Document AI: dai documenti ai dati verificati

Un flusso Document AI per l'elaborazione intelligente dei documenti è utile quando elimina la trascrizione manuale e impedisce ai dati errati di entrare nei sistemi aziendali. Va organizzato attorno a 4 attività: classificare il documento, estrarne i campi, convalidare i valori e affidare le eccezioni a una persona prima di archiviare o registrare qualsiasi dato.

Per chi guida le attività operative o l'amministrazione, il primo risultato utile è una registrazione in bozza, verificata e collegata al documento originale. Il pagamento automatico, l'interpretazione dei contratti e l'approvazione dei fornitori sono decisioni distinte. Conviene partire dalle attività che assorbono la giornata: leggere allegati, copiare campi e trovare la cartella giusta.

Funzionalità e limiti verificati sulla documentazione dei produttori il 26 ottobre 2026. Il progetto pilota descritto di seguito è una proposta di metodo di valutazione, non un benchmark dei prodotti.

Come funziona un flusso Document AI

L'IDP, o intelligent document processing, è un flusso di lavoro che trasforma i documenti in registrazioni utilizzabili e invia i casi incerti alla revisione. Il riferimento è un addetto all'archivio con una lista di controllo: riconosce ciò che è arrivato, copia le informazioni pertinenti, le confronta con le regole e passa il fascicolo irrisolto a chi può decidere.

In ingresso può esserci un modulo strutturato con caselle fisse, una fattura semistrutturata la cui impaginazione cambia da un fornitore all'altro o un'email non strutturata. La destinazione può essere il gestionale contabile, un registro dei contratti o una coda di gestione delle pratiche. La panoramica di AWS sull'IDP descrive classificazione, estrazione, convalida e integrazione come parti di questo processo più ampio.

Un flusso utile per le fatture funziona così:

1. Classificazione. Stabilire se l'allegato è una fattura, una nota di credito, un estratto conto o altro. Se un file contiene più documenti, separarli prima di estrarre i campi.
2. Estrazione. Leggere fornitore, numero della fattura, date, valuta, totali e voci di dettaglio. Conservare il file originale e la pagina o l'area da cui proviene ciascun valore.
3. Convalida. Controllare campi obbligatori, calcoli, duplicati e anagrafica del fornitore. Un totale leggibile può comunque appartenere alla fattura sbagliata.
4. Smistamento. Archiviare la registrazione accettata nella destinazione autorizzata. Affidare a un revisore designato gli ordini d'acquisto mancanti, i totali incoerenti e le classificazioni incerte.

Sono responsabilità da progettare, non funzionalità da dare per scontate in ogni API di estrazione. Un'API, l'interfaccia con cui un software richiede un servizio, può restituire campi senza conoscere le regole di approvazione dell'azienda.

L'identificativo del file deve accompagnare la registrazione lungo tutto il processo. Altrimenti, anche un'estrazione corretta può diventare un problema operativo quando non si riesce a ritrovare il documento che la giustifica.

Che cosa hanno cambiato gli LLM e i modelli visivi rispetto all'OCR?

La novità è che l'estrazione può basarsi sul significato e sul contesto della pagina, anziché soltanto sulla posizione di un campo. Il riconoscimento ottico dei caratteri, o OCR, legge i caratteri nelle immagini. Un estrattore basato su modelli predefiniti cerca poi nelle posizioni note o segue regole di impaginazione. Un modello linguistico di grandi dimensioni, o LLM, interpreta il linguaggio; un modello visivo-linguistico accetta anche immagini in ingresso.

Un fornitore potrebbe, per esempio, spostare la dicitura «Importo dovuto» dall'angolo in basso a destra a un riquadro riepilogativo nella parte alta. Una regola basata su coordinate fisse va modificata. Un modello a cui si chiede di trovare il totale da pagare può servirsi dell'etichetta e del contesto circostante, pur restando capace di scegliere l'importo sbagliato.

Custom Extractor di Google Document AI supporta l'estrazione tramite foundation model a partire da uno schema definito, cioè l'insieme dei campi da restituire con i rispettivi nomi, con opzioni zero-shot e few-shot. Queste consentono di procedere senza esempi dell'attività o con un numero limitato di esempi. L'estrazione gestita ha quindi già superato il vecchio approccio basato soltanto su modelli predefiniti. La documentazione di Google su Custom Extractor illustra i metodi disponibili.

