Per molti anni il modello è stato relativamente semplice:

query ⇨ pagina dei risultati ⇨ click ⇨ sito web

Oggi questo percorso non è più scontato.

Google, Bing e le nuove piattaforme di ricerca basate sull’intelligenza artificiale sono sempre più capaci di comprendere domande complesse, effettuare ricerche multiple, confrontare fonti e costruire direttamente una risposta.

Google ha introdotto e progressivamente ampliato AI Overview e AI Mode. Microsoft integra la ricerca con Bing e Copilot, mentre sistemi come ChatGPT Search hanno trasformato ulteriormente il concetto di motore di ricerca, combinando ricerca sul web e generazione della risposta.

Il risultato è un cambiamento nel comportamento degli utenti: per molte query informative non è più necessario visitare diversi siti per costruire autonomamente una risposta.

Il motore di ricerca sta quindi evolvendo da elenco di documenti a sistema di recupero, comprensione e sintesi delle informazioni.

Questo non significa che la SEO sia morta.

Significa che il suo obiettivo si sta ampliando.

Non dobbiamo più chiederci soltanto:

“Come posso posizionare questa pagina?”

ma anche:

“Come posso rendere questa pagina una fonte affidabile che un motore di ricerca o un sistema AI possa trovare, comprendere, recuperare e citare?”

Dalla SEO alla AEO e GEO

Negli ultimi anni sono diventati popolari termini come:

SEO: Search Engine Optimization

Ottimizzazione per ottenere visibilità nei motori di ricerca tradizionali.

AEO: Answer Engine Optimization

Ottimizzazione dei contenuti affinché possano contribuire direttamente alla risposta fornita all’utente.

GEO: Generative Engine Optimization

Ottimizzazione della presenza di un sito all’interno delle esperienze di ricerca basate sull’intelligenza artificiale.

Non si tratta però di tre discipline completamente separate.

La SEO rimane la base.

Google ha chiarito che AI Overview e AI Mode utilizzano ancora i principali sistemi di ranking e qualità della Search e che non esistono requisiti tecnici speciali per apparire nelle funzionalità generative.

Anche Microsoft utilizza ormai esplicitamente il termine GEO per descrivere il modo in cui i contenuti partecipano alle esperienze AI e vengono utilizzati come fonti nelle risposte generate.

Possiamo quindi rappresentare l’evoluzione come:

SEO ⇨ Discovery

AEO ⇨ Answer

GEO ⇨ Citation & Generative Visibility

La SEO permette al contenuto di essere trovato.

AEO e GEO estendono il concetto verso la possibilità che quel contenuto venga compreso, recuperato e utilizzato all’interno di una risposta generativa.

Tipologie di query e rischio di perdita di traffico

L’impatto della ricerca generativa non è uguale per tutte le ricerche.

Query informative: RISCHIO ALTO

Sono domande per le quali l’utente cerca principalmente una spiegazione.

Per esempio:

• cos’è il protocollo OAuth2?
• cosa significa canonical URL?
• come funziona un CDN?
• qual è la differenza tra SEO e SEM?

Per queste query una risposta generativa può fornire immediatamente una spiegazione sufficientemente completa.

La conseguenza è l’aumento delle zero-click search, cioè ricerche che terminano senza una visita a un sito esterno.

Query comparative e di ricerca: RISCHIO MEDIO/ALTO

Le piattaforme AI sono particolarmente efficaci nel confronto.

Una domanda come:

“Quale CMS è più adatto per un portale healthcare internazionale: Drupal o WordPress?”

può richiedere al sistema di confrontare:

• sicurezza;
• scalabilità;
• gestione multi-country;
• workflow editoriali;
• SSO;
• privacy;
• integrazioni;
• costi;
• manutenzione.

Google AI Mode e altri sistemi generativi possono effettuare più ricerche per costruire direttamente questo confronto.

Il click rimane importante quando l’utente vuole verificare una fonte, approfondire un aspetto tecnico, leggere un’esperienza reale o analizzare dati più dettagliati.

Query transazionali: RISCHIO PIÙ BASSO

Quando l’utente deve completare un’azione, il sito continua ad avere un ruolo fondamentale.

Per esempio:

• acquistare un prodotto;
• prenotare un hotel;
• richiedere un preventivo;
• iscriversi a un servizio;
• scaricare un software;
• contattare un’azienda.

Anche qui, però, la situazione sta evolvendo.

Gli AI Agent stanno progressivamente trasformando l’intelligenza artificiale da semplice sistema di risposta a strumento capace di interagire con servizi e applicazioni.

La trasformazione potrebbe quindi essere:

Search ⇨ Answer ⇨ Conversation ⇨ Action

Come funziona la ricerca generativa

Non tutti i motori utilizzano la stessa architettura e non conosciamo tutti i dettagli dei loro sistemi.

