Вкладка, которую никто не открывал
В файле Word, Excel, PowerPoint или PDF хранится больше, чем видно на странице. BADR — наша MVP-демоверсия для той минуты, когда файл ещё не отправлен. Рассказываем, как она устроена, что мы измерили и чего она пока не умеет.
3 февраля 2025 года один из менеджеров Агентства пограничных служб Канады (CBSA) разослал 70 сотрудникам таблицу с графиком смен. В файле была ещё и дополнительная вкладка с персональными данными более чем 18 000 других сотрудников. По почте ушла книга целиком, и она была больше того листа, на который смотрел отправитель. Позже агентство нашло у себя ещё четыре похожих случая с таблицами за 2024 и 2025 годы.
Такое случалось и раньше. 8 августа 2023 года Полицейская служба Северной Ирландии (PSNI) ответила на запрос по закону о свободе информации электронной таблицей. Видимые вкладки из неё удалили, но одна осталась вне поля зрения: о ней напоминали только три точки на панели вкладок, а при проверке качества смотрели одну лишь вкладку с ответом. На скрытой вкладке были перечислены все 9 483 сотрудника, полицейские и гражданские, с фамилией, званием и местом службы, и почти два с половиной часа она оставалась на общедоступном сайте. Позже служба не смогла добиться снижения штрафа в 750 000 фунтов стерлингов.
В феврале 2014 года иммиграционное ведомство Австралии опубликовало статистический отчёт в виде файла Word, в который была встроена исходная таблица Excel: персональные данные примерно 9 250 просителей убежища пролежали на сайте ведомства около восьми с половиной дней. По правилам ведомства такой отчёт должны были согласовать семь проверяющих, причём на бумаге. Сам электронный файл на встроенные данные никто не проверял.
BADR мы сделали для той минуты, когда такой файл ещё не ушёл. Это MVP-демоверсия на стадии презентации, ещё не продукт. Она читает файл Word, Excel, PowerPoint или PDF так, как его могла бы прочитать программа получателя, перечисляет всё, что файл выдаёт, с реальными найденными значениями, и возвращает чистую копию. На albadr.ai проверка и чистая копия бесплатны: по одному файлу за раз, до 10 МБ. Для маскирования идентификаторов внутри документа, для необязательного пояснения от ИИ и для API нужен ключ. Читает она только текст: изображения и отсканированные страницы не читаются.
Офисные программы прячут, а не удаляют
Герои этих историй пользовались программами так, как те задуманы. Скрыть лист, удалить лист, по которому построена сводная таблица, вставить диаграмму в слайд — ни одно из этих действий не убирает содержимое из файла. Наши отчёты говорят об этом на языке самих форматов. О книге со сводной таблицей в отчёте сказано так: «Копия исходных данных сводной таблицы остаётся в файле, даже если исходный лист удалён». PDF, который сохраняли несколько раз, получает такую строку: «Каждое инкрементное сохранение дописывает данные в конец файла и ничего не стирает: более ранние версии текста, полей или аннотаций по-прежнему можно прочитать». А презентация с диаграммой — такую: «Вместе с презентацией путешествует вся книга Excel, по которой построена диаграмма, включая остальные её листы».
Для тех, кто пишет руководства, всё это не новость. В руководстве Агентства национальной безопасности США (АНБ, NSA) Redacting with Confidence, впервые выпущенном в декабре 2005 года, сказано: «Самая частая ошибка — закрыть текст чёрным», а обо всём, что не должно быть прочитано: «Элемент необходимо удалить». Памятка федерального комиссара Канады по защите частной жизни (OPC), датированная 2006 годом и ныне перенесённая в архив, относит записанные исправления, примечания, имена нынешних и прежних авторов, редакции, версии и скрытый текст к тому, что путешествует внутри документа, когда им делятся с другими. На странице поддержки самой Microsoft сказано, что её «Инспектор документов» не может обнаружить текст, скрытый белым цветом на белом фоне, а в Excel о встроенных файлах, макросах и кэшированных данных сводных таблиц он сообщает, но удалить их не может. Страница описывает ручную проверку одного файла — того, который открыт.
Одного знания оказалось мало. Исследователи из Inria изучили 39 664 PDF-файла, опубликованных 75 органами безопасности из 47 стран, и 33 % этих файлов раскрывали личность того, кто их создал. Из всех этих файлов 24 % перед публикацией очистили, причём у 65 % очищенных очистка была слабой: скрытую информацию всё равно удавалось восстановить. Из 82 PDF-файлов, взятых авторами с сайта самого АНБ, 45 сохранили все свои метаданные.
Commission d’accès à l’information du Québec (квебекская Комиссия по доступу к информации) получила 444 уведомления об инцидентах за 2023–2024 год, и в 58 из них среди причин названа случайная передача сведений. По закону провинции о защите персональных данных в частном секторе, с поправками, внесёнными Законом 25, суд может оштрафовать предприятие на сумму до 25 млн канадских долларов или до 4 % его мирового оборота, в зависимости от того, какая сумма больше.
