Tradotto dall'originale inglese. Dati e fonti restano invariati. Leggi l'originale in inglese
Tesisquare
La pipeline multi-agente di Tesisquare elabora il 97,0% di 955 documenti dei fornitori senza ricorrere a soluzioni alternative
Tesisquare, un'azienda di software di Torino, ha costruito una pipeline che smista, divide, legge e controlla le fatture dei fornitori, con le persone che rivedono solo i casi incerti. Il responsabile IA riferisce che il 97,0% di 955 documenti di produzione è passato dalla pipeline e che l'accuratezza ha raggiunto il 98,5% su un test di 100 documenti.
Dati chiave
Copiati esattamente dalle fonti. Copiate qualsiasi dato insieme alla sua citazione.
97,0%
Quota dei 955 documenti di produzione (elaborati fino al 21 gennaio 2026) gestita end-to-end dalla pipeline; 926 documenti, mentre 29 sono andati a vecchi strumenti OCR o a un portale web manuale1
98,5%
Accuratezza a livello di documento (tutti i campi richiesti corretti) della pipeline completa con revisione umana, su un sottoinsieme stratificato di 100 documenti di produzione1
60,0%
Accuratezza a livello di documento di un riferimento che inviava ogni PDF direttamente a un modello linguistico, sugli stessi 100 documenti1
17,5
punti percentuali
Guadagno di accuratezza aggiungendo la fase di analisi (il layout del documento trasformato in testo strutturato) prima dell'estrazione, sugli stessi 100 documenti1
Cosa è servito
Le fonti non rendono noti costi, dimensioni del team e tempi.
Il problema
Le aziende che ricevono fatture da molti fornitori si trovano di fronte a un flusso costante di documenti con layout e lingue diversi. Digitare i dati a mano è lento e soggetto a errori, e i vecchi strumenti OCR (software che trasforma le scansioni in testo) spesso richiedono l'intervento delle persone su una quota elevata di documenti. Gli autori temono inoltre che un modello linguistico lasciato solo possa inventare valori, un rischio con i dati finanziari.
Cosa hanno costruito
Tesisquare, un'azienda di software di Torino, ha costruito una pipeline di cinque fasi specializzate, chiamate agenti. Uno riconosce il tipo di documento e il fornitore, uno divide i file cumulativi in singole fatture, uno converte ogni pagina in testo strutturato, uno usa un modello linguistico per estrarre i campi e uno convalida il risultato. I documenti su cui il sistema è incerto vanno a una persona, su uno schermo che mostra il documento accanto ai dati estratti. Il documento dice che la produzione usa Mistral-Small-3.2, un modello a pesi aperti (i suoi file sono pubblicati, quindi un'azienda può eseguirlo sui propri server), con DeepSeek-OCR come alternativa nei periodi di alto volume.
Come ci sono riusciti
La fase di estrazione lavora sul testo strutturato anziché sulle scansioni grezze, il che, secondo gli autori, riduce del 35% la quantità di testo che il modello deve leggere. La fase di convalida controlla formati e somme, e un punteggio di affidabilità decide quali documenti vanno a un revisore, con soglie in genere fissate tra l'80% e il 90%. Quando un revisore corregge un campo, il sistema trasforma la correzione in istruzioni aggiornate per il modello e le applica ai documenti simili già in coda, senza riaddestrare il modello. Il set di produzione copriva più di 50 fornitori e documenti in italiano, inglese, tedesco e francese.
Risultati
Di 955 documenti di produzione elaborati fino al 21 gennaio 2026, 926 (97,0%) sono passati dalla pipeline senza ricorrere a vecchi strumenti o a un portale manuale. Su un test di 100 documenti tratti dalla produzione, la pipeline completa con revisione umana ha raggiunto un'accuratezza del 98,5%, contro il 60,0% di un riferimento che invia semplicemente il PDF a un modello. La fase di testo strutturato ha aggiunto di più, 17,5 punti percentuali. La revisione di un documento segnalato ha richiesto circa 45 secondi, contro circa 120 secondi per la gestione interamente manuale.
Cosa replicare
Considerare le persone parte del progetto, non una rete di sicurezza. Inviare loro solo i documenti incerti, registrare ogni correzione e misurare separatamente la quota che resta sul percorso automatizzato e l'accuratezza.