Possiamo però individuare un modello generale.

1. Comprensione dell’intento

Il sistema interpreta la richiesta cercando di comprenderne:

• significato;
• contesto;
• entità;
• intento;
• relazioni tra concetti.

Diventa quindi sempre meno importante la corrispondenza esatta tra keyword inserita dall’utente e testo presente nella pagina.

2. Query fan-out

Una delle caratteristiche più interessanti della ricerca generativa è il query fan-out.

Google ha confermato ufficialmente che AI Overview e AI Mode possono eseguire contemporaneamente più ricerche correlate su diversi sottoargomenti e fonti.

Una query complessa può quindi essere scomposta in numerose ricerche secondarie.

Per esempio:

“Qual è la migliore piattaforma CMS per un portale HCP europeo?”

potrebbe generare ricerche relative a:

CMS healthcare

Drupal security

WordPress healthcare

GDPR CMS

multi-country CMS

HCP authentication

SSO healthcare portal

Il contenuto non deve quindi necessariamente corrispondere alla frase digitata dall’utente per poter diventare una fonte rilevante.

Retrieval, Grounding e RAG

Uno dei concetti fondamentali della ricerca AI è il grounding.

Un Large Language Model possiede conoscenza acquisita durante il training, ma per rispondere a domande che richiedono informazioni aggiornate può utilizzare fonti esterne.

Un approccio utilizzato è il Retrieval-Augmented Generation (RAG).

In forma semplificata:

Query
⇩
Retrieval
⇩
Selezione delle fonti
⇩
Estrazione delle informazioni
⇩
Generazione della risposta
⇩
Citazioni / link

Google conferma esplicitamente l’utilizzo di tecniche RAG e grounding nelle proprie funzionalità generative.

Microsoft considera il grounding un elemento centrale dell’AI Web: le fonti web permettono ai sistemi generativi di collegare la risposta a informazioni verificabili e aggiornate.

Per chi lavora con SEO e contenuti questo significa una cosa importante:

prima che un contenuto possa essere utilizzato in una risposta AI deve poter essere scoperto, interpretato e considerato sufficientemente pertinente.

Ed è proprio qui che la SEO tradizionale continua ad avere un ruolo fondamentale.

Google, Bing e la nuova Search

La trasformazione non riguarda soltanto Google.

Google

Google utilizza principalmente:

• Search tradizionale;
• AI Overview;
• AI Mode.

AI Overview sintetizza informazioni direttamente nella SERP quando Google ritiene che questo aggiunga valore alla ricerca.

AI Mode estende ulteriormente il modello permettendo ricerche più complesse, confronti e conversazioni successive.

Entrambi possono utilizzare il query fan-out per trovare fonti differenti rispetto a quelle che emergerebbero da una singola query tradizionale.

Bing e Microsoft Copilot

Microsoft sta seguendo una direzione simile attraverso Bing e Copilot.

Un aspetto particolarmente interessante è l’introduzione di AI Performance in Bing Webmaster Tools.

Il report permette ai publisher di analizzare metriche come:

• citazioni totali;
• pagine citate;
• grounding query;
• andamento delle citazioni nel tempo.

Microsoft sta quindi iniziando a distinguere in maniera più esplicita la tradizionale visibilità SEO dalla visibilità all’interno delle risposte AI.

Questo rappresenta probabilmente un’anticipazione di come evolveranno gli strumenti SEO nei prossimi anni.

ChatGPT Search e i nuovi motori AI

Accanto ai motori tradizionali stanno crescendo sistemi nei quali la ricerca è integrata direttamente nell’assistente AI.

ChatGPT Search, per esempio, può cercare informazioni sul web e utilizzare pagine esterne come fonti delle proprie risposte.

Per i publisher questo introduce un’altra dimensione della visibilità organica.

Non esiste più soltanto:

Google ranking

ma un ecosistema composto da:

Search visibility

AI visibility

Citation visibility

Brand visibility

Un sito può quindi generare valore anche quando la sua pagina viene utilizzata come fonte senza produrre necessariamente un click immediato.

Da keyword a Topic, Intent, Entity e Context

La keyword non scompare.

Cambia però il suo peso strategico.

L’approccio tradizionale:

una keyword ⇨ una pagina

diventa sempre meno efficace quando viene applicato in maniera rigida.

Un approccio moderno considera invece:

Keyword ⇨ Topic ⇨ Intent ⇨ Entity ⇨ Context

Google ha inoltre chiarito che non è necessario creare decine di pagine per coprire ogni possibile variante long-tail.

I moderni sistemi di ricerca comprendono sinonimi, concetti ed entità anche quando non esiste una corrispondenza letterale con la query.

Diventa quindi più importante costruire una copertura semantica completa dell’argomento.

