16 ottobre 2026Aggiornato il Fathy Shalaby13 min di lettura
I quattro rischi di prodotto: quali prove contano per ciascuno
L'AI ha reso economico dimostrare la fattibilità. Valore, usabilità e sostenibilità richiedono ancora prove proprie, e una bella demo di prototipo conta meno di quanto sembri. Il Risk Receipt ti mostra cosa hai davvero ridotto.
I quattro rischi di prodotto sono il valore (i clienti lo compreranno o lo useranno?), l'usabilità (riescono a capire come usarlo?), la fattibilità (possiamo costruirlo?) e la sostenibilità (funziona per il business?). L'impostazione di Marty Cagan regge ancora, ma l'AI ha cambiato l'economia: la fattibilità ora si testa a basso costo, mentre gli altri tre rischi richiedono ancora prove proprie. Una demo di prototipo dice molto meno sul valore di quanto sembri.
Punti chiave
I quattro grandi rischi di Cagan sono indipendenti: le prove su uno dicono poco sugli altri (SVPG, 2017).
Nell'analisi 2026 di CB Insights su 385 startup finanziate con venture capital fallite e con causa nota, il 43% ha citato uno scarso product-market fit e il 19% unit economics insostenibili. Sono problemi di valore e di sostenibilità, non di costruzione (CB Insights, 2026).
Cinque utenti di test trovano circa l'85% dei problemi di usabilità, quindi le prove sull'usabilità costano poco (Nielsen Norman Group, 2000).
La prova del valore è un comportamento con un costo associato, di solito raccolto prima che le persone vedano la tua soluzione.
Un Risk Receipt tiene insieme ogni ipotesi, la sua prova e un verdetto onesto («conta / debole / non verificato / non esaminato»), così nessuno scambia quattro belle chiamate di demo per una validazione.
Quali sono i quattro rischi di prodotto?
Cagan ha esposto i quattro grandi rischi in un articolo di SVPG del 2017, e sono diventati la checklist standard della product discovery (SVPG, 2017):
Rischio
La domanda
Responsabile nel modello di Cagan
Prova più solida
Prova più debole
Valore
I clienti lo compreranno, o gli utenti sceglieranno di usarlo?
Product manager
Comportamento con un costo: pilot, preordini, soluzioni di ripiego per cui già pagano
Tentativi di svolgere compiti senza aiuto da parte di utenti target
Walkthrough con gli stakeholder, «sembra pulito»
Fattibilità
Gli ingegneri possono costruirlo con il tempo, le competenze e la tecnologia che abbiamo?
Lead engineer
Un percorso funzionante su dati realistici, con l'elenco di ciò che è stato saltato
Una demo sul percorso ideale con dati di prova
Sostenibilità
Funziona per il resto dell'azienda?
Product manager
Costo di servizio, prezzi testati con un acquirente, via libera di vendite, legale, supporto
«Il prezzo lo vediamo dopo»
Nelle parole di Cagan, la sostenibilità è «se questa soluzione funziona anche per i vari aspetti della nostra attività». Comprende prezzi, costo di servizio, vendite, aspetti legali, compliance e supporto.
I quattro rischi sono indipendenti. Una funzionalità può essere banale da costruire, perfettamente usabile e non avere comunque alcun valore. Può avere un valore evidente e non essere sostenibile, per esempio quando ogni utilizzo costa in inferenza più di quanto paga il cliente.
Perché l'AI ha cambiato quali rischi di prodotto contano di più?
Quando costruire costava caro, la fattibilità era il cancello dietro cui si accodava tutto. I team dedicavano il tempo di discovery agli altri tre rischi mentre l'ingegneria stimava. Ora che un prototipo funzionante richiede un pomeriggio, la coda non c'è più, e con lei la pausa forzata in cui gli altri rischi venivano esaminati.
Benedikt Kantus l'ha detto senza giri di parole in un saggio dell'ottobre 2026: «AI has made feasibility almost trivial. It has not touched the other three.» (Leading in Product, 2026).
I dati sui fallimenti concordano su dove muoiono i prodotti. CB Insights ha studiato 431 aziende finanziate con venture capital che hanno chiuso dal 2023 e ha potuto individuare le cause per 385. «Capitale esaurito» era in cima con il 70%, ma il rapporto lo definisce la causa finale e non quella di fondo. Sotto: scarso product-market fit al 43%, tempismo sbagliato al 29% e unit economics insostenibili al 19% (CB Insights, 2026). E per i prodotti che sopravvivono, l'analisi di Pendo del 2019 ha rilevato che l'80% delle funzionalità del prodotto medio viene usato raramente o mai (Pendo, 2019). Il rischio costoso è quello di valore, non quello di costruzione.
La fattibilità è davvero risolta?
