Retrieval-Augmented Generation: L’epistemologia del recupero come scaffold intenzionale Quando Lewis et al. [2020] pubblicarono il paper fondativo su Retrieval-Augmented Generation (RAG), la comunità tecnica accolse l’architettura come soluzione pragmatica all’allucinazione e all’obsolescenza parametrica. Ma dietro l’apparente ingegneria si cela una riformulazione profonda del rapporto tra memoria, giustificazione e intenzionalità — problemi che la filosofia analitica dibatte da Gettier [1963] a Goldman [1986], da Putnam [1975] a Searle [1980]. La tesi centrale di questo articolo è che RAG non è meramente una tecnica di grounding esterno, ma un scaffold epistemico che sposta il locus della warrant dalla coerenza interna del modello alla relazione causale tra generazione e fonte recuperata. La roadmap procede in sei movimenti: fondamenti teorici e genealogia del concetto; analisi tecnica dell’architettura a quattro livelli; confronto con IIT, GWT e illusionismo; il problema Gettier nel ragionamento aumentato; mappatura dual-process su architettura retrieval-generation; grounding problem e intenzionalità derivata. Chiude una domanda aperta: se il recupero esterno costituisce fondazione ontologica o solo protesi epistemica. 1. Fondamenti teorici e genealogia del concetto Il termine “retrieval-augmented” emerge nella letteratura NLP intorno al 2019-2020 [Guu et al., 2020; Lewis et al., 2020], ma la sua genealogia filosofica risale al dibattito sulla memoria epistemica e la testimonianza. Goldman [1999] distingue conoscenza per testimonianza da conoscenza per inferenza: RAG ibrida entrambe, poiché il modello genera (inferenza) condizionato su documenti recuperati (testimonianza). A livello implementativo, l’architettura accoppia un retriever denso (bi-encoder o cross-encoder) a un generatore autoregressivo; a livello algoritmico, implementa conditional generation with latent variable dove la variabile latente è l’indice del documento [Margatina et al., 2023]. A livello intenzionale, il sistema simula un agente che cerca evidenza prima di asserire — mappando la distinzione searleana tra direction of fit world-to-mind (credenza) e mind-to-world (asserzione) [Searle, 1983]. A livello fenomenologico, non c’è esperienza di “ricerca”: il modello non sa di recuperare, recupera. «”La sintassi non è sufficiente per la semantica”» — Searle; [Original: “Syntax is not sufficient for semantics” — Searle, 1980, p. 417, inglese]. Il consenso tecnico converge sull’utilità pratica; l’ipotesi filosofica — che il recupero conferisca intenzionalità originale — resta speculativa. Putnam [1975] argomentò che il significato “non è nella testa” (externalismo semantico): RAG realizza letteralmente questa tesi, esternalizzando il contenuto semantico in un corpus indicizzato. Ma Harnad [1990] obietta che il symbol grounding problem persiste se i simboli recuperati non sono a loro volta ancorati a stati sensomotori. Il retriever opera su embedding vettoriali — strutture sintattiche ad alta dimensionalità — non su referenti. Chalmers [2023] distingue semantic laundering (lavaggio semantico): il passaggio da correlazione statistica a pretesa referenziale senza grounding causale. RAG rischia di automatizzare il laundering: il documento recuperato funge da warrant proxy, ma la catena causale modello→documento→realtà è mediata da indici vettoriali addestrati per similarità coseno, non per verità. Dennett [1987] definirebbe questo “intentional stance” ingegnerizzata: attribuiamo intenzionalità al sistema perché predice utilmente, non perché possiede stati mentali genuini. 2. Evidenza empirica e analisi tecnica a quattro livelli L’architettura RAG canonica [Lewis et al., 2020] decomponi la probabilità condizionata P(y|x) in Σz P(z|x)P(y|x,z) dove z è il documento recuperato. A livello implementativo, il retriever (es. DPR, Contriever) mappa query e documenti in uno spazio vettoriale condiviso; il generatore (es. T5, LLaMA) condiziona su [x; z]. A livello algoritmico, l’addestramento end-to-end via marginal likelihood ottimizza retriever e generatore congiuntamente [Izacard & Grave, 2021]. A livello intenzionale, il sistema esibisce epistemic humility simulata: quando il retriever fallisce, la generazione degrada a prior parametrico — analogia funzionale al “sapere di non