Cos’è una knowledge base aziendale per l’AI?
Con knowledge base, o base di conoscenza, si intende l’insieme dei documenti e dei dati che un sistema di AI può consultare per rispondere a una domanda o svolgere un compito. In una PMI sono di solito procedure interne, schede tecniche e di sicurezza, listini, condizioni di vendita, manuali delle macchine, risposte alle domande frequenti dei clienti e modelli di documenti.
La knowledge base è una selezione. Collegare all’AI l’intero server aziendale significa metterle a disposizione anche bozze, copie di sicurezza, versioni superate e cartelle personali, e le risposte finiscono per attingere a materiale che nessuno in azienda considererebbe valido. La prima decisione riguarda quindi quali documenti entrano, per quale attività e a beneficio di chi.
Non tutte le informazioni stanno bene in un documento. Giacenze, prezzi correnti, stato degli ordini e scadenze vivono nel gestionale e cambiano ogni giorno: copiarli in un PDF produce un documento che invecchia subito. Per questi dati conviene che il sistema li legga dalla fonte al momento della domanda, attraverso un collegamento al gestionale. La base documentale serve per il sapere che cambia più lentamente, come il modo in cui si esegue una lavorazione, cosa prevede un contratto o quali caratteristiche ha un prodotto.
Come funziona la ricerca su documenti (RAG)?
Gran parte degli assistenti che rispondono sui documenti aziendali usa una tecnica chiamata Retrieval-Augmented Generation, in breve RAG, descritta in un articolo di ricerca del 2020 di Patrick Lewis e colleghi. In italiano si può rendere come generazione basata sul recupero di documenti. Il modello linguistico non impara i vostri documenti: a ogni domanda il sistema cerca i passaggi più pertinenti, li consegna al modello insieme alla domanda e il modello risponde a partire da quelli.
Il procedimento, semplificato, è questo. I documenti vengono divisi in frammenti brevi. Ogni frammento viene trasformato in una rappresentazione numerica del suo significato, detta embedding, e salvato in un archivio di ricerca. Quando arriva una domanda, il sistema cerca i frammenti dal significato più vicino. Alcuni sistemi affiancano una ricerca per parole esatte, che serve per codici articolo, sigle e numeri di disegno, dove la ricerca per significato è meno precisa. I frammenti trovati vengono aggiunti alla domanda e il modello scrive la risposta.
Da questo meccanismo discendono due conseguenze. Il modello vede solo i frammenti recuperati: se quello giusto non viene trovato, o se ne arriva uno sbagliato, la risposta sarà sbagliata. E un frammento staccato dal suo documento perde il contesto. Anthropic, descrivendo questo limite, cita un frammento che riporta una crescita del fatturato senza dire di quale azienda e di quale periodo. In una PMI capita con una tabella di tolleranze senza il nome del prodotto, o con una clausola senza il nome del contratto. Per raccolte piccole alcuni strumenti passano al modello l’intero contenuto senza una fase di ricerca, ma i problemi di qualità dei documenti restano gli stessi.
Perché la qualità dei documenti conta più del modello?
Nella ricerca su documenti il modello lavora a valle. Riformula, riassume e collega quello che riceve. Non può sapere quale dei due listini recuperati è in vigore, se una procedura è stata sostituita o se un numero in una scansione è stato letto male: queste informazioni devono stare nei documenti o nei loro metadati. Un modello più capace scrive risposte migliori a partire dagli stessi frammenti, ma non può scegliere la versione valida se nulla nei documenti la distingue dalle altre.
Un rapporto redatto da un’esperta esterna per il programma di supporto del Comitato europeo per la protezione dei dati (EDPB) elenca, tra i rischi specifici della RAG, il recupero di informazioni superate o inesatte, con decisioni sbagliate come possibile conseguenza. Le imprese italiane riconoscono il problema in termini più generali: secondo l’ISTAT, tra le imprese che hanno valutato l’AI senza adottarla, il 45,2% indica come freno dati assenti o di scarsa qualità.
