La storia · 2026
Un software costruito in autonomia da un developer italiano, con la testa di chi compra e rivende auto da anni. Niente venture capital, niente promesse gonfiate, niente cookie di profilazione. Solo codice che lavora 24/7 per trovare le auto sotto prezzo al posto tuo.
Tutto comincia da un'ossessione molto concreta: tre ore al giorno persi davanti ai portali. Subito.it, AutoScout24, automobile.it, AutoUncle, le solite ricerche salvate, gli stessi alert email che arrivano sempre in ritardo, le stesse "occasioni" che, guardandole bene, occasioni non sono.
Chi compra e rivende auto in Italia conosce benissimo il problema: il mercato è enorme, ma il rumore è ancora più grande. Per ogni Yaris sotto prezzo che esce davvero ci sono cento annunci che sembrano sotto prezzo e che invece nascondono il classico trabocchetto: IVA esclusa scritta in piccolo, motore da rivedere mascherato da "manutenzione regolare", chilometraggio sospetto, prezzo medio del modello calcolato sugli annunci attivi (cioè su quelli che nessuno sta comprando, per quello sono ancora lì).
L'aneddoto che ha fatto partire tutto è banale. Una Toyota iQ del 2014 vista per caso a un prezzo che sembrava un affare, contattata, andata a vedere, scoperta incidentata posteriore con riparazione fatta in economia. Centosessanta chilometri di viaggio buttati. Tornando a casa è diventato chiaro che il problema non era la fortuna: era la mancanza di un filtro automatico che facesse tre cose insieme — stimare il prezzo giusto sui venduti reali (non sugli annunci attivi), leggere la descrizione per cercare i segnali di problemi, calcolare un margine al netto del ricondizionamento.
La risposta più ovvia sarebbe stata "esiste già un software che lo fa?". La risposta è no. Esistono i portali, esistono i listini gonfiati di Eurotax e Quattroruote, esiste qualche tool americano che parla solo CarFax. Per il mercato italiano dell'usato non c'era niente che mettesse insieme scraping, stima market-median, NLP sulla descrizione, anti-trappola IVA esclusa, controfferta calcolata e notifica multi-canale.
Così è partito AutoSniper. All'inizio era uno script Python che girava sul portatile, una notifica Telegram personale per uso interno. Poi sono arrivati i primi amici flipper a chiedere di provarlo, e da lì la cosa è diventata un prodotto vero.
AutoSniper è il progetto di un piccolo team italiano composto da sviluppatori ed appassionati di automotive. Niente raffica di Head of Growth, Chief Officer, serie A, gigafactory di slide.
Lavoriamo a stretto contatto con dealer e flipper reali — gente che fa il giro dei piazzali il sabato mattina, contratta col privato, fattura i passaggi e rivende. Il software lo progettiamo partendo dai loro problemi quotidiani: trovare l'auto giusta sotto prezzo, riconoscere le trappole prima di firmare, calcolare il margine reale al netto di riparazioni e tasse.
Il prodotto è sviluppato in Italia, con dati italiani, per il mercato italiano. Nessuna piattaforma generica adattata alla bell'e meglio. Tante decisioni di design tecnico (filtrare i venduti reali e non gli annunci attivi; stimare i costi di riparazione sui pattern delle descrizioni; permettere al dealer di vedere il messaggio prima dell'invio per validarlo) sono arrivate dopo aver provato in prima persona la frustrazione dei "deal" che si rivelano trappole.
"Siamo un team giovane e indipendente. Sviluppiamo AutoSniper con calma, in beta privata nel 2026. Ci prendiamo il tempo di calibrare l'algoritmo caso per caso, ascoltiamo i feedback dei primi dealer e cambiamo le regole sulla base di quello che funziona davvero — non di quello che fa scena su una slide d'investimento."
La conseguenza pratica è duplice. Da un lato, AutoSniper cresce con la velocità sostenibile di un team focalizzato: nessuna fretta di scalare, nessuna corsa a riempire la pipeline di funzionalità inutili. Dall'altro, ogni dealer che entra in beta parla direttamente con il team che scrive il software. Niente customer success a copione, niente ticket numerati.
Tre principi che guidano ogni decisione di prodotto e ogni riga di codice.
Niente percentuali di successo gonfiate, niente "guadagno medio garantito". La pagina "I numeri" in homepage mostra dati reali della piattaforma, aggiornati ogni notte. Se siamo in beta lo diciamo, se i numeri sono piccoli li mostriamo lo stesso. Crediamo che la trasparenza sia un vantaggio competitivo, non un problema da nascondere.
Zero Google Analytics, zero Meta Pixel, zero cookie di profilazione. Nessun tracker di terze parti. Le email e i telefoni dei dealer vengono salvati solo per gestire l'account; gli IP e gli hash dei signup form sono troncati e salvati come SHA-256. Conformità GDPR effettiva, non un banner cookie con il tasto "rifiuta" nascosto.
Leggiamo solo dati pubblici, rispettiamo i rate-limit dei portali, non facciamo bypass di paywall, non simuliamo login. Ogni deal contiene il link diretto al portale d'origine: vogliamo che il traffico torni ai marketplace, non rubarglielo. AutoSniper è uno strato di intelligenza sopra i portali, non un loro concorrente.
Sei mesi di iterazione continua con dealer reali. Ogni tappa risolve un problema concreto, non un brief di prodotto.
