La redacción con IA de Milyli llega a Blackout, pero la automatización aún necesita revisión humana
La redacción con IA de Milyli llegó a Blackout el 14 de octubre, incorporando recomendaciones automatizadas para contenido sensible en Excel nativo, PDF y otros tipos de archivo. La actualización lleva a Blackout más allá del procesamiento masivo basado en reglas, hacia modelos de lenguaje que identifican información según el contexto. Sin embargo, el conflicto central sigue sin resolverse: la automatización puede reducir la revisión repetitiva, pero los datos omitidos aún pueden exponer a personas y organizaciones.
El nuevo sistema utiliza Azure Language a través de Microsoft Foundry Tools para identificar información de identificación personal, material protegido por privilegio y otro contenido sensible. Milyli afirma que la función está disponible de inmediato para los clientes de Blackout. Su valor dependerá de si los equipos legales pueden verificar esas recomendaciones sin recrear la carga de trabajo manual que la automatización promete reducir.
Esta tensión sitúa a Blackout entre dos enfoques consolidados. La redacción tradicional depende de revisores, términos de búsqueda y expresiones regulares. Los sistemas de IA más recientes clasifican nombres, identificadores y relaciones contextuales que las reglas fijas podrían pasar por alto. Microsoft advierte que la detección automatizada de PII produce tanto falsos positivos como falsos negativos, por lo que la supervisión humana es esencial en los casos de mayor riesgo.
Blackout ahora recomienda redacciones en archivos nativos
La actualización cambia la forma en que Blackout encuentra datos sensibles, no la responsabilidad legal de decidir qué debe eliminarse.
Según el anuncio de lanzamiento de Milyli, Blackout ahora utiliza procesamiento de lenguaje natural y extracción de entidades para recomendar redacciones. El sistema se dirige a PII, comunicaciones protegidas por privilegio y otra información sensible en colecciones de documentos.
Las recomendaciones automáticas son la parte más relevante de la actualización. Un revisor ya no necesita conocer todas las variantes de ortografía, formato o frases circundantes antes de iniciar una búsqueda. El software puede proponer entidades sensibles según el lenguaje que las rodea.
Blackout aplica después esos hallazgos mediante sus flujos de trabajo existentes de marcado y redacción. Esta distinción importa porque detectar texto sensible y eliminarlo de forma permanente son operaciones separadas. Un modelo puede identificar un posible número de cuenta bancaria, mientras que el sistema de redacción controla cómo se marca, revisa, audita y produce ese contenido.
Milyli afirma que la actualización admite decenas de formatos de archivo. Excel nativo recibe especial atención porque las hojas de cálculo presentan estructuras que las canalizaciones de documentos convencionales a menudo simplifican o pasan por alto. Un libro puede contener fórmulas, hojas ocultas, comentarios, gráficos, objetos incrustados, encabezados y texto parcial dentro de celdas.
Blackout ya gestionaba esas estructuras antes del lanzamiento de IA. Su flujo de trabajo para hojas de cálculo documentado prepara los libros exponiendo contenido oculto y eliminando el historial de cambios recuperable antes de que los revisores apliquen marcados. También admite redacciones de celdas, filas, columnas, hojas, gráficos y objetos.
Por tanto, la capa de IA no crea de la nada la redacción de Excel nativo. Modifica la fase de identificación al añadir recomendaciones contextuales a los controles consolidados para hojas de cálculo. Es más preciso que describir la actualización como un sistema de redacción completamente autónomo.
Los flujos de trabajo para PDF siguen un patrón similar. Blackout puede aplicar marcados automatizados a PDF con capacidad de búsqueda y marcados manuales a archivos con capacidad de búsqueda o basados en imágenes. La nueva capacidad de IA amplía la forma en que se identifica contenido probablemente sensible antes de la producción.
La disponibilidad inmediata también distingue este lanzamiento de un anuncio de hoja de ruta futura. Los clientes existentes pueden evaluar la función frente a colecciones de revisión activas. Milyli no ha divulgado públicamente cifras de adopción, resultados independientes de precisión ni referencias de clientes para la nueva capacidad.
