# Del 2 – Kritisk produktbedömning

Ärlig bedömning enligt spec §1: "Du ska vara kritisk."

## Styrkor

Visionen löser ett verkligt, dagligt och känslomässigt laddat problem ("vad ska vi äta?")
i stället för ett nischat. Food Twin-idén ger en datafördel som växer med användningen och
som konkurrenter inte kan kopiera utan samma historik. Fyrfliksnavigationen håller en
enorm funktionsyta begriplig. Beslutet att hålla nutrition/allergier deterministiska gör
produkten säljbar till just de familjer som behöver den mest. Prissättningen per hushåll
(inte per person) matchar hur familjer faktiskt betalar.

## Svagheter

**Kallstartsproblemet är produktens största svaghet.** "Vad ska vi äta?" är magiskt först
när lagret är någorlunda ifyllt – men att fylla lagret är arbete. Motmedel som nu är byggda:
skanningen kräver max ett foto per plats, kvittoskanning fyller lagret som biprodukt av
ett köp, inköpslistan fyller lagret automatiskt vid avslutad runda, och motorn fungerar
även med tomt lager (då rankas på smak/säsong/tid i stället). Detta måste mätas besatt i
beta: _time-to-first-magic-recommendation_ är nyckeltalet.

**Lagerdrift.** Verkligheten äter digitala tvillingar till frukost: gäster äter, barn
småplockar, saker glöms. Utan ödmjuk design ("stämmer detta?"-avstämningar, enkla
korrigeringar, förlåtande FEFO) blir tvillingen en lögn och förtroendet dör. Transaktions-
modellen med correction-typ och synliga confidence-värden är byggd för detta, men UX-arbetet
här är aldrig färdigt.

**Bildanalysens verkliga träffsäkerhet.** En stökig svensk kyl med Arla-förpackningar i
motljus är svår. Därför: confidence-trösklar, obligatorisk bekräftelse, "osäker/okänd" som
förstklassigt svar, och eval-bibliotek innan modellbyten (spec §34). Lova aldrig magi i
marknadsföringen som modellen inte klarar.

**Omfånget.** Specen rymmer 5–6 produkter. Utan feature flags och stenhård Launch
Core-disciplin (Del 3) blir detta en byggplats i stället för en app. Community/creator-
systemet är medvetet flaggat AV vid lansering – det är rätt beslut och ska försvaras.

## Risker (topp 5 – fullständigt register i Del 18)

1. Kallstart/onboarding-avhopp innan första wow-ögonblicket.
2. Lagerdrift → felaktiga förslag → förtroendetapp.
3. AI-kostnad skenar utan fair use-tak och Haiku-first-routing (mitigerat i design).
4. Juridik kring receptdata frestar till genvägar – source registry är obligatoriskt.
5. App Store-granskning: hälsopåståenden och "AI-diagnos"-tolkning kräver försiktig copy.

## Betalningsvilja

79–129 kr/mån konkurrerar med en enda hämtpizza. Betalningsviljan bärs av tre synliga
värden: tid (planering + "vad ska vi äta?" löst), pengar (svinnvärde i kronor visas i
appen – "du har räddat mat för 214 kr i månaden") och hälsa (mål utan loggningsjobb).
Kritisk sanning: gratisnivån måste vara bra nog att bygga vanan men inte så bra att
uppgraderingen känns onödig – 10 AI-skanningar/mån + manuellt lager + full receptbank är
den balansen. Priset testas i beta med prisexperiment innan låsning.

## Retention

Retention avgörs av tre loopar: **dagliga** (Min dag + middagsförslag), **veckovisa**
(plan + inköpslista + matlådor) och **säsongsloopen** (midsommar-/julförslag som känns
personliga via Food Memory). Hushållsdelning är den starkaste enskilda retention-mekanismen:
när lagret, listan och planen delas av fyra personer lämnar ingen ensam. Notiser ska vara
få och träffsäkra (bäst före + matlåda) – notisspam är den snabbaste vägen till avinstallation.
Churn-risk: hushåll som slutar skanna. Motmedel: kvitto som lägsta-friktionsväg och
"snabbavstämning" av lagret på 30 sekunder.