A redação por IA da Milyli chega ao Blackout, mas a automação ainda exige revisão humana
A redação por IA da Milyli chegou ao Blackout em 14 de outubro, adicionando recomendações automatizadas para conteúdo sensível em Excel nativo, PDF e outros tipos de arquivo. O lançamento leva o Blackout além do processamento em massa baseado em regras, em direção a modelos de linguagem que identificam informações pelo contexto. No entanto, o conflito central permanece sem solução: a automação pode reduzir revisões repetitivas, mas dados não detectados ainda podem expor pessoas e organizações.
O novo sistema usa Azure Language por meio do Microsoft Foundry Tools para identificar informações de identificação pessoal, material protegido por privilégio e outros conteúdos sensíveis. A Milyli afirma que o recurso está imediatamente disponível para clientes do Blackout. Seu valor dependerá de as equipes jurídicas conseguirem verificar essas recomendações sem recriar a carga de trabalho manual que a automação promete reduzir.
Essa tensão posiciona o Blackout entre duas abordagens consolidadas. A redação tradicional depende de revisores, termos de busca e expressões regulares. Sistemas de IA mais recentes classificam nomes, identificadores e relações contextuais que regras fixas podem não detectar. A própria Microsoft alerta que a detecção automatizada de PII produz tanto falsos positivos quanto falsos negativos, tornando a supervisão humana essencial em casos de maior risco.
O Blackout agora recomenda redações em arquivos nativos
O lançamento muda a forma como o Blackout encontra dados sensíveis, não a responsabilidade jurídica de decidir o que deve ser removido.
Segundo o anúncio de lançamento da Milyli, o Blackout agora usa processamento de linguagem natural e extração de entidades para recomendar redações. O sistema visa PII, comunicações protegidas por privilégio e outras informações sensíveis em coleções de documentos.
As recomendações automáticas são a parte mais relevante da atualização. Um revisor não precisa mais conhecer todas as grafias, variações de formatação ou frases ao redor de uma informação antes de iniciar uma busca. O software pode sugerir entidades sensíveis com base na linguagem ao seu redor.
O Blackout então aplica essas descobertas por meio de seus fluxos de trabalho existentes de marcação e redação. Essa distinção importa porque detectar texto sensível e removê-lo permanentemente são operações separadas. Um modelo pode identificar um possível número de conta bancária, enquanto o sistema de redação controla como esse conteúdo é marcado, revisado, auditado e produzido.
A Milyli afirma que o lançamento oferece suporte a dezenas de formatos de arquivo. O Excel nativo recebe atenção especial porque planilhas apresentam estruturas que pipelines convencionais de documentos frequentemente simplificam ou ignoram. Uma pasta de trabalho pode conter fórmulas, planilhas ocultas, comentários, gráficos, objetos incorporados, cabeçalhos e texto parcial dentro de células.
O Blackout já tratava essas estruturas antes do lançamento da IA. Seu fluxo de trabalho para planilhas documentado prepara pastas de trabalho expondo conteúdo oculto e removendo o histórico recuperável de alterações antes de os revisores aplicarem marcações. Ele também oferece suporte à redação de células, linhas, colunas, planilhas, gráficos e objetos.
A camada de IA, portanto, não cria a redação de Excel nativo do zero. Ela altera a etapa de identificação ao adicionar recomendações contextuais aos controles já estabelecidos para planilhas. Isso é mais preciso do que descrever o lançamento como um sistema de redação totalmente autônomo.
Os fluxos de trabalho com PDF seguem um padrão semelhante. O Blackout pode aplicar marcações automatizadas a PDFs pesquisáveis e marcações manuais a arquivos pesquisáveis ou baseados em imagem. O novo recurso de IA amplia a forma como conteúdos provavelmente sensíveis são identificados antes da produção.
A disponibilidade imediata também diferencia este lançamento de um anúncio de roteiro futuro. Clientes existentes podem avaliar o recurso em coleções de revisão ativas. A Milyli não divulgou publicamente números de adoção, resultados independentes de precisão ou benchmarks de clientes para o novo recurso.
