RAG spiegato semplice: dare i tuoi documenti all’AI senza allucinazioni

A cura di Solucom · 1 Giugno 2026

Fai una prova: chiedi a un assistente AI qualcosa di specifico sulla tua azienda — la tua politica di reso, una clausola di un contratto, una procedura interna. Spesso ti risponderà con grande sicurezza… una cosa inventata. Non perché è « stupido », ma per due motivi precisi: tende a inventare quando non sa (le famose « allucinazioni ») e soprattutto non conosce i tuoi documenti. RAG è la tecnica che risolve entrambi i problemi, ed è probabilmente la cosa più utile da capire se vuoi usare l’AI sui tuoi contenuti reali.

Cos’è RAG, detto semplice

RAG sta per Retrieval-Augmented Generation, ma il nome conta poco. L’idea è questa: invece di sperare che il modello « sappia » la risposta, gli dai una biblioteca — i tuoi documenti — e gli imponi una regola: prima cerca lì dentro, poi rispondi usando solo quello che hai trovato. Due movimenti: recupera le informazioni giuste (retrieval), poi genera la risposta (generation) basandosi su quelle.

È la differenza tra uno studente che risponde a memoria, inventando quando non ricorda, e uno studente a cui hai detto: « apri il manuale, trova la pagina giusta e rispondi citandola ». Il secondo sbaglia molto meno. E, soprattutto, puoi controllare da dove ha preso la risposta.

Come funziona, in pratica

Senza tecnicismi, il percorso è questo:

• I tuoi documenti vengono spezzati in pezzi e organizzati in un archivio consultabile.
• Quando arriva una domanda, il sistema cerca i pezzi più pertinenti a quella domanda.
• Quei pezzi vengono passati al modello insieme alla domanda dell’utente.
• Il modello risponde basandosi su quei pezzi e, se ben configurato, cita la fonte (« questo l’ho preso dal documento X »).

Il vantaggio enorme è l’ultimo punto: una risposta con la fonte è una risposta verificabile. Se hai un dubbio, vai a controllare. Con un assistente che risponde « a memoria », invece, non sai mai se ti puoi fidare.

Un esempio pratico

Pensa a un’azienda con un bel po’ di documentazione: manuali, procedure, FAQ, condizioni di vendita. Un nuovo collega chiede: « qual è la nostra politica di reso per gli acquisti online? ».

Un assistente AI normale potrebbe inventare una risposta plausibile ma sbagliata. Un assistente con RAG, invece, cerca nei documenti aziendali, trova la sezione che parla dei resi, e risponde: « La politica prevede 30 giorni per il reso, alle condizioni descritte nel documento Condizioni di vendita, sezione 4 ». Stessa domanda, due mondi: il primo è un rischio, il secondo è uno strumento di cui ti fidi. Lo stesso schema vale per il supporto clienti che risponde dalla documentazione di prodotto, o per un agente che prepara risposte basate sui tuoi materiali.

Quando RAG ha senso

• Hai molti documenti — manuali, FAQ, contratti, procedure — e vorresti poterli « interrogare » in linguaggio naturale.
• Le risposte devono basarsi su informazioni specifiche e aggiornate, non sulla cultura generale del modello.
• Ti serve poter verificare la fonte di ogni risposta, per fiducia o per obblighi.
• Vuoi ridurre drasticamente le invenzioni su temi dove un errore costa.

Dove fare attenzione

• Non elimina del tutto le allucinazioni: le riduce. Resta sempre opportuno un controllo umano dove le risposte hanno un impatto serio.
• Vale la regola « spazzatura dentro, spazzatura fuori ». Se i documenti sono disordinati, vecchi o si contraddicono, le risposte saranno confuse o sbagliate. La qualità della base documentale è tutto.
• Documenti contraddittori. Se due file dicono cose diverse, il sistema non sa quale ha ragione. Prima fai ordine.
• Dati sensibili. Se la base contiene informazioni riservate, conta dove gira il sistema e chi può interrogarlo. Vanno decisi accessi e confini.

