退回手敲 Excel,不是自动化失败

前几天刷到一位研究二战德国空军损失记录的研究者，分享的一段经历。

因为手里的史料版式五花八门，有扫描件，有旧表，他就想试试用 AI 做 OCR（一种把图片、扫描件、PDF 或照片里的文字，自动转换成电脑能直接读取、编辑和搜索的文本文字的识别技术） 和抽取，把这些资料整理成结构化数据。

表格确实做出来了。

行列整齐，每个字段都有内容，看起来相当漂亮。

可等他对照原始资料逐条检查的时候，错行、错字段多到没法接受。

最后他忍无可忍，直接放弃 AI 这条路，回到手工 Excel，一条一条敲。

这件事只看表面，很容易被当成 AI 又翻车了的例子，或者反过来，被解读成他不会用工具。

我觉得两种读法都错了。

他做的其实是一件很专业的事，在一套流程还没有资格对结果负责的时候，把它停下来。

这种项目最容易让人放松警惕的时刻，往往不是 AI 识别不出来，而是它识别出来了。

文件上传成功，文字提取出来，行列整理好了，Agent 报告任务完成。

你打开 Excel，看到每个单元格都有东西，格式整齐漂亮，貌似可以入库了。

问题要等领域专家开始对照原件才会浮出水面。

某个日期落到了下一行，某个人名和另一条记录拼在了一起，某个编号格式完全正确，却对应到了错误的对象。这些错误不集中，不重复，也不会主动报错。它们随机散落在行列之间，穿着整齐格式的外衣，和正确的数据长得一模一样。

一个明确的报错其实是好事，它能告诉你出了问题。

真正麻烦的是无声无息的错误，你不知道它在哪，只知道它肯定在。

接下来的问题更有意思。

明知结果不能用，却很少有人立刻退回手工，更常见的动作是换一个模型，改一遍提示词，调整输出格式，再跑一批样本，发现又冒出另一种错误，然后继续，相信再优化一次应该行。

做这个选择不奇怪。

流程已经完成了大部分可见的动作，放弃它不像停止一个无效方案，更像亲手推翻一个只差最后一点的项目。

背后还有一层更隐蔽的机制。

这个项目真正的目标本来很清楚，得到一份字段正确、来源可追溯、能进正式数据库的资料。但这个目标需要专家核对才能确认，反馈慢，也很难用一次演示证明。

相比之下，OCR 读了多少页，Agent 有没有跑完，Excel 有没有自动生成，自动化提升了几个效率点，这些进展看得见，说得出，有成就感。于是评价标准悄悄发生了替换，从数据能不能可信交付，变成了自动化能不能继续跑。

一旦手段替代了目标，继续换模型加规则都会被理解成推进项目，而停下来回到人工验收，反而被看成倒退。

这就解释了一个看起来矛盾的现象，明明自动化产出的结果不能用，人还是觉得退回手工是一种失败。失败的从来不是交付目标，而是那个后来被偷换进去的自动化目标。

旧的比较方式很简单，AI 抽取一次生成整张表，快，人工一条一条录，慢，所以 AI 先进。但这只比了前半段。

可靠交付比的是完整成本，提取成本，加验收成本，加纠错成本，加返工成本，再加错误进入下游之后的污染成本。

如果 AI 的结果仍然要由领域专家逐条对照，AI 省掉的只是敲键盘的动作，没有省掉最贵的那部分，专业判断。如果还要排查随机错位，完整成本甚至可能高于直接录入。

在这里，要说一下边界，手工录入并不天然正确，它同样会错。但在字段规则清楚、有人复核、原始资料可以逐条追溯的前提下，手工的错误通常停留在局部，知道是谁录的，能回到哪一页原件，可以在哪一道关口修正。

AI 抽取的错误是另一种性质，格式完整，内容看似合理，随机散落在行列字段之间。只要这些没验证过的数据进了正式库，它就会继续参与筛选、统计、关联，被后面的人和 Agent 当成事实引用。

