Passa al contenuto

1. Perché l'AI non conosce la tua azienda

Introduzione: l'assistente brillante che non ti conosce

Martina lavora nell'ufficio commerciale di un'azienda di Treviso che produce componenti in alluminio per serramenti. Dopo il primo corso ha imparato a scrivere buoni prompt e usa l'AI ogni giorno per riassumere email e preparare bozze di offerte. Un lunedì prova a chiedere all'assistente: "Qual è lo sconto massimo che possiamo concedere a un rivenditore di fascia B sul profilo serie 60?". La risposta arriva in pochi secondi, ben scritta e sicura: "In genere, per rivenditori di fascia intermedia, lo sconto si colloca tra il 15% e il 25%". Il problema è che nella sua azienda lo sconto massimo per la fascia B è il 12%, ed è scritto in una circolare interna di marzo.

L'AI non ha mentito per cattiveria. Semplicemente non sapeva nulla della circolare, del listino, dei rivenditori, delle regole interne. Ha fatto quello che fa sempre un modello linguistico quando non ha informazioni precise: ha prodotto la risposta più plausibile sulla base di ciò che ha visto durante l'addestramento, cioè testi pubblici e generici. Per un'azienda questo è il punto di partenza di tutto il corso: un modello, per quanto potente, conosce il mondo ma non conosce te.

Questo capitolo spiega perché succede e quali sono le tre strade possibili per portare i dati aziendali dentro le risposte dell'AI. Non è un tema tecnico: è una scelta organizzativa ed economica. Scegliere la strada sbagliata significa spendere mesi e budget per un risultato che si poteva ottenere in un pomeriggio.

In questo capitolo

Alla fine del capitolo sai scegliere la strada giusta per portare i dati aziendali all'AI: quando basta incollare il contesto, quando serve un sistema RAG e quando (raramente) ha senso l'affinamento di un modello.

Durata stimata: 30 minuti.

La data di aggiornamento del modello

Ogni modello linguistico viene addestrato su una grande quantità di testi raccolti fino a una certa data. Questa data si chiama in inglese knowledge cutoff, in italiano possiamo dire "data di aggiornamento delle conoscenze". Tutto ciò che è successo dopo, il modello non lo ha visto durante l'addestramento. Se un modello ha conoscenze aggiornate fino a una certa data e lo usi molti mesi dopo, non sa nulla dei fatti accaduti nel frattempo: nuove normative, nuovi prezzi delle materie prime, nuove versioni dei software che usi.

Questa è la prima ragione per cui l'AI "non sa". Alcuni assistenti oggi possono cercare sul web e quindi recuperare informazioni recenti, ma solo se la funzione è attiva e solo per informazioni pubbliche. Il punto da ricordare è che la conoscenza "di base" del modello è una fotografia scattata in un momento preciso, non un archivio che si aggiorna da solo.

Cosa significa in pratica

  • Se chiedi all'AI le aliquote o le scadenze fiscali dell'anno in corso, potrebbe risponderti con quelle di un anno precedente, senza avvisarti.
  • Se chiedi come si fa una certa operazione in Odoo, potrebbe descrivere una versione precedente, con menu che nel frattempo sono cambiati.
  • Se chiedi informazioni su un fornitore o un cliente, il modello al massimo conosce ciò che era pubblico sul web prima della data di aggiornamento, e spesso nemmeno quello.

La data di aggiornamento è un limite noto e dichiarato dai fornitori. Quando usi un assistente per lavoro, è buona abitudine sapere più o meno fino a quando arrivano le sue conoscenze, così da capire quando una risposta potrebbe essere superata.

Concetto chiave. Il modello non "sa di non sapere". Se non ha l'informazione, non si ferma: genera la risposta più probabile. Per questo una risposta sicura e ben scritta non è, di per sé, una risposta corretta.

Dati pubblici e dati privati

La seconda ragione, ancora più importante per un'azienda, è la differenza tra dati pubblici e dati privati. I modelli vengono addestrati su testi disponibili pubblicamente: siti web, libri, documentazione tecnica, enciclopedie. I dati della tua azienda non sono lì, e non devono esserci.

