Chiedi a un assistente AI generico una clausola del tuo capitolato o la finitura disponibile di un prodotto del tuo catalogo: non lo sa, e se risponde comunque sta inventando. Il RAG — retrieval augmented generation — esiste per questo: l’AI consulta i tuoi documenti prima di rispondere. Qui trovi il meccanismo spiegato senza gergo, tre casi concreti e i limiti che conviene conoscere prima di investirci un euro.

Il problema che il RAG risolve

I modelli linguistici hanno letto una quantità enorme di testo pubblico, ma del tuo archivio aziendale non sanno niente: manuali, capitolati, listini, contratti. E la parte che sanno tende a essere quella meno utile, perché generica.

La prima reazione è incollare i documenti nella chat ogni volta. Funziona una volta, come sistema no: rifai il lavoro a ogni domanda, nessun collega può usarlo e nessuno controlla chi vede cosa. Il RAG rende quel gesto un sistema: l’archivio sta da una parte, le domande arrivano dall’altra.

Come funziona, in tre passi

Il nome è peggio della cosa. Immagina un bibliotecario che, prima di rispondere, va allo scaffale, prende la pagina giusta e la legge. Il RAG fa lo stesso, in tre mosse.

  1. Indicizzazione. I tuoi documenti vengono spezzati in passaggi e archiviati in una base consultabile. È un lavoro che si fa una volta sola, come sistemare un archivio con l’indice.
  2. Recupero. Quando arriva una domanda, il sistema cerca i passaggi pertinenti — non i documenti interi — e li porta al modello.
  3. Generazione. Il modello scrive la risposta basandosi su quei passaggi e indica da dove ha preso ogni affermazione.

Il punto che cambia tutto: il modello non deve “sapere” nulla della tua azienda. Deve saper leggere bene ciò che gli viene portato.

Tre casi in cui rende

Il manuale interno. Il nuovo assunto chiede come si emette una nota di credito o quale procedura seguire per un reso. La risposta arriva dal manuale, con il capitolo citato, invece che dalla memoria dell’ufficio — che spesso è la memoria di una persona sola, in ferie proprio questa settimana.

Capitolati e contratti. “Cosa prevede la clausola sulle varianti?” Oggi significa sfogliare cento pagine o chiamare chi le ha scritte. Con il RAG la risposta arriva con il paragrafo allegato, pronto da verificare.

Il catalogo. Il commerciale al telefono ha bisogno di misure, finiture, tempi di consegna: la risposta esce dal PDF del catalogo aggiornato, non da una stampa di due stagioni fa rimasta in un cassetto.

I limiti, senza sconti

Primo: la qualità dell’archivio è un tetto. Se i documenti sono vecchi, contraddittori o scritti male, le risposte seguiranno lo stesso standard. Il RAG non ripulisce niente — replica quello che trova, più in fretta.

Secondo: il modello non verifica la verità. Cita ciò che recupera; se recupera la versione sbagliata del listino, la risposta sarà sbagliata con sicurezza. Sulle domande critiche il controllo umano resta.

Terzo: le domande vaghe portano a recuperi sbagliati e a risposte eleganti ma fuori strada. Più la domanda è precisa, più il sistema rende.

I tuoi documenti sono pronti? Tre domande

  1. Le informazioni critiche esistono in formato digitale, o vivono in testi stampati e nella testa di una persona?
  2. Per ogni documento esiste una versione sola, o girano tre listini e due manuali diversi?
  3. Le ultime modifiche sono state salvate dove le cercano gli altri?

Se la risposta alla seconda è “tre listini”, il primo progetto non è l’AI: è mettere ordine. Non è tempo perso — è il lavoro che il sistema dovrebbe trovare già fatto.

Iniziare in piccolo, con domande vere

Un pilota serio non parte con migliaia di documenti: parte con una decina e con le domande che arrivano davvero ogni settimana in azienda. Su quelle si misura, non sulla demo del fornitore.

Durante il pilota tieni un elenco delle domande a cui il sistema ha risposto male. È la verifica più onesta che esista: alla fine sai se il problema sono i documenti, le domande o il sistema, e sai cosa correggere prima di allargare la base.

Costruire sistemi di questo tipo — base documentale, recupero, controllo delle fonti — è uno dei lavori del servizio AI di Netcat. Le piattaforme principali documentano bene come i modelli usano i testi recuperati: la documentazione di Anthropic è un buon punto di lettura. Per capire la differenza tra un assistente che consulta i tuoi dati e un agente che agisce, leggi cosa sono gli agenti AI; se l’interesse è il supporto ai clienti, l’articolo sui chatbot aziendali mostra dove finiscono le stesse tecniche.

Un pilota sui tuoi documenti, non su quelli di esempio

Costruiamo sistemi di domanda e risposta sopra archivi esistenti: manuali, capitolati, cataloghi. Si parte da una decina di documenti e dalle domande vere dell’azienda, con ogni risposta che cita la sua fonte.

Parla con NetcatScopri il servizio AI

Continua il percorso

Domande frequenti

I miei documenti restano di mia proprietà?

Sì: il sistema lavora su copie indicizzate dei file, in un archivio che devi controllare tu. Prima di firmare chiedi dove risiedono fisicamente i dati, chi può accedervi e se i contenuti vengono usati per addestrare modelli. Un fornitore serio risponde prima del contratto, non dopo.

Funziona con i PDF scansionati?

Dipende dalla qualità della scansione. Serve un passaggio di riconoscimento del testo, e le scansioni vecchie, storte o a bassa risoluzione vanno ridigitalizzate. Sui documenti nati digitali, invece, il recupero funziona senza passaggi extra.

Sostituisce le ricerche nel gestionale?

No, e non deve. Il RAG risponde a domande aperte sui documenti: “cosa prevede la clausola sulle penali”. Elencare ordini, totali e scadenze resta compito del gestionale, costruito esattamente per le query strutturate.