Milyli AI RedactionがBlackoutに登場、ただし自動化には依然として人によるレビューが必要
Milyli AI redactionは10月14日、Blackoutに導入され、ネイティブExcel、PDF、その他のファイル形式に含まれる機密コンテンツについて自動推奨を追加した。このリリースにより、Blackoutはルールベースの一括処理を超え、文脈から情報を識別する言語モデルへと歩みを進める。ただし、中心的な課題は未解決のままだ。自動化は反復的なレビューを削減できる一方、見落とされたデータは依然として個人や組織を危険にさらしうる。
新システムはMicrosoft Foundry Toolsを介してAzure Languageを使用し、個人を特定できる情報、秘匿特権の対象となる資料、その他の機密コンテンツを識別する。Milyliによれば、この機能はBlackoutの顧客に直ちに提供される。その価値は、自動化によって削減するはずの手作業を再現せずに、法務チームがこれらの推奨を検証できるかどうかに左右される。
この緊張関係により、Blackoutは確立された2つの手法の間に位置づけられる。従来のレダクションは、レビュアー、検索語、正規表現に依存する。より新しいAIシステムは、固定ルールでは見逃しかねない氏名、識別子、文脈上の関係を分類する。Microsoft自身も、自動PII検出では偽陽性と偽陰性の両方が発生するため、高リスクのケースでは人による監督が不可欠だと警告している。
Blackoutがネイティブファイル全体でレダクションを推奨
このリリースが変えるのはBlackoutによる機密データの発見方法であり、何を消去すべきかを判断する法的責任ではない。
Milyliのリリース発表によると、Blackoutは自然言語処理とエンティティ抽出を用いてレダクションを推奨するようになった。このシステムは、文書コレクション全体にわたり、PII、秘匿特権の対象となる通信、その他の機密情報を対象とする。
自動推奨は、このアップデートで最も重要な部分だ。レビュアーは検索を始める前に、すべての表記、書式の違い、周辺のフレーズを把握しておく必要がなくなる。ソフトウェアは、周囲の言語に基づいて機密エンティティを提案できる。
その後、Blackoutは既存のマークアップおよびレダクションのワークフローを通じて、これらの検出結果を適用する。この区別は重要だ。機密テキストを検出することと、それを恒久的に削除することは別の操作だからである。モデルは銀行口座番号の候補を識別できるが、そのコンテンツをどのようにマークし、レビューし、監査し、提出するかはレダクションシステムが制御する。
Milyliによれば、このリリースは数十種類のファイル形式をサポートする。スプレッドシートには、通常の文書パイプラインが平坦化したり見落としたりしがちな構造があるため、ネイティブExcelには特に重点が置かれている。ワークブックには、数式、非表示シート、コメント、グラフ、埋め込みオブジェクト、ヘッダー、セル内の部分テキストが含まれうる。
BlackoutはAIリリース以前から、これらの構造を処理していた。文書化されたスプレッドシートのワークフローでは、レビュアーがマークアップを適用する前に、非表示コンテンツを表示し、復元可能な変更履歴を削除してワークブックを準備する。また、セル、行、列、シート、グラフ、オブジェクトのレダクションにも対応する。
したがってAIレイヤーは、ネイティブExcelのレダクションをゼロから作り出すものではない。確立されたスプレッドシート制御に文脈に基づく推奨を追加することで、識別段階を変えるものだ。このリリースを完全自律型のレダクションシステムと表現するより正確である。
PDFのワークフローも同様のパターンに従う。Blackoutは検索可能なPDFには自動マークアップを、検索可能なファイルや画像ベースのファイルには手動マークアップを適用できる。新しいAI機能は、本番提出前に機密コンテンツの可能性が高い箇所を特定する方法を広げる。
