Fine tuning o RAG: come scegliere per l’AI in azienda

Il fine tuning va valutato quando il modello dispone dei dati aziendali giusti, ma continua a sbagliare stile o criteri decisionali; se invece gli mancano le informazioni, serve la RAG. La scelta è tra fornire le evidenze necessarie e insegnare un comportamento. I 3 casi aziendali che seguono mostrano perché un addestramento economico non rende automaticamente più economico l’intero sistema.

Documentazione, disponibilità dei modelli e prezzi di listino verificati il 16 ottobre 2026. I carichi di lavoro e i calcoli riportati sono esempi indicativi per la pianificazione, non risultati misurati presso clienti.

Fine tuning o RAG: quale problema bisogna risolvere?

Il recupero delle informazioni risolve l’accesso alle conoscenze; il fine tuning interviene sui comportamenti ricorrenti. Questa distinzione indica dove concentrare gli sforzi, prima ancora di scegliere un servizio da acquistare.

La retrieval-augmented generation, o RAG, recupera il materiale pertinente e lo inserisce nel contesto di lavoro del modello prima che questo risponda. Il fine tuning prosegue l’addestramento di un modello preaddestrato usando esempi delle risposte o delle decisioni desiderate, modificandone i parametri appresi. Pensiamo a un addetto all’assistenza: il recupero delle informazioni gli mette a disposizione il manuale aggiornato; il fine tuning lo affianca con esempi corretti. Nessuno dei due sostituisce istruzioni chiare.

È una distinzione utile come punto di partenza, non una regola secondo cui l’addestramento non possa insegnare fatti. Un modello sottoposto a fine tuning può apprendere associazioni fattuali. Questo, però, non lo rende un database affidabile di policy aggiornate, permessi sui documenti e riferimenti alle fonti. Il confronto di AWS distingue proprio il ruolo delle conoscenze da quello della personalizzazione.

Fate la prova con le evidenze corrette: prendete una domanda a cui il sistema ha risposto male e fornite manualmente il passaggio giusto e aggiornato. Se la risposta diventa accettabile, intervenite sul recupero delle informazioni. Se continua a non funzionare, esaminate le istruzioni, la difficoltà del compito e il comportamento della risposta. Il fine tuning diventa un’opzione solo dopo aver migliorato questa soluzione di base, più semplice.

Per chi sviluppa, questo separa la pipeline documentale da quella di addestramento. Per chi gestisce il servizio, chiarisce di chi sia la responsabilità: del referente delle conoscenze o di chi approva gli esempi. Per chi acquista, offre un criterio di accettazione utile: chiedere al fornitore di mostrare quale errore risolve la componente aggiuntiva.

RAG, fine tuning e prompt engineering: come orientarsi

Partite dall’intervento più piccolo che supera il test di accettazione del vostro compito. Il prompt engineering consiste nel migliorare le istruzioni, gli esempi e il contesto forniti con una richiesta. Rimane parte integrante sia dei sistemi RAG sia di quelli con fine tuning.

Quando basta il prompt engineering e quando serve la RAG?

Usate un prompt quando il materiale necessario è già nella richiesta. Aggiungete il recupero delle informazioni quando l’applicazione deve cercarlo tra le fonti aziendali. Un’istruzione migliore non può far conoscere al modello una clausola di disdetta che non riceve; un indice di ricerca non può risolvere istruzioni contraddittorie su come applicarla.

Quando passare dal prompt engineering al fine tuning?

Lasciate nei prompt le regole di brand che continuano a cambiare e i compiti occasionali. Valutate il fine tuning quando un comportamento stabile e ripetuto continua a non riuscire, nonostante istruzioni chiare ed esempi rappresentativi. La guida di Google al fine tuning raccomanda di definire prima una soluzione di riferimento basata sui prompt.

Che rapporto c’è tra fine tuning e transfer learning?

Il fine tuning è una forma di transfer learning: adatta al vostro compito capacità apprese durante un addestramento precedente. Non è un’altra tecnica per recuperare fonti. Per questa scelta, la domanda utile è se occorra davvero modificare il comportamento appreso dal modello.

Prima di sviluppare, scegliete un modello supportato

Prima di preparare un progetto di fine tuning su una piattaforma gestita, verificate sia il supporto del modello sia l’abilitazione dell’account. Il nome di un modello in un vecchio tutorial non basta.

