Far leggere un PDF all'intelligenza artificiale: le regole che LlamaIndex ha messo per iscritto
Far leggere un PDF all'intelligenza artificiale significa trasformare le istruzioni di disegno della pagina in testo strutturato che un modello può usare senza equivoci. Il passaggio è meno banale di quanto sembri, e il 28 ottobre 2026 LlamaIndex ha pubblicato il Document Parsing Protocol: la bozza 0.1 di un insieme di 140 regole scritte che dicono, caso per caso, qual è il risultato giusto quando una pagina lo rende ambiguo. Il testo è nel post di presentazione e nel repository run-llama/document_parsing_protocol.
Che cos'è il Document Parsing Protocol
Il Document Parsing Protocol è un manuale di decisioni sul parsing dei documenti, cioè sul modo in cui una pagina diventa testo. LlamaIndex lo descrive come "an answer key for document parsing, with the reasoning behind each hard call": una chiave di correzione con il ragionamento dietro ogni scelta difficile. Le regole coprono testo, tabelle, moduli, grafici e diagrammi, e ciascuna arriva con pagine di esempio e risultato atteso.
Secondo il post, le regole nascono dalle linee guida che gli annotatori usavano per etichettare le pagine di ParseBench, il benchmark di LlamaIndex sul parsing. Gli autori indicati sono Gauthami Polasani e Pierre-Loic Doulcet. L'obiettivo dichiarato è che chi costruisce benchmark, chi etichetta dati e chi controlla i risultati lavorino con lo stesso metro scritto, discutendolo in pubblico.
Quali scelte prescrive per moduli, tabelle e grafici
Il protocollo prescrive un risultato preciso per i casi in cui un parser improvvisato sbaglia in silenzio. La tabella riassume quelli che la pagina di presentazione cita esplicitamente.
| Caso nella pagina | Risultato prescritto |
|---|---|
| Campo di un modulo vuoto | [blank], per distinguerlo da un campo che il parser ha perso |
| Casella spuntata o non spuntata | [x] e [ ] |
| Testo visibile ma non leggibile | [illegible] |
| Testo nel PDF che non compare sulla pagina | Omesso |
| Grafico | Tabella con una riga per categoria e una colonna per serie, valori stampati copiati esattamente |
| Diagramma | Codice di diagramma, per esempio Mermaid, se contiene ogni etichetta e freccia; altrimenti una descrizione che conserva tutte le etichette |
| Tabella con intestazioni su più colonne | HTML, perché il Markdown non le rappresenta |
Il protocollo accetta anche <thead> e <tbody> attorno alle righe, a patto che un documento usi una forma sola dall'inizio alla fine.
Perché un agente senza regole sbaglia in silenzio
Un agente che legge un PDF senza regole non segnala l'errore, lo trasforma in un dato plausibile. Un campo lasciato vuoto e un campo perso dal parser producono lo stesso risultato, una riga mancante, e a valle nessuno può distinguerli. È questo il valore dei segnaposto come [blank]: rendono l'assenza un'informazione.
Questo conta per chi costruisce prodotti, perché l'errore si scarica sul passaggio dopo. Se il modello deve decidere se un cliente ha dato il consenso e la casella spuntata è sparita dal testo, risponderà con sicurezza su un dato che non ha mai visto. Per i casi in cui il documento è una scansione, l'articolo su come estrarre dati dai PDF aziendali spiega perché OCR ed estrazione sono due passaggi diversi.
Come provare queste regole su un documento vostro
La prova costa dieci minuti e dà una risposta più onesta di qualunque benchmark altrui. Prendete un modulo reale con almeno un campo vuoto, una casella spuntata e una tabella con intestazione su due righe, e passatelo al vostro parser attuale.
- Chiedete l'output in Markdown e cercate nel testo il campo vuoto: esiste una riga che lo segnala, o è sparito?
- Controllate la casella spuntata: compare come
[x]o come un carattere strano? - Confrontate la tabella a più righe con l'originale, colonna per colonna.
- Ripetete passando all'agente il protocollo come istruzione: per Claude il sito offre una skill da scaricare, per ChatGPT un file di riferimento da aggiungere alla chat.
Dove il risultato cambia, avete trovato un errore che oggi non vedete. Dove non cambia, avete la prova che il vostro parser è già a posto su quel caso. Per l'altro modo di far leggere documenti a un agente, cioè trasformarli in istruzioni invece che in testo da interpretare, ho scritto di trasformare un documento in una skill per Claude Code.
Cosa penso del protocollo e cosa manca
Il protocollo vale perché mette per iscritto una cosa che ogni team scopre a proprie spese: non esiste un unico modo giusto di leggere una pagina, esistono scelte da dichiarare. È lo stesso filone del mio video su come estrarre il testo da un PDF e farlo leggere davvero all'AI con AnyDoc: la parte che conta non è lo strumento, è sapere cosa farà quando il documento non è pulito.
Restano due limiti. La bozza è la 0.1, quindi le regole cambieranno, e il post non dichiara risultati misurati su altri parser: dice cosa è giusto, non quanti strumenti lo rispettano. Per i documenti molto lunghi serve un altro ragionamento, che ho trattato nell'articolo sul modello aperto di Baidu per l'OCR di documenti lunghi. Chi vuole portare questo tipo di lettura dentro un flusso aziendale può partire da AI sui dati aziendali o dagli agenti AI per l'azienda.
Quanto serve per adottarlo
Per adottarlo non serve installare niente: il protocollo è un insieme di file Markdown, uno per regola, dentro la cartella protocol/ del repository. Il codice del sito è sotto licenza MIT e le regole sotto CC BY 4.0, con attribuzione. Per contribuire basta aprire una issue o una pull request, e LlamaIndex chiede in particolare i casi in cui due regole portano a risposte diverse.
Il consiglio pratico è partire da cinque regole, non da centoquaranta: scegliete quelle sui moduli e sulle tabelle, che sono dove i documenti aziendali sbagliano di più, e usatele come criterio di accettazione per il vostro parser.
Domande frequenti
Il Document Parsing Protocol si può usare gratis in un prodotto commerciale?
Il README del repository indica il codice con licenza MIT e il testo del protocollo con esempi con licenza CC BY 4.0, che chiede di citare "Document Parsing Protocol, LlamaIndex". Alcuni materiali hanno uno stato a parte, come gli estratti di bilanci di terzi, e il nome LlamaIndex resta un marchio non coperto da nessuna delle due licenze. Prima di incorporarlo in un prodotto va letto il file NOTICE.
Come dico a Claude o a ChatGPT di seguire queste regole?
Il sito del protocollo propone due strade. Per Claude c'è una skill da scaricare, che richiede l'esecuzione di codice attiva. Per ChatGPT si aggiunge un file di riferimento alla conversazione. In entrambi i casi la bozza è la 0.1, quindi conviene provarla su pochi documenti prima di affidarle un flusso intero.
Cosa devo fare se una regola del protocollo sbaglia su un mio documento?
LlamaIndex chiede di aprire una issue o una pull request sul repository run-llama/document_parsing_protocol, allegando la pagina e il risultato che ci si aspettava. La pagina di presentazione dice che il caso più utile è quello in cui due regole portano a risposte diverse sullo stesso documento.
Come si fa a far leggere a un'AI una tabella con le intestazioni su più righe?
Il Markdown non sa rappresentare le celle unite, quindi qualunque conversione in Markdown semplice appiattisce quelle intestazioni e sposta i numeri sotto la colonna sbagliata. Il protocollo prescrive HTML per le tabelle con intestazioni su più colonne. Se usate un altro parser, verificate sempre il risultato su una tabella vera dei vostri documenti.