L’onglet que personne n’a ouvert
Un fichier Word, Excel, PowerPoint ou PDF contient plus que la page qu’il montre. BADR est notre démo MVP pour la minute qui précède l’envoi d’un fichier : voici comment il est construit, ce que nous avons mesuré et ce qu’il ne sait pas encore faire.
Le 3 février 2025, un gestionnaire de l’Agence des services frontaliers du Canada a envoyé à 70 employés une feuille de calcul de planification des quarts de travail. Le fichier comportait aussi un onglet secondaire contenant des renseignements personnels sur plus de 18 000 autres employés. Ce qui est parti par courriel était un classeur, et il était plus grand que la feuille que son expéditeur avait sous les yeux. L’Agence a par la suite relevé quatre autres incidents semblables, liés à des feuilles de calcul, survenus en 2024 et en 2025.
Cela s’était déjà produit. Le 8 août 2023, le Service de police d’Irlande du Nord (PSNI) a répondu à une demande d’accès à l’information par une feuille de calcul. Les onglets visibles avaient été supprimés, mais il en restait un, hors de vue, que seuls trois points sur la barre d’onglets signalaient, et le contrôle de qualité n’a regardé que l’onglet de la réponse. L’onglet caché énumérait la totalité des 9 483 policiers et membres du personnel, avec nom de famille, grade et lieu d’affectation, et il est resté sur un site web public pendant près de deux heures et demie. Le service a ensuite tenté en vain de faire réduire son amende de 750 000 £.
En février 2014, le ministère australien de l’Immigration a publié un rapport statistique sous la forme d’un fichier Word où était incorporée la feuille de calcul Excel source : des renseignements personnels sur environ 9 250 demandeurs d’asile, restés sur le site web du ministère pendant environ huit jours et demi. La politique du ministère prévoyait qu’un tel rapport soit approuvé par sept réviseurs, sur copie papier. La présence de données incorporées dans le fichier numérique n’a pas été vérifiée.
Nous avons construit BADR pour la minute qui précède le départ d’un tel fichier. C’est une démo MVP en phase de présentation, pas encore un produit. BADR lit un fichier Word, Excel, PowerPoint ou PDF comme le logiciel d’un destinataire pourrait le lire, énumère ce que le fichier révèle, avec les vraies valeurs trouvées, et renvoie une copie propre. Sur albadr.ai, l’analyse et la copie propre sont gratuites, un fichier à la fois, jusqu’à 10 Mo. Le masquage des identifiants dans le document, l’explication facultative par l’IA et l’API demandent une clé. BADR ne lit que le texte : les images et les pages numérisées ne sont pas lues.
Les logiciels de bureautique cachent au lieu de supprimer
Dans ces histoires, chacun s’est servi de son logiciel tel qu’il a été conçu. Cacher une feuille, supprimer la feuille sur laquelle reposait un tableau croisé dynamique, coller un graphique dans une diapositive : aucun de ces gestes ne retire le contenu du fichier. Nos propres rapports le disent dans les termes de chaque format. Pour un classeur qui contient un tableau croisé dynamique, le rapport dit : « Une copie des données d’origine du tableau croisé reste dans le fichier, même si la feuille source a été supprimée. » Un PDF enregistré plusieurs fois a droit à cette ligne : « Chaque sauvegarde incrémentale ajoute à la fin du fichier sans effacer : les versions antérieures du texte, des champs ou des annotations restent lisibles. » Et pour une présentation qui contient un graphique : « Le classeur Excel complet derrière le graphique voyage avec la présentation, y compris ses autres feuilles. »
Rien de tout cela n’est nouveau pour ceux qui rédigent les recommandations. Le guide de la NSA Redacting with Confidence, publié pour la première fois en décembre 2005, dit : « L’erreur la plus courante consiste à recouvrir le texte de noir » et, à propos de tout ce qui ne doit pas être lu : « L’élément doit être supprimé. » Une fiche d’information du Commissariat à la protection de la vie privée du Canada, datée de 2006 et aujourd’hui archivée, compte les modifications suivies, les commentaires, les noms des auteurs actuels et précédents, les révisions, les versions et le texte caché parmi ce qui voyage à l’intérieur d’un document partagé. La page d’assistance de Microsoft indique elle-même que son Inspecteur de document ne peut pas détecter un texte caché en blanc sur fond blanc et que, dans Excel, il signale sans pouvoir les supprimer les fichiers incorporés, les macros et les données de tableau croisé dynamique mises en cache. Cette page décrit une vérification manuelle du seul fichier ouvert.