Tipo di datoEsempiIl modello lo conosce?
Conoscenza generaleCos'è una nota di credito, come funziona l'IVA, cos'è un IncotermSì, in genere bene
Informazioni pubbliche sulla tua aziendaSito web, catalogo pubblicato, comunicati stampaForse, in modo parziale e spesso datato
Dati interni non riservatiProcedure, manuali operativi, FAQ dell'assistenzaNo
Dati riservatiListini netti, margini, contratti, condizioni per singolo clienteNo
Dati personaliAnagrafiche dipendenti, buste paga, dati sanitari, CVNo, e servono cautele particolari
Dati operativi in tempo realeGiacenze di magazzino, stato ordini, scadenze fatture in OdooNo, e cambiano ogni giorno

Quasi tutto quello che rende utile l'AI in un'azienda sta nelle righe in basso della tabella. L'assistenza clienti vuole risposte basate sui manuali dei prodotti dell'azienda. L'amministrazione vuole sapere quali fatture sono scadute. Le risorse umane vogliono rispondere ai dubbi dei dipendenti sul regolamento interno. Nessuna di queste informazioni è nel modello.

C'è anche un aspetto di riservatezza. Quando porti dati aziendali all'AI, li stai consegnando a un servizio esterno, salvo rare eccezioni. Per questo, in tutto il corso, ogni volta che parleremo di una tecnica ci chiederemo anche dove finiscono i dati. Il capitolo 11 è interamente dedicato alla privacy, ma fin da ora conviene distinguere tra dati che puoi condividere con qualunque strumento, dati che puoi condividere solo con strumenti aziendali approvati e dati che non devono uscire.

Le tre strade: contesto, RAG, affinamento

Se il modello non conosce i tuoi dati, devi portarglieli. Esistono tre strade principali, molto diverse per costo, complessità e risultato.

Strada 1: mettere i dati nel contesto

È quello che hai già imparato a fare nel corso precedente con il context engineering. Insieme alla domanda, fornisci all'AI le informazioni necessarie: incolli il testo della circolare sugli sconti, alleghi il PDF del listino, carichi il manuale del prodotto. Il modello legge il materiale e risponde basandosi su quello.

Esempio di prompt:

Ti allego la circolare interna "Politica sconti rivenditori - marzo".
Rispondi solo sulla base di questo documento.
Domanda: qual è lo sconto massimo per un rivenditore di fascia B
sul profilo serie 60? Se il documento non lo dice, scrivi "non indicato".

Vantaggi: immediata, costo quasi nullo, nessuna competenza tecnica. Limiti: funziona finché i documenti sono pochi e stanno nella finestra di contesto del modello; devi sapere tu quale documento allegare; ogni persona lo fa a modo suo.

Strada 2: RAG, la ricerca automatica nei documenti

RAG sta per Retrieval-Augmented Generation, generazione aumentata dal recupero. L'idea è semplice: invece di scegliere tu quale documento allegare, un sistema cerca automaticamente nell'archivio aziendale i passaggi più pertinenti alla domanda e li mette nel contesto del modello. Il modello risponde basandosi su quei passaggi, idealmente citando la fonte.

È la tecnica alla base di quasi tutte le "knowledge base con AI" e degli assistenti che "rispondono sui documenti aziendali". La vedremo in dettaglio nei capitoli 3 e 4, e nel capitolo 5 la useremo tramite strumenti pronti, senza scrivere codice.

Vantaggi: scala su centinaia o migliaia di documenti, si aggiorna quando aggiorni i documenti, permette di citare le fonti. Limiti: la qualità dipende da quanto sono ordinati i documenti e da quanto bene funziona la ricerca; serve uno strumento dedicato o un piccolo progetto.

Strada 3: l'affinamento del modello

L'affinamento (in inglese fine-tuning) consiste nel riaddestrare parzialmente un modello su esempi forniti dall'azienda, così che il modello cambi il suo comportamento. È la strada a cui molti pensano per prima ("addestriamo l'AI sui nostri dati"), ma raramente è quella giusta per un'azienda.

Il motivo è che l'affinamento insegna bene uno stile o un formato (per esempio rispondere sempre con una certa struttura, usare un certo tono, classificare testi secondo categorie interne), ma insegna male i fatti. Un modello affinato sul tuo listino non diventa affidabile sui prezzi: li "ricorda" in modo approssimativo, non sa citare da dove li ha presi e, quando il listino cambia, devi rifare l'affinamento.

