Autore di immagini · divulgatore e formatore AI
Prima di caricare quel PDF, chiediti che lavoro gli stai dando 16 min di lettura
Intelligenza Artificiale ·

Prima di caricare quel PDF, chiediti che lavoro gli stai dando

Un modello di Cloudflare è progettato per dire che un dato non c’è. Ti insegna la domanda da farti ogni volta che estrai numeri.

📌 Questo non è un pezzo su un nuovo strumento da installare. Clairic, il modello di cui parlo, oggi lo possono usare solo gli sviluppatori. Lo racconto perché il suo dettaglio più interessante cambia la domanda con cui conviene affrontare i propri documenti: a chi affido quale pezzo di lavoro? Alla fine trovi cosa puoi provare già oggi, con strumenti che hai quasi sicuramente sul computer, e come controllarne il risultato.

Immagina questa scena. Ti è appena arrivato un preventivo di trenta pagine da un fornitore: stampa fine art, cornici, spedizioni, una voce dietro l’altra. Ti servono tre numeri: il totale senza IVA, i tempi di consegna, la penale in caso di ritardo. Apri il tuo chatbot preferito, trascini il PDF, scrivi la richiesta. Dopo pochi secondi hai tre risposte pulite, ordinate, plausibili.

E poi quel piccolo dubbio che non passa. La penale è davvero quella? O il chatbot ha preso una cifra dal paragrafo accanto? E se la penale non c’era, perché non mi ha detto “qui non c’è”?

Questa è una scena tipo, non un episodio accaduto a una persona precisa: l’ho costruita io perché credo che a molti di noi sia successo qualcosa di molto simile. Il dubbio è reale. E il 19 ottobre 2026 Cloudflare ha pubblicato qualcosa che parla proprio di quel dubbio.

La notizia, ridimensionata subito

Il 19 ottobre Cloudflare ha annunciato Clairic, un modello che fa una cosa sola: estrarre dati da un documento. Lo ha presentato come l’anteprima (“preview”) di una nuova classe di modelli di estrazione, che chiama “System One extraction models” (Cloudflare Blog, 19/10/2026).

Prima di andare avanti devo fare una correzione, anche a me stesso. Anch’io ero partito da qui: un modello che legge i PDF. Ho controllato il blog di Cloudflare, la documentazione ufficiale e l’articolo di The Decoder da cui sono partito: i PDF non sono menzionati in nessuno dei tre.

Clairic riceve testo più al massimo quattro immagini (PNG, JPEG o WebP, fino a 4 MiB ciascuna e 8 MiB in tutto) e ha una “memoria di lavoro” di 65.536 token (Cloudflare Developers, scheda del modello). Un token, per capirci, è un pezzetto di parola: il modo in cui questi sistemi contano il testo che gli dai. Se hai un PDF di trenta pagine, prima qualcuno deve trasformarlo in testo o in immagini, e le immagini sono comunque quattro.

Poi c’è un secondo ridimensionamento: non è un’app. Si può usare solo come servizio ospitato sulla piattaforma di Cloudflare (Workers AI), chiamandolo da un programma. È uno strumento per sviluppatori. Cloudflare promette che pubblicherà i “pesi” del modello, cioè il modello scaricabile, “presto”, senza una data (Cloudflare Blog).

E c’è una nota sui termini d’uso: il servizio è fornito “così com’è” (“AS IS”) e Cloudflare può smettere di offrirlo senza rimborsi (Cloudflare Developers). Per un modello in anteprima è normale. Però dice quanto sia presto per costruirci sopra un flusso di lavoro.

Quanto sia grande il modello, infine, Cloudflare non lo dichiara.

Allora perché ne parlo? Perché Clairic è un segnale di direzione, non uno strumento per te. E dentro c’è un dettaglio che vale tutto il resto.

Il dettaglio che conta: il “non c’è” con una probabilità accanto

Un chatbot normale funziona così: scrive una risposta parola dopo parola, e ogni parola è la più probabile dopo quelle precedenti. Questo lo rende bravissimo a ragionare, riassumere, riscrivere. Ma gli dà anche un difetto strutturale: davanti a un vuoto, la cosa più naturale è riempirlo.

