Che cos’è la retrieval-augmented generation (RAG)?
La retrieval-augmented generation (RAG) è un metodo in cui un modello linguistico prima recupera i documenti pertinenti e poi scrive la risposta tenendoli presenti. Ogni motore di IA che cita le fonti usa una qualche forma di RAG: cercare, poi scrivere con i risultati sotto gli occhi. Per un brand, il passaggio di recupero è il cancello. Una pagina che non viene mai recuperata non può influenzare la risposta, per quanto sia buona.
Da dove viene la retrieval-augmented generation?
Il nome viene da Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks di Patrick Lewis e colleghi, inviato il 22 maggio 2020 e pubblicato a NeurIPS 2020. Combinava la memoria parametrica di un modello, ciò che ha imparato in addestramento, con una memoria non parametrica: un indice vettoriale denso di Wikipedia in cui un retriever cercava per ogni domanda.
I motori di ricerca IA usano la stessa idea su scala web, con un indice di ricerca al posto dell’indice di Wikipedia e risultati in tempo reale al posto di un’istantanea fissa.
Come funziona la RAG nella ricerca IA?
Nella ricerca IA, la RAG procede in pochi passaggi:
- Il motore riformula la domanda in una o più ricerche.
- Recupera risultati da un indice web, proprio o di un partner.
- Sceglie quali risultati passare al modello.
- Il modello scrive la risposta con quei risultati nel suo contesto.
- Il motore aggiunge citazioni ad alcune delle fonti che ha usato.
Ogni pagina recuperata viene citata?
No. OpenAI documenta che il campo sources di una ricerca web restituisce ogni URL consultato dal modello, e che il numero di fonti è spesso maggiore del numero di citazioni (documentazione dell’API di OpenAI, consultata il 15 ott 2026).
Quindi un conteggio delle citazioni sottostima ciò che un motore ha letto, e una pagina può informare una risposta senza un link (l’articolo). Il recupero ripaga comunque: nei nostri dati, 94 risposte su 97 che citavano una pagina del sito del brand menzionavano anche il brand (l’articolo).
Come si presenta il recupero in un esempio reale?
Nell’esempio pubblico Tesla (4 ott. 2026), ciò che i motori hanno recuperato e citato variava da motore a motore. ChatGPT ha citato tesla.com 12 volte su 93 citazioni in 25 domande d’acquisto, circa il 13%. Perplexity, Claude e Google AI Overviews insieme l’hanno citato 5 volte su 915.
Il resto dell’insieme recuperato erano pagine di altri: tra domande d’acquisto e domande sul brand, youtube.com è stato citato 29 volte, en.wikipedia.org 24 e reddit.com 20. Sono le pagine da cui il modello ha scritto.
Domande frequenti su Retrieval-augmented generation (RAG)
RAG significa che l’IA usa solo ciò che ha recuperato?
No. Il modello porta comunque ciò che ha imparato in addestramento, e la risposta fonde le due cose. Il recupero orienta la risposta; non sostituisce la memoria del modello.
Come faccio a far recuperare le mie pagine?
Lascia che i crawler di ricerca dell’IA le leggano, rendi il testo presente senza JavaScript, tienile indicizzate e idonee agli snippet, e rispondi alle sotto-domande specifiche che fanno gli acquirenti.
RAG e grounding sono la stessa cosa?
Si sovrappongono. La RAG è il metodo che recupera documenti prima di scrivere; il grounding è l’obiettivo di ancorare le affermazioni della risposta a quelle fonti.
Perché la mia pagina è stata citata ma il mio brand non è stato menzionato?
La tua pagina ha informato la risposta, ma la rosa ristretta è andata altrove. Di solito significa che la pagina risponde bene a una sotto-domanda ma non argomenta a tuo favore.
Termini correlati
- Grounding
Il grounding consiste nell’ancorare la risposta di un modello di IA a fonti esterne, come i risultati di ricerca in tempo reale, così che le sue affermazioni si basino su contenuti recuperati e non solo sulla memoria.
- Dati di addestramento e ricerca in tempo reale
I dati di addestramento sono ciò che un modello ha imparato prima della sua data limite di conoscenza; la ricerca in tempo reale è ciò che cerca sul web mentre risponde, e una risposta dell’IA può attingere all’una, all’altra o a entrambe.
- Query fan-out
Il query fan-out avviene quando un motore di IA scompone una domanda in più ricerche correlate e costruisce la risposta con tutti i risultati.
- Citazione dell’IA
Una citazione è una pagina web che un motore di IA linka o indica come fonte per la sua risposta.
Esempio svolto: Tesla, risposte pubbliche dell’IA, 4 ott 2026: la prima scansione di Tesla fatta da Proofsource, con 25 domande d’acquisto e 5 domande sul brand, una risposta per domanda su ciascuno di quattro motori. Un piccolo campione di un solo brand, mostrato come esempio, non come benchmark.
Scopri dove l’IA ti lascia fuori, e cosa correggere.
Scopri quali domande d’acquisto menzionano il tuo brand, chi viene menzionato al posto tuo e cosa correggere. 200 risposte. 25 Prompts/domanda. I migliori motori di IA. 2 giorni. Gratis. Senza carta.
Google AI OverviewsGoogle AI Mode
