Milyli AI Redaction arriva in Blackout, ma l'automazione richiede ancora una revisione umana

Milyli AI redaction è arrivata in Blackout il 14 ottobre, introducendo raccomandazioni automatizzate per i contenuti sensibili nei file Excel nativi, PDF e altri tipi di file. Il rilascio porta Blackout oltre l'elaborazione in blocco basata su regole, verso modelli linguistici che identificano le informazioni in base al contesto. Tuttavia, il conflitto centrale resta irrisolto: l'automazione può ridurre le revisioni ripetitive, ma i dati non rilevati possono comunque esporre persone e organizzazioni.

Il nuovo sistema utilizza Azure Language tramite Microsoft Foundry Tools per identificare informazioni di identificazione personale, materiale soggetto a privilegio e altri contenuti sensibili. Milyli afferma che la funzionalità è immediatamente disponibile per i clienti Blackout. Il suo valore dipenderà dalla possibilità per i team legali di verificare tali raccomandazioni senza ricreare il carico di lavoro manuale che l'automazione promette di ridurre.

Questa tensione colloca Blackout tra due approcci consolidati. La redazione tradizionale si basa su revisori, termini di ricerca ed espressioni regolari. I sistemi AI più recenti classificano nomi, identificatori e relazioni contestuali che le regole fisse potrebbero non rilevare. Microsoft stessa avverte che il rilevamento automatizzato dei PII produce sia falsi positivi sia falsi negativi, rendendo essenziale la supervisione umana nei casi a rischio più elevato.

Blackout ora raccomanda redazioni nei file nativi

Il rilascio cambia il modo in cui Blackout trova i dati sensibili, non la responsabilità legale di decidere cosa debba essere eliminato.

Secondo l'annuncio di lancio di Milyli, Blackout utilizza ora l'elaborazione del linguaggio naturale e l'estrazione di entità per raccomandare redazioni. Il sistema mira a PII, comunicazioni privilegiate e altre informazioni sensibili nelle raccolte di documenti.

Le raccomandazioni automatiche sono la parte più significativa dell'aggiornamento. Un revisore non deve più conoscere ogni variante di ortografia, formattazione o frase circostante prima di iniziare una ricerca. Il software può proporre entità sensibili in base al linguaggio che le circonda.

Blackout applica quindi tali risultati attraverso i flussi di lavoro esistenti per markup e redazione. Questa distinzione è importante perché rilevare testo sensibile e rimuoverlo definitivamente sono operazioni separate. Un modello può identificare un possibile numero di conto bancario, mentre il sistema di redazione controlla come quel contenuto viene contrassegnato, revisionato, sottoposto ad audit e prodotto.

Milyli afferma che il rilascio supporta decine di formati di file. Excel nativo riceve particolare attenzione perché i fogli di calcolo presentano strutture che le comuni pipeline documentali spesso appiattiscono o trascurano. Una cartella di lavoro può contenere formule, fogli nascosti, commenti, grafici, oggetti incorporati, intestazioni e testo parziale all'interno delle celle.

Blackout gestiva già queste strutture prima del rilascio AI. Il suo flusso di lavoro per fogli di calcolo documentato prepara le cartelle di lavoro rendendo visibili i contenuti nascosti e rimuovendo la cronologia delle modifiche recuperabile prima che i revisori applichino i markup. Supporta inoltre redazioni di celle, righe, colonne, fogli, grafici e oggetti.

Il livello AI non crea quindi dal nulla la redazione Excel nativa. Modifica la fase di identificazione aggiungendo raccomandazioni contestuali ai controlli consolidati per i fogli di calcolo. Questa descrizione è più precisa che presentare il rilascio come un sistema di redazione completamente autonomo.

I flussi di lavoro PDF seguono un modello simile. Blackout può applicare markup automatizzati ai PDF ricercabili e markup manuali ai file ricercabili o basati su immagini. La nuova capacità AI amplia il modo in cui vengono identificati i contenuti probabilmente sensibili prima della produzione.

La disponibilità immediata distingue inoltre questo rilascio da un annuncio relativo a una roadmap futura. I clienti esistenti possono valutare la funzionalità rispetto alle raccolte di documenti attivamente in revisione. Milyli non ha divulgato pubblicamente numeri di adozione, risultati di accuratezza indipendenti o benchmark dei clienti per la nuova capacità.