Savoir n’a pas suffi. Des chercheurs d’Inria ont examiné 39 664 fichiers PDF publiés par 75 agences de sécurité de 47 pays, et 33 % d’entre eux révélaient l’identité de la personne qui avait créé le fichier. Sur l’ensemble de ces fichiers, 24 % avaient été nettoyés avant publication et, pour 65 % des fichiers nettoyés, le nettoyage était faible : des informations cachées pouvaient encore être récupérées. Sur les 82 PDF que l’étude a tirés du site même de la NSA, 45 portaient encore toutes leurs métadonnées.
La Commission d’accès à l’information du Québec a reçu 444 avis d’incident de confidentialité en 2023-2024, et la communication accidentelle figurait parmi les causes de 58 d’entre eux. En vertu de la loi québécoise sur la protection des renseignements personnels dans le secteur privé, modifiée par la Loi 25, un tribunal peut imposer à une entreprise une amende pouvant atteindre 25 millions de dollars ou 4 % de son chiffre d’affaires mondial, le plus élevé des deux montants étant retenu.
Les fichiers partent désormais aussi vers les assistants d’IA. D’après les données de surveillance d’un fournisseur de solutions de sécurité, tirées de sa propre clientèle et qui ne forment donc pas un échantillon aléatoire, 26,38 % des fichiers téléversés vers des outils d’IA générative entre juillet et septembre 2025 contenaient des informations sensibles, contre 22 % au trimestre précédent. Certains cas ont été rendus publics. En Nouvelle-Galles du Sud, un ancien membre du personnel temporaire a téléversé dans ChatGPT une feuille de calcul Excel de 10 colonnes et de plus de 12 000 lignes en mars 2025, exposant les renseignements personnels de 2 031 personnes participant à un programme d’aide au logement après des inondations.
Ce que fait BADR
Vous déposez un fichier sur la page. Un rapport revient : une ligne de verdict avec un niveau de risque, puis ce que le fichier révèle, regroupé par type et trié par risque. Chaque option de nettoyage est un interrupteur, et un clic renvoie la copie propre. Avec l’exemple du site, une offre fictive au format Word, le verdict commence ainsi : « Ce fichier révèle 27 éléments, dont 10 à risque élevé ».
BADR regarde dans des endroits que personne n’ouvre à la main : le nom enregistré d’une imprimante réseau, un en-tête qui imprime le chemin du fichier, une connexion de données qui emporte avec elle son serveur, son compte et parfois son mot de passe, le classeur derrière un graphique, les versions antérieures qu’un PDF modifié conserve encore, un identifiant qui n’apparaît nulle part sur la page parce que seule une formule ou l’adresse d’un lien le contient. Il reconnaît 11 types d’identifiants, parmi lesquels les numéros d’assurance sociale, les numéros d’assurance maladie du Québec, les cartes de paiement et les IBAN.
Comment il est construit
Voici ses propriétés, chacune avec ce qu’elle coûte. La page n’est qu’une interface. Le moteur tourne sur notre serveur et n’atteint jamais un navigateur ; celui-ci reçoit environ 100 ko de script (36 ko compressés), et ce script appelle sa propre origine et rien d’autre : aucun suivi, aucune publicité, aucune mesure d’audience. Le coût, c’est qu’un document doit voyager jusqu’à nous, par une connexion chiffrée.
Un fichier est donc lu en mémoire, et jamais gardé. Le serveur ne garde rien d’un document entre deux requêtes et, quand vous demandez la copie propre, la page envoie le document de nouveau. Les journaux contiennent des décomptes et des tailles (le type de fichier, sa taille, le nombre de constats, la durée du traitement), mais ni nom de fichier, ni contenu, ni adresse. Le fichier est traité dans le centre de données qui le reçoit, en général le plus proche, qui peut se trouver hors du Québec ou du Canada. Le coût, ce sont toutes les fonctions qui auraient besoin de se souvenir de vos documents. Le gain, c’est qu’il n’existe aucun dépôt de documents à protéger ou à livrer.
