Supabase jest mocnym wyborem dla wielu wczesnych produktów AI SaaS, bo daje auth, Postgres, storage, edge functions i row-level security bez miesięcy budowy platformy.
Architekturę prywatności nadal trzeba zaprojektować. Vendor nie decyduje, które dane model może czytać, które wiersze widzi użytkownik, jak zapisywany jest consent ani co dzieje się przy eksporcie lub usunięciu danych.
IndepAI oddziela deterministyczne dane produktu od flow wyjaśnień AI. Rekordy użytkownika, snapshoty portfela, porównania miast, planner i ustawienia zgód należą do warstwy danych produktu. AI powinno dostać minimalny kontekst potrzebny do zadania.
RLS jest dobrym fundamentem, ale nie jest całą odpowiedzią. Kod produktu nadal musi unikać zbyt szerokich service roles, nadmiarowego kontekstu promptu, logowania pól wrażliwych i narzędzi, które zapisują dane bez jawnej intencji produktu.
Architektura AI SaaS przyjazna prywatności powinna też zostawiać ślad audytowy. Zespół powinien umieć odpowiedzieć, który użytkownik uruchomił przepływ AI, które narzędzie zadziałało, jaka kategoria danych została użyta, jaki wynik powstał i czy akcja zmieniła stan produktu.
Tu spotyka się produkt i backend. Czytelny model danych zmniejsza kontekst AI. Mniejszy kontekst łatwiej wyjaśnić, taniej uruchomić i bezpieczniej sprawdzić.
Lekcja dla kupujących jest prosta: zapytaj zespół AI SaaS, gdzie egzekwowana jest prywatność. Jeśli odpowiedź brzmi tylko "w prompcie", system nie jest gotowy.