La rédaction par IA de Milyli arrive dans Blackout, mais l’automatisation exige toujours une vérification humaine

La rédaction par IA de Milyli est arrivée dans Blackout le 14 octobre, avec des recommandations automatisées pour les contenus sensibles dans les fichiers Excel natifs, PDF et d’autres types de fichiers. Cette version fait évoluer Blackout au-delà du traitement de masse fondé sur des règles, vers des modèles de langage capables d’identifier des informations selon leur contexte. Toutefois, le conflit central reste irrésolu : l’automatisation peut réduire les vérifications répétitives, mais des données omises peuvent toujours exposer des personnes et des organisations.

Le nouveau système utilise Azure Language via Microsoft Foundry Tools pour identifier les informations personnellement identifiables, les éléments privilégiés et d’autres contenus sensibles. Milyli indique que cette fonctionnalité est immédiatement disponible pour les clients de Blackout. Sa valeur dépendra de la capacité des équipes juridiques à vérifier ces recommandations sans recréer la charge de travail manuelle que l’automatisation promet de réduire.

Cette tension place Blackout entre deux approches établies. La rédaction traditionnelle repose sur des vérificateurs, des termes de recherche et des expressions régulières. Les systèmes d’IA plus récents classent les noms, les identifiants et les relations contextuelles que des règles fixes pourraient manquer. Microsoft avertit lui-même que la détection automatisée des PII produit à la fois des faux positifs et des faux négatifs, rendant la supervision humaine indispensable dans les cas présentant davantage de risques.

Blackout recommande désormais des rédactions dans les fichiers natifs

Cette version change la manière dont Blackout repère les données sensibles, mais pas la responsabilité juridique de décider ce qui doit disparaître.

Selon l’annonce de lancement de Milyli, Blackout utilise désormais le traitement du langage naturel et l’extraction d’entités pour recommander des rédactions. Le système cible les PII, les communications privilégiées et d’autres informations sensibles dans des collections de documents.

Les recommandations automatiques constituent la partie la plus importante de cette mise à jour. Un vérificateur n’a plus besoin de connaître chaque orthographe, variation de format ou expression environnante avant de commencer une recherche. Le logiciel peut proposer des entités sensibles en fonction du langage qui les entoure.

Blackout applique ensuite ces résultats au moyen de ses flux de travail existants de balisage et de rédaction. Cette distinction est importante, car détecter du texte sensible et le supprimer définitivement sont deux opérations distinctes. Un modèle peut identifier un éventuel numéro de compte bancaire, tandis que le système de rédaction contrôle la façon dont ce contenu est marqué, vérifié, audité et produit.

Milyli indique que cette version prend en charge des dizaines de formats de fichiers. Excel natif reçoit une attention particulière, car les feuilles de calcul présentent des structures que les pipelines documentaires ordinaires aplatissent ou négligent souvent. Un classeur peut contenir des formules, des feuilles masquées, des commentaires, des graphiques, des objets incorporés, des en-têtes et du texte partiel dans des cellules.

Blackout gérait déjà ces structures avant la version IA. Son flux de travail pour les feuilles de calcul documenté prépare les classeurs en affichant les contenus masqués et en supprimant l’historique des modifications récupérable avant que les vérificateurs appliquent des balisages. Il prend également en charge les rédactions de cellules, lignes, colonnes, feuilles, graphiques et objets.

La couche IA ne crée donc pas de toutes pièces la rédaction native d’Excel. Elle modifie l’étape d’identification en ajoutant des recommandations contextuelles aux contrôles établis des feuilles de calcul. C’est plus précis que de décrire cette version comme un système de rédaction entièrement autonome.

Les flux de travail PDF suivent un schéma similaire. Blackout peut appliquer des balisages automatisés aux PDF recherchables et des balisages manuels aux fichiers recherchables ou fondés sur des images. La nouvelle capacité IA élargit la manière dont les contenus probablement sensibles sont identifiés avant la production.

La disponibilité immédiate distingue également cette version d’une annonce de feuille de route future. Les clients existants peuvent évaluer la fonctionnalité sur des collections en cours de vérification. Milyli n’a pas publié de chiffres d’adoption, de résultats d’exactitude indépendants ni de benchmarks clients pour cette nouvelle capacité.