Come scrivere contenuti adatti alla ricerca AI

Non esiste una formula magica per essere citati.

Non esiste neppure una lunghezza ideale del paragrafo che garantisca la presenza nelle risposte AI.

L’obiettivo dovrebbe essere rendere il contenuto facilmente comprensibile sia alle persone sia ai sistemi di recupero delle informazioni.

Una buona struttura prevede:

• titoli descrittivi;
• paragrafi chiari;
• risposte dirette quando appropriate;
• tabelle per confrontare dati;
• liste quando migliorano la leggibilità;
• definizioni precise;
• esempi;
• fonti verificabili;
• collegamenti tra concetti correlati.

La vecchia idea della Atomic Answer obbligatoriamente di 40-60 parole non deve quindi essere considerata una regola SEO.

La risposta deve essere semplicemente chiara, completa e proporzionata alla domanda.

Il vero vantaggio competitivo: contenuti non-commodity

Con l’intelligenza artificiale diventa estremamente semplice produrre contenuti generici.

Ed è proprio per questo che il contenuto generico perde valore.

Google utilizza il concetto di non-commodity content per indicare contenuti che aggiungono qualcosa rispetto alle informazioni comunemente disponibili.

Possono essere:

• esperienze dirette;
• test;
• benchmark;
• dati proprietari;
• ricerche originali;
• casi studio;
• screenshot;
• esempi reali;
• opinioni tecniche motivate;
• metodologie sviluppate internamente.

Un articolo che ripete:

“10 vantaggi del cloud computing”

può essere facilmente sintetizzato da un sistema AI.

Un articolo che presenta:

“Come abbiamo ridotto del 38% i tempi di risposta migrando questa architettura su Azure”

possiede invece informazioni che il modello difficilmente può ottenere altrove.

Questa differenza diventerà sempre più importante.

E-E-A-T nella ricerca AI

Experience, Expertise, Authoritativeness e Trustworthiness continuano a rappresentare concetti importanti per valutare la qualità dei contenuti.

Non devono però essere interpretati come un singolo “ranking factor AI”.

Il principio fondamentale rimane dimostrare che dietro il contenuto esistono esperienza, competenza e informazioni verificabili.

Experience

Dimostrare esperienza reale attraverso:

• test;
• casi reali;
• screenshot;
• foto originali;
• problemi incontrati;
• risultati ottenuti.

Expertise

Dimostrare competenza attraverso:

• approfondimenti tecnici;
• terminologia appropriata;
• fonti;
• dati;
• spiegazioni accurate;
• profilo dell’autore.

Authoritativeness

Costruire autorevolezza attraverso:

• citazioni;
• backlink;
• menzioni;
• pubblicazioni;
• reputazione nel settore.

Trustworthiness

Rafforzare la fiducia attraverso:

• fonti verificabili;
• autore identificabile;
• trasparenza editoriale;
• date di pubblicazione e aggiornamento;
• informazioni aziendali chiare;
• sicurezza del sito.

Structured Data: importanti, ma senza miti

Schema.org e i dati strutturati rimangono strumenti importanti della SEO.

Aiutano i motori di ricerca a comprendere meglio alcune informazioni e possono consentire l’accesso a specifici rich result.

Non bisogna però considerarli un requisito per essere utilizzati dalle risposte AI.

Google ha chiarito che non esiste uno Schema.org speciale per AI Overview o AI Mode.

I dati strutturati dovrebbero quindi essere implementati quando rappresentano realmente il contenuto presente nella pagina e quando sono utili alla Search.

Per esempio:

• Article;
• Product;
• Organization;
• Person;
• Event;
• BreadcrumbList;
• LocalBusiness.

La regola rimane:

markup strutturato sì, markup artificiale creato esclusivamente per “convincere l’AI” no.

Immagini, video e contenuti multimodali

La ricerca sta diventando sempre più multimodale.

Le risposte possono utilizzare:

• testo;
• immagini;
• video;
• prodotti;
• mappe;
• dati strutturati;
• elementi interattivi.

Google raccomanda esplicitamente di accompagnare i contenuti testuali con immagini e video di qualità quando utili.

Diventa quindi importante curare anche:

• qualità dell’immagine;
• alt text;
• nome del file;
• testo vicino all’immagine;
• caption;
• Video SEO;
• sitemap immagini/video quando appropriate;
• coerenza tra testo e contenuto visuale.

Un diagramma originale o uno screenshot tecnico possono fornire un valore informativo molto maggiore rispetto a una generica immagine stock.

Cluster tematici e Internal Linking

La ricerca generativa rafforza ulteriormente il valore della topical authority.

Un singolo articolo isolato difficilmente dimostra la stessa profondità di un ecosistema di contenuti collegati.

