17 maggio 2026Aggiornato il Fathy Shalaby12 min di lettura
Product Opportunity Assessment: un template moderno per i team dell'era dell'AI
Con il codice a basso costo dire di no diventa più difficile, non più facile. Un product opportunity assessment ti obbliga a rispondere a cinque domande prima di costruire, più due verifiche che ogni funzionalità AI richiede ormai.
Un product opportunity assessment è un documento breve che decide se un'idea merita tempo di discovery o di sviluppo, rispondendo a un insieme fisso di domande su problema, cliente, soluzione, business case e rischi. La versione di Marty Cagan del 2006 aveva dieci domande e si chiudeva con una decisione go o no-go. La versione moderna qui sotto ne usa cinque, più due verifiche di cui i prodotti dell'era dell'AI hanno ormai bisogno.
Non è burocrazia: è il posto più economico per dire di no. Un'idea scartata in due pagine costa un pomeriggio. Una scartata dopo il lancio costa tempo di ingegneria, carico sul supporto e lo spazio sulla roadmap che ha tolto a qualcosa di meglio.
Punti chiave
L'opportunity assessment di Marty Cagan del 2006 poneva dieci domande, a partire da "Exactly what problem will this solve?" fino a una decisione go o no-go, per evitare che le aziende sprecassero denaro in opportunità scadenti (SVPG, 2006).
Uno scarso product-market fit ha pesato nel 43% delle 385 chiusure di startup finanziate da venture capital che CB Insights ha potuto spiegare nella sua analisi di marzo 2026 (CB Insights, 2026).
Lo studio di Pendo del 2019 su 615 abbonamenti software ha rilevato che l'80% delle funzionalità è usato raramente o mai, e che il 12% delle funzionalità genera l'80% dell'uso quotidiano (Pendo, 2019).
L'AI ha reso più economico costruire, eliminando la pausa naturale che un tempo filtrava le idee deboli. L'assessment la rimette al suo posto di proposito.
Per le funzionalità AI aggiungi due prerequisiti: la fattibilità del modello (un modello può farlo con affidabilità sufficiente?) e il moat (perché non verrà copiato in un mese?).
Che cos'è un product opportunity assessment?
È un documento leggero di go o no-go, scritto prima che un team si impegni nella discovery o nella delivery. Cagan lo descrisse sul blog di SVPG nel dicembre 2006 come un modo rapido per intercettare presto le idee sbagliate (SVPG, 2006). Le sue dieci domande riguardavano:
Quanto è grande l'opportunità (dimensione del mercato)
Quali alternative esistono (concorrenza)
Perché siamo i meglio posizionati per coglierla (elemento differenziante)
Perché adesso (finestra di mercato)
Come raggiungiamo il mercato (go-to-market)
Come misuriamo il successo e guadagniamo (metriche e ricavi)
Che cosa è critico per il successo (requisiti della soluzione)
La raccomandazione (go o no-go)
Le domande valgono ancora. Quello che è cambiato è il costo che le circonda: nel 2006 costruire era lento, quindi le idee deboli spesso morivano sotto il loro stesso peso. Nel 2026 un prototipo può esistere prima che qualcuno abbia posto la domanda 1.
Un'opportunità, nella definizione utile di Teresa Torres, è un bisogno, un punto dolente o un desiderio del cliente non soddisfatto, non una funzionalità (Product Talk, 2023). Valuta prima l'opportunità e poi la soluzione.
Perché un opportunity assessment conta di più ora che l'AI rende economico costruire?
Perché "possiamo costruirlo?" non è più la domanda costosa. "Dovremmo?" lo è.
Lo spreco è ben documentato. Pendo stimava che le aziende di public cloud avessero investito fino a 29,5 miliardi di dollari in funzionalità usate raramente o mai (Pendo, 2019). Nei dati 2026 di CB Insights, un product-market fit scarso è al secondo posto tra le cause di chiusura, subito dopo l'esaurimento del capitale (70%) (CB Insights, 2026). I soldi finiscono prima quando finanziano prodotti di cui nessuno ha bisogno.
Il codice più economico non corregge nessuno dei due numeri; produce solo più funzionalità inutilizzate a trimestre. La nostra analisi di che cosa mostrano i dati 2026 sul coding con l'AI passa in rassegna le prove sulla velocità; in sintesi, decidere che cosa costruire non è diventato per niente più economico.
