BaggioDevAppunti dal campo
Riflessioni su sviluppo software, intelligenza artificiale e lavoro digitale.
Modelli multimodali, dati strutturati e controlli umani: la differenza tra una demo e un processo affidabile.
Leggi articoloUno spazio per parlare di software, AI, tecnologia e delle domande che portano con sé.
Leggi articoloQuesto è il mio spazio personale per parlare di ciò che mi appassiona: software, soluzioni basate su AI, stato dell'arte dell'intelligenza artificiale e informatica.
Non parlerò solo di tecnologie di tendenza. Voglio condividere riflessioni concrete e strumenti pratici, con attenzione a rischi etici, sociali e professionali.
Un luogo per accendere riflessioni e condividere spunti utili a chi vive la tecnologia.
This is my personal space to write about what interests me most: software, AI-based solutions, the state of artificial intelligence, and computer science.
I will not only cover trendy technology. My goal is to share practical tools and concrete thoughts while considering ethical, social, and professional risks.
A place to spark reflection and share useful ideas with people who work with technology.
Per molte aziende, il valore dell'AI non sta nel produrre un testo brillante. Sta nel rendere utilizzabili migliaia di documenti: fatture, contratti, report, schede tecniche, richieste di assistenza.
I modelli più recenti sono sempre più multimodali: possono leggere testo, tabelle, immagini, grafici e layout della pagina. Questo apre possibilità reali, ma non trasforma automaticamente un archivio PDF in un processo affidabile.
Una demo è semplice: si carica un documento e si chiede un riassunto. Un processo aziendale deve invece classificare il documento, estrarre campi precisi, validare i risultati, gestire eccezioni e lasciare traccia di ogni decisione.
Il punto non è scegliere il modello “migliore” in assoluto. Il punto è costruire una pipeline in cui ogni componente abbia un compito chiaro.
Gli output strutturati aiutano molto: il modello può restituire dati in uno schema JSON previsto dall'applicazione. È un ottimo modo per evitare output inutilizzabili dal software.
Ma una risposta con il formato corretto può comunque contenere una data sbagliata, una partita IVA letta male o una clausola interpretata in modo errato. Per questo lo schema è solo il primo controllo. Regole deterministiche e revisione umana restano parte del prodotto.
Il vantaggio cresce quando il significato dipende dalla pagina, non solo dal testo estratto: tabelle di un preventivo, grafici in un report, timbri, firme, scansioni o documenti con layout irregolare.
Qui un modello multimodale può ridurre passaggi manuali e recuperare informazioni che un OCR puro lascia indietro. Per documenti semplici e ad alto volume, però, OCR e regole tradizionali possono restare più rapidi, economici e prevedibili.
Prima del rilascio, serve un set di documenti reali e rappresentativi. Non basta chiedere se il sistema “sembra funzionare”. Bisogna misurare precisione per singolo campo, percentuale di pratiche inviate alla revisione, tempo risparmiato e costo per documento.
La domanda utile non è “l'AI può leggere i PDF?”. È: quale decisione può assistere, con quale soglia di rischio e con quale controllo?
L'AI documentale non è un chatbot sopra i PDF. È un processo operativo con controlli, eccezioni e responsabilità definite.
Per approfondire le capacità documentali multimodali e gli output strutturati: Google AI document understanding e OpenAI Structured Outputs.
For many companies, AI's value is not writing polished text. It is making thousands of documents usable: invoices, contracts, reports, technical sheets, and support requests.
Recent models are increasingly multimodal: they can read text, tables, images, charts, and page layout. That creates real opportunities, but it does not automatically turn a PDF archive into a reliable process.
A demo is easy: upload a document and ask for a summary. A business process must classify the document, extract specific fields, validate results, manage exceptions, and retain a record of every decision.
The point is not choosing the universally “best” model. The point is building a pipeline where every component has a clear job.
Structured outputs help a great deal: a model can return data in a JSON schema expected by the application. This is an excellent way to avoid output that software cannot use.
But correctly formatted output may still have a wrong date, a misread tax ID, or an incorrectly interpreted clause. A schema is therefore only the first control. Deterministic rules and human review remain product requirements.
The benefit grows when meaning depends on the page, not only extracted text: quote tables, report charts, stamps, signatures, scans, or irregular layouts.
Here, a multimodal model can reduce manual work and recover information that a pure OCR flow misses. For simple, high-volume documents, traditional OCR and rules may still be faster, cheaper, and more predictable.
Before release, use a representative set of real documents. Asking whether the system “seems to work” is not enough. Measure field-level accuracy, review rate, time saved, and cost per document.
The useful question is not “can AI read PDFs?” It is: which decision can it assist, at which risk threshold, with which control?
Document AI is not a chatbot on top of PDFs. It is an operating process with defined controls, exceptions, and accountability.
For more on multimodal document capabilities and structured outputs: Google AI document understanding and OpenAI Structured Outputs.