Questi dati mancanti limitano le conclusioni possibili il giorno del lancio. Il rilascio conferma un cambiamento di prodotto e la sua base tecnica. Non dimostra ancora quanto tempo di revisione il sistema faccia risparmiare in reali questioni legali.

Perché Milyli AI Redaction è importante per Excel nativo

Il supporto per Excel nativo trasforma una funzionalità AI astratta in una prova della capacità dell'automazione di preservare prove complesse rimuovendo al contempo contenuti sensibili.

Molti prodotti di redazione funzionano in modo più naturale sulle pagine renderizzate. I fogli di calcolo non si comportano come pagine fisse. Il significato può dipendere da formule, relazioni tra celle, campi nascosti, schede della cartella di lavoro, commenti e oggetti esterni alla griglia visibile.

Convertire una cartella di lavoro in immagini o pagine PDF può rendere più semplice visualizzare la redazione. Può però anche rimuovere l'interattività, modificare la paginazione, separare le formule dai valori e complicare le analisi successive. L'elaborazione nativa mira a preservare la struttura utile modificando al contempo il contenuto che non deve essere divulgato.

Questo rende la protezione automatizzata dei dati sensibili più complessa del semplice disegno di rettangoli neri. Il sistema deve individuare un'entità, associarla al corretto elemento della cartella di lavoro, preservare i dati circostanti e creare una registrazione difendibile dell'azione. Deve inoltre impedire che le informazioni rimosse restino recuperabili altrove.

Un nome di contatto potrebbe apparire in una cella visibile, in una riga nascosta, in un'etichetta di grafico e in un riferimento di formula. Una ricerca a parole chiave fisse può trovare corrispondenze esatte, ma potrebbe non rilevare soprannomi, differenze di formattazione o identificatori che richiedono contesto. Un classificatore AI può ampliare il rilevamento, ma un rilevamento più esteso può anche aumentare le raccomandazioni irrilevanti.

L'integrazione di Milyli con Azure Language affronta il problema della classificazione. Il rilevamento PII di Microsoft restituisce categorie di entità, punteggi di confidenza e output redatto. Le categorie supportate includono nomi, indirizzi, identificatori finanziari, identificatori governativi e alcune informazioni sanitarie.

I punteggi di confidenza sono utili, ma non dimostrano che una raccomandazione sia corretta. I team devono decidere quali punteggi attivano azioni automatiche, quali generano attività di revisione e quali vengono ignorati. La soglia corretta varia in base al tipo di documento, alla categoria di entità e al rischio di divulgazione.

Una soglia bassa può rilevare più possibili PII e ridurre i falsi negativi. Genera però anche più falsi positivi, che possono occultare prove rilevanti o ampliare la coda di revisione. Una soglia più alta può ridurre il rumore, consentendo al contempo il passaggio di informazioni sensibili ambigue.

Excel rende questa calibrazione particolarmente difficile. Una sequenza di cifre può rappresentare un numero di conto, un codice di progetto interno o un normale calcolo. Il contesto delle celle circostanti può chiarirne il significato, ma i layout dei fogli di calcolo spesso codificano il contesto visivamente anziché grammaticalmente.

Lo stesso problema riguarda i contenuti privilegiati. I nomi degli avvocati e i termini giuridici possono aiutare a identificare una comunicazione, ma la loro presenza non rende automaticamente privilegiato ogni documento. Il privilegio dipende spesso da partecipanti, finalità, oggetto e giurisdizione.

Il potenziale vantaggio di Blackout è il collegamento tra raccomandazione e markup. I team legali possono mantenere il rilevamento, le decisioni dei revisori, la redazione nativa e la cronologia di audit all'interno di un unico flusso di lavoro. Ciò riduce i passaggi di consegne che possono introdurre regole incoerenti o registrazioni scollegate.

Ciò mette inoltre sotto pressione gli strumenti di rilevamento standalone che si limitano a restituire un elenco di entità. Gli acquirenti aziendali necessitano sempre più di una catena operativa dall'identificazione alla revisione e alla produzione. Un output del modello utile deve trasformarsi in un'azione documentale controllata.

