I Migliori Strumenti OCR per la Scrittura a Mano del 2026 - Testati su Moduli Manoscritti Reali

Benchmark OCR per la Scrittura a Mano di Parseur 2026. Testato a ottobre 2026. Sei strumenti, sette documenti scansionati, 209 campi.

Nel Benchmark sull'OCR per la scrittura a mano di Parseur 2026, che ha confrontato sei strumenti di estrazione documenti su moduli petroliferi e del gas scansionati e in parte manoscritti della Texas Railroad Commission (RRC), Parseur ha estratto correttamente tutti i 209 campi. ChatGPT ne ha estratti 188, Gemini 180 ed Extend 175. Nanonets (151) e Docparser (136) sono rimasti indietro di 58 e 73 campi. Abbiamo controllato ogni risultato campo per campo rispetto alle scansioni originali.

Dichiarazione: Parseur è il nostro prodotto. Per mantenere il test imparziale, abbiamo valutato ogni strumento con lo stesso modello di risposta e le stesse regole, e pubblichiamo gli errori di ogni strumento, inclusi quelli di Parseur.

Punti Chiave

• Parseur è stato l'unico strumento con zero errori in un test di ottobre 2026 su sei strumenti di riconoscimento ottico dei caratteri (OCR) per la scrittura a mano e di estrazione di documenti su sette moduli RRC scansionati.
• Nomi ed e-mail manoscritti hanno separato maggiormente gli strumenti. Sui due moduli più pesantemente manoscritti (44 campi), Parseur ha commesso 0 errori ed Extend 1, mentre ChatGPT ne ha commessi 12, Gemini 16, Docparser 17 e Nanonets 24.
• Le note dei revisori si sono trasformate in firme false. Tre strumenti su sei hanno registrato la data di approvazione "O/K to process" (OK per l'elaborazione) di un revisore RRC come data della firma dell'operatore precedente.
• Leggere il testo non è la stessa cosa che estrarre i dati. Nanonets e Docparser spesso hanno letto correttamente un valore ma lo hanno inserito nel campo sbagliato, oppure hanno restituito le etichette stampate dei moduli come dati.
• Un solo PDF, più moduli. Extend, per impostazione predefinita, ha restituito un record per PDF e ha mantenuto solo il primo di tre contratti di locazione in un file multi-modulo.
• I chatbot di intelligenza artificiale generale hanno fatto meglio del previsto sul testo digitato, ma hanno letto male le maiuscole scritte a mano. ChatGPT ha trasformato "John Posey" in "John Poso" e "Gulfmark" in "Galfmark".

OCR per la scrittura a mano, in numeri

Cos'è l'OCR per la scrittura a mano e perché è difficile?

L'OCR per la scrittura a mano è un software che trasforma il testo manoscritto presente in una scansione o in una foto in testo leggibile dalle macchine. Vengono usati tre termini per definirlo:

• OCR (riconoscimento ottico dei caratteri) legge i caratteri stampati. I classici motori OCR gestiscono bene il testo digitato, ma faticano con la scrittura a mano.
• ICR (riconoscimento intelligente dei caratteri) legge i caratteri in stampatello scritti a mano, solitamente una lettera per casella all'interno di moduli strutturati.
• HTR (riconoscimento del testo manoscritto) legge la scrittura a mano connessa e fluida, come gli appunti in corsivo e i manoscritti storici.

I documenti aziendali sono più complessi di quanto suggerisca una qualsiasi di queste etichette. Un modulo reale mescola testo digitato, maiuscole in stampatello scritte a mano, firme in corsivo, timbri e note scritte sopra il testo. Le scansioni sono spesso fax o fotocopie di fotocopie, che arrivano tramite e-mail, upload o API.

Leggere i caratteri è solo il primo passo. Un team operativo ha bisogno che ogni valore manoscritto venga estratto nel campo giusto e convalidato in un formato che il proprio foglio di calcolo, sistema ERP (Enterprise Resource Planning) o database possa importare. Questo è ciò che abbiamo testato: non solo "lo strumento riesce a leggerlo?", ma piuttosto "il valore giusto finisce nel campo corretto?".

Quale strumento OCR per la scrittura a mano è stato il più accurato?