La ausencia de esas cifras limita las conclusiones que pueden extraerse el día del lanzamiento. La actualización confirma un cambio de producto y su base técnica. Aún no establece cuánto tiempo de revisión ahorra el sistema en asuntos legales reales.
Por qué la redacción con IA de Milyli importa para Excel nativo
La compatibilidad con Excel nativo convierte una función abstracta de IA en una prueba de si la automatización puede preservar evidencia compleja mientras elimina contenido sensible.
Muchos productos de redacción funcionan de forma más natural sobre páginas renderizadas. Las hojas de cálculo no se comportan como páginas fijas. El significado puede depender de fórmulas, relaciones entre celdas, campos ocultos, pestañas del libro, comentarios y objetos situados fuera de la cuadrícula visible.
Convertir un libro en imágenes o páginas PDF puede facilitar la visualización de la redacción. También puede eliminar la interactividad, alterar la paginación, separar fórmulas de valores y complicar el análisis posterior. El procesamiento nativo busca conservar la estructura útil mientras modifica el contenido que no debe divulgarse.
Esto hace que la protección automatizada de datos sensibles sea más difícil que dibujar rectángulos negros. El sistema debe localizar una entidad, asignarla al elemento correcto del libro, conservar los datos circundantes y crear un registro defendible de la acción. También debe impedir que la información eliminada siga siendo recuperable en otro lugar.
Un nombre de contacto puede aparecer en una celda visible, una fila oculta, una etiqueta de gráfico y una referencia de fórmula. Una búsqueda fija por palabras clave puede encontrar coincidencias exactas, pero podría pasar por alto apodos, diferencias de formato o identificadores que requieren contexto. Un clasificador de IA puede ampliar la detección, aunque una detección más amplia también puede aumentar las recomendaciones irrelevantes.
La integración de Milyli con Azure Language aborda el problema de clasificación. La detección de PII de Microsoft devuelve categorías de entidades, puntuaciones de confianza y resultados redactados. Las categorías compatibles incluyen nombres, direcciones, identificadores financieros, identificadores gubernamentales y cierta información de salud.
Las puntuaciones de confianza son útiles, pero no prueban que una recomendación sea correcta. Los equipos deben decidir qué puntuaciones activan acciones automáticas, cuáles generan tareas de revisión y cuáles se ignoran. El umbral adecuado varía según el tipo de documento, la categoría de entidad y el riesgo de divulgación.
Un umbral bajo puede capturar más PII potencial y reducir los falsos negativos. También genera más falsos positivos, que pueden ocultar evidencia relevante o ampliar la cola de revisión. Un umbral más alto puede reducir el ruido, pero permitir que información sensible ambigua se filtre.
Excel dificulta especialmente esta calibración. Una secuencia de dígitos puede representar un número de cuenta, un código interno de proyecto o un cálculo común. El contexto de las celdas circundantes puede aclarar el significado, pero los diseños de hojas de cálculo suelen codificar el contexto de forma visual en lugar de gramatical.
El mismo problema afecta al contenido protegido por privilegio. Los nombres de abogados y los términos legales pueden ayudar a identificar una comunicación, pero su presencia no convierte automáticamente cada documento en privilegiado. El privilegio suele depender de los participantes, la finalidad, la materia y la jurisdicción.
La posible ventaja de Blackout es su conexión entre recomendación y marcado. Los equipos legales pueden mantener la detección, las decisiones de los revisores, la redacción nativa y el historial de auditoría dentro de un mismo flujo de trabajo. Esto reduce los traspasos que pueden introducir reglas inconsistentes o registros desconectados.
También ejerce presión sobre herramientas independientes de detección que solo devuelven una lista de entidades. Los compradores empresariales necesitan cada vez más una cadena operativa desde la identificación hasta la revisión y la producción. Una salida útil de un modelo debe convertirse en una acción documental controlada.
La lección más amplia se extiende más allá del eDiscovery. Las organizaciones que crean una base de conocimiento local se enfrentan a un problema relacionado cuando documentos técnicos sensibles entran en sistemas con capacidad de búsqueda. La clasificación ayuda, pero los controles de acceso y las políticas de revisión siguen determinando si la información protegida permanece protegida.
