Tredici ore di traversata, sei effettive da sveglio, un internet che definire lento è un complimento.
Quello che segue è il racconto di come, in quelle sei ore, è nata un’applicazione funzionante, usabile, e pronta a diventare una startup se i numeri lo diranno. Non è un racconto di eroismo notturno, è un racconto di strumenti. Perché il punto non sono io, il punto è cosa ti permette di fare Canonity quando hai un’idea in testa e vuoi vederla girare prima di sbarcare.
Da dove nasce, davvero LinkedIn Boost? Non è nato come prodotto da vendere ma perché io, su LinkedIn, ci devo stare. Non ci voglio vivere, non faccio personal branding come mestiere, non sogno di diventare un content creator, ma il mio lavoro mi obbliga a essere presente sulla piattaforma in modo intelligente.
E come chiunque abbia un profilo vivo, mi sono posto le stesse domande di tutti: cosa funziona davvero di quello che scrivo?, Quali temi valgono la pena?, Cosa sto facendo male, cosa dovrei smettere di fare? A chi parlo?.
Le risposte che LinkedIn ti dà nella dashboard sono superficiali. Quelle che ti danno i vari tool di personal branding costano venti, trenta, cinquanta euro al mese e sono sovradimensionati per chi non vive di social.
Quindi mi sono detto: uso Canonity per costruirmi quello che mi serve. Che prende i miei dati di LinkedIn e mi dice cose utili sul mio profilo, senza fronzoli. Sei ore dopo, sbarcato a Termini Imerese, avevo non solo il workflow funzionante ma anche un’interfaccia web per usarlo. Ed è qui che la storia diventa interessante, perché a quel punto mi sono accorto di una cosa che voglio raccontarti con ordine.
L’architettura in due righe. Un workflow Canonity che fa il lavoro sporco (cinque ore: disegno, test, iterazioni, finalizzazione sull’editor grafico di Canonity, senza scrivere una riga di codice) ed espone API. Sopra, un’applicazione web chiamata canoweb, che consuma quelle API. Scritta in un’ora. Sì, un’ora.
Voglio fermarmi qui un attimo, perché capisco che sembri marketing. Non lo è, è proprio quello che è successo. Io sono un architetto software con quarant’anni di mestiere alle spalle, scrivo applicazioni web da prima che molti di voi nascessero, e con Claude Code al fianco un frontend minimale che consuma un’API REST e gestisce upload di file, autenticazione, chiamate asincrone e notifiche via email lo butto giù in un’ora di lavoro concentrato.
Non è un miracolo, è mestiere più l’acceleratore giusto. Il miracolo, se vogliamo chiamarlo così, è altrove: è che le cinque ore di workflow Canonity hanno prodotto un motore di analisi che, se avessi dovuto scriverlo a codice, mi avrebbe portato via settimane. Orchestrazione di più LLM, logica condizionale, prompt template versionati, gestione errori, retry, fallback tra provider… Tutto questo, in Canonity, lo ottieni disegnando col mouse.
Per chi non conosce Canonity, riassumo in una frase: è una piattaforma di orchestrazione multi-LLM con un motore di workflow che permette di costruire processi AI attraverso un editor grafico col quale comporre passaggi, condizioni, iterazioni, validazioni, senza legarsi a un singolo fornitore.
Ad oggi supporta nove provider (OpenAI, Anthropic, Google, xAI, DeepSeek, Moonshot, Alibaba, Mistral, z.Ai) e ti lascia scegliere il modello giusto per ogni passo del processo. Mentre tutti vendono “orchestre di Stradivari”, Canonity ti dà lo spartito e ti lascia scegliere gli strumenti: tu sei il maestro, lui suona.
Ma torniamo a cosa fa LinkedIn Boost:
L’utente scarica dal proprio profilo i CSV che LinkedIn stesso mette a disposizione nelle impostazioni (l’archivio dati personale dalla sezione Data Privacy, più l’export delle analytics dei post se ha il Creator Mode attivo), li carica nell’app insieme a obiettivi, profilo e dopo pochi minuti riceve una e-mail con un documento di analisi costruito sui suoi obiettivi. Il documento non è un rapporto generico, il workflow Canonity applica una sequenza dialettica che ho sviluppato dove un primo modello analizza i dati un altro capisce l’audience, un altro vede la crescita, analizza i post, ecc. ecc. e sintetizza quello che regge davvero.
