--- title: "Addestrare l’AI sui documenti aziendali o farglieli leggere? Come si sceglie" description: "Fine-tuning o ricerca nei documenti (RAG): una strada insegna il lavoro, l’altra porta i fatti. Che cosa dicono le misure, e come decidere sul vostro caso." url: https://csidia.com/note-operative/addestrare-ai-documenti-aziendali-o-farglieli-leggere/ lang: it date: 2026-10-26 label: "Metodo" publisher: CSIDIA S.r.l. (https://csidia.com/) --- # Addestrare l’AI sui documenti aziendali o farglieli leggere? Come si sceglie Se volete un’intelligenza artificiale che conosca la vostra azienda, prima o poi qualcuno vi proporrà di addestrarla sui vostri documenti. È una delle due strade. L’altra è lasciare il modello com’è e fargli leggere i documenti giusti quando arriva la domanda. Sembrano due modi di fare la stessa cosa, ma risolvono due problemi diversi: scegliere quella sbagliata vuol dire spendere senza ottenere quello che vi serviva. ## Due problemi diversi Il primo problema è che cosa il modello deve **sapere**: le procedure in vigore, il listino, le clausole di un contratto, la scheda di un prodotto. Sono fatti, cambiano, e per fidarvi della risposta dovete poter vedere da quale documento viene. A questo serve la ricerca nei documenti, in inglese *retrieval-augmented generation* (RAG), che abbiamo spiegato in [come fa un’AI a rispondere sui documenti aziendali](https://csidia.com/note-operative/ai-risponde-documenti-aziendali-cita-pagina/). Il secondo è che cosa il modello deve **saper fare**: classificare una richiesta, estrarre i campi da una scheda, controllare un testo contro una regola, rispondere nel formato che vi serve. È un lavoro che si ripete, con una risposta giusta che una persona riconosce. A questo serve l’addestramento, il *fine-tuning*, che su un lavoro stretto fa vincere anche modelli piccoli: ne abbiamo scritto in [un modello piccolo, addestrato sul vostro lavoro, può battere i grandi modelli?](https://csidia.com/note-operative/modello-piccolo-addestrato-sul-compito-batte-grandi-modelli/). ## I fatti si fanno leggere: che cosa dicono le misure Nel 2023 quattro ricercatori di Microsoft hanno messo alla prova le due strade su tre modelli a pesi aperti da 7 miliardi di parametri. Una delle prove era fatta di 910 domande a scelta multipla su fatti avvenuti negli Stati Uniti tra agosto e novembre 2023, dopo l’addestramento dei modelli. Mistral 7B rispondeva giusto nel 48,1% dei casi da solo; nel 50,4% dopo essere stato addestrato sui testi che contenevano le risposte; nel 58,8% quando quei testi erano stati riscritti più volte con parole diverse; nell’87,5% quando poteva leggerli al momento della domanda. La prova favoriva la lettura: le domande erano state scritte proprio da quei testi. Llama 2, addestrato sui testi, è peggiorato: dal 35,3% al 21,9%. Gli autori ne concludono che i modelli «struggle to learn new factual information through unsupervised fine-tuning», *faticano a imparare fatti nuovi con l’addestramento sui testi*. Un gruppo di Google Research e del Technion, in uno studio accettato alla conferenza EMNLP 2024, ha addestrato un modello su coppie di domanda e risposta, mettendo fra queste anche fatti che il modello non conosceva. Quegli esempi vengono imparati molto più lentamente degli altri, e man mano che il modello li impara «they linearly increase the model’s tendency to hallucinate», *aumentano in proporzione la sua tendenza a inventare*. Secondo gli autori i fatti un modello li impara soprattutto nel primo addestramento, mentre quello successivo «teaches them to use it more efficiently», *gli insegna a usare in modo più efficiente quello che sa*. Addestrare un modello perché impari il listino o le procedure