Perché gli agenti IA hanno bisogno di fonti affidabili
Gli agenti IA non si limitano a rispondere a una domanda: eseguono azioni. Prenotano, scrivono email, aggiornano un CRM, autorizzano un rimborso, sulla base di ciò che credono vero. Se la fonte di conoscenza è obsoleta o il modello inventa un dettaglio, l'errore non resta visibile su una pagina da correggere: diventa un'azione già compiuta. Per questo un agente affidabile ha bisogno prima di tutto di una base di conoscenza verificata, aggiornata e tracciabile, non solo di un modello linguistico capace.
Un agente agisce, non solo chiacchiera: perché la posta in gioco cambia
Un chatbot classico produce testo che una persona legge e, se qualcosa non torna, ignora o verifica prima di usarlo. Un agente IA funziona diversamente: percepisce un contesto, ragiona sui passi da compiere, richiama strumenti (tool use) e infine agisce, spesso senza che nessuno controlli ogni singolo passaggio in tempo reale. Questo ciclo percepisci, ragiona, agisci è ciò che rende gli agenti utili, ma è anche ciò che amplifica il danno di un'informazione sbagliata.
Se un agente che gestisce il supporto clienti crede che una garanzia duri 12 mesi quando in realtà è stata estesa a 24, non si limita a dare una risposta imprecisa: può rifiutare un reso legittimo, generare un ticket di escalation inutile o, peggio, promettere per iscritto qualcosa che l'azienda poi deve onorare. La differenza tra un errore testuale e un errore operativo è la differenza tra una frase da correggere e una conseguenza da gestire.
Cosa succede quando la fonte è obsoleta o il modello inventa
Due problemi distinti colpiscono gli agenti che si affidano solo alla memoria parametrica del modello linguistico, cioè a ciò che ha «imparato» durante l'addestramento: l'obsolescenza e l'allucinazione. L'obsolescenza è semplice da capire: un listino prezzi cambia, un regolamento interno viene aggiornato, una clausola contrattuale viene rinegoziata, ma il modello continua a ragionare su informazioni vecchie perché nessuno gliele ha aggiornate. L'allucinazione è più insidiosa: il modello genera con sicurezza un dato plausibile ma inesistente, per esempio una clausola di recesso che nel contratto reale non c'è.
Il problema si aggrava quando più agenti lavorano in catena: l'output sbagliato del primo agente diventa l'input del secondo, che lo tratta come un fatto accertato. Un errore nato da una singola risposta inventata può così propagarsi in un flusso automatizzato di approvazioni, comunicazioni o transazioni, moltiplicando il danno prima che qualcuno se ne accorga. Gli approcci per contenere questo rischio sono spiegati più nel dettaglio nel nostro articolo su come ridurre le allucinazioni dell'IA con risposte basate sulle fonti.
Un esempio concreto
Un agente che gestisce i preventivi per un'officina moto usa ancora il listino ricambi di sei mesi fa perché nessuno ha aggiornato la sua fonte. Il cliente riceve un preventivo in euro sbagliato, lo accetta, e l'officina deve scegliere tra onorare un prezzo in perdita o spiegare un errore che non dipende dal cliente.
Tool use: come un agente dovrebbe recuperare conoscenza affidabile
La soluzione tecnica più solida non è «addestrare meglio» il modello, ma separare il ragionamento dalla conoscenza. L'agente, invece di rispondere a memoria, richiama uno strumento (tool) dedicato alla ricerca: una base di conoscenza esterna che restituisce passaggi reali, con la fonte citata, nel momento esatto in cui servono. Questo meccanismo, noto come retrieval augmented generation applicato agli agenti, trasforma la domanda «cosa pensa il modello» nella domanda molto più verificabile «cosa dicono i documenti».
