Vai al contenuto

Serve ancora l'OCR per le fatture? Ho testato 4 modelli IA

Aggiornato

Visualizza come MarkdownApri in ClaudeApri in ChatGPTApri in Perplexity

Anche la domanda viene copiata. Se la chat si apre vuota, la incolli.

In questa pagina
  1. Cosa legge bene e cosa sbaglia l’IA sulle fatture?
  2. Serve ancora l’OCR per estrarre i dati dalle fatture?
  3. Come è stato impostato il test?
  4. Perché il controllo dei totali non ha preso quasi nulla?
  5. Quali controlli individuano gli errori?
  6. Quale modello usare per l’estrazione dati dalle fatture?
  7. Serve davvero un modello?
  8. Come arrivano i campi in Excel o nel suo gestionale contabile?
  9. Cosa non dimostra questo test?
  10. Come ripeterlo sulle sue fatture
  11. Il mio caso simile

In breve

Nell’estrazione dati da fatture digitali pulite, tre dei quattro modelli che ho testato hanno letto giusti tutti e nove i campi su 30 fatture su 30. Su scansioni simulate delle stesse fatture, il migliore ne ha lette giuste 22 su 30. Gli errori quasi mai erano negli importi. Erano nelle partite IVA e nei numeri di fattura, e la rete di sicurezza di sempre, controllare che imponibile più IVA faccia il totale, ha segnalato solo 3 delle 63 fatture sbagliate. Due semplici regole sulle partite IVA hanno individuato 31 delle 32 fatture sbagliate dei tre modelli migliori. Il modello più economico è costato USD 0,43 per 1.000 fatture, ma sulle scansioni non eguagliava il modello che costa 17 volte tanto: 14 su 30 contro 22. Gemini 3.8 Flash ha eguagliato i 22 di Sonnet a circa metà prezzo.

Ho rifatto questo test il 22 ottobre 2026 su un nuovo set di fatture fittizie. Tutti i numeri di questo articolo vengono dalla nuova esecuzione.

Sono Denys, ingegnere full-stack e di IA. All’inizio dell’anno ho costruito un prototipo di estrazione dati dalle fatture: un’app web e un’API che trasformano le fatture PDF in campi, segnalando a una persona quelli incerti. Gira su dati di esempio, senza alcun modello dietro. Prima di scrivere sull’estrazione dati dalle fatture, quindi, ho fatto un test vero: 30 fatture fittizie di fornitori cechi, tedeschi e portoghesi, quattro modelli, 240 chiamate, USD 0,76 di consumo fatturato.

Cosa legge bene e cosa sbaglia l’IA sulle fatture?

Ogni modello ha letto ogni fattura due volte: in versione pulita, come appare un PDF uscito da un gestionale, e come scansione simulata, grigia, leggermente ruotata, sfocata e compressa. Una fattura vale come giusta solo quando tutti e nove i campi coincidono: numero di fattura, data di emissione, data di scadenza, partita IVA del fornitore, partita IVA dell’acquirente, valuta, totale imponibile, totale IVA e totale lordo.

Modello Pulita, 9 campi giusti Scansione, 9 campi giusti USD per 1.000 fatture Secondi per fattura (mediana)
Claude Haiku 5.5 30 su 30 14 su 30 0,43 6,13
Claude Sonnet 5.5 30 su 30 22 su 30 7,18 8,50
Gemini 3.8 Flash 30 su 30 22 su 30 3,51 8,43
GPT-5.6 Luna 29 su 30 0 su 30 1,52 10,85
Fatture scansionate lette con tutti i 9 campi giusti. Su 30 scansioni simulate per modello. Stesso prompt, temperatura 0. Claude Haiku 5.5: 14; Claude Sonnet 5.5: 22; Gemini 3.8 Flash: 22; GPT-5.6 Luna: 0.
Il mio test, 22 ottobre 2026: 30 fatture fittizie ceche, tedesche e portoghesi, scansioni simulate, tramite OpenRouter.

