Documentale intelligente far rispondere i documenti dell'azienda

Si può chiedere all'AI di rispondere con i documenti dell'azienda?

Sì, e la risposta può arrivare con il documento da cui viene. Chi chiede scrive la domanda come la farebbe a un collega, per esempio «che coppia di serraggio prevede la procedura per il gruppo 40213?», e l'assistente risponde citando la procedura, la revisione e il punto, con il link al file. Non serve sapere in quale cartella sta il documento né come si chiama.

La tecnica si chiama RAG, dall'inglese retrieval-augmented generation: generazione aiutata dal recupero. Prima un motore di ricerca trova nei tuoi documenti i brani che rispondono alla domanda; poi quei brani passano al modello linguistico (LLM) insieme alla domanda, e il modello scrive la risposta usando quelli e citandoli. Il modello non deve aver imparato i tuoi documenti, e non li impara: li legge al momento, ogni volta, e solo quelli che chi chiede può aprire.

Da qui vengono le due cose che decidono se funziona. La prima è la ricerca: se il motore non trova il brano giusto, il modello risponde bene alla domanda sbagliata. La seconda sono i permessi: l'assistente vede quello che vede chi chiede, né più né meno. Il resto della guida parla soprattutto di queste due.

Che cosa chiede ogni reparto ai suoi documenti?

Ogni reparto ha i suoi documenti e fa le sue domande, e un assistente utile si costruisce partendo da quelle. Questa è la mappa di un'azienda manifatturiera; uno studio professionale o un'azienda di servizi ha reparti diversi, ma la logica è la stessa.

Due cose si vedono già dalla tabella. I documenti di un reparto servono spesso anche agli altri: le non conformità servono agli acquisti, le offerte passate all'ufficio tecnico. E non tutti possono vedere tutto: contratti, buste paga e valutazioni del personale restano a chi ne ha diritto. L'assistente è la conoscenza che sostiene il reparto: risponde con i documenti che il reparto usa davvero, e a ciascuno solo con quelli che può aprire.

Bastano ChatGPT o Copilot?

A volte sì, e conviene verificarlo prima di un progetto. Gli assistenti che molte aziende hanno già leggono i documenti nei servizi a cui si collegano, rispettano i permessi della fonte e non usano i dati aziendali per addestrare i modelli. Secondo la documentazione di Microsoft, Copilot mostra solo i dati aziendali che l'utente può almeno vedere, e i prompt, le risposte e i dati letti non addestrano i modelli; secondo l'help center di OpenAI, con ChatGPT Business una persona recupera solo le informazioni a cui ha già accesso nella fonte collegata.

Copilot Business si aggiunge a un piano Microsoft 365 Business, fino a 300 utenti, con abbonamento annuale e IVA esclusa; il prezzo di 15,60 € è una promozione valida fino al 31 dicembre 2026 (listino di Copilot Business, Microsoft Learn). Legge i documenti in Microsoft 365 e nelle fonti esterne collegate con più di 100 connettori: da verificare che i tuoi documenti fuori da Microsoft 365 ne abbiano uno, e che le domande con un codice esatto trovino il documento giusto. Per le grandi aziende Microsoft 365 Copilot costa 26,00 € al mese per utente con pagamento annuale o 27,30 € con pagamento mensile (listino di Microsoft 365 Copilot). ChatGPT Business costa 21 € al mese per utente come lo mostra la pagina di OpenAI, in dollari 20 con fatturazione annuale e 25 mensile, per gruppi da 2 a 200 persone; nella ricerca su SharePoint legge .txt, .pdf, .docx, .pptx, .xlsx e .csv fino a 100 MiB per file, e da alcuni file può non estrarre il testo (guida all'app SharePoint).

La scelta dipende da dove stanno i documenti e da che cosa chiedi. Se vivono in SharePoint e Teams, con cartelle e permessi in ordine, e le domande sono in linguaggio corrente, l'assistente a posti è la strada più rapida. Un sistema su misura serve quando una parte dei documenti sta nel gestionale, su un server di file o in un archivio di scansioni; quando le domande contengono codici di articoli, di norme o di disegni che devono essere trovati esatti; quando i permessi seguono commesse, clienti o ruoli del gestionale e non le cartelle; quando i documenti non possono uscire dai tuoi server. Prima di un progetto, prova lo strumento che hai già con qualche decina di domande vere del reparto: se risponde con il documento giusto, il progetto non serve.

