RAG aziendale: come far rispondere l'AI dai documenti della tua azienda
Il RAG (Retrieval-Augmented Generation) spiegato semplice: come funziona, quando serve, gli errori da evitare e come provarlo sui documenti della tua azienda.
6 min di lettura
Un modello AI sa molte cose del mondo, ma niente della tua azienda. Non conosce il tuo listino, le tue condizioni di reso o gli orari del tuo negozio. Se glielo chiedi, nel migliore dei casi dice che non lo sa; nel peggiore, inventa una risposta credibile.
Il RAG è il modo più pratico per risolvere il problema. Vediamo cos'è, come funziona e quando serve.
Cos'è il RAG, in parole semplici
RAG sta per Retrieval-Augmented Generation: generazione aumentata dal recupero di informazioni.
In pratica, prima di rispondere, il sistema cerca nei tuoi documenti i passaggi che parlano della domanda. Poi passa quei passaggi al modello AI con un'istruzione precisa: rispondi solo da qui.
È come la differenza tra un esame a memoria e un esame a libro aperto. Con il RAG il modello ha il libro aperto alla pagina giusta.
Una conseguenza importante: il modello non viene addestrato sui tuoi documenti. Li legge al momento della domanda. Se domani cambi un prezzo nel documento, da domani la risposta è quella nuova.
Come funziona, in quattro passaggi
- Raccolta. Si prendono le fonti: pagine del sito, PDF, documenti Word, testi. Da ognuna si estrae il testo.
- Indicizzazione. Il testo viene diviso in frammenti (per esempio di circa 1.000 caratteri). Ogni frammento viene trasformato in un embedding: una sequenza di numeri che rappresenta il suo significato. Frammenti che parlano di cose simili hanno numeri vicini.
- Recupero. Quando arriva una domanda, anche lei diventa un embedding. Il sistema trova i frammenti con il significato più vicino, anche se usano parole diverse. "Quanto costa spedire in Sardegna?" trova il paragrafo "Consegne nelle isole: supplemento di 5 €".
- Generazione. Il modello AI riceve la domanda e i frammenti trovati, e scrive la risposta usando solo quelli.
La qualità dipende da tutti e quattro i passaggi, non solo dal modello. Documenti confusi o un recupero sbagliato danno risposte sbagliate anche con il modello migliore.
Un esempio passo per passo
Un'azienda vende biciclette elettriche online. Ha caricato le pagine del sito, il PDF della garanzia e un documento con le domande frequenti.
Un cliente scrive in chat: "La batteria è coperta se la uso sotto la pioggia?"
- Il sistema cerca e trova tre frammenti: le esclusioni della garanzia, la sezione "uso e manutenzione" e una risposta sulle condizioni meteo.
- Il modello legge i frammenti e risponde che la batteria è certificata per l'uso sotto la pioggia, ma che l'immersione in acqua non è coperta dalla garanzia.
- Il cliente poi chiede: "E quanto dura la garanzia?". Da sola la domanda è vaga; un buon sistema la legge insieme al messaggio precedente e capisce che si parla ancora della batteria.
- Se il cliente chiedesse il prezzo di un modello non in catalogo, il sistema non troverebbe nulla di pertinente. La risposta corretta è: "Non ho questa informazione".
Quando serve il RAG e quando basta altro
| Approccio | Va bene per | Attenzione a |
|---|---|---|
| Pagina FAQ statica | Poche domande sempre uguali | Non copre le domande nuove e nessuno la legge tutta |
| Ricerca classica nel sito | Chi sa già che parole cercare | Restituisce pagine, non risposte |
| RAG | Molte domande diverse su informazioni scritte | Vale quanto i documenti che gli dai |
| Fine-tuning (addestramento del modello) | Insegnare uno stile o un formato | Costoso, e per aggiornare un'informazione devi riaddestrare |
Per un'azienda che vuole rispondere ai clienti dalle proprie informazioni, il RAG è quasi sempre la scelta giusta. Il fine-tuning serve per altri problemi.
Gli errori più comuni
- Caricare tutto. Più documenti non significa risposte migliori. Bozze, duplicati e versioni vecchie confondono il recupero.
