Officina eBook: quando la biblioteca ha solo fotografie, non testo

“Pro captu lectoris habent sua fata libelli.”
(“I libri hanno il loro destino, a seconda di chi li legge.”)
Terenziano Mauro

C'è una differenza sottile e decisiva tra vedere una pagina e leggerla, ed è la stessa differenza che la semiotica di Peirce traccia tra un'icona e un simbolo: l'icona assomiglia alla cosa che rappresenta, il simbolo la sostituisce con una convenzione manipolabile. Una fotografia di una pagina stampata, per quanto nitida, resta un'icona. La si può guardare, ingrandire, ristampare ma non la si può cercare, non la si può citare, non la si può interrogare. Il testo, per un sistema che pensa con noi come Labyrinthum, esiste solo quando smette di essere immagine e torna a essere simbolo: sequenza di caratteri indicizzabile, frammento vettorializzabile, citazione verificabile. È esattamente il problema da cui nasce l'Officina eBook, l'ultima funzione entrata nell'ecosistema di Labyrinthum.

Chi lavora con archivi lo conosce bene, questo problema. Capita di avere in mano la scansione di un volume — fuori catalogo da decenni, una tesi mai pubblicata, un numero di periodico che nessuno ha mai ristampato — e scoprire che per un computer quella scansione non è un libro: è un album fotografico. Nel nostro campione di riferimento, 4 file per 127 pagine e 78,7 MB, i caratteri di testo incorporati erano esattamente zero. Solo JPEG, uno per pagina, a 270-400 DPI. Per la ricerca full-text non c'è nulla da trovare, per un motore semantico non c'è nulla da vettorializzare, per una chat RAG non c'è nulla da citare. Il volume, perfettamente leggibile da un occhio umano, è materia morta nell'archivio. L'obiettivo dell'Officina non è produrre un PDF più ordinato: una scansione è già leggibile da chi ha occhi. L'obiettivo è ottenere testo: ricercabile, indicizzabile, citabile. Da qui discende tutto il resto, riconoscimento incluso.

La differenza rispetto a un OCR tradizionale sta qui: non chiediamo al modello di trascrivere righe, gli chiediamo di riconoscere la struttura di ogni pagina — corpo, note, titolo, continuità con la pagina precedente — in un formato tipizzato, non in prosa libera. Perché la pagina, va detto con chiarezza, è un accidente della rilegatura: spezza le frasi, le parole, le note, in punti che nel testo originale non esistevano. Ricostruire il libro significa disfare quella divisione. Un capoverso interrotto dal cambio pagina va saldato al successivo, non riaperto. Una parola spezzata dal trattino a fine pagina va ricucita, senza lasciare né il trattino né lo spazio di troppo. Una nota che continua nella pagina dopo va riconosciuta come la stessa nota, non come due.

C'è un dettaglio che raccontiamo volentieri perché mostra bene il tipo di problema: la riga che si ripete in cima a ogni pagina di un capitolo — "CAPITOLO PRIMO" — somiglia moltissimo a un titolo, e il riconoscimento tende a scambiarla per tale. Sul nostro campione di 127 pagine ne aveva marcate 32, che avrebbero prodotto altrettanti capitoli fantasma. Non basta scriverlo nel prompt: serve un criterio che conti le occorrenze su tutte le pagine prima di decidere cosa è davvero un titolo. È il tipo di lavoro invisibile che non finisce mai in uno screenshot di prodotto, ma è la differenza tra un file di testo e un libro.

Nulla, comunque, viene consegnato senza controllo: la revisione affianca l'immagine originale al testo riconosciuto, pagina per pagina. E quando il sistema si imbatte in una citazione letterale particolarmente protetta e preferisce restituire una pagina vuota piuttosto che riprodurla senza cautela, non lo consideriamo un difetto da nascondere: è una prudenza coerente con il modo in cui pensiamo l'intelligenza artificiale in VerdeLab, la stessa che ci ha portato a costruire l'Explanation Panel di Labyrinthum invece di una scatola nera. Il prodotto finale esce in ePub, PDF, Markdown o testo semplice e da quel momento rientra in Labyrinthum come qualunque altra fonte: indicizzato, ricercabile, citabile dal motore semantico.

Due situazioni, in particolare, ci sembrano quelle in cui l'Officina cambia davvero le cose. La prima è quella di piccoli archivi, biblioteche e fondazioni culturali. Un progetto di digitalizzazione, nella maggior parte dei casi, si ferma all'immagine: lo scanner produce fotografie fedeli, l'istituzione le conserva con cura e lì il percorso si interrompe: la parte più preziosa, quella che rende un fondo davvero consultabile, resta il passo successivo che nessuno ha mai avuto tempo o strumenti per compiere. L'Officina è pensata proprio per quel passo mancante. E per chi gestisce materiale d'archivio la sovranità del dato non è un dettaglio tecnico: Labyrinthum è on-premise, nessun contenuto marcato come riservato lascia il server dell'istituzione e questo per un fondo culturale può pesare quanto la qualità del riconoscimento stesso. La seconda è quella delle aziende con documentazione tecnica fuori produzione: manuali di macchinari dismessi, norme interne mai digitalizzate, documentazione tecnica che esiste solo come fotocopia scansionata trent'anni fa. Conoscenza operativa reale, intrappolata in un formato che nessun motore di ricerca aziendale può leggere. Una volta trasformata in testo, entra nella stessa chat RAG con cui Labyrinthum interroga il resto dell'archivio e una domanda che oggi richiede di sfogliare un faldone diventa una risposta in pochi secondi.

Va detto con la stessa chiarezza con cui documentiamo ogni limite di Labyrinthum: in questa release l'Officina restituisce testo, non l'intero apparato visivo del libro. Le figure interne — schemi, illustrazioni, tabelle — restano fuori, e per un manuale tecnico questo può pesare quanto il testo stesso. È una scelta deliberata più che una lacuna. Abbiamo preferito separare due strumenti invece di consegnarne uno solo che facesse male entrambe le cose. Il primo, di cui parliamo oggi, affronta il caso più comune e più urgente: il testo continuo, la prosa, il saggio, la tesi, il periodico. Il secondo — testo, immagini, grafici e tabelle nello stesso flusso di ricostruzione — è già in lavorazione e arriverà quando reggerà lo stesso livello di rigore che abbiamo preteso dal primo affiancandosi nell'ecosistema del nostro prodotto di punta che è Clavis.

Labyrinthum è un prodotto finito, con un'architettura e un perimetro dichiarati e non lo pieghiamo a ogni richiesta specifica di ogni singolo cliente: è giusto così, è ciò che tiene un prodotto coerente nel tempo. Ma VerdeLab non è solo Labyrinthum: sviluppiamo anche software su misura. Un archivio o un'azienda con esigenze che eccedono quel perimetro, un formato di esportazione particolare, una pipeline di estrazione tabellare dedicata a un fondo specifico, un'integrazione con un sistema documentale già esistente rappresenta l'evoluzione naturale di questo strumento. Non è necessariamente aspettare la prossima release ma discuterne con noi nei termini di un progetto dedicato.

Terenziano Mauro scriveva che i libri hanno il loro destino, secondo chi li legge. Una scansione senza testo non ha ancora un lettore possibile: ha solo un'immagine in attesa. L'Officina eBook esiste per restituire ai libri quel destino: non li conserva meglio, li rende di nuovo leggibili da chi, o da cosa, sa leggere solo simboli.