Una tecnica che potenzia gli output dei grandi modelli linguistici con l’integrazione di informazioni rilevanti esterne al modello stesso

L’intelligenza artificiale generativa ha trasformato il modo in cui le organizzazioni elaborano informazioni e prendono decisioni. Eppure, chi lavora in ambito industriale sa bene che i Large Language Model sono addestrati su corpus vastissimi di conoscenza generale e risultano pertanto fondamentalmente ciechi rispetto alle realtà verticali che caratterizzano le singole aziende manifatturiere. Non avendo mai letto il manuale di uno specifico impianto, non conoscendo la distinta base di un determinato prodotto e ignorando quale fornitore viene impiegato per un certo componente, un LLM standard di fronte a una domanda operativa o non risponde, oppure genera una risposta plausibile, ma non attendibile. Per il mondo industry, dove una decisione errata su un impianto può tradursi in fermi produttivi da decine di migliaia di euro, questa limitazione ha ricadute concrete e spesso molto pesanti.

La risposta a questa limitazione arriva dalla Retrieval-Augmented Generation (RAG), una tecnica all’interno dell’AI che potenzia gli output dei grandi modelli linguistici integrando, in fase di inferenza, informazioni rilevanti recuperate da fonti di conoscenza esterne al modello stesso.

Oltre la scansione di documenti

L’adozione della RAG in ambito manifatturiero è in crescita, con un numero sempre più ampio di aziende che ne stanno sperimentando il valore, soprattutto in alcuni comparti come l’automotive, meccanica di precisione, energy e chimico-farmaceutico. Tuttavia le sue potenzialità sono frenate tuttora non da un limite tecnologico, bensì dallo scoglio dei dati. Affinché questa soluzione AI funzioni, è necessario che la base informativa aziendale sia accessibile, strutturata e affidabile. Una condizione non semplice da soddisfare nel settore manifatturiero dove le informazioni sono distribuite tra sistemi eterogenei, sono solo in parte aggiornate e formalizzate, tanto che in alcuni casi sono in parte “archiviate” esclusivamente nella testa degli addetti ai lavori.

Le ricerche di IDC evidenziano che fino al 90% del patrimonio informativo delle aziende è costituito da dati non strutturati, come manuali tecnici in PDF, e-mail, log di manutenzione e appunti. Nel manifatturiero, questo enorme bacino di “Dark Data” rappresenta però una risorsa fondamentale che proprio la RAG permette di interrogare, a patto di un precedente lavoro di riorganizzazione informativa.

Un progetto RAG in ambito industriale deve quindi partire dalla costruzione di una solida base conoscitiva che tenga conto di questo contesto, articolandosi in tre fasi fondamentali:

1.Raccolta e digitalizzazione

In questa fase non ci si limita a scansionare documenti: si individuano le informazioni che hanno un reale valore operativo, il contesto in cui vengono utilizzate e il livello di aggiornamento richiesto. L’attività combina tecniche di Intelligent Document Processing per estrarre automaticamente dati da PDF, immagini, email e scansioni, con interviste strutturate a responsabili di processo e personale operativo, finalizzate a raccogliere e formalizzare la conoscenza tacita. A ciò si affianca l’integrazione dei sistemi legacy, con l’obiettivo di rendere le informazioni accessibili all’interno del sistema RAG.

2.Strutturazione semantica

In questa fase i contenuti vengono organizzati non per parole chiave, ma per significato e contesto d’uso. L’attività prevede l’indicizzazione semantica di documenti e dati per consentire al sistema RAG di comprendere le richieste in linguaggio naturale e restituire risposte pertinenti anche in presenza di terminologie eterogenee, trasformando questi sistemi in veri e propri assistenti operativi intelligenti.

3.Governance continua

Un sistema RAG privo di aggiornamento si degrada rapidamente. Se la base conoscitiva non viene allineata ai cambiamenti nel tempo, il sistema risponderà con informazioni obsolete che genereranno errori operativi e non conformità normative. È indispensabile quindi prevedere un workflow strutturato di revisione, validazione e notifica delle modifiche per ciascun processo critico.

Casi d’uso ad alto beneficio

Definita la base conoscitiva, il potenziale applicativo della RAG in ambito industriale si declina su molteplici ambiti operativi, ciascuno con ricadute significative sull’efficienza e sulla qualità delle decisioni. Il caso d’uso più maturo è quello della manutenzione: un tecnico che interviene su un impianto si trova tipicamente a fare i conti con una documentazione frammentata e dispersa tra più sistemi; un sistema RAG gli consente invece di interrogare in linguaggio naturale l’intera base informativa, ricevendo risposte contestualizzate e corredate dalla traccia delle fonti.

