Un imprenditore mi ha chiesto qualche settimana fa: "Ma questo AI deve imparare tutto da zero sui nostri prodotti?" È una domanda legittima, e la risposta cambia completamente l’investimento richiesto, i rischi sui dati e i tempi di avvio. RAG e addestramento sono due cose diverse, con costi, vantaggi e limiti molto differenti. Questo articolo li distingue con un esempio concreto e una matrice per capire quale approccio vale il tuo caso.
In breve
RAG (Retrieval-Augmented Generation) è un’architettura che permette a un modello AI già esistente di rispondere attingendo ai tuoi documenti aziendali, in tempo reale, senza modificare il modello stesso. L’addestramento (fine-tuning o training da zero) invece modifica il modello incorporando nuove conoscenze al suo interno. Per la maggior parte delle aziende manifatturiere, RAG è il punto di partenza sensato: più veloce, più controllabile, più reversibile.
Il problema che entrambi cercano di risolvere
Il documento che serve non si trova mai quando serve. Il preventivo di due anni fa è nella casella mail di un collega. Il manuale della macchina è in un PDF nella cartella condivisa, ma nessuno ricorda il nome esatto del file. La procedura di qualità aggiornata esiste, ma la versione stampata che circola in officina è quella vecchia.
Questo non è un problema di persone poco ordinate. È un problema strutturale: la conoscenza dell’azienda è distribuita tra email, cartelle di rete, ERP, file PDF, fogli Excel e — soprattutto — la memoria delle persone che ci lavorano da anni.
Quando un’azienda valuta l’AI per questo tipo di problema, le vengono proposte due soluzioni principali: addestrare un modello sui propri dati oppure costruire un sistema RAG. La scelta non è banale, e dipende da quattro fattori: il tipo di dati coinvolti, la frequenza di aggiornamento, la soglia di rischio accettabile e il budget disponibile.
Addestramento: quando il modello "impara" i tuoi dati
Addestrare un modello significa modificarlo — parzialmente o completamente — usando i tuoi dati come materiale di apprendimento. Il modello incorpora queste informazioni nei suoi pesi interni. Il risultato è un modello che "conosce" i tuoi contenuti, ma che li ha assorbiti in modo non trasparente: non puoi chiedere al modello "da quale documento hai preso questa risposta" e ricevere una citazione precisa.
Questo approccio ha senso quando l’obiettivo è cambiare il comportamento generale del modello — ad esempio adattare il suo stile linguistico, insegnargli un dominio tecnico specializzato che non esiste in letteratura pubblica, o ottimizzarlo per un formato di output molto specifico.
I rischi sono concreti. I dati usati per l’addestramento devono essere gestiti con attenzione: se contengono dati personali, segreti industriali o informazioni riservate, il fatto che il modello li abbia "assorbiti" crea implicazioni legali non banali, che richiedono una valutazione con il DPO e un legale competente in materia. Il modello addestrato, inoltre, riflette i dati al momento dell’addestramento: se aggiornate le specifiche tecniche, il modello non lo sa.
Per le PMI manifatturiere con documentazione in continua evoluzione — capitolati, revisioni di disegno, aggiornamenti di qualità — l’addestramento ha un limite pratico evidente: va ripetuto ogni volta che i dati cambiano in modo significativo.
RAG: il modello recupera, non memorizza
Con un sistema RAG, il modello AI rimane invariato. Quando l’utente fa una domanda, il sistema cerca nei tuoi documenti le parti più rilevanti, le passa al modello insieme alla domanda, e il modello genera una risposta basata su quel contesto. I documenti restano documenti: aggiornabili, controllabili, revocabili.
Il vantaggio principale è la tracciabilità. Il sistema può indicare esattamente da quale documento, e spesso da quale sezione, proviene l’informazione usata per rispondere. Questo è rilevante in ambito manifatturiero: se un operatore chiede come gestire una non conformità e il sistema risponde citando la procedura QP-14 revisione 3, l’azienda sa cosa sta succedendo e può verificare.
Un secondo vantaggio è la controllabilità degli accessi. Un’architettura RAG ben progettata può essere configurata in modo che ogni utente veda solo i documenti per i quali ha i permessi. Il commerciale non accede ai disegni riservati, il tecnico non vede i listini personalizzati per cliente. Questa parte richiede progettazione attenta: non è automatica, ma è realizzabile con controlli espliciti.
Il limite principale del RAG è che risponde bene solo se i documenti sono ben strutturati e la ricerca recupera le parti giuste. Se la documentazione aziendale è frammentata, ambigua o non aggiornata, il sistema recupera frammenti sbagliati o incompleti. La qualità dell’output dipende dalla qualità dell’input, sempre.
