Un knowledge graph collega i dati aziendali in un grafo di entità e relazioni esplicite (clienti, prodotti, contratti, persone, eventi), mentre GraphRAG usa quel grafo come base dati per l’AI: invece di recuperare solo testo simile alla domanda, l’AI segue le connessioni fra le entità e produce risposte più precise, contestuali e verificabili sulle domande che attraversano più fonti.
Che cos’è un knowledge graph, in pratica
Un knowledge graph è un modo di rappresentare la conoscenza aziendale non come documenti separati, ma come una rete di entità collegate da relazioni con un significato preciso. Un cliente “ha firmato” un contratto, un contratto “riguarda” un prodotto, un prodotto “è gestito da” un reparto: ogni legame è un fatto esplicito e interrogabile, non qualcosa che il modello deve indovinare.
La differenza rispetto a un archivio tradizionale è che il grafo rende navigabili le connessioni. In un database relazionale le relazioni esistono, ma vanno ricostruite con join complessi; in un insieme di documenti sono implicite e vanno dedotte. Nel grafo la relazione è un dato di prima classe: si può percorrere, contare, spiegare. È questa proprietà che lo rende una base solida per l’AI generativa quando le domande dipendono dai legami tra i dati più che dal singolo documento.
Grafo, non copia dei sistemi transazionali
Il knowledge graph non sostituisce ERP, CRM o gestionali: li rappresenta a un livello di significato condiviso. I sistemi transazionali restano la fonte di verità per le operazioni; il grafo unifica gli identificatori e le relazioni tra quei sistemi, così che “cliente X nel CRM” e “cliente X nell’ERP” siano riconosciuti come la stessa entità. Senza questa riconciliazione l’AI vede silos scollegati e risponde in modo parziale.
Perché il RAG basato solo sul testo non basta
Il pattern più diffuso per collegare l’AI ai dati aziendali è il recupero-e-generazione: si cercano i documenti pertinenti e li si passa al modello come contesto. Funziona bene per domande la cui risposta sta in uno o pochi documenti vicini per significato. Su come rendere affidabile questo pattern in azienda abbiamo dedicato un approfondimento specifico ai sistemi RAG enterprise per decisioni affidabili.
Il recupero basato sulla sola somiglianza semantica mostra però un limite preciso: le domande multi-hop, cioè quelle la cui risposta richiede di attraversare più entità collegate. “Quali clienti del settore manifatturiero hanno un contratto in scadenza su un prodotto seguito dal team che ha gestito l’ultimo incidente critico?” non si risolve trovando un paragrafo simile: richiede di seguire una catena di relazioni. Qui la ricerca per similarità recupera frammenti plausibili ma sconnessi, e il modello riempie i vuoti inventando.
Come funziona GraphRAG
GraphRAG combina il knowledge graph con il recupero-e-generazione. Invece di limitarsi a cercare testo simile alla domanda, il sistema individua le entità coinvolte, percorre le relazioni nel grafo per raccogliere il contesto rilevante e passa al modello linguistico un insieme di fatti connessi, non un mucchio di paragrafi isolati. La risposta poggia così su una struttura logica, non solo su una vicinanza statistica.
I passaggi tipici sono tre:
- Riconoscimento delle entità: dalla domanda in linguaggio naturale si identificano le entità e l’intento (di quali clienti, prodotti, contratti si parla).
- Attraversamento del grafo: si percorrono le relazioni pertinenti per raccogliere il sottoinsieme di conoscenza connesso alla domanda, con il numero di “salti” controllato per restare pertinenti.
- Generazione con contesto strutturato: il modello riceve fatti ed eventuali documenti collegati e formula la risposta citando le fonti e il percorso seguito.
Il vantaggio non è solo la precisione: è la tracciabilità. Poiché la risposta deriva da relazioni esplicite, si può mostrare da quali entità e legami è stata costruita. Per un uso aziendale questa spiegabilità conta quanto la correttezza, perché rende la risposta verificabile da chi decide.
Quando GraphRAG produce valore reale (e quando è eccessivo)
GraphRAG non è la risposta a ogni progetto. Ha senso quando le relazioni tra i dati sono il cuore della domanda; è sovradimensionato quando basta trovare il documento giusto.
- Domande relazionali e multi-hop: analisi che collegano clienti, contratti, prodotti, persone ed eventi attraverso più sistemi.
- Dati frammentati in molti silos: quando la stessa entità vive con identificatori diversi in ERP, CRM e archivi documentali e va riconciliata.
