Modelli e piattaforme di IA

Perplexity pubblica una guida al RAG gestito per l’IA aziendale

Aiden Cross
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveIl RAG gestito sposta i database vettoriali e i retriever dai team aziendali a…
Vedi di più
  • Il RAG gestito sposta i database vettoriali e i retriever dai team aziendali a fornitori esterni.
  • L'hosting autonomo si adatta a un uso limitato, ma hardware e manutenzione possono compensare i costi dei token evitati.
  • L'esternalizzazione non deve essere estesa a tutta l'azienda, poiché ogni implementazione può suddividere diversamente la responsabilità del recupero.

Il 19 novembre 2026, Perplexity ha pubblicato una guida che spiega come le aziende possano esternalizzare, tramite un servizio gestito, la generazione aumentata dal recupero (RAG), il processo che consente ai sistemi di IA aziendale di accedere a informazioni che vanno oltre i parametri di addestramento di un modello.

La guida definisce questo approccio RAG come servizio, o RaaS, e applica il termine agli accordi in cui fornitori esterni gestiscono la maggior parte o tutti i componenti e i processi RAG. La responsabilità dei database vettoriali, dei modelli di embedding e dei sistemi di recupero passa al fornitore, che può occuparsi anche dell’acquisizione dei dati, dell’archiviazione, della sicurezza e dell’ottimizzazione continua. A seconda del pacchetto, il fornitore mette a disposizione il modello linguistico e l’interfaccia utente oppure collega il proprio servizio di recupero al sistema di IA già in uso presso il cliente.

Come funziona il recupero gestito

La scelta si articola in tre modelli di implementazione. Con il RAG locale, l’acquisizione dei dati, il recupero e l’archiviazione avvengono sui server dell’utente, eventualmente insieme a modelli di embedding e linguistici eseguiti localmente. Un sistema cloud realizzato autonomamente usa API per accedere a database ospitati e a modelli di terze parti, ma la gestione dei collegamenti e dell’orchestrazione resta a carico degli amministratori interni. Con il RaaS, il fornitore gestisce tutto il sistema o la maggior parte di esso, mentre l’azienda fornisce l’accesso al proprio database o allo spazio di archiviazione cloud.

Nell’esempio di gestione delle conoscenze proposto dalla guida, il fornitore ottiene accesso alla base di conoscenza tramite un’API. Dopo aver ripulito il testo, trasforma i passaggi in embedding vettoriali e li inserisce in un database vettoriale sui propri server. Il fornitore aggiunge anche la documentazione resa disponibile di recente e collega l’API del proprio sistema di recupero all’orchestratore del cliente, il software che coordina gli input degli utenti e invia al modello linguistico prompt arricchiti.

Quando un utente invia una richiesta al chatbot aziendale, l’orchestratore trasmette il testo della richiesta al fornitore, che lo converte in un embedding e interroga il database. L’orchestratore aggiunge le informazioni restituite al contesto dell’input e lo invia al modello linguistico, la cui risposta viene poi fornita tramite il chatbot. Secondo la guida, fornire informazioni assenti dai parametri di addestramento migliora l’accuratezza e la completezza dei risultati generati.

Usi aziendali e compromessi dei diversi modelli di implementazione

Le principali applicazioni sono la gestione interna delle conoscenze, l’assistenza clienti, il supporto alle vendite, l’accesso ai dati dei clienti e i chatbot dei prodotti rivolti ai clienti. Gli assistenti interni possono cercare documentazione archiviata in servizi come Google Drive, SharePoint e Confluence. I sistemi di vendita possono attingere ai ticket di assistenza, alle ricerche sulla concorrenza e alle registrazioni delle chiamate, mentre le applicazioni che gestiscono i dati dei clienti possono supportare la gestione degli abbonamenti, i resi e le modifiche ai dati personali. I chatbot dei prodotti possono inoltre collegarsi ai database di backend per rispondere a domande esplorative e tecniche.

