Чек-лист оцифровки бумажного архива для ИИ-поиска: 7 этапов

Чтобы ИИ-поиск отвечал по бумажному архиву, мало отсканировать страницы. Нужно отобрать документы с учётом сроков хранения, подготовить бумагу, сканировать с разрешением не ниже 300 dpi, проверить распознанный текст, заполнить метаданные и права доступа, а затем проверить поиск на реальных вопросах сотрудников. Ниже — копируемый чек-лист по семи этапам с ответственными и критериями «готово».

Материал подготовлен AIrassvet 25 октября 2026 года для руководителей, офис-менеджеров, делопроизводителей и ИТ-специалистов, которые хотят подключить бумажный архив договоров, актов, писем или технической документации к корпоративному ИИ-поиску. Чек-лист опирается на Перечень типовых управленческих архивных документов Росархива, документацию OCR-движка Tesseract и описание формата PDF/A Библиотеки Конгресса США. Состав этапов и критерии — наша редакционная методика, а не стандарт. Это не юридическая консультация: решения о сроках хранения и уничтожении оригиналов принимайте с юристом и ответственным за архив.

Содержание

• Кратко
• Для кого этот чек-лист и что в него не входит
• Что понадобится до старта
• Этап 1. Цель и вопросы, на которые должен отвечать поиск
• Этап 2. Инвентаризация и отбор документов
• Этап 3. Подготовка бумаги к сканированию
• Этап 4. Параметры сканирования и файлы
• Этап 5. Распознавание текста и контроль качества
• Этап 6. Метаданные и права доступа
• Этап 7. Загрузка в ИИ-поиск и проверка на вопросах
• Копируемый шаблон чек-листа
• Типовые ошибки
• Первоисточники и метод проверки

Кратко

• Начинайте с вопросов, а не со сканера. Список из 30–50 реальных вопросов сотрудников определяет, какие документы и какие поля нужны.
• Скан не заменяет оригинал автоматически. Сроки хранения задаёт, в частности, Перечень Росархива № 236: например, первичные учётные документы — 5 лет, трудовые договоры — 50 или 75 лет.
• Разрешение — не ниже 300 dpi. Документация Tesseract указывает, что OCR-движок лучше всего работает с изображениями от 300 dpi.
• Распознанный текст проверяйте выборкой. Ошибки OCR потом превращаются в ошибки ответов ИИ.
• Права доступа задавайте до загрузки в поиск, иначе ИИ покажет документ тому, кому его видеть нельзя.

Для кого этот чек-лист и что в него не входит

Чек-лист подходит компании, у которой есть от нескольких коробок до нескольких сотен коробок бумажных документов и задача искать по ним с помощью ИИ: находить условия договоров, историю переписки, номера актов. Он написан для проекта, который ведёт сама компания или подрядчик по её заданию.

Мы не разбираем выбор сканера, промышленное потоковое сканирование, государственные и муниципальные архивы, а также правила электронного документооборота. Выбор OCR-решения подробно описан в статье про распознавание документов, а архитектура ИИ-поиска — в статье о RAG-системе для бизнеса.

Термины. *OCR* — оптическое распознавание символов, превращение картинки страницы в текст. *Текстовый слой* — распознанный текст внутри PDF, который можно искать и копировать. *dpi* — точек на дюйм, мера разрешения скана. *Метаданные* — поля о документе: тип, дата, номер, контрагент. *RAG* — схема, в которой языковая модель отвечает с опорой на найденные фрагменты документов. *ЭПК* — экспертно-проверочная комиссия архивного учреждения.

Что понадобится до старта

Роль	За что отвечает	Кто обычно выполняет
Владелец проекта	Цель, бюджет, приёмка результата	Руководитель подразделения, которое будет пользоваться поиском
Ответственный за архив	Опись, сроки хранения, порядок выдачи дел	Делопроизводитель, архивариус, офис-менеджер
Юрист	Сроки хранения, персональные данные, судьба оригиналов	Штатный или внешний юрист
ИТ и информационная безопасность	Хранилище, права доступа, место размещения модели	ИТ-отдел или подрядчик
Исполнитель сканирования	Подготовка бумаги, сканирование, имена файлов	Сотрудники или подрядчик по сканированию
Эксперты-пользователи	Вопросы для проверки, оценка ответов	2–3 сотрудника, которые чаще всего ищут в архиве

Также подготовьте: помещение для работы с делами, сканер с автоподатчиком для типовых листов и планшетный режим для сшитых или ветхих документов, хранилище файлов с резервной копией.