Esses números ausentes limitam as conclusões possíveis no dia do lançamento. A novidade confirma uma mudança no produto e sua base técnica. Ainda não estabelece quanto tempo de revisão o sistema economiza em casos jurídicos reais.
Por que a redação por IA da Milyli importa para o Excel nativo
O suporte ao Excel nativo transforma um recurso abstrato de IA em um teste sobre se a automação consegue preservar evidências complexas enquanto remove conteúdo sensível.
Muitos produtos de redação funcionam mais naturalmente em páginas renderizadas. Planilhas não se comportam como páginas fixas. O significado pode depender de fórmulas, relações entre células, campos ocultos, abas da pasta de trabalho, comentários e objetos que ficam fora da grade visível.
Converter uma pasta de trabalho em imagens ou páginas PDF pode facilitar a exibição da redação. Também pode remover a interatividade, alterar a paginação, separar fórmulas de valores e complicar análises posteriores. O processamento nativo busca preservar a estrutura útil enquanto modifica o conteúdo que não deve ser divulgado.
Isso torna a proteção automatizada de dados sensíveis mais difícil do que desenhar retângulos pretos. O sistema precisa localizar uma entidade, mapeá-la para o elemento correto da pasta de trabalho, preservar os dados ao redor e criar um registro defensável da ação. Também precisa impedir que informações removidas continuem recuperáveis em outros locais.
Um nome de contato pode aparecer em uma célula visível, uma linha oculta, um rótulo de gráfico e uma referência de fórmula. Uma busca fixa por palavras-chave pode encontrar correspondências exatas, mas pode deixar passar apelidos, diferenças de formatação ou identificadores que exigem contexto. Um classificador de IA pode ampliar a detecção, mas uma detecção mais ampla também pode aumentar as recomendações irrelevantes.
A integração da Milyli com Azure Language aborda o problema de classificação. A detecção de PII da Microsoft retorna categorias de entidades, pontuações de confiança e saída com redação. As categorias compatíveis incluem nomes, endereços, identificadores financeiros, identificadores governamentais e algumas informações de saúde.
As pontuações de confiança são úteis, mas não comprovam que uma recomendação está correta. As equipes precisam decidir quais pontuações acionam ações automáticas, quais criam tarefas de revisão e quais são ignoradas. O limiar correto varia conforme o tipo de documento, a categoria da entidade e o risco de divulgação.
Um limiar baixo pode capturar mais possíveis PII e reduzir falsos negativos. Também gera mais falsos positivos, que podem ocultar evidências relevantes ou ampliar a fila de revisão. Um limiar mais alto pode reduzir o ruído, mas permitir que informações sensíveis ambíguas sejam liberadas.
O Excel torna essa calibração especialmente difícil. Uma sequência de dígitos pode representar um número de conta, um código interno de projeto ou um cálculo comum. O contexto das células ao redor pode resolver o significado, mas layouts de planilhas frequentemente codificam contexto de forma visual, e não gramatical.
A mesma questão afeta o conteúdo protegido por privilégio. Nomes de advogados e termos jurídicos podem ajudar a identificar uma comunicação, mas sua presença não torna automaticamente todo documento privilegiado. O privilégio geralmente depende dos participantes, da finalidade, do assunto e da jurisdição.
A vantagem potencial do Blackout é sua conexão entre recomendação e marcação. As equipes jurídicas podem manter a detecção, as decisões dos revisores, a redação nativa e o histórico de auditoria em um único fluxo de trabalho. Isso reduz as transferências que podem introduzir regras inconsistentes ou registros desconectados.
Isso também pressiona ferramentas independentes de detecção que apenas retornam uma lista de entidades. Compradores empresariais precisam cada vez mais de uma cadeia operacional desde a identificação até a revisão e a produção. Uma saída útil de modelo precisa se transformar em uma ação documental controlada.