La piattaforma self-service di fine tuning di OpenAI ha chiuso l’accesso alle organizzazioni che non l’avevano mai usata il 7 maggio 2026. Dal 2 luglio 2026, anche le organizzazioni che non avevano utilizzato un modello sottoposto a fine tuning nei 60 giorni precedenti hanno perso la possibilità di creare job. L’avviso attuale indica che i clienti esistenti ancora attivi perderanno la possibilità di creare nuovi job il 6 gennaio 2027; l’inferenza sui modelli già personalizzati resterà disponibile solo fino alla dismissione del modello di base. Non è quindi il percorso predefinito per un nuovo progetto aziendale. Avviso di dismissione di OpenAI.

Google Gemini 3.1 Flash-Lite è un candidato per cui la documentazione attuale di Google Cloud supporta esplicitamente il fine tuning supervisionato, cioè l’addestramento su esempi etichettati. La documentazione di Google chiama oggi la piattaforma Gemini Enterprise Agent Platform; la precedente documentazione sul tuning di Vertex AI reindirizza lì. Qui il modello serve a costruire un budget concreto, non a sostenere che sarà il migliore per il vostro compito. Modelli supportati per il fine tuning.

I vincoli di deployment contano: il fine tuning di questo modello viene eseguito in us-central1 o europe-west4, mentre l’inferenza del modello personalizzato usa gli endpoint multiregionali us o eu. Calcolate il budget su questi endpoint, senza copiare la tariffa globale più economica del modello di base. Google esclude inoltre il fine tuning supervisionato dalla garanzia sul livello di servizio. Limiti del fine tuning.

Prezzi di riferimento per gli esempi: l’inferenza testuale standard su endpoint non globali costa $0.275 per l’input, $0.0275 per l’input in cache e $1.65 per l’output per milione di token; il fine tuning costa $3 per milione di token di addestramento, comprese le epoche ripetute, e l’inferenza sul modello personalizzato costa 1.5 volte la tariffa di base, cioè $0.4125 per l’input e $2.475 per l’output. Sono prezzi di listino di Google Cloud, non prezzi degli abbonamenti all’app Gemini. Prezzi Google.

Un’epoca è un passaggio completo sul dataset di addestramento. Tutti gli esempi ipotizzano una chiamata al modello per elemento e un totale di token di output fatturabili che comprende gli eventuali token di ragionamento. Sono esclusi imposte, sviluppo, etichettatura, chiamate di valutazione, nuovi tentativi, archiviazione dei documenti sorgente, scansione dei documenti e servizi di ricerca aggiuntivi. Queste voci richiedono un budget a parte: la fattura dell’addestramento non è un preventivo di implementazione.

Tre casi aziendali: che cosa sviluppare e quanto costa

Assistenza basata sui documenti aziendali: partire dalla RAG

All’assistente di supporto di un’azienda software servono evidenze aggiornate prima ancora dell’addestramento. Se un cliente chiede se la disdetta abbia effetto immediato, la risposta deve rispettare la policy in vigore e le eventuali eccezioni contrattuali applicabili.

Create un processo di acquisizione che legga i documenti approvati, li suddivida in passaggi utili e conservi URL della fonte, data di entrata in vigore, prodotto e permessi di accesso. Al momento della richiesta, limitate la ricerca al materiale che il cliente è autorizzato a vedere, recuperate i passaggi pertinenti e chiedete al modello di rispondere sulla base di quelle evidenze, citandole. Sostituite i passaggi modificati ed eliminate quelli rimossi. Una modifica alla fonte non aggiorna istantaneamente l’indice.

OpenAI text-embedding-3-small trasforma il testo in rappresentazioni numeriche usate per la ricerca per similarità. Costa $0.02 per milione di token di input e produce 1,536 dimensioni per impostazione predefinita. Creare gli embedding dei documenti li rende ricercabili; non addestra il modello che scrive le risposte. Prezzo del modello, dimensioni degli embedding.

In questo esempio, Cloudflare Vectorize è il database vettoriale che memorizza le rappresentazioni e trova quelle simili. Il suo limite è la qualità delle evidenze: un passaggio vicino nello spazio vettoriale può essere obsoleto o irrilevante. L’applicazione deve applicare i controlli di accesso e verificare che il testo selezionato sostenga la risposta.

