Digitalizzazione archivio cartaceo: workflow scansione, OCR e PDF/A

1. Pianificazione: cosa digitalizzare e perché

Prima di scansionare il primo foglio, decidi tre cose:

• Cosa serve digitale ricercabile e cosa basta scansionare per "averlo": documenti contabili e fiscali sì, schedari interni potrebbero non valere il costo.
• Per quanto a lungo va conservato: scritture contabili e fatture dieci anni (art. 2220 c.c.); per gli altri documenti dipende dalla norma di settore e dal piano di conservazione.
• Chi deve poter accedere: solo te, lo studio, clienti, terzi (es. AdE in caso di controllo)? Cambia le scelte di OCR (ricerca interna) e di metadati (indicizzazione).

2. Scanner: cosa scegliere

• Scanner documentale (ADF, alimentazione automatica) — per archivi grandi (100+ pagine). Brand affidabili: Fujitsu ScanSnap (€300-1500), Brother (€200-800), Canon ImageFormula. Velocità tipica 30-60 pagine/minuto.
• Scanner piano (flatbed) — per pagine fragili, libri rilegati, documenti grandi (A3+). Lento ma sicuro per materiale storico.
• App smartphone (Adobe Scan, Microsoft Lens) — ottime per occasionali, ma per progetti seri sono lente e la qualità varia troppo.

Risoluzione consigliata: 300 DPI per documenti standard (testo). 400-600 DPI per documenti con disegni tecnici, firme calligrafiche, materiale storico. Sotto i 300 DPI l'OCR risulta inaffidabile.

3. OCR: rendere il documento ricercabile

Una scansione è solo un'immagine: il computer non vede il testo. Per renderlo cercabile e selezionabile serve OCR (Optical Character Recognition).

Le opzioni:

• Tesseract (open source, gratuito) — buono su scansioni moderne pulite a 300+ DPI, accuracy ~95-98% per italiano. Cala su documenti vecchi/sbiaditi/storti. È quello che usano molti tool gratuiti.
• ABBYY FineReader (commerciale, €150-200/anno per uso desktop) — lo standard professionale per digitalizzazione. Accuracy 99%+ su praticamente qualsiasi scansione. Riconoscimento layout, tabelle, formule.
• Google Cloud Vision / AWS Textract (cloud, pay-per-page) — ottimo per volumi alti. Costa ~€1-3 per 1000 pagine.

Per la maggior parte degli studi italiani con archivi recenti (post-2000), Tesseract è sufficiente. Per archivi storici con carta vecchia, dattiloscritti sbiaditi, documenti notarili ottocenteschi: ABBYY è quasi sempre la scelta giusta.

4. Conversione in PDF/A

Dopo OCR, il PDF risultante ha:

• L'immagine della pagina (visibile)
• Lo strato di testo riconosciuto (invisibile, sopra l'immagine, selezionabile e cercabile)

Questo PDF va poi convertito in PDF/A-2u (Unicode garantito, fondamentale per ricerca affidabile) o, se il bando lo richiede, PDF/A-1b. Validazione veraPDF immediatamente dopo è essenziale: scansioni di carta vecchia spesso producono PDF con micro-violazioni che vanno fixate.

5. Indicizzazione e metadati

PDF/A è il formato del singolo documento. Ma 10.000 PDF/A nominati "scan_001.pdf"... "scan_10000.pdf" non sono un archivio: sono solo un disco pieno. Servono metadati che permettono di trovare il documento giusto:

• Nome documento, data, mittente/destinatario
• Tag tematici (cliente, pratica, anno fiscale)
• Numero di protocollo se applicabile

Soluzioni: software DMS (Document Management System) come Alfresco, Nuxeo, oppure soluzioni italiane come Athesys, Avanade. Per studi piccoli, anche un foglio Excel ben strutturato con link al file funziona.

6. Conservazione a norma

Perché le copie scansionate sostituiscano gli originali cartacei servono due cose: la conformità della copia all'originale (raffronto e firma di chi lo effettua, oppure certificazione di processo per le digitalizzazioni massive, come prevedono le Linee guida AgID a p. 14) e la conservazione a norma, gestita in proprio o affidata a un conservatore (per esempio Aruba, InfoCert, Namirial).