Per questo l'assessment funziona come una macchina del "no": se un team non riesce a rispondere alle domande centrali in un paio di pagine, non è pronto a costruire, per quanto veloce sarebbe lo sviluppo. I team che lo saltano scivolano in una feature factory, misurando l'output invece dei risultati.
A quali domande deve rispondere un product opportunity assessment?
Il template moderno condensa le dieci domande in cinque, ciascuna con risposte basate su evidenze e non sull'intuito.
Il problema. Quale dolore specifico e ad alto attrito stiamo risolvendo? È un problema "urgente" per l'utente o un lieve fastidio?
Il mercato target. Chi è esattamente il cliente e quanto è grande il mercato raggiungibile (TAM, SAM e SOM)?
La soluzione. Perché siamo posizionati meglio delle alternative che le persone usano oggi, compresi i fogli di calcolo e il non fare nulla?
Il business case. In che modo crea valore misurabile: ricavi, retention o efficienza operativa? Come lo misureremo?
I rischi. Quali sono i rischi tecnici, di mercato e di esecuzione, e come li ridurremo prima di impegnarci?
Come si mappano le cinque domande sulle dieci di Cagan?
Domanda moderna
Copre le domande di Cagan
Che cosa contiene una buona risposta
Problema
1 (value proposition)
Un dolore ben nominato, la frequenza con cui si presenta, il workaround attuale e il suo costo
Mercato target
2, 3 (mercato target, dimensione del mercato)
Un segmento primario; una stima di mercato bottom-up
Soluzione
4, 5, 9 (alternative, elemento differenziante, requisiti della soluzione)
Le alternative attuali e perché la nostra vince per questo segmento
Business case
7, 8 (go-to-market, metriche e ricavi)
Una metrica di successo, una contro-metrica e una via per raggiungere i clienti
Rischi
6, 10 (perché adesso, raccomandazione)
I principali rischi con un punteggio, i test che li eliminerebbero e una decisione: go, no-go o "prima discovery"
Tieni "perché adesso?" ben visibile nella sezione dei rischi. Molte opportunità apparentemente buone falliscono per il tempismo, che CB Insights indica come fattore nel 29% delle chiusure spiegate.
Che cosa deve aggiungere un opportunity assessment per le funzionalità AI?
Gli assessment classici trattano la soluzione soprattutto come una questione di ingegneria. Per le funzionalità AI questo non regge in due punti.
1. Fattibilità del modello
Un modello già pronto può fare il lavoro con affidabilità sufficiente, o l'idea richiede fine-tuning, dati proprietari o una persona nel loop? Rispondi con una piccola valutazione, non con una demo: raccogli input reali, definisci che aspetto ha un output corretto e misura quanto spesso il modello ci arriva. Una demo mostra il caso migliore; una valutazione mostra il tasso. Il nostro framework di valutazione dell'AI per i team di prodotto spiega come fissare quella soglia.
Poi chiediti quanto costa una risposta sbagliata. Se costa un minuto all'utente, un tasso di successo del 90% può bastare. Se costa denaro o fiducia, forse nessun tasso è abbastanza buono. Non sei sicuro che serva davvero l'AI? Fai prima il test delle quattro domande sull'AI.
2. Il moat
I concorrenti possono chiamare gli stessi modelli, quindi indica il vantaggio che sopravvive a un follower rapido:
Dati proprietari che migliorano l'output e a cui gli altri non possono accedere.
Effetti di rete, in cui ogni utente rende il prodotto migliore per il successivo.
Integrazione profonda nel workflow, che crea veri costi di cambio.
Se la risposta onesta è "saremo i primi", considera il moat assente e tienine conto nella raccomandazione.
Come si usa Working Backwards in un opportunity assessment?
Il processo "Working Backwards" di Amazon è un buon test per la domanda sulla soluzione. Come lo descrisse Werner Vogels nel 2006, il team scrive quattro documenti prima di costruire: un comunicato stampa, una FAQ, una descrizione dell'esperienza del cliente e un manuale utente, partendo dal cliente e risalendo alla tecnologia minima necessaria (All Things Distributed, 2006).
Per un opportunity assessment bastano i primi due documenti. Scrivi un comunicato stampa di una pagina per il prodotto finito e una FAQ con le domande più difficili che farebbe un cliente o un collega. Se il comunicato non riesce a esprimere con chiarezza il beneficio per il cliente, la domanda sulla soluzione non ha risposta.
