👁‍🗨 Come interpreta i file un LLM?

Un modello linguistico di grandi dimensioni (LLM) non “vede” un file come noi. Non ha accesso diretto alla sua resa visiva, ma riceve come input una trasformazione testuale che dipende dalla capacità del sistema intermedio di estrarre e linearizzare il contenuto.

• In un file DOCX, titoli, elenchi e paragrafi sono codificati in XML.
• In un PDF, il layout può non corrispondere all’ordine logico di lettura.
• In un Markdown, la struttura è chiara e lineare (es. ## Titolo, - Elenco).
• In un TXT, manca completamente la struttura semantica.

Il risultato?

Due file visivamente identici possono portare a interpretazioni molto diverse da parte dell’AI.

Il “Sistema Intermedio”: La Chiave per la Comprensione dei File da Parte degli LLM

Un punto cruciale, spesso trascurato, nell’interazione tra modelli linguistici di grandi dimensioni (LLM) e i file che forniamo loro.

Molti immaginano che un LLM abbia una sorta di “vista” o “comprensione diretta” del file, come faremmo noi leggendo un documento Word o un PDF.

In realtà, non è l’LLM a leggere il file direttamente nel suo formato originale, bensì un “sistema intermedio” o una pipeline di pre-processing che funge da interprete.

Come Funziona il Processo

Immagina questo sistema intermedio come un traduttore specializzato. Quando carichi un file (che sia un DOCX, un PDF, un JSON o altro) su una piattaforma che utilizza un LLM (come ChatGPT, Claude o un’API di integrazione), avvengono diversi passaggi dietro le quinte prima che l’LLM possa “vedere” qualsiasi cosa:

1. Estrazione del Contenuto: Il primo passo è estrarre il testo grezzo dal file. Questo può sembrare semplice, ma è qui che le differenze tra i formati diventano evidenti.
   • Testo Semplice (.txt): È il più facile. Il sistema legge il file carattere per carattere.
   • Markdown (.md): Il sistema legge il testo e interpreta i marcatori (come # per i titoli, - per gli elenchi) per capire la struttura.
   • DOCX (.docx): Questi file sono in realtà archivi ZIP che contengono file XML. Il sistema deve decomprimere l’archivio, analizzare l’XML per trovare il testo e interpretare i tag che definiscono paragrafi, titoli, grassetti, corsivi, elenchi, tabelle, ecc. È un processo complesso che cerca di mantenere la gerarchia e la formattazione semantica.
   • PDF (.pdf): I PDF sono particolarmente complessi perché sono nati per la stampa, non per l’estrazione testuale. Possono contenere testo come immagini, tabelle con layout complessi, colonne multiple o testo disordinato a livello logico ma coerente a livello visivo. Il sistema intermedio deve fare un’enorme fatica per identificare i blocchi di testo, ricostruire l’ordine di lettura (spesso basandosi su coordinate spaziali) e distinguere il testo dalle immagini o da altri elementi grafici. Questo è il motivo per cui i PDF spesso causano problemi.
   • JSON (.json) / CSV (.csv): Questi formati sono nati per i dati strutturati. Il sistema intermedio li analizza riconoscendo chiavi, valori, separatori e array, trasformandoli in un formato testuale che l’LLM può elaborare, spesso mantenendo esplicita la relazione chiave-valore.
2. Linearizzazione del Contenuto: Una volta estratto il testo e, se possibile, la sua struttura, il sistema deve linearizzare tutto. Gli LLM non “vedono” una pagina, un layout o una gerarchia visiva. Ricevono il testo come una sequenza lineare di caratteri (un “flusso” di token).
   • Per un DOCX ben formattato, questo significa tradurre un titolo Word <h1> in un testo che l’LLM possa riconoscere come tale, magari aggiungendo ## Titolo o [TITOLO] Titolo.
   • Per un PDF, il sistema cerca di riordinare i frammenti di testo in una sequenza leggibile, ma se l’ordine visivo è diverso da quello logico sottostante, il risultato sarà confuso.
   • Per un Markdown, la linearizzazione è quasi diretta perché il formato è già lineare e semantico.
3. Tokenizzazione: Infine, il testo linearizzato viene suddiviso in “token” (parole, parti di parole o punteggiatura) e convertito in rappresentazioni numeriche (embedding) che sono l’unico input che l’LLM può effettivamente elaborare.