即時提供であることも、このリリースを将来のロードマップ発表と分ける要素となる。既存の顧客は、進行中のレビューコレクションでこの機能を評価できる。Milyliは新機能に関する導入数、独立した精度結果、顧客ベンチマークを公表していない。
こうした数値の欠如により、リリース初日に結論づけられる範囲は限られる。このリリースは、製品変更とその技術的基盤を確認するものだ。しかし、実際の法的案件でシステムがどれほどレビュー時間を節約するかは、まだ示されていない。
ネイティブExcelにおいてMilyli AI Redactionが重要な理由
ネイティブExcelのサポートは、複雑な証拠を保持しながら機密コンテンツを除去できるかどうかという、自動化の試金石へと抽象的なAI機能を変える。
多くのレダクション製品は、レンダリングされたページ上で最も自然に動作する。スプレッドシートは固定ページのようには動かない。意味は、数式、セル間の関係、非表示フィールド、ワークブックのタブ、コメント、可視グリッド外にあるオブジェクトに依存する場合がある。
ワークブックを画像やPDFページに変換すれば、レダクションを表示しやすくなる可能性がある。一方で、インタラクティブ性を失わせ、ページ区切りを変え、数式と値を分離し、後の分析を複雑にする可能性もある。ネイティブ処理は、開示してはならないコンテンツを変更しつつ、有用な構造を維持することを目指す。
そのため、自動化された機密データ保護は単に黒い四角形を描くより難しい。システムはエンティティを特定し、正しいワークブック要素に対応づけ、周辺データを保持し、その操作について防御可能な記録を作成しなければならない。また、削除した情報が別の場所で復元可能な状態で残らないようにする必要もある。
連絡先の氏名は、可視セル、非表示行、グラフのラベル、数式の参照先に現れることがある。固定キーワード検索は完全一致を見つけられるが、ニックネーム、書式の違い、文脈を必要とする識別子を見逃す場合がある。AI分類器は検出範囲を広げられるが、より広い検出は無関係な推奨を増やす可能性もある。
MilyliのAzure Languageとの統合は、分類の問題に対処する。MicrosoftのPII検出は、エンティティカテゴリ、信頼度スコア、レダクション済みの出力を返す。サポートされるカテゴリには、氏名、住所、金融識別子、政府発行の識別子、一部の健康情報が含まれる。
信頼度スコアは有用だが、推奨が正しいことの証明ではない。チームは、どのスコアで自動アクションを実行するか、どのスコアでレビュータスクを作成するか、どのスコアを無視するかを判断しなければならない。適切なしきい値は、文書タイプ、エンティティカテゴリ、開示リスクによって異なる。
低いしきい値は、より多くのPII候補を捉え、偽陰性を減らせる。その一方で、より多くの偽陽性を発生させ、関連証拠を隠したり、レビューキューを拡大したりする。高いしきい値はノイズを減らせるが、曖昧な機密情報を通過させる可能性がある。
Excelでは、この調整が特に難しい。数字の並びは、口座番号、社内プロジェクトコード、あるいは通常の計算を表す場合がある。周囲のセルの文脈が意味を解決することもあるが、スプレッドシートのレイアウトは文法ではなく視覚的に文脈を符号化することが多い。
同じ問題は、秘匿特権の対象となるコンテンツにも影響する。弁護士名や法的用語は通信を識別する助けになるが、それらが含まれるからといって、すべての文書が自動的に秘匿特権の対象になるわけではない。秘匿特権は多くの場合、参加者、目的、主題、管轄に左右される。
Blackoutの潜在的な利点は、推奨とマークアップのつながりにある。法務チームは、検出、レビュアーの判断、ネイティブレダクション、監査履歴を1つのワークフロー内で管理できる。これにより、一貫性のないルールや分断された記録をもたらしかねない引き継ぎを減らせる。
これは、単にエンティティの一覧を返すだけのスタンドアロン検出ツールにも圧力をかける。エンタープライズの購入者は、識別からレビュー、本番提出までの運用上の連鎖をますます必要としている。有用なモデル出力は、制御された文書アクションへと変換されなければならない。
