Digitool

Un’agenzia che gestisce campagne per più clienti vive dentro una dispersione strutturale: Meta da una parte, Google Ads dall’altra, analytics altrove, e-commerce da un’altra ancora. Ogni fine mese qualcuno rientra manualmente negli stessi pannelli, copia gli stessi numeri e ricompone lo stesso report.

Il costo non è solo il tempo speso. È che l’analisi arriva sempre in ritardo rispetto alla decisione, e che il cliente riceve numeri senza il ragionamento che li rende utili.

Il vincolo che ha determinato tutta l’architettura non riguarda le funzionalità ma il metodo: volevamo che fossero degli agenti AI a scrivere materialmente il software, senza però concedere loro la possibilità di fare danni irreversibili. Su un sistema che maneggia i dati di più clienti, uno schema di database modificato di iniziativa è un incidente, non un contrattempo.

C’era poi un secondo vincolo, sull’AI dentro il prodotto: un’analisi sbagliata presentata con sicurezza è peggio di nessuna analisi, perché qualcuno ci prende una decisione sopra.

Abbiamo costruito un middleware che fa da sbarramento: l’AI non tocca il database, propone. Ogni modifica allo schema entra come proposta in stato sospeso e resta lì finché una persona non la approva. Solo all’approvazione diventa una migrazione numerata, viene applicata in transazione e i tipi del frontend vengono rigenerati leggendo il database vero.

Il flusso non torna mai indietro: il frontend non può precedere i tipi, i tipi non possono precedere l’approvazione umana. Al frontend è vietato ridefinire la forma dei dati per far compilare il codice, che è la scorciatoia da cui nascono i disallineamenti più costosi.

Sopra questa base vivono le funzionalità: gestione clienti, sincronizzazione dei dati dalle piattaforme pubblicitarie, un magazzino dati con granularità per audience, analisi per periodo, generazione assistita dei report e un portale per il cliente finale.

Ogni progetto costruito con questo stampo parte da tre artefatti che l’umano approva prima che si scriva una funzionalità: la mappa del sistema (quali entità, quale ciclo di vita del business, quali regole non negoziabili), il contratto dati tradotto in schema, e la roadmap a fasi ordinata per dipendenze reali. Le viste si costruiscono dopo i dati che leggono, mai prima.

Sull’AI dentro il prodotto vale un playbook altrettanto rigido. La prima domanda è sempre se serva davvero un modello: calcoli, aggregazioni e regole restano codice deterministico, che costa zero per esecuzione e non sbaglia. Il modello interviene solo dove il codice non arriva, cioè linguaggio naturale, sintesi e classificazione ambigua.

Le chiamate al modello vivono solo nel middleware, mai nel browser. Il contesto è pre-digerito con query SQL invece che riversato a blocco. Ed è vietato il text-to-SQL libero in produzione: il modello sceglie quale funzione autorizzata chiamare, mentre le query restano parametrizzate nel codice. Il modello non tocca mai il database, né in sviluppo né a runtime.

Front-end Vue con stato centralizzato in Pinia, dove i componenti ricevono l’identificativo di un’entità e non una sua copia, così che più viste della stessa cosa restino allineate. Design system a token in Tailwind: per ricolorare l’applicazione su un cliente si cambiano i valori, non i componenti. Middleware Fastify, PostgreSQL come unica fonte di verità, un container isolato per cliente, consegna del codice tramite pull request con controlli automatici prima del commit.

Lo schema del database è cresciuto in nove passaggi, ognuno passato dalla stessa porta: proposta, approvazione, applicazione in transazione, rigenerazione dei tipi. La storia delle migrazioni si legge come un registro delle decisioni prese, e non esiste un solo cambiamento entrato di soppiatto.

Le chiamate al modello sono tracciate a database, quindi costi ed esiti sono verificabili invece che stimati. La piattaforma è in sviluppo attivo e cresce per fasi.

Digitool è la risposta concreta all’obiezione più seria che si fa al vibe coding: se l’AI scrive in fretta, chi garantisce che non rompa niente? La risposta non è rallentare l’AI, è costruire il recinto giusto: approvazione umana sulle azioni irreversibili, una sola fonte di verità per i dati, controlli automatici prima di ogni consegna. Se stai valutando di far scrivere software a degli agenti su qualcosa che conta, è questa l’architettura che portiamo sul tavolo.