Come addestrare un agente AI sul tuo business

Addestrare un agente AI a contatto con i clienti quasi mai significa fare il fine-tuning di un modello. Significa ancorare l'agente alla conoscenza del tuo business, così che ogni risposta nasca da fatti che controlli tu. La base di conoscenza è ciò che decide se la tua AI è accurata, ed è il punto in cui la maggior parte dei progetti fallisce: Gartner riferisce che almeno il 50% dei progetti di AI generativa viene abbandonato dopo la fase di proof of concept, con i "dati non pronti" tra le cause principali, e che le organizzazioni con iniziative di AI di successo investono fino a quattro volte di più nelle fondamenta dei dati rispetto a quelle con risultati scarsi. Se vuoi un agente AI affidabile, il modello non è la parte difficile. Lo è la conoscenza che gli dai in pasto.

Questa guida spiega che cosa significa davvero "addestrare" un agente AI per un'azienda, di quale conoscenza ha bisogno l'agente, come strutturarla in modo che l'AI possa usarla e come mantenerla accurata nel tempo.

Addestrare un agente AI significa fare il fine-tuning?

Per un agente aziendale a contatto con i clienti, no. Ci sono due modi diversi di dare nuove informazioni a un'AI, e quello che la maggior parte delle persone immagina è di solito lo strumento sbagliato per il compito.

Il fine-tuning riaddestra i pesi del modello su esempi. Cambia il modo in cui il modello scrive e ragiona, ma è lento, costoso e un pessimo metodo per insegnare fatti specifici e mutevoli. Un modello sottoposto a fine-tuning continua a non sapere dirti il prezzo di oggi o gli orari di questa settimana, e ti fornirà con la massima sicurezza il numero dello scorso trimestre.
L'ancoraggio (retrieval augmented generation, o RAG) mantiene i fatti in una base di conoscenza e passa al modello i passaggi pertinenti al momento della risposta. Aggiorna la base di conoscenza e la risposta successiva è aggiornata. È così che insegni a un agente i tuoi servizi, i prezzi, le policy e la disponibilità.

	Fine-tuning	Ancoraggio (RAG)
Insegna	Tono, formato, stile di ragionamento	Fatti specifici e mutevoli
Velocità di aggiornamento	Riaddestrare il modello	Modifica un record, attivo subito
Costo del cambiamento	Alto	Basso
Adatto per	Comportamenti rari e specializzati	Prezzi, orari, catalogo, FAQ, policy
Freschezza dei fatti	Congelata al momento dell'addestramento	Aggiornata quanto la tua ultima modifica

Per quasi ogni azienda, l'ancoraggio è la risposta. Non ti serve un team di data science né un modello su misura. Ti serve una base di conoscenza pulita e ben strutturata e un agente che vi attinga. È anche il motivo per cui un'impostazione ancorata resta trasferibile tra i modelli, un punto che approfondiamo in perché non dovresti costruire il tuo business su un solo modello AI: la conoscenza vive con te, non dentro i pesi di un singolo fornitore.

Perché la base di conoscenza decide se la tua AI è accurata?

Perché un modello linguistico risponde bene solo quando il contesto che riceve contiene davvero la risposta. Google Research lo chiama contesto sufficiente, e il suo studio del 2025 (presentato a ICLR 2025) ha rilevato un risultato controintuitivo: fornire a un modello un contesto insufficiente può peggiorare le allucinazioni, non ridurle. In un test un modello è passato da risposte errate nel 10,2% delle domande senza contesto al 66,1% quando gli è stato dato un contesto che sembrava pertinente ma non conteneva la risposta. Il retrieval aiuta solo quando la base di conoscenza ha il fatto da recuperare.

È tutto qui il gioco. Se un cliente chiede se offri appuntamenti serali e la tua base di conoscenza non lo dice mai, un agente costruito male tira a indovinare. Uno costruito bene recupera la policy reale, oppure declina e passa la mano. La differenza è la conoscenza, non il modello.

