Miglior modello AI per estrarre dati da documenti

L'estrazione di dati da documenti è il progetto AI più richiesto dalle PMI e quello che sembra più semplice. In parte lo è: su documenti ben formattati qualunque modello moderno se la cava.

La difficoltà, e il rischio, stanno altrove: nei documenti fatti male e nel modo in cui il modello reagisce quando un dato non c'è.

Il compito è più vario di quanto sembri

«Estrarre otto campi da una fattura» descrive due lavori diversi, e confonderli è l'origine di gran parte dei progetti che deludono.

Su una fattura ben formattata è riconoscimento puro: il dato è lì, va trovato e riportato. Un modello economico lo fa bene e in fretta.

Su una scansione storta, con un timbro sopra il numero e una descrizione che va a capo in mezzo a un importo, il compito cambia natura: bisogna distinguere fra un dato assente, uno ambiguo e uno illeggibile, e decidere cosa segnalare.

La prova che separa tutto

C'è un singolo test che distingue un modello utilizzabile da uno pericoloso, e richiede due minuti: dare al modello un documento a cui manca il campo richiesto e chiederglielo.

L'ultima riga descrive il modo in cui un progetto di estrazione fallisce senza che nessuno se ne accorga. Su volumi alti quei dati sbagliati entrano nei sistemi aziendali, si propagano nelle registrazioni e nei report, e vengono scoperti mesi dopo — quando ricostruire cosa è successo costa più dell'intero progetto.

Ed è un errore particolarmente insidioso perché un valore plausibile passa i controlli automatici: ha il formato giusto, sta nell'intervallo atteso, non fa scattare nulla.

L'impostazione a due livelli

Siccome i documenti si dividono naturalmente in ordinari e problematici, l'impostazione che funziona meglio usa due modelli.

Il modello economico riceve tutti i documenti. Per ciascuno produce i campi estratti e un'indicazione di quanto sia sicuro. I documenti ordinari si chiudono lì; quelli su cui dichiara incertezza salgono a un modello più capace, e ciò che nemmeno quello risolve arriva a una persona.

• Definisci una soglia esplicita per il passaggio di livello
• Chiedi al modello di citare dove ha trovato ogni campo
• Aggiungi controlli di coerenza sui valori estratti
• Prevedi una coda per i casi che nessuno chiude
• Controlla a campione i documenti chiusi automaticamente
• Monitora le percentuali nel tempo, non solo all'inizio

Il secondo punto vale doppio nell'estrazione: se il modello indica in quale punto del documento ha trovato l'importo, la verifica richiede due secondi. Il dettaglio dell'impostazione è in strategia a modello misto.

Quale fascia e quanto costa

Sul piano economico i numeri sono favorevoli: alla fascia leggera, centomila documenti al mese con 1.500 token di input e 200 di output costano nell'ordine di poche decine di dollari. È il tipo di progetto che la fascia economica rende possibile.

La voce che pesa davvero è un'altra: il tempo di revisione. Se il cinque per cento dei documenti va rivisto a mano, su centomila sono cinquemila revisioni al mese. A un minuto l'una sono oltre ottanta ore: molto più della spesa di API.

Errori da evitare

• Testare solo su documenti puliti.
• Non provare il documento senza il campo richiesto.
• Non chiedere dove ha trovato il dato.
• Usare un modello solo per documenti eterogenei.
• Non prevedere controlli a campione su volumi alti.
• Ottimizzare il listino invece della revisione umana.

Esempi pratici

Vale la pena seguire un caso realistico, perché mostra dove si concentrano davvero i problemi.

Il punto di partenza. Un'azienda riceve 8.000 fatture fornitori al mese, da circa quattrocento fornitori diversi. Otto campi da estrarre. Oggi il lavoro lo fanno due persone.

Prima settimana: cento documenti con revisione totale. Ogni esito viene controllato. Si scopre che il novantadue per cento dei documenti viene estratto correttamente, ma anche che gli errori si concentrano su una ventina di fornitori con formati particolari — non sono distribuiti a caso.

Seconda settimana: mille documenti con soglia. Si introduce l'indicazione di confidenza e si tara la soglia. Il sette per cento dei documenti sale al secondo livello, il due per cento arriva a una persona. Le percentuali sono gestibili.

Terza settimana: volume pieno. Campione settimanale di venti documenti, controlli di coerenza automatici sugli importi, monitoraggio delle percentuali.

L'ultima riga è il risultato vero: da ottomila documenti da guardare a centosessanta. E la spesa di API è irrilevante rispetto al tempo liberato.

I controlli di coerenza, l'alleato dimenticato

Su dati strutturati si possono fare verifiche automatiche che non richiedono AI e che intercettano gran parte degli errori residui.

• L'imponibile più l'IVA deve dare il totale
• La data deve essere plausibile e coerente con il periodo
• Il fornitore deve esistere in anagrafica
• L'importo deve stare in un intervallo ragionevole per quel fornitore
• Il numero documento non deve essere già presente

Sono controlli banali da implementare e catturano proprio la categoria di errore più pericolosa: il valore plausibile ma sbagliato. Un importo inventato passa il controllo di formato ma quasi mai quello aritmetico.

