Informazioni sul cliente
La sfida era di natura strutturale: la legislazione italiana in materia di lavoro richiede alle aziende e ai loro subappaltatori di dimostrare la conformità continua al CCNL (Contratto Collettivo Nazionale di Lavoro), ovvero gli accordi collettivi nazionali che regolano salari minimi, contributi previdenziali e livelli di inquadramento lavorativo. La verifica manuale della conformità, su decine di collaboratori che formattano le buste paga in modo diverso, era lenta, soggetta a errori e non scalabile.
Il cliente si è rivolto a WWG con un brief chiaro: realizzare una prova di concetto basata sull'intelligenza artificiale in grado di leggere i PDF delle buste paga di diverse aziende, normalizzare i dati indipendentemente dalle variazioni nella denominazione dei campi e verificare ogni busta paga rispetto al CCNL applicabile. Se la prova di concetto avesse avuto successo, avrebbe costituito la base per una piattaforma SaaS multi-tenant completa.
Sfida
- Eterogeneità dei nomi dei campi nei documenti di busta paga. Le buste paga italiane non sono standardizzate a livello di formattazione. Un campo etichettato come "Paga base mensile" da un'azienda potrebbe apparire come "Minimo stipendio" o "Retribuzione base" in un'altra. L'IA doveva identificare, estrarre e normalizzare queste variazioni in uno schema unificato, senza regole hardcoded che sarebbero risultate inefficaci con i nuovi modelli di documento.
- Verifica della conformità rispetto a normative dinamiche. Gli accordi CCNL variano a seconda del settore industriale e vengono aggiornati periodicamente. Il sistema doveva memorizzare dati CCNL strutturati (salari minimi, aliquote contributive, livelli di inquadramento) e confrontare i campi delle buste paga estratti con l'accordo corretto per ciascun lavoratore, segnalando le discrepanze senza falsi positivi.
- Interazione con l'operatore per modelli sconosciuti. Quando l'IA incontrava una busta paga di un'azienda mai vista prima, non ci si poteva aspettare che mappasse automaticamente i campi con sufficiente sicurezza. Il sistema necessitava di un'interfaccia di convalida in cui un operatore dello studio potesse rivedere i campi estratti, confermare o correggere la mappatura e addestrare il sistema per incontri futuri, creando un ciclo di feedback tra la convalida umana e l'apprendimento automatico.
- Architettura di piattaforma multi-ruolo fin dal primo giorno. Il PoC non era uno strumento autonomo: doveva essere integrato in una piattaforma che avrebbe infine servito quattro tipologie di utenti distinte (Amministratore, Studio professionale, Azienda cliente e Collaboratore esterno) con diversi diritti di accesso ai dati, flussi di lavoro ed esigenze di notifica. Costruire per l'estensibilità fornendo al contempo funzionalità di IA di base in parallelo ha richiesto decisioni architetturali rigorose in ogni fase.
Hai qualche domanda?
Incontriamoci e parliamone.
Soluzione
WWG ha strutturato la consegna in quattro epiche principali, eseguite in sprint Agile paralleli con checkpoint regolari con il cliente. La soluzione ha combinato un motore di estrazione e conformità basato sull'IA, appositamente creato, con una piattaforma web multi-ruolo.
Motore di estrazione basato sull'IA: pipeline OCR, ML e NLP
Il livello di estrazione principale utilizzava AWS Document Analyze (Textract) per analizzare i PDF delle buste paga e ricavarne coppie chiave-valore strutturate e dati tabellari. Un livello di normalizzazione basato su machine learning e NLP mappava quindi i nomi dei campi estratti, indipendentemente dalla terminologia specifica dell'azienda, su uno schema interno unificato. Il sistema manteneva un dizionario in continua espansione di mappature di campi confermate, aggiornato ogni volta che un operatore dello studio convalidava un nuovo modello, rendendo le estrazioni future progressivamente più accurate.
Per i nuovi modelli di busta paga non ancora elaborati dal sistema, i campi estratti venivano visualizzati in un'interfaccia utente di revisione dedicata, accessibile agli utenti di Studio. Gli operatori potevano confermare le mappature corrette, sovrascrivere quelle errate e inviare i dati convalidati al database. Questa fase di revisione "al primo contatto" garantiva l'integrità dei dati senza bloccare il flusso di lavoro: i caricamenti successivi dalla stessa azienda bypassavano completamente la revisione manuale.
Motore di conformità: verifica CCNL
Una volta normalizzati e convalidati i dati delle buste paga, il motore di conformità confrontava ciascun campo con il relativo accordo CCNL memorizzato nel database della piattaforma. Il sistema ha verificato tre dimensioni critiche:
- Salario base minimo ("Minimo" / Paga base mensile) rispetto ai minimi CCNL per livello di impiego
- Aliquote contributive INPS rispetto alle soglie obbligatorie CSC (Codice Settore Contributivo)
- Classificazione del livello di impiego rispetto al livello CCNL dichiarato dal contraente
Il motore di conformità era integrato in una piattaforma completamente segmentata per ruoli. Ogni tipo di utente accedeva a un'interfaccia personalizzata:
- Gli amministratori gestivano i dati CCNL, la configurazione della piattaforma e gli inviti agli utenti.
- Gli studi professionali esaminavano le estrazioni delle buste paga, convalidavano le mappature dei campi, gestivano i portfolio dei collaboratori e configuravano le regole di notifica.
- Le aziende clienti gestivano i rapporti con i collaboratori, monitoravano lo stato di conformità e accedevano ai report di audit.
