Caricare i PDF in un progetto di Claude e costruire un sistema RAG non sono la stessa cosa fatta in due modi diversi. Sono due cose diverse che si somigliano solo di fuori.
Prima o poi, in ogni riunione dove si parla di intelligenza artificiale e dati aziendali, qualcuno dice la frase. La dice con leggerezza, quasi con sollievo, come chi disinnesca un problema che sembrava grosso:
«Ma basta caricare i documenti dentro un progetto.»
E ha ragione. Funziona. Apri Claude o ChatGPT, crei un progetto, ci butti dentro il manuale tecnico, tre capitolati, il listino. Fai una domanda. Ti risponde bene. Ti risponde meglio di come avrebbe risposto il tuo collega più bravo dopo mezz'ora di ricerca nel gestionale.
Il problema è esattamente questo: funziona abbastanza bene da farti credere che il problema sia risolto.
Non lo è. È solo diventato invisibile.
La cartella intelligente
Un progetto — su Claude, su ChatGPT, su NotebookLM — è una cartella. Una cartella intelligentissima, con dentro un lettore prodigioso. Ma resta una cartella, e le cartelle hanno una proprietà che nessuno nomina mai: il loro contenuto è una tua previsione.
Tu scegli i file. Tu decidi, prima che la domanda esista, quale materiale è rilevante. Il modello legge tutto quello che c'è dentro — integralmente, o quasi — e da lì non si muove. Il perimetro della conoscenza coincide con il perimetro della tua immaginazione al momento in cui hai trascinato i file nella finestra.
Ne consegue una cosa che vale la pena dire per esteso: il sistema può rispondere solo a domande che tu avevi già immaginato. Se la risposta stava in una mail del 2023 che non ti è venuto in mente di caricare, quella risposta non esiste. Non è nascosta: non esiste proprio. Il modello non ha modo di sospettare la sua assenza.
Ecco perché questi strumenti sono, in un senso preciso, quasi deterministici. Dato lo stesso set di file, il modello ha davanti agli occhi esattamente lo stesso materiale, sempre. Non c'è una fase di recupero, perché non c'è niente da recuperare: c'è già tutto sul tavolo. La variabilità sta solo nella generazione. Nessuno, in quella catena, ha dovuto scegliere dove guardare.
NotebookLM porta questa logica fino in fondo, e con onestà: si rifiuta di uscire dalle fonti, cita, ti mostra il punto esatto. È un lettore straordinario. È un lettore che ha letto soltanto i libri che gli hai messo sul tavolo, e che non ha idea che esista una biblioteca.
Poi i file diventano quarantamila
Il tetto di contesto è un numero che tranquillizza. Un milione di token sembrano tanti — finché non pesi davvero un'azienda.
Non un'azienda astratta: un'azienda vera. Dodici anni di capitolati. Le schede tecniche di quattrocento articoli, in tre lingue, con le revisioni. I verbali. Le mail dei commerciali, che sono il vero archivio di ciò che l'azienda sa e non ha mai scritto da nessun'altra parte. I listini morti che però servono ancora, perché un cliente del 2017 ha diritto a quel prezzo.
Ma la questione non è la dimensione. La dimensione è un dettaglio ingegneristico, e i dettagli ingegneristici si risolvono. La questione è di categoria: per mettere quarant'anni di azienda in una cartella, dovresti prima sapere cosa serve.
E se lo sapessi, non ti servirebbe l'intelligenza artificiale.
Cosa succede davvero, dentro un RAG
Qui conviene guardare la macchina da vicino, perché è l'unico modo per capire che cosa stiamo comprando quando la compriamo.
Ogni documento viene tagliato in frammenti. Ogni frammento viene tradotto in un vettore: qualche centinaio o migliaio di numeri che non descrivono le parole, ma la forma semantica del frammento. Una posizione in uno spazio a molte dimensioni, dove la vicinanza significa somiglianza di senso.
Poi arriva la domanda. E la domanda subisce lo stesso identico trattamento: diventa un punto in quello stesso spazio.
A questo punto il sistema fa l'unica cosa che sa fare. Non cerca. Misura delle distanze. Prende i venti punti più vicini e li porta al modello.
Fermiamoci un secondo su una parola che non è stata pronunciata: sa.