Per rendere questo scambio standard tra agenti e strumenti è nato il Model Context Protocol (MCP), che permette a client come Claude, Cursor o ChatGPT di interrogare un server MCP collegato a una base documentale senza integrazioni su misura. Ne parliamo in dettaglio in cos'è MCP: server, client, strumenti e risorse e, per un caso pratico, in come dare a Claude l'accesso ai documenti aziendali. Il punto chiave resta lo stesso indipendentemente dal protocollo scelto: l'agente deve poter interrogare una fonte viva, non solo la propria memoria statica.
Le caratteristiche di una base di conoscenza adatta ad agenti
Non tutte le basi documentali sono adatte a essere interrogate da un agente autonomo. Prima di collegarne una a un flusso che agisce senza supervisione continua, conviene verificare alcuni requisiti minimi.
- Aggiornamento: i documenti possono essere sostituiti o integrati senza dover ricostruire l'intero sistema da zero.
- Citazione della fonte: ogni risposta indica da quale documento e da quale passaggio proviene, non solo un testo generato.
- Ricerca ibrida: la combinazione di ricerca testuale e semantica riduce i casi in cui un termine tecnico o un sinonimo fa perdere il passaggio giusto, come spiegato in ricerca ibrida: perché BM25 e vettori insieme battono entrambi da soli.
- Controllo degli accessi: una base privata resta visibile solo al proprietario e alle sue chiavi API, utile per documenti contrattuali o dati interni.
- Bassa latenza: un agente che deve rispondere in pochi secondi non può aspettare un'indicizzazione lenta o un recupero a scansione completa.
- Tracciabilità: ogni interrogazione lascia una traccia utilizzabile in caso di verifica o contestazione.
Memoria del modello e base di conoscenza esterna a confronto
| Criterio | Memoria parametrica del modello | Base di conoscenza esterna interrogata in tempo reale |
|---|---|---|
| Aggiornamento | Richiede un nuovo addestramento o fine-tuning | Basta sostituire o aggiungere un documento |
| Verificabilità della risposta | Nessuna fonte citabile | Passaggio e documento di origine indicati |
| Costo di una correzione | Alto, spesso non immediato | Basso, si corregge il documento sorgente |
| Responsabilità in caso di errore | Difficile da attribuire | Tracciabile fino al documento specifico |
Auditabilità: poter dire perché l'agente ha fatto quello che ha fatto
Quando un agente agisce in autonomia, prima o poi qualcuno chiederà conto di una decisione: un cliente contesterà un rifiuto, un responsabile vorrà capire perché è stata inviata una certa comunicazione, un auditor verificherà la conformità di un processo. Senza un registro di ciò che l'agente ha letto e citato, la risposta a «perché ha fatto così» diventa impossibile da ricostruire con certezza, e si finisce a indovinare a posteriori cosa potrebbe aver pensato il modello.
Una base di conoscenza progettata per questo scopo registra, per ogni interrogazione, quale documento è stato usato, quale versione, quale passaggio esatto e con quale grado di pertinenza. Questo livello di dettaglio non è solo una comodità tecnica: in contesti regolati, dove si applicano principi di responsabilizzazione legati al GDPR o alle future classificazioni di rischio dell'AI Act, poter mostrare la fonte di ogni risposta automatizzata è spesso un requisito, non un'opzione. Il tema è approfondito in GDPR e RAG: cosa verificare prima di partire e, per capire come verificare concretamente una risposta, in risposte dell'IA con citazioni: come verificare una risposta sui propri documenti.
Misurare l'affidabilità prima di dare fiducia all'agente
Prima di collegare un agente a processi che hanno conseguenze reali, su clienti, contratti o pagamenti, conviene testare la base di conoscenza su cui si appoggia con le stesse logiche con cui si valuta un sistema RAG: un set di domande rappresentative, metriche di precisione del recupero e un monitoraggio continuo degli errori segnalati. Un buon punto di partenza è il nostro approfondimento su come valutare un sistema RAG: metriche, test set e monitoraggio, utile anche per capire quando la base va aggiornata prima che l'agente cominci a propagare errori.