Каждый пункт чек-листа ниже записан как действие, ответственный и критерий «готово». Отмечайте пункт только тогда, когда критерий выполнен.

Этап 1. Цель и вопросы, на которые должен отвечать поиск

• ☐ Сформулировать задачу одной фразой. Например: «Юристы находят условия любого договора с поставщиками за 2019–2025 годы без похода в архив». Кто: владелец проекта. Готово: фраза согласована с будущими пользователями.
• ☐ Собрать 30–50 реальных вопросов. Возьмите их из запросов к архиву, писем и чатов. Кто: эксперты-пользователи. Готово: список в таблице, у каждого вопроса указан документ, где лежит ответ.
• ☐ Определить тип ответа. Нужна цитата с номером документа, сводка или таблица? Кто: владелец проекта. Готово: формат ответа описан для каждой группы вопросов.
• ☐ Зафиксировать текущий результат. Сколько времени сейчас уходит на поиск одного документа — измерьте на нескольких запросах. Кто: эксперты-пользователи. Готово: замер записан, его можно сравнить после запуска.

Этап 2. Инвентаризация и отбор документов

• ☐ Составить опись коробок и дел. Кто: ответственный за архив. Готово: у каждой коробки есть номер, период и тип документов.
• ☐ Отметить, что оцифровывать. Сканируйте то, что нужно для вопросов из этапа 1. Кто: владелец проекта и ответственный за архив. Готово: у каждой коробки статус «оцифровать», «хранить без оцифровки» или «рассмотреть к уничтожению».
• ☐ Проверить сроки хранения. Ориентир — Перечень типовых управленческих архивных документов, утверждённый приказом Росархива № 236 от 20.12.2019. Например, договоры, не указанные в отдельных статьях Перечня, — 5 лет после истечения срока действия с пометкой ЭПК (пункт 11), первичные учётные документы — 5 лет при условии проведения проверки (пункт 277), трудовые договоры — 50/75 лет (пункт 435): 75 лет для законченных делопроизводством до 1 января 2003 года и 50 лет — после. Кто: юрист и ответственный за архив. Готово: срок указан в описи для каждого типа документов.
• ☐ Решить судьбу оригиналов. Скан для поиска не означает, что бумагу можно уничтожить. Кто: юрист. Готово: письменное решение, какие оригиналы хранятся и где.
• ☐ Отметить чувствительные документы. Личные дела, медицинские справки, документы с паспортными данными. Кто: юрист и ИБ. Готово: такие дела помечены в описи и для них определён особый порядок доступа.

Этап 3. Подготовка бумаги к сканированию

• ☐ Снять скрепки и скобы, расшить дела, где это допустимо. Сшитые и опечатанные дела не расшивайте без решения ответственного за архив. Кто: исполнитель сканирования. Готово: листы для автоподатчика без металла и склеек.
• ☐ Отделить ветхие, мятые и нестандартные листы. Их сканируют в планшетном режиме. Кто: исполнитель сканирования. Готово: отдельная стопка с пометкой.
• ☐ Сохранить порядок листов и границы документов. Используйте листы-разделители между документами. Кто: исполнитель сканирования. Готово: один документ — одна стопка, порядок совпадает с делом.
• ☐ Вести журнал выдачи дел. Кто: ответственный за архив. Готово: для каждого дела записано, кто, когда взял и вернул.

Этап 4. Параметры сканирования и файлы

Документация Tesseract указывает, что движок лучше всего работает с изображениями с разрешением не ниже 300 dpi. Это хороший нижний порог и для других OCR-систем, если их документация не требует иного.

Ситуация	Что выбрать	Почему
Обычный печатный текст	300 dpi, оттенки серого	Достаточно для OCR, файлы меньше цветных
Синие подписи, цветные печати и штампы	300 dpi, цвет	В оттенках серого печать может слиться с текстом
Мелкий шрифт, таблицы, чертежи	Выше 300 dpi, пробный скан	Проверьте распознавание на образце до запуска потока
Долгосрочное хранение копий	PDF/A	Формат ISO 19005 создан для долгосрочного хранения: PDF/A-1 опубликован в 2005 году и основан на PDF 1.4

• ☐ Сделать пробный скан 20–30 типовых страниц. Распознайте их выбранным OCR. Кто: исполнитель сканирования и ИТ. Готово: параметры зафиксированы в инструкции.
• ☐ Задать правило имён файлов. Например: тип_дата_номер_контрагент. Кто: ИТ и ответственный за архив. Готово: правило записано, имена уникальны.
• ☐ Один документ — один файл. Многостраничный договор с приложениями хранится одним PDF, а не россыпью страниц. Кто: исполнитель сканирования. Готово: выборочная проверка 10 файлов прошла без ошибок.
• ☐ Сохранять исходные изображения. Если OCR понадобится повторить, не придётся сканировать заново. Кто: ИТ. Готово: исходники лежат в хранилище с резервной копией.