一个字段错位，被当成正式数据保存，进入统计，形成结论，结论又被引用。

到那时要修的已经不是一个单元格，而是所有建立在它之上的判断。

今天省掉的一次核对，会变成未来越来越难追溯的一笔债务，我把它叫做数据债务。

举个例子。一份资料有 1000 行，AI 整体准确率 95%，听起来不错，但仍然有 50 处错误。如果这些错误随机分布，没有置信度提示，其中又包含日期、编号、分类这类关键字段，那为了把它们找出来，人可能要对全部记录核对一遍。

平均准确率回答不了能不能交付这个问题。

真正要问的是，错误落在哪些字段，能不能被自动标记，抽检能不能代表整体，漏掉一处后果多大，验证全部结果要花多少专业时间。

所以我更愿意换一个指标。

与其看一小时生成了多少行，不如看一小时最终得到多少条通过验收、来源可追溯、可以进入正式系统的数据，暂且叫它可信吞吐量。

分子是能用的数据，分母是包含抽检、复核、纠错、返工在内的完整时间。用这个指标一算，很多所谓跑通了的流程，可信吞吐量可能接近零。

那退回手工就完了吗？也不是。

退回手工不是终点，而是重新设计验收的起点。

第一步，先定义哪些字段不能错。不要先问 OCR 准不准，先把字段分成三类。

关键字段，错一处就可能改变记录身份或统计结果，必须逐项验证。

一般字段，允许少量错误，抽样检查就行。

辅助字段，只用于检索和阅读提示，错了不进核心判断。

连哪些字段不能错都没定义，就谈不上验收标准，也就没法判断模型可不可用。

第二步，建一个隔离区。

原始资料先进 AI 预填区，经过异常标记和字段核对，进入验收通过区，最后才是正式数据库。

没验证过的数据只能停在预填区，后续的分析和 Agent 不能把它当正式事实调用。

这一步的意义在于，让错误留在还能被发现的地方。

第三步，用小样本看错误的结构，而不只看平均数。

跑一小批有代表性的复杂资料，记录哪些字段最容易错，错误是集中在某种版式还是随机出现，有没有可以写成规则的异常特征，验证一条记录要多久。这一步的目的不是继续证明 AI 有多强，而是判断错误是否可控。

然后设停用和恢复条件。关键字段随机出错且没法靠规则提前发现，没有可靠的异常标记，必须逐条对照才知道对不对，修正成本接近甚至超过直接录入，这些都是停止 AI 主路径的信号。

停下之后，关键字段改由人工录入，AI 只负责预填、转录、格式整理和辅助检索，每条正式记录保留到原件的追溯关系，人负责异常判断和最终入库。

而当版式被拆成若干稳定类型，关键字段可以交叉验证，AI 能稳定标记低置信度记录，人只需核对少量异常，小样本验收连续达标，自动化就可以逐步恢复。

下一次想再换一个模型之前，先回答三个问题。

错误能不能定位到具体字段？没验证的数据能不能和正式库隔离？完成可靠验收的成本，是不是真的低于直接录入？三个都回答不了，就先停一下，而不是换一个 OCR 继续碰运气。

初级自动化追求的是机器能不能把动作做完，成熟的自动化追求的是系统能不能稳定交付，并在不确定的时候主动停下来。

一套真正专业的流程，不只写正常执行的路径，还写明了哪些结果必须验收，什么异常必须拦截，什么时候降级，什么时候把责任交还给人，满足什么条件才重新放开。没有停止条件的流程，本身就还没设计完。

退回人工也不等于人要永远手敲。人回到的是当前最关键的位置，定义字段，判断错误代价，设定验收标准，处理异常，对最终入库负责。

执行可以逐步交给 AI，但定义、验收和责任不能一起交出去。当这些标准能够被表达、被记录、被机器检查，自动化才有条件重新扩大。

模型生成结构化结果只会越来越容易。

真正拉开差距的，是谁能定义结果标准，谁能发现无声的错误，谁能建立可追溯的验收链路，谁敢在流程不成立时停下来。这条规律不只适用于史料抽取，写作、代码、研究整理和业务自动化里都一样。

所以那位研究者退回手敲 Excel，不是自动化失败，而是项目重新开始对结果负责。

以上，既然看到这里了，如果觉得不错，随手点个赞、转发一下吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。