Parseur è stato lo strumento più accurato nel nostro test sull'OCR per la scrittura a mano di ottobre 2026, con 209 campi corretti su 209. Hanno seguito ChatGPT (90,0%) e Gemini (86,1%).

Fonte: Benchmark OCR per la Scrittura a Mano di Parseur 2026, testato a ottobre 2026.

La posizione in classifica di Extend deriva principalmente da un singolo documento. Nella sua configurazione predefinita, ha restituito un record per PDF e ha saltato due dei tre contratti di locazione in un file multi-modulo, il che spiega 28 dei suoi 34 errori. Sui moduli che ha estratto, Extend ha commesso 6 errori e ha letto la scrittura a mano quasi altrettanto bene di Parseur.

Come si è comportato ogni strumento su ciascun documento?

Nel nostro test, Parseur è stato l'unico strumento in grado di estrarre tutti i campi su ogni modulo e solo Parseur ed Extend hanno interpretato quasi del tutto correttamente il modulo 449_155, che è pesantemente manoscritto.

I sette documenti sono reali dichiarazioni pubbliche sul petrolio e sul gas della Texas Railroad Commission, prelevate da ExtractBench, il benchmark pubblico di LlamaIndex per l'estrazione di documenti. Sei sono moduli P-4, che registrano un cambio di operatore di locazione, e un file aggiunge un modulo P-6, che richiede la suddivisione di una locazione. La sezione dei documenti di test qui sotto descrive ciascuno di essi nel dettaglio.

Fonte: Benchmark OCR per la Scrittura a Mano di Parseur 2026, testato a ottobre 2026. Scorri lateralmente sui piccoli schermi.

Gli strumenti non hanno mostrato differenze significative sui moduli digitati. Sui contratti di locazione 457_159 digitati, quattro strumenti hanno ottenuto un punteggio di 64 o più su 66. I divari si sono aperti sulle maiuscole scritte a mano, sulle e-mail in corsivo e sui moduli con note scritte sopra al testo.

Cosa va storto durante l'estrazione di dati da moduli manoscritti?

Nel nostro test, gli errori sui moduli manoscritti hanno seguito cinque schemi: scrittura a mano letta male, note del revisore prese come dati, testo corretto inserito nel campo sbagliato, moduli saltati nei PDF multi-modulo e tabelle manoscritte non strutturate correttamente. Ciascuno di questi errori ha inviato dati errati a un sistema aziendale senza che nessuno se ne accorgesse.

1. Quali strumenti hanno letto male nomi ed e-mail manoscritti?

ChatGPT, Gemini, Nanonets e Docparser hanno tutti letto male le maiuscole scritte a mano su 449_155 e 223_41. Parseur ed Extend hanno letto correttamente ogni esempio di seguito.

Un nome letto male è peggio di un campo vuoto. "John Poso" sembra un nome reale, quindi nessuno lo controllerebbe, ma il record non corrisponderebbe più all'operatore corretto in nessun altro sistema.

2. Quali strumenti hanno trasformato le note del revisore in firme?

Tre strumenti su sei hanno registrato la data di approvazione di un revisore RRC come data della firma dell'operatore precedente: ChatGPT, Extend e Nanonets. Parseur, Gemini e Docparser hanno lasciato il campo vuoto.

Su tre moduli, un revisore RRC ha scritto "O/K to process" (OK per l'elaborazione) con le proprie iniziali e una data attraverso la riga della firma dell'operatore precedente. Nessun operatore precedente aveva firmato questi moduli. Le righe relative a nome, titolo, data e telefono erano vuote e un modulo presentava l'annotazione "One Signature" (Una Firma).

• ChatGPT ha restituito "2010-04-28", la data del revisore, come data della firma sul modulo 443_152, e una data che non è affatto presente sul modulo 433_147. Sul 257_58, ha fuso la nota nel nome dell'operatore: "Schaaron International Energy Oil & Gas - OGC - TMO - 81911".
• Extend ha restituito la data del revisore sul 433_147 e 443_152 e sul 443_152 ha usato le iniziali del revisore come nome del firmatario.
• Nanonets ha restituito la data del revisore sul 433_147 e 257_58, e sul 257_58 ha riempito il firmatario precedente con il nome del firmatario attuale e il titolo con la nota stessa.

