MiModa Agent · consulente d'immagine AI · Italia · 2026
Il consulente d'immagine che conosce il tuo armadio.
Gli parli, gli mandi una foto, ti dice cosa metterti con quello che hai già. Anche mentre sei in negozio con un capo in mano.
Un agente, non una chat appoggiata a un catalogo: ogni consiglio è ancorato ai capi che possiedi davvero, impara dal tuo feedback, e ogni azione passa da strumenti verificabili.
MiModa è un consulente d'immagine AI. Gestisce il tuo armadio e i tuoi look, inserisce i capi da una foto, da una frase o dal link di un negozio, suggerisce, completa e migliora gli abbinamenti usando solo ciò che possiedi, abbina un capo che hai in mano in negozio con il tuo armadio, prepara la valigia e mostra un'anteprima del look indossato. Ricorda le tue preferenze e impara dal feedback. È il reboot "agent-first" di MiModa, un'app già sugli store dal 2022 con oltre 10.000 download. Costruito in tre mesi da un fondatore solo, sviluppatore con sedici anni di esperienza, con un ciclo di sviluppo notturno autonomo: 386 commit, 61 decisioni architetturali documentate, 52 strumenti tipizzati, 645 test.
La tesi: il mercato delle app armadio è affollato e i grandi del settore lo hanno reso gratis. Vogliamo costruire un prodotto davvero utile e di qualità, e venderlo a chi ha un ritorno misurabile dall'armadio del cliente: boutique e brand made in Italy (abbinamento in negozio, vetrina del negozio dentro l'app) e consulenti d'immagine (uno spazio di lavoro per gestire i loro clienti). Prossime scommesse: armocromia, il ciclo quotidiano pianifica-indossa-lava, analytics dell'armadio, un server MCP per usare MiModa da Claude, ChatGPT e Gemini. Cerchiamo boutique e consulenti per un pilota, e un co-founder dal mondo della moda.
MiModa is an agentic AI image consultant. It manages your wardrobe and your saved looks, adds garments from a photo, a sentence or a product URL, suggests, completes and improves outfits using only what you own, pairs a garment you are holding in a shop with your wardrobe, packs your suitcase and renders try-on previews. It remembers your preferences and learns from feedback. It is the agent-first reboot of MiModa, an app on both stores since 2022 with 10,000+ downloads. Built in three months by a solo founder, a full-stack developer with sixteen years of experience, using an autonomous nightly AI development loop: 386 commits, 61 documented architecture decisions, 52 typed agent tools, 645 tests.
The thesis: the wardrobe-app market is crowded and priced at zero by well-funded incumbents. We want to build a genuinely useful, high-quality product and sell it to whoever has a measurable return from a customer's wardrobe: boutiques and made-in-Italy brands (in-store pairing, a merchant showcase inside the app) and image consultants (a workspace to manage their clients). Next bets: seasonal colour analysis, a daily plan-wear-wash loop, wardrobe analytics, an MCP server to use MiModa from Claude, ChatGPT and Gemini. Looking for boutiques and image consultants to pilot with, and a fashion co-founder.
Cosa fa oggi
Otto cose che funzionano, non otto slide.
Tutto è già in staging. Ogni capacità è un flusso completo con il suo strumento, la sua interfaccia e i suoi test.
Capi da foto, testo o link
Una foto del capo, una frase, o il link della scheda prodotto. Categoria, colore, materiale e stagione riconosciuti dal modello vision; miniature da catalogo generate.
Capi estratti da un look indossato
Ti fotografi vestito: i capi vengono individuati, ritagliati, confrontati con l'armadio e proposti in una coda di revisione. Anche a lotti.
Suggerisci, completa, migliora
Look per occasione e stagione. Completa un look partendo da un capo scelto. Migliora un look salvato sostituendo il pezzo che non funziona. Sempre con capi che possiedi.
"Con cosa lo abbino?"
Fotografi un capo in negozio: MiModa lo tratta come candidato esterno, compone i look con il tuo armadio, e tu lo metti in wishlist, lo compri, o lo scarti.
Per attributo o "per vibe"
Filtri strutturati più ricerca semantica su testo e immagine: "qualcosa di elegante ma non troppo formale".
Valigia
Lista capi per un viaggio, a mano o generata da destinazione, durata e occasioni, con i look componibili da ciò che è in valigia.