A lição mais ampla se estende além do eDiscovery. Organizações que constroem uma base de conhecimento local enfrentam um problema relacionado quando documentos técnicos sensíveis entram em sistemas pesquisáveis. A classificação ajuda, mas controles de acesso e políticas de revisão ainda determinam se informações protegidas permanecem protegidas.
IA contextual desafia a redação baseada em regras
O principal oponente do Blackout não é outro produto; é a crença consolidada de que regras fixas são suficientes para uma redação em massa defensável.
A redação baseada em regras continua valiosa porque seu comportamento é relativamente fácil de explicar. Uma equipe pode buscar uma frase exata, um identificador conhecido ou um padrão de expressão regular. Os revisores podem documentar a regra e reproduzir seus resultados.
O Blackout já oferece suporte a projetos de planilhas em massa usando termos, frases e expressões regulares. A documentação da Milyli também permite grandes importações de regras para projetos de imagens, Excel e PDF. Essas ferramentas continuam apropriadas quando as equipes sabem exatamente quais padrões precisam remover.
Números de seguridade social ilustram a força das regras. Sua formatação segue padrões reconhecíveis, mesmo quando espaços ou hífens variam. Números de cartões de crédito, endereços de e-mail e nomes específicos de casos também podem funcionar bem com buscas cuidadosamente elaboradas.
A fraqueza aparece quando informações sensíveis não seguem um padrão estável. Erros de grafia, pontuação inconsistente, nomes parciais, identificadores estrangeiros, descrições narrativas e layouts incomuns podem derrotar a correspondência exata. A manutenção de regras também cresce à medida que as coleções de documentos introduzem novas variações.
O reconhecimento contextual de entidades muda a pergunta da busca. Em vez de perguntar se uma cadeia de caracteres corresponde a um formato predeterminado, o sistema pergunta qual papel essa cadeia desempenha no texto ao redor. Isso pode revelar material que o revisor não previu ao elaborar a lista de regras.
A redação por IA da Milyli combina essas recomendações contextuais com os controles existentes do Blackout. Isso cria um modelo híbrido, e não uma substituição completa das regras. Padrões conhecidos podem continuar determinísticos, enquanto a camada de IA busca ocorrências menos previsíveis.
Essa estrutura híbrida provavelmente é mais útil do que tratar IA e regras como mutuamente exclusivas. Uma equipe jurídica pode usar regras para identificadores estáveis, IA para descoberta contextual e revisores humanos para decisões ambíguas. Cada camada aborda um modo de falha diferente.
A abordagem também reflete a pressão competitiva dentro da tecnologia jurídica. A Relativity promove a redação automatizada para solicitações de acesso a dados pessoais, incluindo identificação de dados pessoais assistida por IA e uma trilha de auditoria. Sua plataforma mais ampla também reúne coleta, revisão, redação e produção em um único ambiente.
A relação entre Milyli e Relativity complica uma comparação simples de empresa contra empresa. O Blackout há muito tempo opera dentro dos fluxos de trabalho da Relativity. Em setembro de 2026, a Relativity anunciou que o Blackout se tornaria RelativityOne Redact como um recurso padrão do RelativityOne.
O anúncio de IA da Milyli, portanto, fortalece um fluxo de trabalho que se sobrepõe à própria direção de IA da Relativity. A questão competitiva diz menos respeito à rivalidade direta e mais a qual experiência de detecção e revisão se torna a interface padrão para equipes jurídicas.
Outras plataformas de revisão também oferecem detecção automatizada de PII, redação em massa ou revisão assistida. Os compradores compararão cobertura, auditabilidade, limites de implantação e tratamento de arquivos nativos. Também examinarão a facilidade de corrigir resultados antes da produção.
O Excel nativo continua sendo o diferencial mais claro da Milyli nessa comparação. Seu histórico de redação antecede a nova camada de IA, dando à empresa um mecanismo consolidado para modificar planilhas complexas. A integração com o Azure agora adiciona detecção contextual a esse mecanismo.
