档案管理用 AI：能用在哪，出错谁负责

一个区级档案馆接手企业改制留下的档案，几十个纸箱堆到天花板，纸张发脆，标题栏大多只写了「会议材料」「通知」几个字。要在两年内完成数字化和著录，靠现有人手排不出工期，于是 AI 被寄予厚望：扫描件自动识别、元数据自动生成、检索时用一句自然语言就能问出来。这些期待有一部分能兑现，另一部分会落空，而且落空的地方往往出在责任划分上。下面把档案管理里 AI 接得住什么、接不住什么、出了错找谁，分开讲清楚。

扫描只是入口，著录才是堵点

多数人对档案数字化的想象停在「扫一遍、存成 PDF」。真正吃掉人力的环节在扫描之后：每一份文件要著录题名、责任者、成文时间、文号、密级、保管期限，字段之间还要能对得上。一份会议材料如果题名只写「关于某事的会议材料」，三年后连检索都检索不出来。AI 在这里的作用是把「从零写」变成「在草稿上改」：从版面上认出红头、发文字号、落款，从正文里抽出时间与机构名，生成一版可供核对的元数据。它把著录的单份耗时压下来，但压不到零，因为字段口径本身是业务约定，得靠人定。这类字段的填法本质上是一套标注规范，规范不清，模型抽出来的东西再准也对不上号。

三个环节的实际分工

把档案 AI 拆开看，不同环节的自动化程度差得很远：

表格里最需要留意的是第三行。分类和保管期限看着像「打标签」，实质是对档案价值的判断，判错会影响后续的开放、销毁与移交，代价不可逆。把它交给模型给建议、由人来定，是唯一稳妥的分工。检索这一行则依赖把档案切片后建立向量索引，做法和检索增强生成是同一套思路：先找得到，再让模型组织答案。

语义检索解决的到底是什么问题

老档案的命名习惯和今天的提问方式对不上。查档的人会说「找关于厂区搬迁的会议记录」，而卷内目录里写的是「关于调整生产布局的请示」。关键词检索要求两边用词一致，语义检索则把问句和档案内容都变成向量，按意思靠近的程度排序，命中率因此高出一截。它对年代久远、命名随意、跨全宗的材料尤其有用。但语义匹配有个副作用：越模糊的相似越容易被当成相关，专有名词、人名、地名这些必须精确的地方，反而要保留关键词与字段过滤做兜底。

它认不出、算不准，也编得出

能力边界要说得具体。手写体、繁体竖排、油印模糊、表格套表格、盖章压字，这些是识别环节的硬骨头，模型给出的结果常常「看着像」，错在数字和日期上，而这两个字段恰恰最不能错。分类判定受限于规则本身，规则没覆盖的新情况，模型只能套最近的类别，套错也不报错。最需要警惕的是生成式摘要：让它概括一份卷宗，它会补上原文没有的背景、因果和结论，读起来通顺，查证时找不到出处。这类问题在模型幻觉里有更细的成因分析，落到档案场景，后果是「引用了一条不存在的记载」。

更麻烦的是批量。人工著录一天错三份，能被同事发现；模型跑一万份，同一个错误会以同样的形态出现一万次，且分布均匀、看不出异常。所以验收不能靠抽查几份「感觉不错」，要按字段设通过率，把低于阈值的批次整批退回。

出错之后，责任落在谁身上

档案出错的追责，取决于链条怎么切。扫描与识别外包给数字化公司的，识别质量由承包方按合同约定负责，验收标准要写清字符准确率与字段完整率；著录审核在馆内，字段口径、分类与期限由档案馆承担，这一层不能因为「系统建议如此」而免责；模型与系统供应商负责工具能力与缺陷修复，但不对具体某份档案的判定负责。三方之间要留下痕迹：谁改的、改了什么、依据是什么、什么时候改的。没有这层记录，出了事只能互相推。

还有一条不能让步：涉密档案与未开放档案，不上传到外部服务处理。需要模型能力的，部署在本地或专有环境，宁可效果差一点，也不能让数据先出去。

判断一套方案能不能用，看三件事

第一，数据在哪处理，能不能说清楚不出内网。第二，每个自动字段后面有没有一个「待复核」状态，而不是直接写进正式库。第三，抽检机制是按字段算通过率，还是只看整体观感。三条里缺一条，这套系统就只能当录入助手用，不能进正式流程。对普通查档人来说，这些内情看不见，但有一个可感知的信号：给出的结果有没有标明出自哪一卷哪一页。标了，说明系统还在意可核对；不标，多半是把模型的复述当成了原文。

速查：档案 AI 的分工线

• 能自动：扫描、版面分析、印刷体识别、候选元数据
• 必须人定：字段口径、分类、保管期限、价值鉴定
• 必须复核：数字与日期、手写与印章处、摘要引用
• 不能做：涉密档案上传外部服务、摘要替代原文