Errori comuni

• Dare in pasto tutto, in disordine. Mille documenti vecchi e duplicati peggiorano le risposte. Meglio pochi, puliti e aggiornati.
• Aspettarsi zero errori. RAG è un grande miglioramento, non una garanzia assoluta.
• Nascondere le fonti. Mostrare da dove arriva la risposta è metà del valore: non rinunciarci.
• Non aggiornare la base. Una procedura cambiata e non aggiornata nei documenti produce risposte giuste… ma vecchie.
• Usarlo al posto di una persona dove serve davvero giudizio. RAG informa, non decide.

Da cosa dipende la qualità delle risposte

Quando un sistema RAG risponde male, l’istinto è dare la colpa al « modello ». Quasi sempre il problema sta altrove. Ci sono quattro punti deboli, in ordine di importanza pratica:

• La qualità dei documenti. È il fattore numero uno. Documenti aggiornati, chiari e non contraddittori danno risposte affidabili; un archivio caotico dà risposte caotiche. Vale la pena investire qui prima che altrove.
• Come vengono spezzati. Se un documento viene diviso male — tagliando una frase a metà o separando una domanda dalla sua risposta — il sistema recupera pezzi monchi. È un dettaglio tecnico che incide più di quanto sembri.
• La capacità di trovare i pezzi giusti. Questo passaggio, il « recupero », è spesso l’anello debole vero. Se il sistema porta al modello i paragrafi sbagliati, anche il miglior modello del mondo risponderà sulla base di informazioni non pertinenti.
• Il modello che genera la risposta. Conta, ma di solito meno degli altri tre. Un modello potente su una base di documenti pessima resta inaffidabile.

La morale è controintuitiva ma liberatoria: per migliorare un sistema RAG, nove volte su dieci, non serve « l’AI più potente ». Serve mettere ordine nei documenti e curare il modo in cui vengono cercati. È lavoro meno appariscente, ma è quello che fa davvero la differenza tra un assistente di cui ti fidi e uno che metti da parte dopo una settimana.

Il primo passo, concreto

Non partire da « diamo tutta l’azienda all’AI ». Scegli un solo insieme di documenti ben fatto — per esempio le FAQ aggiornate o un manuale curato — e un caso d’uso chiaro, come il supporto interno al team. Metti in piedi un piccolo assistente che risponde solo su quei documenti, mostrando le fonti, e fallo provare a qualche collega per due settimane. Se le risposte sono affidabili e verificabili, allarghi la base. Pulizia dei documenti prima, ampiezza dopo: è sempre l’ordine giusto.

RAG e agenti: come lavorano insieme

Vale la pena chiarire un punto che genera confusione. RAG dà la conoscenza, l’agente dà l’azione. Sono due cose diverse che spesso convivono nello stesso sistema. Il RAG si occupa di recuperare le informazioni giuste dai tuoi documenti; un agente AI usa quelle informazioni per fare qualcosa di concreto.

Un esempio rende tutto chiaro: un cliente scrive per un problema. L’agente, tramite RAG, cerca nella documentazione la procedura corretta; poi, collegato ai tuoi strumenti, apre un ticket e prepara una bozza di risposta basata su quella procedura, citando la fonte. Il RAG ha evitato che inventasse; l’agente ha trasformato la conoscenza in un’azione utile. Per collegare l’agente ai tuoi strumenti, oggi, si usano standard come MCP. Tenere a mente questa divisione dei ruoli ti aiuta a capire cosa stai costruendo: la parte che sa e la parte che fa.

Tirando le fila

RAG è il modo più concreto per trasformare un’AI « che parla bene ma inventa » in un assistente che risponde sui tuoi documenti, in modo verificabile. Non è magia e non azzera gli errori, ma sposta l’AI dal terreno del « forse » a quello del « risulta dal documento X ». E quando l’AI cita le fonti, smetti di doverti fidare a scatola chiusa.

Domande frequenti

Hai un insieme di documenti che vorresti poter « interrogare »? Raccontami quali sono (manuali, FAQ, procedure) e a chi servirebbero le risposte: ti dico se un sistema RAG ha senso nel tuo caso e da quale base di documenti conviene partire. Scrivici il tuo caso.