Ainda assim, a amplitude de recursos por si só não decidirá a disputa. Um sistema de recomendações que gera ruído excessivo pode aumentar os custos de revisão. Um sistema conservador que deixa passar entidades incomuns pode criar risco de divulgação. O equilíbrio operacional importa mais do que o rótulo de IA.
A Proteção Automatizada de Dados Sensíveis Tem um Problema de Precisão
A IA pode acelerar a primeira etapa, mas a falha de redação mais onerosa geralmente é o item sensível que o sistema nunca sinaliza.
Os falsos positivos são visíveis. Eles aparecem como recomendações desnecessárias que os revisores podem rejeitar. Os falsos negativos são mais difíceis porque o sistema não apresenta nenhum alerta quando deixa de reconhecer conteúdo sensível.
Essa assimetria importa em litígios, investigações, solicitações de privacidade e produções regulatórias. Uma redação desnecessária pode ocultar informações relevantes e exigir correção. Um identificador ou declaração privilegiada não detectado pode impedir a organização de reverter uma divulgação.
As orientações de IA responsável da Microsoft alertam explicitamente contra a redação de alto risco sem supervisão. Elas afirmam que falhas podem expor pessoas a roubo de identidade ou outros danos e recomendam uma supervisão humana cuidadosa.
A Microsoft também observa que ocorrem tanto falsos positivos quanto falsos negativos. Os limites de confiança podem alterar seu equilíbrio, mas não existe um limite universal que resolva todos os casos de uso. As equipes precisam de testes semelhantes à produção com seus próprios idiomas, formatos e categorias de entidades.
Essa cautela deve orientar a forma como os compradores interpretam o anúncio da Milyli. Recomendações automatizadas de redação não eliminam a revisão. Elas reorganizam a revisão em torno de candidatos e exceções gerados por máquinas.
Um fluxo de trabalho bem projetado ainda pode economizar tempo. Os revisores podem dedicar menos esforço para localizar PII evidente e mais esforço para avaliar material ambíguo ou relevante. A aprovação em lote pode lidar com padrões recorrentes depois que a equipe valida o comportamento do sistema.
No entanto, a Milyli não publicou medições independentes de recall, precisão ou falsos negativos para a nova versão. Recall mede quanto conteúdo sensível relevante o sistema encontra. Precisão mede quantas recomendações são de fato relevantes.
Ambas as métricas precisam de contexto. Resultados em texto limpo não preveem resultados em documentos digitalizados, arquivos danificados, planilhas incomuns ou coleções multilíngues. Pontuações agregadas também podem ocultar desempenho fraco em categorias raras, mas de alto risco.
A cobertura de idiomas merece escrutínio específico. As capacidades e limitações da Microsoft diferem entre versões de serviços, recursos, idiomas e tipos de entidade. Os clientes do Blackout devem verificar a configuração exata do Azure por trás da implementação da Milyli, em vez de presumir cobertura uniforme.
O tratamento de dados cria outra questão. Documentos sensíveis precisam ser processados antes que seus elementos sensíveis possam ser detectados. Os compradores precisam de respostas claras sobre localização dos dados, retenção, registro, criptografia, controles de acesso e políticas de treinamento de modelos.
A Microsoft documenta opções de configuração para implantações seguras do Azure Language, incluindo controles sobre o armazenamento de diagnósticos. O anúncio da Milyli enfatiza segurança empresarial e auditabilidade, mas não oferece uma arquitetura pública detalhada para a integração do Blackout.
Material privilegiado introduz um risco separado. A detecção de PII depende de categorias reconhecíveis de entidades. A classificação de privilégio exige contexto jurídico e pode variar conforme o caso. Uma recomendação pode auxiliar um revisor sem se tornar uma determinação jurídica final.
Portanto, as equipes devem distinguir três operações. A detecção propõe conteúdo que merece atenção. A revisão determina se o conteúdo exige proteção. A redação altera permanentemente a versão divulgada enquanto preserva um original autorizado.
