Risposta rapida: che cos’è una fonte unica per un assistente AI?
Una fonte unica è la versione autorevole di un contenuto aziendale: la procedura, policy o regola che deve prevalere quando esistono copie o interpretazioni diverse. Ha un proprietario, una data di revisione e regole di accesso. Non obbliga l’azienda a un solo archivio: rende esplicito, anche tra sistemi diversi, quale oggetto informativo decide la risposta.
Perché il modello non può correggere il caos documentale
Un assistente AI può sintetizzare velocemente ciò che recupera. Se trova tre procedure quasi identiche, però, non conosce automaticamente quale sia ancora valida. Può preferire il documento più simile alla domanda, il più recente nell’indice o quello scritto meglio, anche quando il processo aziendale considera autorevole un’altra versione.
Il problema diventa più evidente con il Retrieval-Augmented Generation (RAG). L’architettura collega il modello a documenti esterni e può mostrare citazioni, ma il recupero non trasforma una fonte debole in una fonte vera. Duplicati, metadati mancanti, accessi incoerenti e contenuti senza owner si trasferiscono nel sistema di risposta.
Per questo la domanda corretta non è soltanto “quale modello risponde meglio?”. È anche: “quale documento dovrebbe rispondere, chi ne garantisce l’accuratezza e come sappiamo che è ancora valido?”. La qualità dell’AI aziendale è in parte una proprietà del modello e in parte una proprietà del sistema organizzativo che prepara la conoscenza.
Il framework Niuexa: Fonte, Proprietario, Scadenza, Permessi
1. Fonte: quale oggetto è autorevole?
Ogni contenuto critico deve avere un identificativo e un sistema autorevole. Una copia in PDF inviata via email può essere utile per lettura, ma non dovrebbe competere con la procedura approvata nel repository ufficiale. Occorre definire ambito, versione, lingua, unità organizzativa e relazione con eventuali documenti sostituiti.
2. Proprietario: chi risponde dell’accuratezza?
L’owner non è necessariamente chi amministra SharePoint, Drive o il motore RAG. È il ruolo con competenza e autorità per approvare, correggere o ritirare il contenuto. Per una policy commerciale può essere Sales Operations; per una procedura sicurezza, il responsabile competente. Senza owner, il feedback dell’utente non ha una destinazione operativa.
3. Scadenza: quando la fonte deve essere rivista?
“Ultima modifica” non equivale a “ultima approvazione”. Un documento può essere stato toccato ieri per correggere un refuso e restare sostanzialmente obsoleto. Servono data di approvazione, prossima revisione, stato e, quando utile, evento di rinnovo: modifica normativa, cambio listino, nuovo sistema o variazione del processo.
4. Permessi: chi può consultare quale contenuto?
L’assistente deve rispettare lo stesso perimetro informativo dell’utente. Se l’indice include contenuti riservati ma il filtro autorizzativo non viene applicato al recupero, una risposta può rivelare informazioni non dovute. Se invece i permessi escludono la fonte decisiva, il sistema può produrre una risposta incompleta senza spiegare la lacuna. Accesso e tracciabilità sono parte della qualità, non un controllo successivo.
I metadati minimi per rendere una fonte utilizzabile
Non serve iniziare con un catalogo complesso. Per i contenuti che influenzano decisioni, clienti, sicurezza o conformità, un set minimo può includere:
- ID e titolo univoco: per distinguere l’oggetto dalle copie.
- Ambito: processo, paese, prodotto, pubblico e casi esclusi.
- Owner e approvatore: ruolo responsabile e percorso di escalation.
- Stato: bozza, approvato, in revisione, scaduto o ritirato.
- Date: approvazione, prossima revisione e sostituzione.
- Riservatezza: pubblico, interno, ristretto o regolato.
- Sistema autorevole: URL o riferimento al record da consultare.
- Relazioni: sostituisce, dipende da, integra o contraddice.
Questi dati consentono di filtrare prima del recupero, mostrare una citazione utile e instradare le correzioni. Permettono anche di rifiutare una risposta quando la fonte è scaduta o quando due documenti autorevoli risultano in conflitto.
Come gestire duplicati e conflitti senza bloccare il progetto
La bonifica totale dell’archivio prima di ogni pilot è spesso irrealistica. È più efficace partire dal perimetro del caso d’uso: per esempio procedure di reso, specifiche prodotto o playbook di qualificazione commerciale. Si costruisce un inventario ristretto e si classificano i documenti in quattro gruppi.