La posta in gioco non è accademica. Test indipendenti condotti dalla BBC e dall'EBU hanno rilevato che il 45% delle risposte degli assistenti AI presentava almeno un problema significativo, e i tribunali hanno chiarito che un'azienda è responsabile di ciò che dice il suo bot. In Moffatt v. Air Canada, un tribunale ha ritenuto la compagnia aerea responsabile per le informazioni errate che il suo chatbot aveva dato a un passeggero, respingendo l'argomento secondo cui il bot fosse un'entità separata. Una base di conoscenza ancorata è il modo in cui mantieni la tua AI su fatti di cui puoi rispondere. Approfondiamo i controlli di accuratezza in come evitare che il tuo agente AI abbia allucinazioni; questo articolo è il complemento sulla costruzione della conoscenza da cui quei controlli dipendono.

Di quale conoscenza ha davvero bisogno un agente AI?

Pensala come le risposte di cui avrebbe bisogno un'ottima nuova assunzione il primo giorno. In pratica un agente a contatto con i clienti attinge a una manciata di tipi distinti di conoscenza, e conviene tenerli separati anziché ammassare tutto in un unico documento.

Tipo di conoscenza	A cosa risponde	Esempi
Informazioni di base	Chi sei, dove, quando	Orari, sedi, contatti, aree di servizio
Servizi e prodotti	Cosa vendi e a chi	Descrizioni, opzioni, cosa è e non è offerto
Prezzi e offerte	Quanto costa, promozioni in corso	Listini, pacchetti, sconti attivi
Policy	Le regole che modellano le risposte	Prenotazione, cancellazione, rimborso, acconto, garanzia
FAQ	Le domande poste continuamente	Parcheggio, istruzioni di preparazione, "accettate senza appuntamento"
Documenti	Materiale di riferimento più lungo	Manuali, schede tecniche, menu, brochure (PDF)
Regole di prenotazione	Quando e come prendi appuntamenti	Disponibilità, durate, orari per sede

Lo schema che distingue un agente utile da uno frustrante è la copertura delle domande noiose e ad alta frequenza. La maggior parte delle conversazioni non è esotica. Sono le stesse dieci domande a settimana, e un agente che vi risponde correttamente e all'istante sta già ripagando il suo costo. La velocità amplifica l'effetto: il nostro Studio sulla velocità di risposta ha rilevato che le risposte in meno di 60 secondi convertivano al 35,1%, ben al di sopra di quelle più lente, e un agente ancorato risponde in pochi secondi senza attendere un umano.

Come addestrare un agente AI sul tuo business, passo dopo passo

Non devi scrivere una base di conoscenza da una pagina bianca. Il percorso più rapido è alimentarla con ciò che hai già, per poi affinarla contro conversazioni reali.

Raccogli le tue fonti. Estrai i fatti da dove già vivono: il tuo sito web, il listino prezzi, le regole di prenotazione, le pagine delle policy e le risposte che il tuo team digita ogni giorno. Una buona piattaforma può generare una prima bozza leggendo il tuo sito web esistente, così stai modificando anziché scrivere da zero.
Struttura tutto in blocchi autoconsistenti. Scrivi ogni fatto in modo che stia in piedi da solo. "Le cancellazioni richiedono un preavviso di 24 ore, altrimenti l'acconto è trattenuto" è recuperabile. Una regola di cancellazione sepolta al nono paragrafo di un PDF di policy spesso non lo è. Voci brevi, etichettate e monotematiche si recuperano molto meglio dei lunghi muri di testo.
Separa i fatti dai documenti. Metti i fatti strutturati e ad alta variabilità (orari, prezzi, servizi) in campi strutturati, e riserva il caricamento di documenti al materiale di riferimento più lungo. I campi strutturati sono più facili da mantenere aggiornati e più facili da recuperare con precisione per l'agente.
Definisci il percorso di rifiuto e l'ambito. Decidi a cosa l'agente non dovrebbe rispondere e cosa dovrebbe fare invece. Un agente che dice "ti metto in contatto con il team" quando gli manca un fatto è più affidabile di uno che tira a indovinare. L'ancoraggio più un chiaro percorso di rifiuto sono il fulcro per mantenere l'AI onesta.
Testa con domande reali, non con quelle del percorso ideale. Fai le domande scomode che i tuoi clienti pongono davvero, inclusi i casi limite e quelli a cui non hai risposta. Stai verificando due cose: recupera il fatto giusto e declina in modo pulito quando dovrebbe?
Colma le lacune dalle conversazioni reali. Ogni domanda senza risposta o con risposta errata è una voce di conoscenza mancante. Rivedi le conversazioni, soprattutto quelle segnalate da un cliente o dal tuo team, e trasforma ogni mancanza in un record nuovo o corretto.
Mantieni un umano nel processo. Per tutto ciò che è ad alto rischio, indirizza a una persona che riveda o approvi prima che la risposta esca. L'AI agisce, gli umani governano. Vedi human-in-the-loop AI, spiegato per come progettare i controlli di revisione e passaggio.