L’absence de ces chiffres limite ce qui peut être conclu le jour du lancement. Cette version confirme un changement de produit et son fondement technique. Elle n’établit pas encore le temps de vérification que le système permet d’économiser dans des dossiers juridiques réels.

Pourquoi la rédaction par IA de Milyli est importante pour Excel natif

La prise en charge d’Excel natif transforme une fonctionnalité IA abstraite en test de la capacité de l’automatisation à préserver des éléments de preuve complexes tout en supprimant les contenus sensibles.

De nombreux produits de rédaction fonctionnent le plus naturellement sur des pages rendues. Les feuilles de calcul ne se comportent pas comme des pages fixes. Leur signification peut dépendre des formules, des relations entre cellules, des champs masqués, des onglets du classeur, des commentaires et des objets situés hors de la grille visible.

Convertir un classeur en images ou en pages PDF peut faciliter l’affichage de la rédaction. Cela peut aussi supprimer l’interactivité, modifier la pagination, séparer les formules des valeurs et compliquer les analyses ultérieures. Le traitement natif vise à préserver la structure utile tout en modifiant le contenu qui ne doit pas être divulgué.

Cela rend la protection automatisée des données sensibles plus complexe que le simple fait de dessiner des rectangles noirs. Le système doit localiser une entité, l’associer au bon élément du classeur, préserver les données environnantes et créer une trace défendable de l’action. Il doit également empêcher que les informations supprimées restent récupérables ailleurs.

Un nom de contact peut apparaître dans une cellule visible, une ligne masquée, une étiquette de graphique et une référence de formule. Une recherche par mot-clé fixe peut trouver des correspondances exactes, mais elle risque de manquer des surnoms, des différences de format ou des identifiants nécessitant du contexte. Un classificateur IA peut élargir la détection, mais une détection plus large peut aussi accroître les recommandations non pertinentes.

L’intégration de Milyli avec Azure Language traite le problème de classification. La détection de PII de Microsoft renvoie des catégories d’entités, des scores de confiance et une sortie rédigée. Les catégories prises en charge incluent les noms, les adresses, les identifiants financiers, les identifiants gouvernementaux et certaines informations de santé.

Les scores de confiance sont utiles, mais ils ne prouvent pas qu’une recommandation est correcte. Les équipes doivent décider quels scores déclenchent des actions automatiques, lesquels créent des tâches de vérification et lesquels sont ignorés. Le seuil approprié varie selon le type de document, la catégorie d’entité et le risque de divulgation.

Un seuil bas peut capturer davantage de PII potentielles et réduire les faux négatifs. Il génère également davantage de faux positifs, susceptibles de masquer des preuves pertinentes ou d’élargir la file de vérification. Un seuil plus élevé peut réduire le bruit tout en laissant passer des informations sensibles ambiguës.

Excel rend cet étalonnage particulièrement difficile. Une séquence de chiffres peut représenter un numéro de compte, un code de projet interne ou un calcul ordinaire. Le contexte des cellules environnantes peut clarifier le sens, mais les mises en page des feuilles de calcul encodent souvent le contexte visuellement plutôt que grammaticalement.

Le même problème concerne les contenus privilégiés. Les noms d’avocats et les termes juridiques peuvent aider à identifier une communication, mais leur présence ne rend pas automatiquement chaque document privilégié. Le privilège dépend souvent des participants, de l’objectif, du sujet et de la juridiction.

L’avantage potentiel de Blackout réside dans son lien entre recommandation et balisage. Les équipes juridiques peuvent conserver la détection, les décisions des vérificateurs, la rédaction native et l’historique d’audit dans un seul flux de travail. Cela réduit les transferts susceptibles d’introduire des règles incohérentes ou des dossiers déconnectés.

Cela exerce également une pression sur les outils de détection autonomes qui ne renvoient qu’une liste d’entités. Les acheteurs d’entreprise ont de plus en plus besoin d’une chaîne opérationnelle allant de l’identification à la vérification et à la production. Une sortie de modèle utile doit devenir une action documentaire contrôlée.

L’enseignement plus large dépasse le cadre de l’eDiscovery. Les organisations qui créent une base de connaissances locale sont confrontées à un problème analogue lorsque des documents techniques sensibles entrent dans des systèmes recherchables. La classification aide, mais les contrôles d’accès et les politiques de vérification déterminent toujours si les informations protégées restent protégées.