Come trova il documento giusto?

Con un motore di ricerca che lavora in due modi, per parole e per significato, e che unisce i risultati. È la parte che decide la qualità delle risposte, più del modello che le scrive.

La ricerca per parole confronta i termini della domanda con quelli dei documenti. L'algoritmo più usato si chiama BM25: secondo la documentazione di Azure AI Search sul punteggio BM25, premia i documenti che contengono molte volte il termine cercato, e ancora di più se il termine è raro nell'archivio ma frequente nel documento. È quella che trova «UNI EN ISO 9001», «40213 rev. C» o il numero di una non conformità, perché un codice è una parola rara e precisa.

La ricerca per significato trasforma ogni brano in un vettore, una lista di numeri che ne rappresenta il senso, calcolata da un modello di embedding; la domanda diventa un vettore allo stesso modo, e la ricerca prende i brani più vicini. Trova un documento anche quando non contiene le parole della domanda: «come si regola la pressione dello stampo» trova la pagina sulla taratura della forza di chiusura. Per lo stesso motivo può mancare un codice esatto, che per il significato somiglia a molti altri.

La ricerca ibrida fa le due ricerche insieme e fonde le due classifiche. La documentazione di Azure AI Search sulla ricerca ibrida la descrive così: le due ricerche girano in parallelo e i risultati si uniscono con la Reciprocal Rank Fusion (RRF), che fa salire i documenti in alto in entrambe; la stessa pagina nota che codici di prodotto, gergo tecnico, date e nomi di persona si trovano meglio con la ricerca per parole.

In un archivio industriale che abbiamo reso interrogabile, 225 GB fra normative, documentazione HSE, sicurezza e operations, provenienti da quattro archivi diversi, la ricerca è ibrida: BM25 per i termini esatti come il numero di una norma, vettori per il significato. Accanto ai brani indicizzati il sistema conserva i file originali, così chi legge apre il documento intero e non solo il frammento. Progettiamo l'assistente perché ogni risposta riporti i documenti da cui viene, con il link al file originale, e perché dica che non trova la risposta quando i documenti non la contengono. Chi sviluppa trova il confronto con le altre architetture nell'articolo su GraphRAG e RAG ibrido e un esempio con il codice in quello sul RAG con Mastra.

Disegni, scansioni, revisioni: dove sbaglia più spesso?

Dove i documenti non sono testo pulito e ordinato. Un assistente risponde bene quanto è leggibile e ordinato l'archivio che legge, e nelle aziende manifatturiere i casi difficili sono sempre gli stessi.

Il lavoro di preparazione è spesso la voce più grande di un progetto, e si stima nello studio di fattibilità su un campione dei tuoi documenti, non a occhio. Un archivio si mette in ordine una volta, con regole scritte su che cosa vale e che cosa è superato, e quelle regole restano tue anche se cambi strumento.

Come si collega al gestionale, e chi vede che cosa?

Le cartelle si indicizzano, il gestionale si interroga. I documenti, che cambiano poco, si leggono una volta e si tengono allineati quando qualcuno ne aggiunge o ne modifica uno; i dati, che cambiano di continuo, si chiedono al gestionale nel momento della domanda, attraverso le sue API. La giacenza di un articolo o lo stato di un ordine non vanno copiati in un indice, dove sarebbero già vecchi domani.

Per unire le due cose l'assistente diventa un agente: un programma che, davanti alla domanda, decide quali strumenti usare, per esempio la ricerca nei documenti, una lettura dal gestionale o un conto sulle non conformità, e mette insieme la risposta. Lo standard aperto con cui un agente chiama questi strumenti si chiama MCP, Model Context Protocol. È lo stesso che Microsoft usa per i connettori federati di Copilot, che leggono i contenuti in tempo reale senza indicizzarli (documentazione dei connettori): un sistema costruito su MCP resta collegabile agli assistenti che l'azienda usa già.

Il documento si cerca nell'archivio, il dato si chiede al gestionale nel momento della domanda: così una giacenza o lo stato di un ordine non sono mai quelli della settimana scorsa. Come si costruisce un agente che lavora sui sistemi dell'azienda è nella guida sugli agenti AI per le PMI; quando l'obiettivo non è rispondere ma far fare un lavoro, dall'email al gestionale, la guida giusta è quella sull'automazione dei processi.