Per i prototipi, in gran parte. Per la produzione, meno chiaramente. Nello studio randomizzato di METR, 16 sviluppatori open source esperti, al lavoro su 246 issue reali nei propri repository, hanno impiegato il 19% di tempo in più con gli strumenti di AI di inizio 2025, pur avendo previsto un'accelerazione del 24% e pur credendo, a posteriori, di essere stati il 20% più veloci (METR, 2025). Un seguito di febbraio 2026 con 57 sviluppatori ha trovato solo deboli indizi di accelerazione, con intervalli di confidenza che includono lo zero, e METR stesso avverte che i dati sono una misura inaffidabile (METR, 2026). La lettura onesta: la prima versione costa poco; casi limite, affidabilità e manutenzione non sono gratis.
Cos'è un Risk Receipt?
Il problema non è che i PM abbiano smesso di preoccuparsi degli altri rischi. È che un prototipo rifinito dà la sensazione di essere una prova per tutti e quattro. Lo mostri a cinque persone, senti «è fantastico», e il team se ne va convinto che valore, usabilità e sostenibilità siano coperti. Ogni rischio ha la sua moneta di prova, e la maggior parte dei team paga con quella sbagliata.
Un Risk Receipt è un breve resoconto che alleghi a ogni scommessa di prodotto significativa. Per ciascuno dei quattro rischi di prodotto risponde a tre domande:
Qual è l'ipotesi? Una frase, abbastanza specifica da poter essere sbagliata.
Quale prova abbiamo e di che tipo è? Collegata alla fonte, non parafrasata.
Quella prova conta davvero per questo rischio? È la parte che i team saltano.
La terza domanda è il punto. Le prove hanno un tasso di cambio. Alcune sono moneta forte per un rischio e quasi senza valore per un altro.
Quali prove contano per ciascun rischio?
Valore: paga in comportamenti, non in complimenti
Conta: clienti che descrivono il problema spontaneamente, con un esempio recente e concreto. Soluzioni di ripiego già in uso (fogli di calcolo, script, processi manuali) che costano loro tempo vero. Impegni con un costo associato: uno slot in calendario, un pilot con i loro dati, un preordine, una presentazione al loro capo.
Non conta: «Lo userei.» L'entusiasmo durante una demo. Il tasso di clic di un prototipo in una sessione moderata. I voti su una bacheca di idee da parte di persone che non pagheranno mai.
Il campanello d'allarme: se la prova più forte del valore è qualcuno che reagisce al tuo prototipo, hai raccolto una prova di usabilità e l'hai etichettata come valore. Le persone reagiscono con garbo a qualsiasi cosa sembri fatta bene. Le prove di valore arrivano di solito da prima che vedessero la tua soluzione, da come parlano del problema. Modi economici per ottenerle sono un fake door test o una pagina di interesse in prevendita.
Usabilità: paga in compiti osservati, non in opinioni
Conta: guardare un vero utente target tentare un vero compito senza guida e annotare dove esita o fallisce. Il compito completato al primo tentativo. Le domande che fa ad alta voce.
Non conta: «Sembra pulito.» Un walkthrough con gli stakeholder. Il tuo team che lo usa ogni giorno (sa già dove si trova tutto).
Il campanello d'allarme: se nessuno al di fuori del team ha provato un compito da solo, l'usabilità non è verificata, per quanto buono sembri il prototipo.
È l'unico rischio per cui il prototipaggio con l'AI aiuta davvero. Un prototipo cliccabile e basato su dati reali ti dà osservazione di compiti veri con settimane di anticipo rispetto a un mockup statico. È un vantaggio reale, ma per un solo rischio. Il nostro template per il test di usabilità spiega come condurre le sessioni.
Fattibilità: paga con un percorso funzionante, comprese le parti brutte
Conta: un prototipo che gira su volumi di dati realistici, permessi reali e latenza reale. L'elenco onesto di un ingegnere di ciò che il prototipo ha saltato: autenticazione, migrazioni, stati di errore, l'integrazione con limite di richieste.
Non conta: una demo sul percorso ideale con dati di prova.
Il campanello d'allarme: chiedi «che cosa non ha dovuto gestire questo prototipo?». Se la risposta è lunga, la fattibilità è ridotta in parte, non del tutto.
Sostenibilità: paga in numeri che qualcuno fuori dal prodotto firmerebbe
Conta: una stima del costo di servizio (per le funzionalità di AI, il costo per utilizzo al volume previsto). Un'ipotesi di prezzo che hai detto a voce a un acquirente. Un confronto con chi gestisce supporto, vendite, sicurezza o legale. Nel B2B, se il processo di acquisto di un cliente lo consente.
Non conta: «Il prezzo lo vediamo dopo.» Dare per scontato che i costi d'uso siano trascurabili perché il prototipo costava poco da far girare per una sola persona.