Tutti i dati dichiarati
| Indicatore | Dato | Citazione |
|---|---|---|
| Quota dei 955 documenti di produzione (elaborati fino al 21 gennaio 2026) gestita end-to-end dalla pipeline; 926 documenti, mentre 29 sono andati a vecchi strumenti OCR o a un portale web manuale | 97,0%1 | |
| Accuratezza a livello di documento (tutti i campi richiesti corretti) della pipeline completa con revisione umana, su un sottoinsieme stratificato di 100 documenti di produzione | 98,5%1 | |
| Accuratezza a livello di documento di un riferimento che inviava ogni PDF direttamente a un modello linguistico, sugli stessi 100 documenti | 60,0%1 | |
| Guadagno di accuratezza aggiungendo la fase di analisi (il layout del documento trasformato in testo strutturato) prima dell'estrazione, sugli stessi 100 documenti | 17,5 punti percentuali1 | |
| Tempo medio di revisione umana per documento segnalato nell'attuale implementazione, rispetto all'elaborazione interamente manuale delle stesse fatture | circa 45 secondi (contro circa 120 secondi)1 | |
| Punteggio F1 (una misura combinata di campi mancati e sbagliati) di Mistral-Small-3.2 nel confronto degli autori tra quattro modelli di estrazione | 92,9%1 |
Lezioni per il vostro progetto
Mettere una fase di lettura del layout davanti al modello linguistico. Nel test degli autori, convertire ogni pagina in testo strutturato ha aumentato l'accuratezza di 17,5 punti percentuali, più di qualsiasi altra singola fase.
Lasciare che le persone correggano l'output e restituire le correzioni sotto forma di istruzioni aggiornate. Gli autori lo fanno senza riaddestrare il modello, il che mantiene basso il costo del miglioramento.
Aggiungere semplici controlli aritmetici, come subtotale più imposta uguale totale, e inviare alle persone solo i documenti con bassa affidabilità o che non superano i controlli. Gli autori fissano soglie di affidabilità in genere tra l'80 e il 90%.
Tenere un percorso alternativo senza IA. I formati non riconosciuti e le scansioni molto degradate sono andati a vecchi strumenti OCR o a un portale manuale invece di produrre risultati inaffidabili.
Mettere in conto un avvio a freddo con i nuovi fornitori. Gli autori consigliano di partire con molta revisione umana e di ridurla man mano che si accumulano le correzioni.
Avvertenze
- Tutti i dati provengono da un preprint del responsabile IA di Tesisquare e di un accademico del Politecnico di Torino. Non è stato verificato in modo indipendente né confermato da terzi, e non dice se sia stato sottoposto a revisione paritaria.
- Il documento non nomina il cliente finale le cui fatture sono state elaborate, quindi il contesto dell'implementazione non può essere verificato dall'esterno.
- Il documento non indica una data di avvio. Dice che i documenti sono stati elaborati fino a gennaio 2026 (dati fino al 21 gennaio 2026), quindi la data di implementazione è indicata solo come 2026.
- Il 97,0% è la quota di documenti rimasta sul percorso con IA. Non è un tasso di accuratezza. I 29 documenti andati su percorsi senza IA sono stati esclusi dalla valutazione dell'accuratezza.
- L'accuratezza del 98,5% deriva da soli 100 documenti (5 per ciascuno di 20 gruppi di fornitori e tipi di documento), un campione piccolo, ed è il risultato con la revisione umana inclusa. L'esecuzione solo automatica degli autori sugli stessi documenti ha ottenuto il 92,5%.
- Il documento prevede anche una riduzione di circa il 70% del personale a tempo pieno in uno scenario di 100.000 fatture all'anno, e risparmi di emissioni, energia e acqua. Sono scenari modellizzati, non risultati misurati, e qui non vengono utilizzati.
- I tempi di revisione di 45 e 120 secondi sono indicati dagli autori per l'attuale implementazione senza descrivere come siano stati misurati.
- Il confronto tra modelli ha usato il set di test degli autori. Il documento dice che in produzione si usa Mistral-Small-3.2, con DeepSeek-OCR come alternativa nei periodi di alto volume.
Fonti
- MADP: A Multi-Agent Pipeline for Sustainable Document Processing with Human-in-the-Loop
arXiv (Tesisquare Head of AI and Politecnico di Torino) · 2026-05-16 · Articolo di ricerca · arxiv.org
Riassunto con parole nostre a partire dalle fonti sopra indicate. Avete notato un errore? Consultate le rettifiche.