Cos'è l'OCR e quando basta ancora?

L'OCR (Optical Character Recognition, riconoscimento ottico dei caratteri) è la tecnologia che converte l'immagine di un testo, una scansione, una foto, un PDF privo di livello testuale, in caratteri leggibili da una macchina. I motori di oggi non lavorano più per confronto con modelli di lettera: dalla versione 4.0 Tesseract, il motore open source più diffuso, riconosce la riga intera con una rete neurale ricorrente LSTM, e i servizi commerciali seguono lo stesso principio. Il risultato è che l'OCR ha smesso di essere un problema di ricerca ed è diventato una utility: costa pochissimo per pagina, gira anche dentro il perimetro aziendale senza mandare niente in cloud, e su un documento nato digitale e stampato bene sbaglia di rado. Vale la pena fissare subito cosa l'OCR non fa: trascrive quello che vede, non interpreta la struttura di quello che ha trascritto. Quella distinzione è l'intera decisione di architettura che ne discende.

Quando basta e conviene

Il caso maggioritario in azienda non è il documento complicato: è la bolla o la fattura di fornitore con un layout che cambia raramente, per decine di migliaia di pagine al mese. Su quei volumi l'OCR classico più qualche regola di posizione resta la scelta giusta per tre ragioni misurabili: il costo per pagina è di ordini di grandezza inferiore a quello di una chiamata a un modello generativo, la latenza è di un ordine di grandezza inferiore, e l'elaborazione può restare interamente in locale. L'ultimo punto pesa quando i documenti contengono dati personali o segreti industriali: affidarli a un servizio esterno apre un capitolo contrattuale.

Come si misura l'accuratezza

Le due metriche standard sono il CER (character error rate) e il WER (word error rate): inserimenti, cancellazioni e sostituzioni necessari a trasformare il testo estratto in quello corretto, divisi per i caratteri o le parole del riferimento. Sono utili e insufficienti. Il "99% di accuratezza" per carattere su un documento di 2.000 caratteri significa venti caratteri sbagliati, e la domanda che conta non è quanti ma quali e in quale campo: venti errori sparsi nel corpo di un contratto sono rumore, uno solo dentro un IBAN o una partita IVA è un pagamento sbagliato. Che il numero aggregato nasconda l'origine dell'errore è un limite noto: il paper The Character Error Vector (2026) lo decompone almeno fra errori di parsing della pagina ed errori di lettura. Nel collaudo aziendale la decomposizione che serve è un'altra ancora, per campo critico e non per pagina.

Un esempio enterprise

In Italia l'attrito è specifico e ricorrente. Accenti e apostrofi sono il primo punto di rottura: "perché" letto "perche", una "e" al posto di "è", "l'ordine" spezzato in due parole, errori che un dizionario inglese non corregge. Il secondo sono i documenti della PA, spesso scansionati a bassa risoluzione da fotocopiatrici multifunzione, con timbri sovrapposti al testo; i moduli compilati a mano sono un'altra cosa ancora, non OCR ma riconoscimento della scrittura, un problema diverso e molto più caro. Un'azienda che digitalizza pratiche edilizie o visure camerali scopre che il collo di bottiglia non è il motore ma l'acquisizione: alzare i dpi, raddrizzare le pagine e istruire il dizionario sui nomi propri italiani rende più di un cambio di tecnologia.

Perché conta per chi decide

La domanda non è "OCR o AI", è dove sta la soglia. Finché il testo è lineare e il volume alto, l'OCR è la risposta economicamente giusta, e sostituirlo con un modello multimodale significa pagare molte volte tanto. Quando invece il documento contiene tabelle e grafici che vanno interpretati e non solo trascritti, la strada è il parsing multimodale dei documenti. In entrambi i casi la voce da difendere a budget è la validazione a valle: la quota di documenti che una persona deve ancora ricontrollare è il costo vero del sistema, e non scende a zero con nessuna delle due.