Perché è così bravo a modificare i documenti?

01

L'LLM vede solo il testo, non la formattazione

Apri un contratto in Word e vedi una pagina: un'intestazione nello stile aziendale, un importo in grassetto, una scadenza sottolineata. Il programma Word crea queste formattazioni, così possiamo modificare visivamente. Sotto un file Word (.docx) c'è un sistema complesso di XML, in cui ogni parola che vediamo è annotata con grande fatica da parole nascoste note come markup.12

Un LLM non è aiutato da Microsoft Word, LibreOffice o Pages e deve fare affidamento sulla propria comprensione dei marcatori. Per modificare correttamente, un LLM deve comprendere l'effetto del marcatore originale e scrivere la nuova frase nel marcatore corretto.

02

L'output dell'LLM è intrinsecamente instabile

I modelli saranno anche migliorati notevolmente, ma persino gli ultimi continuano a commettere errori. In uno studio del 2026 di Microsoft Research su 19 modelli in 52 domini professionali, i modelli di punta come Gemini 3.1 Pro, Claude 4.6 Opus e GPT 5.4 hanno corrotto in media il 25% del contenuto dei documenti al termine di lunghi flussi di lavoro di modifica.4

In un file Word, un piccolo errore è sufficiente per rendere un file inutilizzabile. Qui il modello ha tralasciato un singolo slash:

XML non tollera i markup errati. Un file è ben formato oppure non lo è. Word a volte può recuperare un file danneggiato, ma la copia recuperata potrebbe presentare parti di testo o formattazione mancanti.

Output più lungo, più errori

Il rischio cresce con la lunghezza. LongProc, un benchmark del 2025 per l'output strutturato lungo, ha riscontrato che i modelli con pesi aperti vacillano a 2.000 token di output e GPT-4o si degrada significativamente a 8.000.5 Un altro studio ha rilevato che le prestazioni calano dal 13,9% all'85% man mano che l'input cresce, anche quando il modello è in grado di recuperare ogni singolo fatto rilevante.6 Un documento Word di 10 pagine equivale a circa 10.000 token; cercare di modificare tutte e 10 le pagine in una sola volta senza commettere errori è un'impresa impossibile.

03

Come risolve il problema

Scriviamo programmi personalizzati che separano la formattazione dal contenuto. Il modello riceve le parole da modificare, insieme a un'immagine renderizzata della pagina, in modo da ricevere assistenza da un programma Word. Il nostro codice inserisce quindi le parole modificate nei segmenti di testo originali e lascia intatto il resto del file.

Non troverai questo livello in un chatbot generalista. I programmi di estrazione, rendering e ricomposizione sono sviluppati e mantenuti dagli ingegneri di .

04

Risoluzione del problema del contesto lungo

Alcune modifiche sono lunghe: un paragrafo che si estende su più pagine, o una singola modifica applicata in modo coerente a centinaia di esse. Per queste abbiamo tratto insegnamento dall'ingegneria del software. Nel marzo 2026, Anthropic ha pubblicato accidentalmente il codice sorgente di Claude Code, il suo agente di programmazione IA, all'interno di un pacchetto npm pubblico.7

Quell'editor di codice trapelato insegna una lezione semplice: per modificare qualcosa di lungo, suddividilo. Dividiamo un documento in gruppi di pagine, una tecnica chiamata batching, e spezziamo i paragrafi lunghi in frasi, in modo che ogni modifica sia abbastanza piccola da risultare corretta.

Suddividere un documento crea un nuovo problema: il contesto. Come si modifica un paragrafo a pagina 60 usando una definizione a pagina 2? Qui, due anni di esperienza con gli editor di codice basati su IA (Cursor, GitHub Copilot, OpenAI Codex) danno i loro frutti. La loro risposta è l'ingegneria del contesto, che raccoglie informazioni correlate in una raccolta mirata e la fornisce a sotto-agenti con finestre di contesto pulite.8 Facciamo lo stesso con i documenti. Raggruppiamo le informazioni logicamente correlate, come farebbe un lettore attento, e poi le inviamo con l'obiettivo di modifica a sotto-editor che effettuano la modifica effettiva.

Esempio: oscuramento dei dati in una sentenza

Un avvocato vuole che ogni nome di testimone in una sentenza venga oscurato e che venga fornito un elenco dei casi citati affinché un praticante possa fare ricerche.

1. Cerca. individua ogni nome di persona e ogni citazione di caso tramite la normale corrispondenza di pattern. Non è ancora necessario alcun modello.
2. Classifica. Ogni nome, insieme alla frase che lo circonda, viene inviato a un modello che decide: testimone, avvocato o giudice. Le risposte costituiscono una raccolta di testimoni.
3. Raccogli. Lo stesso metodo costruisce una raccolta di casi citati.
4. Agisci. Poiché sappiamo esattamente dove è stato trovato il nome di ogni testimone, oscuriamo quei punti, e solo quelli, nel file originale.

05

chatgpt.com, claude.ai e altri siti web di chat possono fare lo stesso?

A volte, sì. Questi siti Web spesso includono un interprete Python, che consente al modello di aprire un file Word o PowerPoint e modificarne l'XML tramite codice.

Ma il codice è comunque scritto da un modello instabile e nulla verifica il risultato rispetto all'originale. Nei nostri test interni, abbiamo spesso ricevuto documenti con cancellazioni e modifiche inattese. In un caso estremo, un documento di 20 pagine è tornato come un documento di 10 pagine, senza alcun preavviso.

Un'omissione o modifica silenziosa è fatale per qualsiasi lavoro serio. Su , ogni modifica apportata dal nostro agente di intelligenza artificiale viene registrata. Puoi esaminarle una per una, annullarne una qualsiasi e generare un nuovo documento.

06

Gli agenti per l'uso del computer come OpenClaw o Manus possono farlo?

Questi agenti controllano un computer nello stesso modo in cui lo fa una persona. Aprono il documento in Microsoft Word o PowerPoint, quindi scorrono, fanno clic e digitano.11 Poiché usano gli stessi programmi di un essere umano, possono modificare come un essere umano e i risultati sono spesso impressionanti.

Il prezzo è in termini di costo e velocità. L'agente legge un documento acquisendo schermate mentre scorre, e ogni piccolo passaggio richiede la chiamata a un modello per decidere cosa fare dopo. Una schermata Full HD costa da sola tra i 1.500 e i 2.700 token circa.10 Nel benchmark OSWorld, persino i migliori agenti hanno eseguito da 2,7 a 4,3 volte più passaggi del necessario, e i passaggi successivi hanno richiesto fino a 3 volte più tempo rispetto a quelli iniziali.9

Secondo le nostre stime, un agente per l'uso del computer può consumare fino a 100 volte più token LLM rispetto a per le stesse modifiche, e impiegare molto più tempo a terminare.