Casi d'uso di Document AI
In questa pagina
Aggiornamento del 2 novembre 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) è stato ritirato il 30 settembre 2026. Utilizza OCR 4.1 (mistral-ocr-4-1), disponibile in versione generale dal 31 agosto allo stesso prezzo, oppure l’aliasmistral-ocr-latest, che punta ad esso dal 16 luglio. OCR 4.1 aggiunge punteggi di confidenza a livello di blocco.
Applicazioni reali nei vari settori
Document AI fa molto più che estrarre testo. La combinazione di OCR + Annotazioni + QnA rende il servizio prezioso perché copre l’intero ciclo di vita del documento, dalla ricezione all’utilizzo. Questa lezione esamina i casi d’uso più comuni per settore, indicando quali servizi sono coinvolti in ogni fase. Questa distinzione è fondamentale fin dall’inizio, poiché ogni servizio aggiunto introduce costi e latenza.
| Settore | Caso d'uso | Servizi utilizzati |
|---|---|---|
| Finanza e Bancario | KYC automatizzato, estrazione estratti conto, conformità | OCR + Annotazioni |
| Sanità | Cartelle cliniche, prescrizioni manoscritte, referti medici | OCR + Annotazioni + QnA |
| Legale | Analisi contrattuale, estrazione clausole, due diligence | OCR + QnA |
| Assicurazioni | Gestione sinistri, moduli di dichiarazione | OCR + Annotazioni |
| Logistica | Note di consegna, documenti doganali, checklist di magazzino | OCR + Annotazioni |
| Contabilità | Fatture fornitori, note spese, riconciliazione bancaria | OCR + Annotazioni |
| Settore Pubblico | Digitalizzazione archivi, moduli amministrativi | OCR |
| Manifatturiero | Schede tecniche, certificati di qualità, rapporti di ispezione | OCR + QnA |
Finanza e Bancario: KYC Automatizzato
L’onboarding dei clienti è il caso d’uso più richiesto perché è ripetitivo, regolamentato e richiede tempo. Il processo Know Your Customer (KYC) segue sempre la stessa sequenza:
- Scansione documenti d’identità: Passaporto, carta d’identità nazionale, patente di guida
- Estrazione OCR: Nome, cognome, data di nascita, numero del documento
- Annotazioni Strutturate: Validazione dei campi tramite uno schema Pydantic
- Verifica Incrociata: Confronto automatico con i database interni
- Archiviazione Arricchita: Documento indicizzato e interrogabile tramite QnA
Quello che un tempo richiedeva a un responsabile della conformità diverse ore, ora richiede pochi secondi per file. L’operatore interviene solo sui casi segnalati come sospetti.
Sanità: Cartelle Cliniche e Prescrizioni
Il settore medico genera volumi enormi di documenti, molti dei quali rimangono manoscritti. Una prescrizione manoscritta, spesso considerata illeggibile, viene trascritta correttamente anche quando il medico mescola termini latini con la lingua locale. I moduli con caselle di spunta, da sempre un incubo per i motori OCR tradizionali, vedono le loro risposte booleane estratte con notevole precisione. Sui referti medici, il modello identifica l’identità del paziente, la diagnosi e le prescrizioni.
Un comportamento merita particolare enfasi perché determina quanto puoi fidarti del sistema: quando un campo manca nel documento — ad esempio, un numero di telefono non elencato — il modello segnala questa assenza invece di inventare un valore plausibile. Questo è l’esatto opposto del riflesso di un modello generico ed è ciò che rende l’estrazione utilizzabile senza una revisione umana sistematica.
Legale: Analisi dei Contratti su Larga Scala
Gli studi legali e i dipartimenti giuridici utilizzano principalmente l’estrazione di clausole e la QnA. Il primo caso d’uso consiste nell’identificare automaticamente clausole di risoluzione, non concorrenza o riservatezza all’interno di un corpus, trasformando una revisione manuale in una triage assistita. Il secondo eccelle durante la due diligence: quando un’acquisizione coinvolge centinaia di contratti, interroghi il corpus in linguaggio naturale invece di leggere tutto dall’inizio alla fine, esaminando nel dettaglio solo i documenti emersi dalla ricerca.
Contabilità: Elaborazione delle Fatture
Questo è il caso d’uso più maturo e spesso il primo ad essere implementato. Tutto si riduce a uno schema Pydantic che descrive esattamente cosa vuoi recuperare:
from pydantic import BaseModel, Field
class Invoice(BaseModel):
vendor: str = Field(..., description="Vendor name")
invoice_number: str = Field(..., description="Invoice number")
date: str = Field(..., description="Invoice date in YYYY-MM-DD format")
amount_excl_tax: float = Field(..., description="Amount excluding tax in euros")
amount_incl_tax: float = Field(..., description="Amount including tax in euros")
vat_amount: float = Field(..., description="VAT amount in euros")
Quando passato alle API di Annotazioni, questo schema estrae i campi da ogni fattura scansionata senza richiedere alcuna configurazione preliminare dei modelli di fattura dei fornitori. Nota la cura dedicata alle descrizioni e alla tipizzazione: questo dice al modello che un importo deve essere restituito come numero e una data nel formato YYYY-MM-DD piuttosto che nella forma presente sul foglio di carta.
Logistica, Archivi e Settore Pubblico
Nella logistica, le migliaia di note di consegna, polizze di carico e documenti doganali elaborati quotidianamente si prestano all’estrazione automatica delle informazioni su mittente e destinatario, alla lettura di codici a barre e numeri di tracciamento presenti nelle immagini e alla digitalizzazione delle checklist di magazzino compilate a mano su supporti spesso stropicciati.
La digitalizzazione degli archivi è un caso particolare. Qui i documenti sono antichi, talvolta in cattive condizioni, scritti con grafie del XIX o XX secolo, con tipografie e frasi non più in uso. OCR 4 gestisce questi casi meglio dei motori OCR tradizionali grazie alla sua comprensione visiva, ma sii realistico sui limiti: l’accuratezza diminuisce sugli elementi gravemente degradati e qualsiasi serio progetto di archivio include sempre una fase di revisione umana.
Il Flusso di Lavoro Standard di Produzione
Indipendentemente dal settore, la pipeline appare simile: ingestione del documento tramite scansione, upload o email; OCR per estrarre testo e struttura tramite mistral-ocr-latest; annotazioni per ottenere dati strutturati secondo il tuo schema aziendale; indicizzazione del Markdown arricchito in un database vettoriale o SQL; infine utilizzo tramite ricerca, QnA, reportistica o automazione del flusso di lavoro. Se stai progettando un progetto, mappa questi cinque passaggi prima di scrivere una singola riga di codice: determinano dove archivi i dati, cosa ripeti in caso di errore e cosa addebiti.
Punti chiave
- Document AI si applica a ogni settore che gestisce documenti
- Il flusso di lavoro standard è: ingestione, OCR, annotazioni, indicizzazione, utilizzo
- Le annotazioni Pydantic ti permettono di estrarre esattamente i dati di cui hai bisogno
- La QnA ti consente di interrogare i documenti in linguaggio naturale dopo l’indicizzazione
- Combinare tutti e tre i servizi crea una soluzione documentale end-to-end