Chiamata · 30 min
Sistemi AIMattia Esposito8 novembre 20267 minuti di lettura

RAG o fine-tuning. Dare al modello i documenti giusti, o cambiargli le abitudini.

RAG e fine-tuning sono due modi di adattare un modello linguistico al lavoro di un’azienda. Il primo gli fa leggere i documenti giusti nel momento della domanda, il secondo lo riaddestra su esempi. Per quasi tutte le PMI la domanda vera è se serve il secondo.

In breve

Il RAG cambia quello che il modello ha davanti quando risponde; il fine-tuning cambia il modo in cui risponde. Con il primo i dati aziendali restano nei vostri documenti, con il secondo entrano nel modello.

Il termine viene da un articolo di Patrick Lewis e altri, presentato a NeurIPS nel 2020: modelli che uniscono la memoria chiusa nei parametri a una memoria esterna da consultare, per poter citare la fonte e aggiornare quello che sanno.

Si comincia quasi sempre dalle istruzioni e dal RAG. OpenAI scrive che il lavoro sui prompt può bastare da solo; il fine-tuning serve quando formato o stile devono restare sempre uguali e gli esempi buoni sono tanti.

Chi lo scrive: Mattia Esposito, consulente AI e marketing, fondatore di Itria AI. Pugliese, a Torino dal 2023, lavora da remoto in Italia e all’estero. Profilo LinkedIn.

Le voci RAG e fine-tuning sono definite nel glossario. Qui interessa la scelta: cosa cambia fra i due, quando serve l’uno o l’altro, e cosa comporta per i dati.

La differenza, riga per riga

Le due tecniche risolvono problemi diversi, e per questo si confondono: entrambe promettono un modello che conosce la vostra azienda. La tabella mette accanto le otto domande che un titolare fa davvero.

DomandaRAGFine-tuning
Cosa cambia

Quello che il modello legge prima di rispondere.

Il modello stesso, riaddestrato su esempi.

Dove stanno i vostri dati

Nei documenti, che il sistema consulta.

Nei parametri del modello, dopo l’addestramento.

Cambia il listino

Si sostituisce il documento.

Si riaddestra, o il modello resta indietro.

Citare la fonte

Sì: la risposta può dire da quale documento viene.

No: il modello non sa da quale esempio ha imparato.

Cosa serve per partire

Documenti ordinati e aggiornati.

Centinaia di esempi buoni di domanda e risposta.

Quando serve

Quando il modello non conosce i vostri dati.

Quando il modello non risponde nel formato o nello stile voluti, nonostante le istruzioni.

Errore tipico

Fonti vecchie, lette con sicurezza.

Un modello che ripete gli errori degli esempi.

Dati personali

Si tolgono togliendo il documento.

Entrano nel modello, e va valutato se se ne possono estrarre.

Cos’è il RAG

RAG sta per retrieval-augmented generation, generazione aumentata dal recupero: prima di scrivere, il sistema cerca nei documenti autorizzati e usa quelli. L’articolo del 2020 che ha dato il nome alla tecnica partiva da un limite dei modelli: dare la provenienza delle proprie risposte e aggiornare quello che sanno «remain open research problems», restano problemi aperti.

In un’azienda i documenti sono il listino, le schede tecniche, le procedure, le condizioni di vendita. Il sistema trova il passaggio giusto e risponde da lì, e chi rilegge può controllare la fonte. È la prima delle quattro capacità di un agente AI: recuperare da fonti autorizzate.

Cos’è il fine-tuning

Il fine-tuning riprende un modello già addestrato e lo addestra ancora su esempi vostri, finché risponde come quegli esempi. Serve a fissare un comportamento: un formato sempre uguale, un tono, una classificazione ripetuta migliaia di volte.

La documentazione di OpenAI sull’ottimizzazione dei modelli mette il fine-tuning in fondo a un ciclo che parte dalle valutazioni e dalle istruzioni, e sul lavoro sulle istruzioni scrive: «The prompt engineering process may be all you need». Il fine-tuning arriva dopo, quando le istruzioni non bastano e ci sono gli esempi per addestrare.

Quale serve a una PMI

Se il problema è che il modello non conosce i vostri dati, serve il RAG; se è che non risponde nella forma voluta nonostante le istruzioni, può servire il fine-tuning. Nella maggior parte dei casi di una piccola impresa il problema è il primo, e si risolve con istruzioni chiare e documenti in ordine.

Il fine-tuning ha senso su compiti stretti e ripetuti, con centinaia di esempi già corretti a mano: classificare le richieste in arrivo secondo le vostre categorie, scrivere una descrizione di prodotto sempre nello stesso schema. Anche lì, conviene provare prima con istruzioni ed esempi nel prompt, perché costa meno e si cambia in un minuto.

Un esempio: le domande dei clienti su prezzi e formati

Un distributore chiede il prezzo di un formato e il minimo d’ordine: è il caso tipico del RAG. Il sistema cerca nel listino in vigore e nella scheda del prodotto, prepara la risposta con quei numeri e indica da quale documento li ha presi; una persona la rilegge prima che parta. Quando il listino cambia, si sostituisce il file e la risposta del giorno dopo usa i prezzi nuovi.

Lo stesso compito con il fine-tuning chiederebbe di riaddestrare il modello a ogni listino, e il modello non saprebbe dire da dove prende un prezzo. Il fine-tuning tornerebbe utile su un altro pezzo dello stesso lavoro: classificare le richieste in arrivo nelle vostre categorie, se ce ne sono migliaia già classificate a mano.