Этап 5. Распознавание текста и контроль качества

• ☐ Добавить текстовый слой ко всем PDF. Кто: ИТ или подрядчик. Готово: в каждом файле можно найти слово поиском.
• ☐ Проверить выборку. Возьмите случайные страницы из каждого типа документов и сравните распознанный текст с оригиналом: номера, даты, суммы, ФИО. Кто: эксперты-пользователи. Готово: критичные поля распознаны без ошибок или ошибки исправлены.
• ☐ Отдельно проверить таблицы, рукописные пометки и печати. Их OCR распознаёт хуже всего. Кто: эксперты-пользователи. Готово: для таких документов принято решение — исправить вручную, внести данные в метаданные или пометить как «только изображение».
• ☐ Повернуть и выровнять страницы. Кто: исполнитель сканирования. Готово: перевёрнутых и перекошенных страниц в выборке нет.

Этап 6. Метаданные и права доступа

• ☐ Утвердить набор полей. Минимум: тип документа, дата, номер, контрагент или автор, подразделение, срок хранения, уровень доступа. Кто: владелец проекта и ответственный за архив. Готово: поля описаны с допустимыми значениями.
• ☐ Заполнить поля для каждого документа. Часть полей можно извлечь автоматически, но проверка выборки обязательна. Кто: исполнитель или подрядчик. Готово: в выборке нет пустых обязательных полей.
• ☐ Назначить права доступа до загрузки в поиск. ИИ-поиск должен показывать документ только тем, кому он разрешён. Кто: ИТ и ИБ. Готово: права проверены на тестовых учётных записях разных ролей.
• ☐ Решить, где будет работать модель. Документы с персональными данными и коммерческой тайной не всегда можно отправлять во внешний сервис. Правила разбирали в статье о клиентских данных и ИИ. Кто: юрист и ИБ. Готово: письменное решение о размещении модели.

Этап 7. Загрузка в ИИ-поиск и проверка на вопросах

• ☐ Загрузить файлы с метаданными в базу знаний. Качество извлечения текста из PDF сильно зависит от парсера — сравнение инструментов есть в статье о парсинге PDF для RAG. Кто: ИТ или подрядчик. Готово: все файлы проиндексированы, ошибки загрузки разобраны.
• ☐ Настроить нарезку документов на фрагменты. Договор с приложениями режут иначе, чем письмо, — подробнее в статье о чанкинге документов. Кто: ИТ или подрядчик. Готово: фрагмент содержит номер и дату документа.
• ☐ Прогнать вопросы из этапа 1. Для каждого проверьте: найден ли нужный документ, верен ли ответ, есть ли ссылка на источник. Кто: эксперты-пользователи. Готово: результаты в таблице, ошибки разобраны по причинам — скан, OCR, метаданные или поиск.
• ☐ Сравнить с замером из этапа 1. Кто: владелец проекта. Готово: решение о расширении на следующие коробки или о доработке.

Копируемый шаблон чек-листа

Скопируйте шаблон в таблицу или трекер задач и впишите своих ответственных.

ЭТАП 1. ЦЕЛЬ И ВОПРОСЫ
☐ Задача сформулирована одной фразой — владелец проекта — согласована с пользователями
☐ Собрано 30–50 реальных вопросов с указанием документа-источника — эксперты
☐ Определён формат ответа — владелец проекта
☐ Записан текущий замер времени поиска — эксперты

ЭТАП 2. ИНВЕНТАРИЗАЦИЯ И ОТБОР
☐ Опись коробок и дел — ответственный за архив
☐ Статусы: оцифровать / хранить / рассмотреть к уничтожению — владелец + архив
☐ Сроки хранения по Перечню Росархива № 236 внесены в опись — юрист + архив
☐ Письменное решение о хранении оригиналов — юрист
☐ Чувствительные дела помечены — юрист + ИБ

ЭТАП 3. ПОДГОТОВКА БУМАГИ
☐ Скрепки и скобы сняты, дела расшиты, где допустимо — исполнитель
☐ Ветхие и нестандартные листы отложены для планшетного режима — исполнитель
☐ Листы-разделители между документами — исполнитель
☐ Журнал выдачи дел ведётся — архив

