Che cos’è il RAG, in una frase
Il RAG (Retrieval-Augmented Generation) è la tecnica con cui un assistente AI, prima di rispondere, recupera i documenti pertinenti da un archivio — quello aziendale — e genera la risposta a partire da quei testi, indicando da dove ha preso l’informazione. Il termine nasce da un articolo di ricerca del 2020 di Patrick Lewis e colleghi, che proponeva di affiancare alla “memoria” interna del modello una memoria esterna consultabile. È la differenza tra un assistente che risponde a senso e uno che risponde citando la fonte.
In sintesi
- Senza RAG, un modello risponde solo con ciò che ha “assorbito” in addestramento: niente documenti aziendali, nessuna fonte.
- Con il RAG, ogni risposta parte da testi reali dell’azienda ed è accompagnata dal riferimento al documento.
- Questo riduce le allucinazioni e, soprattutto, le rende verificabili.
- Il link alla fonte non è un dettaglio estetico: è ciò che rende l’assistente adottabile in contesti di lavoro e verificabile in audit.
- Se i documenti di partenza sono disordinati, obsoleti o senza permessi chiari, le risposte ne risentono: la qualità dei dati viene prima.
Come funziona, passo per passo
- Indicizzazione. I documenti aziendali (procedure, contratti, schede, ticket) vengono suddivisi in parti e trasformati in rappresentazioni numeriche che ne colgono il significato, salvate in un archivio ricercabile.
- Recupero. Alla domanda dell’utente, il sistema cerca nell’archivio le parti più pertinenti — rispettando i permessi di quell’utente.
- Generazione con contesto. Il modello riceve la domanda e i brani recuperati, e formula la risposta a partire da quelli.
- Citazione. La risposta riporta i documenti usati, così chi legge può aprire la fonte e controllare.
Perché riduce le “allucinazioni”
Un modello linguistico, da solo, tende a produrre testo plausibile anche quando non ha l’informazione: è il fenomeno delle allucinazioni. Ancorare la generazione a documenti reali (grounding) restringe il campo: il modello ha davanti il testo giusto e deve attenersi a quello. Gli errori non spariscono del tutto — un documento può essere ambiguo o superato — ma diventano rari e, grazie alla citazione, individuabili in pochi secondi.
Il link alla fonte è una funzione, non un dettaglio
Nei progetti reali, la citazione della fonte è ciò che fa la differenza tra un assistente che le persone usano e uno che abbandonano dopo una settimana. Poter aprire il documento originale significa fidarsi della risposta, correggere il contenuto alla fonte quando è sbagliato, e disporre di una traccia verificabile — utile per la qualità e coerente con gli obblighi di trasparenza e governance dell’ AI Act.
Se i documenti sono disordinati, le risposte lo sono
Il RAG non ripulisce i dati aziendali: li usa così come sono. Versioni multiple dello stesso documento, procedure obsolete non archiviate, file senza titolo, permessi non definiti: tutto questo si riflette nelle risposte. Il primo lavoro di un progetto RAG è spesso capire quali fonti includere, quali escludere e come tenerle aggiornate.
RAG, fine-tuning o modello “liscio”?
- Modello liscio: veloce da attivare, ma non conosce l’azienda e non cita nulla.
- Fine-tuning: adatta stile, formato o comportamento del modello; non è il modo giusto per iniettare informazioni che cambiano spesso.
- RAG: fa usare al modello informazioni aziendali aggiornate e verificabili senza riaddestrarlo. È il mattone di base per “rispondere sui nostri documenti”.
È l’approccio dietro l’ assistente interno che riduce i tempi di ricerca documenti e dietro un GPT aziendale costruito sui dati reali.
Domande frequenti
Che cosa vuol dire RAG?
RAG sta per Retrieval-Augmented Generation, "generazione aumentata dal recupero". Il termine nasce da un articolo di ricerca del 2020 di Patrick Lewis e colleghi: invece di rispondere solo con la conoscenza "compressa" nei parametri del modello, il sistema prima recupera i documenti pertinenti da un archivio esterno e poi genera la risposta a partire da quelli.
Il RAG elimina del tutto le allucinazioni?
No, le riduce. Ancorando la risposta a testi reali e mostrando la fonte, il RAG rende gli errori molto più rari e soprattutto verificabili. Restano possibili errori se il documento recuperato è ambiguo, obsoleto o se la domanda è mal posta: per questo la revisione umana resta necessaria sui casi importanti.
Meglio RAG o fine-tuning?
Rispondono a esigenze diverse. Il RAG serve a far usare al modello informazioni aziendali aggiornate e verificabili senza riaddestrarlo. Il fine-tuning serve a modificare stile, formato o comportamento del modello. Spesso si usano insieme, ma per "rispondere sui nostri documenti" il mattone di base è il RAG.
Il RAG rispetta i permessi di accesso ai documenti?
Se progettato correttamente, sì: il recupero avviene solo tra i documenti che l’utente è autorizzato a vedere. È un requisito da definire fin dall’inizio, non da aggiungere dopo.