Le moteur est autonome. Pendant qu’il lit ou qu’il nettoie, il n’appelle rien en dehors de lui-même, pas même un service d’IA, et il n’exécute jamais rien de ce qu’un fichier contient, que ce soit une macro, un script, un champ ou une formule. Le même fichier donne toujours le même rapport, à l’exception de la ligne qui indique la durée de l’analyse. Le coût, c’est que la détection fonctionne par motifs, qui peuvent laisser passer quelque chose ou en signaler trop ; chaque constat est donc présenté avec son emplacement, pour qu’une personne en juge. Quand une partie d’un fichier Office ne peut pas être lue, le rapport le dit, le verdict n’est jamais « Rien à signaler » et aucune copie propre n’est produite.
Tout cela tourne sous un plafond de mémoire de 128 Mo, ce qu’accorde un petit bac à sable sur une plateforme en périphérie de réseau (edge). Les limites de la démo hébergée sont dimensionnées pour ce bac à sable : 10 Mo par document, 20 documents et 25 Mo par requête. Le travail qu’une requête peut prendre en charge est lui aussi plafonné. Un document qui ne passe pas figure dans la réponse, avec la raison, et le client le renvoie dans un lot plus petit.
La copie propre contient ce que vous avez choisi de garder. Le texte supprimé, les versions antérieures et le contenu laissé par d’anciennes modifications n’y sont pas. Le masquage retire les caractères, là où un rectangle noir ne ferait que les recouvrir, et une copie masquée est relue une fois de plus pour que le rapport puisse compter tout ce qui n’a pas pu être masqué. Les feuilles, les lignes et les colonnes cachées sont rendues visibles plutôt que supprimées, pour que vous voyiez ce que le destinataire aurait pu trouver.
Ce que nous avons mesuré
Le premier tableau chronomètre l’analyse seule, c’est-à-dire le moteur qui lit un fichier et rédige son rapport, sur un processeur d’ordinateur de bureau de 2012 (un Intel Core i7-3770). Chaque valeur est la médiane de 3 exécutions après un tour de chauffe, à ceci près qu’un fichier dont l’analyse et la copie propre prennent ensemble plus de 20 s est chronométré une seule fois. Les fichiers sont synthétiques, construits à des tailles réelles à partir d’un texte qui varie comme de la prose. « Avec photos » veut dire 10 % de texte, et des octets aléatoires à la place des images.
| Analyse, moteur seul | 0,25 Mo | 1 Mo | 5 Mo | 10 Mo |
|---|---|---|---|---|
| Word, texte seul | 107 ms | 573 ms | 3,5 s | non mesuré |
| Excel | 109 ms | 610 ms | 4,5 s | non mesuré |
| PDF, texte seul | 106 ms | 318 ms | 405 ms | 540 ms |
| Word avec photos | 12 ms | 44 ms | 214 ms | 435 ms |
| PowerPoint avec photos | 12 ms | 36 ms | 187 ms | 410 ms |
| PDF avec photos | 3 ms | 7 ms | 31 ms | 60 ms |
Jusqu’à 1 Mo, tous les types de fichiers sont lus en 0,61 s au plus. À 25 Mo, un fichier Word ou PowerPoint composé surtout de photos prend 1,3 s, et un PDF 148 ms. Trois réserves accompagnent ce tableau. Le texte se compresse bien, de sorte que les fichiers Office en texte seul sont plus denses que leur taille ne le laisse croire : une fois décompressé, le fichier Word de 1 Mo contient environ 7,8 Mo de texte et de balisage, le fichier Excel de 1 Mo environ 5,5 Mo, et la démo hébergée refuse un document Office qui en contient plus de 5 Mo. À partir de 1 Mo, ces deux lignes donnent la vitesse du moteur, et non ce que la démo fera pour vous. Les chiffres à 25 Mo non plus, puisque la démo s’arrête à 10 Mo. Et la ligne du PDF en texte seul s’aplatit après 1 Mo parce que, dans un long PDF, l’analyse lit le texte des 400 premières pages au plus, et le dit dans son rapport.
La copie propre coûte plus cher que l’analyse. Avec toutes les options activées et les identifiants caviardés, un fichier riche en texte a pris de 2,4 à 4,1 s à 1 Mo, et une feuille de calcul de 5 Mo a pris 81 s. Ce sont là aussi les chiffres du moteur, pour des fichiers plus denses que ce que la démo accepte. Un fichier de 1 Mo composé surtout de photos a pris de 0,03 à 0,21 s.
