Ci serve un nuovo tipo di documento.

Che cos’è oggi un documento

Due pubblici, un formato pensato per nessuno dei due.

Per cinque secoli un documento è stato una pagina stampata: formato fisso, caratteri fissi, un solo tipo di lettore. Quasi tutto ciò che crediamo dei documenti — pagine, margini, “pronto per la stampa” — discende da lì.

Ma guardiamo come si legge davvero un documento oggi. Si apre su uno schermo, il più delle volte quello di un telefono. Lo leggono ad alta voce i lettori di schermo. Lo indicizzano i motori di ricerca, lo citano i ricercatori, lo controllano i revisori e — sempre più spesso — lo leggono, lo riassumono e agiscono di conseguenza i sistemi di AI. Stamparlo è il caso marginale.

Oggi un documento ha due pubblici: le persone e il software. Ogni formato che usiamo è stato progettato per uno solo dei due.

La frattura

Il lettore è cambiato. Il formato no.

Il PDF è nato nel 1993 per fare una cosa alla perfezione: portare la pagina stampata, intatta, su qualsiasi macchina. Lo fa ancora. Ma lo fa congelando la vista di stampa e scartando la struttura che il documento aveva mentre veniva scritto — i titoli diventano dimensioni di carattere, le tabelle glifi allineati, i dati un disegno di cifre.

Il web ha risolto la semantica trent’anni fa. Ma una pagina web non è un documento: non è un file che puoi consegnare, può cambiare in silenzio sotto la tua citazione, non promette alcuna integrità e muore con il suo server.

Ecco dove siamo: pubblichiamo documenti buttando via ciò che serve a chi legge, e condividiamo pagine che non possono promettere di restare uguali.

Il prezzo

Nessun parser porta a una prova.

Oggi esiste un’intera industria per rimediare al danno. Pipeline di estrazione — Unstructured, Reducto e centinaia di altre — vengono pagate ogni giorno per indovinare a ritroso la struttura che i documenti avevano prima che la pubblicazione la distruggesse. Microsoft, proprietaria di .docx e .pptx, distribuisce MarkItDown: uno strumento il cui unico compito è demolire i suoi stessi formati in qualcosa che le macchine possano leggere. Il suo README è franco sul risultato: l’output è pensato per gli strumenti di analisi del testo, non per le persone. Anche dopo la conversione ti ritrovi con due artefatti che divergono: il documento per le persone e il testo per le macchine, senza alcun legame verificabile tra loro.

Il parsing è un ripiego, e i buoni parser lo rendono tollerabile. Ma ci sono tre cose che nessun parser ti darà mai:

• Prova. Un’estrazione è un’interpretazione. Nessuna pipeline può dimostrare che ciò che la macchina ha letto è ciò che hai visto tu.
• Accesso. La semantica persa al momento della stampa è persa. Un PDF non diventa leggibile su un telefono, o da un lettore di schermo, a valle.
• Dati. 14640 disegnato in una cella di tabella è un disegno di cifre. Il suo tipo, la sua unità, la sua colonna sono congetture.

Se vogliamo documenti che portino con sé la propria prova, la propria accessibilità e i propri dati, il formato deve nascere con queste cose. Per questo ci serve un nuovo tipo di documento.

Principi

Che cosa dovrebbe essere vero.

Prima di scrivere una riga di codice, abbiamo messo per iscritto come deve essere un formato così:

• Nativo del web. L’HTML ha risolto la semantica dei documenti decenni fa. Non inventare un modello di rappresentazione; usa quello che ogni dispositivo ha già.
• Verificabile per costruzione. La vista per le macchine deve derivare da quella per le persone in modo deterministico — stessi byte in ingresso, stessi byte in uscita, su qualsiasi piattaforma — e le impronte devono legarle. La verifica deve funzionare offline, senza dover interpellare alcuna autorità.
• Aggiuntivo, non distruttivo. C’è chi deve consegnare PDF; va bene. Il PDF dell’autore viaggia dentro il documento, fedele al pixel, accanto alla struttura vera. Tieni il PDF. Guadagni il resto.
• Onesto sull’origine. Un documento dichiara come è nato: scritto da un autore, catturato dal web o estratto con euristiche — mai l’uno spacciato per l’altro.
• Un file. Un solo oggetto portabile. Si apre offline, si allega a una email, non richiede piattaforme, non chiama nessun server. Mai.
• Aperto, e noioso di proposito. Una lista chiusa di semplice HTML, ZIP e JSON, una spec che chiunque può leggere in una sera (CC-BY), codice sotto Apache-2.0. I formati sopravvivono perché sono noiosi.

Oggi

Funziona già.

WDF 0.1 esiste oggi, e per ogni affermazione qui sotto c’è qualcosa da aprire:

Non ancora

Che cosa non è — ancora.

L’onestà fa parte del progetto, quindi ecco i limiti:

• Oggi la verifica prova l’integrità, non l’identità. Dice che il documento è intatto e che le viste coincidono — non chi l’ha scritto. Firme crittografiche e testimonianza della cattura sono le prossime tappe.
• Non sostituirà il PDF nell’archiviazione fedele alla stampa, e non pretende di farlo. Il PDF/A fa bene il suo lavoro; WDF porta con sé il PDF invece di combatterlo.
• Non è uno strumento di scrittura. WDF è un formato. I documenti arrivano da ciò che usi già — Word, Google Docs, il web — attraverso convertitori che conservano l’originale.
• La sua governance è giovane. La spec è versionata e aperta; il piano è un gruppo di comunità, e il futuro del formato non dovrebbe appartenere a noi.