Il campanello d'allarme: se nessuno fuori dal team di prodotto ha visto la scommessa, la sostenibilità non è esaminata.
Un esempio concreto: quattro clienti contenti, una ricevuta vuota
Diciamo che sei un team fondatore di due persone che costruisce uno strumento B2B, e una chiamata con un cliente fa nascere un'idea: un assistente AI che redige gli aggiornamenti di stato settimanali a partire dall'attività di progetto. Lo prototipi in un fine settimana. Funziona. Lo mostri a quattro clienti in chiamata. Tutti e quattro dicono che lo adorano.
Ecco il Risk Receipt onesto:
Rischio
Ipotesi
Prova
Conta?
Valore
I team lead useranno bozze settimanali invece di scrivere da soli gli aggiornamenti
4 reazioni positive in demo
Debole: reazioni a una soluzione, non comportamento. Nessuno aveva descritto la scrittura degli aggiornamenti come un problema prima che gliela mostrassi.
Usabilità
I lead possono rivedere e inviare una bozza in meno di 5 minuti
Nulla di osservato
Non verificato: nessuno l'ha provato da solo.
Fattibilità
Le bozze restano accurate su dati di progetto reali
Prototipo da weekend sul tuo workspace
Parziale: nessun test su un workspace disordinato di un cliente.
Sostenibilità
Il costo per bozza resta ben al di sotto di quanto incassa il piano
Non stimato
Non esaminato
Quattro chiamate entusiaste, e la ricevuta dice che non hai ridotto quasi nulla. Non è un motivo per scartare l'idea. È un motivo per fare tre verifiche economiche prima di costruire la versione di produzione:
Valore: torna da due di quei clienti e chiedi come scrivono oggi gli aggiornamenti, quanto tempo ci mettono e cosa è successo l'ultima volta che uno è arrivato in ritardo. Ascolta se emerge una soluzione di ripiego.
Usabilità: dai a un cliente il prototipo sui suoi dati e guardalo usarlo, senza guida, per un ciclo.
Sostenibilità: moltiplica il costo del modello per bozza per un volume settimanale realistico su tutta la tua base clienti e confrontalo con il prezzo del piano.
I conti della sostenibilità (numeri illustrativi). Supponi che una bozza costi 0,06 € in chiamate al modello sul tuo workspace, ma che un workspace cliente reale abbia 5 volte più attività, quindi 0,30 € a bozza. Un cliente con 40 team lead genera 160 bozze al mese, cioè 48 € di costo del modello, a fronte di un piano da 60 € al mese. È l'80% del ricavo che se ne va per una sola funzionalità. Meglio saperlo al terzo giorno che al terzo mese.
Ogni verifica richiede giorni, non settimane. È il vero dividendo di una fattibilità economica: puoi permetterti di comprare prove reali per gli altri tre rischi prima di impegnarti.
Quanti clienti o utenti servono per ciascun rischio?
Usabilità: bastano numeri piccoli. L'analisi di Nielsen ha trovato che 5 utenti fanno emergere circa l'85% dei problemi di usabilità, e raccomandava tre round da 5 con correzioni nel mezzo invece di un round da 15 (Nielsen Norman Group, 2000).
Valore: il numero conta meno del costo del segnale. Due clienti che ti danno ciascuno un pilot con i propri dati pesano più di venti che dicono «suona benissimo». Cerca almeno 3 impegni indipendenti prima di considerare ridotto il rischio di valore per un segmento.
Fattibilità: un'esecuzione realistica, rivista dall'ingegnere che ne sarà responsabile, più un elenco scritto di ciò che è stato saltato.
Sostenibilità: un modello di costo con ipotesi dichiarate e una conversazione con ogni funzione che deve dire di sì (vendite, supporto, legale o sicurezza).
Sono punti di partenza per un piccolo team, non benchmark.
Perché le ricevute battono una checklist di discovery?
Potresti trasformare i quattro rischi in una checklist. I team lo fanno. Le checklist falliscono in modo prevedibile: qualcuno spunta «valore validato» perché una demo è andata bene, e la spunta nasconde quale fosse la prova.
Una ricevuta tiene la prova legata all'ipotesi. Tre mesi dopo, quando la funzionalità rende meno del previsto e qualcuno chiede «perché l'abbiamo costruita?», la risposta non è un ricordo né una slide. È un resoconto: ecco cosa credevamo, ecco cosa abbiamo visto, ecco quali rischi abbiamo lasciato aperti consapevolmente. Per la struttura che tiene collegati questi resoconti nel tempo, vedi il nostro grafo delle decisioni per piccoli team AI. Se il tuo team rilascia senza alcuna ricevuta, confrontalo con i 10 segnali d'allarme di una feature factory.
