Un chatbot per sito web, Slack e Teams che risponde dai suoi documenti, con le fonti

Cos'è un chatbot AI per aziende e cosa lo rende affidabile?

È un assistente che risponde in linguaggio semplice a partire da un insieme definito di conoscenze aziendali. Ciò che lo rende affidabile non è il modello ma la progettazione: risponde solo dai passaggi recuperati, li cita e si rifiuta di rispondere quando mancano le prove.

I chatbot generici falliscono perché rispondono in base all'addestramento generale del modello, che suona sicuro di sé ed è spesso sbagliato su prodotti, prezzi e policy. Il nostro è ancorato alle fonti. Ogni risposta rimanda alla pagina, alla sezione o al file da cui proviene, così un cliente può verificarla e un dipendente può aprire la policy completa con un clic.

Come funziona il retrieval con citazioni in un chatbot per sito web?

La retrieval-augmented generation, abbreviata di solito in RAG, funziona in due fasi. Prima i documenti vengono suddivisi in passaggi e archiviati in un indice di ricerca che comprende il significato, non solo le parole chiave. Poi, per ogni domanda, il sistema recupera i passaggi più vicini e chiede al modello di rispondere solo a partire da quelli, indicando da dove viene ogni punto.

Un buon sviluppo RAG riguarda soprattutto la prima fase. Suddividiamo i documenti secondo la loro struttura reale (titoli, clausole, righe di tabella) e non a lunghezza fissa, aggiungiamo metadati come prodotto, area geografica e data di validità, e combiniamo la ricerca semantica con quella per parole chiave, così codici articolo e codici di policy vengono trovati esattamente. Gli indici risiedono in Pinecone, Qdrant, Supabase con pgvector o Azure AI Search, a seconda di dove i suoi dati possono stare.

Quali fonti può includere la knowledge base IA?

Quasi tutti i testi che i suoi team già gestiscono: siti e raccolte documenti SharePoint, cartelle Google Drive, articoli dell'help center, PDF, file Word, fogli di calcolo e pagine wiki esportate. Si possono aggiungere anche i ticket risolti di Zendesk, che aiutano il bot a rispondere alla coda lunga di domande mai coperte dagli articoli di assistenza.

La knowledge base resta sincronizzata. Pianifichiamo la reindicizzazione o la avviamo quando i file cambiano, rimuoviamo i passaggi dei documenti eliminati o superati e registriamo la data dell'ultimo aggiornamento di ogni fonte. Una policy aggiornata il lunedì è quella che il bot cita il martedì.

• Raccolte SharePoint e OneDrive.
• Google Drive e Google Docs.
• Articoli dell'help center e ticket risolti di Zendesk.
• Manuali, contratti e schede prodotto in PDF.
• Dati strutturati come listini prezzi o tabelle di specifiche.

Dove può funzionare il chatbot: sito web, Slack, Teams o Zendesk?

Ovunque vengano poste le domande. Un widget sul sito pubblico serve i clienti solo con contenuti pubblici. Un assistente interno su Slack o Microsoft Teams serve il personale con contenuti interni filtrati in base ai permessi. Dentro Zendesk il bot può preparare una risposta con le fonti, che l'operatore dell'assistenza modifica e invia.

La stessa knowledge base può alimentare tutti e tre i canali, con regole diverse per ciascuno. I bot pubblici hanno un perimetro più ristretto e un percorso chiaro verso una persona, come un modulo di ticket o il passaggio a una chat dal vivo. I bot interni possono coprire policy HR, guide IT, materiali commerciali e procedure operative, con ogni sezione visibile solo ai gruppi autorizzati.

Ogni canale ha anche le proprie statistiche: domande poste, tasso di risposta, tasso di inoltro e argomenti più ricorrenti. I responsabili dell'assistenza usano questa vista per decidere quali articoli scrivere, mentre i team HR o IT la usano per individuare le policy che il personale continua a fraintendere.

Come si impedisce al chatbot di inventare le risposte?

Rifiutando di rispondere senza prove e misurandolo. Se il retrieval non restituisce nulla sopra una soglia di pertinenza, il bot dice di non aver trovato una risposta e propone di inoltrare la domanda. Il modello ha l'istruzione di usare solo i passaggi forniti e un controllo verifica che ogni risposta includa almeno una citazione valida.

Prima del lancio costruiamo un set di valutazione con domande reali e risposte corrette, incluse quelle a cui il bot dovrebbe rifiutarsi di rispondere. Valutiamo accuratezza, correttezza delle citazioni e comportamento nei rifiuti, e rieseguiamo il set dopo ogni sincronizzazione dei documenti o modifica dei prompt. Le domande che finiscono in un inoltro vengono registrate e mostrano esattamente quali documenti mancano o sono superati.

I nostri dati sono al sicuro in un chatbot IA?

Possono esserlo, con le giuste condizioni contrattuali e la giusta architettura. Richiamiamo i modelli solo tramite API o livelli enterprise, non tramite app consumer, teniamo l'indice nel suo account cloud quando necessario e registriamo prompt e output, così può verificare cosa è stato chiesto e risposto.

I permessi vengono applicati al momento del retrieval: il bot cerca solo nei passaggi che l'utente è autorizzato a vedere, quindi un assistente interno non può far trapelare un foglio stipendi a chi è fuori dall'HR. Per i contenuti regolamentati, i modelli possono girare tramite Amazon Bedrock, Microsoft Foundry o come modelli open-weight all'interno della sua rete, e qualsiasi dato sanitario richiede un BAA firmato con ogni fornitore che lo tratta.