Come si fa in modo che ognuno veda solo i suoi documenti?

Applicando i permessi nella ricerca, prima che il modello veda qualcosa. Ogni brano indicizzato porta con sé chi può aprire il documento da cui viene; quando qualcuno chiede, la ricerca considera solo i brani dei documenti che quella persona può aprire. Un brano che non passa il filtro non arriva al modello, e quindi non può finire nella risposta, nemmeno riassunto. È il modello che Microsoft descrive per Copilot e che la documentazione di Azure AI Search chiama controllo degli accessi sui singoli documenti, dall'indicizzazione alla domanda.

I permessi si ereditano da dove già sono: dalle cartelle condivise, dalla directory aziendale con i suoi gruppi, dai ruoli del gestionale (RBAC, il controllo degli accessi per ruolo). Nell'archivio industriale di cui sopra ogni ruolo vede la sua parte, e un documento riservato non entra nelle risposte date a chi non può consultarlo. Il permesso si applica prima di cercare, non dopo aver risposto: quello che non puoi aprire, l'assistente non lo legge per te.

Ne vengono due conseguenze da sapere prima di partire. La prima: un assistente rende trovabile quello che prima era solo accessibile. Una cartella di contratti lasciata aperta a tutti per errore, che nessuno andava a cercare, diventa una risposta per chiunque chieda di quel cliente; la revisione dei permessi va fatta prima di accendere l'assistente, non dopo. La seconda: un permesso tolto nella fonte vale nelle risposte quando l'indice si riallinea, come scrive la stessa documentazione di Azure. Quanto spesso si riallinea è una domanda da fare a chiunque ti proponga un sistema, compresi noi.

Che cosa chiedono GDPR e AI Act?

Il GDPR entra quando i documenti contengono dati personali: curriculum, buste paga, idoneità alla mansione, ma anche non conformità e rapporti d'intervento con i nomi delle persone. L'assistente li tratta come li tratta l'archivio: servono una base giuridica, l'accesso limitato a chi ne ha bisogno e un contratto con il fornitore del modello che dica che cosa fa dei dati. La scelta più semplice è tenere fuori dall'indice i documenti del personale, o riservarli al ruolo che li gestisce. Dove vanno i dati e con quali garanzie è nella risposta su come usiamo i dati aziendali e nella guida su AI in cloud o sui tuoi server.

L'AI Act, all'articolo 4 come modificato dal Regolamento (UE) 2026/1744, chiede a chi usa sistemi di AI di adottare misure per sostenere l'alfabetizzazione in materia di AI del personale, senza imporre un livello specifico. Per un assistente sui documenti vuol dire spiegare a chi lo usa che cosa fa, da dove prende le risposte e perché il documento citato va aperto prima di decidere. Gli altri obblighi di chi usa l'AI sono nella guida sull'AI Act per il deployer.

Quanto costa e da dove si parte?

Il primo passo ha un prezzo fisso: lo studio di fattibilità costa fino a 2.500 €, dura da una a due settimane di calendario e viene scalato dal pilota se decidi di procedere, come nella guida su come partire con l'AI in azienda. Lo studio guarda un campione dei tuoi documenti, le domande dei reparti, le fonti da collegare e i permessi, e chiude con il preventivo del pilota. Il costo del progetto dipende da poche cose, che lo studio misura.

Poi ci sono i costi d'uso. Il modello si paga a consumo, e per un archivio di questo tipo costa poco: nell'esempio della guida su AI in cloud o sui tuoi server, un'azienda di 60 persone con circa 5.000 documenti e 2.000 domande al mese, la nostra stima è di circa 2,50 € una volta sola per indicizzare i documenti e da 3 a 120 dollari al mese per l'uso del modello, secondo il modello scelto, ai listini letti il 30 ottobre 2026. A questi si aggiungono hosting e manutenzione. Per confronto, gli assistenti a posti per le stesse 60 persone costano 60 × 18,20 = 1.092 € al mese con Copilot Business, 936 € il primo anno con la promozione, oltre al piano Microsoft 365, e 60 × 21 = 1.260 € al mese con ChatGPT Business, ai listini del 13 novembre 2026.

Sul software che sviluppiamo per te non c'è un canone di licenza per utente: i costi ricorrenti sono hosting, uso del modello e manutenzione, dichiarati nel preventivo (costi ricorrenti). Dove e come girano i modelli, con i costi di ciascuna strada, è nella guida su AI in cloud o sui tuoi server.