▶ Roadmap pubblica completa con changelog dettagliato di ogni release: leggi i post del blog con i case study e le decisioni tecniche.
Niente "AI proprietaria a black box" che fa miracoli. Ogni decisione algoritmica è documentata e spiegabile.
Confrontiamo ogni annuncio con la mediana dei venduti reali (non degli annunci attivi) nello stesso segmento: marca + modello + anno ±2 + km ±50%. Banda minima 5 sold per affidabilità statistica.
Pattern italiani in YAML (versionati su git), non LLM black-box. Quando troviamo un problema nella descrizione ti diciamo esattamente quale e quanto costa stimato il ricondizionamento (repair_costs.yaml).
Ogni AutoSniper Score 0-100 è scomposto in 8 voci: margin (55pt), discount% (15pt), qualità (15pt), freschezza (5pt), rischio (-25pt), bonus (5pt), consensus MV (3pt), staleness (-3pt). Visualizzabili dal portale dealer.
13 guardrail attivi: year_max guard (no estrapolazione), cap composito ±20%, lone_year guard, cross-source dedup, bait & switch detection, sentinel reject incidenti, IVA-esclusa detector. Lista completa qui.
Sales-tracker job nightly che marca sold_at i listing scomparsi dai portali, http_verifier che fa GET diretto su URL sospetti (404/410/redirect = sold). Database storico 3.700+ vendite reali tracciate.
Tabella audit_log append-only con hash chain SHA-256 stile blockchain. Trigger PostgreSQL BEFORE UPDATE/DELETE che bloccano modifiche. Function audit_log_verify_chain() per tampering detection.
anni esperienza ingegneria software
Sistemi distribuiti, pipeline dati, ML ops in produzione. Background tecnico solido prima del progetto.
mesi di iterazione continua
Algoritmo passato da V1 a V2.26 con feedback diretto di 12+ dealer beta italiani.
portali italiani integrati
Subito, AutoScout24, automobile.it, AutoUncle, Spoticar, Bakeca, AutoSupermarket, Autohero.
vendite reali tracciate
Dataset storico crescente che alimenta la mediana market-median dell'algoritmo.
test automatici nel repo
Unit + integration + E2E Playwright. CI GitHub Actions su ogni PR. Niente "fix in prod e si vede".
voto audit interno 2026
Audit decennale del sistema condotto a maggio 2026. Report HTML disponibile su richiesta.
Stack volutamente classico e robusto. Niente hype, niente "ricetta a base di LLM" che fa sembrare ogni cosa magica e poi non funziona la metà delle volte.
| Layer | Tecnologia | Perché |
|---|---|---|
| Backend | Python 3.11 + FastAPI | Tipo statico, async nativo, OpenAPI gratis. |
| Database | PostgreSQL 17 | JSONB + partizionamento + trigger nativi per audit log immutabile. |
| Code di messaggi | RabbitMQ + Redis | Pipeline asincrona scaler: scraper → inspector → scorer → notifica. |
| NLP descrizioni | spaCy italiano + pattern YAML | Estrazione problemi/urgenze/ricondizionamento spiegabile, non LLM black-box. |
| Scraping | curl_cffi + httpx | Solo HTTP puro, niente browser headless: scalabile e rispettoso del portale. |
| Frontend | Vite + React + TypeScript | Portale dealer responsive, mobile-first, dark mode automatica. |
| Container | Docker Compose + Caddy | 15 servizi orchestrati, HTTPS auto-Let's Encrypt, deploy ripetibile. |
| Hosting | VPS Contabo, on-premise | No cloud iper-scaler, no lock-in. Backup nightly retention 14gg. |
Tutto è containerizzato, replicabile, documentato. Niente componenti AWS-only o servizi SaaS proprietari nel percorso critico: AutoSniper deve poter essere riportato su un'altra macchina in poche ore, anche con il developer in vacanza.
La parte di stima prezzi — il cuore del prodotto — usa un algoritmo proprietario che è arrivato alla versione V2.26 dopo decine di iterazioni con dealer reali. Confronta ogni annuncio con la mediana dei venduti reali nello stesso segmento (marca + modello + anno ±2 + chilometraggio ±50%), applica correzioni per freschezza, qualità del listing, problemi rilevati nel testo, e produce uno score 0-100 spiegabile, con il dettaglio di ogni componente.
Per approfondire come funziona l'algoritmo, leggi la pagina "Come funziona" in homepage o le domande frequenti sulla stima market-median.
AutoSniper è un progetto italiano operativo dal 2026. Stiamo lavorando alla regolarizzazione fiscale completa (P.IVA in attivazione) ed entro l'anno la società sarà costituita ufficialmente. Nel frattempo i dealer in beta privata vengono contrattualizzati individualmente, senza pagamenti fino al completamento del setup.
Non abbiamo profili social aziendali attivi: vogliamo tenere la comunicazione concentrata sui canali diretti (email, portale dealer, Telegram per le notifiche di deal). Niente community rumorosa da gestire significa più tempo per migliorare l'algoritmo.
La beta privata 2026 è aperta a un numero limitato di rivenditori italiani. Compila il form di richiesta accesso o scrivi direttamente all'email del founder.
Vuoi capire prima come funziona il prodotto? Leggi la guida passo-passo, guarda i numeri reali della piattaforma, oppure consulta le domande frequenti.