Come separi le assunzioni dai fatti?
La parte più pericolosa di qualsiasi assessment è l'assunzione nascosta. Tieni nel documento una tabella a due colonne: Assunzioni (ipotesi su comportamento, dimensione del mercato o prestazioni tecniche) e Fatti (ciò che interviste, analytics, esperimenti o dati di mercato hanno validato, ciascuno con un link).
Ogni assunzione importante riceve un esperimento che la trasforma in fatto o la smonta. Se non riesci a progettare un test per un'assunzione chiave, porti più rischio di quanto il team veda. La nostra assumption map gratuita ordina le assunzioni per importanza ed evidenza, e la guida alla scelta di un esperimento di prodotto aiuta a individuare il test giusto per ciascuna.
I quattro grandi rischi di Cagan danno alla tabella una struttura utile (SVPG, 2017):
Rischio
Domanda
Responsabile nel modello di Cagan
Test di esempio
Valore
I clienti lo compreranno o sceglieranno di usarlo?
Product manager
Fake door, prevendita, interviste ai clienti
Usabilità
Gli utenti capiscono come usarlo?
Product designer
Test di usabilità con un prototipo
Fattibilità
L'ingegneria può costruirlo con il tempo, le competenze e la tecnologia che abbiamo?
Esempio pratico: valutare una funzionalità AI in un pomeriggio
Supponiamo che un team B2B SaaS di 5 persone, che vende uno strumento di customer success a circa 120 account paganti, stia valutando i "riepiloghi AI delle chiamate con i clienti". Questo team e i suoi numeri sono a scopo illustrativo.
Problema. In 8 delle 12 interviste recenti i CSM hanno detto di scrivere note dopo ogni chiamata; 5 hanno detto che spesso le note restano non scritte. Fatto: il dolore esiste per questi utenti. Assunzione: conta in tutti gli account.
Mercato target. Segmento primario: team di CSM da 3 a 15 persone che usano già il prodotto, circa 70 dei 120 account. Un SOM bottom-up sono questi 70 account, non "ogni azienda che fa chiamate con i clienti".
Soluzione. Gli strumenti per riunioni dei clienti spesso riassumono già le chiamate. Il possibile vantaggio: riepiloghi che arrivano nella scheda dell'account, accanto ai segnali di salute dell'account.
Business case. Metrica di successo: la quota di chiamate con un riepilogo allegato entro 24 ore sale da un 30% stimato al 70% in 8 settimane. Contro-metrica: CSM che modificano più della metà di ogni riepilogo, segno di qualità scarsa.
Rischi, valutati da 1 a 5 per fiducia e impatto:
Rischio
Impatto
Fiducia di avere ragione
Prossimo passo
I clienti ricevono già altrove riepiloghi "abbastanza buoni" (valore)
5
2
6 interviste in più focalizzate sugli strumenti attuali
I riepiloghi sbagliano nomi di prodotto e numeri (fattibilità)
4
2
Valutare su 40 trascrizioni reali di chiamate
Il moat è sottile: i concorrenti usano gli stessi modelli
4
3
Testare se la posizione nella scheda dell'account cambia il comportamento
Conservare i dati delle chiamate solleva questioni di privacy (sostenibilità per il business)
3
3
Rivedere il trattamento dei dati con il legale prima della beta
Raccomandazione: passare alla discovery, non alla costruzione, perché restano due rischi ad alto impatto e bassa fiducia. Un pomeriggio di assessment ha trasformato le due settimane successive da una build a due test.
La checklist del product opportunity assessment moderno
Usa questa checklist prima di dichiarare concluso un assessment:
Definizione del problema: indica esplicitamente il dolore del cliente, con frequenza e workaround attuale.
Evidenza del bisogno: cita spunti qualitativi dalle interviste o risultati quantitativi dai sondaggi, con link. Dieci interviste sono un punto di partenza sensato per un problema B2B, non un benchmark.
Dimensione del mercato: una stima bottom-up di TAM, SAM e SOM sostenuta da dati credibili e recenti.
Moat competitivo: chiara differenziazione rispetto agli operatori affermati e ai follower rapidi.
Verifiche AI: fattibilità del modello testata su input reali; costo dell'errore descritto.
Metriche di successo: una metrica primaria e almeno una contro-metrica (se l'adozione cresce, ne soffrono le prestazioni o il carico sul supporto?).
