Estrarre dati da PDF, DDT e preventivi con l'AI: cosa funziona davvero

Ogni mese un ufficio acquisti medio riceve DDT dai fornitori, preventivi in PDF, qualche fattura dall'estero e moduli firmati e scansionati. Qualcuno apre ogni file e ricopia quantità, codici articolo e importi nel gestionale. Si può automatizzare, ma spesso si parte dai documenti sbagliati.

Le fatture elettroniche dallo SdI vanno lette con l'AI?

No. Una fattura elettronica che passa dal Sistema di Interscambio arriva come file XML nel formato FatturaPA: fornitore, partita IVA, righe, aliquote e totali sono già campi strutturati. Per caricarli nel gestionale basta un import o un connettore, e mettere un modello AI in mezzo aggiunge costo e possibilità di errore senza nessun vantaggio.

L'estrazione con l'AI serve per tutto quello che resta fuori dallo SdI. Di solito sono i documenti di trasporto (DDT) dei fornitori, i preventivi e le offerte in PDF, le fatture di fornitori esteri, i contratti e i moduli compilati e poi scansionati. Questi file non hanno uno schema comune: ogni fornitore usa il suo layout e lo cambia quando vuole.

Quali dati estrae bene l'AI da un PDF oggi, e quali no?

Su un PDF generato da un gestionale (testo selezionabile, layout pulito) l'estrazione di intestazione, date, numeri di documento, partite IVA e totali è affidabile. Va bene anche su layout mai visti prima, ed è questa la differenza principale rispetto ai vecchi template a coordinate.

Le difficoltà iniziano con le righe di dettaglio. Un DDT con ottanta righe su tre pagine, celle unite e intestazioni ripetute è il caso in cui l'estrazione perde o duplica una riga senza che nessuno se ne accorga. Le scansioni storte, i fax e le fotocopie di fotocopie abbassano la qualità dell'OCR prima ancora che il modello entri in gioco. La scrittura a mano (una quantità corretta a penna su una bolla, una nota in margine) resta il punto più debole: si può leggere, ma non va mai accettata senza un controllo.

OCR con regole, LLM o approccio ibrido: quale scegliere?

L'OCR con regole (template per fornitore, espressioni regolari, posizioni fisse) costa poco a ogni pagina ed è prevedibile, ma si rompe appena un fornitore cambia modulo, e ogni nuovo fornitore va configurato. Ha senso quando i fornitori sono pochi e stabili.

Un LLM che legge il documento e restituisce i campi in un formato definito gestisce layout nuovi senza configurazione e capisce il contesto ("consegna parziale", "prezzo valido 30 giorni"). In cambio costa di più per pagina e può sbagliare in modo plausibile: scrive un numero credibile ma sbagliato.

Nei progetti che ho portato in produzione l'architettura è sempre stata ibrida: un servizio di OCR e analisi del layout legge il documento, un LLM interpreta i campi, poi una serie di controlli deterministici decide se il risultato si può accettare. Nell'estrazione dei dati dai bilanci la pipeline esegue circa 30 controlli su ogni documento, per esempio totali che devono quadrare. I documenti che li superano tutti passano senza intervento umano, gli altri vanno in revisione.

Come si controlla che i dati estratti siano giusti?

Un'estrazione senza controlli sposta il problema: invece di ricopiare a mano, qualcuno deve ricontrollare tutto a mano. I controlli utili sono quasi sempre semplici. La somma delle righe deve dare il totale, l'imponibile più l'IVA deve dare il totale documento, la partita IVA deve avere un formato valido, il fornitore deve esistere in anagrafica e il numero d'ordine citato nel DDT deve corrispondere a un ordine aperto, con quantità compatibili.

Il secondo strumento è il confronto con i dati che l'azienda ha già. Nelle verifiche sulle pratiche di successione per una grande banca italiana i documenti legali vengono confrontati con gli archivi della banca: se un controllo fallisce, la pratica arriva all'operatore con il motivo preciso. L'operatore verifica una sola discrepanza invece di rileggere tutta la pratica, e i tempi di gestione sono scesi dell'80%.

Chi rivede i campi incerti e quanto lavoro resta?

La revisione umana va progettata insieme al resto. Chi rivede deve vedere il documento originale accanto ai campi estratti, con evidenziato solo quello che non torna, e deve poter correggere e confermare in pochi clic. Se la schermata di revisione è scomoda, il personale finisce per ricontrollare tutto e il risparmio scompare.

Quanto lavoro resta dipende da quanti documenti passano tutti i controlli. Nel progetto sui bilanci, con oltre 2.500 documenti al giorno, il lavoro manuale è sceso dell'84%: gli analisti rivedono solo i documenti che falliscono un controllo e sanno già quale. Su DDT e preventivi di una PMI i numeri saranno diversi, e il modo per saperlo è misurarli su un campione dei propri documenti.

Da cosa dipende il costo di un sistema di estrazione documenti?

Non do cifre generiche perché variano troppo da caso a caso, ma le voci che spostano il costo sono sempre le stesse. Conta il volume, cioè quante pagine al mese e con quali picchi. Conta quanto sono diversi i layout: dieci fornitori o trecento, PDF nativi o scansioni. Pesa il numero di campi da estrarre, soprattutto se servono le righe di dettaglio e non solo l'intestazione. Pesano l'integrazione con il gestionale o l'ERP e i vincoli sui dati: per i clienti bancari i modelli giravano su Azure OpenAI dentro il cloud UE del cliente, con audit trail su ogni documento e nessun dato sensibile nei log, e questo pesa su progetto e infrastruttura.

Il costo dei modelli per pagina di solito è la voce minore. Pesano di più la definizione dei controlli, la schermata di revisione e l'integrazione, che sono anche le parti che fanno funzionare il sistema.

Da dove partire per automatizzare l'estrazione da DDT e preventivi?

Se non avete ancora deciso quale processo automatizzare per primo, nella guida su quali attività d'ufficio automatizzare con l'AI trovate i criteri per scegliere.

Quali errori evitare quando si estraggono dati dai documenti?

Il primo è usare l'AI anche dove i dati sono già strutturati, come le fatture XML dello SdI o gli ordini che arrivano via EDI. Il secondo è valutare il sistema sull'accuratezza media dei campi: conta quanti documenti passano in automatico senza che un errore arrivi nel gestionale. Il terzo è testare solo su PDF puliti e scoprire in produzione che metà dei DDT arriva fotografata col telefono. Il quarto è non prevedere la revisione umana, o prevederla con una schermata che obbliga a rileggere tutto. L'ultimo, nei settori regolati, è mandare documenti con dati personali a un servizio esterno senza aver deciso prima dove girano i modelli e cosa finisce nei log.

Se lavorate in un settore regolamentato, la pagina sul servizio di AI documentale per banche e aziende regolamentate descrive come imposto pipeline, controlli e audit trail.