Il costo è quello che OpenRouter ha fatturato per ogni chiamata, non una stima dal listino. Sulle fatture pulite, Claude Haiku 5.5 e Claude Sonnet 5.5 hanno avuto lo stesso risultato, 30 su 30. Sulle scansioni Sonnet ne ha lette giuste 22 contro le 14 di Haiku ed è costato circa 17 volte di più.

Serve ancora l’OCR per estrarre i dati dalle fatture?

Non come passaggio separato, in questo test. Tutti e quattro i modelli hanno ricevuto la pagina come immagine e hanno restituito direttamente i nove campi, senza uno strato di OCR in mezzo. Ciò che cambia il risultato è la qualità della pagina. Un PDF pulito uscito da un gestionale ha uno strato di testo, una scansione no: è fatta solo di pixel. La colonna «Scansione» della tabella qui sopra è esattamente la questione della qualità dell’OCR, ed è lì che i modelli differiscono: il migliore ha letto giuste 22 fatture scansionate su 30, il più debole nessuna.

Non ho testato motori OCR classici né strumenti basati su modelli fissi, quindi non so dire come andrebbero sulle stesse 30 fatture. Il test mostra dove sta il rischio quando un modello legge una scansione: nelle partite IVA e nei numeri di fattura, che i controlli più avanti individuano.

Come è stato impostato il test?

Ho generato le fatture con uno script, quindi ogni valore vero è noto al centesimo. Le fatture sono fittizie: i nomi delle aziende contengono Vzor, Muster, Beispiel o Exemplo, e ogni fattura ha un piè di pagina nella lingua locale con il testo “SAMPLE - fictitious invoice / no real company”. Ognuna porta le trappole in cui si imbatte in ogni paese chi registra le fatture passive:

  • Formati numerici locali. 175 011,84 Kč in ceco, 10.465,61 € in tedesco, e sia 1 234,56 sia 1.234,56 sulle fatture portoghesi.
  • Un secondo identificativo accanto al numero di fattura. Il simbolo variabile ceco, il numero cliente tedesco, il codice ATCUD portoghese.
  • Una seconda data. La data della prestazione ceca e quella del servizio tedesca stanno accanto alla data di emissione.
  • Due partite IVA nella stessa pagina, più un numero fiscale tedesco (Steuernummer) che sembra una partita IVA e non lo è.
  • Casi difficili. Aliquote IVA miste, una fattura senza IVA, una fattura in reverse charge, una nota di credito con importi negativi e una fattura di nove righe in ogni paese.

Ogni partita IVA ha una cifra di controllo valida, verificata con la libreria python-stdnum, e nessuna è registrata: ho cercato ciascuna delle 33 partite IVA usate (30 di fornitori e una di acquirente per paese) nel servizio VIES dell’UE, che ha risposto “non valida” per tutte. Anche gli 11 numeri d’impresa cechi dietro le partite IVA ceche sono stati cercati nel registro delle imprese ceco, ARES, e non sono stati trovati. I quattro modelli hanno ricevuto lo stesso prompt, a temperatura 0, una chiamata per immagine.

Come si è svolto il test. Stesso prompt e stesse impostazioni per ogni modello. 30 fatture da Cechia, Germania e Portogallo: Script → 30 fatture → Pulita + scansione → 4 modelli → Punteggio.
Il mio test, 22 ottobre 2026. 30 fatture × 2 versioni × 4 modelli = 240 chiamate.
La parte alta di una fattura di prova ceca, numero FV-2026-0738, con il suo piè di pagina SAMPLE. Sopra: la versione pulita, nitida e facile da leggere. Sotto: la scansione simulata della stessa fattura, grigia, sfocata e ruotata, in cui il 3 del numero di fattura si distingue a fatica da un 5.
Fattura di prova cz09, pulita e come scansione simulata. Claude Haiku 5.5 ha letto il numero della scansione come FV-2026-0758.

Perché il controllo dei totali non ha preso quasi nulla?