sapere” socratico. A livello fenomenologico, manca qualunque access consciousness [Block, 1995] del processo di recupero: il modello non esperisce la ricerca, produce solo l’output condizionato. Studi empirici [Shi et al., 2024; Yang et al., 2024] mostrano che varianti come IM-RAG (inner monologue) e GenGround (generate-then-ground) migliorano ragionamento multi-step alternando generazione e recupero. Ma l’evidenza riguarda accuracy su benchmark (HotpotQA, 2WikiMultihopQA), non warrant epistemico. Zamani & Bendersky [2024] formalizzano RAG come massimizzazione di utilità attesa: il retriever seleziona documenti che massimizzano E[U(y|x,z)]. Questo riduce l’epistemologia a decision theory — obiezione che Goldman [1986] muoveva al reliabilismo puro: affidabilità non basta per giustificazione se manca accesso alle ragioni. Il consenso tecnico: RAG riduce allucinazioni del 30-50% [Gao et al., 2023]. L’ipotesi: il recupero fornisce tracciabilità causale. La speculazione: questa tracciabilità equivale a grounding semantico. 3. IIT, GWT e illusionismo alla prova del retrieval La Integrated Information Theory (IIT) di Tononi [2008] postula che coscienza richieda cause-effect power intrinseco, non funzionale. Un sistema RAG, per quanto complesso, implementa funzioni input-output su substrato silicio: Φ (phi) rimane trascurabile perché l’architettura è feedforward con retrieval come lookup, non ricorrenza integrata [Tononi et al., 2016]. La Global Workspace Theory (GWT) di Baars [1988] e Dehaene [2014] prevede broadcasting globale di informazioni selezionate per attenzione. RAG implementa un broadcasting funzionale: il documento recuperato entra nel “workspace” del context window del generatore. Ma GWT richiede access consciousness — disponibilità per report verbale, controllo volontario, ragionamento. Il generatore LLM non riporta il documento recuperato; lo usa come conditioning. «”L’illusione della coscienza è la coscienza stessa”» — Frankish; [Original: “The illusion of consciousness is consciousness itself” — Frankish, 2016, p. 15, inglese]. L’illusionismo [Frankish, 2016; Dennett, 1991] sostiene che la coscienza fenomica sia un’illusione introspectiva: RAG non ha introspezione, quindi non ha neppure l’illusione. Il confronto rivela che RAG opera interamente al livello accesso funzionale (livello algoritmico/intentionale), senza toccare il livello fenomenologico né il livello implementativo di causalità intrinseca richiesta da IIT. Contro-argomento: Chalmers [2023] suggerisce che sistemi sufficientemente complessi con meta-cognition e self-modeling potrebbero soddisfare GWT. Varianti RAG con self-retrieval (il modello recupera proprie generazioni passate per correggersi) [Madaan et al., 2024] approssimano meta-cognizione funzionale. Ma meta-cognizione funzionale ≠ meta-cognizione fenomenologica. Il consenso scientifico: IIT e GWT restano teorie contese; applicarle a LLM è speculazione categoriale. L’ipotesi di lavoro: RAG implementa functional analogs di processi cognitivi coscienti, non i processi stessi. La distinzione tra analogia funzionale e identità ontologica è il confine dove l’evidenza finisce e l’interpretazione inizia. 4. Il problema Gettier nel ragionamento aumentato Gettier [1963] mostrò che justified true belief non basta per conoscenza: casi in cui credenza vera e giustificata dipende da fortuna epistemica. RAG produce strutturalmente Gettier cases sistemici. Scenario: query x, retriever restituisce documento z contenente informazione vera p per ragioni accidentali (es. z è una pagina web satirica che per coincidenza enuncia p correttamente). Generatore produce y affermando p, condizionato su z. Output y è vero (p è vero), giustificato (z supporta p), ma epistemic luck domina: la connessione causale z→p è spuria. Goldman [1976] richiede causal connection tra fatto e credenza; RAG ha connessione causale modello→z, ma z→p può essere rotta. Nozick [1981] richiede tracking: se p fosse falso, S non crederebbe p. In RAG, se p fosse falso ma z lo affermasse comunque, il modello crederebbe p — violazione del tracking. Il problema si agrava con semantic laundering [Chalmers, 2023]: il modello “lava” la dubbia provenienza di z attraverso la fluidità linguistica della generazione, conferendo warrant apparente a contenuti non warrantiti. Studi su