Att digitalisera och göra ett pappersarkiv tillgängligt är delvis en AI-uppgift. AI är bra på att känna igen text på en skanning och föreslå metadata, men det fysiska arbetet med att ta ut dossierer ur ett skåp, ordna dem, ta bort häftklamrar och köra dem genom skannern förblir människoarbete. Därefter följer kontroll av igenkänningsfel, och det är just det som utgör mänsklig tillsyn: AI gör ett förslag, en människa godkänner eller avslår, med motivering.
Axeln fysiskt har här ett lågt värde (1 av 5), och det är den viktigaste anledningen till att denna uppgift inte hamnar i kategori 1. Papper måste först in i en skanner. Det är inget tankearbete utan handarbete: lyfta upp dossierer, sortera i ordning, lägga skadade sidor åt sidan, kontrollera dubbelsidiga dokument. En arkivförvaltare som går igenom tusen mappar lägger en stor del av tiden på detta fysiska förarbete, inte på den digitala delen som kommer efteråt. Ingen AI-modell, hur bra den än är på textigenkänning, lyfter en pärm från en hylla.
I ett företag där arkivet redan i stor utsträckning kommer in digitalt — tänk på fakturor som redan tas emot som PDF istället för på papper — försvinner detta fysiska hinder helt. Det anknyter till en liknande fråga som kan AI ta över digitalt utbyte av fakturor via e-fakturering, där dokumentet redan börjar i digital form och automatiseringen därför kan gå mycket längre. Förekomsten av fysiskt papper är alltså inte en fast egenskap hos 'digitalisera arkiv' i allmänhet, utan hos den specifika situationen där pappret fortfarande måste skannas.
Volym har ett högt värde (4 av 5): i ett arkiv handlar det oftast om hundratals till tusentals dokument med en liknande struktur. Det är precis den typ av upprepning som automatisering utmärker sig vid. Så snart ett dokument väl är skannat kan programvara med optisk teckenigenkänning (OCR) läsa innehållet, känna igen nyckelord och göra ett första förslag på metadata som datum, dossiernummer eller dokumenttyp. Vid låg volym — till exempel en engångsöverföring av tjugo personliga dossierer hos ett litet kontor — är den vinsten knappt märkbar, och att skanna för hand och registrera manuellt är ofta lika snabbt som att sätta upp och testa ett system.
Strukturering har ett medelvärde (3 av 5). Vissa arkiv är ganska förutsägbara: standardformulär, kontrakt med fast layout, fakturor med fasta fält. Andra arkiv är en blandning av handskrivna anteckningar, överstrukna korrigeringar, otydliga kopior och dokument på olika språk eller i olika typsnitt. Ju rörigare arkivet är, desto oftare går OCR-igenkänningen fel och desto mer måste en människa granska. En arkivförvaltare som huvudsakligen behandlar standardiserade formulär kommer att se andra resultat än någon som måste göra decennier gammal, handskriven korrespondens tillgänglig.
Felkostnader och regelefterlevnad har båda ett medelvärde (3 av 5). Ett felaktigt igenkänt ord i en sökbar text är oftast ingen katastrof — sökfunktionen hittar då bara inte dokumentet direkt. Men i arkiv med en lagstadgad bevarandeskyldighet, medicinska journaler eller juridiska handlingar kan ett fel i metadata (fel datum, fel dossiernummer) leda till att en dossier inte hittas i tid eller felaktigt förstörs. Om arkivet omfattas av en bevarandeskyldighet eller annat lagstadgat regelverk gäller egna lagkrav för det; det är inget som löses genom ett automatiseringsval.
Kombinationen av dessa axlar innebär att rollen som arkivförvaltare eller kontorschef inte försvinner, men förskjuts. Det fysiska scanningsarbetet och slutkontrollen kvarstår; den manuella avskrivningen av varje fält försvinner till stor del. De nämnda ramvillkoren är inte valfria: skanningsutrustningen och kvaliteten på OCR-igenkänningen måste vara i ordning, och det måste finnas en stickprovskontroll av igenkänningsfel innan dokument markeras som slutgiltigt sökbara. Utan den kontrollen hopar sig små igenkänningsfel till ett arkiv som är opålitligt att söka i.
Detta mönster — en fysisk eller starkt varierande uppgift som delvis kan tas över, delvis inte — syns också inom helt andra sektorer, som i vad kan AI ta över inom transportsektorn, där fysiska handlingar likaså sätter gränsen för vad ett system kan ta över. Det är en användbar jämförelse för att komma ihåg att den fysiska axeln ofta väger tyngre än hur avancerad igenkänningsprogramvaran är.
Vill ni veta hur detta ser ut för ert eget arkiv eller er arbetsuppgift? Den kostnadsfria snabbanalysen från ftetoai består av tolv frågor, kräver inget konto och ger en indikation på hur stor del av timmarna i er profil som i dag kan tas över av AI. En fullständig arbetsanalys med detaljerad analys per uppgift är fortfarande under uppbyggnad; den erbjuder vi därför inte ännu, men snabbanalysen ger redan nu en ärlig första bild.
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.