La lezione più ampia va oltre l'eDiscovery. Le organizzazioni che costruiscono una base di conoscenza locale affrontano un problema correlato quando documenti tecnici sensibili entrano in sistemi ricercabili. La classificazione aiuta, ma i controlli di accesso e le politiche di revisione determinano comunque se le informazioni protette restano tali.

L'AI contestuale sfida la redazione basata su regole

Il principale avversario di Blackout non è un altro prodotto; è la convinzione consolidata che regole fisse siano sufficienti per una redazione in blocco difendibile.

La redazione basata su regole resta preziosa perché il suo comportamento è relativamente facile da spiegare. Un team può cercare una frase esatta, un identificatore noto o un modello di espressione regolare. I revisori possono documentare la regola e riprodurne i risultati.

Blackout supporta già progetti di fogli di calcolo in blocco utilizzando termini, frasi ed espressioni regolari. La documentazione di Milyli consente inoltre grandi importazioni di regole per progetti su immagini, Excel e PDF. Questi strumenti restano appropriati quando i team sanno esattamente quali modelli devono rimuovere.

I numeri di previdenza sociale illustrano il punto di forza delle regole. La loro formattazione segue modelli riconoscibili, anche quando spazi o trattini variano. Anche numeri di carte di credito, indirizzi email e nomi specifici di un caso possono funzionare bene con ricerche costruite con attenzione.

La debolezza emerge quando le informazioni sensibili non seguono un modello stabile. Errori ortografici, punteggiatura incoerente, nomi parziali, identificatori stranieri, descrizioni narrative e layout insoliti possono vanificare le corrispondenze esatte. Anche la manutenzione delle regole cresce quando le raccolte documentali introducono nuove varianti.

Il riconoscimento contestuale delle entità cambia la domanda di ricerca. Invece di chiedere se una stringa corrisponda a un formato predeterminato, il sistema chiede quale ruolo svolga la stringa nel testo circostante. Questo può far emergere materiale che il revisore non aveva previsto durante la creazione dell'elenco di regole.

Milyli AI redaction combina queste raccomandazioni contestuali con i controlli Blackout esistenti. Ne deriva un modello ibrido, non una sostituzione completa delle regole. I modelli noti possono restare deterministici, mentre il livello AI cerca casi meno prevedibili.

Questa struttura ibrida è probabilmente più utile che trattare AI e regole come alternative mutuamente esclusive. Un team legale può usare le regole per identificatori stabili, l'AI per la scoperta contestuale e revisori umani per le decisioni ambigue. Ogni livello affronta una diversa modalità di errore.

L'approccio riflette anche la pressione competitiva nel settore della tecnologia legale. Relativity promuove la redazione automatizzata per le richieste di accesso ai dati personali, inclusi l'identificazione dei dati personali assistita dall'AI e un audit trail. La sua piattaforma più ampia riunisce inoltre raccolta, revisione, redazione e produzione in un unico ambiente.

Il rapporto tra Milyli e Relativity rende più complesso un semplice confronto azienda contro azienda. Blackout opera da tempo all'interno dei flussi di lavoro Relativity. Nel settembre 2026, Relativity ha annunciato che Blackout sarebbe diventato RelativityOne Redact come funzionalità standard di RelativityOne.

L'annuncio AI di Milyli rafforza quindi un flusso di lavoro che si sovrappone alla direzione AI di Relativity stessa. La questione competitiva riguarda meno una rivalità diretta e più quale esperienza di rilevamento e revisione diventerà l'interfaccia predefinita per i team legali.

Anche altre piattaforme di revisione offrono rilevamento automatizzato dei PII, redazione in blocco o revisione assistita. Gli acquirenti confronteranno copertura, auditabilità, limiti di implementazione e gestione dei file nativi. Esamineranno inoltre quanto facilmente i risultati possano essere corretti prima della produzione.

Excel nativo rimane il principale elemento distintivo di Milyli in questo confronto. La sua cronologia di redazione precede il nuovo livello di IA, offrendo all’azienda un meccanismo consolidato per modificare cartelle di lavoro complesse. L’integrazione con Azure aggiunge ora il rilevamento contestuale a quel meccanismo.

Tuttavia, l’ampiezza delle funzionalità da sola non risolverà la competizione. Un sistema di raccomandazione che genera rumore eccessivo può aumentare i costi di revisione. Un sistema prudente che non rileva entità insolite può creare rischi di divulgazione. L’equilibrio operativo conta più dell’etichetta IA.

