Un sistema RAG (Retrieval-Augmented Generation) collegato all'archivio aziendale non fa altro che ereditare tutto ciò che trova: tre versioni dello stesso listino, un contratto scaduto senza data, un PDF scansionato che nessun sistema riesce a leggere. Il risultato? Risposte inaffidabili e agenti che prendono decisioni su informazioni obsolete. La qualità dell'output dipende direttamente dalla qualità dell'input, e per questo Claude di Anthropic propone un metodo strutturato in cinque passaggi per preparare i dati aziendali prima di darli in pasto a RAG e agenti intelligenti.
Perché i dati sporchi affondano il RAG
Il problema principale è che i modelli linguistici non hanno modo di sapere che un documento è superato o duplicato. Se l'archivio contiene tre versioni dello stesso listino, il sistema potrebbe recuperare quella sbagliata e generare risposte incoerenti. Lo stesso vale per un contratto scaduto privo di data di validità: l'agente lo tratterà come attivo. A questo si aggiungono i PDF scansionati, che nessun sistema di estrazione testuale riesce a leggere senza un OCR adeguato. Ignorare questi problemi significa costruire un RAG che amplifica gli errori invece di ridurli.
Il metodo in cinque passaggi
Il metodo proposto da Claude parte da una fase di inventario: catalogare tutte le fonti dati, identificarne formato, versione e stato di validità. Segue la pulizia, che elimina duplicati, documenti scaduti e file illeggibili. Il terzo passaggio è la standardizzazione, che uniforma formati e metadati per rendere i documenti confrontabili. Quarto, l'arricchimento: aggiungere informazioni mancanti come date, autore e contesto. Infine, la validazione, che verifica che il corpus sia coerente e completo prima di indicizzarlo.
Applicare questo metodo non è solo una questione di igiene del dato: è ciò che distingue un RAG utile da uno che genera allucinazioni. Con un archivio pulito e strutturato, gli agenti basati su Claude possono recuperare informazioni affidabili e agire di conseguenza, riducendo il rischio di errori costosi. La preparazione dei dati, insomma, non è un passaggio opzionale ma il vero fondamento di qualsiasi sistema di intelligenza artificiale aziendale.