Quest'ultimo punto conta. Rilasciare con un rischio aperto è spesso la scelta giusta, perché i piccoli team non possono permettersi di ridurre tutto. L'errore è rilasciare con un rischio aperto che credevi chiuso.
Errori comuni
Contare le reazioni in demo come valore. L'errore più frequente. Le reazioni sono, al massimo, prove di usabilità.
Testare l'usabilità con persone di casa. I colleghi e i clienti amici conoscono già la logica del prodotto.
Trattare un prototipo come prova di fattibilità in produzione. Chiedi ogni volta l'elenco di ciò che è stato saltato.
Rimandare la sostenibilità a «dopo». Soprattutto per le funzionalità di AI, il costo per utilizzo può trasformare una funzionalità amata in una in perdita.
Cercare di ridurre ogni rischio. Scegli il rischio o i due rischi che affonderebbero la scommessa e compra prima le prove per quelli. La nostra guida alla mappatura delle ipotesi aiuta a metterli in ordine.
Come usiamo i Risk Receipt in Specky
I segnali dei clienti (note di interviste, thread di supporto, trascrizioni di chiamate, eventi di analytics) arrivano nel Product Graph come nodi tipizzati, ciascuno con la propria fonte. Un insight o una decisione redatti citano i nodi specifici su cui poggiano, così «quattro clienti l'hanno adorato» non può trasformarsi di nascosto in «i clienti ne hanno bisogno». Per la verifica del valore, Alex, l'agente di ricerca AI di Specky, può condurre brevi interviste sul processo attuale dei clienti prima che vedano la tua soluzione, e le trascrizioni tornano come prove. Per la domanda iniziale, una pagina di validazione misura se le persone compiono un'azione che ha un costo. Il giudizio su quali rischi lasciare aperti resta tuo.
Inizia questa settimana con una ricevuta
Non ti serve uno strumento per cominciare. Scegli la scommessa che al tuo team piace di più in questo momento, quella con il prototipo migliore. Scrivi quattro righe:
Se la scommessa più entusiasmante ha la ricevuta più vuota, hai trovato dove dovrebbe andare la tua prossima settimana di discovery. Puoi anche abbozzare le ipotesi in modo visivo con lo strumento gratuito di mappa delle ipotesi.
La fattibilità era la domanda costosa. Ora è quella economica. I team che vinceranno questo ciclo non saranno quelli che costruiscono più in fretta. Saranno quelli che sapranno mostrare cosa sapevano quando hanno deciso.
Domande frequenti
Quali sono i quattro grandi rischi di Marty Cagan?
Sono il rischio di valore (i clienti lo compreranno o sceglieranno di usarlo), il rischio di usabilità (gli utenti riescono a capire come usarlo), il rischio di fattibilità (gli ingegneri possono costruirlo con il tempo, le competenze e la tecnologia disponibili) e il rischio di sostenibilità per il business (funziona per il resto dell'azienda). Cagan li ha pubblicati su SVPG nel 2017 e assegna valore e sostenibilità al product manager.
Quale dei quattro rischi di prodotto viene sottovalutato più spesso?
Il rischio di valore. Un prototipo funzionante e reazioni educate creano una forte sensazione di validazione che non è sostenuta da comportamenti. Lo studio CB Insights del 2026 ha rilevato che il 43% delle startup fallite con causa nota citava uno scarso product-market fit. La sostenibilità segue a ruota per le funzionalità di AI, dove il costo per utilizzo può superare il prezzo.
Un prototipo mette alla prova il rischio di valore?
Raramente da solo. Mostrare un prototipo mette alla prova soprattutto l'usabilità e un po' di fattibilità. Le prove di valore vengono da comportamenti con un costo: persone che descrivono il problema spontaneamente, soluzioni di ripiego esistenti, pilot, preordini o presentazioni. Puoi usare un prototipo in un test di valore, per esempio chiedendo un pilot a pagamento, ma la reazione da sola non conta.
Come si testa il rischio di sostenibilità per il business?
Scrivi i numeri che qualcuno fuori dal prodotto dovrebbe approvare: costo di servizio per cliente, prezzo atteso, carico sul supporto ed eventuali vincoli legali, di sicurezza o di acquisto. Poi mostrali a quelle persone. Per le funzionalità di AI, moltiplica il costo per utilizzo per un volume realistico e confrontalo con il prezzo del piano prima di impegnarti a costruire.
L'AI ha fatto sparire il rischio di fattibilità?
No, ha reso economica la prima versione. I prototipi ora richiedono ore, ma il lavoro di produzione su codebase mature è un'altra cosa: lo studio METR del 2025 ha rilevato che sviluppatori esperti impiegavano il 19% di tempo in più con strumenti di AI sui propri repository, e il seguito del 2026 ha trovato solo deboli indizi di accelerazione. Continua a chiedere cosa un prototipo non ha dovuto gestire.
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