Gli output strutturati risolvono un problema diverso: mantenere la risposta nel formato di dati richiesto. Una stringa nel campo data o un totale numerico sono più semplici da elaborare per il software, ma il formato non dimostra che il valore provenga dal punto giusto. Occorre distinguere la convalida dello schema, che controlla la struttura, dalla convalida delle regole aziendali, che verifica se un valore è accettabile.

Dove applicare l'automazione documentale

Per scegliere il primo flusso, conta quanto sia chiaro definire una risposta corretta. Un'attività di estrazione ben delimitata è più facile da valutare di una richiesta come «gestisci tutti i nostri documenti».

Per la contabilità fornitori, si possono creare registrazioni di fatture in bozza, associarle ai fornitori e segnalare i duplicati. Le variazioni delle coordinate bancarie vanno escluse dall'accettazione automatica anche quando il numero di conto stampato è perfettamente leggibile.

Per i contratti, si possono estrarre le parti, le date indicate e il passaggio relativo al rinnovo. Copiare un termine di preavviso è diverso dallo stabilire come si applichi alla luce delle modifiche contrattuali. Un responsabile operativo può usare il primo risultato per predisporre un registro; il secondo richiede un revisore che si assuma la responsabilità della decisione.

Per i moduli, si acquisiscono i dati digitati e i segni di selezione, verificando poi che siano completi. Un modulo di onboarding privo di una firma obbligatoria deve restare incompleto, senza che il sistema deduca una risposta per colmare la lacuna.

Per le email, si identifica la richiesta e la si collega agli allegati. Un messaggio che dice «usate la fattura aggiornata» richiede di conservare questa relazione, non di limitarsi a estrarre entrambi gli allegati creando registrazioni duplicate.

Lo stesso schema può servire per l'acquisizione delle pratiche di sinistro, la documentazione delle spedizioni o i fascicoli del personale. Le domande restano concrete: quale valore serve, dove si trova il documento che lo prova e chi risolve le divergenze?

Software per l'elaborazione documentale: acquistare o sviluppare?

Conviene acquistare un flusso completo quando l'attività è standard; costruire intorno ai servizi di estrazione quando la particolarità sta nelle regole e nelle destinazioni. La differenza riguarda quanta parte dell'acquisizione, della convalida, della revisione e dell'integrazione debba gestire l'organizzazione.

Un servizio gestito è un componente: non diventa automaticamente un flusso amministrativo pronto all'uso. Allo stesso modo, «personalizzato» non significa addestrare un modello da zero. Si può costruire un proprio processo di acquisizione e revisione attorno a un estrattore ospitato da un fornitore.

Per chi acquista, la dimostrazione decisiva è vedere il proprio revisore risolvere un'eccezione con il documento originale accanto. Un'animazione di caricamento riuscito dice ben poco sul lavoro che rimane da fare.

Fornitori IDP e soluzioni basate su LLM a confronto

Il confronto deve partire dai documenti da gestire, dai requisiti di tracciabilità e dal carico di revisione. Le descrizioni che seguono riflettono le funzionalità documentate dai produttori; i giudizi di adeguatezza sono raccomandazioni, non una classifica di accuratezza.

Google Document AI: processori di estrazione e opzioni generative

Google Document AI è il servizio di elaborazione documentale di Google Cloud. Il catalogo dei processori comprende OCR, Invoice Parser, Custom Extractor, Custom Classifier e Custom Splitter. Invoice Parser estrae i campi di intestazione e le voci di dettaglio; classificazione e separazione identificano i documenti e ne individuano i confini. Il catalogo dei processori di Google descrive questi ruoli distinti.

Il punto di partenza è il processore predefinito più adatto; Custom Extractor va valutato se i campi richiesti o i tipi di documento non rientrano nelle sue capacità. L'approccio generativo supporta l'estrazione guidata da schema, con esempi o fine-tuning facoltativi. Google offre inoltre criteri di corrispondenza esatta e approssimata per la valutazione: prima di confrontare i risultati, occorre quindi concordare quali normalizzazioni siano accettabili. Documentazione di Custom Extractor.

Il limite è la responsabilità del flusso: restituire l'importo di una fattura non significa associarlo a un fornitore, applicare le regole aziendali o chiudere un'eccezione. Prima del progetto pilota, verificare il supporto per lingua, regione e documenti della versione del processore scelta.