Теперь файлы отправляют ещё и ИИ-ассистентам. По данным мониторинга одного поставщика средств защиты (они собраны у его собственных клиентов, так что это не случайная выборка), 26,38 % файлов, загруженных в инструменты генеративного ИИ с июля по сентябрь 2025 года, содержали конфиденциальную информацию; кварталом раньше таких было 22 %. Некоторые случаи известны из официальных сообщений. В Новом Южном Уэльсе бывший временный сотрудник в марте 2025 года загрузил в ChatGPT таблицу Excel из 10 столбцов и более чем 12 000 строк и тем самым раскрыл персональные данные 2 031 участника программы восстановления жилья после наводнений.
Что делает BADR
Вы перетаскиваете на страницу один файл. В ответ приходит отчёт: одна строка с вердиктом и уровнем риска, а под ней — всё, что файл выдаёт, сгруппированное по видам и упорядоченное по риску. Каждая опция очистки — это переключатель, а чистую копию возвращает один щелчок. На образце, который лежит на самом сайте (это вымышленное коммерческое предложение в Word), вердикт в отчёте начинается так: «Этот файл раскрывает 27 элементов, 10 из них — с высоким риском».
BADR заглядывает в места, которые никто не открывает вручную: сохранённое имя сетевого принтера; колонтитул, в котором печатается путь к файлу; подключение к данным, где записаны сервер, учётная запись, а иногда и пароль; книга, по которой построена диаграмма; прежние версии, которые всё ещё хранит отредактированный PDF; идентификатор, которого нет нигде на странице, потому что он записан только в формуле или в адресе ссылки. Распознаётся 11 видов идентификаторов, среди них номера социального страхования, номера квебекской медицинской страховки, платёжные карты и IBAN.
Как это устроено
Вот свойства BADR, и у каждого своя цена. Страница — это только интерфейс. Движок работает на нашем сервере и в браузер не попадает: браузер получает около 100 КБ скрипта (36 КБ в сжатом виде), и этот скрипт обращается только к своему же источнику (origin) и больше никуда. Ни отслеживания, ни рекламы, ни аналитики. Цена такая: документу приходится проделать путь до нас, по зашифрованному соединению.
Поэтому файл читается в памяти и нигде не сохраняется. Между двумя запросами сервер не хранит ничего из документа, и, когда вы просите чистую копию, страница отправляет документ заново. В журналах остаются счётчики и размеры (тип файла, его размер, число находок, затраченное время), но нет ни имени файла, ни содержимого, ни адреса. Файл обрабатывается в том дата-центре, который его принял, как правило в ближайшем, а он может находиться за пределами Квебека или Канады. Цена — все функции, которым понадобилось бы помнить ваши документы. Зато нет хранилища документов, которое нужно было бы защищать или кому-то выдавать.
Движок самодостаточен. Пока он читает или очищает файл, он не обращается ни к чему вовне, в том числе ни к какому ИИ-сервису, и никогда не выполняет того, что содержится в файле, будь то макрос, скрипт, поле или формула. Один и тот же файл всегда даёт один и тот же отчёт, если не считать строки о том, сколько времени заняла проверка. Цена такая: обнаружение работает по шаблонам, а шаблоны могут что-то пропустить или отметить лишнее, поэтому каждая находка показана вместе с её местом в файле, чтобы судить о ней мог человек. Если какую-то часть файла Office прочитать не удалось, отчёт об этом сообщает, вердиктом никогда не будет «всё чисто», и чистая копия не создаётся.
Всё это работает при ограничении памяти в 128 МБ: столько отводится небольшой песочнице на edge-платформе. Лимиты демоверсии, размещённой у нас, рассчитаны на эту песочницу: 10 МБ на документ, 20 документов и 25 МБ на запрос. Кроме того, у каждого запроса есть потолок объёма работы, которую он на себя берёт. Документ, который не поместился, указывается в ответе вместе с причиной, и клиент отправляет его снова, в пакете поменьше.
В чистой копии остаётся то, что вы решили оставить. Удалённого текста, прежних версий и содержимого, оставшегося от прошлых правок, в ней нет. Маскирование убирает сами символы, тогда как чёрный прямоугольник лишь лёг бы поверх них, и замаскированная копия читается ещё раз, чтобы отчёт мог сосчитать всё, что замаскировать не удалось. Скрытые листы, строки и столбцы не удаляются, а становятся видимыми: так вы видите то, что мог бы найти получатель.