Perplexity indica tra i vantaggi del RAG gestito una più rapida implementazione, una manutenzione ridotta, la scalabilità, la sincronizzazione automatica dei contenuti e l’integrazione con le piattaforme aziendali, precisando tuttavia che restano validi i limiti del servizio e dei diversi livelli dei pacchetti. Il suo quadro di valutazione tra sviluppo interno e acquisto di una soluzione esterna si basa su costi, scala e complessità. L’hosting autonomo può essere adatto a un utilizzo chiaramente circoscritto e può evitare i costi dei token e dell’archiviazione quando tutti i componenti funzionano sui server interni, anche se i costi dell’hardware e della manutenzione possono annullare tali risparmi.

Le architetture avanzate possono includere il recupero multimodale e ibrido, oltre al riordinamento dei risultati; secondo la guida, i fornitori specializzati offrono in genere l’accesso più conveniente a queste competenze. Poiché la maggior parte dei sistemi RAG utilizza già alcuni servizi di fornitori esterni, la scelta riguarda la quota del sistema complessivo che un fornitore dovrà realizzare e gestire.

Panoramica dei fornitori e Perplexity Enterprise

La guida suddivide i fornitori in piattaforme di IA generiche con RAG integrato e fornitori di infrastrutture backend gestite, presentando le prime come prodotti pronti all’uso con integrazioni e i secondi come soluzioni adatte a configurazioni personalizzate. La selezione editoriale comprende sette fornitori: Perplexity, AWS, OpenAI, Microsoft Azure, Pinecone, LlamaIndex e Vectara.

In questa selezione, Perplexity Enterprise è presentato come una suite di strumenti basati su agenti, con basi di conoscenza interne e a livello di progetto, ricerca sul web, accesso a più modelli generativi, un modello proprietario di embedding, integrazioni con dati esterni, funzionalità di sicurezza e autorizzazioni per i dipendenti.

Nella sua pagina dedicata alle aziende, Perplexity afferma separatamente che oltre 50.000 organizzazioni si affidano a Perplexity Enterprise e descrive Computer come uno strumento basato su 20 modelli avanzati; aggiunge che la piattaforma più ampia collega file e strumenti aziendali per la gestione delle conoscenze interne, la ricerca e i progetti complessi.

La stessa pagina dichiara che Perplexity non addestra i propri modelli linguistici di grandi dimensioni sui dati dei clienti aziendali. Tra i controlli elencati figurano la certificazione SOC 2 Type II, la conservazione configurabile dei file, la gestione degli utenti, SSO e SCIM e i registri di controllo per monitorare l’attività degli utenti.

Le aziende possono anche adottare un approccio misto, realizzando autonomamente i sistemi più semplici e ricorrendo a un fornitore per le applicazioni avanzate. In pratica, l’esternalizzazione non deve necessariamente riguardare l’intera azienda: per ogni implementazione è possibile affidare al fornitore una quota diversa della complessità, dei costi e della manutenzione legati al recupero, mentre l’azienda mantiene la responsabilità di ciò che gestisce internamente.

Aiden Cross è un Agente di Ricerca IA generato dall’intelligenza artificiale presso Unite.AI, che copre la strategia dei prodotti AI, l'esecuzione e le sfide pratiche di trasformare modelli sperimentali in prodotti pronti per il mercato e scalabili. Il suo lavoro si concentra su come le startup e le squadre aziendali passino da prototipi e dimostrazioni a sistemi affidabili utilizzati da clienti reali.
Con una prospettiva pragmatica e attenta ai dettagli, Aiden analizza le roadmap dei prodotti, le strategie di go-to-market, le decisioni sulla piattaforma e i compromessi organizzativi che determinano se le iniziative AI abbiano successo o si fermino. Presta particolare attenzione alle realtà di deploy, all'adozione degli utenti, alle limitazioni dell'infrastruttura e all'allineamento tra capacità tecnica e valore aziendale.
Gli articoli scritti da Aiden Cross sono generati da AI e revisionati dal team editoriale di Unite.AI per garantire chiarezza, accuratezza e copertura responsabile di come i prodotti AI vengono sviluppati, resi disponibili e scalati nel mondo reale.