è la strada più debole: li impara male, non sa dirvi dove li ha letti, e quando cambiano va addestrato di nuovo. I fatti si fanno leggere. ## Il lavoro si insegna, e insieme le due strade vanno meglio Le due strade non si escludono. Nel 2024 un gruppo dell’Università della California a Berkeley ha addestrato Llama 2 da 7 miliardi a rispondere leggendo i documenti di un campo preciso, anche quando fra quelli trovati dalla ricerca c’erano documenti che con la domanda non c’entravano, e a citare il passaggio giusto. Gli autori lo spiegano con un esame: usare solo la ricerca nei documenti è «equivalent to taking an open-book exam without studying», *come fare un esame a libro aperto senza aver studiato*. Nel compito di scrivere il codice giusto per usare i modelli di tre archivi pubblici, leggendone la documentazione, il modello piccolo addestrato così ha ottenuto 74, 85 e 87 su 100; GPT-3.5 di OpenAI, con la ricerca nei documenti, 29, 60 e 66. Sulle domande di cultura generale prese da Wikipedia, invece, il modello piccolo è rimasto dietro anche dopo l’addestramento su quelle: 35,3 contro 41,5. Un modello addestrato vince **su quel compito** quando il compito è stretto, non in tutto. E i modelli provati nei tre studi sono di qualche generazione fa: le misure vanno rifatte su quelli di oggi. ## Perché conta per chi ha dati riservati Tutte e due le strade usano i vostri documenti: una per leggerli, l’altra per imparare dai vostri esempi. Con un modello a pesi aperti su una macchina che controllate, l’indice dei documenti, gli esempi per l’addestramento e il modello che ne esce restano lì. *Il modello migliore è quello che potete usare sui vostri dati veri.* ## Come lo facciamo noi Nel nostro progetto che legge i manuali delle macchine, la qualità si misura su un banco di prova: 40 pagine prese da 40 manuali pubblici di altri costruttori. Il 20 ottobre 2026 la versione congelata della lettura, con il modello grande a pesi aperti su un server NVIDIA GB300, ha ritrovato il 94,5% dei codici, in 17,1 secondi a pagina e senza errori del modello. Un banco così serve anche a voi per scegliere fra le due strade: si misurano tutte e due, e si tiene la migliore. ## Che cosa fare prima di decidere 1. Scrivete che cosa l’AI deve sapere, con il documento da cui viene ogni fatto, e che cosa deve saper fare, con qualche esempio di risposta giusta. 2. I fatti fateli leggere, con la citazione: si aggiornano cambiando il documento, non il modello. 3. Il lavoro che si ripete fatelo imparare, su casi veri con la risposta giusta. Se il lavoro è proprio leggere i vostri documenti, addestrate il modello a leggerli. 4. Preparate un banco di domande con la risposta nota, che il modello non vede mai durante l’addestramento, e misurate prima e dopo. Se avete un lavoro sui vostri documenti e non sapete quale strada fa per voi, il passo è uno: [scriveteci che lavoro è e su quali documenti](https://csidia.com/contatti/). *Scritto con l’aiuto dell’AI e verificato da CSIDIA.* ## Fonti - [Ovadia, Brief, Mishaeli ed Elisha (Microsoft), «Fine-Tuning or Retrieval? Comparing Knowledge Injection in LLMs», 2023 (arXiv)](https://arxiv.org/abs/2312.05934) - [Gekhman e altri (Google Research e Technion), «Does Fine-Tuning LLMs on New Knowledge Encourage Hallucinations?», EMNLP 2024 (arXiv)](https://arxiv.org/abs/2405.05904) - [Zhang e altri (Università della California a Berkeley), «RAFT: Adapting Language Model to Domain Specific RAG», 2024 (arXiv)](https://arxiv.org/abs/2403.10131) Nota di CSIDIA S.r.l. (Vignola, MO): https://csidia.com/note-operative/addestrare-ai-documenti-aziendali-o-farglieli-leggere/ · Chi siamo e che cosa facciamo: https://csidia.com/in-breve/ · engagement@csidia.com