Le second tableau donne le pire cas par l’API : toutes les options, le masquage des identifiants, un ZIP en retour. Chaque scénario a été exécuté une fois avec les limites de taille levées, puis de nouveau sous un plafond de mémoire de 128 Mo imposé à un processus serveur pour tenir lieu de bac à sable en périphérie.
| Pire cas, une exécution chacun | Durée | Sous le plafond de 128 Mo |
|---|---|---|
| Un document Word, PowerPoint ou PDF de 1 Mo | de 0,05 à 0,14 s | tient |
| Un PDF de 15 Mo | 0,8 s | tient, près du plafond |
| 20 documents variés de 1 Mo | 5,2 s | 6,0 s |
| 40 documents variés de 1 Mo | 10,3 s | 11,8 s |
Ces chiffres laissent des choses de côté. Ils chronomètrent le moteur ; votre attente, elle, comprend en plus le téléversement et le retour de la réponse. Rien n’a été mesuré sur les processeurs mêmes de la plateforme en périphérie, et tous les fichiers étaient synthétiques. Et rien ici ne mesure l’exactitude : nous n’avons pas encore de chiffre de précision ou de rappel à publier. L’édition web compte 189 tests automatisés, qui montrent que le moteur fait ce que nous avons spécifié et ne peuvent pas montrer que ce que nous avons spécifié attrape tout.
Pourquoi nous l’appelons une solution d’IA
BADR contient deux sortes d’IA, et nous les tenons séparées.
Le moteur relève de la plus ancienne, celle du savoir mis par écrit sous forme de règles, et il est construit avec les méthodes de la science des données. Chacune de ses étapes porte un nom ordinaire : reconnaissance d’entités pour trouver un numéro d’assurance sociale dans un texte suivi, validation pour le confirmer par son chiffre de contrôle, analyse structurelle pour lire la structure d’un fichier et pas seulement son texte, classification à base de règles pour hiérarchiser ce qui a été trouvé. Rien de cela n’est de notre invention. Le rapport du NIST sur la dépersonnalisation, qui passe en revue des travaux sur les dossiers médicaux, cite les systèmes à base de règles comme l’une des deux principales techniques explorées pour trouver des identifiants dans du texte libre. Rien dans le moteur ne relève de l’apprentissage automatique ni de la statistique, et c’est voulu : chaque constat remonte à une règle qu’une personne a écrite, et rien n’est appris de votre fichier. C’est pourquoi la FAQ de notre site peut dire qu’aucune IA ne lit vos documents. Au sens où la plupart des gens l’entendent en 2026, celui d’un modèle de langage qui lit le fichier, aucune ne le fait.
Savoir si la plus ancienne compte encore comme de l’IA dépend de la personne à qui l’on pose la question. À Stanford, l’étude centenaire sur l’intelligence artificielle (One Hundred Year Study on Artificial Intelligence) appelle cela l’« effet IA » : l’IA fait entrer une technologie dans l’usage courant, les gens s’y habituent, et elle cesse d’être considérée comme de l’IA. Les textes officiels ne placent pas la frontière au même endroit. Le considérant 12 du règlement européen sur l’IA range les approches fondées sur la logique et les connaissances parmi les techniques d’IA et, dans le même considérant, dit que la définition « ne devrait pas couvrir les systèmes fondés sur les règles définies uniquement par les personnes physiques pour exécuter automatiquement des opérations ». Au Canada, la Directive sur la prise de décisions automatisée du gouvernement fédéral, qui encadre ses décisions administratives, contourne la question : sa définition d’un système décisionnel automatisé englobe toute technologie qui assiste le jugement d’un décideur humain ou s’y substitue, et nomme les systèmes basés sur des règles aux côtés de l’apprentissage automatique et des réseaux neuronaux. Nous n’affirmons rien sur la façon dont un régulateur classerait notre moteur.
La seconde sorte est celle que la plupart des gens désignent aujourd’hui par ce mot : un modèle de langage. Elle est facultative. Pour les détenteurs d’une clé, un clic déclenche un seul appel, qui explique les constats en quelques phrases simples. Le modèle n’écrit que des mots, et le niveau de risque reste celui du moteur. Il reçoit les constats et jamais le fichier, une fois ceux-ci dépersonnalisés par des moyens ordinaires de la science des données : minimisation des données, pseudonymisation (des substituts à la place des identifiants détectés et des noms des auteurs du fichier et de ceux qui l’ont modifié, les vraies valeurs n’étant remises en place que dans votre navigateur), généralisation et troncature. Nous n’appelons pas cela de l’anonymisation, parce qu’un extrait « peut encore contenir le nom d’une autre personne, un montant ou une phrase du document ». Dans notre démo hébergée, cet appel part vers un fournisseur externe de services d’IA. Dans un déploiement propre au client, le modèle peut être celui de son choix, y compris un modèle qui tourne sur ses propres machines. Sans lui, le rapport standard est complet.