Os registros de auditoria conectam essas operações. Um sistema defensável deve registrar a recomendação, a decisão do revisor, a regra ou o modelo envolvido, a ação de marcação e o estado final da produção. Esse histórico se torna importante quando outra parte questiona o processo.
As orientações de desidentificação do NIST reforçam a necessidade de governança além da remoção técnica. Elas tratam a desidentificação como um processo gerenciado que envolve riscos de divulgação, uso de dados e revisão, e não como uma única operação de software.
O anúncio de lançamento não estabelece que o Blackout remova com segurança todas as categorias de informações sensíveis em todos os arquivos. Ele estabelece uma nova camada de recomendações apoiada pelo Azure Language. Os clientes precisam validar o fluxo de trabalho resultante conforme seus próprios requisitos jurídicos e de segurança.
A Disputa Real É o Trabalho de Revisão, Não a Marca do Modelo
A Milyli terá sucesso se o Blackout reduzir o esforço total de revisão sem enfraquecer o controle que torna a redação defensável.
Os anúncios de produtos de IA frequentemente se concentram na capacidade do modelo. Os compradores de soluções de redação se preocupam com um sistema mais amplo. Eles precisam de ingestão previsível, detecção precisa, filas de revisão administráveis, marcações confiáveis, processamento seguro e produção reproduzível.
Um modelo pode ter bom desempenho enquanto o fluxo de trabalho geral falha. As recomendações podem chegar sem contexto suficiente. Os revisores podem ter dificuldade para aprová-las ou revertê-las. Arquivos nativos podem preservar conteúdo oculto que a marcação visível não cobre.
O Blackout já aborda várias questões posteriores por meio da preparação de documentos e dos controles de marcação nativos. Seu fluxo de trabalho para planilhas pode expor linhas, colunas e abas ocultas antes da redação. Ele também pode remover o histórico de alterações que poderia restaurar informações protegidas.
Esses controles importam porque a ocultação visual nem sempre é uma redação genuína. Uma forma preta colocada sobre o texto pode deixar o conteúdo subjacente pesquisável ou recuperável. Os fluxos de produção devem remover ou substituir as informações protegidas na saída.
A versão com IA agrega valor quando alimenta o processo existente sem obscurecer o controle do revisor. Uma recomendação deve mostrar o que foi detectado, por que foi categorizado e onde aparece. Os revisores devem poder aceitar, rejeitar ou refinar a ação.
A consistência é outro possível benefício. Grandes casos frequentemente dividem o trabalho entre muitos revisores, e as pessoas podem interpretar as instruções de forma diferente. Regras e limites de recomendação centralizados podem reduzir a variação entre equipes.
No entanto, a consistência pode reproduzir erros sistemáticos. Se o modelo deixa de detectar repetidamente um determinado identificador, todo revisor que confia em suas recomendações herda o mesmo ponto cego. A amostragem e o controle de qualidade devem testar conteúdo não sinalizado, e não apenas recomendações aprovadas.
A implementação mais robusta combinará diversas salvaguardas. As equipes podem manter buscas determinísticas para padrões conhecidos, usar recomendações de IA para descoberta contextual e amostrar documentos que não recebem recomendações. Regras de escalonamento podem encaminhar categorias de alto risco a revisores especializados.
Os clientes também devem comparar o tempo economizado durante a revisão inicial com o tempo gasto validando os resultados. Uma primeira etapa mais rápida não ajuda se o controle de qualidade se expandir o suficiente para anulá-la. A medida relevante é o esforço total até a produção final.
A Milyli não divulgou esses benchmarks operacionais. Tampouco revelou como os clientes ajustam categorias de entidades, limites, exclusões ou vocabulários específicos de cada caso. Esses controles determinarão se o sistema se adapta a coleções reais.
A profundidade da integração pode, em última análise, importar mais do que a marca Azure. As equipes jurídicas já têm acesso a serviços gerais de reconhecimento de entidades. A proposta do Blackout é que a detecção pertença a um fluxo de trabalho de redação nativo, no qual recomendações se transformam em ações auditáveis.