La IA contextual desafía la redacción basada en reglas
El principal adversario de Blackout no es otro producto; es la creencia consolidada de que las reglas fijas son suficientes para una redacción masiva defendible.
La redacción basada en reglas sigue siendo valiosa porque su comportamiento es relativamente fácil de explicar. Un equipo puede buscar una frase exacta, un identificador conocido o un patrón de expresión regular. Los revisores pueden documentar la regla y reproducir sus resultados.
Blackout ya admite proyectos masivos de hojas de cálculo mediante términos, frases y expresiones regulares. La documentación de Milyli también permite grandes importaciones de reglas para proyectos de imágenes, Excel y PDF. Estas herramientas siguen siendo adecuadas cuando los equipos saben exactamente qué patrones necesitan eliminar.
Los números de la Seguridad Social ilustran la fortaleza de las reglas. Su formato sigue patrones reconocibles, incluso cuando varían los espacios o los guiones. Los números de tarjetas de crédito, direcciones de correo electrónico y nombres específicos de casos también pueden funcionar bien con búsquedas cuidadosamente elaboradas.
La debilidad aparece cuando la información sensible no sigue un patrón estable. Errores ortográficos, puntuación inconsistente, nombres parciales, identificadores extranjeros, descripciones narrativas y diseños poco comunes pueden derrotar la coincidencia exacta. El mantenimiento de reglas también aumenta a medida que las colecciones de documentos introducen nuevas variaciones.
El reconocimiento contextual de entidades cambia la pregunta de búsqueda. En lugar de preguntar si una cadena coincide con un formato predeterminado, el sistema pregunta qué papel cumple la cadena en el texto que la rodea. Esto puede revelar material que el revisor no anticipó al elaborar la lista de reglas.
La redacción con IA de Milyli combina esas recomendaciones contextuales con los controles existentes de Blackout. Esto crea un modelo híbrido, en lugar de un reemplazo completo de las reglas. Los patrones conocidos pueden seguir siendo deterministas, mientras que la capa de IA busca casos menos previsibles.
Es probable que esta estructura híbrida resulte más útil que tratar la IA y las reglas como mutuamente excluyentes. Un equipo legal puede usar reglas para identificadores estables, IA para el descubrimiento contextual y revisores humanos para decisiones ambiguas. Cada capa aborda un modo de fallo distinto.
El enfoque también refleja la presión competitiva dentro de la tecnología legal. Relativity promueve la redacción automatizada para solicitudes de acceso de interesados, incluida la identificación de datos personales asistida por IA y un registro de auditoría. Su plataforma más amplia también reúne recopilación, revisión, redacción y producción en un solo entorno.
La relación entre Milyli y Relativity complica una comparación simple de empresa contra empresa. Blackout ha operado durante mucho tiempo dentro de los flujos de trabajo de Relativity. En septiembre de 2026, Relativity anunció que Blackout pasaría a llamarse RelativityOne Redact como una capacidad estándar de RelativityOne.
Por tanto, el anuncio de IA de Milyli refuerza un flujo de trabajo que se solapa con la propia dirección de IA de Relativity. La cuestión competitiva tiene menos que ver con una rivalidad directa y más con qué experiencia de detección y revisión se convierte en la interfaz predeterminada para los equipos legales.
Otras plataformas de revisión también ofrecen detección automatizada de PII, redacción masiva o revisión asistida. Los compradores compararán cobertura, auditabilidad, límites de implementación y manejo de archivos nativos. También examinarán con qué facilidad pueden corregirse los resultados antes de la producción.
Excel nativo sigue siendo el diferenciador más claro de Milyli dentro de esa comparación. Su historial de redacción es anterior a la nueva capa de IA, lo que proporciona a la empresa un mecanismo consolidado para modificar libros de trabajo complejos. La integración con Azure ahora añade detección contextual a ese mecanismo.
