RAG (Retrieval-Augmented Generation)

1. Introduzione: perché l'AI da sola non sempre basta?

L'AI sa scrivere con una scioltezza sorprendente.

Può spiegare un concetto complesso, riassumere un report, abbozzare un messaggio per un cliente o aiutare a delineare una strategia. Allo stesso tempo, però, il suo limite più grande è ormai noto a molti: può rispondere con sicurezza anche quando non dispone di informazioni sufficienti. Può sembrare un esperto, pur tirando a indovinare.

Questo è un problema particolarmente serio nel mondo del lavoro. Nelle aziende, di solito, dall'AI non si vuole soltanto un testo ben scritto. Si vogliono risposte fondate su documenti reali, informazioni aggiornate, istruzioni interne, dati dei clienti o fonti affidabili.

Per rispondere a questa esigenza è nato il RAG, ovvero Retrieval-Augmented Generation.

In italiano si potrebbe tradurre, un po' goffamente, come «generazione potenziata dal recupero delle informazioni». In pratica si tratta di una tecnica in cui l'AI non risponde basandosi soltanto sulla propria memoria o sui dati di addestramento, ma cerca prima le informazioni in una fonte definita e formula la risposta a partire da queste.

Google Cloud descrive il RAG come un framework di AI che unisce il recupero tradizionale delle informazioni, come i sistemi di ricerca e i database, alla capacità dei modelli linguistici generativi di produrre linguaggio naturale. L'obiettivo è rendere le risposte più precise, più aggiornate e più adatte alle esigenze specifiche dell'utente.^[1]

Più semplicemente: il RAG dà all'AI una tessera della biblioteca. Invece di provare a rispondere solo a memoria, il modello ha la possibilità di verificare le informazioni pertinenti prima di rispondere.

2. Che cosa significa RAG?

RAG deriva dalle parole Retrieval-Augmented Generation. Si compone di tre idee:

Retrieval — recupero delle informazioni

Il sistema cerca in una fonte esterna le informazioni pertinenti alla domanda dell'utente. La fonte può essere, ad esempio:

una banca dati interna dell'azienda
la documentazione di prodotto
le istruzioni dell'assistenza clienti
l'intranet
i modelli di contratto
i report di ricerca
le pagine web
un database
i documenti PDF
un sistema CRM o ERP
le domande frequenti
i materiali di formazione

Augmented — arricchito

Le informazioni recuperate vengono aggiunte al contesto dell'AI. Al modello viene quindi fornito, oltre alla domanda dell'utente, anche il materiale pertinente.

Generation — produzione della risposta

Il modello linguistico formula la risposta per l'utente sulla base delle informazioni recuperate.

Amazon Web Services definisce il RAG come un modo per ottimizzare l'output di un grande modello linguistico affinché faccia riferimento a una base di conoscenza autorevole, esterna ai dati di addestramento. Questo aiuta il modello a produrre risposte più precise e più utili.^[2]

La differenza importante rispetto a una normale risposta dell'AI è questa:

Senza il RAG, il modello risponde in base a ciò che ha appreso durante l'addestramento e a ciò che l'utente fornisce nella conversazione. Con il RAG, il modello ottiene inoltre informazioni recuperate, più precise e spesso più aggiornate, proprio sulla domanda in questione.

3. Perché è nato il RAG?

Il RAG è nato per risolvere uno dei problemi fondamentali dell'AI generativa: i modelli linguistici sono impressionanti, ma le loro conoscenze non sono automaticamente aggiornate, verificate o specifiche di un'organizzazione.