ContestoRAGAffinamento
Cosa faFornisci tu i documenti nella conversazioneIl sistema cerca i documenti giusti e li fornisceModifica il modello con esempi
Ideale perPochi documenti, uso occasionaleMolti documenti, domande frequentiStile, formato, compiti ripetitivi molto specifici
Aggiornamento datiImmediatoBasta aggiornare l'archivioVa rifatto l'addestramento
Cita le fontiSì, se lo chiediSì, per costruzioneNo
Competenze richiesteNessunaBasse con strumenti pronti, medie se su misuraAlte
TempiMinutiOre o settimaneSettimane o mesi

Regola pratica. Per far conoscere all'AI dei fatti (prezzi, procedure, clausole, caratteristiche di prodotto) usa contesto o RAG. Considera l'affinamento solo per insegnare un comportamento che non riesci a ottenere con un buon prompt e qualche esempio.

Costi e complessità

Nessuna delle tre strade è gratuita, ma i costi sono di natura diversa. Vale la pena ragionare non solo sul prezzo dello strumento, ma sul costo totale: tempo delle persone, manutenzione, rischi.

Contesto

Il costo diretto è l'abbonamento all'assistente AI che già usi. Il costo nascosto è il tempo: se dieci persone dell'assistenza passano cinque minuti al giorno a cercare il PDF giusto da allegare, sono quasi dieci ore a settimana. Inoltre c'è un rischio di qualità: qualcuno allegherà la versione vecchia del documento.

RAG

Con strumenti pronti (Claude Projects, NotebookLM, Copilot con SharePoint, GPT personalizzati, che vedremo nel capitolo 5) il costo è quello della licenza più qualche ora per preparare i documenti. Con un progetto su misura, per esempio integrato nel gestionale, si aggiungono sviluppo, infrastruttura e manutenzione. Il costo più sottovalutato è la cura dell'archivio: un RAG su documenti disordinati dà risposte disordinate. Per questo il capitolo 2 è dedicato a preparare i documenti.

Affinamento

Serve raccogliere centinaia o migliaia di esempi di qualità, avere competenze tecniche, pagare l'addestramento e poi l'uso del modello affinato, rifare tutto quando cambiano i requisiti o esce un modello di base migliore. Per una PMI, raramente il gioco vale la candela.

Una scala di scelta

  1. Parti sempre dal contesto: prova a incollare i documenti e vedi se le risposte sono buone. Ti serve anche per capire cosa vuoi davvero.
  2. Se lo stesso tipo di domanda si ripete spesso, o i documenti sono troppi da allegare a mano, passa a un RAG con uno strumento pronto.
  3. Se il RAG pronto non basta (integrazione con il gestionale, permessi complessi, volumi elevati), valuta un progetto su misura.
  4. Considera l'affinamento solo se hai un compito molto specifico, ripetuto migliaia di volte, dove il prompt non basta.

Consiglio pratico. Prima di comprare qualunque soluzione, fai una prova di una settimana con il metodo più semplice. Annota le domande vere che le persone fanno e quali documenti servono per rispondere. Quella lista vale più di qualunque demo commerciale.

E i dati del gestionale?

Una nota a parte meritano i dati che stanno nel gestionale, per esempio in Odoo: ordini, giacenze, fatture, anagrafiche. Questi non sono documenti da cercare, sono dati strutturati che cambiano di continuo. Per portarli all'AI si usano altre tecniche: esportare una tabella e analizzarla (capitolo 6), oppure collegare l'AI al gestionale tramite automazioni (capitoli 7-10) o connettori. Anche questa è una forma di "contesto": i dati vengono letti al momento della domanda, non imparati dal modello.

Errori comuni

  • Fidarsi della sicurezza del tono. Una risposta scritta bene sembra corretta. Rimedio: chiedi sempre su quale fonte si basa e, per dati aziendali, fornisci tu la fonte.
  • Pensare che serva "addestrare l'AI" sui propri dati. È quasi sempre la strada più costosa e meno adatta per i fatti. Rimedio: parti da contesto o RAG.
  • Dimenticare la data di aggiornamento. Chiedere normative, prezzi o versioni software recenti senza fornire fonti. Rimedio: per tutto ciò che cambia nel tempo, allega o fai cercare fonti aggiornate.
  • Caricare tutto senza criterio. Riversare l'intero server documentale in uno strumento. Rimedio: seleziona e pulisci i documenti (capitolo 2).
  • Ignorare dove vanno i dati. Incollare contratti o dati personali in un assistente non approvato dall'azienda. Rimedio: verifica con chi gestisce IT e privacy quali strumenti sono autorizzati e per quali dati.
  • Scegliere lo strumento prima del problema. Comprare una piattaforma e poi cercare un uso. Rimedio: parti da una lista di domande reali e misura quanto tempo fanno perdere oggi.

