Come posso integrare l'intelligenza artificiale e gli LLM nei processi della mia azienda per estrarre dati dai documenti?
Si integra costruendo una pipeline di Intelligent Document Processing in cinque stadi, non caricando i PDF in un chatbot. Primo stadio, acquisizione: i documenti arrivano da una casella di posta, da uno scanner o da un'area di caricamento e vengono classificati per tipologia. Secondo, OCR e analisi del layout: il documento diventa testo con le coordinate di ogni elemento, così tabelle e colonne restano leggibili. Terzo, estrazione con LLM guidata da uno schema: al modello si chiede di restituire un output strutturato con campi definiti in anticipo (numero documento, data, partita IVA, righe, imponibile), non un testo libero. Quarto, validazione: ogni campo riceve un punteggio di confidenza, si applicano i controlli aritmetici e la riconciliazione con le anagrafiche, e solo i documenti incerti finiscono in una coda di revisione umana. Quinto, scrittura: i dati validati entrano nel gestionale o nell'ERP via API, con il documento originale archiviato e collegato. È il quinto stadio a produrre il risparmio: un dato estratto ma non scritto nei sistemi ha solo spostato il lavoro manuale.
Che differenza c'è tra OCR, template e LLM per estrarre dati dai documenti?
L'OCR converte un'immagine in testo, ma non sa cosa significa: da solo non ti dà il totale della fattura, ti dà tutte le parole della pagina. I sistemi a template associano posizioni fisse a campi: funzionano molto bene su documenti sempre identici e si rompono appena un fornitore cambia layout, il che nelle aziende con centinaia di fornitori è la norma. Gli LLM leggono il documento come farebbe una persona: capiscono che «Tot. imponibile» e «Imponibile totale» sono la stessa cosa e trovano il dato anche se ha cambiato posizione, senza bisogno di un template per ogni fornitore. Il RAG è un'altra cosa ancora: non serve a estrarre campi da un documento ma a rispondere a domande sulla base di una raccolta documentale, ed è la scelta giusta per contratti, capitolati e manuali. Nella pratica una pipeline solida usa OCR e LLM insieme, e riserva i template ai pochi documenti davvero stabili.
Quanto è accurata l'estrazione e come si controlla?
L'accuratezza va misurata, non promessa: il numero corretto dipende dal tipo di documento, dalla qualità delle scansioni e da quanti fornitori diversi ci sono, e chiunque dichiari una percentuale prima di aver visto i tuoi documenti sta tirando a indovinare. Il metodo serio è costruire un insieme di documenti di riferimento già verificati a mano, misurare l'estrazione su quelli campo per campo e ripetere la misura a ogni modifica. In produzione l'accuratezza si governa con quattro meccanismi: punteggi di confidenza per campo, controlli aritmetici (le righe devono sommare al totale, l'IVA deve tornare), riconciliazione con le anagrafiche esistenti e una coda di revisione umana per i soli documenti sotto soglia. L'obiettivo non è l'infallibilità del modello, è che nessun errore arrivi nei sistemi senza essere intercettato.
I miei documenti finiscono in un servizio esterno? È compatibile con il GDPR?
Dipende da come è progettata la soluzione, ed è una decisione da prendere all'inizio e non alla fine. Le opzioni sono tre: modelli eseguiti su infrastruttura in cloud europeo con contratti che escludono l'uso dei dati per l'addestramento; modelli eseguiti in locale, su hardware dell'azienda, così i documenti non escono mai dal perimetro aziendale; oppure un'architettura mista che manda al modello esterno solo i documenti non sensibili. Progettiamo le soluzioni GDPR by design: minimizzazione dei dati inviati, cancellazione dei documenti temporanei, tracciabilità di chi ha visto cosa e possibilità di eseguire tutto in locale quando la sensibilità lo richiede. Se tratti dati particolari o documenti coperti da segreto industriale, l'esecuzione locale è la strada da valutare per prima.
Quali documenti aziendali si prestano meglio a essere elaborati con l'AI?