Aun así, la amplitud de las funciones por sí sola no decidirá la competencia. Un sistema de recomendaciones que genere ruido excesivo puede aumentar los costes de revisión. Un sistema conservador que no detecte entidades poco comunes puede crear riesgos de divulgación. El equilibrio operativo importa más que la etiqueta de IA.
La protección automatizada de datos sensibles tiene un problema de precisión
La IA puede acelerar la primera pasada, pero el fallo de redacción más costoso suele ser el elemento sensible que el sistema nunca marca.
Los falsos positivos son visibles. Aparecen como recomendaciones innecesarias que los revisores pueden rechazar. Los falsos negativos son más difíciles porque el sistema no presenta ninguna advertencia cuando no reconoce contenido sensible.
Esta asimetría importa en litigios, investigaciones, solicitudes de privacidad y entregas regulatorias. Una redacción innecesaria puede ocultar información relevante y requerir corrección. Un identificador o una declaración protegida que no se detecta puede dejar a la organización sin posibilidad de revertir una divulgación.
La guía de IA responsable de Microsoft advierte explícitamente contra la redacción de alto riesgo sin supervisión. Indica que los fallos pueden exponer a las personas al robo de identidad u otros daños, y recomienda una cuidadosa supervisión humana.
Microsoft también señala que se producen tanto falsos positivos como falsos negativos. Los umbrales de confianza pueden modificar su equilibrio, pero ningún umbral universal resuelve todos los casos de uso. Los equipos necesitan pruebas similares a producción con sus propios idiomas, formatos y categorías de entidades.
Esta cautela debería orientar cómo los compradores interpretan el anuncio de Milyli. Las recomendaciones automatizadas de redacción no eliminan la revisión. Reorganizan la revisión en torno a candidatos y excepciones generados por máquinas.
Un flujo de trabajo bien diseñado aún puede ahorrar tiempo. Los revisores pueden dedicar menos esfuerzo a localizar PII evidente y más a evaluar material ambiguo o relevante. La aprobación por lotes puede gestionar patrones recurrentes después de que el equipo valide el comportamiento del sistema.
Sin embargo, Milyli no ha publicado mediciones independientes de exhaustividad, precisión o falsos negativos para la nueva versión. La exhaustividad mide cuánto contenido sensible relevante encuentra el sistema. La precisión mide cuántas recomendaciones son realmente relevantes.
Ambas métricas necesitan contexto. Los resultados en texto limpio no predicen los resultados en documentos escaneados, archivos dañados, hojas de cálculo inusuales o colecciones multilingües. Las puntuaciones agregadas también pueden ocultar un rendimiento débil en categorías poco frecuentes pero de alto riesgo.
La cobertura lingüística merece un escrutinio especial. Las capacidades y limitaciones de Microsoft difieren entre versiones de servicio, funciones, idiomas y tipos de entidad. Los clientes de Blackout deberían verificar la configuración exacta de Azure detrás de la implementación de Milyli en lugar de asumir una cobertura uniforme.
El tratamiento de datos plantea otra cuestión. Los documentos sensibles deben procesarse antes de que puedan detectarse sus elementos sensibles. Los compradores necesitan respuestas claras sobre la ubicación de los datos, la retención, el registro, el cifrado, los controles de acceso y las políticas de entrenamiento de modelos.
Microsoft documenta opciones de configuración para implementaciones seguras de Azure Language, incluidos controles relacionados con el almacenamiento de diagnósticos. El anuncio de Milyli enfatiza la seguridad empresarial y la auditabilidad, pero no proporciona una arquitectura pública detallada para la integración de Blackout.
El material protegido introduce un riesgo distinto. La detección de PII se basa en categorías de entidades reconocibles. La clasificación de privilegio exige contexto jurídico y puede variar según el asunto. Una recomendación puede ayudar a un revisor sin convertirse en una determinación jurídica final.
Por tanto, los equipos deberían distinguir tres operaciones. La detección propone contenido que merece atención. La revisión determina si el contenido requiere protección. La redacción modifica permanentemente la versión divulgada mientras conserva un original autorizado.
Los registros de auditoría conectan esas operaciones. Un sistema defendible debería registrar la recomendación, la decisión del revisor, la regla o el modelo implicado, la acción de marcado y el estado final de la entrega. Ese historial se vuelve importante cuando otra parte impugna el proceso.