ЭТАП 4. СКАНИРОВАНИЕ И ФАЙЛЫ
☐ Пробный скан 20–30 страниц, параметры записаны (не ниже 300 dpi) — исполнитель + ИТ
☐ Правило имён файлов утверждено — ИТ + архив
☐ Один документ — один файл — исполнитель
☐ Исходные изображения сохранены с резервной копией — ИТ

ЭТАП 5. РАСПОЗНАВАНИЕ И КОНТРОЛЬ
☐ Текстовый слой во всех PDF — ИТ
☐ Выборочная проверка номеров, дат, сумм, ФИО — эксперты
☐ Решение по таблицам, рукописи, печатям — эксперты
☐ Страницы повёрнуты и выровнены — исполнитель

ЭТАП 6. МЕТАДАННЫЕ И ДОСТУП
☐ Набор полей утверждён — владелец + архив
☐ Обязательные поля заполнены и проверены выборкой — исполнитель
☐ Права доступа проверены на тестовых ролях — ИТ + ИБ
☐ Решение о размещении модели — юрист + ИБ

ЭТАП 7. ИИ-ПОИСК И ПРИЁМКА
☐ Файлы проиндексированы, ошибки загрузки разобраны — ИТ
☐ Нарезка на фрагменты настроена по типам документов — ИТ
☐ Вопросы из этапа 1 прогнаны, ошибки разобраны по причинам — эксперты
☐ Результат сравнён с исходным замером, принято решение о расширении — владелец

Типовые ошибки

1. Сканировать всё подряд. Без вопросов из этапа 1 бюджет уходит на документы, которые никто не ищет.
2. Уничтожить оригиналы после сканирования. Сроки хранения и требования к форме документов определяет не наличие скана; это решение юриста.
3. Выбрать низкое разрешение, чтобы сэкономить место. Ошибки OCR в номерах и суммах потом не исправить без пересканирования.
4. Склеивать несколько документов в один файл или делить один документ на файлы. ИИ-поиск будет путать источники и даты.
5. Пропустить метаданные. Без даты, номера и контрагента ИИ не отличит действующий договор от расторгнутого.
6. Открыть всем доступ ко всему. ИИ-поиск честно покажет личное дело сотруднику, у которого не было доступа к бумажному архиву.
7. Принимать проект по впечатлению. Без вопросов, замера и разбора ошибок нельзя понять, стал ли поиск лучше.

Первоисточники и метод проверки

Мы проверили фактические утверждения 25 октября 2026 года:

• Приказ Росархива от 20.12.2019 № 236 «Об утверждении Перечня типовых управленческих архивных документов…» (зарегистрирован в Минюсте 06.02.2020 № 57449) — пункты 11, 277, 435 и примечание о сроке 50/75 лет;
• документация Tesseract Improving the quality of the output — рекомендация разрешения не ниже 300 dpi;
• Библиотека Конгресса США, описание формата PDF/A-1 — стандарт ISO 19005-1:2005 на основе PDF 1.4.

Состав этапов, роли, критерии «готово» и размеры выборок (30–50 вопросов, 20–30 страниц пробного скана) — наша редакционная методика для пилота, а не нормативное требование. Сроки хранения конкретных документов вашей организации могут определяться и другими актами — сверяйте их с юристом.

Как AIrassvet помогает подключить бумажный архив к ИИ-поиску

Оцифровка окупается, когда скан превращается в документ, по которому ИИ находит точный ответ со ссылкой на источник. На сайте AIrassvet среди направлений указаны RAG-системы и корпоративные базы знаний, решения компьютерного зрения для работы с документами, а также аудит процессов, подготовка данных, интеграция и тестирование. Для этой задачи это означает:

• аудит вопросов сотрудников и архива: какие документы и поля действительно нужны для поиска;
• настройку распознавания и извлечения метаданных из сканов с выборочной проверкой качества;
• базу знаний на RAG с правами доступа и проверкой на контрольных вопросах до запуска.

Первый шаг — выбрать один процесс, в котором сотрудники ищут бумажные документы, и зафиксировать текущий результат, источники данных, ограничения и критерий приёмки.

Обсудить задачу

Итог: сначала вопросы и сроки хранения, потом сканер

Бумажный архив становится полезным для ИИ-поиска, когда пройдены все семь этапов: цель и вопросы, отбор с учётом сроков хранения, подготовка бумаги, сканирование не ниже 300 dpi, проверка распознавания, метаданные с правами доступа и приёмка на реальных вопросах.

Начните с одной группы документов — например, договоров с поставщиками за несколько лет. Пройдите по шаблону, сравните время поиска до и после и только затем расширяйте оцифровку на остальной архив.