- I collaboratori caricavano i documenti relativi alle buste paga (PDF ed Excel), visualizzavano i risultati della conformità e gestivano le proprie checklist dei documenti.
Infrastruttura di notifica e allerta
Un sistema di notifica automatizzato avvisava le parti interessate di irregolarità nei documenti, caricamenti mancanti, violazioni della conformità e revisioni in sospeso. Gli utenti di Studio potevano configurare la frequenza delle notifiche e i canali di consegna (nativi della piattaforma ed e-mail), garantendo che le lacune in materia di conformità emergessero tempestivamente anziché accumularsi inosservate.
Technology Stack
OCR ed estrazione di dati strutturati da PDF di buste paga: coppie chiave-valore e dati tabellari
Infrastruttura cloud (AWS)
Potenza di calcolo scalabile per l'elaborazione AI, l'archiviazione e la gestione dell'ambiente nelle fasi di Proof of Concept e produzione
testomat.io
Gestione dei casi di test per il controllo qualità: tutti i 15 casi di test di conformità AI eseguiti e tracciati con un tasso di successo del 100%
Normalizzazione dei nomi dei campi in formati di busta paga eterogenei; il ciclo di feedback dell'operatore migliora la precisione nel tempo
Agile / Scrum (ClickUp + Lineare)
Consegna basata su sprint con tracciamento delle attività, segnalazione dei bug da parte del controllo qualità e visibilità per il cliente durante l'intero ciclo di vita del progetto
Figma
Sistema di progettazione UX/UI: libreria di componenti e flussi utente per tutti e quattro i ruoli della piattaforma
Principali sfide tecniche
L'aspetto tecnicamente più impegnativo del progetto è stato la progettazione di un livello di normalizzazione in grado di gestire formati di buste paga mai visti prima, senza intervento umano e su larga scala. La soluzione ha combinato un motore di similarità basato sull'elaborazione del linguaggio naturale (NLP) per la corrispondenza iniziale dei campi con un meccanismo di feedback strutturato: ogni decisione di convalida dell'operatore veniva memorizzata e utilizzata per aggiornare l'affidabilità della mappatura del sistema. I modelli visualizzati per la prima volta richiedevano una revisione manuale; i caricamenti successivi dalla stessa azienda bypassavano completamente questo passaggio. Questa architettura ha reso la piattaforma progressivamente più intelligente nel tempo, senza richiedere cicli di riaddestramento del modello.
La modellazione accurata delle norme di conformità CCNL ha rappresentato una sfida tanto a livello di dominio quanto tecnico. I contratti collettivi nazionali variano in base al settore industriale, al livello di impiego e vengono aggiornati periodicamente. La piattaforma richiedeva uno schema di database sufficientemente flessibile da memorizzare i parametri CCNL tra i diversi settori (salari minimi, soglie contributive INPS, classificazioni di livello) garantendo al contempo che i controlli di conformità applicassero sempre la versione corretta del contratto per ciascun lavoratore. Il documento Compliance_Algorithm_Analysis ha fornito indicazioni per il trattamento da parte dell'algoritmo delle componenti retributive italiane, tra cui gli scaglioni di imposta IRPEF, la maturazione TFR, gli scatti di anzianità e il calcolo della base contributiva.
La creazione di un sistema multi-tenant con quattro tipologie di utenti distinte, ognuna con diversa visibilità dei dati, funzionalità di flusso di lavoro e configurazioni di notifica, ha richiesto fin dall'inizio un'attenta architettura dei permessi. La catena di onboarding basata su inviti (Amministratore → Studio → Cliente → Collaboratore) ha garantito la fiducia relazionale mantenendo al contempo l'isolamento dei dati. Le interfacce specifiche per ruolo hanno assicurato che ogni tipologia di utente accedesse solo agli strumenti e ai dati pertinenti alla propria funzione, riducendo il carico cognitivo e minimizzando il rischio di escalation dei privilegi.
Results
- Proof of Concept consegnato in 8 settimane, nei tempi previsti
La prova di concetto è stata completata entro i tempi concordati, convalidando l’ipotesi principale dell’IA e fornendo una solida base architetturale per la realizzazione completa della piattaforma. - Tasso di superamento dei test IA del 100%
Tutti i 15 casi di test QA per la funzionalità di estrazione e conformità dell’IA sono stati superati senza errori, confermando l’accuratezza del motore di estrazione e l’affidabilità dei controlli di conformità su documenti di busta paga reali. - Tre formati di busta paga normalizzati con successo
Il motore IA ha dimostrato la capacità di leggere, estrarre e normalizzare i dati delle buste paga da tre diversi formati aziendali, ciascuno con diverse convenzioni di denominazione dei campi, mappandoli accuratamente allo schema unificato della piattaforma. - Piattaforma multi-ruolo completa consegnata
Oltre all’ambito del PoC, WWG ha consegnato una piattaforma SaaS completa con quattro ruoli utente distinti, onboarding su invito, gestione dei documenti, reportistica di conformità e un sistema di notifica configurabile.
Conclusione
WWG ha affrontato questo progetto non come un generico progetto di automazione, ma come una sfida ingegneristica specifica del settore.
La PoC di 8 settimane ha dimostrato la fattibilità tecnica dell'approccio. La successiva realizzazione della piattaforma ha trasformato tale dimostrazione in un sistema SaaS multi-tenant pronto per la produzione, che gli studi professionali e le loro reti di clienti possono utilizzare oggi stesso per gestire la conformità dei collaboratori esterni su larga scala.