L’IA contextuelle remet en cause la rédaction fondée sur des règles

Le principal adversaire de Blackout n’est pas un autre produit ; c’est la conviction établie selon laquelle des règles fixes suffisent pour une rédaction de masse défendable.

La rédaction fondée sur des règles reste précieuse, car son comportement est relativement facile à expliquer. Une équipe peut rechercher une expression exacte, un identifiant connu ou un modèle d’expression régulière. Les vérificateurs peuvent documenter la règle et reproduire ses résultats.

Blackout prend déjà en charge les projets de feuilles de calcul en masse au moyen de termes, d’expressions et d’expressions régulières. La documentation de Milyli autorise également de grandes importations de règles pour les projets d’images, Excel et PDF. Ces outils restent appropriés lorsque les équipes savent exactement quels modèles elles doivent supprimer.

Les numéros de sécurité sociale illustrent la force des règles. Leur format suit des modèles reconnaissables, même lorsque les espaces ou les traits d’union varient. Les numéros de carte bancaire, les adresses e-mail et les noms propres à un dossier peuvent aussi bien fonctionner avec des recherches soigneusement construites.

La faiblesse apparaît lorsque les informations sensibles ne suivent pas un modèle stable. Les fautes d’orthographe, la ponctuation incohérente, les noms partiels, les identifiants étrangers, les descriptions narratives et les mises en page inhabituelles peuvent déjouer la correspondance exacte. La maintenance des règles augmente également à mesure que les collections de documents introduisent de nouvelles variations.

La reconnaissance contextuelle d’entités change la question de recherche. Au lieu de demander si une chaîne correspond à un format prédéterminé, le système demande quel rôle cette chaîne joue dans son texte environnant. Cela peut faire apparaître des éléments que le vérificateur n’avait pas anticipés lors de l’élaboration de la liste de règles.

La rédaction par IA de Milyli associe ces recommandations contextuelles aux contrôles existants de Blackout. Cela crée un modèle hybride plutôt qu’un remplacement complet des règles. Les modèles connus peuvent rester déterministes, tandis que la couche IA recherche des cas moins prévisibles.

Cette structure hybride est probablement plus utile que de traiter l’IA et les règles comme mutuellement exclusives. Une équipe juridique peut utiliser des règles pour les identifiants stables, l’IA pour la découverte contextuelle et des vérificateurs humains pour les décisions ambiguës. Chaque couche répond à un mode de défaillance différent.

Cette approche reflète également la pression concurrentielle au sein des technologies juridiques. Relativity promeut la rédaction automatisée pour les demandes d’accès des personnes concernées, y compris l’identification des données personnelles assistée par IA et une piste d’audit. Sa plateforme plus large réunit également la collecte, la vérification, la rédaction et la production dans un seul environnement.

La relation entre Milyli et Relativity complique une simple comparaison entreprise contre entreprise. Blackout fonctionne depuis longtemps dans les flux de travail de Relativity. En septembre 2026, Relativity a annoncé que Blackout deviendrait RelativityOne Redact, une capacité standard de RelativityOne.

L’annonce IA de Milyli renforce donc un flux de travail qui recoupe la propre orientation IA de Relativity. La question concurrentielle porte moins sur une rivalité directe que sur l’expérience de détection et de vérification qui deviendra l’interface par défaut des équipes juridiques.

D’autres plateformes de vérification proposent également la détection automatisée de PII, la rédaction en masse ou la vérification assistée. Les acheteurs compareront la couverture, l’auditabilité, les limites de déploiement et la gestion des fichiers natifs. Ils examineront aussi la facilité avec laquelle les résultats peuvent être corrigés avant la production.

Excel natif reste le principal facteur de différenciation de Milyli dans cette comparaison. Son historique de caviardage précède la nouvelle couche d’IA, offrant à l’entreprise un mécanisme éprouvé pour modifier des classeurs complexes. L’intégration Azure ajoute désormais une détection contextuelle à ce mécanisme.

Toutefois, l’étendue des fonctionnalités ne suffira pas à trancher. Un système de recommandation qui génère trop de bruit peut augmenter les coûts de révision. Un système conservateur qui passe à côté d’entités inhabituelles peut créer un risque de divulgation. L’équilibre opérationnel compte davantage que l’étiquette IA.