La guía de desidentificación de NIST refuerza la necesidad de una gobernanza que vaya más allá de la eliminación técnica. Trata la desidentificación como un proceso gestionado que implica riesgos de divulgación, uso de datos y revisión, en lugar de una única operación de software.
El anuncio de lanzamiento no establece que Blackout elimine de forma segura todas las categorías de información sensible en todos los archivos. Establece una nueva capa de recomendaciones respaldada por Azure Language. Los clientes deben validar el flujo de trabajo resultante conforme a sus propios requisitos legales y de seguridad.
La verdadera competencia es el trabajo de revisión, no la marca del modelo
Milyli tendrá éxito si Blackout reduce el esfuerzo total de revisión sin debilitar el control que hace defendible la redacción.
Los anuncios de productos de IA suelen centrarse en la capacidad del modelo. Los compradores de soluciones de redacción se preocupan por un sistema más amplio. Necesitan una admisión predecible, detección precisa, colas de revisión manejables, marcados fiables, procesamiento seguro y producción reproducible.
Un modelo puede rendir bien mientras falla el flujo de trabajo general. Las recomendaciones pueden llegar sin suficiente contexto. Los revisores pueden tener dificultades para aprobarlas o revertirlas. Los archivos nativos pueden conservar contenido oculto que el marcado visible no cubre.
Blackout ya aborda varios problemas posteriores mediante la preparación de documentos y controles de marcado nativos. Su flujo de trabajo para hojas de cálculo puede revelar filas, columnas y hojas ocultas antes de la redacción. También puede eliminar el historial de cambios que podría restaurar información protegida.
Estos controles importan porque el ocultamiento visual no siempre constituye una redacción genuina. Una forma negra colocada sobre el texto puede dejar el contenido subyacente accesible mediante búsqueda o recuperación. Los flujos de producción deben eliminar o reemplazar la información protegida en la salida.
La versión de IA añade valor cuando alimenta el proceso existente sin ocultar el control del revisor. Una recomendación debería mostrar qué se detectó, por qué se categorizó y dónde aparece. Los revisores deberían poder aceptar, rechazar o perfeccionar la acción.
La consistencia es otro posible beneficio. Los asuntos grandes suelen repartir el trabajo entre muchos revisores, y las personas pueden interpretar las instrucciones de forma diferente. Las reglas y los umbrales de recomendación centralizados pueden reducir la variación entre equipos.
Sin embargo, la consistencia puede reproducir errores sistemáticos. Si el modelo omite repetidamente un identificador concreto, todos los revisores que dependan de sus recomendaciones heredarán el mismo punto ciego. El muestreo y el control de calidad deben probar el contenido no marcado, no solo las recomendaciones aprobadas.
La implementación más sólida combinará varias salvaguardas. Los equipos pueden mantener búsquedas deterministas para patrones conocidos, utilizar recomendaciones de IA para el descubrimiento contextual y muestrear documentos que no reciban recomendaciones. Las reglas de escalamiento pueden dirigir las categorías de alto riesgo a revisores especializados.
Los clientes también deberían comparar el tiempo ahorrado durante la revisión inicial con el tiempo dedicado a validar los resultados. Una primera pasada más rápida no ayuda si el control de calidad se amplía lo suficiente como para compensarlo. La medida relevante es el esfuerzo total hasta la producción final.
Milyli no ha publicado esos puntos de referencia operativos. Tampoco ha revelado cómo los clientes ajustan las categorías de entidades, los umbrales, las exclusiones o los vocabularios específicos de cada asunto. Esos controles determinarán si el sistema se adapta a colecciones reales.
La profundidad de la integración puede importar en última instancia más que la marca Azure. Los equipos jurídicos ya tienen acceso a servicios generales de reconocimiento de entidades. La propuesta de Blackout es que la detección pertenece a un flujo de trabajo de redacción nativo, donde las recomendaciones se convierten en acciones auditables.