Clairic è fatto in un altro modo. Non scrive testo: restituisce valori tipizzati (un testo, un numero, una data, una durata, una lista, una stima) in un solo passaggio. E per ogni valore dà due indicatori: confidence, quanto è sicuro, e p_null, la probabilità che quel dato non sia presente nel documento. Se il dato manca, restituisce null, che in informatica vuol dire “niente, vuoto”, accompagnato da una stima (Cloudflare Blog).

Pensa alla differenza tra due colleghi a cui chiedi di compilare una scheda a partire da un contratto. Il primo, quando non trova la penale, scrive comunque una cifra che gli sembra sensata. Il secondo lascia la casella vuota e ti scrive a margine: “non l’ho trovata, al 90% non c’è”. Clairic è progettato per fare il secondo.

Nota bene quel “progettato”. Cloudflare stessa sul suo blog è prudente, e io la seguo. Sulle allucinazioni la formula esatta è che, poiché non genera token, Clairic non può dare una risposta del tipo sbagliato né “allucinare” nello stesso modo di un LLM (cioè di un modello linguistico come quelli dei chatbot). Non c’è scritto “niente allucinazioni”. E nello stesso post Cloudflare ammette due cose:

“The architecture makes every answer well formed, not necessarily correct.”
(Cloudflare Blog)

Cioè: la risposta è sempre nel formato giusto, non per forza giusta. E ancora: la calibrazione, cioè quanto le probabilità dichiarate corrispondano alla realtà, è “misurata, non garantita”; la lettura è forte, ma l’aritmetica a più passaggi “non ancora”, e quei calcoli vanno fatti altrove, nel codice (Cloudflare Blog).

Il null con la probabilità è una proprietà documentata per Clairic, non per “gli strumenti specializzati” in generale. Non la trovi in Excel, non la trovi in Acrobat. Te la nomino perché mostra in che direzione si muovono i modelli fatti per un compito solo: dichiarare cosa non hanno trovato, invece di riempire il vuoto.

I numeri di Cloudflare: come si leggono

Sul blog ci sono due numeri che hanno fatto il giro dei titoli. Te li riporto, con la lente giusta.

Cloudflare ha messo alla prova una catena di tre passi su un reclamo di un cliente: estrarre i dati, decidere cosa fare, scrivere la risposta. Nel suo test, con Clairic (più un secondo modello per la decisione, che si chiama Clef, e GLM-5.3 per la risposta) la catena impiega 19,3 secondi, contro 61,7 secondi usando GLM-5.3 per tutti e tre i passi: circa 3,2 volte più veloce. Il costo per un milione di pratiche scende da 11.740 dollari a 6.032, un taglio del 49% (Cloudflare Blog; li ritrovi anche in PPC Land, 19/10/2026).

Se guardi solo il passo di estrazione, la differenza è ancora più netta: 0,46 secondi per Clairic contro 16,1 per GLM-5.3 (Cloudflare Blog).

Detto questo, ecco le cose che nei titoli non ci sono.

È un test interno di Cloudflare. Un solo tipo di pratica, i reclami; numero di esecuzioni non dichiarato; nessun benchmark standard; nessuna verifica indipendente (PPC Land).

Il confronto è con un solo modello linguistico, GLM-5.3, un modello aperto di Z.ai. Non con ChatGPT, Claude o Gemini, cioè i modelli che usi davvero. Gemma 4 e Qwen sono indicati come “falliti” nella catena fatta solo di modelli linguistici, senza altri dettagli (Cloudflare Blog).

Il 49% è il costo dell’intera catena, con un modello linguistico ancora presente nell’ultimo passo, quello che scrive la risposta. Non è il costo di Clairic da solo.

E poi i conti. PPC Land, che è l’unica lettura critica indipendente che ho trovato, nota che nella colonna “tutto LLM” i tempi dei singoli passi non tornano del tutto con il totale dichiarato (PPC Land). Non ti do una cifra della somma, perché rifacendo il calcolo nemmeno io ho ritrovato esattamente né il totale del blog né quello di PPC Land. Non è uno scandalo: è un buon esempio di come si leggono i comunicati. Chi ha fatto il test, su cosa, contro chi. Con quelle tre domande molti annunci si sgonfiano, o si precisano.