Un grande modello linguistico può sapere molte cose di carattere generale. Può spiegare che cos'è il flusso di cassa, come funziona un'attività SaaS o perché la fidelizzazione dei clienti è importante. Ma non necessariamente sa:

che cosa c'è scritto nelle istruzioni di prodotto proprio della tua azienda
qual è il listino prezzi più recente
che cosa è stato deciso nei materiali del consiglio di amministrazione della settimana scorsa
qual è la prassi di assistenza clienti in vigore oggi
che cosa consente la politica di sicurezza informatica dell'organizzazione
in che modo una determinata versione di un contratto differisce dalla precedente
che cosa dice la normativa più aggiornata delle autorità

IBM Research descrive il RAG come un approccio «a libro aperto»: il modello non affronta un esame a libro chiuso, ma può utilizzare fonti esterne a sostegno della propria risposta. Secondo IBM, i due vantaggi principali del RAG sono l'accesso a fatti aggiornati e affidabili e il fatto che l'utente può vedere su quali fonti si basa la risposta.^[3]

È un cambiamento importante. Un modello linguistico tradizionale è come un esperto generalista sveglio, che ricorda molte cose ma può confondere i dettagli. Un modello RAG è come lo stesso esperto che ha davanti a sé i documenti giusti.

4. Come funziona il RAG in pratica?

Il funzionamento di un sistema RAG può essere descritto in cinque fasi.

1. Le informazioni vengono raccolte

Per prima cosa, nel sistema viene importato del materiale. Può trattarsi, ad esempio, di:

documenti aziendali
contenuti di pagine web
istruzioni
articoli della knowledge base
descrizioni di prodotto
risposte dell'assistenza clienti
descrizioni di processi interni

Questa fase viene spesso chiamata ingestione dei dati, ovvero l'importazione delle informazioni nel sistema.

2. Le informazioni vengono suddivise in parti

I documenti lunghi vengono divisi in parti più piccole, spesso chiamate chunk. Un chunk è un frammento di testo di dimensioni adeguate, ad esempio qualche paragrafo o una parte di pagina.

Questo è importante, perché di solito non conviene che l'AI legga l'intera raccolta di documenti per ogni domanda. Deve trovare esattamente i passaggi giusti.

3. Le informazioni vengono indicizzate

I frammenti di documento vengono convertiti in un formato che consente di ricercarli in modo efficiente. Spesso si utilizzano i cosiddetti embedding. Un embedding è una rappresentazione numerica del testo: il sistema trasforma il testo in un'«impronta digitale» matematica, grazie alla quale è possibile trovare contenuti simili.

Questi vengono spesso salvati in un database vettoriale. Si tratta di un database progettato per trovare contenuti simili per significato, non solo parole esattamente identiche.

4. Per la domanda dell'utente viene recuperato il materiale pertinente

Quando l'utente chiede qualcosa, il sistema cerca nel database i frammenti di testo pertinenti. Se la domanda è:

«Come funziona la nostra politica di reso per i clienti business?»

il sistema RAG può recuperare le condizioni di reso, le istruzioni per l'assistenza clienti ed eventuali allegati contrattuali.

5. Il modello linguistico formula la risposta sulla base delle fonti

Infine, il modello linguistico riceve la domanda dell'utente e i frammenti di testo recuperati. Il suo compito è formulare una risposta chiara sulla base di questi.

Nella descrizione di Vertex AI RAG Engine di Google Cloud il processo segue la stessa logica: i dati vengono importati nel sistema, convertiti e suddivisi, indicizzati, recuperati in relazione alla domanda dell'utente e forniti al modello come contesto. Google sottolinea che il contesto aggiuntivo aiuta il modello a rispondere in modo più preciso e a ridurre le allucinazioni.^[4]

5. Il RAG con un paragone semplice

Immaginiamo due esperti.

Il primo esperto è seduto in una sala riunioni senza alcun materiale. Ha letto molto e sa parlare in modo convincente. Quando gli si chiede qualcosa, risponde a memoria. Spesso la risposta è buona. Ma se gli si chiede il listino prezzi più recente, il punto esatto delle condizioni contrattuali o la decisione di questa settimana, può sbagliare.

Il secondo esperto è seduto nella stessa stanza, ma ha accesso ai documenti aziendali, alle istruzioni più recenti e a un sistema di ricerca. Quando gli si chiede qualcosa, prima cerca il punto giusto e poi risponde sulla base di quello.

Questa è l'idea del RAG. Non rende l'AI infallibile. Ma le offre una scrivania di lavoro migliore.

NVIDIA paragona il RAG a un assistente in tribunale: un grande modello linguistico può essere come un giudice dotato di una comprensione generale, ma per un caso specifico servono atti, precedenti e fonti. Il RAG funge da «bibliotecario» che recupera per il modello il materiale necessario.^[5]

Il paragone è calzante, perché svela il nocciolo del RAG: una buona risposta non nasce solo dall'intelligenza. Nasce dall'informazione giusta al momento giusto.

6. Come riduce le allucinazioni il RAG?

Un'allucinazione è una situazione in cui l'AI produce informazioni dall'aria credibile ma errate o inventate. Il RAG riduce le allucinazioni perché ancora la risposta al materiale recuperato.

Senza il RAG, l'AI può rispondere così:

«Il vostro termine di reso è di 30 giorni.»

Con il RAG, la risposta può basarsi su un documento:

«Per i clienti business il termine di reso è, secondo le condizioni contrattuali, di 14 giorni, salvo diverso accordo nel contratto specifico con il cliente.»

La differenza è enorme. Il RAG aiuta soprattutto in tre modi.

1. Il modello ottiene una base fattuale

Quando il modello riceve il documento pertinente, non deve inventare la risposta dal nulla.

2. La risposta può essere corredata di fonti

Un buon sistema RAG mostra su quale documento o passaggio si basa la risposta.

3. L'utente può verificare le affermazioni

Le fonti rendono la risposta più verificabile. L'utente può aprire il documento originale e controllare se la risposta è corretta.

Microsoft evidenzia tra i vantaggi del RAG la riduzione delle allucinazioni e la trasparenza delle fonti. Secondo l'azienda, il RAG può aumentare la fiducia soprattutto nei settori ad alto rischio, come il diritto, la sanità e la finanza, perché l'utente può verificare su che cosa si basano le affermazioni.^[6]

Ma un'osservazione importante: il RAG non elimina del tutto le allucinazioni. Riduce il rischio, a condizione che la ricerca trovi l'informazione giusta e che il modello la utilizzi correttamente.

7. Perché il RAG mantiene le risposte più aggiornate?

Un grande modello linguistico è addestrato su un determinato insieme di dati fino a un certo momento. Le sue conoscenze interne possono diventare obsolete. Il RAG risolve questo problema collegando il modello a fonti di dati esterne, che possono essere aggiornate senza riaddestrare l'intero modello.

Per le aziende questo è un vantaggio enorme.

Se il listino prezzi cambia, non serve addestrare un nuovo modello linguistico: si aggiorna il documento del listino o il database. Se cambiano le istruzioni per l'assistenza clienti, si aggiornano le istruzioni. Se cambia la normativa, si aggiorna il materiale di riferimento.

IBM indica tra i vantaggi del RAG l'accesso a dati aggiornati e specifici del settore, oltre al fatto che le organizzazioni possono migliorare le risposte dell'AI senza il costoso riaddestramento del modello.^[7]

È qui che si vede la forza pratica del RAG. L'AI non è più solo un modello che «sa ciò che sa». Diventa un'interfaccia verso una base di conoscenza viva.

8. Il RAG nell'uso di aziende e organizzazioni

Nelle aziende il RAG è uno dei modi più importanti per rendere l'AI generativa davvero utile. Perché? Perché il valore delle aziende di solito non risiede solo nella conoscenza generale. Risiede nei propri dati, nei propri processi, nei propri clienti e nei propri documenti.

Il RAG può essere d'aiuto, ad esempio, in questi casi d'uso:

Assistenza clienti

Un chatbot può rispondere alle domande dei clienti sulla base delle istruzioni proprie dell'azienda, delle condizioni contrattuali e delle informazioni sui prodotti.

Vendite

Un venditore può chiedere all'AI:

«Che cosa conviene tenere presente su questo cliente prima dell'incontro?»

Il RAG può recuperare le note del CRM, le offerte precedenti, le richieste di assistenza e le informazioni sul segmento di clientela.

HR

Un dipendente può chiedere:

«Come funziona il congedo parentale nella nostra azienda?»

Il RAG può recuperare la risposta dalle linee guida del personale ed eventuali prassi locali.

Affari legali e compliance

Un legale o il team di compliance può recuperare clausole contrattuali, indicazioni normative e policy interne.

Sviluppo prodotto

Il team di prodotto può analizzare i feedback dei clienti, le richieste di assistenza e i documenti di roadmap.

Formazione

Un nuovo dipendente può fare domande sulle modalità operative dell'organizzazione e ricevere risposte sulla base dei materiali di onboarding.

Amazon Web Services descrive il RAG come un modo pragmatico ed efficace di utilizzare i modelli linguistici nelle aziende, perché fornisce al modello dati esterni, come i documenti interni dell'azienda, grazie ai quali le risposte si adattano meglio a un determinato caso d'uso.^[8]

Ecco il nocciolo commerciale del RAG: trasforma l'AI da scrittore generico a interfaccia per il lavoro di conoscenza dell'organizzazione.

9. Il RAG negli assistenti AI: che cosa dovrebbe capire l’utente?

Il consiglio pratico recita:

Un assistente AI basato sul RAG fonda le sue risposte su informazioni aggiornate.

Per l’utente è una promessa importante, ma va compresa nel modo giusto. RAG significa che l’assistente AI può cercare informazioni in fonti definite prima di formulare la risposta. In questo modo l’utente non riceve soltanto l’ipotesi di un modello linguistico generico, ma una risposta basata sulla base di conoscenza a disposizione del sistema.

In pratica, questo può significare, ad esempio, che un assistente AI basato sul RAG:

recupera informazioni dai documenti propri dell'organizzazione
utilizza istruzioni aggiornate
fa riferimento al materiale di origine
riduce il rischio di risposte inventate
è in grado di rispondere a domande specifiche dell'organizzazione
aiuta l'utente a trovare più rapidamente l'informazione giusta

È però importante dirlo con onestà: il RAG non rende automaticamente perfetto alcun sistema AI. In una soluzione RAG, la qualità del risultato finale dipende, tra l’altro, da:

quanto è di qualità la base di conoscenza
quanto sono aggiornate le fonti
se la ricerca trova i documenti giusti
se il modello sa utilizzare correttamente le informazioni recuperate
se all'utente vengono mostrate le fonti
come ci si comporta nelle situazioni di incertezza

Un buon sistema RAG non si limita a rispondere. Aiuta l'utente a vedere su che cosa si basa la risposta.

Per questo, quando si usa un assistente AI basato sul RAG, conviene chiedere:

«Mostra su quale fonte si basa questa risposta.»

Oppure:

«Se la risposta non è presente nel materiale di origine, dillo chiaramente.»

Questo rende l'uso dell'AI più sicuro e più trasparente.

10. I vantaggi del RAG: perché se ne parla così tanto?

Il RAG si è rapidamente affermato come una delle tecniche più importanti dell'AI generativa, perché risponde direttamente ai punti dolenti pratici dell'AI.

10.1 Meno allucinazioni

Quando la risposta si basa sul materiale recuperato, il modello tira meno a indovinare.

10.2 Informazioni più aggiornate

La base di conoscenza può essere aggiornata senza riaddestrare il modello.

10.3 Competenza specifica dell'organizzazione

Il RAG può sfruttare i dati propri dell'azienda, che un modello linguistico generico non conosce.

10.4 Maggiore trasparenza

I riferimenti alle fonti e i link ai documenti aiutano l'utente a verificare la risposta.

10.5 Efficienza dei costi

Il RAG può essere un'alternativa più leggera rispetto al continuo fine-tuning o riaddestramento del modello.

10.6 Ricerca delle informazioni più rapida

L'utente non deve cercare manualmente il PDF, la pagina intranet o l'istruzione giusta.

10.7 Migliore esperienza cliente

Un bot di assistenza clienti può fornire risposte più precise se si basa sulle istruzioni reali dell'azienda.

Google Cloud descrive il RAG come una tecnologia che unisce i dati propri dell'organizzazione alle capacità linguistiche dei modelli, così che le risposte possano essere più precise, più aggiornate e più pertinenti alle esigenze dell'utente.^[1]

In questo senso il RAG è un po' come una verifica della realtà per l'AI. Non si limita a produrre testo: prima cerca il terreno su cui costruire il testo.

11. I limiti del RAG: perché non è una soluzione magica?

Il RAG è efficace, ma non è magico. Può fallire in molti modi.

11.1 La ricerca può trovare l'informazione sbagliata

Se il sistema recupera il documento sbagliato o il passaggio sbagliato, la risposta può andare storta. È il classico problema del RAG: la generazione può essere buona, ma il retrieval, cioè il recupero, fallisce.

11.2 Le informazioni possono essere obsolete

Il RAG mantiene aggiornate le risposte solo se la base di conoscenza è aggiornata. Se nel database c'è un'istruzione vecchia, l'AI può rispondere secondo l'istruzione vecchia.

11.3 I documenti possono essere contraddittori

Se in un'organizzazione esistono tre versioni diverse della stessa istruzione, il RAG può recuperare quella sbagliata o confonderle tra loro.

11.4 Il modello può interpretare male la fonte

Anche se il documento giusto viene trovato, il modello linguistico può fraintenderlo o generalizzare troppo.

11.5 La fonte potrebbe non bastare per rispondere

Se il contesto recuperato non contiene informazioni sufficienti, il modello dovrebbe dire «non lo so». Non tutti i sistemi lo fanno bene.

Google Research ha portato all'attenzione il concetto di sufficient context, ovvero contesto sufficiente. Secondo questa idea, nei sistemi RAG non basta che l'informazione recuperata sia in qualche modo pertinente. Deve essere sufficiente a rispondere correttamente alla domanda. Se il contesto non basta, il modello dovrebbe piuttosto riconoscere l'incertezza anziché inventare una risposta.^[9]

È un'intuizione importante. Il RAG non è solo un motore di ricerca più l'AI. È una questione di qualità: viene trovata proprio quell'informazione che basta a dare la risposta giusta?

11.6 Il RAG può dare un falso senso di sicurezza

Quando una risposta contiene riferimenti alle fonti, sembra affidabile. Ma un riferimento a una fonte non significa automaticamente che la risposta sia corretta. La fonte può essere sbagliata, vecchia o interpretata male. Per questo l'utente deve comunque verificare le affermazioni critiche.

12. Come si costruisce un buon sistema RAG?

Un buon sistema RAG non nasce semplicemente collegando un modello linguistico e una cartella di documenti. Richiede una progettazione accurata.

12.1 Una base di conoscenza di qualità

La prima domanda è: quali informazioni vengono fornite al sistema? Se la base di conoscenza è confusa, vecchia o contraddittoria, anche le risposte ne risentono. Una buona base di conoscenza è:

aggiornata
curata
strutturata in modo chiaro
versionata
mantenuta da responsabili designati
con diritti di accesso gestiti

12.2 Una buona suddivisione dei documenti

Se i documenti vengono suddivisi in parti troppo piccole, il contesto va perso. Se vengono suddivisi in parti troppo grandi, la ricerca può diventare imprecisa. Il chunking è una scelta tecnica sorprendentemente importante. Influisce sulla capacità del sistema di trovare il passaggio giusto.

12.3 Un metodo di ricerca efficace

La sola ricerca per parole chiave non sempre basta. La ricerca vettoriale trova contenuti simili per significato, anche quando le parole non sono esattamente uguali. Spesso la soluzione migliore è la ricerca ibrida, che combina la ricerca per parole chiave e la ricerca semantica.

12.4 Mostrare le fonti

L'utente deve poter vedere su che cosa si basa la risposta. Una buona risposta RAG può includere:

il nome del documento
il passaggio o la pagina
un link alla fonte
una breve motivazione
l'indicazione dell'incertezza, se la fonte non basta

12.5 Istruzioni chiare per il modello

Al modello bisogna spiegare come deve comportarsi. Ad esempio:

«Rispondi solo sulla base delle fonti fornite. Se le fonti non contengono la risposta, dillo chiaramente.»

Questo riduce il ricorso alle supposizioni.

12.6 Valutazione e test

Un sistema RAG va testato con domande reali. Amazon Web Services sottolinea l'importanza di valutare l'affidabilità delle applicazioni RAG: conviene misurare il sistema, tra l'altro, dal punto di vista delle prestazioni, dell'affidabilità e di eventuali bias.^[10]

In fase di test conviene chiedersi:

Viene trovata la fonte giusta?
La risposta si basa sulla fonte?
Il modello si astiene dal rispondere se l'informazione non c'è?
Le fonti sono visibili all'utente?
La risposta è troppo sicura di sé?
Il sistema funziona per i diversi gruppi di utenti?

Un buon RAG è un processo continuo, non un progetto una tantum.

13. RAG vs. fine-tuning: quando serve l'uno e quando l'altro?

Il RAG viene spesso confuso con il fine-tuning del modello. Sono due cose diverse.

RAG

Il RAG fornisce al modello informazioni esterne al momento della risposta. È adatto quando:

le informazioni cambiano spesso
si vogliono utilizzare i documenti dell'organizzazione
è necessario mostrare le fonti
le risposte devono essere mantenute aggiornate
si vuole evitare il riaddestramento del modello

Fine-tuning

Il fine-tuning consiste nell'addestrare ulteriormente il modello con un determinato insieme di dati o per un determinato compito. È adatto quando:

si vuole modificare lo stile del modello
si vuole insegnare un determinato formato di risposta
si vuole migliorare le prestazioni in un compito circoscritto
i dati sono relativamente stabili
serve un comportamento specifico, non solo nuove informazioni

Spesso la soluzione migliore non è un aut-aut. Un'azienda può usare il RAG per le informazioni aggiornate e il fine-tuning, ad esempio, per insegnare un determinato stile di risposta o un processo.

Ma se il problema è «il modello non conosce le nostre istruzioni più recenti», il RAG è di solito la soluzione più naturale rispetto al fine-tuning.

14. Il futuro: dal RAG verso gli agenti e i sistemi intelligenti per il lavoro di conoscenza

Il RAG è già oggi importante, ma la sua rilevanza cresce man mano che l'AI passa dai semplici chatbot verso gli agenti.

Un agente è un sistema di AI che non si limita a rispondere a una domanda, ma può compiere più passaggi: recuperare informazioni, confrontare alternative, usare strumenti, elaborare un piano e forse persino eseguire compiti.

Per agenti di questo tipo il RAG è un'infrastruttura di base. Se un agente deve aiutare un dipendente, deve sapere:

che cosa dicono le istruzioni dell'organizzazione
che cosa ha fatto in precedenza il cliente
che cosa accade nei sistemi
quali regole vanno rispettate
quali documenti è consentito utilizzare
su che cosa si basa l'informazione

IBM descrive l'approccio agentic RAG, in cui un sistema RAG si combina con capacità di tipo agentico: il sistema può recuperare informazioni da una base di conoscenza esterna e utilizzarle per produrre risposte più precise e specifiche del settore, senza che il modello si affidi solo ai propri dati di addestramento.^[11]

In futuro il RAG forse non apparirà all'utente come una tecnica a sé stante. Si manifesterà sotto forma di risposte migliori.

L'utente pone una domanda e il sistema:

recupera le fonti giuste
ne valuta la sufficienza
formula la risposta
mostra le fonti
segnala l'incertezza
propone il passo successivo

È un grande passo verso un'AI che non si limita a sembrare intelligente, ma opera in modo più affidabile come parte del lavoro quotidiano.

15. Conclusioni: che cosa conviene imparare da tutto questo?

Il RAG è una delle tecniche più importanti quando l'AI generativa viene portata nel mondo del lavoro reale. Risolve tre grandi problemi:

le conoscenze dell'AI possono essere obsolete
l'AI non conosce i dati propri dell'organizzazione
l'AI può allucinare in modo convincente

Il RAG non rende l'AI perfetta. Ma la rende più utilizzabile, più verificabile e più saldamente ancorata alle informazioni reali.

Gli insegnamenti principali sono questi:

1. RAG significa che l'AI prima recupera le informazioni e solo dopo risponde

Questo lo distingue da una normale risposta di un modello linguistico.

2. Il RAG riduce le allucinazioni, ma non le elimina del tutto

Una ricerca sbagliata, una fonte vecchia o un'interpretazione errata possono comunque portare a un errore.

3. Le fonti sono il grande punto di forza del RAG

Quando la risposta può essere ricondotta a un documento, l'utente può verificarla.

4. L'aggiornamento dipende dalla base di conoscenza

Il RAG è buono tanto quanto i dati che utilizza.

5. Nelle aziende il RAG è la chiave per sfruttare la conoscenza interna

Può trasformare l'intranet, la cartella dei documenti e la raccolta di istruzioni in un'interfaccia conversazionale.

6. Con un assistente AI basato sul RAG conviene chiedere di mostrare le fonti

All'utente conviene chiedere: «Su che cosa si basa questa risposta?»

7. Il RAG migliore a volte dice: «Non lo so»

Un sistema affidabile non inventa una risposta se le fonti non bastano.

Il nocciolo del RAG, in fondo, è semplice: l'AI diventa migliore quando non è costretta a rispondere da sola.

Quando il modello ha a sostegno le informazioni giuste, le fonti giuste e il contesto giusto, può essere di aiuto molto più di un semplice chatbot generico. Non è più solo una macchina che produce testo. È un ricercatore di informazioni, un interprete e un compagno di lavoro, a patto che la persona continui a ricordarsi di chiedere, verificare e usare il proprio giudizio.

16. Prompt pratici per l'uso di un sistema RAG

Di seguito trovi alcuni modelli di prompt da usare con qualsiasi soluzione di intelligenza artificiale basata sul RAG.

16.1 Risposta basata sulle fonti

Rispondi solo sulla base delle fonti disponibili.
Se la risposta non è presente nelle fonti, di': «Non trovo una risposta a questo nel materiale disponibile.»
Aggiungi in fondo alla risposta le fonti o i documenti su cui si basa la risposta.

16.2 Riconoscimento dell'incertezza

Rispondi alla domanda sulla base delle fonti. Nella risposta distingui tra:

1) ciò che le fonti affermano con certezza
2) ciò che si può dedurre
3) ciò che non si può dedurre dal materiale fornito

16.3 Confronto tra documenti

Confronta queste fonti tra loro.
Individua le contraddizioni, le sovrapposizioni e i punti in cui un documento più recente sembra sostituire quello più vecchio.
Non trarre conclusioni che le fonti non supportano.

16.4 Risposta per l'assistenza clienti

Redigi per il cliente una risposta chiara sulla base del materiale di origine.
Mantieni un tono cordiale e professionale.
Non promettere nulla che non sia riportato nelle fonti.
Se la questione richiede una verifica umana, dillo chiaramente.

16.5 Supporto alle decisioni

Elabora un'analisi sintetica su questo argomento sulla base del materiale di origine. Fornisci:

• i fatti principali
• i possibili rischi
• le domande aperte
• che cosa andrebbe verificato prima di decidere

Non aggiungere informazioni esterne senza segnalarlo espressamente.

16.6 Verifica di una risposta RAG

Controlla la tua risposta precedente.
Contrassegna ogni affermazione chiave con la relativa fonte.
Se un'affermazione non si basa su una fonte, eliminala o contrassegnala come supposizione.

Sintesi pratica

Se il prompt engineering insegna a chiedere meglio all'AI, il RAG insegna all'AI a rispondere a partire da fonti migliori. È una differenza decisiva.

Un'AI normale può sembrare corretta. Un'AI basata su RAG può mostrare su che cosa si basa la risposta. Ed è proprio questo a renderla una tecnica così importante per le aziende, i professionisti e chiunque voglia usare l'AI per qualcosa di più della semplice generazione di idee.

Consiglio pratico: quando usi un assistente AI basato sul RAG, chiedigli di mostrare le fonti e di segnalare se la risposta non è presente nel materiale. È un piccolo accorgimento per costruire una maggiore fiducia nell’uso dell’AI.