このより広い教訓は、eDiscoveryの枠を超えて広がる。検索可能なシステムに機密性の高い技術文書を取り込む場合、ローカルナレッジベースを構築する組織も、同様の問題に直面する。分類は役立つが、保護情報が保護されたままかどうかを最終的に決めるのは、アクセス制御とレビュー方針である。
文脈的AIがルールベースのレダクションに挑む
Blackoutの主な対抗相手は別の製品ではない。防御可能な一括レダクションには固定ルールで十分だという、確立された考え方である。
ルールベースのレダクションは、その挙動を比較的説明しやすいため、依然として価値がある。チームは完全一致のフレーズ、既知の識別子、正規表現パターンを検索できる。レビュアーはルールを文書化し、その結果を再現できる。
Blackoutはすでに、用語、フレーズ、正規表現を用いた一括スプレッドシートプロジェクトをサポートしている。Milyliのドキュメントでは、画像、Excel、PDFプロジェクト向けに大規模なルールインポートも可能としている。チームが除去すべきパターンを正確に把握している場合、これらのツールは引き続き適切である。
社会保障番号は、ルールの強みを示す例だ。空白やハイフンが異なる場合でも、その書式は認識可能なパターンに従う。クレジットカード番号、メールアドレス、案件固有の氏名も、慎重に構築した検索で有効に扱える場合がある。
弱点は、機密情報が安定したパターンに従わない場合に現れる。スペルミス、一貫しない句読点、部分的な氏名、外国の識別子、記述的な説明、一般的でないレイアウトは、完全一致を打ち破る可能性がある。文書コレクションに新たなバリエーションが加わるにつれて、ルールの保守負担も増大する。
文脈的なエンティティ認識は、検索の問いを変える。文字列があらかじめ定められた書式に一致するかを問う代わりに、システムは周囲のテキストの中でその文字列がどのような役割を果たすかを問う。これにより、ルール一覧を作成する際にレビュアーが予測していなかった資料を見つけられる場合がある。
Milyli AI redactionは、こうした文脈的な推奨とBlackoutの既存の制御を組み合わせる。これにより、ルールを完全に置き換えるのではなく、ハイブリッドモデルが形成される。既知のパターンは決定論的なまま維持し、AIレイヤーは予測しにくい事例を探せる。
このハイブリッド構造は、AIとルールを相互排他的なものとして扱うより、有用である可能性が高い。法務チームは、安定した識別子にはルールを、文脈的な発見にはAIを、曖昧な判断には人間のレビュアーを用いることができる。各レイヤーは異なる失敗モードに対処する。
このアプローチは、リーガルテクノロジー内の競争圧力も反映している。Relativityは、データ主体アクセス要求に向けて、AI支援による個人データ識別や監査証跡を含む自動レダクションを推進している。同社のより広範なプラットフォームも、収集、レビュー、レダクション、本番提出を1つの環境に統合している。
MilyliとRelativityの関係は、単純な企業対企業の比較を複雑にする。Blackoutは長年にわたりRelativityのワークフロー内で運用されてきた。2026年9月、RelativityはBlackoutが標準のRelativityOne機能としてRelativityOne Redactになると発表した。
したがって、MilyliのAI発表は、Relativity自身のAIの方向性と重なるワークフローを強化する。競争上の問いは直接的な対立というより、どの検出・レビュー体験が法務チームのデフォルトのインターフェースになるかにある。
他のレビュープラットフォームも、自動PII検出、一括レダクション、支援付きレビューを提供している。購入者は、カバレッジ、監査可能性、導入境界、ネイティブファイル処理を比較することになる。また、本番提出前に結果をどれほど容易に修正できるかも検討するだろう。
ネイティブExcel対応は、この比較におけるMilyliの最も明確な差別化要因であり続けている。同社のレダクション履歴は新たなAIレイヤーより前から存在し、複雑なワークブックを修正するための確立された仕組みを提供してきた。Azure統合により、現在ではその仕組みに文脈を踏まえた検出機能が加わった。
