Raccolta
Si decide quali documenti entrano e chi ne è responsabile: PDF, testi, pagine interne. I documenti scansionati vanno prima trasformati in testo.
Guide · AI
Che cos'è il RAG, e quando serve sui documenti di un'azienda?
di Salvo De Luca, fondatore e CEO di Dialogicom · pubblicata il 5 novembre 2026
RAG sta per retrieval-augmented generation, generazione aiutata dalla ricerca. Prima si cercano nei vostri documenti i passaggi che riguardano la domanda, poi si danno al modello insieme alla domanda, e il modello risponde partendo da quelli. Serve quando le risposte devono venire dai vostri manuali, contratti o procedure, e non da quello che il modello sa in generale.
Il problema
Il modello non conosce i vostri documenti.
Un modello linguistico sa molte cose in generale, ma non conosce il vostro listino, le vostre procedure o l'ultima versione di un contratto. Se gli si chiede qualcosa che non sa, spesso risponde lo stesso, e inventa.
Il RAG non addestra il modello sui vostri documenti. Li mette a sua disposizione, domanda per domanda. Per questo un documento nuovo si può usare subito, e un documento tolto dall'archivio smette di essere usato.
Quando serve
Quando conviene, e quando no.
Conviene quando
- Le risposte devono rispettare documenti vostri: manuali tecnici, procedure interne, condizioni di vendita, regole di settore.
- I documenti sono tanti e nessuno li ricorda tutti.
- Chi legge deve poter controllare da dove viene la risposta.
Non serve quando
- Il dato sta già in un database: per un prezzo o una giacenza si interroga il database, non si cerca in un testo.
- I documenti sono pochi e brevi: si possono dare al modello per intero.
- La domanda chiede un calcolo o una decisione con regole precise: lì servono le regole, non una ricerca.
Come si costruisce
Sei passi, dai documenti alla risposta.
Divisione in pezzi
Ogni documento si divide in pezzi brevi, con un po' di sovrapposizione fra uno e l'altro, così una frase a cavallo di due pezzi non si perde.
Embedding
Ogni pezzo diventa una sequenza di numeri che ne rappresenta il significato, chiamata embedding. Pezzi che parlano della stessa cosa hanno numeri vicini, anche se usano parole diverse.
Ricerca
Anche la domanda diventa un embedding. Il sistema cerca i pezzi più vicini, ne tiene pochi e scarta quelli troppo lontani, per non dare al modello materiale fuori tema.
Risposta
Il modello riceve la domanda, i pezzi trovati e le istruzioni: rispondi partendo da questi, e di' da quale documento viene ogni informazione.
Verifica
Si prova il sistema su domande vere di cui si conosce la risposta, e si ripete la prova a ogni cambiamento di documenti, istruzioni o modello.
I limiti
Tre cose che il RAG non risolve da solo.
Può ancora sbagliare
Il RAG riduce le invenzioni, non le elimina. Se la ricerca trova il pezzo sbagliato, o non trova niente, il modello può rispondere male. Per questo la risposta cita la fonte, e il sistema deve poter dire «nei documenti non c'è» invece di inventare.
I documenti invecchiano
Se nell'archivio ci sono due versioni della stessa procedura, il sistema può usare quella vecchia. Serve una regola: chi carica, chi toglie, quale versione vale. Il RAG è buono quanto l'archivio che gli date.
I permessi contano
Se un dipendente non può leggere un contratto, non deve poterlo leggere nemmeno attraverso l'assistente. La ricerca deve scegliere i documenti in base a chi fa la domanda, prima che arrivino al modello. Non è un dettaglio da aggiungere alla fine: si progetta dall'inizio.
Dove vanno i dati
Cloud o server vostri, anche per il RAG.
Con un modello in cloud, a ogni domanda la domanda e i pezzi trovati arrivano al fornitore. Di solito passa da un servizio esterno anche il calcolo degli embedding, quando si carica un documento e quando si fa una domanda. I documenti interi, invece, restano nel vostro archivio.
Se i documenti sono molto riservati, sia il modello sia il calcolo degli embedding possono stare sui vostri server. Se e come si possano usare certi dati lo valuta il vostro consulente: noi progettiamo la parte tecnica e gli diciamo con precisione che cosa va dove.
La nostra esperienza
I materiali dello studente, in Minerva.
In Minerva, il nostro tutor per lo studio, lo studente può caricare i suoi appunti e i materiali del corso, in PDF o come testo. Minerva li divide in pezzi, ne calcola gli embedding e, quando lo studente fa una domanda o prepara un test, cerca i pezzi pertinenti fra i suoi materiali di quella materia o di quella cartella.
Ogni studente cerca solo nei propri materiali. A ogni materiale si può aggiungere una nota, per esempio «usa solo questi» oppure «integra con questi», e la risposta dice quali documenti ha usato. Sono le stesse scelte che proponiamo per i documenti di un'azienda.
Domande frequenti
Le domande che ci fanno sul RAG.
No. Il modello riceve solo i pezzi trovati, a ogni domanda, e li usa per quella risposta. Che cosa il fornitore faccia dei dati ricevuti lo dicono le sue condizioni d'uso, da leggere prima di cominciare.
Sì, se prima si estrae il testo dalle immagini. La qualità delle risposte dipende anche da quella del testo estratto: tabelle complesse e scritte a mano sono i casi più difficili.
Anche molti. Con archivi grandi conta di più come si divide e si cerca: pezzi della misura giusta, filtri per argomento o per reparto, prove sulle domande vere.
Una ricerca per parole trova i documenti che contengono quelle parole. Il RAG trova anche i passaggi che dicono la stessa cosa con parole diverse, e invece di un elenco di documenti dà una risposta che li cita. Spesso conviene usare le due ricerche insieme.
Volete interrogare i vostri documenti?
Diteci che documenti avete e chi li deve usare: vi proponiamo una prova su un gruppo piccolo di documenti, con domande vere. Rispondiamo entro 24 ore lavorative.