Il modello conta comunque per altri aspetti, come la capacità di lavorare su documenti lunghi, la qualità della lingua, i costi d’uso e il luogo in cui i dati vengono trattati. Quando però le risposte sono sbagliate, conviene guardare prima quali frammenti sono stati recuperati e da quali documenti, e solo dopo valutare un cambio di strumento.
Da dove si comincia: l’inventario delle fonti
Il primo lavoro è un inventario, e conviene limitarlo all’attività scelta per il primo progetto. Se l’obiettivo è rispondere alle domande tecniche dei clienti servono schede prodotto, manuali, certificazioni dei materiali e le risposte già date in passato. Il resto dell’archivio può aspettare.
Per ogni fonte si annotano dove si trova (server, cartelle condivise, cloud, gestionale, caselle email, fogli Excel, carta), che cosa contiene, in quale formato, chi la aggiorna, quanto spesso cambia e chi può consultarla. L’inventario può far emergere documenti che esistono solo nella casella o sul computer di una persona, oppure file con lo stesso nome in più cartelle. Sono informazioni utili all’azienda anche senza alcun progetto di AI.
Il caso più delicato sono le procedure mai scritte, che qualcuno conosce a memoria. Un assistente non può rispondere su ciò che non è documentato. Prima di costruire la base può servire mettere per iscritto, anche in forma semplice, le procedure su cui arrivano più domande, e farle rileggere a chi le applica ogni giorno.
Versioni, duplicati e documenti superati
Dentro la base deve esistere una sola versione valida di ogni documento. Se il listino del 2025 e quello del 2026 sono entrambi consultabili, il sistema può recuperare il frammento sbagliato e il modello non ha modo di accorgersene. Le versioni superate vanno spostate in un archivio separato. Spostarle è preferibile a cancellarle, perché alcuni documenti vanno conservati per obblighi di legge o contrattuali e lo storico può servire a chi lo consulta di proposito.
Aiutano poche regole: data di validità e numero di versione scritti nel documento stesso, oltre che nel nome del file; un criterio condiviso per i nomi dei file; per ogni tipo di informazione, l’indicazione della fonte che fa fede. Se prezzi e codici stanno sia nel gestionale sia in un foglio Excel, bisogna decidere quale dei due vale e tenere l’altro fuori dalla base.
I duplicati quasi identici creano un problema meno visibile. Due copie di una procedura che differiscono per una riga producono risposte diverse a seconda del frammento recuperato, e chi usa il sistema nota una certa incoerenza senza riuscire a capirne la causa.
PDF scansionati, OCR e formati difficili
Un PDF scansionato è un’immagine: per il sistema non contiene testo finché non passa per un riconoscimento ottico dei caratteri (OCR). Molti strumenti lo eseguono in automatico, e su un testo stampato e pulito il risultato è in genere buono. Gli errori si concentrano dove fanno più danno: tabelle che perdono l’allineamento tra righe e colonne, numeri e unità di misura letti male, timbri, firme, annotazioni a mano, pagine storte o di bassa qualità.
Prima di caricare un archivio di scansioni conviene controllarne un campione, confrontando il testo estratto con l’originale e guardando soprattutto i numeri. Quando esiste una versione digitale dello stesso documento, ad esempio il file da cui è stato stampato, va preferita alla scansione. Per i documenti importanti che esistono solo su carta può valere la pena di una trascrizione verificata.
Anche alcuni formati digitali richiedono attenzione. I fogli Excel complessi, con celle unite e fogli collegati, si leggono male se convertiti in testo, e spesso è meglio trattarli come dati strutturati. Disegni tecnici, foto e schemi contengono informazioni che la ricerca testuale non vede, a meno che non siano accompagnati da una descrizione. Le catene di email mescolano decisioni, ipotesi poi scartate e citazioni ripetute: prima di includerle conviene riportare le decisioni in un documento a parte.
Struttura e metadati: cosa aiuta la ricerca
Un documento scritto per essere ritrovato ha un titolo che dice di cosa parla, sezioni con intestazioni chiare e un argomento per sezione. Le informazioni di contesto, come nome del prodotto, cliente, reparto o periodo di validità, devono comparire nel testo vicino ai dati a cui si riferiscono, perché il frammento recuperato potrebbe essere solo quello. Le sigle interne vanno spiegate almeno una volta, oppure raccolte in un glossario. Il sistema non sa che in reparto, ad esempio, «OdL» significa ordine di lavoro.