Try-on virtuale
Composizione di più capi su un manichino con le tue proporzioni. Su richiesta e dentro i limiti di spesa.
Impara dal feedback
Preferenze esplicite e dedotte, cosa hai indossato e quando, pollice su e giù sui look. La memoria personalizza; il database resta la verità.
Origine
Non è la prima MiModa. È il reboot.
MiModa 1.0 è un'app molto più semplice, senza backend, pubblicata su Google Play e App Store dall'agosto 2022 e ancora attiva: fotografi un look, l'app estrae i singoli capi e li organizza con tag, categorie e suggerimenti per stagione e meteo. Design di Sara Capodiferro. Ha raggiunto oltre 10.000 download senza alcun marketing: la domanda esiste, e la pipeline di estrazione dei capi è già stata provata su telefoni reali.
Questo progetto riparte da zero ribaltando le scelte di fondo. Agent-first nel prodotto: non una app con una funzione AI, ma un agente che ragiona sull'armadio ed è l'interfaccia. Agent-first nello sviluppo: un'architettura pensata per essere costruita e mantenuta con agenti di codice, con decisioni scritte e guardrail meccanici al posto delle riunioni.
Caso studio della 1.0: davidecavagnuolo.dev/progetti/mimoda. Gli utenti della 1.0 saranno la prima ondata di tester del reboot.
Come funziona
Un agente con le mani legate nel modo giusto.
Il modello non tocca il database
Ogni lettura e scrittura passa da 52 strumenti con input controllati. Niente query generate, niente modifiche arbitrarie. Ogni azione entra da un'unica porta, autorizzata per utente.
Consigli ancorati, mai inventati
Un motore deterministico compone i look dai capi posseduti; il modello sceglie e boccia tra candidati già validi, non inventa capi che non esistono.
L'interfaccia la decide l'agente, non la scrive
Un catalogo fisso di componenti; l'agente indica quale mostrare e con quali dati, controllati prima di essere mostrati. Niente codice generato al volo.
Stack: Python, FastAPI, LangGraph, PostgreSQL con pgvector; Next.js e React; storage privato compatibile S3 con link firmati; modelli intercambiabili dietro un'interfaccia unica (OpenAI oggi, embedding visivi Jina CLIP). Limiti di spesa per utente e budget globale giornaliero già attivi. Gli stessi 52 strumenti sono ciò che un server MCP potrà esporre a Claude, ChatGPT e Gemini.
Come lo costruiamo
Un fondatore di giorno, una squadra di agenti di notte.
Il feedback dei tester entra dall'app. Ogni notte una pipeline autonoma lo smista, sceglie il lavoro pronto, lo implementa, apre una pull request e fa merge solo dentro un perimetro meccanico. Al mattino arriva un riepilogo con le sole decisioni che spettano a un umano.
Tre stadi con permessi separati, così nessun agente ha mai insieme input non fidato e potere di scrivere codice. Sessantuno decisioni architetturali documentate: ognuna dice cosa fa il codice reale, cosa si è deciso e perché. Il risultato è una velocità da team di cinque persone con il costo di un abbonamento.
La scommessa sul metodo
Prima la sostanza, poi la forma. Con gli agenti in entrambe le fasi.
L'ordine è deliberato. Prima il motore: funzionalità, qualità dei consigli, sicurezza dei dati, costruiti sul web con un'architettura su misura per gli agenti di codice. Poi, appena il funzionamento è solido, l'esperienza d'uso, progettata da capo invece che rattoppata. Un'interfaccia disegnata su funzionalità che cambiano ogni settimana va rifatta ogni settimana; disegnata su un motore stabile, resta.
Anche quella fase la faremo con agenti AI: un sistema di componenti, prototipi e iterazioni rapide, con il contributo di un designer quando sarà possibile e il linguaggio visivo della 1.0 come punto di partenza. È lo stesso metodo che ha costruito il prodotto, applicato alla sua forma.
Il confine che teniamo fermo: rimandare l'aspetto non vuol dire rimandare il modo di interagire. Quanto affidare alla conversazione e quanto a schermate guidate è una scelta di architettura, e la stiamo prendendo adesso, prima del restyling.
Mercato e competitor
Affollato, finanziato, e con il prezzo ancorato a zero.