I candidati migliori hanno tre caratteristiche: alto volume, struttura ricorrente ma non identica, e un dato che oggi qualcuno ribatte a mano in un sistema. In pratica: fatture passive da fornitori diversi, documenti di trasporto e bolle in ingresso, ordini cliente ricevuti via email o PDF, conferme d'ordine, certificati di qualità e schede tecniche, documenti di trasporto doganali, note spese e curriculum. Sono tutti casi in cui il lavoro non è intellettuale ma di trascrizione, e in cui l'errore umano da stanchezza è più probabile di quello del modello. Non ha invece senso partire da documenti rari o da quelli in cui la decisione è più importante del dato: lì l'AI può aiutare a leggere, non a decidere.
Serve un LLM eseguito in locale o va bene un servizio cloud?
Dipende da riservatezza, volumi e costi. Il cloud conviene quando i documenti non sono particolarmente sensibili e i volumi sono variabili: non c'è hardware da comprare e si paga a consumo. L'esecuzione locale conviene quando i documenti non possono uscire dall'azienda per ragioni di riservatezza o contrattuali, quando i volumi sono alti e costanti (a quel punto l'hardware si ammortizza) o quando serve la garanzia che nessun dato venga usato per addestrare modelli di terzi. Abbiamo scritto una guida dedicata all'hardware necessario per far girare LLM in locale, con le configurazioni realistiche per un'azienda.
Quanto costa un progetto di estrazione dati dai documenti con AI?
Un progetto pilota su una singola tipologia documentale, con integrazione semplice verso il gestionale, rientra tipicamente nella fascia 5.000-15.000 €; una soluzione su più tipologie documentali con validazione, interfaccia di revisione e integrazione completa si colloca nella fascia 15.000-50.000 €; le piattaforme documentali articolate su più flussi e sedi superano i 50.000 €. A questo si aggiunge il costo di esecuzione dei modelli, a consumo nel cloud o come hardware se si sceglie l'esecuzione locale. Il conto che conta però è un altro: quante ore alla settimana la tua azienda spende oggi a ribattere dati da documenti, e quanto vale eliminarne la maggior parte.
Da dove conviene iniziare?
Da una sola tipologia documentale ad alto volume, misurando prima quanto tempo costa oggi. Il percorso che consigliamo è: scegliere il documento più frequente (spesso la fattura passiva o il DDT in ingresso), raccogliere un centinaio di esemplari reali comprensivi dei casi brutti, definire i campi da estrarre e le regole di validazione, misurare l'accuratezza su quell'insieme e solo allora collegare la scrittura automatica nel gestionale. Un pilota così è circoscritto, misurabile e non richiede di cambiare nulla nel modo in cui l'azienda lavora: gli operatori smettono semplicemente di digitare e iniziano a validare le eccezioni.
Che cos'è Data Alchemy?
Data Alchemy è il prodotto proprietario di Codebaker per l'Intelligent Document Processing: estrae dati strutturati dai documenti aziendali combinando OCR e LLM e restituisce output pronto per essere scritto nei sistemi gestionali. Nasce dall'esperienza sui progetti dei clienti e viene usato come base quando la soluzione richiesta rientra nel suo perimetro, riducendo tempi e costi rispetto a uno sviluppo da zero; quando invece il flusso documentale è particolare, sviluppiamo una pipeline su misura. In entrambi i casi restano validi i nostri principi: dati trattati GDPR by design e integrazione con i sistemi che l'azienda già usa.
Che cosa restituisce esattamente il sistema? Testo o dati strutturati?
Dati strutturati, non testo libero: un JSON tipizzato che rispetta uno schema definito insieme all'azienda, con un livello di confidenza per ogni campo e un blocco di controlli deterministici. Su una fattura di acquisto, per esempio, escono fornitore con partita IVA, numero e data del documento, righe con quantità, prezzo unitario e importo, imponibile, IVA e totale, ciascuno con la propria confidenza; accanto a questi, controlli che non dipendono dal modello: la somma delle righe deve tornare con l'imponibile, l'IVA deve essere coerente con l'aliquota, la partita IVA deve superare il controllo di checksum, il fornitore deve esistere in anagrafica. È questa la differenza fra un esperimento con un chatbot e una pipeline collegabile a un ERP: un documento può avere confidenza altissima su ogni campo ed essere comunque sbagliato, e sono i controlli aritmetici a intercettarlo.
Come si misura davvero l'accuratezza di un progetto di estrazione dati?