ただし、機能の広さだけで勝敗が決まるわけではない。過剰なノイズを生む推奨システムは、レビューコストを増加させかねない。一方、珍しいエンティティを見落とす保守的なシステムは、情報開示のリスクを生み得る。重要なのはAIというラベルではなく、運用上のバランスである。
自動化された機微データ保護には精度の問題がある
AIは初回レビューを加速できるが、最も高コストなレダクションの失敗は、通常、システムが一度もフラグを立てなかった機微情報である。
偽陽性は目に見える。レビュー担当者が却下できる不要な推奨として現れるからだ。偽陰性はより厄介である。システムが機微な内容を認識できなかった場合、警告は一切表示されない。
この非対称性は、訴訟、調査、プライバシー請求、規制当局への提出において重要となる。不要なレダクションは関連情報を隠し、修正を必要とする可能性がある。見落とされた識別子や秘匿特権に関わる記述は、組織が開示を取り消せない状況を招き得る。
Microsoftの責任あるAIに関するガイダンスは、監督なしの高リスクなレダクションに対して明確に警鐘を鳴らしている。失敗は個人をなりすまし被害などの危害にさらす可能性があるとし、慎重な人間による監督を推奨している。
Microsoftは、偽陽性と偽陰性の両方が発生することも指摘している。信頼度の閾値によって両者のバランスは変えられるが、あらゆるユースケースを解決する万能の閾値は存在しない。チームには、自らの言語、形式、エンティティ分類を用いた本番に近いテストが必要である。
この注意点は、購入者がMilyliの発表をどう解釈するかに影響を与えるべきだ。自動レダクションの推奨はレビューを不要にするのではない。レビューを、機械が生成した候補と例外を中心とする形へ再編する。
適切に設計されたワークフローは、それでも時間を節約できる。レビュー担当者は明白なPIIの特定に割く労力を減らし、曖昧または影響の大きい資料の評価により多くの時間を使える。チームがシステムの挙動を検証した後は、バッチ承認によって繰り返し現れるパターンを処理できる。
しかしMilyliは、新リリースに関する独立した再現率、適合率、または偽陰性率の測定値を公表していない。再現率は、システムが関連する機微コンテンツをどれほど発見できるかを測る。適合率は、推奨のうち実際に関連するものの割合を測る。
どちらの指標にも文脈が必要である。整ったテキストでの結果は、スキャン文書、破損ファイル、特殊なスプレッドシート、多言語コレクションでの結果を予測しない。また、集計スコアは、まれだが高リスクな分類における低い性能を隠すこともある。
言語対応は特に慎重な検証に値する。Microsoftの機能と制限は、サービスのバージョン、機能、言語、エンティティの種類によって異なる。Blackoutの顧客は、一律の対応範囲を前提とせず、Milyliの実装の背後にある正確なAzure構成を確認すべきである。
データ処理も別の疑問を生む。機微要素を検出するには、その前に機微文書を処理しなければならない。購入者には、データの保存場所、保持、ログ記録、暗号化、アクセス制御、モデル学習方針について明確な回答が必要だ。
Microsoftは、診断データの保存に関する制御を含め、安全なAzure Languageデプロイメントの構成オプションを文書化している。Milyliの発表はエンタープライズ向けのセキュリティと監査可能性を強調しているが、Blackout統合の詳細な公開アーキテクチャは提示していない。
秘匿特権に関わる資料には、別のリスクがある。PII検出は認識可能なエンティティ分類に依存する。特権性の分類には法的文脈が必要であり、案件ごとに異なり得る。推奨はレビュー担当者を支援できても、最終的な法的判断そのものにはならない。
したがってチームは、3つの作業を区別すべきである。検出は注意を要するコンテンツを提案する。レビューは、そのコンテンツに保護が必要かを判断する。レダクションは、承認済みの原本を保持しつつ、開示版を恒久的に変更する。