La protection automatisée des données sensibles a un problème de précision

L’IA peut accélérer la première passe, mais l’échec de caviardage le plus coûteux est généralement l’élément sensible que le système ne signale jamais.

Les faux positifs sont visibles. Ils prennent la forme de recommandations inutiles que les réviseurs peuvent rejeter. Les faux négatifs sont plus difficiles à repérer, car le système n’émet aucun avertissement lorsqu’il ne reconnaît pas un contenu sensible.

Cette asymétrie est importante dans les litiges, les enquêtes, les demandes relatives à la vie privée et les productions réglementaires. Un caviardage inutile peut masquer des informations pertinentes et nécessiter une correction. Un identifiant ou une déclaration protégée manqué peut empêcher l’organisation de revenir sur une divulgation.

Les recommandations de Microsoft en matière d’IA responsable mettent explicitement en garde contre le caviardage à haut risque sans supervision. Elles indiquent que les défaillances peuvent exposer les personnes à l’usurpation d’identité ou à d’autres préjudices, et recommandent une surveillance humaine attentive.

Microsoft note également que les faux positifs comme les faux négatifs existent. Les seuils de confiance peuvent modifier leur équilibre, mais aucun seuil universel ne résout tous les cas d’usage. Les équipes ont besoin de tests proches des conditions de production, avec leurs propres langues, formats et catégories d’entités.

Cette prudence devrait guider l’interprétation de l’annonce de Milyli par les acheteurs. Les recommandations automatisées de caviardage n’éliminent pas la révision. Elles réorganisent la révision autour de candidats et d’exceptions générés par la machine.

Un flux de travail bien conçu peut néanmoins faire gagner du temps. Les réviseurs peuvent consacrer moins d’efforts à localiser les données personnelles évidentes et davantage à évaluer les contenus ambigus ou déterminants. L’approbation par lots peut traiter des motifs récurrents après que l’équipe a validé le comportement du système.

Cependant, Milyli n’a pas publié de mesures indépendantes de rappel, de précision ou de faux négatifs pour cette nouvelle version. Le rappel mesure la part des contenus sensibles pertinents que le système trouve. La précision mesure la part des recommandations qui sont réellement pertinentes.

Ces deux indicateurs nécessitent un contexte. Les résultats obtenus sur du texte propre ne prédisent pas les résultats sur des documents numérisés, des fichiers endommagés, des feuilles de calcul atypiques ou des collections multilingues. Les scores agrégés peuvent aussi masquer de faibles performances sur des catégories rares mais à haut risque.

La couverture linguistique mérite une attention particulière. Les capacités et les limites de Microsoft diffèrent selon les versions du service, les fonctionnalités, les langues et les types d’entités. Les clients de Blackout devraient vérifier la configuration Azure exacte utilisée dans l’implémentation de Milyli au lieu de supposer une couverture uniforme.

Le traitement des données soulève une autre question. Les documents sensibles doivent être traités avant que leurs éléments sensibles puissent être détectés. Les acheteurs ont besoin de réponses claires sur la localisation des données, la conservation, la journalisation, le chiffrement, les contrôles d’accès et les politiques d’entraînement des modèles.

Microsoft documente des options de configuration pour des déploiements Azure Language sécurisés, y compris des contrôles relatifs au stockage des données de diagnostic. L’annonce de Milyli met l’accent sur la sécurité et l’auditabilité en entreprise, mais ne fournit pas d’architecture publique détaillée pour l’intégration Blackout.

Les éléments couverts par le secret professionnel introduisent un risque distinct. La détection des données personnelles repose sur des catégories d’entités reconnaissables. La qualification du secret professionnel exige un contexte juridique et peut varier selon le dossier. Une recommandation peut aider un réviseur sans devenir une décision juridique définitive.

Les équipes devraient donc distinguer trois opérations. La détection propose des contenus qui méritent une attention. La révision détermine si le contenu exige une protection. Le caviardage modifie de manière permanente la version divulguée tout en préservant un original autorisé.

Les journaux d’audit relient ces opérations. Un système défendable devrait enregistrer la recommandation, la décision du réviseur, la règle ou le modèle concerné, l’action de marquage et l’état final de la production. Cet historique devient important lorsqu’une autre partie conteste le processus.