Essa posição é crível porque planilhas e produções geram requisitos especializados. Serviços gerais de IA identificam entidades textuais, mas o software jurídico precisa preservar cadeia de custódia, permissões, histórico de marcações e integridade da saída.
Portanto, o lançamento pressiona os compradores a avaliar a redação por IA como um fluxo de trabalho, e não como uma caixa de seleção. Também pressiona os fornecedores a divulgar mais do que formatos compatíveis. Os clientes precisam de evidências sobre qualidade de detecção, carga dos revisores, limites de segurança e caminhos de correção.
O Que Observar Após o Lançamento do Blackout AI
Três sinais mostrarão se a redação por IA da Milyli se torna uma melhoria operacional ou continua sendo uma alegação atraente de produto.
O primeiro sinal são as evidências de clientes em casos reais. A Milyli deve publicar estudos de caso que descrevam o tamanho da coleção, a composição dos arquivos, os procedimentos de revisão, a precisão, o recall e o tempo total até a produção. Os resultados precisam ter detalhes suficientes para que os compradores avaliem se a implantação se assemelha ao seu próprio trabalho.
As evidências do Excel nativo merecem atenção especial. Uma avaliação útil deve incluir conteúdo oculto, fórmulas, comentários, gráficos, objetos, layouts incomuns e redações parciais de células. Planilhas simples não testarão as alegações mais difíceis por trás da versão.
Resultados positivos fortaleceriam o argumento da Milyli de que a detecção contextual melhora um fluxo de trabalho consolidado para arquivos nativos. Resultados fracos ou apresentados de forma restrita sugeririam que o recurso funciona melhor em texto comum, onde muitas alternativas já competem.
O segundo sinal é a superfície de controle do produto. Os clientes precisam ver como o Blackout expõe pontuações de confiança, seleção de categorias, exclusões, limites, decisões em massa e amostras de validação. Controles claros tornariam a integração com o Azure adaptável a diferentes tolerâncias de risco.
A ausência desses controles enfraqueceria o argumento da automação. As equipes jurídicas não podem tratar todos os casos de forma idêntica. Uma solicitação de privacidade, investigação interna, protocolo regulatório e produção em litígio podem exigir definições diferentes de conteúdo sensível.
Os compradores também devem observar como o Blackout lida com atualizações de modelos. Um classificador apoiado por serviço pode mudar à medida que a Microsoft lança novas versões. A Milyli precisa de uma forma de documentar versões, avaliar mudanças e preservar a reprodutibilidade em casos de longa duração.
O terceiro sinal é como a Relativity posiciona recursos de redação sobrepostos. A transição do Blackout para o RelativityOne Redact dá à tecnologia um grande canal de distribuição. Ao mesmo tempo, a Relativity continua expandindo seus próprios produtos de privacidade e revisão assistidos por IA.
Uma integração mais estreita fortaleceria o argumento de que o recurso da Milyli pertence ao ambiente central de revisão. Sobreposições confusas, sistemas de configuração separados ou recomendações duplicadas aumentariam o atrito na adoção.
As respostas dos concorrentes também esclarecerão o mercado. Os fornecedores podem responder com melhor suporte a formatos nativos, avaliação mais transparente, implantação privada mais robusta ou menor carga para os revisores. A resposta mais significativa abordará evidências do fluxo de trabalho, em vez de apenas associar a marca IA a ferramentas de busca existentes.
Para os usuários, o próximo passo prático é realizar testes controlados. Monte um conjunto representativo que contenha PII conhecido, trechos privilegiados, casos extremos de planilhas e documentos sem conteúdo sensível. Meça o que o sistema encontra, o que deixa passar e quanto tempo a verificação exige.
A redação por IA da Milyli merece atenção porque une detecção contextual a um fluxo de trabalho consolidado para arquivos nativos. Ela não elimina a necessidade de revisores, controles de segurança ou garantia de qualidade. Pergunte se a automação reduz o esforço total enquanto preserva a defensabilidade e, em seguida, exija evidências de documentos que se assemelhem aos seus.
