LO
这个职业有新的已核实记录时通知我 → · 标出哪些任务是你的(VOLO Pro,发布期间免费)→
数据录入员
把纸质表格、扫描件和文件里的数据录入系统,与原件核对,并改正对不上的地方。美国的预测认为,到 2035 年这个职业会缩减约四分之一;机器如今已能读取过去要人工录入的许多内容 —— 人口普查表、纳税申报表、发票、财务报表。但机器会把读不准的内容交回给人,美国国税局的大规模数字化迄今只处理了一小部分纸质申报,而把数据采集自动化的公司,仍让人负责例外与质量。
问一问你的主管,你们团队现在收到的文件有多少已经由软件抽取,由谁来核对。
这不是失业概率。它把「岗位任务中有多少暴露于自动化」与「采用实际走到了哪一步」合成为一个值 —— 只用于在同一套口径下横向比较职业,除此之外不作他用。
适用于以录入与核对数据为主要工作的人 —— 后台、公共机构和外包公司里的数据录入员。行政助理、前台和医疗编码员有各自的页面。证据是美国的就业预测、监察长对国税局的审计、人口普查局的评估、一家数据公司和一家外包公司的年报,以及两项信息抽取基准;它们确立的是机器在哪里读取文件、人在哪里留下,不是预测中的下降因何发生。
到底什么在变#
分析单位是任务,不是职位名称。职业不会被整体替代 —— 变的是它的任务构成。
每一格是一项任务。大小是它在这份工作里的分量,颜色是它正在往哪个方向走。点一格,看这个判断还不能说明什么。
这是一家公司对自身运营的描述、一个机构的审计和一次较早的测试;都没有统计有多少录入岗位消失。
这是基准测试,其中一项出自一家出售文档产品的公司;没有测量实际中还剩多少核对工作。
这就是你做的吗?认一下,这一页会缩到只剩与你有关的那一份。
职位名只是一组恰好被打包买走的任务,而没有两个人手里的那一组是一样的。什么都不会被发送出去 —— 它只留在这个浏览器里。
近期变化#
美国。预测表列出数据录入员(43-9021)2025 年 131,800 个岗位、2035 年 98,200 个,变化为 −33,600 个、−25.5%,每年约有 7,700 个职位空缺。表里没有给出下降的原因;这项预测数的是一个国家的岗位,没有把变化归因于 AI。
一个有资格的人,在具名、有日期、可归属的公开表态里,对未来做出了一个判断。记录它,是为了让「谁在什么时候说了什么」保持可核对 —— 而它永远不改变任务判断,因为预测不是观察。它的价值在之后才到:这条记录和那个职业的证据同在一页,读到预测的人,旁边就是「后来发生了什么」的记录。那就是结算;本站不对一条预测是否应验发布结论。
一家业务流程外包公司的年报。它说,其文档智能处理平台配以专门的「人在回路」例外处理,把来件转成电子数据,减少了对专门拆封、审阅和分拣文件的收发室人员的需要;而在高度受监管的行业里,自动化流程仍需要专门的人来监督,由其员工处理复杂的例外、敏感数据和质量控制。这是公司在描述自己出售的服务。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
一家金融数据公司的年报。它说,它继续部署并改进由 AI 驱动的数据采集与导入流程,配以独立标准和人在回路的治理,着眼于覆盖面、可靠性和处理速度,同时保持数据质量。这是公司在描述自身运营;没有把任何人员变化与 AI 联系起来。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
一项从 35 份 PDF 文件中抽取结构化数据的基准,配有人工标注的标准答案,共 12,867 个字段。作者报告:前沿模型在贴近现实的表单上仍不可靠;表单越宽,性能下降越急,在一个 369 字段的财务报告表单上,所有被测模型的有效输出都是 0%;在某一领域,模型有效输出 90%,通过率却只有 12.5%。作者任职于一家出售文档产品的公司;这是基准,不是对实践的测量。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