La protezione automatizzata dei dati sensibili ha un problema di accuratezza

L’IA può accelerare la prima fase, ma il fallimento di redazione più costoso è di solito l’elemento sensibile che il sistema non segnala mai.

I falsi positivi sono visibili. Si manifestano come raccomandazioni non necessarie che i revisori possono respingere. I falsi negativi sono più difficili da individuare perché il sistema non presenta alcun avviso quando non riconosce contenuti sensibili.

Questa asimmetria conta in contenziosi, indagini, richieste sulla privacy e produzioni regolatorie. Una redazione non necessaria può nascondere informazioni rilevanti e richiedere una correzione. Un identificatore o una dichiarazione coperta da privilegio non rilevati possono lasciare l’organizzazione incapace di annullare una divulgazione.

Le linee guida sull’IA responsabile di Microsoft mettono esplicitamente in guardia contro la redazione ad alto rischio senza supervisione. Affermano che i fallimenti possono esporre le persone al furto d’identità o ad altri danni e raccomandano un’attenta supervisione umana.

Microsoft osserva inoltre che si verificano sia falsi positivi sia falsi negativi. Le soglie di confidenza possono modificarne l’equilibrio, ma nessuna soglia universale risolve ogni caso d’uso. I team hanno bisogno di test in condizioni simili alla produzione con le proprie lingue, formati e categorie di entità.

Questa cautela dovrebbe orientare il modo in cui gli acquirenti interpretano l’annuncio di Milyli. Le raccomandazioni automatizzate per la redazione non eliminano la revisione. Riorganizzano la revisione attorno a candidati ed eccezioni generati dalla macchina.

Un flusso di lavoro ben progettato può comunque far risparmiare tempo. I revisori possono dedicare meno sforzo a individuare PII evidenti e più tempo a valutare materiale ambiguo o rilevante. L’approvazione in batch può gestire schemi ricorrenti dopo che il team ha convalidato il comportamento del sistema.

Tuttavia, Milyli non ha pubblicato misurazioni indipendenti di recall, precisione o falsi negativi per la nuova versione. Il recall misura quanto contenuto sensibile rilevante trova il sistema. La precisione misura quante raccomandazioni sono effettivamente pertinenti.

Entrambe le metriche richiedono contesto. I risultati su testo pulito non prevedono i risultati su documenti scannerizzati, file danneggiati, fogli di calcolo insoliti o raccolte multilingue. I punteggi aggregati possono inoltre nascondere prestazioni deboli in categorie rare ma ad alto rischio.

La copertura linguistica merita un esame particolare. Le capacità e le limitazioni di Microsoft differiscono tra versioni del servizio, funzionalità, lingue e tipi di entità. I clienti Blackout dovrebbero verificare l’esatta configurazione Azure alla base dell’implementazione di Milyli invece di presumere una copertura uniforme.

La gestione dei dati solleva un’altra questione. I documenti sensibili devono essere elaborati prima che i loro elementi sensibili possano essere rilevati. Gli acquirenti necessitano di risposte chiare su ubicazione dei dati, conservazione, registrazione, crittografia, controlli di accesso e politiche di addestramento dei modelli.

Microsoft documenta opzioni di configurazione per implementazioni sicure di Azure Language, inclusi controlli relativi all’archiviazione diagnostica. L’annuncio di Milyli sottolinea sicurezza e verificabilità per le imprese, ma non fornisce un’architettura pubblica dettagliata per l’integrazione Blackout.

Il materiale soggetto a privilegio introduce un rischio distinto. Il rilevamento di PII si basa su categorie di entità riconoscibili. La classificazione del privilegio richiede contesto legale e può variare a seconda della pratica. Una raccomandazione può assistere un revisore senza diventare una determinazione legale definitiva.

I team dovrebbero pertanto distinguere tre operazioni. Il rilevamento propone contenuti che meritano attenzione. La revisione determina se il contenuto richiede protezione. La redazione modifica permanentemente la versione divulgata preservando un originale autorizzato.

I registri di audit collegano queste operazioni. Un sistema difendibile dovrebbe registrare la raccomandazione, la decisione del revisore, la regola o il modello coinvolto, l’azione di marcatura e lo stato finale della produzione. Questa cronologia diventa importante quando un’altra parte contesta il processo.