監査ログはこれらの作業を結び付ける。防御可能なシステムは、推奨、レビュー担当者の判断、関係するルールまたはモデル、マークアップの操作、最終提出状態を記録すべきである。この履歴は、相手方がプロセスに異議を唱えた際に重要になる。
NISTの匿名化に関するガイダンスは、技術的な削除を超えたガバナンスの必要性を改めて示している。同ガイダンスは匿名化を、単一のソフトウェア操作ではなく、開示リスク、データ利用、レビューを含む管理されたプロセスとして扱っている。
今回の発表は、Blackoutがあらゆるファイル内のすべての機微情報分類を常に安全に削除することを示すものではない。Azure Languageを基盤とする新たな推奨レイヤーを確立したものだ。顧客は、自らの法的要件とセキュリティ要件の下で、得られるワークフローを検証しなければならない。
真の競争はモデルのブランドではなく、レビュー作業にある
Blackoutがレダクションの防御可能性を支える統制を弱めずに、総レビュー工数を削減できるなら、Milyliは成功するだろう。
AI製品の発表は、しばしばモデル能力に焦点を当てる。レダクションの購入者が重視するのは、より広範なシステムである。彼らには、予測可能な取り込み、正確な検出、管理可能なレビューキュー、信頼できるマークアップ、安全な処理、再現可能な提出が必要だ。
モデル自体の性能が良くても、ワークフロー全体が失敗することはある。推奨が十分な文脈なしに届くかもしれない。レビュー担当者が承認や取り消しに苦労するかもしれない。ネイティブファイルには、可視のマークアップが覆っていない隠しコンテンツが残る可能性がある。
Blackoutはすでに、文書準備とネイティブのマークアップ制御を通じて、複数の後工程の問題に対応している。スプレッドシートのワークフローでは、レダクション前に非表示の行、列、シートを表示できる。また、保護情報を復元しかねない変更履歴も削除できる。
これらの制御が重要なのは、視覚的な隠蔽が常に真のレダクションとは限らないためだ。テキストの上に黒い図形を置いても、下層のコンテンツが検索可能または復元可能なまま残る場合がある。提出ワークフローでは、出力から保護情報を削除または置換しなければならない。
AIリリースは、レビュー担当者の統制を曖昧にせず既存プロセスに組み込まれる場合に価値をもたらす。推奨は、何が検出され、なぜその分類になり、どこに現れるのかを示すべきである。レビュー担当者は操作を受諾、却下、または調整できなければならない。
一貫性も、もう一つの利点となり得る。大規模な案件では作業が多くのレビュー担当者に分割されることが多く、人によって指示の解釈が異なることがある。集中管理された推奨ルールと閾値は、チーム間のばらつきを減らせる。
しかし、一貫性は体系的な誤りを再現することもある。モデルが特定の識別子を繰り返し見落とす場合、その推奨に依存するすべてのレビュー担当者が同じ盲点を引き継ぐ。サンプリングと品質管理では、承認された推奨だけでなく、フラグの付かなかったコンテンツも検証しなければならない。
最も強力な実装は、複数の安全策を組み合わせるだろう。チームは既知のパターンに対する決定論的な検索を維持し、文脈に基づく発見にはAIの推奨を使い、推奨を受けなかった文書をサンプリングできる。エスカレーションルールにより、高リスク分類を専門のレビュー担当者へ振り分けることもできる。
顧客は、初回レビューで節約した時間と、結果の検証に費やす時間も比較すべきである。品質管理が相殺するほど拡大するなら、初回パスが速くなっても意味はない。重要な指標は、最終提出までの総工数である。
Milyliは、こうした運用上のベンチマークを公表していない。また、顧客がエンティティ分類、閾値、除外設定、案件固有の語彙をどのように調整するのかも開示していない。これらの制御は、システムが実際のコレクションに適応できるかを左右する。
最終的にはAzureというブランドより、統合の深さの方が重要になる可能性がある。法務チームはすでに一般的なエンティティ認識サービスを利用できる。Blackoutの提案は、検出がネイティブのレダクションワークフロー内に属し、そこで推奨が監査可能な操作になるという点にある。