Les recommandations du NIST sur la désidentification renforcent la nécessité d’une gouvernance allant au-delà du retrait technique. Elles considèrent la désidentification comme un processus géré impliquant les risques de divulgation, l’utilisation des données et la révision, plutôt que comme une simple opération logicielle.

L’annonce de lancement n’établit pas que Blackout supprime en toute sécurité chaque catégorie d’informations sensibles dans tous les fichiers. Elle établit une nouvelle couche de recommandations soutenue par Azure Language. Les clients doivent valider le flux de travail qui en résulte au regard de leurs propres exigences juridiques et de sécurité.

Le véritable enjeu est le travail de révision, pas l’image de marque du modèle

Milyli réussira si Blackout réduit l’effort total de révision sans affaiblir le contrôle qui rend le caviardage défendable.

Les annonces de produits d’IA se concentrent souvent sur les capacités du modèle. Les acheteurs de solutions de caviardage se soucient d’un système plus large. Ils ont besoin d’une ingestion prévisible, d’une détection précise, de files de révision gérables, de marquages fiables, d’un traitement sécurisé et d’une production reproductible.

Un modèle peut être performant alors que le flux de travail global échoue. Les recommandations peuvent arriver sans contexte suffisant. Les réviseurs peuvent avoir du mal à les approuver ou à les annuler. Les fichiers natifs peuvent conserver du contenu caché que le marquage visible ne couvre pas.

Blackout traite déjà plusieurs problèmes en aval grâce à la préparation des documents et aux contrôles de marquage natifs. Son flux de travail pour les feuilles de calcul peut révéler les lignes, colonnes et feuilles masquées avant le caviardage. Il peut également supprimer l’historique des modifications susceptible de restaurer des informations protégées.

Ces contrôles sont importants, car la dissimulation visuelle n’est pas toujours un véritable caviardage. Un rectangle noir placé sur du texte peut laisser le contenu sous-jacent consultable ou récupérable. Les flux de production doivent supprimer ou remplacer les informations protégées dans la sortie.

La version IA apporte de la valeur lorsqu’elle alimente le processus existant sans obscurcir le contrôle du réviseur. Une recommandation devrait montrer ce qui a été détecté, pourquoi cela a été catégorisé et où cela apparaît. Les réviseurs devraient pouvoir accepter, rejeter ou affiner l’action.

La cohérence constitue un autre avantage potentiel. Les dossiers importants répartissent souvent le travail entre de nombreux réviseurs, et chacun peut interpréter les instructions différemment. Des règles et seuils de recommandation centralisés peuvent réduire les variations entre équipes.

Cependant, la cohérence peut reproduire des erreurs systématiques. Si le modèle manque de façon répétée un identifiant particulier, chaque réviseur qui s’appuie sur ses recommandations hérite du même angle mort. L’échantillonnage et le contrôle qualité doivent tester les contenus non signalés, et pas seulement les recommandations approuvées.

L’implémentation la plus solide combinera plusieurs protections. Les équipes peuvent maintenir des recherches déterministes pour les motifs connus, utiliser les recommandations IA pour une découverte contextuelle et échantillonner les documents qui ne reçoivent aucune recommandation. Des règles d’escalade peuvent orienter les catégories à haut risque vers des réviseurs spécialisés.

Les clients devraient également comparer le temps gagné lors de la révision initiale avec le temps consacré à valider les résultats. Une première passe plus rapide n’aide pas si le contrôle qualité s’étend suffisamment pour annuler ce gain. La mesure pertinente est l’effort total jusqu’à la production finale.

Milyli n’a pas publié ces références opérationnelles. L’entreprise n’a pas non plus révélé comment les clients ajustent les catégories d’entités, les seuils, les exclusions ou les vocabulaires propres à un dossier. Ces contrôles détermineront si le système s’adapte aux collections réelles.

La profondeur de l’intégration pourrait finalement compter davantage que la marque Azure. Les équipes juridiques ont déjà accès à des services généraux de reconnaissance d’entités. La proposition de Blackout est que la détection appartient à un flux de travail de caviardage natif, où les recommandations deviennent des actions auditables.

Cette position est crédible, car les feuilles de calcul et les productions créent des exigences spécialisées. Les services d’IA généraux identifient des entités textuelles, mais les logiciels juridiques doivent préserver la chaîne de conservation, les autorisations, l’historique des marquages et l’intégrité de la sortie.