È il motivo per cui un progetto di estrazione ben fatto non si affida solo al modello: combina l'AI per leggere e regole deterministiche per verificare. Ciascuno fa la parte in cui è forte.

Come impostare le istruzioni

Nell'estrazione la qualità del risultato dipende dalle istruzioni almeno quanto dal modello. Quattro accorgimenti valgono più di un salto di fascia.

Descrivi ogni campo con precisione. «Data» è ambiguo: data documento, data di ricezione, data di scadenza? Un campo descritto male produce errori che sembrano capricci del modello e sono invece istruzioni imprecise.

Dichiara cosa fare quando il dato manca. Va detto esplicitamente: se non trovi il campo, scrivi che non è presente. Senza questa istruzione molti modelli cercano di essere utili e riempiono il vuoto.

Dai un esempio di documento difficile. Un solo esempio di caso limite, con la risposta corretta, migliora il comportamento su tutta la categoria.

Chiedi la posizione del dato. Sapere che l'importo è stato letto nella riga «Totale documento» rende la verifica immediata e rivela subito quando il modello ha ricostruito.

Quando l'estrazione non è il problema giusto

Un'ultima considerazione che fa risparmiare interi progetti: a volte il documento non andrebbe letto affatto.

Se un fornitore invia ogni mese la stessa fattura in PDF e quel fornitore ha anche un tracciato elettronico, leggere il PDF con l'AI è la strada più complicata per ottenere un dato che esiste già in forma strutturata. Lo stesso vale per documenti generati da un sistema a cui si potrebbe accedere direttamente.

• Verifica se il dato esiste già in forma strutturata da qualche parte
• Chiedi ai fornitori principali se possono inviare un tracciato
• Riserva l'estrazione AI ai documenti che arrivano solo come immagini

Nella pratica quasi sempre resta una quota consistente di documenti per cui l'estrazione AI è l'unica strada — è il motivo per cui questi progetti hanno senso. Ma ridurre quella quota all'origine è più efficace di qualunque ottimizzazione a valle.

Come applicarlo in azienda

Il percorso prudente non parte dal volume pieno. Tre tappe, e le prime due sono l'assicurazione più economica del progetto.

Cento documenti con revisione totale. Ogni esito controllato da una persona. Serve a misurare l'accuratezza reale e a scoprire dove si concentrano gli errori — che nella pratica non sono mai distribuiti a caso, ma raggruppati su pochi fornitori o pochi formati.

Mille documenti con soglia. Si introduce l'indicazione di confidenza, si tara la soglia di passaggio al secondo livello e si misura quanti casi arrivano a una persona.

Volume pieno con controlli continui. Campione settimanale, controlli di coerenza automatici, monitoraggio delle percentuali.

Affianca sempre all'AI dei controlli deterministici: imponibile più IVA uguale totale, data plausibile, fornitore presente in anagrafica, numero documento non duplicato. Sono banali da implementare e catturano proprio la categoria di errore più pericolosa — il valore plausibile ma sbagliato, che passa i controlli di formato. Ciascuno fa la parte in cui è forte: l'AI legge, le regole verificano.

Sul piano economico, ricorda che a queste tariffe la voce maggiore non è l'API ma il tempo di revisione. Ridurre la percentuale di documenti da rivedere vale più che scegliere il modello con il listino più basso, secondo il calcolo di costo per task o prezzo per token. L'impostazione a due livelli è descritta in strategia a modello misto, e il criterio per scegliere la fascia di partenza in quando basta un modello economico.

Un'ultima verifica che fa risparmiare interi progetti: controlla se il dato esiste già in forma strutturata da qualche parte. Leggere un PDF con l'AI è la strada più complicata per ottenere un'informazione che un tracciato elettronico fornirebbe già pronta.

Se vuoi automatizzare l'estrazione dai tuoi documenti in modo sicuro e verificabile, Giallo Studio aiuta PMI e team a costruire automazioni concrete, misurabili e sostenibili.

Per completare il ragionamento. Il metodo per costruire il banco di prova è in come si leggono i benchmark AI. Il calcolo del costo per compito completato, che è il numero su cui si decide davvero, è in quando conviene cambiare modello AI. Per capire quando conviene rimettere in discussione la configurazione, il criterio è in perché i benchmark dei vendor non sono comparabili.

Conclusione

Per l'estrazione da documenti la fascia economica basta sui casi ordinari, che sono la maggioranza. La difficoltà sta nei documenti fatti male, e la si affronta con un secondo livello anziché pagando la fascia alta su tutto.

Ma la proprietà che decide se il progetto è sicuro è una sola: il modello deve dichiarare quando il dato non c'è. Un valore plausibile inventato passa i controlli, entra nei dati aziendali e non viene mai scoperto.

Se vuoi automatizzare l'estrazione dai tuoi documenti in modo sicuro e verificabile, Giallo Studio progetta soluzioni AI su misura per le PMI.

Schema consigliato: Article + FAQPage + BreadcrumbList