この位置付けには説得力がある。スプレッドシートと提出物には専門的な要件があるためだ。汎用AIサービスはテキストエンティティを識別できるが、法務ソフトウェアには、証拠保全の連鎖、権限、マークアップ履歴、出力の完全性を維持する必要がある。
したがって今回の発表は、購入者にAIレダクションをチェックボックスではなくワークフローとして評価するよう促す。またベンダーにも、対応形式以上の情報開示を求める圧力をかける。顧客には、検出品質、レビュー担当者の負担、セキュリティ境界、修正経路に関する証拠が必要である。
Blackout AIのローンチ後に注目すべき点
Milyli AIのレダクションが運用上の改善となるのか、それとも魅力的な製品主張にとどまるのかは、3つの兆候によって示される。
第1の兆候は、実案件における顧客の証拠である。Milyliは、コレクション規模、ファイル構成、レビュー手順、適合率、再現率、提出までの総所要時間を説明する事例研究を公表すべきだ。購入者が、その導入が自らの業務に似ているかを判断できるだけの詳細が必要である。
ネイティブExcelに関する証拠は特に注目に値する。有用な評価には、非表示コンテンツ、数式、コメント、グラフ、オブジェクト、特殊なレイアウト、セルの部分レダクションを含めるべきである。単純なワークシートでは、今回のリリースの根幹にある最も難しい主張を検証できない。
肯定的な結果は、文脈に基づく検出が確立されたネイティブファイルのワークフローを改善するというMilyliの主張を強めるだろう。弱い結果、または限定的に設定された結果は、多くの代替手段がすでに競合する通常のテキストで、この機能が最も有効に働くことを示唆するだろう。
第2の兆候は、製品の制御画面である。顧客は、Blackoutが信頼度スコア、分類の選択、除外、閾値、一括判断、検証サンプルをどのように提示するかを確認する必要がある。明確な制御があれば、Azure統合を異なるリスク許容度に適応させられる。
こうした制御がなければ、自動化の根拠は弱まる。法務チームは、すべての案件を同じように扱うことはできない。プライバシー請求、社内調査、規制当局への提出、訴訟における証拠提出では、機微コンテンツの定義がそれぞれ異なる場合がある。
購入者は、Blackoutがモデル更新をどう扱うかも注視すべきである。サービスを基盤とする分類器は、Microsoftが新バージョンをリリースするたびに変化し得る。Milyliには、バージョンを文書化し、変更を評価し、長期にわたる案件全体で再現性を維持する手段が必要だ。
第3の兆候は、Relativityが重複するレダクション機能をどう位置付けるかである。BlackoutがRelativityOne Redactへ移行したことで、この技術には大きな流通経路が生まれた。同時にRelativityは、自社のAI支援型プライバシーおよびレビュー製品も拡大し続けている。
より緊密な統合は、Milyliの機能が中核となるレビュー環境に属するという主張を強めるだろう。分かりにくい重複、別個の設定システム、重複した推奨は、導入時の摩擦を増やす。
競合他社の反応も市場を明らかにするだろう。ベンダーは、より優れたネイティブ形式対応、より透明性の高い評価、より強力なプライベートデプロイメント、またはレビュー担当者の負担軽減で応じられる。最も意味のある対応は、既存の検索ツールにAIというブランドを付けることではなく、ワークフローの証拠に応えるものとなる。
ユーザーにとって実務的な次の一歩は、統制されたテストである。既知のPII、秘匿特権に関わる記述、スプレッドシートのエッジケース、機微コンテンツを含まない文書を含む代表的なセットを構築する。システムが何を発見し、何を見落とし、検証にどれほど時間がかかるかを測定する。
Milyli AIのレダクションが注目に値するのは、文脈に基づく検出を確立されたネイティブファイルのワークフローと結び付けるためである。レビュー担当者、セキュリティ制御、品質保証の必要性をなくすものではない。自動化が防御可能性を維持しながら総工数を削減するかを問い、自らの文書に似た資料による証拠を求めるべきである。