Non è un singolo LLM che ti dice quello che vuoi sentire, non è un unico prompt da incollare in un chatbox e copiare il risultato, è un processo complesso che fare a mano ti prende più tempo dell’attesa dell’e-mail e che ti costringe a confrontarti con quello che i numeri dicono realmente.
L’analisi copre cose come: quali tipi di post performano meglio sul tuo profilo specifico (non in astratto), in che orari, con che lunghezza, con che registro. Quali temi generano engagement vero e quali solo vanity metrics. Dove ti stai posizionando rispetto ai tuoi obiettivi dichiarati. Cosa smettere di fare, perché questa di solito è la parte più preziosa e la meno detta.
La parte che voglio rendere esplicita, perché è la differenza tra un prodotto serio e un prodotto che dura tre settimane.
LinkedIn, nel suo User Agreement, vieta esplicitamente qualunque estensione, bot, crawler o software di terze parti che automatizzi attività sul sito o faccia scraping dei dati. Non è un’area grigia, è scritto nero su bianco nella sezione 8.2 del loro User Agreement e nella pagina “Prohibited Software and Extensions“. LinkedIn usa browser fingerprinting per riconoscere le signature delle estensioni non autorizzate, rileva comportamenti non umani (click troppo precisi, pause troppo regolari, orari innaturali), e quando trova qualcosa di sospetto non perdona: warning, restrizioni temporanee, e nei casi peggiori ban permanente dell’account.
Aggiungo un dettaglio tecnico che molti non sanno: le API ufficiali di LinkedIn esistono e supporterebbero quasi tutto quello che un tool di crescita personale vorrebbe fare (leggere commenti, rispondere, accedere alle analytics) ma -ovviamente- il permesso che servirebbe per operare sui profili personali degli utenti, che si chiama r_member_social, è un permesso chiuso. LinkedIn non accetta nuove richieste di accesso da anni, per esplicita limitazione di risorse. Tradotto: la porta ufficiale per fare certe cose sul profilo personale di un utente non è difficile da aprire, è proprio sbarrata. Quello che resta accessibile è la Community Management API, che però è riservata alle pagine aziendali, non ai profili individuali.
Chi costruisce tool di automazione aggressiva su LinkedIn, consapevolmente o no, sta giocando alla roulette russa con l’account dei propri clienti e la mia seniority mi vieta di giocare a quel gioco, so già come va a finire.
LinkedIn Boost funziona con caricamento manuale dei CSV perché è l’unico modo legale, onesto e sostenibile. Sono io che, dal mio browser, dal mio account, scarico i miei dati (LinkedIn stesso te lo permette, è una funzione ufficiale nelle impostazioni Data Privacy). L’AI li legge e li trasforma in analisi utile. Nessun bot che striscia sul tuo profilo, nessuna estensione che finge di essere te, nessuna attività automatizzata che LinkedIn possa rilevare. Il fastidio di cliccare “export” ogni tanto è il prezzo per non svegliarsi un giorno con l’account sospeso. Mi sembra un prezzo equo.
E adesso arriva la parte che mi sta più a cuore raccontarti, quella sulla velocità.
Quando un utente, tra qualche giorno o qualche settimana, mi scriverà “Aldo, ma nel documento di analisi mi piacerebbe vedere anche X” oppure “ho notato che per i profili molto piccoli l’analisi dice cose poco utili, si può calibrare diversamente?”, io non dovrò aprire il codice dell’applicazione canoweb. L’applicazione rimane com’è, un guscio sottile che carica file e chiama API. Andrò direttamente nell’editor grafico di Canonity, modificherò il workflow aggiungendo il passaggio nuovo o cambiando i prompt o inserendo una condizione diversa per i profili piccoli, salverò, e alla chiamata API successiva il cambiamento sarà già live. Niente deploy, niente commit, niente build, niente rilascio, niente downtime. Minuti di lavoro, non giornate. E tutti gli utenti avranno a disposizione la nuova versione immediatamente.
Questa è la promessa vera di Canonity, ed è il motivo per cui credo che il modo in cui si costruiscono startup AI sia cambiato radicalmente, anche se molti non se ne sono ancora accorti. Fino a ieri, portare un’idea AI dal concept al prodotto funzionante richiedeva settimane di ingegnerizzazione, gestione di catene di prompt nel codice, versioning dei modelli, infrastruttura di retry e fallback, test end-to-end per ogni modifica al flusso logico. Oggi, con la parte AI orchestrata visualmente in Canonity e il frontend scritto in un’ora con Claude Code come copilota, la stessa idea passa dalla testa al browser di un utente reale nell’arco di una giornata di lavoro. Nel mio caso, sei ore, perché due terzi del tempo lo ha preso il workflow che doveva essere fatto bene.