Controllare che imponibile più IVA faccia il totale lordo è la prima regola che la maggior parte delle pipeline di estrazione aggiunge, ed è quella che usa il mio prototipo. In questo test ha segnalato 3 delle 63 fatture sbagliate sui quattro modelli: una scansione di Gemini 3.8 Flash (cz06, totale lordo sbagliato), una scansione di GPT-5.6 Luna (cz08, in cui data di emissione, partita IVA dell’acquirente, imponibile e IVA erano sbagliati) e una fattura pulita di Luna (pt02, totale imponibile sbagliato).

Il motivo sta in dove erano gli errori. Claude Haiku 5.5, Claude Sonnet 5.5 e Gemini 3.8 Flash hanno fatto 32 estrazioni sbagliate in tutto, e solo due avevano un importo errato: la scansione di Gemini qui sopra e una scansione di Haiku (cz09) in cui i totali imponibile e IVA erano leggermente sbagliati ma imponibile più IVA faceva ancora il lordo, quindi il controllo è rimasto zitto. Le altre hanno letto male una cifra in una partita IVA o in un numero di fattura, come FV-2026-0738 letto FV-2026-0758. GPT-5.6 Luna ha invece sbagliato gli importi su 7 fatture, e su 5 di esse imponibile, IVA e lordo continuavano a tornare. Un modello legge un totale coerente con il resto di ciò che ha letto, quindi un controllo aritmetico lascia passare la maggior parte dei suoi errori.

Quali controlli individuano gli errori?

Due regole sulle partite IVA, entrambe di poche righe di codice:

  1. La cifra di controllo. Una partita IVA termina con una cifra di controllo calcolata dalle altre: modulo 11 per il numero d’impresa ceco dietro un DIČ e per il NIF portoghese, ISO 7064 per l’USt-IdNr tedesco. Librerie come python-stdnum le implementano tutte e tre. Una cifra letta male quasi sempre la rompe.
  2. La sua partita IVA. Su una fattura ricevuta, l’acquirente è lei. Qualsiasi partita IVA dell’acquirente che non sia la sua è sbagliata, oppure la fattura non era destinata a lei.
32 fatture sbagliate, per chi le ha individuate. Claude Haiku 5.5, Claude Sonnet 5.5 e Gemini 3.8 Flash, 180 estrazioni. Due regole sulle partite IVA: 31; Solo il segnale di incertezza del modello: 0; Non individuata né dalle regole né dal segnale: 1.
Il mio test, 22 ottobre 2026. Regole: cifra di controllo della partita IVA e la nostra partita IVA. Segnale: un campo che il modello ha indicato come incerto. L'unico caso che nessuno dei due ha individuato è stato segnalato dal controllo dei totali.

Quella rimasta, la scansione cz06 di Gemini, aveva un totale lordo sbagliato. Nessuna regola sulle partite IVA lo vede, e Gemini non indica mai campi incerti, quindi solo il controllo dei totali l’ha individuata. Ho chiesto a ogni modello di elencare i campi di cui non era sicuro:

Modello Fatture sbagliate Individuate dalle due regole Individuate solo dal segnale di incertezza Non individuate Fatture giuste segnalate comunque
Claude Haiku 5.5 16 16 0 0 13 su 44
Claude Sonnet 5.5 8 8 0 0 19 su 52
Gemini 3.8 Flash 8 7 0 1 0 su 52
GPT-5.6 Luna 31 30 0 1 0 su 29

Gemini 3.8 Flash non ha mai indicato un campo come incerto, quindi con lui i controlli sono tutto ciò che si ha; qui le due regole hanno individuato 7 delle sue 8 fatture sbagliate e il controllo dei totali l’ottava. I modelli Claude hanno segnalato troppo, non troppo poco: Haiku ha segnalato 13 delle sue 44 fatture giuste (30 %) e Sonnet 19 su 52 (37 %), tutte scansioni; nessuno ha segnalato una sola fattura pulita. È lo scambio che si vuole nelle fatture passive, dove l’occhiata di una persona costa meno di un pagamento sbagliato.