Costo iniziale: ipotizziamo 10,000 passaggi con una media di 500 token dopo la suddivisione in chunk. L’embedding iniziale costa 5 milioni di token × $0.02 = $0.10. Sono esclusi il parsing e il lavoro di sviluppo descritto sopra.

L’indice memorizza 15.36 milioni di dimensioni, superando la quota gratuita di 5 milioni di Vectorize. La quota inclusa nel piano a pagamento comprende 10 milioni di dimensioni memorizzate e 50 milioni di dimensioni interrogate al mese; le eccedenze costano $0.05 per 100 milioni di dimensioni memorizzate e $0.01 per milione di dimensioni interrogate. Per questo indice e 10,000 query mensili, la formula pubblicata da Cloudflare restituisce 30.72 milioni di dimensioni interrogate, entro la quota inclusa. L’eccedenza di archiviazione costa $0.00268/mese. Si presume che le quote non siano già utilizzate altrove nell’account. Prezzi di Vectorize.

Budget mensile delle componenti: sostituire 1,000 passaggi e creare gli embedding di 10,000 domande con una media di 100 token costa $0.03. Generare 10,000 risposte, ciascuna con 2,500 token totali di input e 400 token di output, costa $13.475. Aggiungendo il minimo di $5 per l’account Workers Paid e l’eccedenza di archiviazione, si arriva a circa $18.51/mese, oltre al costo iniziale degli embedding. Si presume che l’esecuzione dei Worker resti entro le quote incluse. Prezzi di Workers.

Il test operativo consiste nel verificare che la risposta usi la policy corretta e in vigore, citi un passaggio che la sostenga e non inventi eccezioni. Testate anche i documenti eliminati e il tentativo di un cliente di accedere al contratto di un altro. Valutate il fine tuning in seguito, solo se evidenze corrette continuano a produrre un errore di comportamento ripetibile.

Uno stile editoriale riconoscibile: provare esempi e cache prima dell’addestramento

Una voce editoriale stabile può giustificare il fine tuning; un brand che sta ancora discutendo quale voce adottare, no. Consideriamo un’azienda che produce email di prodotto: devono essere dirette, evitare affermazioni esagerate e concludersi con un’azione concreta da compiere.

Partite da una guida di stile e da esempi approvati inseriti nel prompt. Se il risultato continua a mancare le sfumature editoriali desiderate, costruite coppie di addestramento: il brief originale e i fatti come input, la bozza approvata dall’editor come output. Un archivio di sole email definitive non mostra quale input debba produrre quale risposta.

Per un brief esemplificativo che annuncia l’assistenza al sabato, un testo approvato potrebbe essere: «Da oggi puoi contattare l’assistenza anche il sabato. Apri la chat quando ti serve aiuto». Il testo di riferimento mostra la voce da adottare; il brief fornisce i fatti.

Separate lo stile dai contenuti fattuali. Addestrate il modello a preferire aperture brevi; fornite i dettagli del prodotto di questa settimana al momento della richiesta. Tenete da parte brief mai usati nell’addestramento per la valutazione e chiedete agli editor di giudicare affermazioni prive di riscontro, tono, presenza dei contenuti richiesti e quantità di riscrittura necessaria. Un punteggio di similarità testuale non dimostra che il testo sia adatto al brand.

Costo iniziale: 1,000 coppie con una media di 1,600 token totali × 3 epoche = 4.8 milioni di token di addestramento, ossia $14.40 per un job. Sono ipotesi di budget, non una raccomandazione secondo cui questa dimensione del dataset o questo numero di epoche supereranno la valutazione.

Utilizzo mensile del modello: 10,000 bozze, ciascuna con 1,200 token di input e 400 token di output, costano $14.85 sul modello personalizzato. Lo stesso modello di base, con 4,800 token aggiuntivi di stile ed esempi per richiesta, costa $23.10 senza riscontri in cache. Nel caso limite a regime, in cui ogni prefisso ripetuto viene trovato nella cache implicita, il costo della soluzione di riferimento basata sui prompt scende a $11.22, a cui vanno aggiunti i costi dei mancati riscontri in cache e della fase iniziale di riscaldamento. Questi calcoli usano le tariffe Google indicate sopra.

