Cos'è il RAG, come costruisce una risposta e come preparare una base di conoscenza affidabile per WhatsApp, Messenger e chat sul sito.
Se gestite l'assistenza di una PMI, conoscete il problema: i clienti chiedono sempre le stesse cose su orari, spedizioni, resi e garanzie, e le risposte esistono già, ma sparse tra PDF, email e la memoria di chi risponde. Il RAG (Retrieval-Augmented Generation, in italiano generazione aumentata dal recupero) è la tecnica che permette a un assistente AI di rispondere partendo dai vostri documenti invece che dalla sua "memoria generale". In questo articolo vediamo come funziona, dove può sbagliare e come preparare contenuti che vengano recuperati bene.
Che cosa significa RAG, in parole semplici
Immaginate un nuovo collega molto bravo a scrivere, ma che non conosce la vostra azienda. Potete fargli studiare a memoria tutti i manuali (lungo, costoso, e a ogni modifica va rifatto), oppure potete dargli un archivio ordinato e dirgli: "Prima di rispondere, cerca lì la pagina giusta e rispondi solo in base a quella".
Il RAG è la seconda strada. Ha due momenti distinti:
- Recupero (retrieval): il sistema cerca nella vostra base di conoscenza i passaggi più pertinenti alla domanda del cliente.
- Generazione: il modello linguistico scrive la risposta usando quei passaggi come fonte, con il tono e le regole che avete definito.
Il modello non "sa" i vostri prezzi: li legge, ogni volta, nel momento in cui servono. Se aggiornate il documento, la risposta successiva cambia.
Perché i team di supporto lo preferiscono ad altri approcci
Ci sono tre modi principali per dare a un'AI la conoscenza della vostra attività.
Per l'assistenza clienti il RAG ha tre vantaggi pratici:
- Aggiornamento rapido. Cambia il listino o la politica di reso? Modificate il testo, non il modello.
- Controllabilità. Se una risposta è sbagliata, quasi sempre il problema è un contenuto mancante, ambiguo o contraddittorio, e quello potete correggerlo.
- Perimetro chiaro. Potete chiedere all'assistente di rispondere solo con ciò che trova e di passare la conversazione a una persona negli altri casi.
Anche dal punto di vista della protezione dei dati, tenere la conoscenza in documenti che gestite voi è più semplice da governare, in ottica GDPR, rispetto a trasferire dati dei clienti dentro un processo di addestramento. Resta valida la regola di base: nella base di conoscenza vanno informazioni sull'azienda, non dati personali dei clienti.
Come nasce una risposta RAG, passo dopo passo
Prendiamo un esempio: un cliente scrive su WhatsApp alle 21:40 "Posso restituire una giacca comprata in negozio se ho perso lo scontrino?".
- 01Domanda del cliente
- 02Ricerca nei documenti
- 03Selezione dei passaggi migliori
- 04Risposta scritta dal modello
1. La domanda viene interpretata
Il sistema non cerca parola per parola, ma per significato. "Restituire" e "reso", "scontrino" e "prova d'acquisto" vengono considerati vicini.
2. Si recuperano i passaggi pertinenti
Dalla base di conoscenza vengono estratti pochi blocchi di testo: per esempio il paragrafo sui resi in negozio e quello sulle prove d'acquisto alternative.
3. Il modello compone la risposta
Il modello riceve la domanda, i passaggi e le vostre istruzioni (tono, lingua, cosa non fare). Scrive una risposta che si appoggia a quel testo.
4. Se la fonte manca, si passa la mano
Se non emerge nulla di pertinente, la strada corretta è dirlo con onestà e proporre il contatto con una persona, non improvvisare.
Dove il RAG sbaglia e come prevenirlo
Il RAG riduce gli errori, non li elimina. I casi tipici:
- Contenuto mancante. La domanda riguarda qualcosa che non avete mai scritto. Rimedio: controllate le domande senza risposta e aggiungete le voci mancanti.
- Contenuti contraddittori. Due documenti dicono cose diverse (per esempio due versioni dei tempi di consegna). Rimedio: una sola fonte per argomento, con le versioni vecchie rimosse.
- Passaggio sbagliato recuperato. Testi troppo lunghi o vaghi vengono confusi tra loro. Rimedio: sezioni brevi, con titoli chiari.
- Domande fuori perimetro. Consigli legali, medici, o impegni commerciali non previsti. Rimedio: guardrail espliciti e passaggio a un operatore.
- Informazioni scadute. Promozioni terminate ancora presenti. Rimedio: una data di revisione e qualcuno responsabile.
Un buon metodo è leggere regolarmente le conversazioni reali, correggere le risposte imperfette e trasformarle in contenuto migliore.
Costruire una base di conoscenza che si fa recuperare bene
La qualità del recupero dipende molto più dalla scrittura che dalla tecnologia.
Scrivete come parlano i clienti
Usate le formule che i clienti usano davvero: "dove tracciare il mio pacco", "posso pagare a rate". Un titolo come "Procedura RMA-2" non verrà associato a "voglio restituire".
