Quando un'azienda vuole che l'AI "conosca" i propri documenti — contratti, procedure interne, cataloghi tecnici — la domanda che arriva quasi sempre è se convenga fare fine-tuning del modello. Nella maggior parte dei casi la risposta è no, e la ragione sta in cosa risolvono davvero queste due tecniche.
Cosa fa il RAG
Il RAG (Retrieval-Augmented Generation) recupera i passaggi rilevanti dai tuoi documenti al momento della domanda e li fornisce al modello come contesto per la risposta. Il modello non "impara" i tuoi documenti: li legge ogni volta, in tempo reale, da un indice che aggiorni semplicemente aggiungendo o modificando i file.
Cosa fa il fine-tuning
Il fine-tuning modifica i pesi del modello addestrandolo su esempi specifici, per cambiarne lo stile, il formato di risposta o un comportamento di fondo. Non è un buon meccanismo per iniettare conoscenza fattuale che cambia nel tempo: se un contratto viene aggiornato, un modello fine-tuned non lo sa finché non lo riaddestri.
Il framework che usiamo con i clienti
- I contenuti cambiano spesso (procedure, cataloghi, normative)? Il RAG è quasi sempre la scelta giusta.
- Serve un tono, un formato o un comportamento specifico e stabile nel tempo? Il fine-tuning ha senso, spesso in combinazione con il RAG.
- Serve tracciabilità — sapere da quale documento arriva una risposta? Solo il RAG lo offre in modo naturale, citando le fonti recuperate.
- Il volume di conoscenza è enorme e specialistico? Va valutato un approccio ibrido, con RAG per i fatti e un modello base scelto per il dominio.
Perché conviene partire dal RAG
Il RAG costa meno da mantenere, è più semplice da spiegare in un audit — perché puoi mostrare esattamente quale documento ha generato una risposta — e si adatta a un'infrastruttura open-weight ospitata internamente senza dover riaddestrare nulla ogni volta che un documento cambia. Per la maggior parte dei casi d'uso aziendali che incontriamo, è il punto di partenza più solido, con il fine-tuning riservato ai casi in cui serve davvero.