Una struttura efficace può essere:

Pillar Page

Approfondimento A

Approfondimento B

Caso studio

FAQ

Tutorial

Confronto

L’internal linking permette ai motori di comprendere:

• relazione tra contenuti;
• gerarchia;
• contesto;
• profondità tematica.

E facilita anche il crawling e la scoperta delle pagine.

Technical SEO: cosa non cambia

L’intelligenza artificiale non elimina la necessità di avere un sito tecnicamente solido.

Rimangono fondamentali:

• crawlability;
• indexability;
• robots.txt;
• sitemap XML;
• canonical;
• redirect corretti;
• status code;
• performance;
• mobile usability;
• accessibilità;
• JavaScript rendering;
• internal linking;
• HTML comprensibile;
• contenuti importanti disponibili in forma testuale.

Se il motore non riesce a recuperare correttamente il contenuto, difficilmente potrà utilizzarlo come fonte.

I nuovi KPI della SEO

Uno degli errori più comuni sarà continuare a misurare il successo esclusivamente attraverso il traffico organico.

I KPI tradizionali rimangono importanti:

• ranking;
• impression;
• CTR;
• click;
• sessioni organiche;
• conversioni.

Ma devono essere affiancati da nuove metriche:

• citazioni nelle risposte AI;
• pagine citate;
• branded search;
• brand mentions;
• traffico diretto;
• referral da piattaforme AI;
• engagement;
• conversion rate;
• visibility sulle query rilevanti.

Bing ha già iniziato questa transizione attraverso AI Performance in Bing Webmaster Tools, mostrando citazioni e grounding query provenienti da Copilot, Bing AI e alcune esperienze partner.

Google, invece, attualmente include AI Overview e AI Mode all’interno del traffico Web complessivo di Search Console.

La misurazione della AI Visibility è quindi ancora un settore in forte evoluzione.

La SEO non sta scomparendo: sta cambiando il suo obiettivo

Per anni l’obiettivo principale della SEO è stato:

ottenere una posizione
⇩
generare un click
⇩
portare l’utente sul sito

Oggi il percorso può diventare:

essere scoperti
⇩
essere considerati pertinenti
⇩
essere recuperati come fonte
⇩
essere citati
⇩
generare fiducia
⇩
ottenere una visita o un’azione

Questo cambia profondamente il modo in cui dobbiamo valutare il valore di un contenuto.

Un contenuto può contribuire alla visibilità del brand anche prima che avvenga il click.

Conclusione

La SEO non è morta.

Al contrario, rimane l’infrastruttura sulla quale si sta costruendo gran parte della nuova ricerca basata sull’intelligenza artificiale.

Ciò che cambia è il contesto.

Non stiamo più ottimizzando soltanto per una pagina composta da dieci link blu.

Stiamo ottimizzando per un ecosistema nel quale convivono:

Search Engine

Answer Engine

Generative Engine

AI Assistant

AI Agent

Google AI Overview, AI Mode, Bing, Microsoft Copilot e le nuove piattaforme AI stanno progressivamente trasformando il modo in cui le informazioni vengono trovate e utilizzate.

Per questo il futuro della SEO non consiste nel trovare trucchi per “piacere agli LLM”.

Consiste nel costruire siti tecnicamente accessibili e contenuti che abbiano qualcosa di reale da offrire:

esperienza, dati, competenza, chiarezza, autorevolezza e informazioni originali.

Prima l’obiettivo era soprattutto ottenere il click.

Oggi l’obiettivo è anche diventare una fonte della risposta.

Domani potrebbe essere diventare una fonte e un servizio utilizzabile direttamente dagli agenti AI.

Fonti Primarie:
Google Search Central – AI features and your website, Google – Generative AI optimization guide, Bing Webmaster – AI Performance

L'articolo Come cambia la SEO con l’avvento dell’AI Overview, AI Mode e ricerca generativa (2026) proviene da Giovanni Anfuso.

Negli ultimi anni lo sviluppo web sta attraversando una trasformazione radicale. L’introduzione massiccia di strumenti di Intelligenza Artificiale ha cambiato il modo di scrivere codice, progettare architetture e affrontare i problemi.

In questo contesto nasce il Vibe Coding: un approccio allo sviluppo in cui il focus si sposta dall’implementazione manuale al guidare l’AI, mantenendo il controllo creativo e tecnico del progetto.

Ma cos’è davvero il Vibe Coding e perché sta diventando sempre più diffuso tra gli sviluppatori?

Cos’è il Vibe Coding

Il Vibe Coding è un modo di programmare basato su:

• interazione continua con sistemi di AI
• sviluppo guidato da intenti e obiettivi
• iterazione rapida e sperimentazione

Lo sviluppatore non scrive necessariamente ogni riga di codice da zero, ma:

• descrive il problema
• valuta le soluzioni proposte dall’AI
• rifinisce, corregge e ottimizza

Il codice diventa il risultato di un dialogo uomo–macchina, non di una semplice digitazione.

