Qualcuno ti propone di «addestrare un modello sui tuoi dati» e suona come rendere finalmente l’IA tua, su misura, imbattibile. Suona caro, e per questo suona serio. Prima di firmare conviene sapere che, nella stragrande maggioranza dei casi aziendali, stai per pagare la soluzione cara per un problema che quella economica risolve meglio. La decisione di fondo si chiama RAG o fine-tuning, e la risposta giusta è quasi sempre RAG. Ecco perché, senza fumo.
RAG vs fine-tuning in azienda: cosa fa ciascuno
Sono due cose diverse che il gergo mescola di proposito. RAG (retrieval-augmented generation) non tocca il modello: gli dà una biblioteca. Quando arriva una domanda, il sistema cerca nei tuoi documenti i frammenti rilevanti e li passa al modello insieme alla domanda, perché risponda con la tua informazione davanti. La conoscenza vive fuori dal modello, in una base che puoi aggiornare in qualsiasi momento.
Il fine-tuning è l’opposto: prendi un modello base e lo riaddestri su migliaia di esempi perché regoli i suoi pesi interni. Non gli dai una biblioteca; gli cambi i riflessi. Serve a insegnare un formato, un tono o un tipo di compito molto ripetitivo —non a iniettargli dati che cambiano. Ed è lì che parte la confusione che costa cara: quasi tutti quelli che chiedono il fine-tuning in realtà vogliono che l’IA «sappia le loro cose», che è proprio ciò che RAG fa meglio.
| Dimensione | RAG | Fine-tuning |
|---|---|---|
| Cosa cambia | Il contesto che riceve il modello | I pesi interni del modello |
| A cosa serve | Rispondere con la TUA conoscenza | Adottare formato/tono/compito fisso |
| Aggiornare un dato | Modifichi un documento, fatto | Riaddestrare l’intero modello |
| Costo di avvio | Basso | Alto (dati etichettati + calcolo) |
| Tracciabilità | Cita la fonte usata | Scatola nera: non sai da dove esce |
| Rischio tipico | Recupero mal costruito | Allucinare con sicurezza, dati vecchi |
Perché ti venderanno il fine-tuning (e perché non ti serve quasi mai)
Il fine-tuning si vende bene per tre ragioni, e nessuna è che sia ciò che ti conviene. Prima: suona su misura —«un modello addestrato sui tuoi dati» è una frase che chiude le riunioni—. Seconda: costa di più, e nella consulenza il caro si confonde con il buono. Terza: è difficile da disfare, quindi lega il cliente. Il problema è che risolve il problema sbagliato: l’azienda non ha bisogno di un modello con un’altra personalità, ma di uno che risponda con l’informazione corretta e attuale. È un problema di recupero, non di riaddestramento.
La prova è nella vita utile del dato. La tua politica ferie, il catalogo, i prezzi e le procedure cambiano. Se li inserisci via fine-tuning, ogni cambiamento chiede un riaddestramento —e finché non arriva, il modello afferma la vecchia versione con totale sicurezza. Con RAG modifichi il documento e alla domanda successiva risponde già con il nuovo, citando da dove l’ha preso. Per conoscenza viva, riaddestrare è come stampare Wikipedia ogni mattina.
Quando SÌ è fine-tuning
Non è che il fine-tuning non serva mai. Serve, ma per un insieme di casi stretto e piuttosto identificabile:
- Ti serve un formato di output molto rigido e ripetitivo che il prompting non riesce a stabilizzare (classificare in uno schema tuo con migliaia di esempi).
- Cerchi un tono o uno stile molto specifico e costante, non un dato: insegnargli a scrivere «come il tuo brand» quando il system prompt non basta più.
- Hai un compito ad altissimo volume dove tagliare i token di contesto a ogni chiamata ripaga il costo di addestrare.
- E —chiave— quel comportamento che gli insegni NON cambia ogni settimana. Se cambia, torni a RAG.
Nota lo schema: il fine-tuning serve a insegnare un’abilità stabile, non a iniettare conoscenza che cambia. Appena ciò che vuoi che «sappia» ha una data di scadenza, la risposta torna a RAG. E in un’azienda reale, quasi tutto ciò che vuoi che sappia ha una data di scadenza.
Il 90% dei casi aziendali: perché vince RAG
Per la domanda che un’azienda si pone davvero —«che risponda con il nostro, aggiornato, senza inventare»— RAG vince sulle tre cose che contano: costa meno partire, si aggiorna modificando un documento e, soprattutto, cita la fonte, così puoi verificare da dove esce ogni risposta. Un agente serio nel 2026 è quasi sempre un buon sistema di RAG con evals che misurano se risponde bene, non un modello riaddestrato. Lo raccontiamo in dettaglio nella guida su come addestrare un agente IA: dati, evals e governance e in quella per creare un chatbot IA che usa la tua base di conoscenza, dove l’architettura RAG si vede passo per passo.
L’altro vantaggio di RAG è che il fallimento è economico e visibile. Se l’IA risponde male, è quasi sempre perché il recupero ha portato il frammento sbagliato —e questo si corregge migliorando come indicizzi e cerchi, non riaddestrando nulla. Con il fine-tuning, quando fallisce, hai una scatola nera cara e un ciclo di correzione di giorni. Montare bene lo strato di recupero —quali documenti, come si spezzano, come si cerca, cosa si registra— è infrastruttura, ed è lì che il progetto si vince o si perde: lo trattiamo come tale nel servizio di infrastruttura di IA aziendale.
L’errore caro: fare fine-tuning per «iniettare conoscenza»
Se resti con una sola idea, che sia questa: il fine-tuning cambia come parla il modello, non ciò che sa in modo affidabile. Usarlo per iniettare dati è l’errore più comune e più caro, perché il modello impara a suonare come i tuoi documenti senza garantire di riprodurne i fatti —e lo fa senza citare, quindi non ti accorgi nemmeno di quando sbaglia. Parti sempre da RAG. Arriva al fine-tuning solo se, col recupero già ben montato, ti resta un vero problema di formato o stile che il contesto non risolve. In quest’ordine spendi per ciò che serve, quando serve.