Matrice decisionale: quale approccio per quale caso d’uso
Questa matrice non è una regola assoluta: è un punto di partenza per una conversazione. Ogni caso ha variabili specifiche che possono spostare la scelta.
| Caso d’uso | RAG | Fine-tuning / Addestramento | Note |
|---|---|---|---|
| Ufficio tecnico — consultare manuali, specifiche, disegni tecnici | ✅ Prima scelta | ⬜ Raramente utile | I documenti cambiano spesso; la tracciabilità della fonte è critica |
| Manuali e documentazione — procedure operative, istruzioni di montaggio | ✅ Prima scelta | ⬜ Solo se il formato output è molto specifico | RAG permette aggiornamenti senza rifare il modello |
| Preventivi e capitolati — recupero di offerte simili, clausole ricorrenti | ✅ Prima scelta | ⬜ Non indicato | Le offerte sono dati sensibili; RAG consente controllo granulare degli accessi |
| Qualità e non conformità — procedure QA, storico segnalazioni | ✅ Prima scelta | ⬜ Solo per classificazione automatica ad alto volume | La citazione della fonte è essenziale per audit e certificazioni |
| Stile comunicativo aziendale — tono, formato, linguaggio specifico | ⬜ Parzialmente utile | ✅ Utile se il modello base non lo supporta | Fine-tuning aiuta a "modellare" il comportamento generale |
| Dominio tecnico altamente specializzato — conoscenza non presente in dati pubblici | ⬜ Dipende dalla qualità dei doc | ✅ Se la documentazione è stabile e sufficiente | Valutare con attenzione prima di portare dati riservati in fase di training |
Un esempio: l’ufficio tecnico di un’azienda di componentistica
Ho lavorato con aziende della componentistica e della meccanica di precisione dove l’ufficio tecnico riceveva ogni settimana domande ripetitive: "Qual è la tolleranza prevista per questo accoppiamento?", "C’è una revisione del disegno per questo codice?", "Il capitolato del cliente X prevede una finitura superficiale diversa?"
In questi contesti, le risposte esistono già — sono in PDF, in fogli di specifiche, in email archiviate. Il problema non è la conoscenza: è il tempo che ci vuole per trovarla. Un sistema RAG collegato a quell’archivio documentale, con permessi per ruolo, permette di interrogare la documentazione in linguaggio naturale e ricevere una risposta con la citazione del documento sorgente.
Questo non elimina la necessità di un tecnico esperto che valuti la risposta, soprattutto su specifiche critiche. La supervisione umana rimane necessaria. Quello che cambia è il tempo che il tecnico passa a cercare prima di valutare.
Come abbiamo testato questa architettura in laboratorio
In Fabrika 06 abbiamo costruito e testato dimostrazioni RAG su dati sintetici e documenti pubblici — mai su dati reali di clienti, e mai spacciate per casi cliente. Quello che abbiamo osservato nei test ci ha insegnato alcune cose concrete.
Primo: la qualità della risposta dipende in modo critico dalla qualità del documento sorgente. Un manuale ben strutturato con titoli, sezioni numerate e linguaggio coerente produce recuperi molto più precisi rispetto a un PDF generato dalla scansione di una copia cartacea sgualcita.
Secondo: il sistema segnala quando non trova nulla di pertinente, se configurato correttamente. Questa è una caratteristica da non trascurare. Un assistente che ammette di non sapere è più utile di uno che inventa una risposta plausibile.
Terzo: la gestione dei permessi è un progetto a sé. Decidere chi vede cosa richiede una mappatura esplicita dei documenti, dei ruoli e delle regole di accesso. Non è un parametro da impostare in cinque minuti.
Questi risultati valgono entro i limiti dei test effettuati su casi sintetici. Prima di generalizzarli al tuo contesto specifico, serve una valutazione sui tuoi dati reali.
I limiti che è giusto dichiarare prima di partire
RAG non risolve il problema se la documentazione di base è disordinata. Se i tuoi manuali hanno sezioni contraddittorie, se le procedure di qualità esistono in tre versioni non allineate, se i capitolati sono salvati con nomi di file che solo chi li ha creati capisce — il sistema recupererà frammenti sbagliati o incompleti.
RAG non è un sostituto della gestione documentale: è uno strato che si aggiunge sopra una documentazione già ragionevolmente organizzata, o che si costruisce in parallelo a un progetto di organizzazione.