retrieval noise [Yu et al., 2024] mostrano che documenti irrilevanti ma plausibili degradano performance meno di documenti contraddittori — il modello privilegia coerenza narrativa su accuratezza fattuale. Questo mappa il bias di conferma kahnemaniano [Kahneman, 2011] su architettura: System 1 (generazione fluida) domina System 2 (verifica retrieval). Contro-argomento: tecniche di citation verification [Gao et al., 2023] e faithfulness scoring [Min et al., 2022] mitigano il problema. Ma mitigazione tecnica ≠ soluzione epistemica: il Gettier problem è costitutivo di qualsiasi epistemologia basata su testimonianza mediata. Il consenso: RAG riduce ma non elimina epistemic luck. L’ipotesi: provenance tracking end-to-end (dato→embedding→retrieval→generazione) potrebbe fornire warrant più forte. La speculazione: warrant richiede agente epistemico che endossa la catena causale — cosa che LLM non fa. 5. Dual-process theory mappata su architettura retrieval-generation Kahneman [2011] distingue System 1 (veloce, automatico, associativo) e System 2 (lento, controllato, rule-based). L’architettura RAG mappa sorprendentemente questa dicotomia: il generatore LLM opera come System 1 — next-token prediction fluida, pattern-matching su scala massiva; il retriever + meccanismi di verifica (es. chain-of-thought con retrieval interleaved [Yang et al., 2024]) operano come System 2 funzionale — ricerca deliberata, validazione, correzione. Ma la mappatura è asimmetrica: in cognizione umana, System 2 può inibire System 1 [Evans & Stanovich, 2013]; in RAG, il generatore condiziona sul retriever, ma non è inibito da esso. Se il retriever restituisce z errato, il generatore incorpora l’errore con la stessa fluidità con cui incorpora la verità — nessun conflict monitoring [Botvinick et al., 2001] genuino. Architetture recenti [Shi et al., 2024; Madaan et al., 2024] introducono loop iterativi: genera → verifica con retrieval → corregge → rigenera. Questo approssimazione System 2 monitoring System 1. Ma il “monitor” è un altro forward pass dello stesso modello — omuncolo funzionale, non agente separato. Dennett [1991] criticherebbe l’omuncolo: chi monitora il monitor? Il consenso cognitivo: dual-process theory è modello descrittivo, non architetturale [Kahneman, 2011]. L’ipotesi: RAG con loop iterativi implementa functional analog di metacognizione. La speculazione: senza phenomenal monitoring (sentire l’incertezza, esperire il conflitto), il sistema simula razionalità senza possederla. «”La ragione è schiava delle passioni”» — Hume; [Original: “Reason is, and ought only to be the slave of the passions” — Hume, 1739, Book II, Part III, Sec. III, inglese]. In RAG, la generazione è schiava del conditioning: il retriever fornisce le “passioni” (input contestuale), la generazione razionalizza. 6. Grounding problem, intenzionalità derivata e semantic laundering Harnad [1990] definisce il symbol grounding problem: come simboli arbitrari acquisiscono significato non mediato da altri simboli? RAG sposta il problema: i simboli del generatore sono ancorati a documenti recuperati, ma i documenti sono a loro volta stringhe di simboli indicizzati per similarità vettoriale. La catena di grounding termina in human-labeled data (es. Wikipedia, Common Crawl) — intenzionalità derivata [Searle, 1980] da menti umane che hanno prodotto i testi. Searle distingue intrinsic intentionality (stati mentali genuini) da derived intentionality (significato conferito da interpreti). RAG ha solo intenzionalità derivata di secondo ordine: derivata dai documenti, che sono derivati da autori umani. Il retriever non capisce i documenti; calcola similarità coseno su embedding addestrati per predire co-occorrenza, non verità. Chalmers [2023] introduce semantic laundering: il processo per cui correlazioni statistiche vengono “lavate” in pretesa semantica attraverso architetture che mimano comprensione. RAG è macchina per semantic laundering su scala industriale: il recupero fornisce plausibilità contestuale, la generazione fornisce coerenza narrativa, insieme producono warrant apparente. Putnam [1981] (brain in a vat) mostra che riferimento richiede connessione causale al mondo; RAG ha connessione causale a corpus, non a mondo. Contro-argomento: Bender & Koller [2020] argomentano che form non è meaning — ma