I principali sistemi di AI usati nel Vibe Coding

Il Vibe Coding non esisterebbe senza una nuova generazione di strumenti intelligenti. Tra i più rilevanti troviamo:

GitHub Copilot

Probabilmente lo strumento più utilizzato nel coding quotidiano.
Suggerisce codice in tempo reale direttamente nell’editor, basandosi sul contesto del file e del progetto.

Ottimo per:

• velocizzare la scrittura
• ridurre boilerplate
• esplorare soluzioni alternative

Limite principale: non sempre comprende l’architettura globale del progetto.

ChatGPT

Usato soprattutto per:

• progettazione di logica complessa
• refactoring
• spiegazione di codice
• debugging concettuale

È uno degli strumenti più potenti nel Vibe Coding perché permette di ragionare sul codice, non solo generarlo.

Gemini

Molto efficace nella:

• comprensione di contesti ampi
• analisi di flussi complessi
• integrazione con ecosistemi cloud

Spesso utilizzato per brainstorming tecnico e valutazioni architetturali.

Altri strumenti rilevanti

• Codeium
• Tabnine
• Cursor
• Sourcegraph Cody

Tutti contribuiscono a un ecosistema in cui il developer lavora più sul perché che sul come.

Come usare il Vibe Coding in modo efficace

Il Vibe Coding funziona davvero solo se utilizzato con metodo. Un approccio sano prevede:

1. Definizione chiara del problema
2. Uso dell’AI per generare una prima soluzione
3. Analisi critica del codice prodotto
4. Adattamento alle esigenze reali del progetto
5. Test e validazione

L’AI accelera, ma non sostituisce il pensiero tecnico.

Come è cambiato l’approccio allo sviluppo web

Prima dell’AI:

• sviluppo lineare
• focus sulla sintassi
• tempi di implementazione più lunghi

Con il Vibe Coding:

• maggiore attenzione all’architettura
• più tempo dedicato a decisioni strategiche
• prototipazione rapidissima
• sperimentazione continua

Lo sviluppatore diventa sempre più un orchestratore di soluzioni, non solo un esecutore.

Seniority: perché conta ancora (e forse di più)

Un aspetto spesso sottovalutato: il Vibe Coding amplifica le differenze di competenza.

Uno sviluppatore esperto:

• riconosce pattern sbagliati
• individua problemi di sicurezza
• valuta impatti su performance e scalabilità
• sa quando l’AI sta producendo codice fragile

Uno sviluppatore meno esperto rischia di:

• fidarsi ciecamente dell’output
• accumulare debito tecnico
• perdere comprensione del codice

L’AI non elimina la seniority, la rende ancora più centrale.

A cosa stare attenti con il Vibe Coding

Usare il Vibe Coding senza consapevolezza può creare problemi seri:

• Codice non sicuro
• Soluzioni inefficienti
• Over-engineering
• Dipendenza dall’AI
• Perdita di competenze fondamentali

Il rischio maggiore non è l’AI in sé, ma smarrire il controllo del codice.

Conclusione

Il Vibe Coding rappresenta una delle evoluzioni più significative dello sviluppo web moderno. Strumenti come ChatGPT, GitHub Copilot e Gemini stanno ridefinendo il modo di lavorare dei developer.

Ma il principio resta invariato:

l’AI è uno strumento potentissimo, non un sostituto della competenza.

Chi saprà usarla con spirito critico e solide basi tecniche avrà un enorme vantaggio competitivo.

L'articolo Vibe Coding e Intelligenza Artificiale: come sta evolvendo lo sviluppo web proviene da Giovanni Anfuso.

Drupal è uno dei CMS più longevi e versatili sul mercato, noto per la sua flessibilità e modularità. Nel corso degli anni si è evoluto da piattaforma per siti complessi a strumento capace di supportare progetti enterprise, portali comunitari e piattaforme digitali avanzate. In questo articolo analizziamo i punti di forza e le criticità di Drupal, la sua evoluzione nel tempo e le prospettive future, in particolare con l’integrazione delle tecnologie di Intelligenza Artificiale.

Punti di forza di Drupal

Drupal si distingue per alcune caratteristiche chiave che lo rendono un CMS robusto e apprezzato dagli sviluppatori:

1. Modularità e flessibilità: grazie all’architettura modulare, è possibile estendere le funzionalità senza compromettere il core.
2. Sicurezza avanzata: aggiornamenti regolari e una comunità attiva garantiscono protezione anche per siti ad alto rischio.
3. Gestione complessa dei contenuti: supporto per tipi di contenuto personalizzati, tassonomie e viste avanzate.
4. Scalabilità: ideale per siti enterprise, portali governativi e piattaforme con traffico elevato.
5. Comunità e ecosistema: migliaia di moduli e temi, insieme a una community globale di sviluppatori.

