Como validar uma ideia de startup com Claude (sem alucinações)
Validação fundamentada de ideias é a prática de forçar um LLM a buscar dados reais de mercado por ferramentas determinísticas antes de raciocinar sobre uma ideia de startup — em vez de gerar números plausíveis a partir dos seus prioris de treinamento.
Você valida uma ideia de startup com Claude fundamentando o modelo em dados reais em vez de deixá-lo combinar padrões. Instale 26 skills em markdown localmente com um comando curl, gere uma chave de API, adicione o servidor MCP do ideaudit à sua config do Claude e digite 'audite essa ideia: …'. O Claude chama ferramentas ao vivo de Google SERP, Trends, Reddit e sites de avaliação, e então um pass determinístico de dealbreakers retorna um veredito stage-aware em dois a três minutos.
Fatos-chave
- Uma auditoria fundamentada dispara 8-12 chamadas de ferramenta MCP antes do veredito — uma execução de LLM genérico não dispara nenhuma.
- Metodologia v2 pontua 6 lentes (Equipe, Problem-Solution, Tração, Concorrência, GTM, Financeiro) em 0-100 com flags de confiança e red-flag.
- Um veredito `GO` exige score ≥ 80 E zero red flags E confiança média ≥ 0.6 E nenhuma contradição maior.
- O loop de setup — instalar skills, gerar chave, registrar MCP — leva em média dois minutos do início à primeira auditoria.
Validar uma ideia de startup com um LLM genérico produz lixo plausível. O modelo escreve uma lista de concorrentes por reconhecimento de padrão, inventa um CAGR que "soa certo", e você sai com falsa confiança. A correção é fundamentação — fazer o modelo buscar dados reais antes de raciocinar.
Este guia percorre o fluxo que o ideaudit usa: 26 skills em markdown + um servidor MCP que puxa dados ao vivo de Google SERP, Google Trends, Reddit e sites de review, e roda matemática determinística por cima.
Setup de dois minutos
curl -fsSL https://inite.studio/install.sh | sh
Isso solta 15 arquivos markdown puros em ~/.claude/skills/. Cada um é uma receita que o Claude segue para um pass 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, mais um orquestrador master.
Depois gere uma chave de API e adicione o servidor MCP à sua config do Claude.
O que "audite essa ideia" realmente faz
Digite audite essa ideia: um app de notas com IA para advogados e o Claude executa o pipeline completo:
- Extract — transforma o prompt em um objeto estruturado
{stage, sector, problem, solution, ...}. Para se ambiguidade ≥ 0.5 e pede que você esclareça. - Três lentes paralelas de pesquisa —
audit-market(TAM, CAGR, regulatório),audit-competition(5 segmentos de concorrentes + lacunas de mercado),audit-problem-solution-fit(5 manchetes de problema + 5 variantes de solução + 10 modelos de negócio em alta). - Pipeline sequencial — equipe → tração → seleção de modelo de negócio (você escolhe 1 de 3) → GTM → financeiro → missão.
- Check de consenso — surfaceia contradições entre lentes. Cada contradição é persistida com severidade 0-1.
- Dealbreakers v2 — score ponderado stage-aware, agregação de lentes ponderada por confiança, veredito risco-assimétrico.
Retorna {verdict: GO|REFINE|KILL, zone: Star|Green|Yellow|Orange|Red, score: 0-100}.
Um GO exige score ≥ 80 E zero red flags E avg confidence ≥ 0.6 E nenhuma contradição maior. A barra é alta de propósito — o objetivo é prevenir falsos positivos, não maximizar badges verdes.
Por que fundamentar importa
Sem MCP, o Claude gera estes números a partir de prioris de treinamento:
Concorrentes: Zoom, Notion, Otter.ai, Fireflies, Gong, Chorus, Avoma, Fathom, Tactiq, Clari…
Isso é uma resposta de categoria, não de concorrentes para "app de notas com IA para advogados". Com fundamentação, a skill audit-competition chama nossa ferramenta web_search com a consulta nichada exata, parseia o SERP e devolve 5 segmentos com nomes reais, sinais de market share e sentiment de sites de review.
O TAM que a skill de matemática calcula usa Google Trends real + volume de keyword via DataForSEO — não um chute baseado em "o mercado de legal-tech é uns $X bilhões".
O que vem a seguir
Depois que a auditoria pousa no seu dashboard você pode:
- Casar com investidores — suba uma lista, receba um personal-fit-score 0-100 com pesos de categoria, estágio, geografia e check size.
- Gerar um roadshow pack — teaser de 1 página, 5 variantes de blurb, 5 variantes de assunto de email — pronto para outreach.
- Iterar — mude uma variável (geografia, modelo de negócio, background do fundador), re-execute, veja o score se mexer.
Loop de três minutos. Veredito investidor-grade. Sem alucinações.
FAQ
Perguntas frequentes
Por que LLMs genéricos alucinam listas de concorrentes?
LLMs genéricos respondem por reconhecimento de padrão: 'app de notas com IA' puxa Otter, Fireflies, Gong, Chorus — isso é uma resposta de categoria, não uma resposta de concorrentes para 'app de notas com IA para advogados'. Sem uma ferramenta que busca o SERP real para a consulta nichada, o modelo não tem em que se fundamentar.Quais fontes de dados sustentam uma auditoria?
Google SERP, Google Trends, Reddit, Product Hunt, Trustpilot, G2, GitHub, sinais de Crunchbase e agregações de sites de review. Bring-your-own-key é suportado para Perplexity, Tavily, Exa, Brave, DataForSEO, Firecrawl e Apify se você quiser usar suas próprias cotas de dados.Como o veredito é calculado?
Score ponderado stage-aware em seis lentes. Cada lente carrega `{score, confidence, redFlag}`. Um check de consenso entre lentes surfaceia contradições (ex.: 'mercado: 30% CAGR' vs 'concorrência: saturada, dominada por FAANG') e as alimenta no pass de dealbreakers. O veredito final é risco-assimétrico — `GO` é intencionalmente difícil de obter.Preciso abrir mão de privacidade para usar isso?
Não. O raciocínio roda no seu Claude local com seus tokens da Anthropic. O texto bruto da sua ideia só sai da sua máquina quando uma ferramenta MCP precisa consultar a web pública. A auditoria é persistida no seu dashboard, escopada à sua conta autenticada via Clerk.