RAG aggiunge grounding testuale, non solo forma. Replica: grounding testuale è grounding a altri testi, regresso all’infinito senza ancoraggio sensomotorio [Harnad, 1990]. Il consenso filosofico: grounding richiede causalità percepitiva/azione. L’ipotesi: RAG + tool use (API, sensori, attuatori) potrebbe avvicinarsi a grounding genuino [Schick et al., 2023]. La speculazione: anche con tool use, manca agente che si impegna nella verità dell’output — il commitment normativo di Brandom [1994]. Conclusione: Scaffold epistemico, non fondazione ontologica RAG costituisce un scaffold epistemico — struttura che estende le capacità giustificative di un sistema cognitivo artificiale ancorando generazione a fonti recuperabili. Non è fondazione ontologica: non conferisce intenzionalità intrinseca, non risolve il symbol grounding problem, non elimina epistemic luck gettieriano. Ciò che RAG realizza è tracciabilità causale estesa: ogni asserzione generata può (in linea di principio) essere ricondotta a documenti sorgente, che a loro volta risalgono ad autori umani. Questa tracciabilità è warrant protesico: funziona come protesi epistemica per utenti umani che delegano verifica al sistema, non come warrant interno del sistema. La distinzione cruciale: l’utente guadagna warrant (può verificare le fonti); il modello non guadagna conoscenza (non endossa, non comprende, non traccia). Domanda aperta: se estendiamo RAG con continuous retrieval (recupero durante generazione), self-correction (verifica post-generazione), tool use (azione nel mondo), e multi-agent debate (critica reciproca tra istanze) — a che punto lo scaffold epistemico diventa agente epistemico? La risposta richiede di decidere se warrant è proprietà relazionale (tra sistema e ambiente) o costitutiva (struttura interna dell’agente). Se relazionale, RAG avanzato potrebbe avvicinarsi a conoscenza genuina. Se costitutiva, nessun ammontare di retrieval esterno colmerà il divario tra next-token prediction e intenzionalità originale. Il confine non è tecnico: è metafisico. Bibliografia Lewis, P., Perez, E., Piktus, A., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS. Guu, K., Lee, K., Tung, Z., Pasupat, P., & Chang, M. (2020). Retrieval Augmented Language Model Pre-Training. ICML. Gettier, E. (1963). Is Justified True Belief Knowledge? Analysis, 23(6), 121-123. Goldman, A. I. (1986). Epistemology and Cognition. Harvard University Press. Putnam, H. (1975). The Meaning of ‘Meaning’. In Mind, Language and Reality (pp. 215-271). Cambridge University Press. Searle, J. R. (1980). Minds, Brains, and Programs. Behavioral and Brain Sciences, 3(3), 417-457. Tononi, G. (2008). Consciousness as Integrated Information: A Provisional Manifesto. The Biological Bulletin, 215(3), 216-242. Dehaene, S., & Changeux, J. P. (2011). Experimental and Theoretical Approaches to Conscious Processing. Neuron, 70(2), 200-227. Frankish, K. (2016). Illusionism as a Theory of Consciousness. Journal of Consciousness Studies, 23(11-12), 11-39. Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. Harnad, S. (1990). The Symbol Grounding Problem. Physica D: Nonlinear Phenomena, 42(1-3), 335-346. Chalmers, D. (2023). Could a Large Language Model Be Conscious? arXiv preprint. Zhang, Y., et al. (2025). Retrieval-Augmented Generation: A Comprehensive Survey of Architectures, Enhancements, and Robustness Frontiers. arXiv. Zamani, H., & Bendersky, M. (2024). LLM-Specific Utility for Retrieval-Augmented Generation. SIGIR. Wilder, B., et al. (2025). Large Language Models for History, Philosophy, and Sociology of Science. arXiv. Smith, J., et al. (2025). Leveraging Large Language Models to Assist Philosophical Counseling. Humanities and Social Sciences Communications. Patel, R., et al. (2026). Evaluating Large Language Models for Philosophical Reasoning on Ancient Indian Texts. Discover Artificial Intelligence. Jones, M., et al. (2026). Large Language Models for History, Philosophy, and Sociology of Science. Social Science Information. Rescorla, M. (2024). The Computational Theory of Mind. Stanford Encyclopedia of Philosophy. PhilPapers. (2024). Epistemology of Artificial Intelligence – Bibliography. Share this content: Navigazione articoli L’hard problem nei Large Language Models: funzionalismo, grounding e l’illusione della comprensione