Gemini ha gestito la situazione senza alcuna istruzione speciale. Per un team operativo, questo errore crea il record di una firma che non è mai avvenuta.

3. Quali strumenti hanno inserito il testo corretto nel campo sbagliato?

Nanonets e Docparser spesso hanno letto correttamente un valore ma lo hanno restituito nel campo sbagliato, oppure hanno restituito il testo stampato del modulo come valore.

• Nanonets ha inserito il numero P-5 dell'operatore nel campo dell'ID della locazione su 433_147 e 449_155, un ID della locazione nel campo del distretto RRC su 257_58 e le etichette delle caselle di controllo stampate "Authorized agent of previous operator" e "Authorized Employee" come nome e titolo del firmatario precedente su 223_41.
• Docparser ha mescolato le istruzioni del modulo con i valori del nome dell'operatore precedente ("responsibility well(s) designated filing… ROCKER A OPERATING COMPANY"), ha aggiunto un prefisso internazionale +63 a ogni numero di telefono e ha letto la data di decorrenza 6-1-11 come 2011-01-06.
• ChatGPT ha aggiunto un numero del pozzo, "10A", al contratto di locazione Lela, che non elenca pozzi.

Questi sono gli errori più difficili da cogliere, perché ogni valore estratto sembra plausibile di per sé.

4. Quali strumenti hanno gestito più moduli in un singolo PDF?

Quattro strumenti su sei hanno estratto tutti e tre i contratti di locazione dal modulo 457_159, un singolo PDF contenente tre moduli P-4. Parseur, ChatGPT, Gemini e Nanonets hanno restituito un record per pagina.

• Extend, con l'opzione Multifile disattivata, ha restituito un singolo record per l'intero PDF e ha mantenuto solo il primo contratto di locazione, perdendo 28 campi.
• Docparser ha trovato i nomi dei contratti di locazione e gli ID del secondo e del terzo contratto di locazione, ma poco altro, perdendo 23 campi.

Dichiarazioni normative scansionate, bolle di consegna, polizze di carico e pacchetti di domande spesso arrivano come un singolo PDF contenente diversi moduli al suo interno. Uno strumento che restituisce un record unico per file scarta silenziosamente il resto dei dati.

5. Quali strumenti sono riusciti a estrarre una tabella manoscritta?

Solo ChatGPT ha riprodotto esattamente la tabella manoscritta dei contratti di locazione sul modulo P-6. Abbiamo valutato questa tabella separatamente dai 209 campi perché non tutte le configurazioni degli strumenti includevano campi di tipo tabella.

La risposta corretta è l'esito diviso in due contratti di locazione: 265 acri con i pozzi 1WSW, da 1 a 7 e 10, e 9 numeri API; e 60 acri con 3 numeri API.

Questo è il punto in cui Parseur ha perso colpi: ogni singolo valore era corretto, ma una divisione per contratto richiede la configurazione di un campo tabella dedicato. Un campo tabella nella configurazione restituirebbe una riga per ogni contratto di locazione risultante.

Risultati strumento per strumento

Parseur: 209/209. Parseur è una piattaforma di elaborazione intelligente dei documenti (IDP) per i team operativi che ricevono documenti da molti mittenti e necessitano dei dati direttamente nei propri sistemi. Legge il testo stampato e la scrittura a mano grazie al suo OCR integrato, estrae i campi che definisci in linguaggio naturale e invia i dati a Excel, Google Sheets, ERP e altri sistemi aziendali tramite integrazioni, webhook o la sua API. È operativo in produzione dal 2016, ha elaborato oltre 100 milioni di documenti, è ospitato nell'UE ed è conforme agli standard SOC 2 Tipo II.

In questo test ha letto correttamente ogni nome, e-mail e indirizzo manoscritto, ha ignorato le note del revisore e ha restituito un record per modulo nei PDF multi-modulo. Nella sua prima passata, Parseur ha commesso alcuni temporanei errori di estrazione su testi difficili da leggere. Abbiamo perfezionato la sua configurazione dei campi, rielaborato i documenti interessati più volte e mantenuto il risultato che veniva estratto in modo più coerente. Il suo unico punto debole è stata la tabella manoscritta dei contratti di locazione, restituita come un unico elenco piuttosto che suddivisa per contratto.