Le stime di mercato per le app armadio vanno da 2,7 a 3,5 miliardi di dollari nel 2026, ma sono report a pagamento con definizioni vaghe. Più solido: cosa lamentano gli utenti, e chi ha raccolto quanto e con che modello.
La lamentela più frequente nelle recensioni delle app armadio: ogni capo va fotografato e taggato a mano. MiModa parte dalla foto di te vestito ed estrae i capi da sola, anche a lotti.
La seconda: l'automazione sbaglia e non si può intervenire. In MiModa ogni riconoscimento passa da una coda di revisione umana prima di entrare nell'armadio.
| Chi | Modello | Punto forte | Segnale | Cosa insegna |
|---|---|---|---|---|
| Whering UK | Gratis premium opzionale | Sostenibilità, costo per indosso, second-hand, valigia | 10 M utenti · 7 M$ seed (lug 2026, eBay Ventures + Google AI Futures) | Il consumer gratuito ha già un vincitore in Europa. |
| Alta US | Gratis affiliazione | Stylist AI + personal shopper, avatar per il try-on | 11 M$ seed (2025, Menlo, Aglaé / Arnault) · TIME Best Inventions 2025 | Lo stylist AI "puro" spinge a comprare: è il suo modello di ricavo. |
| Indyx US | 60–295 $ stylist umani | Catalogazione accurata, scontrini, analytics | Marketplace di stylist | La gente paga l'umano, non l'app. |
| Acloset KR | Gratis social + second-hand | Capi riconosciuti da un selfie allo specchio, chat AI | Community | L'inserimento da foto indossata è già sul mercato. |
| Cladwell | 7,99 $/mese · stylist 49 $ | Un outfit al giorno, "Ask Cladwell" | Abbonamento consumer | Il "cosa mi metto oggi" regge un abbonamento. |
| Google Doppl | Gratis Labs | Try-on in video dal proprio corpo | Big tech | Il try-on da solo non è più un fattore distintivo. |
| MiModa | B2B first | Agente ancorato all'armadio, abbinamento in negozio, inserimento da foto, privacy | 0 utenti · 0 raccolti | Nessun player consumer nativo in Italia trovato. |
Forze e limiti
I punti di forza, e i limiti di oggi con la loro via d'uscita.
Punti di forza
- Agent-native.I consigli citano solo capi posseduti, la memoria personalizza, test automatici misurano la qualità delle risposte dell'AI. Difficile da vedere in demo, facile da raccontare.
- Il momento in negozio.Whering lavora a posteriori, Alta spinge a comprare cose nuove. Nessuno presidia l'attimo prima dell'acquisto con l'armadio in tasca.
- Inserimento dei capi dalle foto.Attacca il dolore numero uno della categoria: capi estratti da look indossati, lotti, import da link, revisione umana.
- Privacy by design.Foto private con link firmati, segmentazione rifiutata su servizi condivisi, limiti di spesa per utente.
- Velocità e disciplina.Il ciclo notturno e 61 decisioni scritte sono un asset e una storia. Un team piccolo che sembra grande.
- Un precedente che ha funzionato.La 1.0 sugli store dal 2022, oltre 10.000 download organici, la pipeline di estrazione già provata sul campo.
- Italia.Bilingue dal primo giorno, in un mercato senza player nativo e con una domanda crescente di consulenti d'immagine.
Limiti di oggi
- Nessuna misura di ritorno degli utenti, ancora.La beta invitata non è iniziata; misuriamo la qualità dell'AI, non ancora il comportamento delle persone.strumentazione di prodotto prima dei tester, poi gli utenti della 1.0 come prima ondata.
- Solo web, per ora.Un'app armadio vive sul telefono, in camerino. Il web è la scelta giusta per costruire in fretta.web app installabile con notifiche, poi gli store, dove la 1.0 già c'è.
- La chat da sola non basta.Per alcune azioni una superficie guidata è più veloce di una frase.un assistente ibrido, chat più superfici guidate, decisione già in corso; e un server MCP per chi preferisce il proprio assistente.
- Costi per utente stimati, non misurati.Un solo fornitore di modelli oggi.i limiti di spesa e la contabilità per utente sono già attivi; i modelli sono intercambiabili per progetto.