- Non gestire il "non lo so". Se i frammenti trovati sono poco pertinenti, il modello tende comunque a rispondere. Serve una soglia che fermi la risposta prima.
- Fidarsi della demo. Una demo con domande facili funziona sempre. Prova con le domande vere, comprese quelle difficili e quelle fuori tema.
- Dimenticare i link. Un modello può inventare indirizzi di pagine che non esistono. Un buon sistema tiene solo i link presenti nelle tue fonti.
- Nessun piano di aggiornamento. I documenti invecchiano. Qualcuno deve aggiornarli.
- Ignorare le domande senza risposta. Sono il segnale più utile per migliorare i contenuti.
Come impostare un primo test
- Scegli un uso solo, per esempio le domande pre-vendita sul sito.
- Carica le fonti aggiornate per quell'uso, e solo quelle.
- Prepara 20–30 domande vere, prese da email, telefonate e chat.
- Aggiungi qualche domanda trabocchetto: fuori tema, su prodotti che non vendi, con parole diverse dai documenti.
- Per ogni risposta controlla: è corretta? Viene dalla fonte giusta? Il sistema ammette quando non sa?
- Correggi le fonti dove mancano informazioni e ripeti.
Per preparare le fonti, la guida alla knowledge base AI entra nel dettaglio.
Come NextAsk usa il RAG
Con NextAsk non devi costruire niente: il RAG è già pronto, tu aggiungi le informazioni.
- Indicizzazione. Ogni fonte viene divisa in frammenti di circa 1.000 caratteri. Da Word e Markdown NextAsk conserva titoli, elenchi e tabelle, e ogni frammento parte con i titoli sotto cui si trova: così il recupero sa sempre di cosa parla.
- Recupero con contesto. La domanda viene cercata insieme al messaggio precedente del visitatore. Per questo anche "e quanto costa?" trova l'argomento giusto. Il sistema prende i 5 frammenti più vicini, solo dalle fonti di quel chatbot.
- Una soglia contro le invenzioni. Se nessun frammento è abbastanza vicino alla domanda, il modello AI non viene chiamato: il bot risponde che non ha l'informazione, o con il tuo messaggio. Così risparmi anche il costo della chiamata.
- Regole fisse per il modello. Quando viene chiamato, il modello ha l'ordine di rispondere solo dai frammenti e di dire che non sa invece di indovinare. Le tue istruzioni (tono, ruolo, tu o Lei) si aggiungono, ma non possono scavalcare queste regole.
- Link verificati. Un link nella risposta resta solo se compare nelle tue fonti o nelle tue istruzioni. Gli altri diventano testo normale.
- Vedi perché ha risposto così. Nella pagina Prova il bot ogni risposta mostra le fonti usate e quanto erano vicine alla domanda.
- Ciclo di miglioramento. Le domande senza risposta finiscono in una lista. Aggiungi la risposta e da quel momento fa parte delle conoscenze.
Il piano Free è gratuito (100 messaggi al mese). Pro costa 19 € al mese più IVA, con 3.000 messaggi al mese.
Inizia gratis → Carica un documento e guarda il RAG al lavoro nella pagina Prova il bot.
Domande frequenti
RAG e chatbot sono la stessa cosa?
No. Il chatbot è l'interfaccia: la chat in cui il cliente scrive. Il RAG è il metodo con cui il chatbot trova le risposte nei tuoi documenti. Un chatbot AI aziendale serio usa il RAG.
Il RAG elimina gli errori dell'AI?
No, li riduce molto. L'AI può ancora sbagliare, per esempio se i documenti sono ambigui. Per questo serve una soglia che fermi le risposte poco fondate, e per questo NextAsk mostra sempre al visitatore che le risposte sono generate dall'AI.
Devo addestrare il modello sui miei documenti?
No. Con il RAG il modello legge i tuoi documenti al momento della domanda. Aggiorni un documento e la risposta cambia, senza addestramento.
Posso usare i PDF?
Sì, se contengono testo. Un PDF scansionato è un'immagine: senza OCR il sistema non ci legge niente. NextAsk lo segnala con un errore chiaro.
Quanti documenti servono per iniziare?
Pochi. Meglio tre documenti aggiornati e ordinati che trenta confusi. Parti dalle domande più frequenti.