Azure AI Document Intelligence: modelli predefiniti e personalizzati

Azure AI Document Intelligence è il servizio di estrazione documentale di Microsoft. Tra le opzioni documentate figurano Read e Layout, modelli predefiniti per fatture e ricevute, estrazione personalizzata tramite template o modelli neurali e classificazione personalizzata. Microsoft indica i template personalizzati per impaginazioni statiche e i modelli neurali per documenti più variabili. Panoramica dei modelli Microsoft.

In un gestionale operativo basato su Azure, conviene iniziare dal modello predefinito adatto al documento. La classificazione personalizzata serve quando i fascicoli in arrivo contengono documenti di tipi diversi; l'estrazione personalizzata va valutata quando cambiano i campi richiesti.

Il limite sta nel presumere che il riconoscimento dell'impaginazione completi la registrazione aziendale. Layout può identificare testo, tabelle e segni di selezione; resta all'applicazione il compito di rendere i risultati coerenti con il sistema di destinazione. Nella guida a Layout, Microsoft tratta esplicitamente la post-elaborazione necessaria a ricomporre in un'unica tabella quelle distribuite su più pagine.

Elaborazione documentale su AWS: Amazon Textract

Amazon Textract è il servizio di Amazon Web Services per estrarre testo e dati dai documenti. AWS documenta il rilevamento del testo, l'estrazione da moduli e tabelle e l'elaborazione specializzata di fatture e ricevute. L'analisi delle spese può ricavare campi come data, numero e totale della fattura senza template specifici per ciascun fornitore. Documentazione di Textract su fatture e ricevute.

Textract è un primo candidato sensato quando l'applicazione circostante gira già su AWS e i campi dei documenti corrispondono alle operazioni disponibili. Occorre scegliere l'operazione pertinente, anziché trattare ogni documento come semplice testo.

Il limite è pensare che un punteggio di confidenza risolva una decisione aziendale. AWS raccomanda di fissare le soglie in base alla delicatezza dell'applicazione e di sottoporre a controllo i risultati incerti. Segnala inoltre possibili incoerenze nell'estrazione da celle unite e tabelle irregolari. Buone pratiche di Textract.

Un flusso basato su LLM: modello, schema e coda di revisione

OpenAI API è un esempio documentato di approccio basato su LLM: il software invia un documento a un modello e richiede i campi in una struttura definita. Per i PDF, il percorso di input che supporta la visione fornisce sia il testo estratto sia le immagini delle pagine. Documentazione sull'input di file.

L'applicazione definisce i campi, richiede riferimenti alle fonti e decide che cosa accade quando un valore manca. È utile prevedere uno stato per il valore mancante con una motivazione, per esempio «non presente» o «illeggibile», senza obbligare il modello a riempire ogni spazio vuoto. I riferimenti vanno verificati sul file originale: una citazione di pagina generata non è corretta per definizione.

OpenAI documenta il rispetto dello schema per gli output strutturati supportati, precisando però che i valori possono ancora contenere errori e che occorre gestire i rifiuti e le risposte incomplete. Documentazione di Structured Outputs. La nostra guida agli output strutturati spiega il contratto tra il modello e l'applicazione.

Questo approccio è adatto quando la capacità mancante è l'estrazione contestuale e qualcuno può occuparsi della manutenzione del flusso. Il limite è operativo: con un prompt e una risposta JSON restano da gestire valutazione, nuovi tentativi, revisione, archiviazione e scrittura sicura nei sistemi di destinazione.

Dext: una scelta per la contabilità

Dext è un'applicazione per acquisire documenti contabili, pertinente quando l'arretrato è fatto di ricevute e fatture. La documentazione descrive l'estrazione di fornitore o cliente, date, totali, imposte e numeri di fattura in una scheda di dettaglio, da cui rivedere e modificare i dati ed esportarli nei software contabili collegati. Guida all'estrazione di Dext.

Per un responsabile amministrativo il cui problema si esaurisce in una registrazione contabile verificata, è un punto di partenza più pertinente della realizzazione su commissione di un sistema documentale generico. La raccomandazione non si estende all'interpretazione dei contratti o alla gestione di moduli ed email di qualsiasi tipo. Per scegliere l'applicazione contabile in sé, consultare il confronto tra software contabili con AI.