Costruire la base in pratica: dai documenti all'agente
In pratica, dotare un agente di una fonte affidabile significa percorrere pochi passaggi chiari. Si caricano i documenti rilevanti (PDF, Word, testo, Markdown) in una base di conoscenza dedicata; il sistema li estrae, li suddivide in porzioni gestibili e li indicizza per la ricerca ibrida. La base può restare privata, accessibile solo dal proprietario e dalle sue chiavi API, oppure essere resa pubblica nel catalogo se si vuole che altri la interroghino a pagamento. A quel punto l'agente la richiama in uno di tre modi: direttamente dal sito per test manuali, via API REST con una chiave dedicata per integrazioni su misura, oppure tramite un server MCP se l'agente gira in Claude, Cursor, ChatGPT o un altro client compatibile.
Su Kopik questo flusso è pensato per essere accessibile anche a chi non ha un team di data engineering dedicato: si crea una base gratuitamente caricando i propri documenti, si sceglie la modalità di risposta (con citazioni o solo passaggi grezzi) e si collega l'agente tramite la documentazione API e MCP. Per chi vuole integrare la ricerca documentale in un'app o in un flusso automatizzato, l'approccio è descritto anche in API base di conoscenza: la guida per aggiungere ricerca e risposte con fonti alla Sua app.
Dia al Suo agente una fonte su cui può davvero contare
Crei una base di conoscenza gratuita caricando i Suoi documenti, oppure esplori il catalogo per trovare basi già pronte da collegare ai Suoi agenti via API o MCP.
Domande frequenti
Domande frequenti
Qual è la differenza tra un chatbot e un agente IA dal punto di vista della conoscenza?
Un chatbot produce testo che una persona legge e può verificare prima di usarlo. Un agente IA agisce sulla base di ciò che ritiene vero, spesso senza supervisione continua: per questo un'informazione sbagliata diventa più facilmente un'azione concreta, come un'email inviata o un rimborso autorizzato, invece di una semplice frase da correggere.
Perché un agente può sbagliare anche se il modello linguistico sottostante è molto capace?
Perché la capacità di ragionamento del modello non garantisce l'accuratezza dei fatti su cui ragiona. Se la base di conoscenza che usa è obsoleta o il modello si affida solo alla sua memoria parametrica, può generare risposte plausibili ma sbagliate o del tutto inventate, indipendentemente da quanto sia sofisticato.
Come si evita che un agente usi informazioni obsolete?
Collegando l'agente a una base di conoscenza esterna aggiornabile in autonomia, dove sostituire un documento non richiede un nuovo addestramento del modello. L'agente interroga la base al momento della domanda, invece di affidarsi a conoscenza fissata in fase di addestramento.
Cos'è il grounding e perché serve agli agenti?
Il grounding è la pratica di ancorare ogni risposta generata a passaggi reali tratti da documenti verificati, citandone la fonte. Per un agente significa poter distinguere tra ciò che è scritto nei documenti e ciò che il modello potrebbe inventare, riducendo drasticamente le decisioni basate su dati inesistenti.
Come posso verificare le fonti usate da un agente dopo che ha agito?
Serve un registro che colleghi ogni azione dell'agente al passaggio documentale consultato, con documento, versione e grado di pertinenza. Una base di conoscenza pensata per questo conserva questa traccia, rendendo possibile ricostruire a posteriori perché l'agente ha preso una certa decisione.
MCP serve solo per collegare agenti a Claude?
No. Il Model Context Protocol è uno standard aperto che può essere usato da diversi client, tra cui Claude, Cursor e ChatGPT, per interrogare server MCP collegati a basi di conoscenza esterne. Non è legato a un singolo client, ma a un modo comune di esporre strumenti e risorse agli agenti.
Riceva la newsletter di Kopik
Nuove basi di conoscenza, guide sul RAG e novità del prodotto. Un'email ogni una o due settimane, disiscrizione con un clic.
Iscrivendosi accetta di ricevere la nostra newsletter. Il Suo indirizzo non viene mai condiviso.