Le linee guida sulla de-identificazione del NIST rafforzano la necessità di una governance che vada oltre la rimozione tecnica. Trattano la de-identificazione come un processo gestito che coinvolge rischi di divulgazione, uso dei dati e revisione, anziché come una singola operazione software.

L’annuncio del lancio non dimostra che Blackout rimuova in sicurezza ogni categoria di informazioni sensibili in ogni file. Dimostra l’esistenza di un nuovo livello di raccomandazione supportato da Azure Language. I clienti devono convalidare il flusso di lavoro risultante rispetto ai propri requisiti legali e di sicurezza.

La vera competizione riguarda il lavoro di revisione, non il branding del modello

Milyli avrà successo se Blackout ridurrà lo sforzo totale di revisione senza indebolire il controllo che rende la redazione difendibile.

Gli annunci di prodotti IA spesso si concentrano sulla capacità del modello. Gli acquirenti di soluzioni di redazione si interessano a un sistema più ampio. Hanno bisogno di acquisizione prevedibile, rilevamento accurato, code di revisione gestibili, marcature affidabili, elaborazione sicura e produzione riproducibile.

Un modello può funzionare bene mentre il flusso di lavoro complessivo fallisce. Le raccomandazioni potrebbero arrivare senza sufficiente contesto. I revisori potrebbero avere difficoltà ad approvarle o annullarle. I file nativi potrebbero conservare contenuti nascosti che la marcatura visibile non copre.

Blackout affronta già diversi problemi a valle tramite la preparazione dei documenti e i controlli di marcatura nativa. Il suo flusso di lavoro per i fogli di calcolo può esporre righe, colonne e fogli nascosti prima della redazione. Può inoltre rimuovere la cronologia delle modifiche che potrebbe ripristinare informazioni protette.

Questi controlli sono importanti perché l’occultamento visivo non equivale sempre a una vera redazione. Una forma nera collocata sopra il testo può lasciare il contenuto sottostante ricercabile o recuperabile. I flussi di lavoro di produzione devono rimuovere o sostituire le informazioni protette nell’output.

La versione IA aggiunge valore quando alimenta il processo esistente senza oscurare il controllo del revisore. Una raccomandazione dovrebbe mostrare cosa è stato rilevato, perché è stato categorizzato e dove compare. I revisori dovrebbero poter accettare, respingere o perfezionare l’azione.

La coerenza è un altro possibile vantaggio. Le pratiche di grandi dimensioni spesso distribuiscono il lavoro tra molti revisori, e le persone possono interpretare le istruzioni in modo diverso. Regole e soglie centralizzate per le raccomandazioni possono ridurre le variazioni tra i team.

Eppure la coerenza può riprodurre errori sistematici. Se il modello non rileva ripetutamente un particolare identificatore, ogni revisore che si affida alle sue raccomandazioni eredita lo stesso punto cieco. Il campionamento e il controllo qualità devono testare i contenuti non segnalati, non soltanto le raccomandazioni approvate.

L’implementazione più solida combinerà diverse protezioni. I team possono mantenere ricerche deterministiche per schemi noti, usare raccomandazioni IA per la scoperta contestuale e campionare documenti che non ricevono raccomandazioni. Le regole di escalation possono indirizzare le categorie ad alto rischio a revisori specializzati.

I clienti dovrebbero inoltre confrontare il tempo risparmiato durante la revisione iniziale con quello impiegato per convalidare i risultati. Una prima fase più rapida non aiuta se il controllo qualità si espande abbastanza da compensare il risparmio. La misura rilevante è lo sforzo totale fino alla produzione finale.

Milyli non ha pubblicato questi benchmark operativi. Non ha inoltre divulgato come i clienti regolino categorie di entità, soglie, esclusioni o vocabolari specifici per pratica. Questi controlli determineranno se il sistema si adatta a raccolte reali.

La profondità dell’integrazione potrebbe infine contare più del marchio Azure. I team legali hanno già accesso a servizi generali di riconoscimento delle entità. La proposta di Blackout è che il rilevamento appartenga a un flusso di lavoro di redazione nativo, in cui le raccomandazioni diventano azioni verificabili.

