LLM classico vs LLM con ricerca (RAG)

Un LLM classico genera la propria risposta esclusivamente a partire da ciò che ha memorizzato durante l'addestramento, fissato a una data precisa. Un LLM con ricerca, detto "RAG" (retrieval-augmented generation), cerca prima documenti recenti pertinenti, poi si basa su questi documenti per costruire la propria risposta. Questa distinzione è centrale per capire perché il vostro contenuto può, o non può, influenzare ciò che un'IA dice del vostro brand.

Cosa sa fare un LLM classico, e cosa non sa fare

Un modello linguistico di grandi dimensioni viene addestrato su un volume enorme di testo, fino a una data di cutoff. Una volta terminato l'addestramento, la sua "conoscenza" resta fissata nei pesi del modello: non legge nulla in tempo reale, genera testo basandosi su regolarità statistiche apprese. Interrogato su un argomento stabile e ben documentato all'epoca del suo addestramento, un LLM classico può rispondere in modo accurato. Ma interrogato su una notizia recente, un prodotto uscito dopo la sua data di cutoff, o un brand poco presente nei suoi dati di addestramento, semplicemente non ha l'informazione, o rischia di "allucinare" una risposta plausibile ma falsa. Un esempio concreto illustra bene questo limite: se lanciate un nuovo brand o un nuovo prodotto dopo la data di cutoff di un modello, quest'ultimo semplicemente non ne ha alcuna conoscenza interna. Interrogato direttamente al riguardo, può ammetterlo onestamente, oppure, nel peggiore dei casi, inventare una descrizione plausibile ma totalmente falsa a partire da elementi simili appresi altrove.

Il principio del RAG: cercare prima di rispondere

Il RAG aggiunge una fase di recupero delle informazioni prima della generazione della risposta. In concreto, in un'architettura RAG tipica, il sistema trasforma la domanda dell'utente in una o più query, va a cercare documenti pertinenti (tramite un motore di ricerca web, un database vettoriale, o entrambi), poi fornisce questi documenti al modello linguistico come contesto aggiuntivo per redigere la propria risposta. Il modello non si limita più a recitare ciò che ha memorizzato: legge estratti recuperati proprio nel momento della domanda, e li usa come materia prima. È questo meccanismo che permette a un chatbot di citare una fonte, un dato numerico recente, o un articolo pubblicato il giorno prima. Questa fase di recupero non è gratuita in termini di calcolo né di tempo di risposta: è un compromesso assunto dai fornitori di IA tra la rapidità di una risposta generata puramente e l'affidabilità di una risposta verificata da fonti recenti. È anche per questo che alcuni strumenti attivano una ricerca solo quando la domanda lo giustifica chiaramente, ad esempio un'attualità o un argomento preciso, piuttosto che sistematicamente per ogni scambio.

Perché questa distinzione cambia tutto per la vostra visibilità

Se un'IA funziona in modalità puramente classica, senza ricerca, la vostra unica possibilità di essere menzionati è essere stati sufficientemente presenti nei dati di addestramento del modello, il che sfugge in gran parte al vostro controllo nel momento presente. Se invece l'IA funziona in modalità RAG, il vostro contenuto pubblicato oggi può essere recuperato, letto e citato domani, a condizione di essere accessibile ai crawler e ben strutturato. È questa seconda situazione ad aprire uno spazio d'azione reale per il GEO: produrre contenuti recuperabili, comprensibili in estratti isolati, e sufficientemente documentati per essere giudicati affidabili al momento della selezione. La lezione Come un LLM RAG costruisce una risposta approfondisce le fasi concrete di questo processo, dalla query iniziale fino alla citazione finale. Questo non garantisce nulla automaticamente: essere recuperabili non significa essere trattenuti, ma è una condizione preliminare indispensabile, senza la quale nessuna delle fasi successive ha nemmeno l'occasione di verificarsi.

Non tutti gli strumenti IA sono RAG allo stesso modo

In pratica, la maggior parte dei chatbot destinati al grande pubblico combina entrambe le logiche: si basano sulle proprie conoscenze interne per gli argomenti stabili, e attivano una ricerca web quando la domanda riguarda l'attualità, un argomento preciso, o quando l'utente lo richiede esplicitamente. La frequenza e il modo in cui ciascuno strumento attiva questa ricerca variano sensibilmente da un prodotto all'altro: alcuni cercano quasi sistematicamente, altri solo in determinati casi. Queste sfumature sono approfondite nella lezione ChatGPT, Perplexity, Gemini, Claude: come ciascuno sceglie le proprie fonti, che confronta il funzionamento dei principali strumenti sul mercato. In alcuni strumenti, l'utente può persino attivare o disattivare manualmente questa modalità di ricerca, scegliendo esplicitamente un'opzione del tipo "cerca sul web", il che dimostra bene che classico e RAG non sono due categorie separate di strumenti, ma spesso due modalità di funzionamento di uno stesso prodotto.

Cosa comporta concretamente per il vostro contenuto

In un mondo dominato dal RAG, la domanda da porsi non è più solo "sono ben posizionato nei risultati di ricerca", ma "il mio contenuto può essere trovato, capito e giudicato affidabile in pochi secondi da un sistema che legge solo un estratto isolato della mia pagina". Ciò presuppone un contenuto accessibile ai crawler, passaggi autonomi che non necessitano del resto dell'articolo per essere compresi, e prove concrete che rassicurino il sistema sull'affidabilità dell'informazione. Questi requisiti sono trattati più nel dettaglio nelle lezioni dedicate al chunking e alla strutturazione dei contenuti per il GEO.

Ricordate l'essenziale: un LLM classico recita, un LLM RAG cerca e poi sintetizza. È questa seconda logica a rendere possibile il GEO, perché lascia spazio, a ogni nuova domanda posta da un utente, al contenuto che pubblicate oggi.