ChatGPT (GPT-6 Instant): 188/209. Quasi perfetto sui moduli digitati e l'unico a produrre una tabella manoscritta esatta. Ha letto male le maiuscole scritte a mano e le e-mail (8 errori su 449_155), ha registrato la data di un revisore come firma e ha aggiunto un numero di pozzo non presente sul modulo. L'output viene fornito in formato JSON all'interno di una chat, quindi il trasferimento dei dati verso un altro sistema richiede un'operazione manuale.

Gemini 3: 180/209. Pulito sui moduli digitati, è stato uno dei tre strumenti (insieme a Parseur e Docparser) a non scambiare mai la nota di un revisore per i dati di una firma. Ha commesso il maggior numero di errori legati alla scrittura a mano dopo Nanonets (16 su 449_155 e 223_41) e ha inventato un contratto di locazione extra nella tabella manoscritta.

Extend: 175/209. Il miglior strumento per l'OCR per la scrittura a mano dopo Parseur, con 1 errore sui due moduli più manoscritti, oltre a un punteggio di confidenza e una citazione della fonte per ogni campo. Nella sua configurazione predefinita, ha mantenuto solo il primo contratto di locazione di un PDF multi-modulo, ha interpretato le note del revisore come dati di firma su due moduli e ha restituito come vuota la data di decorrenza "2/2014" (formato con solo mese).

Nanonets: 151/209. Corretto su moduli puliti e digitati. Sui moduli manoscritti ha spesso inserito i valori corretti nel campo sbagliato, ha restituito le etichette stampate dei moduli come dati e ha letto male i nomi. Con la configurazione basata sui campi che abbiamo utilizzato, non ha estratto alcuna tabella.

Docparser: 136/209. Ha trovato i valori digitati su moduli puliti come il 443_152. Ha saltato molti campi sul 433_147 (16 errori), ha mescolato le istruzioni del modulo con i valori estratti, ha aggiunto un prefisso internazionale +63 ai numeri di telefono e ha riordinato le date.

Come abbiamo effettuato i test

Abbiamo testato sei strumenti sugli stessi sette moduli scansionati nell'ottobre 2026, valutato 209 campi per strumento rispetto a un'unica soluzione di riferimento e pubblicato gli errori di ciascun strumento, compresi quelli di Parseur.

1. Scelta dei documenti. Abbiamo preso sette dichiarazioni pubbliche in parte manoscritte dal dataset pubblico ExtractBench, scelte appositamente per coprire testo digitato, maiuscole in stampatello scritte a mano, corsivo, valori barrati, note del revisore, una scansione sfocata e un PDF con diversi moduli.
2. Definizione dei campi. Abbiamo definito 22 campi per ogni modulo P-4 e 11 campi di intestazione per il modulo P-6, utilizzando lo stesso elenco per tutti gli strumenti.
3. Costruzione del modello di risposta basato sulle scansioni originali prima di assegnare i punteggi, controllando a mano ogni valore manoscritto difficile da leggere.
4. Esecuzione di ogni strumento su tutti e sette i documenti con la configurazione riportata nella tabella sottostante, salvando screenshot ed esportazioni di ogni risultato.
5. Valutazione di ogni campo rispetto al modello di risposta usando le regole di punteggio di seguito, e controllo di ogni errore confrontandolo con la scansione originale.

Documenti di test

Abbiamo utilizzato sette dichiarazioni reali e pubbliche della Texas Railroad Commission, l'ente regolatore del petrolio e del gas dello stato, prese dal dataset ExtractBench pubblicato da LlamaIndex. Il modulo P-4 registra un cambio di operatore per un contratto di locazione. Il modulo P-6 richiede la suddivisione di una locazione. Combinano testo digitato, maiuscole in stampatello scritte a mano, corsivo, timbri e note dei revisori, proprio come fanno molti moduli aziendali.

