LandingAI lancia ADE Gen2 con DPT‑3 Pro e DPT‑3 Verity: grounding atomico e nuovo modello di pricing

Cosa è accaduto

LandingAI ha reso disponibile Agentic Document Extraction (ADE) Gen2, una ricostruzione della sua piattaforma di intelligenza documentale attorno alla nuova famiglia di modelli DPT‑3. La versione introduce due modelli di parsing distinti (DPT‑3 Pro e DPT‑3 Verity), una risposta strutturata come albero di documenti e — soprattutto — un nuovo schema di billing che somma una componente per pagina a una componente proporzionale ai caratteri restituiti.

Perché è importante

Il rilascio mette a fuoco tre obiettivi dichiarati: ridurre i costi, fornire output pronti per agenti e strumenti automatici e garantire un grounding atomico delle estrazioni. Il cambiamento di paradigma dalla rappresentazione «a chunk» a una struttura a document → pagine → blocchi permette di tracciare con precisione l'origine di ogni elemento estratto. Inoltre, la granularità di grounding (linee con Pro, parole con Verity) e la presenza di confidence per parola introducono segnali utili per automazioni, workflow di revisione e redaction puntuale di dati sensibili.

Possibili impatti

Il nuovo modello di pricing può avere effetti concreti sui costi operativi: la fatturazione combina un costo per pagina e un costo per 1.000 caratteri di output. Per esempio, su tier priority DPT‑3 Pro addebita 1 credito per pagina più 0,5 crediti per 1.000 caratteri di output; DPT‑3 Verity addebita 0,3 crediti per pagina più 0,2 per 1.000 caratteri. Il risultato è che pagine molto dense possono costare più di prima, mentre workload misti e pagine testuali leggere possono beneficiare di risparmi significativi, secondo le proiezioni del fornitore.

Dal punto di vista tecnico, la distinzione tra DPT‑3 Pro e DPT‑3 Verity consente di bilanciare accuratezza e costo: Verity mira a documenti digitali ad alto volume con grounding parola‑per‑parola e confidence, mentre Pro è pensato per layout complessi, pagine scannerizzate, handwriting e script non latini, restituendo grounding a livello di linea. La risposta Parse v2 standardizza l'output in tre campi principali (markdown in reading order, metadata e structure) e assegna a ogni blocco un ID semantico e coordinate normalizzate, facilitando l'integrazione con U.I. di revisione, sistemi di redaction per coordinate e funzionalità di diff tra versioni di documenti.

La compatibilità applicativa è un'altra conseguenza: il Gen2 è una breaking change rispetto a Gen1, perciò i client costruiti su Gen1 devono migrare. In compenso, LandingAI prevede molteplici opzioni di deployment (US/EU cloud, VPC su AWS/Azure/Google Cloud, Snowflake, on‑premises e ambienti air‑gapped), riducendo le barriere all'adozione per team regolati o con vincoli di data residency.

La prospettiva della Pubblica Amministrazione

Il testo della fonte non cita direttamente amministrazioni pubbliche, ma alcune caratteristiche sono rilevanti per enti pubblici: il grounding atomico e la possibilità di redaction basata su coordinate rendono più robusti i processi di anonimizzazione e controllo dei dati personali; le opzioni di deployment on‑premises o in ambienti air‑gapped rispondono a esigenze di compliance e sicurezza. Tuttavia, l'impatto reale dipenderà da valutazioni di mix documentale, requisiti normativi e benchmarking interno prima della migrazione.

Una possibile lettura

Da un punto di vista strategico, ADE Gen2 sembra pensato per rendere l'estrazione documentale più operativa per pipeline agentiche e per team che costruiscono automazioni end‑to‑end: output strutturati e citazioni atomiche facilitano l'uso automatico dei dati estratti, mentre il doppio modello permette di delegare i carichi meno complessi a un parser più economico. Il nuovo pricing introduce però una variabile chiave — i caratteri di output — che può spostare i costi in modo non lineare rispetto ai precedenti schemi per pagina. Per chi valuta l'adozione, i passaggi pratici saranno due: (1) misurare la densità media delle pagine e la quantità di testo effettivamente restituito per documento, e (2) testare la qualità del grounding nelle proprie casistiche (tabelle complesse, handwriting, lingue non latine) per stabilire se utilizzare Pro, Verity o una combinazione automatizzata prevista per il futuro.

Fonte: MarkTechPost