RAG (retrieval-augmented generation)
La RAG (retrieval-augmented generation) è una tecnica in cui un modello di AI prima recupera documenti pertinenti, per esempio pagine web, e poi scrive la risposta basandosi su quelle informazioni invece di affidarsi solo ai dati di addestramento.
RAG, abbreviazione di retrieval-augmented generation, è il metodo alla base della maggior parte dei tool AI che citano le fonti. Un modello linguistico da solo può usare solo ciò che ha imparato durante l'addestramento, che invecchia e ha delle lacune. Con la RAG il sistema prima recupera informazioni pertinenti da una fonte esterna, le aggiunge al prompt e poi lascia che il modello scriva una risposta usando quel materiale.
Come funziona la RAG
- Query. L'utente fa una domanda. Il sistema può riformularla o dividerla in più query di ricerca.
- Retrieval. Cerca in un indice, come un motore di ricerca web o l'archivio documentale di un'azienda, e sceglie le pagine o i passaggi più pertinenti.
- Augmentation. I passaggi selezionati vengono aggiunti al contesto del modello, insieme alla domanda originale.
- Generation. Il modello scrive una risposta basata sul testo recuperato e, nella maggior parte dei prodotti consumer, aggiunge citazioni alle fonti usate.
AI Overviews e AI Mode di Google, ChatGPT search, Perplexity e Microsoft Copilot usano tutti una qualche forma di questo approccio sul web aperto. Le aziende usano la stessa tecnica internamente, per esempio per chatbot che rispondono alle domande a partire da manuali o articoli del centro assistenza.
Perché la RAG conta per SEO e GEO
La RAG è il motivo per cui la SEO classica conta ancora per la visibilità nell'AI. Se la fase di retrieval si basa sui risultati di ricerca, una pagina che non si posiziona o non è indicizzata semplicemente non arriva mai al modello. Una volta recuperata una pagina, il modello tende a usare i passaggi che rispondono alla domanda in modo chiaro e autonomo. In breve, la RAG premia due cose: essere trovati ed essere facili da citare.
Spiega anche perché le risposte AI possono cambiare da un giorno all'altro. Il modello può restare lo stesso, ma le pagine recuperate cambiano a seconda dell'indice, della formulazione della query e dell'attualità.
Consigli pratici
- Assicurati che le pagine importanti siano scansionabili sia dai motori di ricerca sia dai crawler AI.
- Dividi i contenuti lunghi in sezioni chiare con sottotitoli descrittivi, così i singoli passaggi hanno senso anche fuori contesto.
- Metti la risposta o la definizione chiave all'inizio di ogni sezione.
- Mantieni i dati aggiornati. I sistemi di retrieval spesso preferiscono fonti recenti per le domande legate all'attualità.
- Fatti citare su siti che si posizionano già bene per i tuoi argomenti. Sono quelle le pagine che vengono recuperate.
Errori comuni
Nascondere i contenuti dietro script, tab o login che i crawler non riescono a leggere, e scrivere passaggi che hanno senso solo leggendo tutta la pagina. Un altro equivoco è che la RAG elimini del tutto gli errori. Riduce le allucinazioni, ma un modello può comunque fraintendere o confondere le fonti recuperate.
Domande sulla RAG (retrieval-augmented generation)
Cos'è la RAG in parole semplici?
RAG significa che un'AI cerca le informazioni prima di rispondere. Prima recupera documenti pertinenti e poi scrive una risposta basata su di essi.
ChatGPT usa la RAG?
Quando ChatGPT cerca sul web, usa una fase di retrieval per recuperare pagine e basa la risposta su di esse, il che è una forma di RAG. Senza ricerca, risponde in base ai suoi dati di addestramento.
Perché la RAG conta per la SEO?
Molti motori di risposta AI recuperano le pagine tramite la ricerca. Se la tua pagina non è indicizzata o non si posiziona, è meno probabile che venga recuperata e citata.