- Autorevole: può alimentare le risposte.
- Di supporto: aggiunge contesto ma non decide in caso di conflitto.
- Da revisionare: resta escluso finché l’owner non conferma.
- Ritirato: viene conservato per storico, ma non recuperato dall’assistente.
Quando due fonti approvate confliggono, il sistema non dovrebbe scegliere in silenzio. La risposta corretta può essere una escalation: mostrare il conflitto, indicare le versioni e inviare il caso all’owner. La capacità di non rispondere è un requisito di affidabilità.
Dalla fonte all’indice: le scelte tecniche del RAG
Il Retrieval-Augmented Generation lavora in tre passaggi: recupero dei frammenti di documento pertinenti alla domanda, arricchimento del prompt con quei frammenti, generazione della risposta a partire da essi. Ogni passaggio contiene scelte tecniche che decidono se le fonti governate arrivano davvero al modello.
RAG o fine-tuning?
| Aspetto | RAG | Fine-tuning |
|---|---|---|
| Cosa cambia | Il contesto che il modello riceve a ogni domanda | I pesi del modello |
| Aggiornare un contenuto | Si aggiorna o si ritira la fonte e si sincronizza l’indice | Cambiare ciò che è appreso nei pesi richiede un nuovo addestramento; il contesto esterno può aggiornarsi separatamente |
| Citazioni | Il sistema può collegare la risposta alla fonte e alla versione recuperate | Da solo non fornisce la provenienza documentale di ogni risposta; può essere combinato con recupero e citazioni |
| Permessi | Vanno applicati e verificati al recupero, documento per documento | Non applica automaticamente i permessi dei documenti; accesso al modello, dati di training e controlli applicativi vanno governati |
| Quando ha senso | Conoscenza aziendale che cambia: procedure, listini, policy | Stile, formato o compiti ripetitivi molto specifici |
Per documenti aziendali che cambiano, il RAG è una scelta da valutare perché aggiorna il contesto senza riaddestrare il modello. Il fine-tuning modifica comportamento o prestazioni su compiti specifici; può affiancare il recupero. La scelta va verificata sulle domande e sui vincoli del caso d’uso.
Le leve che contano
- Suddivisione dei documenti (chunking): frammenti troppo piccoli perdono il contesto, troppo grandi diluiscono la risposta. Conviene seguire la struttura del documento (titoli, articoli, paragrafi) e conservare in ogni frammento i metadati della fonte: ID, versione, stato.
- Ricerca ibrida: la ricerca semantica trova concetti simili, quella per parole chiave trova codici articolo, numeri di norma e sigle. Combinare i due segnali può migliorare la pertinenza: confronta ricerca testuale, vettoriale e ibrida sulle stesse domande con fonti attese, misurando qualità, costo e latenza.
- Riordino dei risultati (re-ranking): un secondo passaggio riordina i frammenti per pertinenza prima di passarli al modello.
- Filtri prima del recupero: stato, scadenza e riservatezza escludono a monte i documenti ritirati, scaduti o non accessibili all’utente, invece di affidarsi al modello perché li ignori.
- Registro delle interrogazioni: domanda, fonti recuperate, versioni e risposta restano tracciate, così ogni segnalazione si può ricostruire.
La scelta del database vettoriale (pgvector, Qdrant, Weaviate, Milvus, Pinecone, Chroma) conta meno di queste leve: dipende da volumi, infrastruttura esistente e requisiti di residenza dei dati.
Un piano operativo in 30 giorni
Settimana 1: scegliere il dominio
Definisci utenti, domande frequenti, decisioni supportate e danno potenziale di una risposta errata. Seleziona un dominio abbastanza stretto da essere governabile e abbastanza frequente da generare apprendimento.
Settimana 2: inventariare e assegnare
Raccogli le fonti candidate, rileva i duplicati e assegna owner e stato. Escludi ciò che non ha provenienza chiara. Definisci i permessi usando ruoli esistenti, evitando eccezioni manuali non tracciate.
Settimana 3: indicizzare e testare
Configura il recupero usando soltanto fonti ammesse. Prepara domande normali, casi limite, richieste fuori perimetro e conflitti intenzionali. Verifica non solo la risposta, ma anche citazione, versione, accesso e comportamento quando manca una fonte valida.
Settimana 4: chiudere il ciclo di feedback
Ogni segnalazione deve diventare un ticket collegato a risposta, fonte e owner. Definisci tempo di correzione, reindicizzazione e retest. Il pilot è pronto a crescere quando l’organizzazione sa correggere il sistema, non quando la prima demo appare convincente.