Nessuno, in questa catena, sa la risposta. Il database vettoriale non sa niente — non c'è una WHERE, non c'è una chiave, non c'è un indice che punta al documento giusto. C'è una prossimità geometrica. E una prossimità geometrica non è un fatto: è un'ipotesi. Il sistema sta dicendo: questi frammenti hanno la forma di una risposta a questa domanda.
Poi il modello riceve i suoi venti indizi e ci costruisce sopra una frase. Non ha verificato nulla. Ha ricevuto del materiale plausibile e ha prodotto la continuazione più plausibile.
Due scommesse, in fila: dove guardare, e cosa dire.
La tesi scomoda
La gente compra il RAG credendo di comprare un archivio.
Sta comprando un allibratore.
E — questo è il punto, e vale la pena tenerlo fermo — è precisamente per questo che vale la pena comprarlo.
Un archivio ti restituisce quello che ci hai messo dentro. Un sistema che scommette ti restituisce accostamenti che non avevi previsto. Il capitolato del 2019, la mail di un venditore del marzo 2023 e una scheda tecnica finiscono nella stessa risposta perché sono vicini nello spazio, non perché qualcuno li aveva messi nella stessa cartella.
Nessuno li avrebbe mai messi nella stessa cartella. Nessuno sapeva che andavano insieme.
Il progetto è un atto di memoria. Il RAG è un atto di inferenza.
Il prezzo della scommessa
Le scommesse, ogni tanto, si perdono. È bene dirlo prima che lo scopra il cliente.
Un RAG recupera il frammento vicino e sbagliato. Confonde due prodotti che si chiamano quasi allo stesso modo. Pesca la revisione vecchia perché era scritta meglio, e quindi assomigliava di più a una risposta.
Se la domanda è «qual è il codice del ricambio X», non ti serve un embedding. Ti serve una query. Un RAG fatto bene lo sa, e sa quando non usarsi: filtri sui metadati, ricerca ibrida lessicale e vettoriale, routing verso il database quando la domanda ha una chiave primaria.
Perché il RAG non serve per le domande che sanno già nominare il proprio oggetto.
Serve per le altre. «Abbiamo già avuto un cliente con questo problema di tolleranze?» — questa domanda non ha una chiave primaria. Non ha un campo, non ha una tabella, non ha un codice. Ha soltanto una forma. E il RAG è l'unica macchina che sappiamo costruire capace di cercare per forma.
Il RAG è per le domande che non sanno dire cosa cercano.
Corollario: no, non disdici gli abbonamenti
Ogni tanto qualcuno fa il conto sbagliato: se metto i miei dati nell'AI, l'AI impara la mia azienda, e a quel punto le licenze non mi servono più.
No. Il modello non impara nulla dai tuoi dati. Nessun peso si muove, nessun neurone si sposta. È lo stesso identico modello di prima, congelato, uguale a quello di chiunque altro. Il RAG non modifica il modello: modifica la domanda. Le arriva davanti già accompagnata dal contesto giusto, come un testimone che entra in aula con i documenti in mano.
Quindi le licenze restano dove sono: servono a pensare, scrivere, ragionare, discutere.
Il RAG serve per un'altra cosa. Serve perché il perimetro dei dati aziendali non entra in una cartella. Perché quei dati non devono stare sul computer di qualcun altro. Perché il commerciale di Milano non deve vedere i margini che vede il direttore. Perché la risposta deve poter essere richiamata via API dal gestionale, dal sito, dal customer care alle tre di notte, senza che nessuno apra una chat.
Il progetto è per una persona. Il RAG è per un'organizzazione.
Sono due strumenti diversi. Litigano solo nella testa di chi li vende male.
In ogni azienda che abbia più di vent'anni c'è stata una persona che sapeva dove stava tutto. Non lo sapeva perché aveva letto tutto: lo sapeva perché aveva sviluppato un fiuto. Le chiedevi una cosa vaga, mal formulata, e lei ti diceva «guarda nel raccoglitore verde, quello del cantiere di Bassano». Aveva ragione tre volte su quattro.
Poi è andata in pensione.
Il RAG non è il suo sostituto. È qualcosa di più modesto e di più strano: è un sistema che non ha letto niente e non capisce niente, ma che ha imparato a indovinare in quale raccoglitore guardare. Sbaglia una volta su quattro anche lui.
La differenza è che di lui possiamo tenere il conto.
E questa, per un'azienda, non è una consolazione. È la prima cosa seria che le sia capitata da quando ha smesso di sapere quello che sa.