Progetto pilota: misurare i campi prima di fidarsi

Valutare i valori necessari all'azienda prima di consentire al flusso di agire su quei dati. Un documento apparentemente trascritto bene può contenere proprio l'errore decisivo: valuta, fornitore o importo da pagare sbagliati.

1. 1

   Definire una tipologia di documento e i campi obbligatori

   Partire da un'attività circoscritta, come trasformare le fatture fornitori in registrazioni in bozza. Specificare ogni campo obbligatorio, la sua fonte e l'azione che può autorizzare. Tenere distinti i valori estratti da quelli calcolati: una data di scadenza indicata nel documento e una ricavata dalle condizioni di pagamento sono risultati diversi.

2. 2

   Preparare risposte verificate da persone e un insieme di test separato

   Raccogliere documenti storici rappresentativi, includendo fornitori mai incontrati, scansioni scadenti, note di credito e tabelle difficili. La ground truth è l'insieme delle risposte corrette stabilite da persone. Far ricontrollare da un altro revisore le annotazioni ambigue o critiche. Tenere i documenti di valutazione separati dagli esempi usati per ottimizzare i prompt o addestrare l'estrattore, includendo nella separazione anche i documenti quasi duplicati della stessa transazione.

3. 3

   Concordare le regole di corrispondenza prima di vedere i risultati

   Normalizzare le differenze innocue, come gli spazi iniziali e finali o un formato di data noto. Non usare criteri approssimativi di somiglianza testuale per importi, identificativi dei conti o numeri di fattura. Preservare la valuta e il significato dei decimali. Per le voci di dettaglio, valutare sia i valori sia la loro assegnazione alla riga corretta: un importo giusto associato alla voce sbagliata è un errore.

4. 4

   Provare i candidati sugli stessi documenti mai usati per la messa a punto

   Salvare ogni risposta grezza prima della correzione manuale, la versione del modello o del processore, la versione del prompt o dello schema, gli errori di elaborazione e il riferimento alla fonte. Includere nei risultati operativi i file illeggibili, i timeout e le estrazioni vuote. Non eliminarli dal denominatore senza dichiararlo.

5. 5

   Smistare le eccezioni e lavorare in parallelo al processo esistente

   Far produrre al flusso proposto registrazioni in bozza, affiancandolo al processo già in uso. Misurare le correzioni e il tempo di revisione. Attivare l'accettazione automatica soltanto per un sottoinsieme di documenti i cui risultati sul campione tenuto separato soddisfino le soglie fissate in anticipo dal responsabile del processo; mantenere un'approvazione dedicata per le azioni ad alto impatto.

Misurare separatamente campi, registrazioni complete ed errori non rilevati

Una media unica nasconde dove si verificano gli errori e quali conseguenze hanno. Serve una scheda di valutazione con risultati distinti per ogni campo e per ogni gruppo di documenti difficili.

Riportare separatamente i campi facoltativi assenti, in modo che centinaia di caselle correttamente vuote non gonfino le prestazioni. Se si riporta anche il richiamo, o recall, definirlo come il numero di valori obbligatori recuperati correttamente diviso per tutti i valori obbligatori. Valutare a parte la classificazione dei documenti e la separazione dei fascicoli: un'estrazione perfetta dal documento sbagliato produce comunque una registrazione non valida.

Esempio di calcolo, non prestazioni misurate di un prodotto: ipotizziamo 200 fatture con 8 campi obbligatori ciascuna, per un totale di 1,600 valori attesi. Se 1,590 valori sono corretti ma i restanti 10 sono totali da pagare su fatture diverse, soltanto 190 fatture sono del tutto corrette. Un buon punteggio aggregato sui campi non basta per approvare tutte le fatture.

Per misurare gli errori non rilevati, controllare le registrazioni che il flusso avrebbe accettato, senza limitarsi alla coda di revisione. Iniziare verificando tutti i risultati del progetto pilota; gli eventuali campioni successivi devono restare rappresentativi di ciò che viene accettato. Se nessuna registrazione è stata accettata automaticamente, il tasso di errori non rilevati è indefinito: non è un risultato perfetto. La stessa regola vale per la precisione quando non è stato compilato alcun valore.

