RAG o fine-tuning: come far conoscere l'azienda all'AI

Beatrice gestisce l'assistenza tecnica di un'azienda di impianti. Ha manuali, schede e listini che cambiano ogni trimestre, e vorrebbe un assistente che risponda ai tecnici senza inventare. Le hanno detto che deve "addestrare l'AI sui suoi documenti". Sotto questa frase stanno due tecniche diverse, il RAG e il fine-tuning, che risolvono problemi diversi e hanno costi e rischi diversi. Prima di parlare di tecnica, c'è anche una terza strada più economica che molte aziende saltano. Questa pagina usa le documentazioni di OpenAI, Anthropic e Google.

Per chi è ciascuno

• RAG: se il problema è che il modello non conosce i tuoi documenti, o che questi cambiano spesso.
• Fine-tuning: se il problema è lo stile, il formato o un compito ripetitivo, e hai molti esempi giusti.
• Niente dei due, per ora: se i tuoi documenti stanno in una finestra di contesto, mettili direttamente nella richiesta.

Che problema risolve ciascuno

Il RAG, retrieval augmented generation, arricchisce la richiesta con informazioni private. La documentazione di Google lo descrive come un modo per dare al modello i dati dell'organizzazione, così da ridurre le risposte inventate ⁶. Nell'offerta di OpenAI, quando aggiungi un file a un archivio di ricerca, viene suddiviso in pezzi, trasformato in rappresentazioni numeriche e indicizzato per la ricerca per significato ².

Il fine-tuning, invece, addestra il modello con esempi di risposte corrette. OpenAI lo presenta come un modo per ottenere uno stile e un contenuto più affidabili, adatto a classificazioni, traduzioni con sfumature, produzione di contenuti in un formato preciso e correzione di errori nel seguire le istruzioni ¹. Detto in breve: il RAG porta al modello le informazioni, il fine-tuning ne cambia il comportamento.

Prima di tutto: forse non serve nessuno dei due

Anthropic scrive che se la tua base di conoscenza è più piccola di 200.000 token, circa 500 pagine di materiale, puoi inserirla per intero nella richiesta, senza bisogno di RAG o tecniche simili ³. Per molte piccole aziende i manuali di un prodotto stanno in quel limite. Se è il tuo caso, comincia da lì: è il percorso più economico da costruire e da correggere.

Anche Google, in un articolo sul suo blog dell'11 febbraio 2026, scrive che in molti casi prompt engineering e apprendimento nel contesto bastano a ottenere i risultati voluti, e che il fine-tuning serve quando i requisiti di produzione diventano più specializzati ⁵. Il fine-tuning, in altre parole, arriva dopo.

Cosa costa e cosa ti serve (prezzi letti il 9 ottobre 2026)

Per il RAG di OpenAI la documentazione indica 1 GB di archivio gratuito, e oltre quel limite 0,10 dollari al GB al giorno ². I prezzi sono in dollari e la pagina non indica l'IVA. Per un archivio di manuali, in genere, sono cifre piccole: la fatica sta nel preparare e tenere in ordine i documenti.

Per il fine-tuning servono esempi. OpenAI indica un minimo di 10 esempi e consiglia di cominciare con 50 dimostrazioni ben fatte, ricordando che il numero giusto varia molto ¹. Aggiunge un avvertimento utile: prima costruisci delle valutazioni affidabili, perché senza non sai se il modello addestrato è meglio di quello di partenza ¹. C'è poi una notizia pratica: nella documentazione OpenAI scrive che sta chiudendo la piattaforma di fine-tuning, non più accessibile ai nuovi utenti ⁷. Se non hai già un account, quella strada oggi è chiusa.

Aggiornare le informazioni: qui i due approcci divergono

Se il listino cambia a ogni trimestre, con il RAG sostituisci il file e la risposta si aggiorna. Con il fine-tuning dovresti rifare gli esempi e l'addestramento. La documentazione di OpenAI avverte poi che, se negli esempi non c'è l'informazione necessaria alla risposta, il modello può imparare a inventarla ⁷: il fine-tuning non è un modo sicuro di far "imparare a memoria" i fatti.

Il RAG ha però un suo difetto: la ricerca può sbagliare. Anthropic misura che, con la sua tecnica di ricerca contestuale, la quota di casi in cui i passaggi giusti non compaiono tra i primi 20 risultati scende da 5,7% a 2,9% ³. Il che significa che anche con un buon sistema una piccola parte delle domande trova il documento sbagliato, e qualcuno deve controllare le risposte.

Quando il fine-tuning ha senso davvero

Un esempio dal sito di Anthropic: per un compito di moderazione dei contenuti, il fine-tuning di Claude 3 Haiku su Amazon Bedrock ha portato l'accuratezza di classificazione dall'81,5% al 99,6% e ridotto dell'85% i token per richiesta ⁴. È un risultato dichiarato dal produttore su un compito di classificazione, non una promessa per i tuoi documenti, e l'annuncio parla di disponibilità nella regione AWS US West (Oregon) ⁴, con dati del 2024: verifica cosa è offerto oggi.

Il caso di Beatrice non è questo. Lei ha informazioni che cambiano, non un compito da classificare: il RAG è la strada naturale. Il fine-tuning potrebbe servirle in un secondo tempo, per esempio per far scrivere sempre le risposte con lo stesso schema.

Il verdetto

Per un'azienda con documenti che cambiano, la sequenza ragionevole è questa: prima metti i documenti direttamente nella richiesta se ci stanno, poi passa al RAG se non ci stanno o cambiano spesso, e valuta il fine-tuning solo per uno stile o un compito preciso, con esempi veri e prove di valutazione già pronte. Se hai poche domande al giorno e documenti stabili, non serve costruire nulla. Non c'è una tecnica migliore in assoluto: dipende da cosa vuoi che il modello sappia e da quanto spesso cambia.

Altri confronti sono in Confronti e strumenti.