Quindi: i numeri di Cloudflare sono numeri di Cloudflare. La mia tesi non poggia su di loro, ma sulla direzione di progetto (il null con la probabilità) e su un principio per scegliere lo strumento. Nessun benchmark indipendente su Clairic, ad oggi.

Compito aperto, compito chiuso

Bilancia da cucina con un sacchetto di farina su un piano di lavoro, illustrata in line art beige e grigio.

Il principio è semplice e te lo spiego con la cucina. Se devi inventare una cena con quello che c’è in frigo, ti serve un bravo cuoco: uno che ragiona, sostituisce, improvvisa. Se devi soltanto pesare duecento grammi di farina, ti serve una bilancia. Non c’è niente di male nel cuoco, ma per pesare la farina la bilancia è lo strumento giusto, e soprattutto ti dice un numero che puoi controllare con un’occhiata.

I chatbot sono il cuoco. Sono fantastici per i compiti aperti: capire un documento che non hai mai visto, riassumerlo, ragionare sulle clausole, riscrivere una risposta. Quando invece il compito è chiuso, cioè “dimmi questi campi che sono scritti da qualche parte in queste pagine”, il rischio è che il cuoco, sentendo di dover rispondere sempre, la risposta la fabbrichi.

Non è solo un’impressione. Esiste un paper accettato a NeurIPS 2025 che studia proprio questo (He et al., arXiv 2506.20168). Sui modelli multimodali (quelli che leggono immagini e testo insieme) alle prese con documenti degradati, come carte d’identità o fatture, i ricercatori osservano che i modelli rischiano di appoggiarsi ai “linguistic priors”: invece di fidarsi di quello che vedono, si fidano di quello che è linguisticamente probabile. Cioè inventano in modo plausibile. Un modello da 7 miliardi di parametri, addestrato apposta per questo problema, ha migliorato di 22 punti l’accuratezza “senza allucinazioni” rispetto a GPT-4o sul test KIE-HVQA.

Ma attenzione alla data, perché qui è facile sbagliare. Il paper riguarda i modelli del 2025, GPT-4o e Qwen2.5-VL. Non dice nulla sui chatbot di oggi, e io non lo estendo a quelli. Quello che posso dire è questo: per quella generazione di modelli il rischio di riempire i vuoti in modo plausibile è documentato, e per questo, anche con i modelli attuali, la verifica sul documento originale resta una buona abitudine.

Un’osservazione nella stessa direzione la fa AIMultiple, un’azienda che vende servizi di automazione (quindi con un interesse in causa): secondo loro i sistemi di lettura basati su modelli visivi possono “inventare testo che non era sulla pagina”, e l’errore fluente è più difficile da notare di un errore di lettura. La prendo come un’osservazione, non come un dato, coerente con il paper.

C’è anche l’altra faccia, e va detta con la stessa chiarezza: questo non fa dell’LLM un nemico. Quando il documento è sconosciuto, quando va capito e non solo letto, quando la domanda è “cosa mi sta chiedendo davvero questo contratto?”, il modello generalista è lo strumento giusto. Anche nella catena di Cloudflare, ricordalo, il modello linguistico resta: scrive la risposta finale. La soluzione sensata è mista, ognuno al suo posto.

Se vuoi vedere il lato “buono” dell’LLM sui documenti lunghi, ti rimando a come riassumo un report da 425 pagine con Cowork. E a come scelgo in due minuti se quel PDF vale un’ora del mio tempo: lì il compito è aperto (decidere se vale la pena), ed è un lavoro da LLM.

Il costo: quando pesa e quando non pesa

Uno dei punti forti di Clairic, sulla carta, è il prezzo: 0,10 dollari per milione di token in ingresso e nessun costo per i token in uscita (Cloudflare Developers). Ma “quanto costa leggere un PDF con un LLM normale?” è una domanda a cui si può dare un ordine di grandezza.