Questo ribalta l’argomento economico. Il fine tuning può comunque essere giustificato dalla riduzione del lavoro di revisione editoriale, ma non è automaticamente il modo più economico per evitare di pagare ripetutamente un lungo prompt di stile. Misurate l’utilizzo della cache e l’accettazione da parte degli editor prima di investire in una pipeline di addestramento.

Classificare i ticket: addestrare sulle decisioni stabili, recuperare le regole che cambiano

Un classificatore di ticket è un buon candidato al fine tuning quando le etichette sono stabili e gli errori ricorrenti sono misurabili. Supponiamo che le etichette consentite siano billing, access, bug e review.

Il messaggio «Non riesco ad aprire la fattura» mostra dove sta la difficoltà. Contiene una parola legata alla fatturazione, ma la coda competente potrebbe essere quella dei problemi di accesso. Concordate questo confine con i responsabili dell’assistenza, poi etichettate messaggi rappresentativi, compresi quelli ambigui. Quando dividete i dati tra addestramento e valutazione, tenete insieme i messaggi correlati della stessa conversazione e includete ticket successivi nel tempo, per far emergere cambiamenti nel linguaggio o nei prodotti.

L’output deve essere un’etichetta consentita, ma la sola correttezza del formato non basta. Misurate separatamente i casi urgenti non riconosciuti, le assegnazioni alla coda sbagliata, le revisioni non necessarie e il carico di riassegnazione a valle. Una dichiarazione di sicurezza del modello non equivale a una soglia calibrata per l’instradamento.

Costo iniziale: 5,000 esempi etichettati con una media di 300 token totali × 3 epoche = 4.5 milioni di token di addestramento, ossia $13.50 per un job. Utilizzo mensile del modello: 100,000 ticket, ciascuno con 250 token di input e 20 token di output fatturabili, costano circa $15.26 sul modello personalizzato, contro $10.18 per lo stesso prompt breve sul modello di base. Il modello personalizzato deve giustificare il sovrapprezzo con decisioni migliori. Prezzi Google.

Usate il codice dell’applicazione per rifiutare le etichette non valide e inviare i casi ambigui alla revisione. La documentazione di Google sul fine tuning avverte che aggiungere in fase di inferenza la generazione controllata, che vincola l’output a uno schema, può creare un disallineamento rispetto all’addestramento. Valutate quindi l’esatta combinazione che intendete mettere in produzione. Problemi noti del fine tuning.

Se le responsabilità delle code cambiano spesso, mantenete la policy di instradamento attuale fuori dai pesi del modello. Recuperatela oppure inseritela nel prompt. Se continuano a cambiare i confini stessi delle etichette, rimandate il fine tuning finché il processo non sarà abbastanza stabile da poter essere insegnato.

Contesto lungo e prompt caching: che cosa cambia nel 2026

Per una raccolta di documenti piccola e stabile, oggi può valere la pena provare l’invio diretto prima di costruire un servizio di recupero delle informazioni. Contesto lungo e caching non sono stati inventati nel 2026; cambiano però la soluzione di riferimento con cui confrontarsi oggi.

La finestra di contesto è la quantità di materiale con cui il modello può lavorare in una richiesta. Gemini 3.1 Flash-Lite, rilasciato il 7 maggio 2026, dichiara una finestra di contesto di 1,048,576 token. È una capacità, non la garanzia che ogni eccezione contenuta in un grande manuale venga applicata correttamente. Lasciate spazio per le istruzioni, la domanda e la generazione, poi testate i passaggi difficili. Specifiche del modello.

RAG o CAG: quando usare il contesto in cache?

La cache-augmented generation, o CAG, consiste nel precaricare le conoscenze e riutilizzare il contesto in cache, anziché recuperare documenti a ogni domanda. È utile quando il corpus pertinente rientra nel contesto, cambia di rado e prevede gli stessi permessi di accesso per tutti i destinatari. Il prompt caching riutilizza l’elaborazione dell’input ripetuto; non inserisce quei fatti nei pesi del modello e non garantisce una risposta aggiornata.

