Estrarre dati da PDF con l'AI: come verificare ciò che viene letto

Un sistema che legge una fattura e restituisce dieci campi compilati fa una buona impressione. Il problema arriva dopo: su duemila documenti, come si fa a sapere quali dieci campi sono sbagliati? L’estrazione automatica non si valuta sulla dimostrazione riuscita, ma su che cosa succede quando sbaglia in silenzio. Questa guida serve a progettare i controlli prima di far scrivere quei dati da qualche parte.

Prima i campi, poi lo strumento

La prima decisione non è tecnologica: è l’elenco dei campi che vi servono, con il formato e la regola di ciascuno, scritto prima di provare qualunque strumento.

• Quali campi. Non «tutto quello che c’è nel documento»: solo i campi che qualcuno userà. Ogni campo estratto è un campo da controllare.
• Che formato. Una data è un giorno preciso, non una riga di testo; un importo ha una valuta e dei decimali; un codice ha una lunghezza. Senza formato non esiste controllo automatico.
• Quali documenti sono ammessi. Un file generato da un altro sistema si legge in un modo, la scansione storta di un foglio timbrato è un altro problema. Dire «accettiamo tutto» significa non avere una soglia di qualità.
• Che cosa fare quando un campo non c’è. È il caso più frequente e il meno progettato: il documento è valido ma quel dato non compare. La risposta non può essere un valore ricostruito a intuito.

Se questo elenco non si riesce a scrivere, il problema non è l’intelligenza artificiale: è che il processo a valle non è definito e nessuno sa che cosa se ne farà dei dati.

Tre operazioni diverse chiamate «lettura»

Nella stessa frase vengono confuse tre cose che sbagliano in modo diverso e vanno verificate in modo diverso.

• Il riconoscimento del testo: trasformare un’immagine in caratteri. Qui gli errori sono materiali — un otto letto come tre, una riga tagliata dalla piega del foglio, una parte fuori inquadratura. Un documento nato digitale salta questo passaggio ed è molto più affidabile.
• L’estrazione: decidere quale, fra i numeri presenti, è il totale, e quale delle tre date è quella di emissione. Qui gli errori sono di interpretazione, e sono i più pericolosi perché il risultato è sempre plausibile.
• Il controllo: stabilire se il dato estratto è coerente con il resto. È l’unico dei tre passaggi che può accorgersi che qualcosa non torna, ed è quello che quasi nessuno progetta.

Un sistema che salta il terzo passaggio non è automatizzato: ha soltanto spostato il controllo su chi riceve i dati, senza dirglielo.

La tabella dei campi

Il documento di progetto più utile è una tabella con una riga per campo. Un esempio, su una fattura ricevuta da un fornitore.

Le ultime due colonne sono la guida vera. Un campo senza un controllo e senza una destinazione in caso di errore è un campo che nessuno verificherà mai.

I controlli che si scrivono a mano

I controlli utili non sono statistici: sono aritmetici e anagrafici, e proprio per questo sono affidabili.

• Coerenza interna: i totali tornano, le righe sommano, le percentuali si ricalcolano.
• Coerenza con ciò che sapete già: il fornitore esiste, il numero d’ordine esiste, quel cliente ha davvero quella sede.
• Plausibilità: una data del secolo scorso, un importo fuori scala di tre ordini di grandezza, una quantità negativa dove non può esserlo.
• Duplicati: lo stesso documento caricato due volte è un errore più comune di un campo letto male, e più costoso.

Quando un controllo fallisce non si corregge in automatico. Si manda a revisione: correggere da solo un dato di cui il sistema si è già mostrato incerto è il modo più diretto per creare errori invisibili.

Dove passa la revisione umana

L’obiettivo realistico non è eliminare la persona: è farle guardare pochi documenti invece di tutti, e sapere quali.

1. I documenti che superano tutti i controlli proseguono, con la loro traccia.
2. I documenti con un controllo fallito vanno in una coda di revisione, con il campo problematico evidenziato e il documento originale accanto: chi corregge non deve cercare.
3. I documenti bloccanti — un totale che non torna, un possibile duplicato — non proseguono in nessun caso, nemmeno quando c’è fretta.

La coda di revisione va letta come un indicatore. Se cresce sempre sullo stesso tipo di documento o sullo stesso fornitore, quasi mai la soluzione è migliorare l’estrazione: è chiedere quel documento in un formato diverso.

Conservare la provenienza

Per ogni dato scritto in un sistema si deve poter risalire a dove è stato preso. Non è burocrazia: è la condizione per poter contestare, correggere e capire.

• Il documento originale, conservato e collegato al dato.
• Il punto del documento da cui il valore è stato estratto, per ritrovarlo senza rileggere tutto.
• Se il valore è stato corretto a mano: da chi, quando, e qual era il valore precedente.
• Quali controlli sono stati eseguiti e con quale esito.

Senza queste quattro informazioni, quando fra un anno un numero risulterà sbagliato non si saprà se l’errore è nella lettura, nella correzione o nel documento di partenza.

Quello che questa guida non copre

Qui si tratta l’estrazione assistita: che cosa si può leggere da un documento e come si verifica. Non esiste una configurazione che garantisca accuratezza totale, e nessun dato estratto dovrebbe entrare in contabilità senza i controlli descritti. Il caso di un sistema che non si limiti a leggere ma scriva o modifichi dati in un gestionale è un problema diverso, di permessi e di azioni consentite, e ha una guida propria; anche il trasferimento una tantum di dati da fogli di calcolo o da un vecchio sistema segue un metodo suo.