Aspetti migliorabili

Nonostante i punti di forza, Drupal presenta alcune sfide per sviluppatori e aziende:

• Curva di apprendimento ripida: la complessità del CMS può scoraggiare chi proviene da WordPress o soluzioni più “out-of-the-box”.
• Gestione frontend non immediata: anche con Twig, il design e l’integrazione frontend richiedono competenze avanzate.
• Performance su siti piccoli: senza caching e ottimizzazione, siti semplici possono risultare più lenti rispetto a soluzioni leggere.
• Aggiornamenti e compatibilità moduli: alcuni moduli di terze parti richiedono aggiornamenti manuali, causando occasionali conflitti.

Evoluzione storica di Drupal

Drupal ha compiuto significativi passi evolutivi:

• Versioni 6-7: consolidamento della gestione dei contenuti e prime API per sviluppatori.
• Versione 8: introduzione di Symfony, REST API, maggiore aderenza a standard moderni.
• Versione 9, 10 e 11: miglioramenti nella sicurezza, compatibilità PHP moderna, integrazione con strumenti headless e supporto per editor avanzati come CKEditor.

Questa evoluzione ha permesso a Drupal di adattarsi alle esigenze enterprise e al crescente interesse per architetture headless e omnicanale.

Drupal e l’avvento dell’AI

L’Intelligenza Artificiale sta trasformando il web e Drupal non è immune a queste tendenze:

• Content intelligence: moduli per suggerimenti automatici di contenuti, tagging intelligente e generazione testi.
• Personalizzazione avanzata: AI per suggerire contenuti pertinenti a utenti diversi in tempo reale.
• Automazione dei workflow: dall’ottimizzazione SEO alla gestione dei media, l’AI può ridurre il carico di lavoro degli editor.
• Integrazione con strumenti esterni: API per NLP, analisi dei dati e sistemi predittivi.

L’adozione di AI in Drupal rappresenta un’opportunità per semplificare lo sviluppo, migliorare UX e contenuti personalizzati, mantenendo al contempo la sicurezza e la flessibilità della piattaforma.

Conclusioni

Drupal rimane una piattaforma di riferimento per sviluppatori e aziende che cercano un CMS potente, scalabile e sicuro. I punti di forza come modularità, sicurezza e gestione avanzata dei contenuti continuano a renderlo competitivo, mentre le criticità legate a curva di apprendimento e performance possono essere mitigate da best practice e strumenti moderni.

Con l’integrazione dell’AI, Drupal si prepara a diventare non solo un CMS per contenuti complessi, ma una piattaforma intelligente capace di adattarsi alle esigenze degli utenti e dei team di sviluppo in modo più dinamico e predittivo.

L'articolo Ecosistema Drupal: punti di forza, criticità e prospettive con l’avvento dell’AI proviene da Giovanni Anfuso.

Figma: cos’è e perché è diventato uno standard nel design digitale

Figma è uno strumento di design UI/UX basato sul web, utilizzato da designer, sviluppatori e team di prodotto per progettare interfacce digitali in modo collaborativo. A differenza dei software tradizionali, Figma funziona direttamente nel browser (con app desktop opzionali) e consente a più persone di lavorare contemporaneamente sullo stesso file, in tempo reale.

Grazie alla sua semplicità, flessibilità e potenza, Figma è diventato uno standard nel mondo del product design, del web design e dello sviluppo di applicazioni, adottato sia da startup che da grandi aziende.

Come funziona Figma

Figma si basa su un’architettura cloud-first. Tutti i file vengono salvati online e sono accessibili ovunque, senza la necessità di versioni locali o invii manuali.

Le sue funzionalità principali includono:

• Editor vettoriale avanzato per la creazione di interfacce
• Collaborazione in tempo reale (simile a Google Docs)
• Componenti e design system riutilizzabili
• Prototipazione interattiva senza codice
• Commenti e feedback direttamente sul design
• Integrazioni e plugin per estendere le funzionalità

Dal punto di vista tecnico, ogni azione eseguita dagli utenti viene sincronizzata istantaneamente con il backend di Figma, garantendo aggiornamenti in tempo reale per tutti i collaboratori.

I principali vantaggi di Figma

L’enorme successo di Figma è dovuto a una serie di vantaggi chiave:

1. Collaborazione in tempo reale

Più utenti possono modificare lo stesso file contemporaneamente, eliminando problemi di versioning e conflitti.

2. Accessibilità

Essendo basato su browser, Figma è accessibile da qualsiasi sistema operativo senza installazioni complesse.

3. Performance e affidabilità

Anche con file complessi e team numerosi, Figma mantiene prestazioni elevate.