- Necessità di spiegabilità: contesti in cui bisogna mostrare perché l’AI ha risposto così, non solo cosa ha risposto.
- Conoscenza in evoluzione: domini in cui le relazioni cambiano spesso e vanno mantenute aggiornate in un modello condiviso.
Al contrario, per una knowledge base ordinata di FAQ o manuali, un recupero-e-generazione classico è più semplice, più economico e sufficiente. La scelta dell’architettura è una decisione di ingegneria basata sulle domande reali degli utenti, non una moda tecnologica.
Come si progetta un knowledge graph affidabile
La qualità di GraphRAG dipende quasi interamente dalla qualità del grafo. Un grafo mal costruito produce risposte peggiori del semplice testo, perché propaga errori strutturali. Tre principi guidano un progetto solido.
Identità e provenienza di ogni entità
Prima di collegare i dati bisogna sapere chi è chi. Ogni entità deve avere un identificatore stabile e una provenienza: da quale sistema arriva, con quale versione, aggiornata a quando. Normalizzazione e deduplicazione degli identificatori sono la fase che pesa di più e che determina se il grafo dirà la verità. Questo lavoro è, a tutti gli effetti, un tema di governo del dato: ne parliamo nell’articolo su come la data science aiuta le aziende a decidere e agire meglio.
Permessi e sicurezza al livello del recupero
Il grafo attraversa dati provenienti da sistemi con diritti di accesso diversi. GraphRAG deve rispettare gli stessi permessi delle fonti: un utente non deve poter dedurre, tramite un percorso nel grafo, informazioni che non potrebbe leggere direttamente. I controlli di autorizzazione vanno applicati durante il recupero, non aggiunti come filtro sulla risposta finale, altrimenti si crea una via traversa alla riservatezza.
Aggiornamento e ciclo di vita del grafo
Un knowledge graph non è un progetto “una tantum”: è un asset vivo. Le relazioni cambiano, le entità si fondono o si ritirano, arrivano nuove fonti. Servono processi di aggiornamento e un modo per misurare la deriva rispetto ai sistemi sorgente, altrimenti il grafo invecchia e le risposte con lui.
Come misurare la qualità oltre la demo
Una demo funziona su poche entità pulite e domande scelte con cura. In produzione il grafo affronta dati disordinati e domande impreviste. Per questo la valutazione non può fermarsi alla plausibilità delle risposte: va costruito un insieme di domande di riferimento, con risposte attese, e misurata la correttezza dei fatti recuperati e dei percorsi seguiti. Conta valutare sia il recupero (il grafo ha raccolto i fatti giusti?) sia la generazione (il modello li ha usati senza inventare?). Senza questa misura, un progetto GraphRAG resta una scommessa, non un sistema affidabile.
Come lavora PurpleSoft su knowledge graph e GraphRAG
PurpleSoft è una software house e web agency con sede a Monza e operatività su Milano e Lugano. Sviluppiamo software su misura da anni e affrontiamo knowledge graph e GraphRAG come progetti di ingegneria dei dati, non come installazioni “chiavi in mano”.
Partiamo dalle domande reali che l’azienda vuole poter fare all’AI e verifichiamo se serve davvero un livello a grafo o se un recupero-e-generazione classico è sufficiente. Quando il grafo ha senso, ci occupiamo della riconciliazione degli identificatori tra ERP, CRM e archivi, del modello delle entità e delle relazioni, dei connettori verso le fonti, dei permessi coerenti con quelli aziendali e della tracciabilità di ogni risposta. Quando i dati o la normativa lo richiedono, adottiamo soluzioni self-hosted o con dati che restano in Europa, in linea con il GDPR. Il knowledge graph che costruiamo alimenta poi anche gli assistenti AI interni per dipendenti e reparti, che diventano più precisi quando poggiano su relazioni esplicite invece che sul solo testo.
Il prossimo passo
Se in azienda ci sono domande importanti che oggi nessun sistema sa rispondere perché i dati vivono in silos scollegati, un knowledge graph con GraphRAG può essere la base che mancava. Il modo più rapido per capirlo è partire da un caso d’uso concreto e misurabile: raccontaci le domande che vorresti poter fare ai tuoi dati e valutiamo insieme se il grafo è la strada giusta. Scopri come gli assistenti AI interni usano questa base dati oppure contattaci per una valutazione tecnica del tuo caso.