Ogni modulo P-4 è stato valutato su 22 campi: nome del campo, nome della locazione, operatore, numero dell'operatore (P-5), ID della locazione o del gas, contea, distretto RRC, indirizzo, numeri del pozzo, data di decorrenza, raccoglitore di petrolio e percentuale di prelievo, operatore precedente con il nome del suo firmatario, titolo, data e telefono, e nome del firmatario attuale, titolo, e-mail, data e telefono. Il modulo P-6 è stato valutato su 11 campi di intestazione.

Configurazione degli strumenti

Regole di punteggio

1. La verità di base (ground truth) è ciò che è scritto sul modulo, verificato rispetto alla scansione originale.
2. Ogni modulo distinto è stato valutato una volta. Le pagine duplicate pulite non sono state valutate, quindi i PDF multi-pagina non contano doppio.
3. Un valore errato, mancante o inventato costituiva un errore, così come un'etichetta di modulo stampata o una nota di un revisore restituita come dato.
4. Un campo lasciato vuoto laddove il modulo originale era vuoto è stato considerato corretto. Le differenze di formattazione (formato della data, maiuscole, spaziatura) non erano considerate errori.
5. Le note "OK to process" sono approvazioni dei revisori, non firme. Laddove è l'unica cosa presente sulla riga della firma, il firmatario corretto, il titolo e la data devono risultare vuoti.
6. Quando la calligrafia si prestava a due interpretazioni, entrambe sono state considerate valide per ogni strumento: Duke o Duice, Posey o Posey Lease, e 12/18/09 o 12/13/09 su una data digitata sfocata.
7. Un modulo che uno strumento non ha estratto contava come un errore per ogni campo contenente un valore.

Limitazioni

Si tratta di un piccolo test pratico, non di un benchmark statistico su larga scala, e Parseur vi ha partecipato come uno degli strumenti testati.

• Dimensione del campione: sette documenti, 209 campi per strumento. Una differenza di pochi campi rientra nel normale margine d'errore che un singolo documento aggiuntivo potrebbe causare.
• Esecuzioni: abbiamo perfezionato la configurazione dei campi di Parseur una sola volta, rielaborato più volte i documenti con errori nella prima esecuzione e conservato il risultato più coerente.
• Configurazione: Extend è stato testato con Multifile disattivato e Nanonets senza campi tabella. Entrambi potrebbero ottenere risultati migliori su PDF multi-modulo e tabelle se configurati diversamente.
• Chatbot: ChatGPT e Gemini hanno elaborato tutti i documenti in un'unica conversazione, quindi i documenti precedenti facevano da contesto a quelli successivi.
• Punteggi: abbiamo valutato i risultati partendo dagli screenshot e dalle esportazioni dell'output di ogni strumento, controllandoli poi rispetto alle scansioni originali.

Come testare l'OCR per la scrittura a mano sui tuoi documenti

Gli errori in questo test sono emersi solo quando abbiamo controllato ogni campo rispetto alla scansione originale. Prima di scegliere uno strumento, elabora i tuoi documenti con esso e verifica:

1. I tuoi documenti più difficili, non i più puliti: fax, fotocopie e moduli compilati a mano.
2. Nomi, e-mail e numeri di riferimento lettera per lettera. Le errate letture si nascondono qui, perché un nome sbagliato continua a sembrare un nome.
3. Che ogni valore finisca nel campo giusto, non solo da qualche parte nell'output generico.
4. Che note, timbri ed etichette stampate non vengano restituiti come dati.
5. Che un PDF con più moduli restituisca un record per ogni modulo.
6. Che le tabelle manoscritte vengano restituite riga per riga, nella struttura che il tuo sistema si aspetta di ricevere.

Per scoprire come Parseur legge le scansioni e la scrittura a mano, consulta la nostra pagina sul software OCR. Per un test su fatture stampate in quattro lingue, consulta il nostro benchmark sull'estrazione multilingue di fatture. Per confrontare più ampiamente le piattaforme di elaborazione dei documenti, consulta la nostra guida ai migliori software per l'elaborazione intelligente dei documenti.

Testalo sui tuoi documenti manoscritti

Questi sette moduli mostrano i limiti degli strumenti, ma i tuoi documenti rappresentano il vero banco di prova. Elabora i tuoi moduli manoscritti, le bolle di consegna o i tuoi moduli di richiesta con Parseur e confronta ogni campo estratto con l'originale.

Ultimo aggiornamento il 12 novembre 2026