Una domanda, una risposta
Strutturate le voci come domande e risposte brevi, ciascuna su un solo tema. Evitate documenti monolitici da 40 pagine che mescolano garanzia, spedizioni e fatturazione.
Includete condizioni ed eccezioni
"Reso entro 14 giorni" non basta: aggiungete cosa succede per articoli personalizzati, per acquisti in negozio, per prodotti aperti.
Partite piccoli
Non serve avere tutto. Per cominciare, per esempio, bastano le 20-30 domande che ricevete più spesso, scritte bene. Poi si cresce guardando le conversazioni reali.
Cosa non inserire
Niente dati personali di clienti, niente credenziali, niente note interne che non vorreste vedere citate in chat.
Farlo con AI SNS CHAT
In AI SNS CHAT la base di conoscenza si gestisce da Data sources nella barra laterale. Potete aggiungere:
- Files e Text snippets per documenti e testi scritti a mano;
- Website, per far leggere le pagine del vostro sito;
- Q&A, ideale per le coppie domanda-risposta più frequenti;
- Notion, Tickets e Suggestions, per riutilizzare materiale già esistente.
Dalla sezione Channels si collegano anche fonti documentali come Confluence, GitBook, Zendesk Guide, Google Drive, OneDrive, Dropbox, SharePoint e altre. Per i connettori wiki il limite è di 1,5 milioni di caratteri e 400 pagine per sincronizzazione, e se il contenuto viene troncato lo segnala. Spazio di archiviazione, numero di fonti e altri limiti dipendono dal piano.
Provare prima di pubblicare
Con Playground potete porre all'agente le domande tipiche dei clienti e vedere come risponde, prima di collegarlo ai canali. Il confronto A/B tra modelli aiuta a scegliere quello più adatto. La scelta del modello si trova in Agent → Settings → AI; i modelli avanzati e il failover richiedono il piano Hobby o superiore.
Migliorare dalle conversazioni reali
Le conversazioni dei canali compaiono in Activity → Chat logs, dove potete valutare le risposte con pollice su o giù. Nella chat potete prendere in carico la conversazione (il bot si mette in pausa) e modificare una risposta trasformandola nella risposta ideale con cui addestrare l'agente. Così correggete il contenuto dove serve davvero.
Un'unica base per più canali
L'agente è collegato dalla sezione Channels a chat sul sito (widget), WhatsApp, Messenger e altri. La conoscenza è quella dell'agente, quindi non dovete mantenere elenchi separati per ogni canale. Dettagli sui canali in /connections.
Passaggio a una persona
In Helpdesk → Scheduling (piano Standard o superiore) impostate i turni; i passaggi vengono assegnati a chi è in turno e gli avvisi possono arrivare su Slack, Teams, WhatsApp, email o webhook. Al cliente il sistema comunica cosa succede dopo senza inventare tempi d'attesa.
Sicurezza e privacy
Le pratiche sono progettate con riferimento a GDPR e APPI. AI SNS CHAT non è certificato SOC 2, ISO 27001 o HIPAA. Informazioni in /security. I piani sono su /pricing.
Conclusione
Il RAG funziona bene quando la base di conoscenza è breve, aggiornata e scritta con le parole dei clienti. Partite da poche decine di risposte, provate in Playground, leggete le conversazioni reali e correggete il contenuto, non il modello. È un lavoro di redazione più che di tecnica, e per una PMI è alla portata di chi già risponde ogni giorno ai clienti.
Domande frequenti
Il RAG equivale ad addestrare un'AI sui miei dati?
No. Con il RAG il modello non viene riaddestrato: consulta i vostri documenti al momento della domanda e li usa come fonte. Per questo basta modificare un testo per cambiare le risposte successive.
Il RAG può comunque dare risposte sbagliate?
Sì. Può succedere se il contenuto manca, è contraddittorio o scaduto, o se viene recuperato il passaggio sbagliato. Si riduce il rischio con contenuti chiari, istruzioni su cosa fare quando la risposta non c'è, test in Playground e revisione delle conversazioni.
Quanto contenuto serve per iniziare?
Meno di quanto si pensi. Per cominciare possono bastare le domande più frequenti, scritte in modo chiaro, con condizioni ed eccezioni. Poi si amplia in base a ciò che i clienti chiedono davvero.
La stessa base di conoscenza vale per chat sul sito, WhatsApp e Messenger?
In AI SNS CHAT la conoscenza appartiene all'agente, che potete collegare a più canali dalla sezione Channels. Restano però differenze dei canali, per esempio le regole di WhatsApp sulla finestra di 24 ore per i messaggi in uscita.
Conviene la ricerca sul web invece di una base di conoscenza?
Per le informazioni della vostra azienda no: prezzi, politiche e procedure vanno scritti da voi. La ricerca web è un complemento limitato: in AI SNS CHAT la risposta dal web in assenza di contenuto è prevista solo su LINE WORKS, mentre l'azione Tavily può dare ricerca in tempo reale a un agente.