Sono emerse altre due cose. Gli errori di GPT-5.6 Luna non si limitavano agli identificativi: delle sue 31 fatture sbagliate, 30 erano scansioni, 20 avevano il numero di fattura sbagliato, 13 la data di emissione sbagliata e 15 la data di scadenza sbagliata, e 15 campi di importo erano sbagliati su 7 fatture. La sua unica fattura nella colonna “non individuate” è una pulita, la pt02, con il totale imponibile sbagliato: le due regole e il suo segnale di incertezza l’hanno mancata, il controllo dei totali no. E una cifra di controllo non individua ogni lettura sbagliata, perché alcuni numeri errati sono validi anch’essi; in questa esecuzione nessuna partita IVA sbagliata ha superato entrambe le regole.

Quale modello usare per l’estrazione dati dalle fatture?

Su questo set i risultati sulle scansioni erano: Claude Sonnet 5.5 22 su 30 con 8 fatture sbagliate a USD 7,18 per 1.000; Gemini 3.8 Flash anch’esso 22 su 30 con 8 fatture sbagliate a USD 3,51, circa metà prezzo; Claude Haiku 5.5 14 su 30 con 16 sbagliate a USD 0,43. Gemini ha eguagliato Sonnet in accuratezza a circa metà prezzo, ma non indica mai campi incerti: le sue fatture sbagliate sono state individuate dalle due regole sulle partite IVA (7) e dal controllo dei totali (1), mentre Sonnet ha segnalato anche 19 delle sue 52 fatture giuste. Con i controlli attivi, nessuna delle fatture sbagliate di Haiku o di Sonnet è rimasta in silenzio, quindi il modello più economico significa più fatture sbagliate da correggere (16 contro 8), non più errori in contabilità. Se invia ogni fattura a un modello, il modello è raramente la voce di costo grossa; il costo di un agente IA funziona allo stesso modo. GPT-5.6 Luna non è utilizzabile sulle scansioni in questo test.

Quella classifica viene da un test su 30 fatture. Faccia passare le sue fatture da due o tre modelli prima di scegliere.

Serve davvero un modello?

Spesso no, e in alcuni paesi ogni anno di meno. Prima di inviare l’immagine di una fattura a un modello, controlli se i dati sono già nel file:

  • Italia. Dal 1° gennaio 2019 le fatture tra operatori economici stabiliti in Italia possono essere solo elettroniche, in formato XML tramite il Sistema di Interscambio, quindi la maggior parte delle fatture dei fornitori italiani arriva già come dato; l’estrazione serve per i fornitori esteri e per la carta (Agenzia delle Entrate).
  • Portogallo. Ogni fattura emessa da software certificato deve riportare un codice QR con i due NIF, la data, il numero di fattura, l’ATCUD e la base imponibile e l’IVA per aliquota (Portaria n.º 195/2020, specifica tecnica del codice QR dell’AT). Leggere il codice QR le dà la maggior parte dei campi in modo esatto.
  • Germania. Dal 1° gennaio 2025 un semplice PDF non conta più come fattura elettronica tra imprese tedesche. Le fatture cartacee e in PDF sono ammesse durante un periodo transitorio, che per tutte le imprese termina a fine 2027 (FAQ del Ministero federale delle Finanze). Le fatture XRechnung e ZUGFeRD portano dati strutturati che può leggere direttamente.
  • Cechia. Molti gestionali incorporano un livello di dati ISDOC dentro il PDF; Fakturoid lo aggiunge a tutte le sue fatture PDF da dicembre 2022 (Fakturoid).

L’ordine che funziona è quindi: leggere il livello di dati se c’è, inviare a un modello solo il resto, poi eseguire i controlli. Il modello è il ripiego, non il primo passo.

Prima i dati del file, il resto a un modello. Due percorsi per una fattura ricevuta. Fattura con livello dati (XML SdI, codice QR): Fattura → Lettura dati → Controlli → Contabilità; PDF semplice o scansione: Fattura → Modello IA → Controlli → Contabile → Contabilità.
Controlli: cifra di controllo della partita IVA, la Sua partita IVA, campi che il modello ha segnalato come incerti. Livello dati: XML tramite SdI in Italia, codice QR in Portogallo, XRechnung o ZUGFeRD in Germania, ISDOC in Cechia.

Come arrivano i campi in Excel o nel suo gestionale contabile?

