Testi normativi, formule, disegni e centinaia di tavole: come abbiamo affrontato la sfida di rendere consultabile in linguaggio naturale un patrimonio documentale complesso, senza rinunciare ai riferimenti alle fonti e al controllo della conoscenza.
Il problema non era ottenere una risposta. Era trovare la fonte giusta.
Immagina un ingegnere che debba verificare un requisito di progetto. La risposta potrebbe trovarsi in un paragrafo di una norma, in una nota a una tavola oppure nella relazione fra più documenti. Per un professionista esperto, sapere dove cercare è spesso parte del mestiere. Per un collega più giovane, individuare lo stesso riferimento può richiedere molto più tempo e il supporto di chi conosce già l’archivio.
Per una società italiana di ingegneria impegnata nella progettazione di infrastrutture ferroviarie, Yayamedia ha esplorato un approccio diverso: costruire un ambiente in cui porre domande in linguaggio naturale e ottenere indicazioni sulle pagine e sui documenti pertinenti. Non un’intelligenza artificiale chiamata a sostituire il giudizio del progettista, ma uno strumento per ritrovare le fonti, leggerle e verificarle.
Un archivio che non è soltanto testo
La documentazione tecnica non è una raccolta uniforme di PDF testuali. Può includere norme, specifiche, formule, schemi, piante, sezioni, prospetti, quote e tavole grafiche. Qui una normale ricerca per parole chiave non basta: la risposta dipende anche dalla struttura della pagina e dal significato di elementi visuali.
La sfida progettuale era duplice: rendere rintracciabili contenuti eterogenei e far sì che le risposte indirizzassero il professionista verso la documentazione originale, senza mascherare l’incertezza del recupero.
La sperimentazione: più tecniche di indicizzazione, un’unica esperienza di ricerca
Abbiamo realizzato e progressivamente perfezionato un prototipo basato su Retrieval-Augmented Generation (RAG): una tecnica che combina la ricerca dentro un insieme di documenti con un modello linguistico capace di interpretare la domanda e presentare i riferimenti recuperati.
Per migliorare la ricerca abbiamo sperimentato modalità complementari di indicizzazione e recupero, con pesi e strategie differenti: la ricerca semantica per significato, quella per parole chiave ed espressioni esatte e un passaggio finale di riordino dei risultati. La domanda può essere riformulata in più modi per individuare passaggi pertinenti anche quando il lessico usato dall’utente non coincide con quello della documentazione.
Un’attenzione particolare è stata dedicata alle tavole: strumenti di analisi visiva sono stati impiegati per produrre descrizioni testuali dei contenuti grafici e renderli più facilmente ricercabili. È una strada promettente, ma complessa: interpretare correttamente quote, linee, relazioni spaziali e annotazioni tecniche richiede controlli rigorosi.
L’interfaccia conta quanto il motore di ricerca
Il prototipo non si limita a generare una frase. Accanto alla risposta mostra le fonti citate, con il numero di pagina, e permette di aprirne l’anteprima per ritrovare il passaggio nel documento originale. Le richieste vengono registrate per poterle analizzare e gli utenti possono dare un giudizio sia sulla risposta sia su ciascuna fonte. L’accesso con un account personale per ogni professionista era nell’impostazione del progetto, ma non è stato realizzato nel prototipo.
L’idea è che la conoscenza dei professionisti più esperti possa contribuire, attraverso questi giudizi, a migliorare progressivamente la qualità della ricerca, invece di restare confinata alle abitudini del singolo. È un’ipotesi di lavoro, non un risultato dimostrato: il feedback non equivale automaticamente a una validazione tecnica delle risposte né elimina la necessità del controllo umano.
Che cosa abbiamo imparato, anche dai limiti
Le prime prove sui documenti testuali hanno mostrato un potenziale significativo: a domande molto specifiche il sistema era talvolta in grado di recuperare il riferimento e formulare anche una risposta puntuale. Ma il passaggio alle tavole e agli elementi grafici ha evidenziato i limiti di una ricerca basata solo sul testo. È da questa difficoltà che è nato il lavoro di affinamento multimodale e di ottimizzazione del recupero.
Nelle verifiche con domande a risposta nota, la pagina giusta veniva spesso trovata. Più difficile era leggerne correttamente il contenuto: una quota riportata soltanto per metà di un profilo simmetrico, un valore scritto in una nota di piccole dimensioni, due tavole quasi identiche che si distinguono per un solo parametro. In questi casi la risposta poteva risultare incompleta o sbagliata, e il riferimento alla fonte serviva proprio a permettere di accorgersene.
Il progetto, dopo diversi mesi di sviluppo e sperimentazione, è attualmente in stand-by e non è in produzione. Perciò non presentiamo risparmi di tempo o riduzioni degli errori come risultati già misurati. Il valore dell’esperienza sta nelle competenze costruite e nella comprensione concreta delle condizioni necessarie per realizzare un assistente documentale affidabile.
Perché non basta caricare i PDF in un chatbot generico?
Gli strumenti generalisti possono essere molto utili e in alcuni casi offrire risultati eccellenti. Quando però l’archivio contiene informazioni riservate e viene utilizzato in processi professionali delicati, le domande cambiano: chi può accedere a quali documenti? Quale versione stiamo consultando? Da quale pagina proviene un’affermazione? Possiamo controllare le risposte e raccogliere feedback per migliorare il sistema nel tempo?
Una piattaforma progettata intorno all’organizzazione può mettere governance, tracciabilità e verificabilità delle fonti al centro del processo. Non è una garanzia automatica di accuratezza: richiede architettura, permessi, qualità dei dati, test e supervisione umana.
Dove questo approccio può creare valore
Il caso dell’ingegneria è un esempio, non un prodotto verticale da acquistare. Problemi analoghi esistono negli studi legali con archivi di pratiche e pareri, nelle società di consulenza con dossier e procedure interne, nelle imprese industriali con manuali, schemi e documentazione di manutenzione, e nelle organizzazioni sanitarie con protocolli e procedure, nel rispetto delle regole applicabili al trattamento dei dati.
Ogni archivio richiede una valutazione diversa: quali domande contano, quali fonti sono autorevoli, quali documenti possono essere elaborati, quali errori non sono accettabili e quali controlli devono restare in mano alle persone. Per un inquadramento più ampio su dove l’AI genera valore, c’è la guida su come integrare l’intelligenza artificiale nei processi aziendali.
Dall’archivio alla conoscenza utilizzabile
Il punto non è aggiungere un chatbot perché oggi si parla di AI. È capire se esiste un patrimonio di documenti che l’organizzazione fatica a usare e progettare, se ha senso, un percorso per renderlo accessibile in modo controllato, dentro i sistemi già in uso: è il lavoro che facciamo con l’integrazione dell’AI nei sistemi aziendali.
Hai un archivio tecnico, normativo o professionale difficile da consultare? Raccontaci come viene utilizzato oggi: possiamo valutare insieme se un sistema RAG su misura sia la strada giusta, oppure se siano sufficienti strumenti più semplici.