Faccio un conto di redazione, quindi una stima mia, non un dato di nessuno. La documentazione di Anthropic dice che Claude converte ogni pagina di un PDF in immagine e ne estrae il testo; il testo costa tipicamente 1.500-3.000 token a pagina, più il costo delle immagini, senza supplementi specifici per i PDF (Anthropic, PDF support). Un PDF di 30 pagine, contando solo il testo e solo l’ingresso, sono quindi 45.000-90.000 token. Con i prezzi di listino al 22 ottobre 2026 (Anthropic, pricing):

  • Fable 5.1 (10 dollari per milione di token in ingresso): circa 0,45-0,90 dollari
  • Opus 5.5 (4 dollari): circa 0,18-0,36 dollari
  • Sonnet 5.5 (2 dollari): circa 0,09-0,18 dollari
  • Haiku 5.5 (0,10 dollari fino a 100.000 token): circa 0,0045-0,009 dollari

Sono cifre che non includono le immagini (che le fanno salire) né l’output, la risposta che scrive il modello. Quindi sono un ordine di grandezza, non una fattura.

Due cose da notare. La prima: Haiku 5.5 costa in ingresso quanto Clairic, 0,10 dollari per milione di token. Il vantaggio di prezzo di Clairic, quindi, non è contro “l’LLM” in generale ma contro i modelli grandi; il vantaggio vero sta nell’output non pagato e nel fatto che non genera testo. E non ti faccio un confronto “Clairic sul PDF da 30 pagine”, perché Clairic non accetta PDF e 90.000 token non entrerebbero nei suoi 65.536 in un colpo solo.

La seconda: se paghi un abbonamento a tariffa fissa (Pro a 20 dollari al mese, 17 con il piano annuale; Max da 100 dollari al mese, secondo il listino), il costo marginale del singolo PDF per te è zero. Il costo per documento pesa solo se usi le API, se automatizzi, se hai volumi. Se carichi un preventivo ogni tanto, a te interessano altre due cose: quanto tempo perdi a controllare e quanto puoi fidarti di quello che esce. Che ci porta al punto.

Cosa puoi provare oggi (e cosa non ti promette)

Foglio con una tabella a griglia su una scrivania, una lente d'ingrandimento su una cella e alcuni segni di spunta, in stile line art beige e grigio.

Qui sarebbe facile vendere. Dopo tutto quello che ho scritto sul null con la probabilità, potrei dirti: “usa Excel o Acrobat, sono estrattori specializzati, quindi migliori”. Non lo dico, perché nessuna fonte che ho trovato lo prova. Excel e Acrobat non ti restituiscono un “qui non c’è” con una probabilità: quella è una proprietà di Clairic, non loro. E non so se sbagliano meno di un chatbot su tabelle o scansioni: non ho fonti su questo.

Quello che condividono con la logica del compito chiuso è un altro vantaggio, più modesto e di processo:

  • fanno una cosa sola;
  • ti danno una tabella, non una risposta discorsiva;
  • la tabella la puoi controllare cella per cella contro il documento originale.

Per questo la verifica non è un’avvertenza in fondo alla pagina: è la parte centrale del metodo. Ecco i due strumenti.

Excel (Windows). Vai su Dati > Recupera dati > Da file > Da PDF. Excel apre un pannello chiamato Navigator che ti mostra le tabelle che ha trovato nel PDF; scegli quelle che ti servono e, con “Trasforma dati”, le puoi ripulire in Power Query (l’editor di Excel per sistemare i dati) prima di caricarle nel foglio (Microsoft Support, Power Query). Microsoft indica come requisito tecnico .NET Framework 4.5 o superiore.

Excel per Mac. Qui ti do una notizia scomoda: secondo una risposta di un MVP (un esperto riconosciuto da Microsoft) sul forum ufficiale, a febbraio 2025 la funzione “Da PDF” su Excel per Mac non c’era. Le alternative erano copiare il testo o usare “Dati da immagine” (Microsoft Q&A, 10/02/2025). Scrivo “almeno fino al 2025”, perché non ho potuto riconfermare lo stato attuale: controlla sulla tua versione prima di contarci.

Acrobat. Esporta PDF > Foglio di calcolo > Cartella di lavoro Microsoft Excel. Se il PDF è una scansione, Acrobat avvia il riconoscimento del testo (OCR) in automatico (Adobe, PDF to Excel). Quella di Adobe è una pagina di marketing: va bene per i passaggi, non per giudicare la qualità del risultato. Quella la giudichi tu, e per questo dopo l’esportazione controlla sempre tabelle e colonne: un numero spostato di una cella, un totale finito nella riga sbagliata, una colonna spezzata in due.