Où il s’insère et comment un client le raccorde
L’étape est la même partout où un document franchit une frontière : un cabinet d’avocats qui envoie un contrat dont les modifications suivies contiennent encore le texte qu’il a supprimé, un organisme public qui répond à une demande d’accès à l’information par une feuille de calcul, quelqu’un qui s’apprête à téléverser un rapport vers un assistant d’IA, une chaîne de traitement qui publie ou archive des documents que personne ne lit un par un.
L’intégration tient en un appel HTTPS avec un envoi multipart, depuis n’importe quel langage ou depuis l’étape HTTP d’un outil d’automatisation. Un appel transporte jusqu’à 20 documents. Un document seul revient sous la forme du fichier nettoyé. Plusieurs reviennent dans un ZIP, avec un manifeste qui dit, pour chacun, quelles options ont été appliquées et ce qui a été retiré, pour les journaux du client. Un document qui échoue est inscrit au manifeste tandis que les autres reviennent quand même, et un refus pour dépassement d’une limite indique ce qui a été mesuré, la limite et la raison d’être de cette limite.
Nous ne fournissons aucun connecteur. L’appel pourrait se placer là où vos documents passent déjà : l’étape sortante d’une passerelle de messagerie, l’étape de publication d’un système de gestion documentaire, un script qui surveille un dossier partagé, l’étape qui précède un téléversement vers un assistant d’IA. Aujourd’hui, nous hébergeons l’API. L’exécuter dans le compte infonuagique d’un client ou sur ses propres serveurs est possible sur demande, et rien n’est encore empaqueté pour cela.
Le déplacer vers un autre hôte
Les limites sont des réglages, pas du code : sur un hôte plus grand, le nombre de documents, leur taille et le plafond de travail se relèvent par configuration. Le moteur tourne déjà sur deux sortes d’hôtes : le bac à sable en périphérie, en production, et un processus serveur ordinaire, en développement et dans tous les essais ci-dessus.
Le moteur entier existe aussi une seconde fois, écrit pour un second environnement d’exécution sous la forme d’une application Windows native qui fonctionne sans aucun serveur : aucun fichier ne quitte l’ordinateur. Elle n’est pas publiée. Comme le premier moteur était là pour servir de référence, le second a pris une seule journée, le 7 novembre 2026. Un corpus de 48 documents est passé par les deux, dans cinq modes : toutes les analyses identiques, toutes les copies propres équivalentes. La seule différence relevée tenait à quelques octets dans un constat qui affiche la taille d’une archive incorporée. Le programme d’installation de l’application pèse 2,1 Mo.
Ce que la démo ne fait pas encore
BADR est une démo, et voici ses limites actuelles. Il ne lit que le texte : le texte d’une image ou d’une page numérisée n’est ni vérifié ni masqué. Dans un long PDF, le texte des 400 premières pages au plus est lu, et le rapport le dit. Les fichiers Word, Excel et PowerPoint 97-2003 ne sont pas pris en charge. Les identifiants sont réglés pour le Canada et le Québec. La détection fonctionne par motifs : un numéro d’apparence valide qui n’est pas un identifiant peut donc être signalé, et un identifiant mal formé peut passer inaperçu. Un fichier peut faire 10 Mo au plus, et un document Office peut contenir au plus 5 Mo de texte et de balisage une fois décompressé. Un PDF chiffré n’est analysé que pour sa structure et ne reçoit pas de copie propre. BADR n’a fait l’objet d’aucun audit de sécurité externe et ne s’accompagne d’aucun engagement de niveau de service. Vérifiez chaque copie propre avant de l’envoyer ; dans une étape sans surveillance, cette vérification, c’est une personne ou une règle qui lit le manifeste.
L’analyse est gratuite sur albadr.ai. Aucun prix n’est affiché. Pour obtenir une clé, ou pour discuter de l’exécution de BADR dans vos propres systèmes ou de son acquisition en l’état, écrivez à contact@albadr.ai.