Dal PDF/A all'AI: usare l'archivio aziendale in un RAG

Perché il PDF/A è un ottimo punto di partenza per il RAG

La maggior parte dei progetti RAG aziendali fallisce per qualità dei dati di input: PDF disordinati, scansioni senza testo, formati eterogenei. Un archivio PDF/A invece offre tre vantaggi:

• Testo già estraibile e ben strutturato (font incorporati, layout coerente).
• Stabilità nel tempo: il PDF/A non cambia, quindi gli embedding generati una volta restano validi.
• Compliance già a posto: l'archivio è conforme, l'AI ne è solo un livello di accesso aggiuntivo.

Il workflow tipico in 5 passaggi

1. Estrazione testo dai PDF/A. Da PDF/A con testo selezionabile basta pdftotext (poppler) o equivalenti. Da PDF/A scansionati con OCR integrato (come quelli prodotti da pdfaonline.it) è già tutto pronto.
2. Chunking: il testo viene spezzato in unità di 500-1500 caratteri (paragrafi, sezioni) mantenendo metadati: nome file, pagina, data documento.
3. Embedding: ogni chunk viene convertito in un vettore numerico tramite un modello come text-embedding-3-small (OpenAI), nomic-embed-text (open source) o BGE-M3 (multilingue, fortissimo su italiano).
4. Indicizzazione vettoriale: i vettori vanno in un database ottimizzato per ricerca semantica: pgvector (Postgres), Qdrant, Weaviate, Chroma.
5. Interrogazione: l'utente fa una domanda ("Qual è il valore della perizia Trotta del 2018?"), il sistema cerca i chunk più simili semanticamente, li passa a un LLM che genera la risposta citando i documenti.

Tool: open source vs commerciali

L'ecosistema 2026 offre soluzioni a tutti i livelli:

• Open source self-hosted: stack tipico LangChain o LlamaIndex per orchestrazione, Qdrant o pgvector per indicizzazione, Ollama o vLLM per servire LLM e embedding in locale. Privacy massima, costo solo hardware.
• SaaS italiano-friendly: piattaforme che permettono di caricare PDF e ottenere chatbot pronto, con server UE e DPA conformi GDPR. Nomi che si incontrano nel mercato: AskYourPDF, Humata, ChatPDF (per uso individuale); piattaforme enterprise come ContextualAI, Vectara, o soluzioni italiane come Indigo.AI.
• Conversione PDF→Markdown ottimizzata per LLM: tool emergenti come Marker, Docling (IBM open source), Unstructured.io o GLM-OCR (basato su vision LLM) producono Markdown strutturato che si presta meglio del testo grezzo al chunking. Da valutare se l'archivio ha layout complessi (tabelle, multi-colonna, allegati).

Privacy e GDPR del RAG aziendale

Il RAG su archivio aziendale è un trattamento di dati personali a tutti gli effetti. Punti critici:

• Provider LLM: se mandi i chunk a OpenAI, Anthropic, Google, valuta il trasferimento extra-UE. I fornitori offrono Data Privacy Framework e DPA, ma per dati sensibili (sanitari, giudiziari) la self-hosting con LLM open (Llama, Mistral, GLM) sulla tua infrastruttura è la scelta più conservativa.
• Pseudonimizzazione: prima di indicizzare, valuta se rimuovere/mascherare nomi e codici fiscali. Un chatbot interno può funzionare anche senza dati identificativi espliciti.
• Audit trail: chi ha chiesto cosa, e quali documenti il sistema ha citato. Importante per compliance (specie nel legal, sanitario, PA).
• Diritti dell'interessato: cancellare un documento dall'archivio significa anche rimuovere i suoi chunk dall'indice vettoriale e i relativi embedding. Va previsto come procedura operativa.

Quando ha senso e quando no

Vale la pena costruire un RAG sull'archivio se:

• L'archivio è grande (500+ documenti, altrimenti la ricerca testuale tradizionale basta)
• Le domande tipiche richiedono di collegare informazioni da più documenti
• Il personale perde tempo significativo a cercare manualmente (es. "in quale contratto del 2019 c'era la clausola X?")
• Hai capacità interna o un partner per gestire setup e manutenzione (non è soluzione plug-and-play permanente)

Non vale la pena se l'archivio è piccolo, le ricerche sono banali, o se nessuno ha tempo di curare il sistema (un RAG mal configurato dà risposte sbagliate convincentemente, peggio che non averlo).