I metadati sono le informazioni sul documento: tipo, reparto, versione, data di validità, responsabile, livello di riservatezza, prodotti o clienti a cui si riferisce. Servono a filtrare la ricerca, per esempio solo sui documenti in vigore o solo su quelli di un reparto, e ad applicare i permessi. Per cominciare non serve un sistema documentale complesso: una tabella che associa a ogni documento i suoi metadati è già un punto di partenza.
Le domande frequenti di clienti e colleghi meritano un trattamento a parte. Scritte come coppie di domanda e risposta, e approvate da chi ne è responsabile, sono un materiale adatto alla ricerca, perché la loro forma somiglia a quella delle domande che verranno poste.
Permessi, dati personali e informazioni riservate
Un assistente che risponde sui documenti deve rispettare gli stessi permessi che valgono per le persone. Se un magazziniere non può aprire le buste paga, non deve poterle ottenere chiedendole all’AI. L’OWASP, nella sua classificazione dei rischi per le applicazioni basate su modelli linguistici, indica tra le contromisure controlli di accesso granulari e archivi di ricerca che tengono conto dei permessi. Nella pratica le strade sono due: il sistema eredita i permessi delle cartelle e del gestionale, oppure si costruiscono basi separate per gruppi di utenti con accessi diversi.
Sui dati personali valgono i principi del GDPR. Per la minimizzazione nella base entra solo ciò che serve all’attività. Per l’esattezza i dati devono essere esatti e, se necessario, aggiornati, e un’anagrafica vecchia lasciata nella base va contro questo principio. Per la limitazione della conservazione i dati non restano oltre il tempo necessario allo scopo. CV, documenti sanitari, buste paga, documenti d’identità e in generale i dati dei dipendenti vanno esclusi, salvo un progetto specifico con le sue valutazioni. Il rapporto preparato per l’EDPB segnala anche il rischio che il sistema recuperi informazioni personali o riservate solo perché si trovano nella base, e quello legato a servizi esterni che ricevono domande e documenti.
Un rischio meno conosciuto riguarda le istruzioni nascoste: un documento, ad esempio un file ricevuto dall’esterno, può contenere testo rivolto all’AI che ne altera le risposte. L’OWASP lo chiama avvelenamento della base di conoscenza e raccomanda di accettare contenuti solo da fonti fidate e verificate. Per una PMI vuol dire non caricare in automatico allegati e documenti esterni nella base usata per le risposte interne. Prima di scegliere lo strumento va verificato anche dove vengono trattati i documenti e a quali condizioni.
Chi tiene aggiornata la base, e come?
Una knowledge base senza responsabile invecchia. Per ogni area serve una persona che decide cosa entra, toglie ciò che è superato e risponde della correttezza dei contenuti. In una piccola azienda è spesso chi già cura quei documenti, come il responsabile qualità per le procedure o l’ufficio commerciale per listini e condizioni. Il coordinamento complessivo può stare al referente del progetto AI.
L’aggiornamento va legato agli eventi, oltre che al calendario. Quando cambia un listino, una procedura o un prodotto, la modifica deve arrivare anche nella base e la versione vecchia deve uscirne. Una revisione periodica serve a trovare quello che è sfuggito.
Per sapere se la base funziona serve un insieme di domande di prova: domande reali raccolte da chi lavora, ciascuna con la risposta corretta e il documento da cui deve venire. Si ripetono dopo ogni modifica importante. Quando una risposta è sbagliata si guarda quale frammento è stato recuperato, e se il frammento era sbagliato o mancava la correzione va fatta nel documento. Le segnalazioni degli utenti vanno raccolte in un unico posto.
Il lavoro non conviene in ogni caso. Se i documenti sono pochi, stabili e consultati di rado, può bastare una cartella condivisa ben ordinata con un indice. Se le informazioni che servono stanno quasi tutte nel gestionale, il primo passo utile è un collegamento ai dati, prima di qualunque base documentale.