Vantaggi dell'automazione documentale: contare il lavoro eliminato

Il vantaggio operativo consiste nel ridurre i minuti necessari a ottenere una registrazione corretta. Confrontare la gestione manuale con l'intero processo proposto: acquisizione, elaborazione del modello, correzione, revisione, esportazione e rilavorazione. Monitorare anche il tempo di completamento e l'anzianità dell'eccezione irrisolta più vecchia. Un'estrazione veloce con una coda in crescita sposta l'arretrato, senza smaltirlo.

Mettere a disposizione dei revisori la pagina originale, i riscontri evidenziati quando disponibili, il valore estratto, la regola non rispettata e la destinazione. Registrare la correzione e il motivo. La guida all'AI con supervisione umana tratta la responsabilità della coda e l'escalation; assegnare a qualcuno la risoluzione delle eccezioni è parte dell'avvio del flusso.

Dove l'IDP incontra difficoltà: scrittura a mano, tabelle e scansioni

Inserire intenzionalmente nel progetto pilota i documenti più difficili. Una valutazione composta soltanto da fatture digitali pulite dice poco su una foto scattata con il telefono, un modulo annotato o una tabella che prosegue nella pagina successiva.

La scrittura a mano richiede un gruppo di test dedicato. Importi barrati, note in corsivo e timbri sovrapposti creano ambiguità anche quando il prodotto supporta la scrittura manuale. Il supporto può inoltre variare in base alla lingua: Amazon Textract documenta il riconoscimento dei caratteri scritti a mano soltanto in inglese. Limiti di Textract. Una correzione manoscritta incerta va inviata alla revisione, impedendo che sostituisca senza controllo un importo stampato.

Le tabelle su più pagine richiedono controlli di continuità. Un'interruzione di pagina può spezzare una riga, ripetere un'intestazione o introdurre un subtotale che sembra una voce di dettaglio. Verificare il numero di righe, le descrizioni che proseguono e i totali nell'intero documento. La guida a Layout di Microsoft tratta esplicitamente la post-elaborazione per unire le pagine in un'unica tabella. È un motivo per testare il modello scelto e la logica di ricomposizione, non per affermare che ogni modello fallisca su ogni tabella multipagina.

Per le scansioni di bassa qualità serve la possibilità di acquisire di nuovo il documento. Sfocatura, bordi tagliati e compressione possono eliminare informazioni che un modello non riesce a recuperare in modo affidabile. AWS raccomanda immagini di alta qualità, idealmente di almeno 150 DPI, e sconsiglia di ridurre la risoluzione dei file già supportati. Buone pratiche di Textract. Conservare l'originale e chiedere una copia più leggibile quando non si riescono a verificare i dati alla fonte.

Testare anche le pagine mancanti e i file che riuniscono più documenti. Una registrazione può superare tutti i controlli di formato dei campi e restare incompleta. Prevedere una motivazione specifica per l'assenza di riscontri documentali, oltre al generico errore di elaborazione.

Le promesse da ridimensionare

«Legge i documenti» non equivale a «può completare la transazione in sicurezza». Tre presupposti portano a errori evitabili.

Il primo: un output strutturato non è un output verificato. Vincolare una risposta a uno schema non dimostra che il conto bancario estratto appartenga al fornitore approvato.

Il secondo: la confidenza non è una regola universale di accettazione. Il punteggio di un servizio, la certezza dichiarata dal modello e la correttezza misurata sui propri documenti sono cose diverse. Calibrare la regola di accettazione sui risultati del campione tenuto separato e sulle conseguenze degli errori; non trattare un valore di confidenza generato dal modello come una probabilità misurata.

Il terzo: salvare le correzioni non significa necessariamente riaddestrare il modello. Le correzioni servono a diagnosticare gli errori e a migliorare regole, prompt o dati di addestramento; la modifica va poi rivalutata prima della messa in uso. Mantenere un insieme di test di regressione, cioè una raccolta fissa di documenti già verificati, in modo che un miglioramento per un fornitore non nasconda un errore per un altro.

Chi dovrebbe iniziare, aspettare o tenere il sistema attuale?

È il momento di iniziare quando l'acquisizione ripetitiva ha una destinazione chiara, campi verificabili e un responsabile delle eccezioni. Per chi guida le attività operative, il passo successivo è raccogliere un campione rappresentativo e definire i campi obbligatori. Per chi guida l'amministrazione, il primo risultato deve essere una serie di registrazioni in bozza; l'autorizzazione dei pagamenti resta separata.