Per il cablaggio più ampio di canali, calendario e messa in produzione, abbina questo alla nostra guida passo dopo passo per configurare un agente AI di assistenza clienti. Quella guida copre l'impianto; questa copre la conoscenza che vi scorre dentro.

Come si mantiene accurata nel tempo una base di conoscenza AI?

Una base di conoscenza non è un caricamento una tantum, è un registro vivo. I prezzi cambiano, le policy cambiano, e una voce obsoleta è peggio di una mancante perché l'agente la afferma con sicurezza.

Mantieni un'unica fonte di verità. Quando un prezzo vive in tre documenti, due di essi prima o poi saranno sbagliati. Modifica il fatto in un solo posto e lascia che l'agente legga da lì.
Rivedi settimanalmente le risposte segnalate. Le conversazioni che il tuo team o i tuoi clienti hanno contrassegnato come errate sono il tuo backlog di massimo valore. Ognuna è una lacuna specifica e correggibile.
Elimina, oltre ad aggiungere. Ritira la promozione della scorsa stagione e il servizio che non offri più. Il contesto insufficiente o contraddittorio è esattamente ciò che il risultato di Google Research qui sopra ha mostrato spingere le allucinazioni.
Aggiorna sul cambiamento, non secondo il calendario. Quando cambi una policy o un prezzo, aggiorna la base di conoscenza nello stesso gesto, come faresti per avvisare la tua reception.

Dove si inserisce Entagl

L'agente AI di Entagl per Instagram, WhatsApp e web chat è costruito per essere ancorato, non sottoposto a fine-tuning. Gli fornisci la conoscenza del tuo business e lui vi attinge: informazioni aziendali strutturate, servizi, prodotti, offerte, orari e sedi, un vero archivio di FAQ e file di conoscenza caricati, il tutto ricercato semanticamente, così che il modo in cui il cliente si esprime non debba coincidere con le tue parole. L'onboarding può generare la prima bozza leggendo il tuo sito web esistente, così parti da una bozza modificabile anziché da una pagina bianca.

Poiché comprende il testo libero, non ci sono fragili flussi a parole chiave da costruire o mantenere, e legge immagini, note vocali e PDF nella conversazione, così un cliente può inviare una foto o un documento e ricevere comunque una risposta ancorata. Quando la conoscenza non c'è, può seguire un percorso di rifiuto e passare la mano alla casella del tuo team invece di tirare a indovinare, con guardrail sull'output di ogni risposta. Lo stesso cervello ancorato si estende alla chat e alle chiamate vocali, così una chiamata di conferma parte dal contesto completo invece che da un avvio a freddo. Per le aziende regolamentate, la stessa conoscenza gira su una base pronta per HIPAA e conforme al GDPR. Questa è una parte dell'approccio quattro agenti, un solo cervello di Entagl: tutto ciò che insegni al cervello si trasferisce.

Cosa fa e cosa non fa l'ancoraggio

L'ancoraggio è la mossa a maggior impatto per l'accuratezza, e non è una garanzia. L'inquadramento onesto conta, sia per la fiducia sia perché i motori di ricerca AI premiano le fonti che riconoscono i propri limiti.