Come controlli, in pratica? Un metodo che puoi applicare subito, senza strumenti:

  1. Apri il PDF e il foglio uno accanto all’altro.
  2. Controlla a campione le righe che pesano di più: i totali, le date, le penali, le cifre che finiranno in un preventivo.
  3. Fai la somma delle righe e confrontala con il totale scritto sul documento.
  4. Se un dato che ti aspettavi non c’è, cerca a mano nel PDF (Ctrl+F o Cmd+F) prima di concludere che manca.

Il punto 4 è esattamente quello che Clairic, nelle intenzioni, vorrebbe fare al posto tuo con il suo null e la sua probabilità. Per ora lo fai tu.

E il chatbot? Usalo, ma per il lavoro giusto

Non voglio che tu esca da questo pezzo pensando “mai più LLM sui documenti”. Sarebbe l’errore opposto. Il chatbot resta insostituibile quando il documento non lo conosci, quando devi capirlo, quando il lavoro è ragionare sul contenuto. Del resto ne ho parlato in 100 milioni di persone hanno letto questo post sull’AI: un testo plausibile non è per forza un testo vero. Il confine vero non è “LLM sì, LLM no”: è quale lavoro stai delegando.

Se mi chiedi cosa farei io, oggi, con quel preventivo da trenta pagine:

  • Per le tabelle di voci e importi, provo l’esportazione in Excel e verifico a campione, con la somma di controllo.
  • Per capire cosa dicono le clausole, la penale, le condizioni di recesso, chiedo al chatbot e poi vado a vedere io il paragrafo che cita.
  • Ogni numero che finisce in un preventivo, un contratto, una fattura che mando a un cliente, lo riguardo sul documento. Sempre. Con qualunque strumento.

La catena, non il coltellino

Mi piace l’immagine del coltellino svizzero, perché è quella da cui sono partito: uno strumento per tutto. Ed è comodo, nessuno lo nega. Ma se devi stringere una vite ogni giorno, prima o poi compri un cacciavite. Il coltellino resta in tasca per le emergenze e per tutto quello che non sai ancora cosa sarà.

Clairic è un cacciavite che per ora possono usare solo gli sviluppatori, in anteprima, con tutti i limiti che ti ho detto: nessun benchmark indipendente, numeri interni, un solo caso, un solo concorrente. Quello che mi interessa non è lui. È l’idea di un modello fatto per dire “questo dato non c’è” invece di inventarlo, e per dirlo con una probabilità che qualcuno ha misurato (non garantito: misurato).

Quando arriverà qualcosa di simile alla tua portata, avrai già le domande giuste. E oggi hai già abitudini che non dipendono da nessun annuncio.

Cosa portare a casa:

  1. Prima di caricare un documento, chiediti se il compito è chiuso o aperto. Estrarre campi è chiuso. Capire, riassumere, valutare è aperto.
  2. Per le tabelle prova Excel “Da PDF” (su Windows) o l’export di Acrobat, ricordando che ottieni una tabella controllabile, non una garanzia.
  3. Tratta ogni numero di un LLM come da verificare, soprattutto se il documento è una scansione scadente. Il rischio di riempire i vuoti è documentato per i modelli del 2025: per quelli di oggi non ho dati, e per questo controllo comunque.
  4. Quando un fornitore ti promette “il dato non c’è”, chiedi con quale probabilità e se è misurata. Persino Cloudflare dice: misurata, non garantita.
  5. Leggi gli annunci guardando chi ha fatto il test, su cosa, contro chi.

Se vuoi un compito per oggi: prendi un PDF che hai già (un preventivo, una fattura, un contratto), estrai tre numeri con il tuo chatbot, poi estraili con l’esportazione in Excel, poi confrontali con il documento. Segnati dove le due versioni divergono. Quello che scopri su dove sbaglia ognuno dei due strumenti, sui tuoi documenti, vale più di qualsiasi comunicato.

Se lo fai, scrivimi cosa è successo: sono curioso di sapere dove ha inventato il chatbot e dove ha sbagliato la tabella.

Luca

Articoli correlati

Fonti

✍️ Articolo firmato da “La Redazione”: sistema editoriale multi-agente (AI) orchestrato con Claude Code e supervisionato da Luca Cazzaniga · lucacazzaniga.it

Leggi anche

AI