Digitalisering og tilgængeliggørelse af et papirarkiv er delvist en AI-opgave. AI er god til at genkende tekst på en scanning og foreslå metadata, men det fysiske arbejde med at tage dossierer ud af et skab, ordne dem, fjerne hæfteklammer og køre dem gennem scanneren forbliver menneskearbejde. Derefter følger kontrol af genkendelsesfejl, og det er præcis det element med menneskeligt tilsyn: AI stiller et forslag, et menneske godkender eller afviser det, med begrundelse.
Aksen fysisk scorer lavt her (1 af 5), og det er hovedårsagen til, at denne opgave ikke falder i kategori 1. Papir skal først ind i en scanner. Det er ikke tænkearbejde, men håndarbejde: at tage dossierer op, sortere efter rækkefølge, lægge beskadigede sider til side, kontrollere dobbeltsidede dokumenter. En arkivmedarbejder, der arbejder sig igennem tusind mapper, bruger en stor del af tiden på dette fysiske forarbejde, ikke på den digitale del bagefter. Ingen AI-model, hvor god den end er til tekstgenkendelse, tager en mappe ned fra en hylde.
I en virksomhed, hvor arkivet i vid udstrækning allerede kommer digitalt ind — tænk på fakturaer, der allerede modtages som PDF i stedet for på papir — bortfalder denne fysiske flaskehals helt. Det berører et lignende spørgsmål som kan AI overtage digital udveksling af fakturaer via e-fakturering, hvor dokumentet allerede starter i digital form, og automatiseringen derfor kan gå meget længere. Tilstedeværelsen af fysisk papir er altså ikke en fast egenskab ved 'digitalisering af arkiv' i almindelighed, men ved den specifikke situation, hvor papiret stadig skal scannes.
Volumen scorer højt (4 af 5): i et arkiv er der ofte tale om hundreder til tusinder af dokumenter med en tilsvarende struktur. Det er præcis den slags gentagelse, hvor automatisering udmærker sig. Så snart et dokument er scannet, kan software med optisk tegngenkendelse (OCR) læse indholdet, genkende nøgleord og give et første forslag til metadata som dato, dossiernummer eller dokumenttype. Ved lav volumen — for eksempel en enkeltstående overdragelse af tyve personlige dossierer hos et lille kontor — er den gevinst næsten ikke til stede, og manuel scanning og indtastning er ofte lige så hurtig som at opsætte og teste et system.
Struktureringsgrad scorer middel (3 af 5). Nogle arkiver er ganske forudsigelige: standardformularer, kontrakter med fast opsætning, fakturaer med fastlagte felter. Andre arkiver er en blanding af håndskrevne notater, overstregede rettelser, utydelige kopier og dokumenter på forskellige sprog eller i forskellige skrifttyper. Hvor rodet arkivet er, desto oftere går OCR-genkendelsen fejl, og desto mere skal et menneske gennemgå. En arkivmedarbejder, der primært behandler standardiserede formularer, vil se andre resultater end en, der skal tilgængeliggøre årtier gammel, håndskrevet korrespondance.
Fejlkonsekvenser og compliance scorer begge middel (3 af 5). Et fejlgenkendt ord i en søgbar tekst er som regel ikke en katastrofe — søgefunktionen finder da bare ikke dokumentet med det samme. Men i arkiver med lovpligtig opbevaringspligt, medicinske journaler eller juridiske dokumenter kan en fejl i metadataene (forkert dato, forkert dossiernummer) føre til, at et dossier ikke genfindes i tide eller uretmæssigt destrueres. Hvis arkivet er underlagt en opbevaringspligt eller et andet lovmæssigt regime, gælder der egne lovkrav for det; det er ikke et spørgsmål, der løses med et automatiseringsvalg.
Kombinationen af disse akser betyder, at rollen som arkivmedarbejder eller kontorchef ikke forsvinder, men forskydes. Det fysiske scanningsarbejde og den endelige kontrol forbliver hos mennesket; den manuelle indtastning af hvert felt forsvinder til stor del. De nævnte forudsætninger er ikke valgfri: scanningsudstyret og kvaliteten af OCR-genkendelsen skal være i orden, og der skal være en stikprøvekontrol af genkendelsesfejl, før dokumenter markeres som endeligt søgbare. Uden den kontrol hober små genkendelsesfejl sig op til et arkiv, der er upålideligt at slå op i.
Dette mønster — en fysisk eller stærkt varierende opgave, der delvist kan overtages, delvist ikke — ses også i helt andre sektorer, som ved hvad kan AI overtage i transportsektoren, hvor fysiske handlinger ligeledes afgør grænsen for, hvad et system kan overtage. Det er en nyttig sammenligning at have i baghovedet, at den fysiske akse ofte vejer tungere end, hvor avanceret genkendelsessoftwaren er.
Vil De vide, hvordan dette forholder sig til Deres eget arkiv eller opgaveportefølje? Den gratis quickscan fra ftetoai består af tolv spørgsmål, kræver ingen konto og giver en indikation af, hvor stor en del af timerne i Deres profil der i dag kan overtages af AI. En fuld arbejdsscan med detaljeret analyse pr. opgave er stadig under udvikling; den tilbyder vi altså ikke her endnu, men quickscanen giver allerede nu et ærligt førstebillede.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.