Ipotizzando un manuale di 80,000 token riutilizzato in 10,000 richieste, la sola componente di input del manuale costa $220 senza caching oppure $22 alla tariffa in cache, se ogni richiesta trova un riscontro. Nuove domande, output, mancati riscontri e creazione della cache restano a pagamento. Conservare una cache esplicita di quel manuale per 720 ore aggiunge $57.60 di archiviazione, applicando la tariffa di listino di $1 per milione di token-ora. Prezzi della cache di Google.

La cache implicita non ha costi di archiviazione, ma i riscontri non sono garantiti. Inserite prima il materiale condiviso, mantenetene costante il prefisso e controllate cachedContentTokenCount nelle risposte. Questo modello richiede almeno 4,096 token di contesto idoneo, quindi nel budget non va dato per scontato che un prompt breve per i ticket venga servito dalla cache. Documentazione sul caching.

Il confine è pratico. Usate direttamente un contesto lungo per un manuale di dimensioni contenute, che potete aggiornare e autorizzare nel suo insieme. Usate il recupero delle informazioni quando il corpus aziendale è più grande, cambia per singole parti o contiene documenti con permessi diversi. All’interno di un sistema RAG, mettete in cache un prefisso comune di istruzioni quando conviene: queste scelte possono coesistere.

Non presumete che tutte le funzionalità di cache siano disponibili anche su un modello sottoposto a fine tuning. L’attuale documentazione Google sul caching dei modelli personalizzati indica che la cache esplicita non è supportata per i modelli sottoposti a fine tuning, mentre il supporto della cache implicita dipende dalla versione del modello.

Usare entrambi quando i fatti cambiano e il comportamento resta sbagliato

Combinate recupero delle informazioni e fine tuning quando ciascuno risolve un problema dimostrato separatamente. Un assistente di supporto potrebbe recuperare la clausola di disdetta in vigore, mentre un modello personalizzato segue la struttura di risposta preferita dall’azienda: risposta, evidenze, prossima azione consentita oppure escalation.

Addestrate con esempi simili alle evidenze che il modello riceverà in produzione. Includete passaggi mancanti, irrilevanti e contraddittori, in modo che il comportamento desiderato comprenda la richiesta di chiarimenti o il rifiuto di inventare una risposta. Durante l’esecuzione, i controlli di accesso devono comunque precedere l’invio al modello del materiale riservato.

Valutate separatamente il recupero delle informazioni e il comportamento delle risposte. Citazioni corrette, confini dei permessi e aggiornamento delle fonti restano responsabilità dell’applicazione; il fine tuning non li fa rispettare al suo posto.

Se trovare le evidenze richiede ricerche successive, la guida alla RAG agentica spiega quando un ciclo di recupero con limiti definiti giustifica la propria complessità. Quando una carenza stabile di comportamento rende sensato l’addestramento, la guida su come eseguire il fine tuning di un LLM affronta la preparazione del dataset, i checkpoint e la valutazione.

Quali promesse sono esagerate?

Né «la RAG vince sempre» né «con il fine tuning il modello conoscerà la nostra azienda» è una specifica di progetto solida. Il recupero delle informazioni può fallire per fonti obsolete, selezione inadeguata dei passaggi o contesto mancante. Il fine tuning può apprendere esempi contraddittori e riprodurre una regola superata con maggiore costanza.

È facile anche attribuire troppo valore al basso costo di calcolo dell’addestramento. La fattura non comprende il lavoro necessario per definire che cosa sia un buon risultato, risolvere i disaccordi sulle etichette e mantenere utile un insieme di test. Finestre di contesto più grandi eliminano un vincolo di capacità; non dimostrano che il modello ragioni correttamente su ogni fatto fornito.

La dimostrazione da pretendere è più circoscritta: sui casi tenuti fuori dall’addestramento, questa componente risolve un errore preciso senza compromettere gli altri requisiti. Se il prompt esistente supera già i test, lasciate il sistema com’è.

Quando usare la RAG e quando il fine tuning?

Intervenite subito se mancano le evidenze; aspettate ad addestrare finché non sapete identificare e misurare la carenza di comportamento. Chi gestisce policy che cambiano deve sistemare responsabilità e aggiornamento delle fonti. Gli editor con esempi consolidati e riscritture ricorrenti dovrebbero confrontare prompting e fine tuning. Un classificatore con etichette in continua evoluzione deve aspettare. La disponibilità di un’altra tecnica di ottimizzazione non cambia il valore di un flusso di lavoro basato sui prompt che già funziona.