Esercizio pratico: quale strada scegliere?

L'esercizio di questo capitolo è il quiz finale, ma prima ti proponiamo un riscaldamento su sei casi. Per ognuno decidi quale strada è la più adatta (contesto, RAG con strumento pronto, RAG su misura, affinamento) e scrivi una riga di motivazione.

  1. Ufficio acquisti. Una volta al mese la buyer deve confrontare due offerte di fornitori (due PDF da 6 pagine) e preparare una tabella di confronto.
  2. Assistenza tecnica. Otto tecnici rispondono ogni giorno a domande su 40 modelli di macchine. I manuali sono 120 PDF, aggiornati due volte l'anno.
  3. Risorse umane. I 150 dipendenti chiedono spesso informazioni su ferie, permessi, welfare. Le regole sono in un regolamento di 30 pagine e in 5 circolari.
  4. Commerciale. Gli agenti vogliono chiedere in linguaggio naturale "quanto ha ordinato il cliente X quest'anno rispetto all'anno scorso", con i dati presi in tempo reale da Odoo, e gli agenti devono vedere solo i propri clienti.
  5. Marketing. L'azienda vuole che tutte le descrizioni prodotto per l'e-commerce seguano esattamente lo stesso schema e tono. Ne scrive 3.000 l'anno e ha già 2.000 esempi approvati.
  6. Amministrazione. Il responsabile deve capire una nuova norma fiscale uscita la settimana scorsa e applicarla a un caso.

Soluzioni proposte

  1. Contesto: due documenti, uso mensile. Allegarli è la cosa più rapida.
  2. RAG con strumento pronto: molti documenti, domande frequenti, più persone. Serve citare il manuale e la pagina.
  3. RAG con strumento pronto: pochi documenti ma molte persone e domande ripetute. Una knowledge base condivisa evita che ognuno usi la versione sbagliata.
  4. RAG o integrazione su misura: dati strutturati, in tempo reale, con permessi per utente. Uno strumento pronto difficilmente rispetta i permessi del gestionale.
  5. Affinamento possibile, ma prima prova un prompt con 5-10 esempi: spesso basta. L'affinamento ha senso solo se il prompt non dà la coerenza richiesta.
  6. Contesto: allega il testo ufficiale della norma, perché il modello non può conoscerla (è successiva alla sua data di aggiornamento).

Come capire se hai fatto bene

  • Hai scelto il contesto quando i documenti sono pochi e l'uso è occasionale.
  • Hai scelto il RAG quando i documenti sono molti o le domande sono frequenti e condivise.
  • Hai riconosciuto che i dati in tempo reale del gestionale richiedono un'integrazione, non un caricamento di documenti.
  • Non hai scelto l'affinamento per insegnare fatti.

Riepilogo

  • Ogni modello ha una data di aggiornamento delle conoscenze: dopo quella data non sa nulla, se non gli fornisci informazioni.
  • I dati privati dell'azienda non sono nel modello e non devono esserci: vanno portati al modello quando servono.
  • Le tre strade sono contesto, RAG e affinamento, con costi e complessità crescenti.
  • Per i fatti si usano contesto o RAG; l'affinamento serve per stile e formato, raramente in una PMI.
  • Il costo vero di un RAG è la cura dei documenti, non la licenza.
  • I dati del gestionale, che cambiano ogni giorno, si portano all'AI con export, connettori o automazioni.
  • Parti sempre dalla soluzione più semplice e da una lista di domande reali.

Ora fai il quiz di fine capitolo per passare al successivo.

Alla fine del capitolo sai: scegliere la strada giusta per portare i dati aziendali all'AI.

Valutazione
0 0

Ancora nessun commento.

per essere il primo a scrivere un commento.

3. Otto tecnici dell'assistenza rispondono ogni giorno su 40 modelli di macchine, con 120 manuali aggiornati due volte l'anno. Quale soluzione è più adatta?
5. Gli agenti commerciali vogliono chiedere in linguaggio naturale il fatturato aggiornato dei propri clienti, presi da Odoo. Perché caricare un export in una knowledge base non è la soluzione giusta?