stack hébergé, supervisé, et sur un bot Telegram managé, démarrez avec Hermify sur le plan Starter à $19/mois. Vous apportez votre clé de modèle et votre clé Stripe en lecture seule, nous tenons le runtime, le cron et le bot. Le même schéma fonctionne pour les digests crypto, le suivi de concurrents et le reste du cluster d'automatisation qu'on a publié ce dernier mois.

Le dashboard que vous ouvrez chaque matin coûte $108. Le dashboard qui vient à vous coûte $19.

Sources

Calculating MRR in Stripe Billing - Stripe Help & Support
Impact of subscription cancellations on MRR - Stripe Help & Support
Common events that affect MRR totals - Stripe Help & Support
Restricted API keys - Stripe Documentation
Best practices for managing secret API keys - Stripe Documentation
ChartMogul vs Baremetrics vs MRR.io pricing - Baremetrics blog
ChartMogul pricing on G2
Calculating MRR from raw Stripe data is tricky - Steven Wang on Medium