Perché è un Punto Tecnico Importante e Spesso Sottovalutato

1. La “Forma” Influenza la “Sostanza”: Se il sistema intermedio fallisce nel ricostruire la struttura logica o l’ordine corretto di un documento, l’LLM riceverà un input slegato e incoerente. Per l’LLM, un testo in cui i punti di un elenco sono separati da frasi di paragrafi diversi è solo una sequenza casuale di parole, non un elenco. Questo si traduce in output di bassa qualità, risposte imprecise o “allucinazioni” perché l’LLM non ha abbastanza contesto strutturale.
2. Responsabilità del Risultato: Molti utenti tendono a incolpare l’LLM quando ottengono risposte scadenti da un file caricato. In realtà, la colpa potrebbe essere del processo di pre-processing del file. Se il sistema intermedio non riesce a fornire un input pulito e strutturato all’LLM, quest’ultimo, per quanto potente, non potrà fare miracoli.
3. Ottimizzazione dell’Input: Comprendere questo meccanismo ci permette di ottimizzare il modo in cui prepariamo i nostri dati. Invece di sperare che l’AI “capisca”, possiamo scegliere formati (come Markdown o JSON) che esplicitano la struttura e la semantica, rendendo il lavoro del sistema intermedio molto più facile e garantendo un input di alta qualità per l’LLM. Se dobbiamo usare PDF o DOCX, la qualità della loro formattazione interna diventa fondamentale.
4. Sviluppo di Strumenti Migliori: La consapevolezza di questo “gap” spinge gli sviluppatori a creare sistemi intermedi sempre più sofisticati per l’estrazione e la linearizzazione del testo, in particolare per i formati più complessi come i PDF, utilizzando tecniche avanzate di visione artificiale e machine learning per interpretare il layout.

In sintesi, il “sistema intermedio” è il ponte tra i nostri file e la capacità di comprensione degli LLM. È lui che determina quanto bene il contenuto e la sua struttura vengono “tradotti” in un linguaggio che l’AI possa elaborare efficacemente. Ignorare questo passaggio significa ignorare una delle variabili più importanti per la qualità dell’output di un LLM.

🔬 Caso di studio: un contenuto, cinque formati

Prendiamo un esempio semplice: una mini guida aziendale con titolo, sottotitolo, tre paragrafi e un elenco puntato.

La testeremo in 5 formati diversi.

Testo di partenza:

Titolo: Guida all’onboarding dei nuovi dipendenti
Sottotitolo: I primi giorni sono fondamentali per l’integrazione

Paragrafo 1: La fase iniziale dell’onboarding è decisiva per stabilire il coinvolgimento del nuovo assunto.
Paragrafo 2: Un piano strutturato riduce i tempi di adattamento e migliora la retention.
Paragrafo 3: L’accoglienza va oltre l’HR: coinvolge team, strumenti, comunicazione interna.

Punti chiave:
- Creare un welcome kit
- Pianificare un primo giorno efficace
- Affiancare un mentor

📁 Esempi comparativi

📄 File .md (Markdown)

Output AI:

• ✅ Riconosciuto titolo e sottotitolo
• ✅ Sintesi coerente dei paragrafi
• ✅ Elenco puntato interpretato correttamente
• ✅ Generazione di un piano strutturato

“La guida evidenzia l’importanza dell’onboarding strutturato. Nei primi giorni, è essenziale pianificare un’accoglienza che includa materiali iniziali, affiancamento da parte di un mentor e coinvolgimento del team.”

📄 File .docx (Word)

Output AI:

• ✅ Paragrafi letti correttamente
• ❌ L’elenco puntato viene unito in un blocco continuo
• ❌ Il sottotitolo non viene separato dal testo

“L’onboarding richiede una fase iniziale ben pianificata per agevolare l’integrazione. Un mentor può supportare questo processo. Tra le pratiche suggerite: creare un welcome kit e pianificare bene il primo giorno.”

📄 File .pdf

Output AI:

• ❌ Ordine del contenuto a volte confuso
• ❌ Elenco non sempre riconosciuto
• ⚠️ Possibili errori in layout complessi

“L’importanza dell’onboarding è evidenziata, ma mancano informazioni strutturate sul piano.”

📄 File .json

Output AI:

• ✅ Lettura perfetta di ogni campo
• ✅ Risposte dettagliate per ciascuna sezione
• ✅ Adatto per generare tabelle, API e piani d’azione

“Ecco un piano dettagliato di onboarding che include: materiali iniziali, affiancamento, comunicazione e feedback strutturato nei primi 30 giorni.”

📄 File .txt

Output AI:

• ❌ Nessuna distinzione semantica tra parti del testo
• ❌ Elenco trattato come frasi isolate
• ❌ Sintesi poco coerente

“Il testo suggerisce un approccio all’onboarding che include elementi come un welcome kit e l’integrazione dei team, ma la struttura è poco chiara.”

Conclusione

La qualità dell’output generato da un modello di AI non dipende solo dai contenuti, ma anche da come questi contenuti sono confezionati.

🔧 Best practice operative

• ✅ Per documenti con struttura logica, usa Markdown o DOCX ben formattati.
• ✅ Per dati e knowledge base, prediligi JSON o CSV.
• ❌ Evita PDF e TXT se il contenuto include elenchi, paragrafi o sezioni strutturate.
• 📌 Verifica sempre il parsing prima di inviare il file a un sistema AI critico.

🔗 Prossimi sviluppi

Se ti interessa esplorare come i diversi formati influenzano la qualità dell’elaborazione automatica, ti consiglio anche la guida pratica:

👉Come i Modelli di Linguaggio Elaborano i File: Guida Pratica con Utility Python

In questo articolo trovi esempi di codice, parsing automatizzato e confronto tra output di file PDF, DOCX, TXT e Markdown, proprio in ottica AI. Un complemento tecnico utile per chi vuole passare dalla teoria alla pratica.