Blog Guide Portfolio Biografia antoniotrento.net
Italiano English

Stack AI sovrano

RAG e documenti italiani

FatturaPA, contratti, OCR e vector DB: come interrogare 10.000 documenti italiani con citazioni corrette, senza Pinecone e senza cloud.

RAG e documenti italiani

Le aziende italiane sono fatte di documenti: fatture elettroniche XML, contratti con clausole che contano, DDT, ordini, moduli compilati a mano, PDF scansionati storti. Prima o poi qualcuno chiede di “farci domande con l’AI” o di “estrarre i dati in automatico”. Funziona sempre nella demo, su dieci documenti scelti bene. Su diecimila documenti veri, in italiano, con le loro eccezioni, funziona solo se è progettato per farlo.

Questa guida raccoglie gli articoli su come si costruiscono sistemi che leggono documenti italiani in modo affidabile: ricerca con citazioni corrette, estrazione di campi misurata per campo e non a sensazione, identificativi validati da algoritmi e non dal modello, e un’infrastruttura che tiene i documenti in azienda.

Il principio: la fonte vince sempre sul modello

Il filo che lega questi articoli è una gerarchia semplice. Se il dato esiste già strutturato (l’XML della fattura elettronica, un’anagrafica verificata, un campo del gestionale), si prende da lì e il modello non serve. Se il dato va estratto da un testo, il modello estrae, ma il risultato si verifica: contro il testo sorgente, contro un checksum, contro l’anagrafica. Se una risposta viene da una ricerca, deve citare il punto esatto del documento da cui viene, così chi legge può controllare.

Il secondo filo è che l’italiano non è l’inglese. Gli esempi dei tutorial sono in inglese, e molte scelte di default (come si spezza un testo, come si cerca una parola, quali modelli di embedding si usano) peggiorano sui contratti e sulle fatture italiane. “Articolo 18”, “foro competente”, “clausola vessatoria” sono stringhe che una ricerca solo semantica può perdere.

I temi (e l’articolo che li affronta)

Cercare nei documenti

Estrarre e misurare

Il pezzo che decide tutto: il gold set

In quasi tutti questi articoli c’è un oggetto che i progetti saltano e che decide se il sistema funziona: il gold set. Sono qualche centinaio di documenti veri, con le risposte giuste inserite da chi li conosce, cioè l’amministrazione o l’ufficio legale, non chi sviluppa. Senza gold set non sai se la ricerca trova la clausola giusta, se l’estrazione legge bene gli importi, se l’ultima modifica al prompt ha migliorato o peggiorato le cose. Con il gold set, ogni discussione sulla qualità diventa una tabella.

Costa qualche giorno di lavoro di persone che hanno altro da fare, ed è per questo che viene rimandato. È anche l’investimento con il ritorno più alto di tutto il progetto.

Dove vivono i documenti

Contratti e fatture sono tra i dati più sensibili di un’azienda. Le architetture di questa guida partono tutte da un default: documenti, indici e modelli su infrastruttura dell’azienda o in UE, sotto il suo controllo. Per i conti tra modello locale e modello in cloud c’è la guida su modelli, costi e privacy. Per i documenti che arrivano via PEC o da gestionali vecchi, la guida su integrazioni e dati legacy.

Come usare questa guida

Parti dal tuo tipo di documento e dalla tua domanda: devi trovare un’informazione (ricerca) o portarla in un altro sistema (estrazione)? Ogni articolo ha un’architettura di riferimento, un percorso a step, i fallimenti tipici con le righe di log che li rivelano, i costi in ordine di grandezza e una sezione su quando non serve un modello. Spesso, se c’è un XML, la risposta è leggere l’XML.

Se vuoi capire quanto valgono davvero i tuoi documenti per un sistema di ricerca o di estrazione, e come misurarlo prima di comprarlo, trovi il mio percorso nella biografia e puoi scrivermi da contatti.

Qui sotto trovi tutti gli articoli di questa guida.

Articoli di questa guida

15 November 2026

IBAN, codice fiscale e partita IVA: validatori prima dell'LLM (checksum, e il divieto di "completare" un identificativo mancante)

Una libreria di validazione italiana davanti al modello: carattere di controllo del codice fiscale con omocodia, cifr...

14 November 2026

Come misuri il 95% di accuratezza sull'estrazione documenti (e come ti accorgi che è un 95% sugli header e un 60% sugli importi)

Perché l'accuratezza globale sull'estrazione dati da documenti mente: metriche per campo, micro e macro, pesi per cos...

19 October 2026

Hybrid search BM25 + embedding sull'italiano: come non far vincere sempre il cosine (e perdere "articolo 18")

Ricerca ibrida lessicale + vettoriale su documenti italiani: perché l'embedding fallisce su query corte e numeriche, ...

3 October 2026

pgvector vs Qdrant vs Pinecone: il lock-in del vector DB ti costa più degli embedding (con numeri)

pgvector vs Qdrant vs Pinecone per il RAG di una PMI sovrana: cosa stai davvero comprando, TCO a 12 mesi su 1M chunk,...

2 October 2026

Fattura elettronica XML + vision OCR: come arrivare al 95% di campi giusti (e come misurarlo, non come raccontarlo)

Accuratezza dell'estrazione dati dalle fatture: perché l'XML FatturaPA è la fonte e il PDF un fallback sporco, come c...

28 September 2026

Chunking di contratti italiani: perché spezzare ogni 500 token ti fa perdere clausole vessatorie e fori competenti

Chunking di contratti italiani per RAG: perché lo split a lunghezza fissa distrugge rinvii, clausole vessatorie e for...

19 September 2026

RAG su PostgreSQL con pgvector: interrogare 10.000 fatture elettroniche italiane senza Pinecone e senza cloud

Un chatbot sui PDF delle fatture allucina gli importi. Per interrogare le tue FatturaPA serve un RAG che rispetta la ...

Antonio Trento — System Architect & AI Integrator

Questo è il tuo problema?

Progetto e costruisco dati, backend, interfaccia e agenti AI end-to-end. Niente slide: sistemi che girano e restano tuoi.