Ecco da dove partire lunedì:

1. 1

   Salvare i casi problematici prima di modificare il sistema

   Selezionate domande di assistenza, brief di scrittura o ticket rappresentativi. Registrate la risposta o la decisione approvata e tenete questi casi di valutazione fuori dal set di addestramento.

2. 2

   Fornire manualmente le evidenze mancanti

   Ripetete il compito con il passaggio corretto e istruzioni chiare. Classificate l’errore che resta: conoscenze mancanti, regola poco chiara, comportamento sbagliato oppure un compito che il modello non sa ancora svolgere.

3. 3

   Calcolare il costo della soluzione più semplice

   Confrontate il prompt attuale, un prompt in cache o con contesto lungo, il recupero delle informazioni e, solo dopo, un fine tuning supportato dove serve. Contate i token effettivamente fatturabili, i riscontri in cache, i nuovi tentativi e il lavoro umano di correzione.

4. 4

   Mettere in produzione ciò che supera il test di accettazione

   Scegliete l’architettura più semplice che supera il test. Assegnate un responsabile per l’aggiornamento dei documenti o la revisione degli esempi di addestramento, registrate le versioni distribuite e mantenete la possibilità di tornare alla versione precedente.

Domande frequenti

Qual è il significato di fine tuning nell’AI?

Il fine tuning adatta un modello preaddestrato usando ulteriori esempi di addestramento. Nei flussi di lavoro aziendali, l’obiettivo utile è di solito uno stile di risposta o un comportamento ripetibile nello svolgimento di un compito.

Quanto costa il fine tuning di un modello?

Il singolo job di addestramento Google nell’esempio di scrittura costa $14.40, con le ipotesi dichiarate su token ed epoche. Etichettatura, valutazione, inferenza e sviluppo sono costi separati; gli esperimenti non riusciti richiedono ulteriori job.

Che cosa funziona meglio della RAG?

Un prompt diretto può essere più semplice quando contiene già tutte le evidenze necessarie. Il fine tuning può aiutare con un problema di comportamento stabile. Nessuno dei due sostituisce il recupero delle informazioni quando il sistema deve trovare fatti aggiornati e autorizzati.

Quali sono le differenze principali tra un modello con fine tuning e un sistema RAG?

Il fine tuning modifica i parametri appresi attraverso l’addestramento. La RAG modifica le evidenze fornite al momento della richiesta. Aggiornare un indice delle fonti, riaddestrare un modello e dimostrare che una risposta abbia una citazione valida sono lavori diversi.

Il fine tuning è stato smentito?

No, se si intende l’adattamento dei modelli di machine learning. Il suo valore dipende dal compito e va dimostrato confrontandolo con una soluzione di riferimento basata sui prompt, usando esempi esclusi dall’addestramento.

Come è stato eseguito il fine tuning di ChatGPT?

L’annuncio originale di ChatGPT pubblicato da OpenAI nel 2022 descriveva esempi di dialogo supervisionati, seguiti da apprendimento per rinforzo con feedback umano. Quel processo storico è distinto dagli attuali requisiti di accesso al fine tuning tramite API per le aziende.

Che cosa ha detto Stephen Hawking sul fine tuning?

La domanda riguarda il fine tuning cosmologico, un altro significato del termine. Non si riferisce all’adattamento di un modello linguistico. La scelta aziendale qui riguarda il recupero delle informazioni e l’addestramento, non un’affermazione sull’universo.

Il fine tuning si usa ancora?

Sì. La documentazione attuale di Google elenca i modelli supportati, compreso il modello Gemini usato qui. La disponibilità presso i fornitori cambia: prima di preparare un job, verificate il modello specifico e l’abilitazione del vostro account.

Qual è il modello migliore per il fine tuning?

Scegliete un modello di base supportato che sappia già svolgere il compito principale e rispetti i vostri vincoli di deployment. Gemini 3.1 Flash-Lite è qui un esempio con costi espliciti, non un vincitore universale dimostrato dai test: a decidere sono i vostri casi tenuti fuori dall’addestramento.

Per prendere decisioni pratiche su come sviluppare con l’AI, iscrivetevi alla newsletter.