Sul fronte del procurement e del controllo qualità, la RAG comprime attività che oggi richiedono ore di lavoro ripetitivo e manuale, con un elevato rischio di errore. Lo stesso vale per le verifiche d’impatto di una modifica su un componente, su un materiale o su un processo produttivo: analisi che normalmente impegnano l’R&D e i direttori di produzione per giorni di ricerca documentale possono essere ridotte a pochi minuti grazie alle query RAG. Anche i team commerciali beneficiano di questi sistemi, dato che possono rispondere con precisione a domande tecniche durante la trattativa e ridurre sensibilmente i tempi di elaborazione delle offerte.

Compliance, onboarding e impatto economico della RAG

La RAG trova applicazione rilevante anche in altri contesti: dalla compliance normativa alla gestione dei reclami cliente, fino all’accelerazione dell’onboarding dei nuovi assunti. In tutti questi ambiti, la tecnologia riduce i tempi — a partire da quelli di inattività produttiva —, migliora la produttività e la qualità delle prestazioni anche al mutare delle condizioni operative, limita gli errori e, non da ultimo, favorisce la formalizzazione e la diffusione sistematica delle conoscenze aziendali.

L’impatto economico derivante da queste ottimizzazioni è profondo, come confermato anche dal report sull’AI generativa di McKinsey & Company da quale emerge che l’applicazione di queste tecnologie nella supply chain e nel manufacturing ha il potenziale di generare a livello mondiale un valore aggiunto stimato tra i 200 e i 310 miliardi di dollari all’anno. Queste maggiori risorse derivano proprio dall’azzeramento dei tempi di ricerca delle informazioni e la drastica riduzione dei colli di bottiglia operativi.

Le condizioni abilitanti

Nel momento in cui si decide di avviare un progetto RAG nel mondo industry, è fondamentale tenere presente che il successo di queste iniziative dipende quasi sempre da fattori organizzativi e culturali, non tecnologici: la mancanza di commitment da parte del management, la resistenza al cambiamento e la difficoltà di raccogliere informazioni dagli esperti interni sono i freni principali, nonché i più ricorrenti. Senza un mandato chiaro della direzione e un coinvolgimento dell’organizzazione già in fase di definizione del progetto, il sistema RAG è destinato ad arenarsi nella fase di raccolta della conoscenza.

Come già evidenziato, questa fase è imprescindibile. Per quanto complessa e laboriosa, la costruzione della base informativa aziendale determina il valore reale del sistema RAG; un valore che non può né deve essere delegato alla sola adozione di una tecnologia AI, come spesso si è inclini a pensare.

È altrettanto importante procedere per gradi, avviando un progetto pilota capace di dimostrare il valore della RAG in tempi contenuti. La scelta ottimale è quella di individuare un processo circoscritto ma i cui miglioramenti risultino facilmente misurabili — ad esempio in termini di riduzione dei tempi di manutenzione e di fermo macchina. Questo approccio genera la fiducia interna necessaria a scalare progressivamente l’implementazione della RAG in tutta l’organizzazione.

L’evoluzione in atto 

La tecnologia RAG attuale sta attraversando una fase evolutiva volta al superamento di alcuni limiti di questa tecnologia. Un primo tassello risiede nel passaggio da una ricerca puramente statistica di frammenti testuali a una reale comprensione logica del patrimonio informativo, dal momento che la frammentazione dei dati e l’assenza di una loro correlazione impediscono spesso al modello di eseguire ragionamenti o rispettare vincoli dinamici o di sicurezza. Un problema particolarmente sentito nel settore manifatturiero dove, per esempio, distinte base, certificazioni e storico dei guasti devono essere interrogati in modo coerente e integrato. La direzione evolutiva è una “RAG intelligente” che non si limita a cercare parole simili, ma si comporta come un assistente esperto collegando informazioni tra fonti diverse, verificandone la coerenza e controllando anche i permessi di accesso prima di rispondere.

A livello statistico, permane inoltre il limite del cosiddetto “Retrieval Noise” che porta il sistema a identificare somiglianze matematiche tra termini privi però di reale correlazione logica. Nel manifatturiero questo rischio è amplificato dalla presenza di sigle, codici e nomenclature simili. In altre parole, superata una certa soglia, il modello fatica a distinguere il segnale dal rumore, il che aumenta la probabilità di errore. Per questo, i sistemi più evoluti stanno adottando un approccio diverso volto a non cercare di più, ma a cercare meglio grazie a meccanismi di selezione e validazione che filtrano le informazioni rilevanti prima ancora che vengano utilizzate dal modello.