Da dove si parte?

Da un reparto e da un elenco di domande. Si sceglie il reparto dove la ricerca dei documenti costa più tempo, di solito ufficio tecnico o qualità, e chi ci lavora scrive le domande vere che fa ogni settimana, ciascuna con la risposta giusta e il documento da cui viene. Quell'elenco diventa la misura del pilota: quante risposte citano il documento giusto, quante dicono di non sapere quando devono, quante sbagliano.

Lo studio di fattibilità dura una o due settimane e il pilota, sui documenti degli ultimi anni di quel reparto, da quattro a sei. Alla fine hai un risultato misurato sulle tue domande, che ti dice se allargare ad altri reparti e con quali documenti. Nell'archivio industriale di cui sopra sono serviti quattro mesi alla messa in produzione, e nella prima fase il sistema è stato usato da 20 persone prima di aprirlo agli altri. Si allarga un reparto alla volta, e ogni reparto entra con le sue domande e la sua misura, non con una promessa.

Un esempio: l'ufficio tecnico di un'azienda di 80 persone

Un'azienda meccanica di 80 persone ha un ufficio tecnico di sei persone e una qualità di tre. I disegni stanno in PDF su un server di file, con le revisioni nel nome del file; le procedure ISO 9001 in una cartella condivisa; le non conformità nel gestionale, con gli allegati; le schede tecniche dei fornitori un po' ovunque. I dettagli sono inventati, da sostituire con i tuoi.

Lo studio di fattibilità, su un campione di documenti, trova che un terzo dei disegni vecchi è scansionato e che molte procedure esistono in due versioni. Il pilota parte con ufficio tecnico e qualità, sui documenti degli ultimi tre anni: le scansioni passano dall'OCR, i disegni si indicizzano per codice, revisione e trattamento letti dal cartiglio, le procedure superate vengono marcate come tali. I permessi arrivano dai gruppi della directory aziendale; le non conformità restano nel gestionale e l'agente le legge da lì quando serve un conto.

Le domande del pilota sono quelle scritte dal reparto: «quale trattamento termico è previsto per il 40213, e da quale revisione?», «abbiamo già avuto cricche su questo getto, e che azione correttiva avevamo preso?». La misura dice dove l'assistente risponde con il documento giusto e dove no, e su quella misura l'azienda decide se allargare agli acquisti e alla produzione. Come abbiamo costruito un archivio di questo tipo per un'azienda industriale è nel case study sul RAG documentale per l'industria.

Fonti e approfondimenti

• Microsoft, «Microsoft Copilot per le aziende», prezzi di Microsoft 365 Copilot Businessmicrosoft.com, consultato il 13 novembre 2026
• Microsoft, «L'IA per la produttività aziendale», prezzi di Microsoft 365 Copilotmicrosoft.com, consultato il 13 novembre 2026
• Microsoft Learn, «License Options for Microsoft Copilot»learn.microsoft.com, consultato il 13 novembre 2026
• Microsoft Learn, «Data, Privacy, and Security for Microsoft Copilot»learn.microsoft.com, consultato il 13 novembre 2026
• Microsoft Learn, «Microsoft 365 Copilot connectors overview»learn.microsoft.com, consultato il 13 novembre 2026
• OpenAI, ChatGPT Business, prezziopenai.com, consultato il 13 novembre 2026
• OpenAI Help Center, «Company knowledge in ChatGPT»help.openai.com, consultato il 13 novembre 2026
• OpenAI Help Center, l'app SharePoint in ChatGPThelp.openai.com, consultato il 13 novembre 2026
• Microsoft Learn, Azure AI Search, la ricerca ibridalearn.microsoft.com, consultato il 13 novembre 2026
• Microsoft Learn, Azure AI Search, il punteggio BM25 nella ricerca full-textlearn.microsoft.com, consultato il 13 novembre 2026
• Microsoft Learn, Azure AI Search, il controllo degli accessi sui singoli documentilearn.microsoft.com, consultato il 13 novembre 2026
• Regolamento (UE) 2024/1689, AI Act, articolo 4, come modificato dal Regolamento (UE) 2026/1744ai-act-service-desk.ec.europa.eu, consultato il 13 novembre 2026