Fa questo: mantiene le risposte su fatti che controlli tu, rende gli aggiornamenti istantanei e dà all'agente un percorso di rifiuto pulito quando gli manca un fatto.
Non fa questo: eliminare del tutto le allucinazioni. Anche con un buon retrieval, i modelli possono fraintendere il contesto o rispondere oltre il dovuto, ed è per questo che il team di Google Research ha abbinato il retrieval all'astensione anziché fidarsi del solo retrieval.
Vale solo quanto la conoscenza che lo sostiene. Una base di conoscenza scarna o contraddittoria produce un agente scarno o contraddittorio. È il fallimento dei "dati non pronti" segnalato da Gartner, e il motivo per cui il contesto viene oggi descritto come il cervello dell'AI.
Ha comunque bisogno di un umano per le decisioni difficili. L'ancoraggio più l'human-in-the-loop è la combinazione sicura da mettere in produzione, non l'ancoraggio da solo.

FAQ

Devo fare il fine-tuning di un modello AI per addestrarlo sul mio business?

Quasi mai. Per un agente a contatto con i clienti, l'ancoraggio (retrieval augmented generation) è l'approccio giusto: mantieni i tuoi fatti in una base di conoscenza e l'agente li recupera al momento della risposta. È più economico, si aggiorna all'istante e mantiene prezzi e policy aggiornati in un modo che il fine-tuning non può. Il fine-tuning cambia il tono e lo stile di ragionamento, non i fatti specifici, e raramente serve a un'azienda.

Di quante informazioni ha bisogno un agente AI per essere utile?

Meno di quanto la maggior parte delle persone si aspetti, se sono le informazioni giuste. Parti dalle domande ad alta frequenza: orari, servizi, prezzi, policy di prenotazione e cancellazione e le tue FAQ principali. Quella manciata copre la maggior parte delle conversazioni reali. Aggiungi profondità nel tempo trasformando ogni domanda mancata o segnalata in una nuova voce di conoscenza, anziché cercare di documentare tutto in anticipo.

Come evito che il mio agente AI risponda a domande di cui non ha conoscenza?

Dagli un chiaro percorso di rifiuto e un ambito. Configura l'agente perché passi la mano a un umano, o dica che ricontatterà, quando la base di conoscenza non contiene la risposta, invece di tirare a indovinare. Un agente ancorato con un percorso di rifiuto definito è al tempo stesso più accurato e più affidabile di uno a cui è stato detto di avere sempre una risposta.

Ogni quanto dovrei aggiornare la base di conoscenza del mio agente AI?

Aggiornala ogni volta che un fatto cambia, nello stesso gesto che useresti per istruire la tua reception, e rivedi settimanalmente le risposte segnalate. Prezzi, orari e promozioni sono le voci che diventano obsolete più in fretta. Mantenere un'unica fonte di verità ed eliminare le voci datate conta quanto aggiungerne di nuove, perché un contesto contraddittorio può rendere un'AI meno accurata, non di più.

In sintesi

Addestrare un agente AI sul tuo business è un esercizio di conoscenza, non di machine learning. Ancora l'agente a fatti puliti, ben strutturati e attuali, dagli un percorso di rifiuto per ciò che non sa, tieni un umano sulle decisioni difficili e miglioralo a partire dalle conversazioni reali. Fai questo e il modello diventa quasi intercambiabile, perché l'accuratezza vive nella tua conoscenza, non nei pesi del fornitore.

Se vuoi vedere un agente ancorato rispondere alle domande reali dei tuoi clienti, prenota una demo di 30 minuti e porta le dieci domande che ti vengono poste più spesso.

Fonti: Gartner, "Why 50% of GenAI Projects Fail" (2026); Gartner, "Organizations with Successful AI Initiatives Invest Up to Four Times More in Data and Analytics Foundations" (aprile 2026); Google Research, "Deeper insights into retrieval augmented generation: The role of sufficient context" (ICLR 2025); BBC / EBU, News Integrity in AI Assistants (2025); Moffatt v. Air Canada, via BBC (2024); Entagl Response Velocity Study (2026). Le funzionalità del prodotto Entagl sono descritte ad agosto 2026.