RAG e Graph RAG nel marketing: cosa sono e perché contano

Come un’AI risponde sui tuoi documenti invece che «a memoria», perché il RAG classico non basta quando la risposta sta nei collegamenti, e cosa aggiunge un grafo.

Aggiornato il 6 ottobre 2026 · Redazione MAPS

In breve

Il RAG (Retrieval-Augmented Generation) è la tecnica con cui un modello AI risponde sui tuoi documenti: prima recupera i passaggi più pertinenti alla domanda, poi genera la risposta basandosi su quelli. Il Graph RAG aggiunge un grafo di entità e relazioni — brand, concorrenti, canali, pubblici — e permette di rispondere anche quando la risposta sta nei collegamenti tra le informazioni.

Perché serve

Un modello linguistico, da solo, risponde con quello che ha imparato durante l’addestramento: conoscenze generali, ferme a una certa data, e nessuna delle tue ricerche. Il RAG gli dà accesso alla tua memoria — ricerche, analisi, report, decisioni — e lo obbliga a rispondere su quella. È la differenza tra chiedere a un esperto esterno e chiedere a chi ha letto tutto il tuo archivio.

Come funziona

Indicizzare. I documenti vengono divisi in frammenti, e ogni frammento è trasformato in un embedding: una rappresentazione numerica del suo significato.
Recuperare. Quando fai una domanda, il sistema cerca i frammenti con il significato più vicino.
Generare. Il modello riceve la domanda e i frammenti, e scrive la risposta citando da dove viene.

Dove il RAG classico si ferma

Il RAG trova i passaggi simili alla domanda. Funziona bene quando la risposta sta in un punto. Funziona meno quando sta nei collegamenti: «dove siamo più esposti rispetto al Concorrente A?» richiede di unire informazioni che stanno in documenti diversi — su quali canali opera il concorrente, quali pubblici servono quei canali, dove il brand è debole. Ogni frammento, da solo, non contiene la risposta.

Cosa aggiunge il Graph RAG

Un Graph RAG estrae dai documenti le entità e le relazioni tra loro e le tiene in un grafo. Quando la domanda nomina un’entità, il sistema segue le sue relazioni e le mette accanto ai testi: il modello può così ragionare sui collegamenti, non solo sui passaggi. Un grafo ben fatto permette anche di dire quante fonti sostengono una relazione e da quando.

Cosa chiedere a un sistema RAG

Le fonti. Ogni risposta deve dire da dove viene.
Le date. Un’informazione di un anno fa va presentata come tale.
La natura dell’informazione. Un fatto non è un’analisi, e un’analisi non è un’opinione letta sui social.
I vuoti dichiarati. Se il materiale non contiene la risposta, il sistema deve dirlo invece di inventare.
L’aggiornamento. Quello che salvi deve entrare subito nella memoria.
La separazione. Le informazioni di un cliente non devono finire nelle risposte su un altro.

Come lo fa MAPS

La memoria di ogni progetto MAPS è un RAG sempre aggiornato: tutto quello che il progetto produce o che carichi entra nella memoria, e prima di ogni domanda MAPS controlla che sia allineata. Ogni frammento porta il modulo da cui viene, la sua natura — fatto, analisi, opinione — e la data. In più c’è il Graph RAG: un grafo costruito con un’ontologia pensata per marketing e comunicazione, in cui ogni relazione dice quante fonti la sostengono e da quando a quando è stata riconfermata. Se un’informazione manca, la risposta lo dice; e con «Confronta col passato» la chat ti dice cosa è cambiato.

Una risposta della chat di MAPS, con la fonte e la data di ogni informazione

Come lavoriamo →

Domande frequenti

Che differenza c’è tra RAG e fine-tuning?

Il fine-tuning modifica il modello addestrandolo su nuovi dati. Il RAG lascia il modello com’è e gli passa, a ogni domanda, le informazioni pertinenti. Per conoscenze che cambiano spesso, come quelle di mercato, il RAG è di solito più adatto: si aggiorna salvando un documento.

Il RAG elimina le allucinazioni?

Le riduce molto, perché il modello risponde su fonti precise. Non le elimina del tutto: servono anche regole che lo obblighino a citare e a dichiarare quando un’informazione manca.

Cos’è un Graph RAG?

Un RAG che, oltre ai frammenti di testo, usa un grafo di entità e relazioni estratte dai documenti. Permette di rispondere a domande che richiedono di collegare informazioni sparse.

Serve un RAG per ogni cliente?

Serve che la memoria di ogni cliente resti separata. Quando si ragiona su più clienti o paesi insieme, ogni informazione deve portare l’etichetta da cui viene.

Origine e riferimenti

Patrick Lewis e altri, «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks» (NeurIPS 2020). Per il Graph RAG: Darren Edge e altri (Microsoft Research), «From Local to Global: A Graph RAG Approach to Query-Focused Summarization» (2024).

Scritto dalla redazione MAPS con l’aiuto dell’AI, verificato e rivisto dal team.

Embedding vettoriali: la ricerca per significato, spiegata semplice

Cosa sono gli embedding, perché permettono di trovare un’informazione anche senza le parole giuste, e dove si fermano.

Leggi →

AI e Marketing·8 min di lettura

Knowledge base di marketing: la memoria che non si perde

Ricerche, analisi, materiali e decisioni in un posto solo, interrogabile a parole: come costruirla perché resti utile, e cosa cambia quando la legge un’AI.

Leggi →

Metodologia·9 min di lettura

Ricerca di mercato con l’AI: velocità senza perdere profondità

Cosa l’AI fa bene nella ricerca di mercato, dove sbaglia, e le regole per usarla senza farsi ingannare: fonti, date, lingua del mercato, stime dichiarate.

Leggi →