Questa posizione è credibile perché i fogli di calcolo e le produzioni creano requisiti specializzati. I servizi IA generali identificano entità testuali, ma il software legale deve preservare catena di custodia, autorizzazioni, cronologia delle marcature e integrità dell’output.

Il lancio spinge quindi gli acquirenti a valutare la redazione IA come un flusso di lavoro anziché come una casella di controllo. Spinge inoltre i fornitori a divulgare più dei formati supportati. I clienti necessitano di prove sulla qualità del rilevamento, sul carico dei revisori, sui confini di sicurezza e sui percorsi di correzione.

Cosa osservare dopo il lancio di Blackout AI

Tre segnali mostreranno se la redazione IA di Milyli diventerà un miglioramento operativo o rimarrà un’affascinante affermazione di prodotto.

Il primo segnale è costituito dalle evidenze dei clienti su pratiche attive. Milyli dovrebbe pubblicare casi di studio che descrivano dimensioni della raccolta, composizione dei file, procedure di revisione, precisione, recall e tempo totale fino alla produzione. I risultati necessitano di dettagli sufficienti affinché gli acquirenti possano valutare se l’implementazione somiglia al proprio lavoro.

Le evidenze relative a Excel nativo meritano un’attenzione speciale. Una valutazione utile dovrebbe includere contenuti nascosti, formule, commenti, grafici, oggetti, layout insoliti e redazioni parziali delle celle. Semplici fogli di lavoro non metteranno alla prova le affermazioni più difficili alla base del rilascio.

Risultati positivi rafforzerebbero l’argomentazione di Milyli secondo cui il rilevamento contestuale migliora un flusso di lavoro consolidato per file nativi. Risultati deboli o presentati in modo ristretto suggerirebbero che la funzionalità funziona meglio sul testo ordinario, dove molte alternative competono già.

Il secondo segnale è la superficie di controllo del prodotto. I clienti devono vedere come Blackout espone punteggi di confidenza, selezione delle categorie, esclusioni, soglie, decisioni in blocco e campioni di convalida. Controlli chiari renderebbero l’integrazione Azure adattabile a diverse tolleranze al rischio.

L’assenza di tali controlli indebolirebbe il caso dell’automazione. I team legali non possono trattare ogni pratica in modo identico. Una richiesta sulla privacy, un’indagine interna, un deposito regolatorio e una produzione in contenzioso possono richiedere definizioni diverse di contenuto sensibile.

Gli acquirenti dovrebbero inoltre osservare come Blackout gestisce gli aggiornamenti del modello. Un classificatore supportato da un servizio può cambiare quando Microsoft rilascia nuove versioni. Milyli ha bisogno di un modo per documentare le versioni, valutare i cambiamenti e preservare la riproducibilità nelle pratiche di lunga durata.

Il terzo segnale è il modo in cui Relativity posiziona le funzionalità di redazione sovrapposte. La transizione di Blackout in RelativityOne Redact offre alla tecnologia un ampio canale di distribuzione. Allo stesso tempo, Relativity continua a espandere i propri prodotti per privacy e revisione assistiti dall’IA.

Un’integrazione più stretta rafforzerebbe l’argomento secondo cui la funzionalità di Milyli appartiene all’ambiente principale di revisione. Sovrapposizioni confuse, sistemi di configurazione separati o raccomandazioni duplicate aumenterebbero l’attrito nell’adozione.

Anche le risposte dei concorrenti chiariranno il mercato. I fornitori possono rispondere con un migliore supporto dei formati nativi, valutazioni più trasparenti, implementazioni private più solide o un minore carico per i revisori. La risposta più significativa affronterà le evidenze sul flusso di lavoro anziché aggiungere il branding IA agli strumenti di ricerca esistenti.

Per gli utenti, il prossimo passo pratico è un test controllato. Create un insieme rappresentativo contenente PII noto, passaggi soggetti a privilegio, casi limite dei fogli di calcolo e documenti privi di contenuti sensibili. Misurate cosa trova il sistema, cosa non rileva e quanto tempo richiede la verifica.

La redazione IA di Milyli merita attenzione perché unisce il rilevamento contestuale a un flusso di lavoro consolidato per file nativi. Non elimina la necessità di revisori, controlli di sicurezza o garanzia di qualità. Chiedetevi se l’automazione riduce lo sforzo totale preservando la difendibilità, quindi pretendete evidenze da documenti che somigliano ai vostri.