Sul piano della sicurezza dei dati: portare i tuoi documenti in un sistema RAG significa che quei documenti vengono elaborati da un servizio esterno (se usi API cloud) o da un’infrastruttura locale (se scegli un modello on-premise). Le implicazioni sono diverse nei due casi, e dipendono da cosa contengono i documenti. Questa parte richiede una valutazione con il DPO, specialmente se i documenti contengono dati personali di dipendenti, clienti o fornitori. Non confondere sicurezza tecnica, privacy e conformità: sono piani distinti che vanno affrontati separatamente.
Infine: il Regolamento UE sull’AI (AI Act) è in vigore dal 2024 e la sua applicazione procede per fasi. I sistemi AI aziendali interni, come un assistente RAG su documentazione, ricadono generalmente in categorie a rischio limitato o minimo, ma la classificazione dipende dall’uso specifico. Per il quadro normativo aggiornato, il riferimento è il sito ufficiale della Commissione europea e la timeline di applicazione dell’AI Act.
Prima di scegliere: cosa fare adesso
Se stai valutando un sistema RAG per la tua azienda, il punto di partenza non è la tecnologia. È la domanda: quale documento il tuo team consulta ogni giorno e non trova mai quando serve?
Quella domanda individua il caso d’uso prioritario. Da lì si parte con un perimetro circoscritto — un tipo di documento, un gruppo di utenti, un processo specifico — e si misura il risultato prima di estendere.
Con la nostra AI Opportunity Sprint individuiamo insieme il caso d’uso prioritario, i dati coinvolti e il primo passo realizzabile. È un incontro gratuito, online o in azienda, con restituzione sintetica. Il lavoro a pagamento inizia solo dopo, se decide di procedere.
Prenota la tua AI Opportunity Sprint gratuita →
Se vuoi prima esplorare cosa significa costruire un assistente RAG su manuali, procedure e documentazione di qualità, puoi leggere la pagina dedicata al RAG aziendale per documenti o quella sulla consulenza AI per aziende manifatturiere.
Domande frequenti
Che differenza c'è tra RAG e ChatGPT?
ChatGPT è un modello di linguaggio generico addestrato su dati pubblici. Non conosce i tuoi documenti aziendali. Un sistema RAG usa un modello di linguaggio — che può essere ChatGPT, un modello open source o altri — ma lo collega ai tuoi documenti specifici. Le risposte provengono dalla tua documentazione, non dalla conoscenza generale del modello.
I miei dati aziendali escono dall'azienda con un sistema RAG?
Dipende dall'architettura scelta. Con soluzioni basate su API cloud (come OpenAI o Azure), i documenti vengono elaborati su server esterni: le condizioni variano per fornitore e configurazione. Con modelli eseguiti localmente (on-premise), i dati rimangono nella tua infrastruttura. La scelta dipende dal livello di riservatezza dei documenti coinvolti e richiede una valutazione specifica, inclusa quella del DPO se ci sono dati personali.
Quanto tempo ci vuole per avviare un sistema RAG?
Dipende da questi quattro fattori: la qualità e l'organizzazione dei documenti esistenti, il numero di fonti da integrare, la complessità della gestione dei permessi per ruolo e l'architettura scelta. Un primo progetto circoscritto — un tipo di documento, un gruppo di utenti — può essere operativo in alcune settimane. Un sistema esteso su tutta la documentazione aziendale richiede tempi più lunghi e una fase di validazione accurata.
RAG funziona anche con documenti molto tecnici o in formato PDF?
Sì, ma con condizioni importanti. PDF generati digitalmente con testo selezionabile funzionano bene. PDF da scansione o documenti con layout complessi (tabelle, disegni, schemi) richiedono una fase di preprocessing. Documenti tecnici ben strutturati — con sezioni numerate, titoli coerenti, terminologia uniforme — producono risultati molto migliori rispetto a documentazione disorganizzata o con versioni non allineate.
Il sistema RAG può sostituire il tecnico esperto?
No, e non è questo l'obiettivo. Il sistema riduce il tempo che il tecnico passa a cercare informazioni, permettendogli di dedicarsi alla valutazione e alla decisione. Su specifiche critiche, la supervisione umana rimane necessaria. L'assistente segnala da dove proviene l'informazione: sta al tecnico verificare che sia la versione corretta e applicarla con giudizio al caso specifico.
L'AI Act si applica a un assistente RAG interno all'azienda?
Il Regolamento (UE) 2024/1689 si applica ai sistemi AI immessi sul mercato o messi in servizio nell'UE. Un assistente RAG usato internamente rientra nella definizione di sistema AI. La classificazione del rischio dipende dall'uso specifico: sistemi per la ricerca documentale interna ricadono generalmente in categorie a rischio limitato o minimo. Per una valutazione del tuo caso specifico, il riferimento è il testo normativo su EUR-Lex e, per gli aspetti applicativi, un legale competente in materia.