- L'aspetto non è ancora il prodotto.In una categoria dove l'estetica conta, l'interfaccia è funzionale ma non curata.è la scommessa sul metodo: prima il funzionamento, poi un'esperienza progettata, partendo dal linguaggio visivo della 1.0.
- Un fondatore tecnico.Nessun co-founder fashion, nessuna rete di negozi o stylist.è ciò che cerchiamo, vedi in fondo.
Modello di business
Un prodotto davvero utile, e un cliente che ha un ritorno misurabile.
I grandi del settore hanno reso gratis l'app armadio, e la qualità costa. La tesi: costruire un prodotto che le persone vogliano usare ogni giorno, e farlo pagare a chi ricava valore dall'armadio del cliente. Gli utenti restano la base attiva, non la cassa.
Il negozio dentro l'app, non solo il cliente
Una boutique non paga per un'app che usa solo il suo cliente. Paga quando è dentro il prodotto, a tre livelli:
- La vetrina del negozio. Il negozio carica il suo catalogo. Il cliente da casa chiede "cosa c'è da Rossi che completa il mio armadio"; in negozio il commesso non deve nemmeno fotografare.
- Proposte con consenso. Quando arriva un capo che chiude un vuoto reale nell'armadio di un cliente della zona, il cliente riceve una proposta. L'inverso dell'affiliazione: domanda qualificata e motivata.
- La vista per il commesso. Il cliente condivide l'armadio, il commesso lo vede sul tablet e vende meglio. Oggi le boutique lo fanno a mano su WhatsApp.
Modello: canone mensile per vetrina e abbinamento, utenti sempre gratis. Cosa esiste già: l'abbinamento in negozio e l'import delle schede prodotto da link, quindi una vetrina è un lotto di schede legate a un negozio. Il rischio: servono utenti nella zona del negozio: pilota in una città sola, con i tester che già ci sono.
Lo strumento per chi vende lo stile
Il consulente paga un abbonamento e gestisce gli armadi dei suoi clienti: inserimento a lotti, look, storico, e presto l'armocromia con un report da consegnare. Indyx vende lo stylist umano; noi vendiamo lo strumento allo stylist.
Perché ora: in un'indagine del novembre 2025 con l'Associazione Nazionale dei Consulenti d'Immagine Professionisti, l'83% segnala domanda in crescita, l'armocromia è il servizio più richiesto per il 92%, e un percorso completo costa 300–1.000 €. Cosa esiste già: il multi-utente, la privacy per utente, i limiti di spesa. Manca solo il ruolo "consulente con più clienti".
Freemium consumer
Gratis il base; 4–6 € al mese per le funzioni costose: try-on, abbinamento in negozio e analisi illimitate. La contabilità dei consumi è già attiva ed è l'infrastruttura di un piano a pagamento.
Rischio: il prezzo di riferimento è zero. Va misurato con i primi tester, non assunto.
Affiliazione shopping
Il modello di Alta. Richiede traffico che non abbiamo e contraddice la promessa "vesti quello che possiedi".
Se mai: solo per il capo mancante che l'analisi dell'armadio identifica, mai come motore.
Prima di scrivere codice per le due strade principali: interviste a cinque boutique e cinque consulenti, con una domanda sola al centro, "cosa pagheresti, per cosa?".
Prossime scommesse
Cosa non abbiamo e possiamo costruire davvero.
Scelte perché rafforzano la tesi, perché nessun grande competitor le mette al centro, e perché si appoggiano su ciò che esiste già: settimane, non mesi.
Armocromia
Analisi del colore stagionale. In Italia è un fenomeno di massa; per un consulente d'immagine è il servizio d'ingresso. Non è un asse centrale in nessuno dei competitor analizzati.
Una foto del viso, una palette assegnata (la stagione e i suoi sottotoni), e da lì ogni capo e ogni look valutato contro la palette: "questo grigio ti spegne, questo bordeaux ti accende". Filtri sull'armadio, un fattore nei suggerimenti, una guida in negozio.
Per il consulente: la palette del cliente nel suo profilo, i look proposti già coerenti, il report da consegnare. E il giudizio del consulente vince sempre su quello del modello.
Il ciclo quotidiano
Il motore del ritorno quotidiano. Cladwell ci regge un abbonamento; le altre app hanno al massimo un flag manuale "in lavanderia", mai legato alla pianificazione.
