Ogni settimana arriva un'idea AI nuova. La parte difficile non è prototipare, perché gli LLM rendono il prototipo banale. La parte difficile è capire se c'è un prodotto sotto quell'idea.
Questa è la check-list che uso in Noonic Labs prima di investire più di un weekend su un'idea AI.
1. Problem fit
Domanda: il problema esiste senza l'AI?
Se la risposta è "no, ma con l'AI sarebbe figo" → non è un prodotto, è un demo. I prodotti AI che funzionano risolvono problemi che esistevano già, solo con costi (umani, di tempo, di scala) che li rendevano insostenibili.
Test: parla con 5 persone che oggi affrontano quel problema. Se nessuno ha provato a risolverlo manualmente, non vale la pena.
2. Model fit
Domanda: il modello attuale è abbastanza buono per il caso d'uso?
Per ogni idea testa il prompt più semplice possibile su Claude/GPT/Gemini con 10 input reali. Se la qualità è < 70% senza fine-tuning o RAG, il prodotto non sarà pronto entro 6 mesi, nemmeno con tutto il prompt engineering del mondo.
Esempio concreto: un cliente voleva un agente che generasse offerte commerciali. Test su 10 brief reali → output corretti al 40%. Conclusione: non era un problema di prompt, era che il dominio richiedeva conoscenza tacita non presente nel training. Pivot necessario.
3. Data fit
Domanda: abbiamo i dati per farlo bene, e la legge ci permette di usarli?
Tre check rapidi:
- Volume: ci sono almeno 100 esempi reali per ogni caso d'uso?
- Qualità: i dati sono strutturati o servono settimane di pulizia?
- Compliance: GDPR, segreto professionale, contratti con i clienti: chi ha il diritto di processare cosa?
Il 60% dei progetti AI B2B muore qui. Non per mancanza di tecnologia, ma per dati sporchi o vincolati.
4. GTM fit
Domanda: chi paga, perché, e quanto?
I prodotti AI hanno una particolarità: il costo marginale per richiesta non è zero (token = soldi). Quindi il pricing model va deciso prima di costruire, non dopo.
Check finale:
- Esiste un budget esistente che il prodotto AI può attaccare? (è più facile di crearne uno nuovo)
- Il pricing copre i costi LLM con margine ≥ 70%?
- Il ciclo di vendita è < 90 giorni? (se è enterprise pesante e siamo in fase discovery, ripensaci)
Il framework in pratica
Due settimane, quattro check, una decisione. Se 4/4 sono verdi → si costruisce. Se 3/4 → si itera sull'altro prima di scrivere codice. Se ≤ 2/4 → l'idea va in pausa.
Non è un framework rigoroso, è un filtro. Serve a separare le idee da prototipare dalle idee da archiviare. Nel mio esperienza taglia il 70% delle proposte e fa risparmiare mesi.