4. Design system scalabili

I componenti consentono di mantenere coerenza visiva e velocizzare il lavoro.

5. Ecosistema in continua evoluzione

Plugin, API e integrazioni rendono Figma una piattaforma estremamente estendibile.

La sfida della scalabilità: da pochi utenti a oltre 10 milioni

Con una crescita così rapida, Figma ha dovuto affrontare una delle sfide più complesse per qualsiasi piattaforma SaaS: la scalabilità dell’infrastruttura.

In particolare, il team si è trovato a dover scalare un database PostgreSQL inizialmente monolitico, progettato per un numero di utenti molto inferiore rispetto ai volumi attuali.

Nel thread tecnico recentemente discusso, Figma ha raccontato il percorso che ha permesso di passare da un singolo database a un’architettura orizzontalmente shardata, in grado di supportare oltre 10 milioni di utenti attivi.

Fase 1: sollievo immediato con scaling verticale

La prima fase è stata dedicata a risolvere i problemi più urgenti:

• Scaling verticale del database PostgreSQL
• Introduzione di read replica per alleggerire il carico in lettura
• Utilizzo di connection pooling tramite PG Bouncer

Queste soluzioni hanno fornito un miglioramento rapido, ma non erano sufficienti nel lungo periodo.

Fase 2: stabilità con partizionamento logico

Nel medio termine, Figma ha adottato un approccio di logical partitioning, separando gruppi di tabelle in database dedicati.

Un’innovazione interessante è stata l’uso di:

• Viste PostgreSQL per simulare lo sharding
• Test delle query su strutture shardate prima della separazione fisica

Durante la migrazione, il team ha ottimizzato la replica logica, rimuovendo temporaneamente gli indici per velocizzare il trasferimento dei dati, riducendo drasticamente i tempi di migrazione.

Fase 3: sharding orizzontale e architettura distribuita

La fase finale ha portato alla vera svolta in termini di scalabilità:

• Introduzione di horizontal sharding
• Creazione di un custom query router
• Sviluppo di un DB proxy in Golang per il routing intelligente delle query tra shard

Il deployment è avvenuto in due fasi, utilizzando PG Bouncer per garantire transizioni sicure senza downtime, permettendo di cambiare il routing del traffico in modo graduale e controllato.

Perché queste ottimizzazioni sono importanti

Queste ottimizzazioni non riguardano solo Figma, ma rappresentano un caso di studio fondamentale per chi sviluppa applicazioni SaaS ad alta crescita.

Dimostrano come:

• PostgreSQL possa scalare a livelli estremamente elevati
• Le soluzioni incrementali siano spesso più efficaci dei rewrite totali
• La combinazione di scelte architetturali e tooling personalizzato possa fare la differenza

Conclusione

Figma non è solo uno strumento di design, ma un esempio eccellente di prodotto tecnologico ben progettato, sia dal punto di vista dell’esperienza utente che dell’architettura backend.

La sua evoluzione, da semplice tool collaborativo a piattaforma globale per milioni di utenti, dimostra come innovazione, performance e scalabilità possano convivere quando le decisioni tecniche sono guidate da una visione chiara e progressiva.

Se lavori nel mondo del design, dello sviluppo o delle architetture software, Figma rimane un punto di riferimento imprescindibile.

L'articolo Figma: il tool di design che continua a crescere grazie all’innovazione tecnologica proviene da Giovanni Anfuso.

Cos’è Gemini 3 Flash

Un modello AI progettato per la velocità

Gemini 3 Flash è un modello di intelligenza artificiale avanzata che combina capacità di ragionamento di livello “frontier” con una latenza estremamente ridotta. L’obiettivo di Google è chiaro: fornire risposte intelligenti e contestuali in tempi rapidissimi, rendendo l’esperienza d’uso più fluida e naturale.

“Gemini 3 Flash: frontier intelligence built for speed”
— Google, blog ufficiale

Differenze rispetto ai modelli precedenti

Rispetto a Gemini 2.5 Flash, la nuova versione offre:

• maggiore rapidità nelle risposte
• migliori capacità di reasoning
• costi di utilizzo più bassi
• maggiore efficienza per applicazioni ad alto traffico

Funzionalità principali di Gemini 3 Flash

Intelligenza multimodale avanzata

Gemini 3 Flash è in grado di comprendere e generare contenuti a partire da:

• testo
• immagini
• audio
• video

Questa caratteristica lo rende ideale per assistenti virtuali, strumenti di analisi dei contenuti e applicazioni AI interattive.