L’archivio indicato più sotto contiene già un CSV con tutti i risultati, una riga per estrazione, quindi si apre così com’è in Excel. Il mio prototipo di estrazione dati dalle fatture funziona allo stesso modo a livello di app: esporta i campi approvati ed espone una chiamata API che prende un PDF e restituisce i campi in JSON per ogni fattura.

Da lì, un file CSV o XLSX può essere importato in un gestionale contabile che accetta importazioni da file, oppure il JSON può essere passato avanti da un piccolo script. Il prototipo gira su dati di esempio e non l’ho collegato a nessun prodotto contabile in particolare. Per una conversione da PDF a Excel con righe di dettaglio e un file a due fogli, veda Importare fatture PDF in Excel: serve l’IA o no?.

Se sta ancora valutando quale parte della sua azienda valga la pena automatizzare, la aiuto a scegliere e poi la costruisco: si veda Consulente AI per PMI. I messaggi dei clienti sono l’altro primo lavoro comune per l’IA in una piccola azienda: quanto costa un chatbot WhatsApp con IA a risposta, con la tariffa di Meta inclusa.

Cosa non dimostra questo test?

  • Le fatture sono fittizie. Un modello di layout per paese, generato da uno script, con nomi di aziende di esempio. Le fatture reali dei fornitori variano molto di più.
  • Le scansioni sono simulate. Sfocatura, rotazione, rumore e compressione JPEG su una versione pulita, non carta passata in uno scanner né una foto da telefono.
  • Una chiamata per fattura, un set da 30. I risultati variano molto tra set. Questo articolo era stato eseguito prima su un altro set di 30 fatture, dove i risultati sulle scansioni per Haiku, Sonnet e Gemini erano 22, 22 e 17 su 30; su questo set sono 14, 22 e 22. Ogni paese ha una partita IVA dell’acquirente ripetuta su 10 fatture, quindi una sequenza di cifre letta male può rovinare fino a 10 fatture in una volta.
  • I prezzi cambiano. I costi sono quelli fatturati da OpenRouter il 22 ottobre 2026.
  • Solo nove campi. Niente righe di dettaglio, IBAN o condizioni di pagamento.

Come ripeterlo sulle sue fatture

  1. Scelga da 30 a 50 fatture reali, comprese le peggiori scansioni che riceve. Annoti a mano i valori veri.
  2. Usi un solo prompt e uno schema di output fisso con un elenco di campi incerti, a temperatura 0.
  3. Esegua due o tre modelli e registri il costo fatturato per chiamata, non il prezzo di listino.
  4. Valuti fatture intere, non campi singoli: una cifra sbagliata in una partita IVA è una fattura sbagliata.
  5. Aggiunga la regola della cifra di controllo e quella della sua partita IVA, e misuri cosa individuano.
  6. Legga prima il livello di dati dove il gestionale dei suoi fornitori ne offre uno.

Gli script, le fatture generate e tutti i risultati sono in un unico archivio: il generatore, l’esecutore, il valutatore e un CSV con tutte le 240 estrazioni. Se vuole tutto questo integrato nel suo processo delle fatture passive, rientra nell’automazione dei flussi di lavoro.

Se vuole aggiungere un’estrazione di questo tipo a un processo che gestisce già, me ne occupo con Integrazione IA nei Prodotti Esistenti.

Vedi anche: Software di gestione documentale per PMI: 5 con i prezzi.

Il mio caso simile

Ho costruito un servizio che trasforma un certificato immobiliare che richiedeva 2–3 settimane e costava EUR 200–300 in uno che richiede 2–3 minuti e costa EUR 99, con script e AI di visione. La costruzione è nel caso dell’automazione dei documenti immobiliari.

Estrae i dati delle fatture a mano o con uno strumento di cui non si fida? Mi scriva e troveremo l’opzione migliore per lei.

Digita ancora a mano i dati delle fatture?

Mi dica cosa ha adesso e cosa le serve. Le risponderò con l'opzione che sceglierei io.

Mi scriva

© 2026 Denys Zaichenko. Articolo originale: https://madsalt.tech/it/blog/invoice-data-extraction-with-ai/