Chi sviluppa dovrebbe partire dall'estrattore più semplice che soddisfa il bisogno. Uno sviluppatore che lavora da solo può confrontare un modello gestito e un percorso basato su LLM sullo stesso campione tenuto separato. Il responsabile tecnologico di un'azienda di medie dimensioni dovrebbe esigere collegamenti alle fonti, responsabilità della revisione, regole di conservazione e una valutazione ripetibile prima di collegare il flusso alle registrazioni di produzione. Il testo dei documenti deve restare un dato di ingresso: non deve poter riscrivere le istruzioni o i permessi dell'applicazione.

Chi acquista dovrebbe aspettare se nessuno sa definire una registrazione corretta o assumersi la responsabilità della coda di revisione. Il fondatore di una startup finanziata che si trovi in questa situazione dovrebbe nominare il responsabile del processo prima di commissionare un'automazione su misura. Un team il cui sistema a template gestisce in modo affidabile moduli stabili non ha motivo di sostituirlo soltanto perché esistono modelli visivi.

Lunedì si può partire così: scegliere una tipologia di documento, raccogliere il campione storico, scrivere le regole di accettazione con il revisore ed eseguire il flusso proposto verso una destinazione per le bozze. Ampliare l'automazione soltanto quando lo giustificano i risultati sui campi e il lavoro ancora necessario.

Domande frequenti sull'elaborazione intelligente dei documenti

Che cos'è l'elaborazione intelligente dei documenti?

È un flusso di lavoro che classifica i documenti, estrae le informazioni, le convalida e smista le registrazioni ottenute o le eccezioni. Il risultato utile sono dati verificati con una fonte rintracciabile.

Qual è la differenza tra OCR ed elaborazione intelligente dei documenti?

L'OCR legge il testo da un'immagine. L'IDP comprende la classificazione, l'estrazione dei campi, i controlli e lo smistamento necessari a usare quel testo in un processo aziendale. L'OCR può esserne un componente.

Qual è il miglior software per l'elaborazione intelligente dei documenti?

La scelta dipende dall'attività e dal lavoro che resta ai revisori. Per ricevute e fatture, partire da un'applicazione contabile come Dext. Per un'acquisizione personalizzata, valutare un estrattore gestito o un flusso basato su LLM sugli stessi documenti verificati da persone.

L'IdP è una forma di intelligenza artificiale?

L'elaborazione intelligente dei documenti usa comunemente l'AI per classificazione ed estrazione, insieme alle normali regole aziendali. In altri contesti, IdP significa identity provider, cioè fornitore di identità: è un concetto diverso.

Quali sono i principali fornitori IDP?

Google Document AI, Azure AI Document Intelligence e Amazon Textract sono le soluzioni gestite trattate qui. È un confronto di funzionalità, non una classifica per quota di mercato o accuratezza; la loro adeguatezza dipende dai documenti e dal flusso di lavoro.

Quale AI scegliere per elaborare i documenti?

Il candidato migliore è quello che soddisfa i criteri di accettazione per i campi obbligatori e per le registrazioni complete, con un impegno di revisione sostenibile. Un modello capace di leggere bene impaginazioni insolite può comunque richiedere controlli aggiuntivi per tabelle e campi mancanti.

Esiste un'AI migliore di ChatGPT?

Per acquisire documenti in modo ripetibile, confrontare un flusso implementato con il processo attuale, anziché giudicare soltanto una risposta in chat. Qualunque sia il modello scelto, servono campi prevedibili, riscontri nelle fonti, gestione delle eccezioni e una destinazione controllata.

Quanto costa Document AI?

Il prezzo di Google Document AI varia in base al processore e al volume; consultare la pagina ufficiale dei prezzi per il processore da provare nel progetto pilota.

Google Docs usa ciò che scrivi per addestrare l'AI?

Per Google Workspace, Google dichiara che i dati dei clienti non vengono usati per addestrare modelli di AI generativa al di fuori del dominio del cliente senza autorizzazione. Verificare l'informativa sulla privacy dell'AI in Workspace per il proprio account e la funzionalità utilizzata; Google Docs è distinto dal servizio Document AI trattato in questo articolo.

Per guide pratiche su come integrare l'AI nei processi aziendali, iscriviti alla newsletter.