Matrice dei rischi: ogni rischio valutato per fiducia e impatto, con un test per ogni rischio ad alto impatto e bassa fiducia.
Raccomandazione: go, no-go o "prima discovery", con le evidenze che la cambierebbero.
Quando puoi saltare l'assessment completo?
Non ogni idea merita due pagine; i cambiamenti economici e reversibili spesso conviene testarli invece di discuterli. Ron Kohavi e Stefan Thomke descrivono un'idea di Bing del 2012 per cambiare il modo in cui venivano mostrati i titoli degli annunci. Richiedeva pochi giorni di ingegneria, fu classificata a bassa priorità tra centinaia di idee e rimase non testata per più di sei mesi. Quando un ingegnere eseguì finalmente un semplice test A/B, i ricavi salirono di circa il 12%, un valore superiore a 100 milioni di dollari l'anno negli Stati Uniti (HBR, 2017). La discussione ha tenuto quell'idea sullo scaffale; un test economico l'ha risolta.
Una regola praticabile:
Assessment completo per nuovi prodotti, nuovi segmenti, cambi di prezzo, funzionalità AI che toccano dati dei clienti e tutto ciò che richiede più di qualche settimana di sviluppo.
Versione breve in cinque domande (un paragrafo ciascuna) per le funzionalità di media dimensione.
Saltarlo per piccole modifiche reversibili che si possono testare in A/B o annullare in un giorno.
Errori comuni
Giustificare una decisione già presa. Se la raccomandazione è arrivata prima delle evidenze, è un documento di vendita.
Stimare il mercato dall'alto verso il basso. "L'1% di un mercato da 10 miliardi di dollari" non dice niente su chi compra per primo.
Trattare una demo come prova di fattibilità. Una demo mostra l'output migliore, non il tasso di errore.
Non riprenderlo mai in mano. Confronta il risultato del lancio con il business case.
Dove si inserisce Specky
Specky tiene in un unico posto le evidenze di un assessment. Chiamate, feedback, ticket di supporto e analytics confluiscono nel Product Graph, così la sezione sul problema cita fonti reali anziché ricordi. L'Opportunity Tree organizza risultati, opportunità e soluzioni, il punteggio RICE mette in classifica quelle concorrenti, e Alex, l'agente di ricerca AI di Specky, conduce interviste di approfondimento da un link condivisibile quando un'assunzione va testata. La decisione go o no-go resta tua.
Domande frequenti
Che cos'è un product opportunity assessment?
È un documento di una o due pagine che decide se un'idea vale tempo di discovery o di sviluppo. Copre problema, cliente target, soluzione, business case e rischi, e si chiude con una decisione: go, no-go o "prima discovery". Marty Cagan ha reso popolare il formato sul blog di SVPG nel 2006.
Quali sono le domande dell'opportunity assessment di Marty Cagan?
L'elenco di Cagan del 2006 ne ha dieci: il problema, chi lo ha, la dimensione del mercato, le alternative, il nostro elemento differenziante, perché adesso, il go-to-market, come misuriamo il successo e guadagniamo, i fattori critici di successo e una raccomandazione go o no-go. Il template a cinque domande presentato qui raggruppa quelle dieci.
In che cosa un opportunity assessment è diverso da un PRD o da un business case?
Un opportunity assessment viene per primo e chiede se vale la pena affrontare un problema. Un PRD segue una decisione go e specifica che cosa costruire. Un business case di solito si concentra sul ritorno finanziario. L'assessment copre tutti e quattro i rischi di prodotto, non solo quello economico, ed è volutamente più breve.
Quanto dovrebbe durare un product opportunity assessment?
Per la maggior parte delle funzionalità, da un pomeriggio a due giorni, con un risultato di una o due pagine. Se richiede settimane, il team sta facendo discovery dentro l'assessment; separa le due cose. L'assessment indica quali assunzioni vanno testate; non le testa tutte da solo.
Qual è la differenza tra un opportunity assessment e un opportunity solution tree?
Un opportunity solution tree, introdotto da Teresa Torres nel 2016, collega un risultato a molte opportunità dei clienti, soluzioni e test sulle assunzioni; è una mappa di discovery continua. Un opportunity assessment valuta a fondo una singola opportunità in un punto di decisione. Usa l'albero per trovare i candidati e l'assessment per decidere su uno.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing