Che cos’è il RAG? L’IA basata sulle fonti, spiegata
RAG — Retrieval-Augmented Generation — significa che l’IA va a cercare qualcosa prima di rispondere. Invece di ripescare dall’addestramento, il sistema cerca nei tuoi documenti, mette davanti al modello i passaggi più pertinenti e gli chiede di rispondere partendo da quelli, con citazioni che rimandano alla fonte. Risolve il limite temporale dell’addestramento, il problema del «non ha mai visto i miei file» e buona parte delle invenzioni dette con sicurezza. Non le elimina del tutto.
Il problema, detto come si deve
Un modello linguistico è, di fatto, un’ottima compressione di moltissimo testo che ha letto una volta. Questo gli dà scorrevolezza e ampiezza, e tre debolezze precise: smette di sapere le cose dopo la data limite del suo addestramento, non ha mai visto nulla di privato, e quando non sa qualcosa produce comunque una risposta plausibile, perché produrre testo plausibile è tutto il suo mestiere.
Non puoi riaddestrare un modello ogni volta che scrivi un documento. Quindi cambi invece da dove arriva la risposta.
I quattro passaggi
- Indicizzazione. I tuoi documenti vengono divisi in passaggi — qualche paragrafo ciascuno — e ogni passaggio viene convertito in una rappresentazione numerica che ne cattura il significato. Succede una volta sola, all’inizio.
- Recupero. La tua domanda viene convertita allo stesso modo e il sistema trova i passaggi più vicini per significato. Non è una ricerca per parole chiave: «cosa avevamo concordato sui ritardi di consegna» può trovare un paragrafo che parla di «ritardi nelle spedizioni» senza usare mai le tue parole.
- Arricchimento. Quei passaggi vengono messi nel contesto del modello insieme alla tua domanda e all’istruzione di rispondere partendo dal materiale fornito.
- Generazione e citazione. Il modello scrive la risposta e, poiché il sistema sa quali passaggi gli sono stati dati, può ricondurre ogni affermazione alla sua fonte.
Tutto qui. La parte ingegnosa è il passaggio 2; la parte affidabile è il passaggio 4.
Perché «basta incollarlo nella chat» non è la stessa cosa
Allegare un documento a una conversazione mette l’intero testo nel contesto del modello per quella conversazione. Funziona benissimo per un articolo. Smette di funzionare quando ne hai novanta, quando farai domande anche il mese prossimo, o quando il paragrafo che serve è a pagina 340 e le 339 pagine attorno sono rumore che compete per l’attenzione del modello.
Il RAG indicizza una volta e recupera a ogni domanda. Paghi il costo di configurazione una volta sola e poi interroghi l’intera raccolta all’infinito. Abbiamo approfondito il compromesso in GPT-5 e Gemini a confronto: i modelli a contesto ampio hanno ridotto il divario sui singoli documenti, ma non sulle raccolte a cui torni più volte.
Dove il RAG fallisce ancora
Vale la pena essere precisi, perché «ancorato alle fonti» viene usato come se significasse «corretto»:
- Il recupero manca il bersaglio. Se il passaggio giusto non viene recuperato, il modello risponde con ciò che gli è stato dato, con sicurezza e in modo sbagliato. Le domande che richiedono una sintesi tra molti passaggi sparsi («cosa è cambiato tra le politiche del 2023 e quelle del 2026?») sono il caso difficile classico.
- La risposta va oltre le prove. Un modello a cui è stato dato un passaggio pertinente può comunque aggiungere una frase plausibile che il passaggio non sostiene. È questo che le citazioni intercettano, ed è per questo che un’affermazione senza citazione dentro una risposta con citazioni merita sospetto.
- La fonte è sbagliata. Ancorare significa fedele ai tuoi documenti, non fedele alla realtà. Dagli in pasto un contratto superato e otterrai risposte superate, correttamente citate.
- Artefatti di suddivisione. Una tabella spezzata su due passaggi, o una clausola il cui significato dipende da una definizione quaranta pagine prima, si recuperano male. La struttura che attraversa più blocchi è il punto debole di tutto l’approccio.
Il meccanismo generale dietro il secondo punto merita di essere capito a sé — leggi perché l’IA si inventa le cose.
Quando vale la configurazione
| Situazione | Cosa usare |
|---|---|
| Un documento, una domanda | Incollalo in una chat |
| Un documento lungo che interrogherai più volte | Indifferente, con una preferenza per il RAG |
| Decine di documenti su un tema | RAG |
| Risposte su cui si baserà qualcun altro | RAG — per le citazioni, non per il recupero |
| Contenuti misti: PDF, video, audio, pagine web | RAG, se li gestisce tutti |
| Domande di cultura generale | Nessuno dei due — chiedi a un modello |
Che aspetto ha come prodotto
Neurobase è la nostra versione di tutto questo: dai a un Neuron delle fonti — PDF, file di testo, video, YouTube, pagine web, immagini, audio — e lui le indicizza trasformandole in un assistente mirato che risponde con citazioni al materiale originale. Le risposte si possono provare nel Lab prima di farci affidamento, e più Neurons si possono concatenare in un flusso di lavoro con operazioni come Summarize, Compare, Extract e Translate.
Se vuoi la versione concreta invece del concetto, parti da trasformare una cartella di PDF in un assistente.
Domande frequenti
Che cos’è il RAG?
Retrieval-Augmented Generation: il sistema cerca prima nei tuoi documenti, mette i passaggi pertinenti nel contesto del modello e gli chiede di rispondere partendo da quelli — con le citazioni.
Quale problema risolve?
I limiti temporali dell’addestramento, i documenti privati che il modello non ha mai visto e le invenzioni dette con sicurezza. Le citazioni ti permettono di verificare invece di fidarti.
È la stessa cosa che caricare un file in un chatbot?
No. Allegare un file funziona per un documento in una conversazione. Il RAG indicizza una raccolta una volta sola e recupera a ogni domanda, su molte conversazioni.
Il RAG impedisce all’IA di inventare?
Lo riduce parecchio, non del tutto. Il recupero può mancare il bersaglio, le risposte possono andare oltre le prove e le fonti possono essere sbagliate. Le citazioni rendono verificabili questi fallimenti.