Tre domande prima di scegliere

Tre domande bastano a capire da dove partire. Il modello sbaglia perché non conosce un dato, o perché non lo dice nel modo giusto? Quel dato cambia più di una volta l’anno? Esistono già centinaia di esempi corretti a mano?

Se il modello non conosce il dato e il dato cambia, si parte dal RAG. Il fine-tuning entra solo se le istruzioni non bastano a ottenere la forma voluta e gli esempi corretti ci sono già. Se nessuna delle tre risposte porta lì, il lavoro da fare sono istruzioni migliori e documenti più ordinati.

La scelta riguarda sempre più imprese. Secondo Istat, nel 2025 usa almeno una tecnologia di intelligenza artificiale il 16,4% delle imprese italiane con almeno 10 addetti, contro l’8,2% del 2024.

Dati personali: cosa cambia fra i due

Con il RAG i dati personali restano nei documenti, e togliere un documento li toglie dalle risposte; con il fine-tuning entrano nel modello. Il Comitato europeo per la protezione dei dati, nel parere 28/2024 del 18 dicembre 2024, scrive che se un modello addestrato con dati personali sia anonimo va valutato caso per caso dalle autorità.

Perché lo sia, aggiunge il parere, deve essere molto improbabile identificare le persone i cui dati sono serviti a crearlo ed estrarre quei dati con delle domande. Per una PMI la regola pratica è semplice: negli esempi di addestramento non si mettono dati personali, e dove servono si lavora con il RAG su documenti che si possono cancellare.

Cosa dicono le linee guida sul rischio

Il NIST, l’istituto per gli standard del governo statunitense, tratta le due tecniche come scelte da documentare. Nel profilo sull’AI generativa del luglio 2024, NIST AI 600-1, suggerisce di misurare le prestazioni di partenza di un modello prima di sceglierlo per il fine-tuning o per il RAG, e di documentare quanto della conoscenza umana entra nel sistema attraverso l’uno o l’altro.

Detto in pratica: prima si misura come risponde il modello senza niente, poi si aggiunge il minimo che serve. Chi propone il fine-tuning come primo passo dovrebbe saper dire che cosa le istruzioni e i documenti non riuscivano a fare.

Termini correlati

LLM

Il modello linguistico che RAG e fine-tuning adattano, ciascuno a modo suo.

Allucinazioni dell’AI

L’affermazione falsa detta con sicurezza. Il RAG la riduce quando le fonti sono giuste, e la peggiora quando sono vecchie.

Base di conoscenza

L’insieme dei documenti da cui un sistema RAG prende le risposte.

Embedding

La rappresentazione numerica del testo che permette al RAG di trovare il passaggio giusto.

Domande e risposte

Cos’è il RAG?

RAG sta per retrieval-augmented generation: prima di rispondere, il sistema cerca nei documenti autorizzati e risponde da quelli, e può dire da quale documento viene la risposta.

Il termine viene da un articolo di Patrick Lewis e altri presentato a NeurIPS nel 2020.

Cos’è il fine-tuning?

È l’addestramento ulteriore di un modello già addestrato, su esempi propri, perché risponda come quegli esempi.

Serve a fissare un formato, un tono o una classificazione ripetuta, e richiede centinaia di esempi buoni.

Che differenza c’è fra RAG e fine-tuning?

Il RAG cambia quello che il modello legge prima di rispondere; il fine-tuning cambia il modello stesso.

Con il RAG un listino nuovo si aggiorna sostituendo il documento; con il fine-tuning bisogna riaddestrare.

Il RAG elimina le allucinazioni?

No. Le riduce quando le fonti sono giuste e aggiornate, perché il modello risponde da un documento invece che dalla memoria.

Con fonti vecchie le risposte sbagliate arrivano con la stessa sicurezza, e per questo una persona rilegge quello che esce verso un cliente.

A una PMI serve il fine-tuning?

Quasi mai come primo passo. Si comincia con istruzioni chiare e con il RAG sui documenti dell’azienda.

Il fine-tuning ha senso su compiti stretti e ripetuti, quando ci sono centinaia di esempi già corretti e le istruzioni non bastano.

Note sulle fonti

  1. Patrick Lewis e altri, Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS 2020, prima versione del 22 maggio 2020; la citazione viene dall’abstract.
  2. OpenAI, Model optimization, documentazione per sviluppatori letta l’8 novembre 2026, da cui la citazione sul lavoro sulle istruzioni.
  3. Comitato europeo per la protezione dei dati, comunicato del 18 dicembre 2024 sul parere 28/2024 sui modelli di AI.
  4. NIST, Generative Artificial Intelligence Profile, NIST AI 600-1, luglio 2024, azioni MS-2.3-001 e MS-2.5-002.
  5. Istat, Imprese e ICT, anno 2025, sulle imprese con almeno 10 addetti.
  6. Questa pagina è una spiegazione tecnica, non un parere legale sul trattamento dei dati personali.
·Il passo successivo

Prima si guarda cosa non sa il modello. Poi si decide cosa dargli.

Il primo passo con Itria è una videochiamata di trenta minuti: si guarda quale compito volete affidare a un sistema AI, quali documenti esistono già e dove una persona deve approvare prima dell’invio. Scriveteci una riga su cosa vi pesa.