AI-агенты в оцифровке архивов: что умеют и где ломаются

Архив — это не папка сканов. Это миллионы страниц, у которых нет ни описи, ни распознанного текста, ни понятной структуры: дореволюционная скоропись, машинописные приказы с печатями, метрические книги, где почерк меняется от страницы к странице. До недавнего времени превратить такой массив в поисковую базу мог только человек, и стоило это годы работы. Теперь часть этих операций пытаются переложить на AI-агентов — связки из языковой модели, распознавания и инструментов, которые не просто читают текст, а планируют последовательность действий: распознать, сверить, разложить по полям, занести в базу.

Технология не новая по частям, но именно объединение OCR/HTR с рассуждающей моделью изменило то, что стало возможно автоматизировать. Ниже — что агенты сегодня делают на практике, где ломаются и кому стоит подождать.

Что именно изменилось

Раньше пайплайн оцифровки был линейным: сканирование, потом OCR, потом ручная вычитка, потом ручное занесение метаданных. Каждый шаг — отдельная система, между ними человек. Агентный подход убирает часть швов.

Модель получает не команду «распознай текст», а задачу: «из этого дела выдели фамилии, даты, номера документов и разложи по карточкам, сомнительные места пометь». Дальше она сама решает, какие инструменты вызвать — распознавание, поиск по уже занесённым записям для сверки, форматирование. Ключевое отличие от старого OCR — работа с рукописным текстом (HTR¹) и понимание контекста: модель видит, что «Iванъ» и «Иван» — одно имя, а не разные записи.

Агент экономит не на распознавании отдельной буквы, а на решении, что делать с тем, что распозналось. Именно на этих решениях раньше и уходило время архивиста.

Где точность уже приемлема

Машинописные документы XX века, типографские тексты, формы с предсказуемой структурой — здесь распознавание и раскладка по полям работают надёжно, ошибки единичны и легко ловятся сверкой. Печатные метрические записи, приказы, каталожные карточки поддаются автоматизации почти без ручной правки.

Где всё ещё нужен человек

Рукописная скоропись XVIII–XIX веков, выцветшие чернила, зачёркивания, маргиналии на полях, смешение языков и алфавитов — на таком материале модель уверенно выдаёт правдоподобный, но неверный результат. И это опаснее явной ошибки: неправильно распознанную фамилию в базе никто не заметит, пока по ней не пойдёт запрос.

Сравнение подходов

Инструментов много, и они решают разные части задачи. Ниже — обобщённое сравнение трёх типов решений, а не конкретных версий: детали и цены у каждого меняются, сверяйте на сайте разработчика.

Точных цифр по точности на русскоязычной скорописи с указанием теста и источника у меня нет, поэтому не привожу — обещания «95% из коробки» на рукописях стоит проверять на своей выборке, а не на демо разработчика.

Кому это пригодится и кому нет

Пригодится:

• Муниципальным и ведомственным архивам с большим потоком машинописных дел XX века — здесь автоматизация описи и распознавания реально сокращает ручной труд.
• Генеалогам и краеведам, которым нужен черновой поиск по фамилиям в сканах: агент даёт быстрый первый проход, который потом сверяют глазами.
• Компаниям с бумажным документооборотом — договоры, кадровые приказы, счета: структура предсказуема, распознавание надёжно.

Не пригодится (пока):

• Для научной публикации источников, где важна каждая буква оригинала — автоматический результат нельзя выпускать без полной вычитки, а это убивает экономию.
• Для уникальных рукописей и скорописи без обучающей выборки — точность падает, а ошибки маскируются под правдоподобный текст.
• Для документов с ограниченным доступом и персональными данными, если модель облачная: прежде чем грузить сканы в чужой сервис, разберитесь, где они хранятся и на что вы соглашаетесь.

Что проверить перед внедрением

1. Прогнать пилот на репрезентативной выборке своих документов, а не на демо-примерах разработчика.
2. Заложить этап сверки: любой автоматический результат по именам, датам и номерам должен иметь пометку уверенности и путь к ручной проверке.
3. Проверить, где физически обрабатываются и хранятся сканы, особенно если в документах есть персональные данные.
4. Посчитать стоимость: у облачных LLM цена растёт с объёмом токенов, и на больших массивах она может обогнать ручной труд.

¹ HTR (Handwritten Text Recognition) — распознавание рукописного текста, в отличие от OCR, которое работает с печатным. HTR-системы обычно обучаются под конкретный тип почерка и коллекцию.