Esta posición es creíble porque las hojas de cálculo y las entregas crean requisitos especializados. Los servicios generales de IA identifican entidades de texto, pero el software jurídico debe preservar la cadena de custodia, los permisos, el historial de marcado y la integridad de la salida.
Por tanto, el lanzamiento presiona a los compradores para que evalúen la redacción con IA como un flujo de trabajo y no como una simple casilla. También presiona a los proveedores para que revelen más que los formatos compatibles. Los clientes necesitan evidencia sobre la calidad de detección, la carga de los revisores, los límites de seguridad y las vías de corrección.
Qué observar tras el lanzamiento de Blackout AI
Tres señales mostrarán si la redacción con IA de Milyli se convierte en una mejora operativa o sigue siendo una atractiva afirmación de producto.
La primera señal es la evidencia de clientes en asuntos reales. Milyli debería publicar estudios de caso que describan el tamaño de la colección, la combinación de archivos, los procedimientos de revisión, la precisión, la exhaustividad y el tiempo total hasta la producción. Los resultados necesitan suficiente detalle para que los compradores juzguen si la implementación se parece a su propio trabajo.
La evidencia de Excel nativo merece especial atención. Una evaluación útil debería incluir contenido oculto, fórmulas, comentarios, gráficos, objetos, diseños inusuales y redacciones parciales de celdas. Las hojas de trabajo sencillas no pondrán a prueba las afirmaciones más difíciles que respaldan el lanzamiento.
Los resultados positivos reforzarían el argumento de Milyli de que la detección contextual mejora un flujo de trabajo consolidado de archivos nativos. Los resultados débiles o planteados de forma limitada sugerirían que la función funciona mejor con texto ordinario, donde ya compiten muchas alternativas.
La segunda señal es la superficie de control del producto. Los clientes necesitan ver cómo Blackout expone las puntuaciones de confianza, la selección de categorías, las exclusiones, los umbrales, las decisiones masivas y las muestras de validación. Unos controles claros harían que la integración de Azure fuera adaptable a distintas tolerancias al riesgo.
La ausencia de esos controles debilitaría el argumento de la automatización. Los equipos jurídicos no pueden tratar todos los asuntos de forma idéntica. Una solicitud de privacidad, una investigación interna, una presentación regulatoria y una producción para litigio pueden exigir definiciones diferentes de contenido sensible.
Los compradores también deberían observar cómo Blackout gestiona las actualizaciones de modelos. Un clasificador respaldado por un servicio puede cambiar a medida que Microsoft publica nuevas versiones. Milyli necesita una forma de documentar versiones, evaluar cambios y preservar la reproducibilidad en asuntos de larga duración.
La tercera señal es cómo Relativity posiciona las funciones de redacción que se solapan. La transición de Blackout a RelativityOne Redact da a la tecnología una amplia vía de distribución. Al mismo tiempo, Relativity sigue ampliando sus propios productos de privacidad y revisión asistidos por IA.
Una integración más estrecha reforzaría el argumento de que la función de Milyli pertenece al entorno central de revisión. Los solapamientos confusos, los sistemas de configuración separados o las recomendaciones duplicadas aumentarían la fricción de adopción.
Las respuestas de la competencia también aclararán el mercado. Los proveedores pueden responder con mejor soporte de formatos nativos, evaluación más transparente, implementaciones privadas más sólidas o menor carga para los revisores. La respuesta más significativa abordará la evidencia del flujo de trabajo en lugar de añadir la marca de IA a herramientas de búsqueda existentes.
Para los usuarios, el siguiente paso práctico es realizar pruebas controladas. Cree un conjunto representativo que contenga PII conocida, pasajes protegidos, casos límite de hojas de cálculo y documentos sin contenido sensible. Mida qué encuentra el sistema, qué omite y cuánto tiempo requiere la verificación.
La redacción con IA de Milyli merece atención porque combina detección contextual con un flujo de trabajo consolidado para archivos nativos. No elimina la necesidad de revisores, controles de seguridad ni garantía de calidad. Pregunte si la automatización reduce el esfuerzo total mientras preserva la capacidad de defensa, y exija después evidencia procedente de documentos que se parezcan a los suyos.
