L’evoluzione dei Large Language Models e dei Vision-Language Models ha permesso lo sviluppo di sistemi capaci di elaborare informazioni video-testuali. In ambito aziendale, i Vision-Language Models risultano adatti all'estrazione di contenuti testualli ed elementi visivi da documenti complessi. Questa tesi si colloca nel contesto dello sviluppo di un sistema chatbot per la consultazione di documentazione aziendale. Il lavoro si concentra sulla progettazione di una pipeline per trasformare documenti non strutturati in informazione organizzata e utilizzabile dal sistema. Il problema affrontato consiste nell’identificare automaticamente le pagine rilevanti rispetto a un insieme di classificazioni. La soluzione usa un modello vision-language e una strategia di classificazione prompt-based.