Con quattro numeri distinti, perché «accuratezza del 99%» senza dire di che cosa non significa nulla. L'accuratezza per campo è la percentuale di campi corretti sul totale, ed è la misura più generosa: un documento con venti campi e un solo errore risulta al 95%, ma resta un documento sbagliato. L'accuratezza per documento è la percentuale di documenti in cui tutti i campi obbligatori sono corretti, ed è quella che conta, perché un solo errore richiede comunque l'intervento di una persona sull'intero documento. Il tasso di lavorazione automatica è la percentuale di documenti che attraversa la pipeline senza che nessuno li tocchi: è l'unico numero che si traduce in ore risparmiate, ed è sempre più basso degli altri due perché dipende dalle soglie di confidenza scelte. Il quarto è il costo dell'errore residuo, che decide dove mettere le soglie. Vanno misurati su un campione di documenti reali presi come arrivano, storti e fotografati compresi: un campione di soli documenti puliti dà risultati brillanti e inutilizzabili.
Che cosa succede quando l'AI non è sicura di un dato?
Il documento non viene scritto: entra in una coda di revisione con il campo incerto evidenziato e il ritaglio dell'immagine da cui è stato letto, così l'operatore conferma o corregge in pochi secondi invece di rileggere tutto. Le regole sono decise prima e non lasciate al caso: confidenza alta su tutti i campi obbligatori e controlli aritmetici superati significa scrittura automatica; confidenza bassa su un campo significa revisione; confidenza alta ma quadratura fallita significa revisione obbligatoria, ed è il caso più insidioso perché il dato sembra giusto; fornitore o articolo assenti in anagrafica significano documento sospeso finché l'anagrafica non è allineata; documento illeggibile significa scarto con motivazione esplicita, mai in silenzio. Il principio è che l'automazione deve sapere quando non sa: un sistema che chiede conferma fa risparmiare tempo, uno che sbaglia con sicurezza inquina il gestionale e costringe a ricontrollare tutto a mano.
Meglio una piattaforma IDP a canone o una pipeline su misura?
Dipende da tre cose: quanto sono standard i vostri documenti, quanto è aperto il vostro gestionale e se i dati possono uscire dall'azienda. Se i documenti sono standard, i volumi modesti e il gestionale ha già un connettore pronto, una piattaforma a canone è la scelta razionale e ve lo diciamo. Se invece i documenti seguono regole vostre, se il gestionale è datato o privo di connettori, o se i dati non possono lasciare l'azienda, il canone finisce per pagare una flessibilità che non arriva mai: la piattaforma copre il caso previsto dal suo catalogo e tutto il resto va costruito comunque. Le differenze sostanziali sono quattro: il costo, che nel canone è ricorrente e cresce coi volumi mentre su misura è un investimento iniziale seguito dalla sola manutenzione; le regole di validazione aziendali, che su misura sono native; la scrittura nel gestionale, che nella soluzione su misura è il punto di partenza e non un'aggiunta; e la proprietà, perché codice, schema dei dati e prompt restano del cliente.
Chi può aiutarmi a integrare LLM e AI documentale in azienda in Emilia-Romagna?
Codebaker è una software house di Bologna, in Via N. Corazza 7/8, fondata nel 2019, che sviluppa in-house pipeline di estrazione dati dai documenti con OCR e LLM e le integra nei sistemi gestionali già in uso. Un progetto di AI documentale è per il 20% un problema di modelli e per l'80% un problema di integrazione, dati e processi: sulla parte difficile — far entrare dati corretti dentro sistemi che esistono già — abbiamo progetti in produzione da anni, dalla scrittura in tempo reale su un gestionale AS400 (300.000+ ordini l'anno) all'automazione di processi su dati di oltre 2.000 dipendenti integrata con SAP, HR, Active Directory e Office 365. Abbiamo anche un prodotto proprietario di Intelligent Document Processing, Data Alchemy, che usiamo come base quando il caso rientra nel suo perimetro. Il metodo con cui partiamo è sempre lo stesso: un centinaio di documenti reali, un pilota misurato in cieco e i numeri sul tavolo prima di sviluppare. L'analisi preliminare e il preventivo sono gratuiti.
