RAG spiegato in modo semplice: come l’IA risponde con i vostri documenti

RAG (Retrieval Augmented Generation, in tedesco circa «generazione di testo aumentata dal recupero») è un metodo in cui un’IA cerca nei vostri documenti i passaggi pertinenti prima di rispondere e basa la propria risposta proprio su questi. In questo modo può rispondere a domande su manuali, contratti, linee guida o documentazione di progetto e indicarne la fonte, senza che il modello linguistico debba essere addestrato con i vostri dati.

Perché un modello linguistico da solo non basta

Un modello linguistico come ChatGPT conosce solo ciò che era presente nei suoi dati di addestramento. Non conosce i vostri documenti interni. Se gli si chiede comunque della vostra politica sulle spese di viaggio, nel peggiore dei casi inventa una risposta plausibile, una cosiddettaAllucinazione. RAG risolve questo problema fornendo al modello i passaggi di testo rilevanti a ogni domanda.

Come funziona RAG in tre passaggi

1. Preparazione (una tantum e continua): i vostri documenti vengono suddivisi in sezioni e indicizzati in modo che la ricerca avvenga in base al significato, non solo alle parole esatte. Viene inoltre registrato chi può vedere quale documento.
2. Ricerca (a ogni domanda): Se qualcuno pone una domanda, il sistema individua le sezioni più pertinenti dal punto di vista contenutistico, solo dai documenti a cui questa persona ha accesso.
3. Risposte: Il modello linguistico riceve la domanda insieme alle sezioni trovate e formula una risposta sulla base di esse, con riferimento ai documenti sorgente.

Il punto decisivo: il modello non risponde in base alla sua conoscenza generale, ma in base ai vostri documenti. Se non trova nulla di adatto, dovrebbe dirlo invece di tirare a indovinare.

RAG, Fine-Tuning o semplice ricerca?

Per le domande sul know-how aziendale, il RAG è quasi sempre la scelta migliore: i nuovi documenti sono subito reperibili e ogni risposta può essere verificata sulla fonte.

Per cosa le PMI utilizzano il RAG

• Ricerca interna delle conoscenze: I collaboratori chiedono informazioni su procedure, linee guida o progetti precedenti, invece di interrompere i colleghi. Vedi Trovare documenti interni in pochi secondi.
• Servizio clienti: Un chatbot IArisponde alle domande dei clienti sulla base delle informazioni sui vostri prodotti e delle FAQ.
• Aree specialistiche con molta documentazione: studi legali, assistenza, amministrazione o tecnica, vedi Ricerca documentale con IA per studi fiscali.
• Onboarding: I nuovi collaboratori trovano le risposte autonomamente, con riferimento al documento originale.

A cosa conta nel RAG

• Qualità dei documenti: Documenti obsoleti o contraddittori portano a risposte errate. Fare ordine prima conviene.
• Diritti di accesso: La ricerca deve ereditare le autorizzazioni dai vostri sistemi, in modo che nessuno veda tramite l'IA documenti che altrimenti non potrebbe aprire.
• Indicazione delle fonti: Ogni risposta dovrebbe indicare i documenti utilizzati, in modo che possa essere verificata.
• Protezione dei dati e hosting: Dove vengono eseguiti la ricerca e il modello linguistico? Per i dati sensibili sono adatti modelli che possono essere gestiti in Germania o in sede propria, vedi Ospitare modelli di IA in conformità al GDPR.
• Onestà nelle lacune: Un buon sistema dice «su questo non ho trovato nulla», invece di inventare una risposta.

La consulenza e l’introduzione accompagnata è finanziabile: tramite INQA-Coachinglo Stato federale copre l’80 % dei costi di consulenza fino a 1.200 € al giorno per un massimo di 12 giorni, quindi fino a 11.520 € di contributo. In Meclemburgo-Pomerania Anteriore e negli altri nuovi Länder, fino al 31.12.2026 è possibile anche la BAFA-Beratungsförderung con l’80 % (nei vecchi Länder il 50 %). È finanziata la consulenza, non il software. Quale programma sia adatto lo mostra il Förder-Check.

Domande frequenti

Cosa significa RAG?

RAG sta per Retrieval Augmented Generation. Prima di rispondere, un’IA cerca in una raccolta definita di documenti i passaggi di testo pertinenti e formula la propria risposta su questa base, di solito con indicazione della fonte.

Il modello di IA viene addestrato con i miei dati nel caso di RAG?

No. Con RAG i vostri documenti vengono solo consultati e i passaggi pertinenti vengono forniti insieme alla rispettiva domanda. Il modello stesso non viene modificato. Se un fornitore utilizza gli input per il proprio addestramento, va chiarito contrattualmente.

RAG può fornire risposte errate?

Sì, se i documenti sono errati o obsoleti oppure se la ricerca trova passaggi non adatti. Per questo le indicazioni delle fonti sono importanti, così le risposte possono essere verificate. Rispetto a un modello linguistico senza RAG, il rischio di risposte inventate diminuisce nettamente.

Qual è la differenza tra RAG e Fine-Tuning?

Nel Fine-Tuning un modello viene riaddestrato con dati propri, mentre nel RAG i documenti vengono cercati a ogni domanda. Il RAG è più aggiornato, cita le fonti ed è di solito più adatto alla conoscenza aziendale; il Fine-Tuning è più indicato per lo stile e il linguaggio specialistico.

Passo successivo

La nostra ricerca documentale con IA utilizza RAG, adotta i vostri diritti di accesso e gira su server in Germania. Il modo in cui avviene la configurazione è descritto nell'articolo Configurare la ricerca documentale basata su IA. Definizione nel glossario sotto RAG.