Un sistema RAG aziendale tradizionale cerca i contenuti più pertinenti rispetto a una domanda e li fornisce al modello: ma quando l’AI passa dalla risposta all’azione, la sola rilevanza semantica può non bastare.
Una procedura aggiornata ieri e un documento obsoleto possono essere entrambi molto simili alla query: quale dei due dovrebbe guidare la decisione dell’agente?
Stack Overflow ha presentato il 30 settembre la nuova generazione di Stack Internal, progettata per trasformare contenuti aziendali dispersi in conoscenza verificabile per persone e agenti.
Dalla similarità ai segnali di fiducia
Stack Internal valuta la conoscenza attraverso segnali quali provenienza, aggiornamento, competenza, corroborazione e validazione umana. Per gli agenti questi elementi possono essere tradotti in un trust score utilizzabile per stabilire quali informazioni privilegiare e quando serva un controllo aggiuntivo.
La piattaforma può inoltre rilevare informazioni contrastanti al momento della risposta. Quando emerge una lacuna critica, può individuare uno Subject Matter Expert e avviare un workflow di validazione.
Queste sono funzionalità dichiarate da Stack Overflow, non una prova che il sistema elimini errori o allucinazioni.
Perché la rilevanza non basta
In molti RAG il ranking risponde principalmente alla domanda:
“quanto questo contenuto è vicino alla richiesta?”.
Nei processi aziendali dovremmo aggiungerne altre:
- chi ha prodotto l’informazione?
- Quando è stata aggiornata?
- È stata approvata?
- Esistono fonti in conflitto?
- È valida per quel progetto o reparto?
Questo trasforma la knowledge base da semplice deposito di chunk a sistema nel quale anche i metadati di fiducia contribuiscono alla selezione del contesto.
Il problema di una RAG aziendale cresce con gli agenti
Per un chatbot, un’informazione obsoleta può generare una risposta sbagliata che una persona intercetta.
Un agente può invece utilizzare quella stessa informazione per scegliere un workflow, modificare un record, generare un documento o attivare un’altra automazione. L’affidabilità della conoscenza diventa quindi parte della sicurezza operativa.
Stack Internal rende inoltre la conoscenza disponibile agli strumenti compatibili tramite MCP mantenendo permessi e provenienza.
Il principio interessante è separare il modello dalla memoria organizzativa: modelli e agenti possono cambiare, mentre la conoscenza validata rimane un asset aziendale persistente.
Cosa significa per un RAG aziendale
Per l’utilizzo di AI da parte di PMI e Studi Professionali significa progettare il RAG pensando oltre embedding e similarity score.
Project ID, fonte, data di aggiornamento, autorevolezza, stato di approvazione e validità temporale possono diventare segnali utilizzabili nel retrieval e nel reranking. Nei casi ambigui, il sistema può ridurre la confidenza o richiedere verifica umana invece di costruire una risposta apparentemente certa.
Il salto di qualità è riuscire a far capire al sistema quali conoscenze meritano più fiducia e perché.
Gol-IA può evolvere in questa direzione combinando retrieval, metadati, reranking e fonti verificabili nello stesso workflow. L’obiettivo è fornire agli agenti non più contesto, ma contesto migliore.