KPI per misurare conoscenza e risposte
- Copertura governata: quota delle fonti critiche con owner, stato e revisione validi.
- Conflitti aperti: numero e anzianità delle contraddizioni tra fonti autorevoli.
- Risposte citabili: quota delle risposte per cui l’utente può aprire la fonte corretta.
- Ricerche senza esito: domande per cui non esiste una fonte ammessa sufficiente.
- Errori di accesso: fonti dovute ma non recuperabili, oppure contenuti non dovuti esposti.
- Tempo di correzione: intervallo tra segnalazione, aggiornamento della fonte e retest.
Un punteggio di gradimento da solo non basta. Una risposta può sembrare chiara e restare sbagliata. I KPI devono collegare esperienza utente, provenienza del contenuto e capacità dell’organizzazione di correggere l’errore.
Metriche tecniche da affiancare
| Fase | Metrica | Cosa dice |
|---|---|---|
| Recupero | Precision@k | Quanti dei primi k frammenti recuperati sono pertinenti |
| Recupero | Recall@k | Quanta parte dei frammenti pertinenti compare tra i primi k |
| Recupero | MRR (Mean Reciprocal Rank) | Quanto in alto compare il primo frammento corretto |
| Risposta | Fedeltà (faithfulness) | Se ogni affermazione è sostenuta dalle fonti recuperate |
| Risposta | Pertinenza | Se la risposta risponde alla domanda posta |
| Contesto | Precisione e completezza del contesto | Se il contesto passato al modello contiene ciò che serve, senza rumore |
Si misurano su un insieme di domande reali per cui l’owner ha indicato la fonte corretta: prima di allargare il perimetro e a ogni cambio di modello, di indice o di regole di suddivisione. I valori di riferimento si fissano sulla prima misura, non sulle schede dei fornitori.
Fonti e perimetro
Questa guida sviluppa il post LinkedIn pubblicato da Gregor Maric il 27 luglio 2026 sul problema delle fonti discordanti negli assistenti AI aziendali.
Il framework Fonte, Proprietario, Scadenza e Permessi è una guida operativa Niuexa. È coerente con il NIST AI Risk Management Framework, che tratta governance, documentazione, responsabilità e gestione continua del rischio, e con il NIST Generative AI Profile, che include tra i rischi la confabulazione e l’integrità delle informazioni.
Per le scelte tecniche si vedano la guida Microsoft a RAG, fine-tuning e controlli di accesso e la documentazione sulla ricerca ibrida.
La configurazione concreta deve essere adattata a settore, dati, sistemi, obblighi normativi e impatto delle decisioni. Questa guida non sostituisce valutazioni legali, privacy o cybersecurity.
FAQ sulla fonte unica per assistenti AI
Che cosa significa fonte unica?
Che per ogni contenuto critico esiste una versione autorevole, identificabile e governata. Le fonti possono restare in sistemi diversi.
Il RAG elimina automaticamente duplicati e documenti obsoleti?
No. Recupera ciò che trova nell’indice. Metadati, filtri, stati e ownership servono a escludere contenuti non validi.
Quali metadati sono indispensabili?
ID, ambito, owner, approvazione, revisione, stato, riservatezza e riferimento al sistema autorevole.
Chi deve possedere la fonte?
Il ruolo competente sul contenuto e autorizzato ad approvarlo o ritirarlo; non necessariamente l’amministratore tecnico.
Come misuro il miglioramento?
Copertura delle fonti governate, citazioni verificabili, conflitti aperti, ricerche senza esito, errori di accesso e tempo di correzione.
RAG o fine-tuning per un assistente sui documenti aziendali?
Per fonti che cambiano, il RAG permette di aggiornare il contesto senza riaddestrare il modello e di collegare le risposte ai documenti recuperati. Citazioni e permessi vanno implementati e verificati. Il fine-tuning modifica comportamento o prestazioni su compiti specifici e può affiancare il recupero; la scelta richiede una valutazione sul caso d’uso.
Quale database vettoriale scegliere?
Dipende da volumi, infrastruttura esistente e residenza dei dati: pgvector se l’azienda usa già PostgreSQL, Qdrant, Weaviate o Milvus per un’installazione propria, Pinecone come servizio gestito. Conta meno della qualità delle fonti, dei filtri sui metadati e della ricerca ibrida.