Cómo validar una idea de startup con Claude (sin alucinaciones)
Validación fundamentada de ideas es la práctica de forzar a un LLM a traer datos reales de mercado mediante herramientas deterministas antes de razonar sobre una idea de startup — en lugar de generar números plausibles desde sus priors de entrenamiento.
Validas una idea de startup con Claude fundamentando el modelo en datos reales en lugar de dejarlo emparejar patrones. Instala 26 skills en markdown localmente con un comando curl, genera una API key, agrega el servidor MCP de ideaudit a tu config de Claude y escribe 'audita esta idea: …'. Claude llama a herramientas en vivo de Google SERP, Trends, Reddit y sitios de reseñas, y luego un pase determinista de dealbreakers devuelve un veredicto stage-aware en dos a tres minutos.
Datos clave
- Una auditoría fundamentada dispara 8-12 llamadas a herramientas MCP antes del veredicto — una ejecución de LLM genérico no dispara ninguna.
- Metodología v2 puntúa 6 lentes (Equipo, Problem-Solution, Tracción, Competencia, GTM, Finanzas) en 0-100 con flags de confianza y red-flag.
- Un veredicto `GO` exige score ≥ 80 Y cero red flags Y confianza promedio ≥ 0.6 Y ninguna contradicción mayor.
- El loop de setup — instalar skills, generar key, registrar MCP — toma en promedio dos minutos del inicio a la primera auditoría.
Validar una idea de startup con un LLM genérico produce basura plausible. El modelo escribe una lista de competidores por reconocimiento de patrón, inventa un CAGR que "se siente bien" y te vas con falsa confianza. La corrección es fundamentación — hacer al modelo traer datos reales antes de razonar.
Esta guía recorre el flujo que ideaudit usa: 26 skills en markdown + un servidor MCP que trae datos en vivo de Google SERP, Trends, Reddit y sitios de reseñas, y corre matemática determinista encima.
Setup de dos minutos
curl -fsSL https://inite.studio/install.sh | sh
Eso suelta 15 archivos markdown puros en ~/.claude/skills/. Cada uno es una receta que Claude sigue para un pase específico — extract-idea, audit-market, audit-competition, audit-team, audit-traction, audit-business-model, audit-gtm-scale, audit-finance, audit-mission, audit-dealbreakers, audit-consensus, más un orquestador master.
Después genera una API key y agrega el servidor MCP a tu config de Claude.
Qué hace realmente "audita esta idea"
Escribe audita esta idea: una app de notas con IA para abogados y Claude ejecuta el pipeline completo:
- Extract — convierte el prompt en un objeto estructurado
{stage, sector, problem, solution, ...}. Detiene el pipeline si la ambigüedad ≥ 0.5 y pide aclarar. - Tres lentes paralelas de investigación —
audit-market(TAM, CAGR, regulatorio),audit-competition(5 segmentos + brechas de mercado),audit-problem-solution-fit(5 titulares de problema + 5 variantes de solución + 10 modelos de negocio en alza). - Pipeline secuencial — equipo → tracción → selección de modelo de negocio (eliges 1 de 3) → GTM → finanzas → misión.
- Chequeo de consenso — saca contradicciones entre lentes. Cada contradicción se persiste con severidad 0-1.
- Dealbreakers v2 — score ponderado stage-aware, agregación ponderada por confianza, veredicto riesgo-asimétrico.
Devuelve {verdict: GO|REFINE|KILL, zone: Star|Green|Yellow|Orange|Red, score: 0-100}.
Un GO exige score ≥ 80 Y cero red flags Y avg confidence ≥ 0.6 Y ninguna contradicción mayor. La barra es alta a propósito — el objetivo es prevenir falsos positivos, no maximizar badges verdes.
Por qué la fundamentación importa
Sin MCP, Claude genera estos números desde priors de entrenamiento:
Competidores: Zoom, Notion, Otter.ai, Fireflies, Gong, Chorus, Avoma, Fathom, Tactiq, Clari…
Eso es respuesta de categoría, no de competidores para "app de notas con IA para abogados". Con fundamentación, la skill audit-competition llama nuestra herramienta web_search con la consulta nichada exacta, parsea el SERP y devuelve 5 segmentos con nombres reales, señales de market share y sentimiento de sitios de reseñas.
El TAM que la skill matemática computa usa Google Trends real + volumen de keyword vía DataForSEO — no una estimación basada en "el mercado legal-tech es como $X mil millones".
Qué sigue
Después de que la auditoría aterriza en tu dashboard puedes:
- Match con inversores — sube una lista, recibe un personal-fit-score 0-100 con pesos de categoría, etapa, geografía y tamaño de check.
- Generar un roadshow pack — teaser de 1 página, 5 variantes de blurb, 5 variantes de subject de email — listo para outreach.
- Iterar — cambia una variable (geografía, modelo de negocio, background del fundador), re-ejecuta, observa cómo se mueve el score.
Loop de tres minutos. Veredicto investor-grade. Sin alucinaciones.
FAQ
Preguntas frecuentes
¿Por qué los LLMs genéricos alucinan listas de competidores?
LLMs genéricos responden por reconocimiento de patrón: 'app de notas con IA' levanta Otter, Fireflies, Gong, Chorus — eso es respuesta de categoría, no de competidores para 'app de notas con IA para abogados'. Sin una herramienta que traiga el SERP real para la consulta nichada, el modelo no tiene en qué fundamentar.¿Qué fuentes de datos respaldan una auditoría?
Google SERP, Google Trends, Reddit, Product Hunt, Trustpilot, G2, GitHub, señales de Crunchbase y agregaciones de sitios de reseñas. Bring-your-own-key es soportado para Perplexity, Tavily, Exa, Brave, DataForSEO, Firecrawl y Apify si quieres usar tus propias cuotas.¿Cómo se computa el veredicto?
Score ponderado stage-aware en seis lentes. Cada lente lleva `{score, confidence, redFlag}`. Un chequeo de consenso entre lentes saca contradicciones (ej.: 'mercado: 30% CAGR' vs 'competencia: saturada, dominada por FAANG') y las alimenta al pase de dealbreakers. El veredicto final es riesgo-asimétrico — `GO` es difícil de obtener intencionalmente.¿Necesito ceder privacidad para usar esto?
No. El razonamiento corre en tu Claude local con tus tokens de Anthropic. El texto crudo de tu idea sólo sale de tu máquina cuando una herramienta MCP necesita consultar la web pública. La auditoría se persiste en tu dashboard scopeada a tu cuenta autenticada vía Clerk.