Ragionamento e comprensione contestuale

Il modello mantiene forti capacità di problem solving, pianificazione e analisi complessa, risultando efficace anche in ambiti come:

• programmazione
• supporto decisionale
• elaborazione di informazioni complesse

Dove è disponibile Gemini 3 Flash

Integrazione nella Gemini App

Google ha reso Gemini 3 Flash il modello predefinito della Gemini app, migliorando l’esperienza quotidiana degli utenti grazie a risposte più rapide e precise.

Gemini 3 Flash su Google Search

Il nuovo modello è integrato anche in AI Mode su Google Search, offrendo risultati più intelligenti, approfonditi e contestuali per le ricerche complesse.

Strumenti per sviluppatori

Gemini 3 Flash è disponibile tramite:

• Gemini API
• Google AI Studio
• Vertex AI
• Android Studio
• Gemini CLI

Questa ampia disponibilità consente agli sviluppatori di creare applicazioni AI scalabili e performanti.

Vantaggi per utenti e aziende

Per gli utenti finali

• risposte più veloci
• maggiore precisione
• migliore esperienza conversazionale

Per sviluppatori e imprese

• costi inferiori
• alte prestazioni
• facilità di integrazione
• supporto a casi d’uso in tempo reale

Conclusione

Con Gemini 3 Flash, Google compie un passo decisivo verso un’intelligenza artificiale più veloce, accessibile ed efficiente. Il nuovo modello dimostra come sia possibile unire potenza cognitiva e rapidità, rendendo l’AI uno strumento sempre più centrale nella vita digitale quotidiana e nello sviluppo di soluzioni innovative.

Fonte: Google Blog

L'articolo Google presenta Gemini 3 Flash: l’IA ultraveloce con intelligenza di livello avanzato proviene da Giovanni Anfuso.

Questo articolo analizza i principali progressi dell’AI applicati alla programmazione, con un taglio tecnico ma accessibile, includendo esempi pratici di codice.

AI e linguaggi di programmazione

I moderni modelli di AI sono addestrati su enormi codebase open source e sono in grado di comprendere la sintassi e la semantica di linguaggi come:

• Python
• JavaScript / TypeScript
• Java
• C / C++
• Php
• C#

Questa capacità consente funzionalità avanzate come:

• autocompletamento contestuale,
• refactoring automatico,
• suggerimenti di best practice,
• analisi statica intelligente.

Esempio: generazione di codice Python

Un semplice prompt può produrre una funzione funzionante:

def fibonacci(n: int) -> int:
    if n <= 1:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

L’AI non si limita a generare codice valido, ma può anche ottimizzarlo:

def fibonacci(n: int) -> int:
    a, b = 0, 1
    for _ in range(n):
        a, b = b, a + b
    return a

Machine Learning come strumento di sviluppo

Framework come TensorFlow, PyTorch e scikit-learn permettono agli sviluppatori di integrare facilmente modelli di machine learning nelle applicazioni.

Esempio: modello di regressione con scikit-learn (python)

from sklearn.linear_model import LinearRegression
import numpy as np

X = np.array([[1], [2], [3], [4]])
y = np.array([2, 4, 6, 8])

model = LinearRegression()
model.fit(X, y)

print(model.predict([[5]]))

Questo approccio consente di costruire software data-driven, dove il comportamento dell’applicazione evolve in base ai dati.

AI nel debugging e nel testing

Uno dei progressi più rilevanti riguarda l’automazione della qualità del software. L’AI viene oggi utilizzata per:

• individuare anomalie nel codice,
• prevedere errori runtime,
• generare test automatici.

Esempio: test automatico (JavaScript)

test("somma corretta", () => {
  expect(2 + 2).toBe(4);
});

Sistemi AI avanzati possono suggerire edge case mancanti o migliorare la copertura dei test in modo automatico.

Nuovi paradigmi: prompt-based development

Un trend emergente è lo sviluppo guidato dai prompt, in cui il codice nasce da istruzioni in linguaggio naturale. Questo non elimina la programmazione tradizionale, ma la affianca, accelerando prototipazione e sviluppo.

Il programmatore diventa sempre più:

• architetto del software,
• validatore del codice,
• problem solver ad alto livello.

Impatto su DevOps e sicurezza

Nel mondo DevOps, l’AI viene utilizzata per:

• monitoraggio predittivo,
• analisi dei log,
• rilevamento automatico delle intrusioni.

In ambito cybersecurity, i modelli intelligenti analizzano pattern di attacco e vulnerabilità prima che diventino critiche.

Conclusione

I progressi dell’intelligenza artificiale stanno trasformando la programmazione in una disciplina sempre più collaborativa tra uomo e macchina.
Conoscere l’AI non è più un vantaggio competitivo, ma una competenza fondamentale per chi sviluppa software oggi.

Il futuro del codice non è meno umano, ma più intelligente.

L'articolo I Progressi dell’Intelligenza Artificiale nella Programmazione Moderna proviene da Giovanni Anfuso.