Pensa alle implicazioni. Un’idea che ti viene sotto la doccia, invece di richiedere un business plan, un team, un investimento, può diventare un MVP funzionante entro sera. Se il mercato risponde, iteri sul workflow Canonity in tempo reale mentre i primi utenti lo usano e il prodotto migliora giorno dopo giorno senza release cycle. Se il mercato non risponde, hai speso una giornata, non sei mesi, e passi all’idea successiva. Il costo del fallimento crolla, e con esso crolla la barriera psicologica che ti impedisce di provare.
LinkedIn Boost è il mio esperimento per dimostrare questa tesi con un caso concreto. Non l’ho raccontata come teoria, ma mostrando il risultato: un prodotto vero, un modello di analisi serio grazie al pattern dialettico, un’architettura legale e sostenibile, un caso d’uso che risolve un problema reale (il mio, per cominciare, e probabilmente anche quello di qualsiasi professionista che su LinkedIn deve esserci ma non ci vuole vivere). Sei ore, in nave, con internet da 1998.
Potrebbe diventare una startup? Il modello di business ci sarebbe, e sarebbe semplice come il prodotto: nove euro e novanta al mese, abbonamento, il prezzo di due caffè e mezzo.
Il mercato pure: tutti i professionisti che su LinkedIn devono esserci ma non ci vogliono vivere. Non gli influencer, non i personal brand coach, non quelli che fanno content creation come mestiere. Quelli sarebbero già serviti dai vari Taplio, AuthoredUp, Supergrow, tutti ottimi, tutti costosi (sopra i venti euro al mese), tutti pensati per chi LinkedIn lo vive otto ore al giorno.
Il mercato che LinkedIn Boost potrebbe servire è diverso. È l’artigiano del contenuto, non l’influencer. Il consulente, il freelance, il founder di piccola azienda, l’avvocato, il commercialista, l’architetto. Gente come me. Gente che sa di dover essere su LinkedIn ma non ha tempo né voglia di imparare le dinamiche del social.
Il prezzo sotto i dieci euro è la chiave: è la soglia sotto la quale una spesa ricorrente non richiede un’analisi approfondita, si paga e basta. E la differenza rispetto ai concorrenti sarebbe tripla: Prezzo, come detto.
Semplicità d’uso, perché il prodotto fa una cosa sola e la fa bene, niente dashboard infinite da imparare.
E qualità dell’analisi, perché sotto c’è Canonity con la sua orchestrazione multi-modello e il pattern dialettico, non un singolo GPT messo lì a recitare complimenti.
Questa terza leva è quella che nessun competitor può copiare facilmente, perché implica avere un’infrastruttura di orchestrazione LLM che gli altri non hanno.
Ci sto pensando. Ne scriverò ancora nelle prossime settimane, mentre osservo come reagiscono i primi tester, cosa funziona nell’analisi prodotta e cosa va affinato, quali sono i falsi positivi del pattern dialettico, quanto è robusto il parser dei CSV di LinkedIn quando l’utente carica file malformati o parziali.
Un MVP fatto in sei ore è una prova di concetto, non un prodotto finito. Ma è una prova che il concetto tiene e questo è già molto. Soprattutto, ogni modifica che gli utenti chiederanno la farò sul workflow, non sul codice. E sarà live nei secondi successivi al “save”.
Per adesso, arrivati fin qui, se vuoi provarlo gratis, scrivimi in DM su LinkedIn (aldo prinzi) il tuo indirizzo email, ti aggiungerò alla lista dei primi tester. L’accesso sarà ovviamente gratuito per le prime persone, funziona così durante la fase di validazione.
I feedback che raccoglierò in queste settimane decideranno se LinkedIn Boost resta un esperimento ben riuscito per dimostrare Canonity, o se ha senso farlo diventare davvero un prodotto a sé.
Sei ore in mezzo al Tirreno, con una connessione da 1998. A volte le cose più interessanti nascono proprio quando tutto intorno rema contro. E a volte, quando hai gli strumenti giusti, un’idea vale esattamente il tempo che ci metti a realizzarla. Niente di più, niente di meno perchè se non funziona il tempo usato sarà stato buttato nella spazzatura: meno è meglio è.
Lascia un commento