Pianifica. "Cosa mi metto oggi", con meteo e impegni, in notifica al mattino. Un calendario dei look per la settimana, proposto dall'agente e corretto a mano.
Indossa. Un tap la sera, "l'hai messo?", e lo storico si aggiorna da solo.
Lava. Lo stato dei capi (pulito, usato, da lavare, in lavatrice) è dedotto da cosa hai indossato, non compilato a mano: una camicia dopo una volta, i jeans dopo tre. Diventa un vincolo per i suggerimenti: "Venerdì hai la cena, la camicia bianca è da lavare, falla entro giovedì". E l'etichetta di lavaggio fotografata compone i carichi per colore e temperatura.
Analytics dell'armadio
Costo per indosso, capi mai messi, vuoti nel guardaroba. Whering e Indyx lo hanno; per il consulente è il report che vende.
Cosa indossi davvero e cosa no, cosa manca per chiudere i look che vorresti, cosa vale la pena comprare. È l'unico posto dove un consiglio d'acquisto è onesto: parte da un vuoto reale, non da un'affiliazione.
MiModa dentro Claude, ChatGPT e Gemini
Un server MCP: lo standard con cui gli assistenti AI usano strumenti esterni. "MiModa dove già parli con l'AI."
Chi usa già un assistente potrà chiedergli "cosa mi metto stasera?" e ricevere una risposta dal suo vero armadio, con le stesse regole e gli stessi limiti di spesa. È il canale di distribuzione più economico che abbiamo, e una risposta alla domanda "la chat giusta è la nostra o la loro?".
Misurare le persone, prima dei tester
Non è una funzione per l'utente, è la condizione per sapere se le altre quattro funzionano.
Oggi abbiamo test automatici che misurano la qualità delle risposte dell'AI, ma niente che misuri il comportamento delle persone. Servono poche misure, senza contenuti né foto: quanti si iscrivono e arrivano al primo capo salvato, al primo look, al primo suggerimento accettato; quanti tornano dopo 7 e 30 giorni; quali funzioni vengono usate e dove ci si ferma.
Entra prima della prima ondata di tester, altrimenti l'uso reale resta invisibile e ogni scommessa successiva si decide a sensazione.
Chi c'è dietro
Sedici anni di software, e prodotti che le persone usano davvero.
Davide Cavagnuolo, sviluppatore full-stack senior, Torino. Web, backend e mobile: dalla prima riga di codice alla pubblicazione sugli store, e poi alla manutenzione negli anni.
È stato CTO e tech lead in WeLudo dal 2019 al 2024. Ha costruito giochi web da milioni di partite, una piattaforma di giochi mobile con migliaia di utenti ogni giorno e, nel 2026, Tripletta per La Gazzetta dello Sport.
Il filo che lega tutto è lo stesso di MiModa: prodotti consumer che si usano ogni giorno, costruiti e mantenuti da team piccoli. La competenza che manca, la moda e il retail, è quella che cerchiamo in un co-founder.
Profilo completo: davidecavagnuolo.dev
- 2017–2019
- Altran
- 2019–2024
- WeLudo, CTO e tech lead
- 2019–2024
- LineTime, piattaforma di giochi mobile · circa 3 milioni di partite, 2.000 utenti al giorno
- 2022–2023
- GazzaQuiz e QuestoQuello, giochi web · oltre 5 milioni di partite
- dal 2022
- MiModa 1.0, app armadio su Google Play e App Store · oltre 10.000 download organici
- 2026
- Tripletta, gioco web per La Gazzetta dello Sport
- 2026
- MiModa Agent, il reboot agent-first
Cosa cerchiamo
Il prodotto c'è. Ora servono le persone giuste.
Davide Cavagnuolo
davidecavagnuolo.dev
davide@davidecavagnuolo.dev
- Due o tre boutique o brand disposti a un pilota dell'abbinamento in negozio, con una metrica concordata (acquisti dopo un abbinamento, ritorni in negozio, scontrino).
- Consulenti d'immagine che vogliano gestire i loro clienti con uno strumento, e dirmi cosa manca.
- Un co-founder o advisor fashion con una rete nel retail italiano.
- Chi ha già venduto a piccoli negozi: come si entra, cosa si promette, cosa non si promette.
- Feedback duro sulla tesi B2B rispetto al consumer.