Le lancement pousse donc les acheteurs à évaluer le caviardage IA comme un flux de travail plutôt que comme une case à cocher. Il pousse également les fournisseurs à divulguer davantage que les formats pris en charge. Les clients ont besoin de preuves concernant la qualité de détection, la charge des réviseurs, les périmètres de sécurité et les voies de correction.

Ce qu’il faut surveiller après le lancement de Blackout AI

Trois signaux montreront si le caviardage IA de Milyli devient une amélioration opérationnelle ou reste une promesse produit séduisante.

Le premier signal sera constitué par les témoignages de clients issus de dossiers réels. Milyli devrait publier des études de cas décrivant la taille des collections, le mélange de fichiers, les procédures de révision, la précision, le rappel et le temps total jusqu’à la production. Les résultats doivent être suffisamment détaillés pour permettre aux acheteurs de juger si le déploiement ressemble à leur propre travail.

Les preuves concernant Excel natif méritent une attention particulière. Une évaluation utile devrait inclure du contenu caché, des formules, des commentaires, des graphiques, des objets, des mises en page inhabituelles et des caviardages partiels de cellules. De simples feuilles de calcul ne testeront pas les affirmations les plus difficiles qui sous-tendent cette version.

Des résultats positifs renforceraient l’argument de Milyli selon lequel la détection contextuelle améliore un flux de travail établi pour les fichiers natifs. Des résultats faibles ou étroitement cadrés suggéreraient que la fonctionnalité fonctionne surtout sur du texte ordinaire, où de nombreuses alternatives sont déjà en concurrence.

Le deuxième signal sera l’interface de contrôle du produit. Les clients doivent voir comment Blackout expose les scores de confiance, la sélection de catégories, les exclusions, les seuils, les décisions en masse et les échantillons de validation. Des contrôles clairs rendraient l’intégration Azure adaptable à différentes tolérances au risque.

L’absence de ces contrôles affaiblirait l’argument en faveur de l’automatisation. Les équipes juridiques ne peuvent pas traiter tous les dossiers de manière identique. Une demande relative à la vie privée, une enquête interne, un dépôt réglementaire et une production contentieuse peuvent exiger des définitions différentes du contenu sensible.

Les acheteurs devraient également surveiller la manière dont Blackout gère les mises à jour des modèles. Un classificateur adossé à un service peut évoluer à mesure que Microsoft publie de nouvelles versions. Milyli doit disposer d’un moyen de documenter les versions, d’évaluer les changements et de préserver la reproductibilité sur des dossiers de longue durée.

Le troisième signal sera la manière dont Relativity positionne les fonctionnalités de caviardage qui se recoupent. La transition de Blackout vers RelativityOne Redact offre à la technologie une importante voie de distribution. Dans le même temps, Relativity continue d’étendre ses propres produits d’IA destinés à la confidentialité et à la révision.

Une intégration plus étroite renforcerait l’argument selon lequel la fonctionnalité de Milyli a sa place au sein de l’environnement central de révision. Des chevauchements confus, des systèmes de configuration distincts ou des recommandations dupliquées augmenteraient les frictions d’adoption.

Les réponses des concurrents clarifieront également le marché. Les fournisseurs peuvent répondre par une meilleure prise en charge des formats natifs, une évaluation plus transparente, un déploiement privé plus robuste ou une charge réduite pour les réviseurs. La réponse la plus significative apportera des preuves sur le flux de travail plutôt que d’ajouter une image de marque IA à des outils de recherche existants.

Pour les utilisateurs, la prochaine étape pratique est un test contrôlé. Constituez un ensemble représentatif contenant des données personnelles connues, des passages couverts par le secret professionnel, des cas limites de feuilles de calcul et des documents ne contenant aucune donnée sensible. Mesurez ce que le système trouve, ce qu’il manque et le temps nécessaire à la vérification.

Le caviardage IA de Milyli mérite l’attention parce qu’il associe une détection contextuelle à un flux de travail établi pour les fichiers natifs. Il ne supprime pas le besoin de réviseurs, de contrôles de sécurité ou d’assurance qualité. Demandez si l’automatisation réduit l’effort total tout en préservant la défendabilité, puis exigez des preuves issues de documents qui ressemblent aux vôtres.