# Come scelgo tra retrieval e fine-tuning per risparmiare energia?

> Quando usare il retrieval (RAG) e quando il fine-tuning: retrieval per fatti che cambiano, fine-tuning per abilità e stile, e perché confonderli spreca energia.

Source: https://greenai.guide/it/come/come-scelgo-tra-retrieval-e-fine-tuning-per-risparmiare-energia/  
Updated: 2026-11-19

## In breve

Usi il retrieval (recupero di informazioni) quando il modello ha bisogno di fatti che cambiano o che riguardano specificamente Lei: li metta in un indice ricercabile e recuperi solo i passaggi pertinenti. Usi il fine-tuning quando al modello manca un'abilità, un formato o uno stile. Riaddestrare per tenere aggiornati i fatti ripete i costi di addestramento, mentre incollare documenti interi in ogni prompt spreca inferenza, quindi ogni approccio ha il suo posto.

## Steps

1. Elenchi che cosa manca al modello: fatti, un'abilità, un formato o un tono.
2. Metta i fatti che cambiano o riservati in un indice ricercabile e recuperi solo i passaggi pertinenti.
3. Esegua il fine-tuning di un piccolo adattatore solo per abilità, formati o stili che il prompt da solo non consente di ottenere.
4. Aggiorni l'indice quando il contenuto cambia, elaborando solo ciò che è cambiato.
5. Misuri i token per richiesta e la qualità di ciascuna opzione prima di decidere.

**Recuperi i fatti; affini le abilità con il fine-tuning.** Scegliere quello sbagliato significa pagare ancora e
ancora, per il riaddestramento o per prompt sovradimensionati.

## Qual è la differenza? {#what-is-the-difference}

- **La generazione aumentata dal recupero (RAG)** cerca i passaggi pertinenti nei Suoi contenuti e li fornisce al
  modello insieme alla domanda. Lewis e colleghi hanno introdotto l'approccio nel 2020 per compiti ad alta intensità
  di conoscenza. I pesi del modello non cambiano, quindi aggiornare la conoscenza significa aggiornare un indice.
- **Il fine-tuning** modifica i pesi del modello, o un piccolo adattatore come LoRA, così che impari un
  comportamento: un formato, uno schema di classificazione, uno stile aziendale.

## Quale dei due usa meno energia? {#which-uses-less-energy}

**Dipende da quanto spesso le cose cambiano e da quanto testo porta ogni richiesta.**

| Situazione | Di solito è meglio |
|---|---|
| I fatti cambiano ogni settimana o ogni mese | Retrieval |
| Documenti riservati, policy, dati di prodotto | Retrieval |
| Un formato di output o uno schema di etichettatura fisso | Fine-tuning di un modello piccolo |
| Volumi molto alti, compito circoscritto | Fine-tuning, così i prompt possono essere brevi |

GreenCode, un progetto di ricerca ITEA, descrive l'uso del retrieval perché la propria IA legga solo i dati che le
servono, elaborando solo ciò che è cambiato tra un'esecuzione e l'altra.

## Errori comuni {#common-mistakes}

- **Riaddestrare per aggiungere fatti.** Ogni aggiornamento ripete il costo dell'addestramento.
- **RAG del tipo "infila tutto nel prompt".** Recuperare venti passaggi lunghi quando ne basterebbero due moltiplica i
  token di input. Veda [come rendere più efficienti la ricerca vettoriale e il RAG](/it/come/come-rendo-piu-efficienti-la-ricerca-vettoriale-e-la-rag/).
- **Fare il fine-tuning di un modello grande** quando basterebbe uno piccolo.

Per il principio più generale, legga [orchestrazione anziché generazione](/it/articoli/orchestrare-invece-di-generare/).

## Fonti

- [Retrieval-augmented generation for knowledge-intensive NLP tasks](https://arxiv.org/abs/2005.11401), Lewis et al., NeurIPS (2020)
- [Green AI and energy-aware computing](https://greencode.ai/benefit/green-ai-and-energy-aware-computing/), GreenCode (2026)
- [LoRA: low-rank adaptation of large language models](https://arxiv.org/abs/2106.09685), Hu et al. (2021)