美国国税局。审计说,由承包商扫描纸质申报并抽取数据的试点证明了纸质申报可以数字化,但 2023 年 2 月至 2024 年 12 月收到的 5,330 万份纸质 940、941 和 1040 表中,只有约 380 万份(7%)是这样处理的;截至 2025 年 5 月,承包商扫描了 2025 年申报季收到的 980 万份中的近 517,000 份(5%)。2025 年 9 月,国税局授出总额 23 亿美元、到 2030 财年的数字化合同;承包商须招人收件拆信,并核对申报数据的准确性。工作转给承包商,不等于工作被自动化。
真实场景里的小规模试验。说明落地条件正在被检验,不代表条件已经成立 —— 所以单独一次试点永远不够,两次互不相干的才够。
一项用语言模型从发票和收据中抽取字段的基准,零样本、基于公开数据集。作者报告,Gemini 2.5 Pro 在全部三个数据集上准确率最高:扫描收据 87.46%,干净发票 96.50%,扫描发票 92.71%。它测量的是公开数据集上的字段准确率,不是应付账款部门里的使用。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
美国人口普查局的处理中心,那里由职员从扫描的问卷上录入全部手写答案。在一次涵盖 71,000 多个值的测试中,字符识别与人工录入值一致约 73%;近 27% 它读不出,而读不出某个字段的值时,该字段交给录入员。在它读出的全部值中,0.3% 有误,低于对人工录入批次要求的 1% 错误率。这是一次较早的、只针对数字字段的测试。
真实场景里的小规模试验。说明落地条件正在被检验,不代表条件已经成立 —— 所以单独一次试点永远不够,两次互不相干的才够。
这对你意味着什么#
如果你在考虑这份工作,预期纯录入的岗位会变少;把目标放在机器周边仍然留下的角色上:核对记录、处理例外与敏感数据,以及熟悉数据必须遵守的规则。
预期随着文件由软件读取,你手工录入的量会下降,工作转向复核软件读错的地方。熟悉数据背后的领域 —— 税务、理赔、财务 —— 才能让你成为处理例外的那个人。
你的选择#
四个方向,每个都写明真实约束和一个本周可验证的动作。继续做下去也是正当选择 —— 只要它是被选择的,而不是被默认的。
从录入转向核对与例外处理
自动采集会把读不准的、必须核对的内容交给人。
这类岗位比录入岗位少,而且要求懂业务。
问一问你的主管,你们团队现在收到的文件有多少已经由软件抽取,由谁来核对。
转向使用这些数据的业务岗位
懂得数据的含义 —— 在理赔、账单或会计里 —— 可以带进对它作决定的岗位。
这些岗位往往要求培训或证书。
挑一种你录入最多的文件,列出下游有人用它作出的决定。
留在仍有纸质与敏感数据的地方
公共机构仍收到大量纸质文件,而数字化进展缓慢。
随着数字化追上来,这些工作可能转给承包商并缩减。
弄清你的雇主是否有数字化合同或计划,以及什么时候到期。
常见问题#
大部分录入,随着时间会;核对,还不会。美国的预测认为,2025 至 2035 年数据录入员的就业将下降 25.5%;机器如今已能读取人口普查表、纳税申报表和财务文件。但抽取基准显示,模型仍会出错、需要复核;把采集自动化的公司,也仍留人处理例外与质量。
我们不用年数回答这个问题。看看你们团队的工作有多少到手时已经由软件抽取,以及你的雇主是否签了数字化合同。这些比任何日期都更能说明你自己的工作。
美国的预测没有说。它预计 2025 至 2035 年数据录入员的就业从 131,800 人降到 98,200 人,但没有给出原因,所以我们不把这一下降归因于 AI。
正是机器交回给人的那些:把记录与原件逐项核对、处理软件读不了或读不准的文件,以及熟悉数据所在领域的规则。
这些判断底下是什么#
这一页上 4 条任务判断里,2 条有已核实事件支撑、2 条是平台推断,每一条都在它出现的地方标注着。它们底下是 3 个技术维度、一条自语言模型进入公众视野以来的回溯轨迹,以及 7 条已核实事件。