Что мы измерили
В первой таблице — время одной только проверки, то есть чтения файла движком и составления отчёта, на одном настольном процессоре 2012 года (Intel Core i7-3770). Каждое значение — медиана 3 запусков после прогрева; исключение составляют файлы, у которых проверка и чистая копия вместе занимают больше 20 с: их время замерено один раз. Файлы синтетические: они собраны в реальных размерах из текста, разнообразного, как обычная проза. «С фотографиями» означает 10 % текста и случайные байты на месте картинок.
| Проверка, только движок | 0,25 МБ | 1 МБ | 5 МБ | 10 МБ |
|---|---|---|---|---|
| Word, только текст | 107 мс | 573 мс | 3,5 с | не измерялось |
| Excel | 109 мс | 610 мс | 4,5 с | не измерялось |
| PDF, только текст | 106 мс | 318 мс | 405 мс | 540 мс |
| Word с фотографиями | 12 мс | 44 мс | 214 мс | 435 мс |
| PowerPoint с фотографиями | 12 мс | 36 мс | 187 мс | 410 мс |
| PDF с фотографиями | 3 мс | 7 мс | 31 мс | 60 мс |
До 1 МБ файл любого типа читается не дольше чем за 0,61 с. При 25 МБ на файл Word или PowerPoint, состоящий в основном из фотографий, уходит 1,3 с, а на PDF — 148 мс. К таблице нужны три оговорки. Текст хорошо сжимается, поэтому чисто текстовые файлы Office плотнее, чем можно подумать по их размеру: в распакованном виде файл Word на 1 МБ содержит около 7,8 МБ текста и разметки, а файл Excel на 1 МБ — около 5,5 МБ, тогда как размещённая у нас демоверсия не принимает документ Office, в котором их больше 5 МБ. Начиная с 1 МБ эти две строки показывают скорость движка, а не то, что демоверсия сделает для вас. То же относится к цифрам для 25 МБ, ведь демоверсия останавливается на 10 МБ. Наконец, строка для чисто текстового PDF после 1 МБ выходит на плато, потому что в длинном PDF проверка читает текст не более чем первых 400 страниц и сообщает об этом в отчёте.
Чистая копия обходится дороже проверки. Когда включены все опции очистки и маскирование идентификаторов, на файл, состоящий в основном из текста, ушло от 2,4 до 4,1 с при 1 МБ, а на таблицу размером 5 МБ — 81 с. Это тоже цифры движка, для файлов плотнее тех, что принимает демоверсия. На файл размером 1 МБ, состоящий в основном из фотографий, ушло от 0,03 до 0,21 с.
Вторая таблица — худший случай при работе через API: все опции очистки, маскирование идентификаторов, в ответ возвращается ZIP. Каждый сценарий выполнялся один раз со снятыми ограничениями на размер, а затем ещё раз при ограничении памяти в 128 МБ, заданном для серверного процесса, который заменял edge-песочницу.
| Худший случай, по одному запуску | Время | При ограничении в 128 МБ |
|---|---|---|
| Один документ Word, PowerPoint или PDF, 1 МБ | от 0,05 до 0,14 с | укладывается |
| Один PDF, 15 МБ | 0,8 с | укладывается, почти у предела |
| 20 разных документов по 1 МБ | 5,2 с | 6,0 с |
| 40 разных документов по 1 МБ | 10,3 с | 11,8 с |
Эти цифры учитывают не всё. Они показывают время движка, а вы ждёте ещё и отправки файла, и обратного пути ответа. На процессорах самой edge-платформы ничего не измерялось, и все файлы были синтетическими. И точность здесь никак не измерена: показателей точности (precision) и полноты (recall), которые можно было бы опубликовать, у нас пока нет. В веб-версии 189 автоматических тестов; они показывают, что движок делает то, что мы описали в спецификации, но не могут показать, что описанное в спецификации ловит всё.
Почему мы называем это ИИ-решением
В BADR два вида ИИ, и мы их не смешиваем.
Движок — это ИИ старого образца: знания, записанные в виде правил. Построен он методами науки о данных. У каждого его шага есть обычное название: распознавание сущностей находит номер социального страхования в сплошном тексте, валидация подтверждает его по контрольной цифре, структурный анализ читает структуру файла, а не только его текст, классификация на основе правил ранжирует найденное. Ничего из этого мы не изобрели. Отчёт Национального института стандартов и технологий США (NIST) о деидентификации, где дан обзор работ по медицинским записям, называет системы на основе правил одним из двух основных изученных подходов к поиску идентификаторов в свободном тексте. В движке нет ни машинного обучения, ни статистики, и это сделано намеренно: каждая находка восходит к правилу, которое написал человек, и на вашем файле ничего не обучается. Поэтому в разделе вопросов и ответов на нашем сайте мы можем сказать, что никакой ИИ ваши документы не читает. В том смысле, который в 2026 году вкладывает в это слово большинство, то есть языковая модель, читающая файл, — действительно никакой.
Считается ли старый образец по-прежнему ИИ, зависит от того, кого спросить. Стэнфордское «Столетнее исследование искусственного интеллекта» (One Hundred Year Study on Artificial Intelligence) называет это «эффектом ИИ»: ИИ вводит технологию в повседневный обиход, люди к ней привыкают, и её перестают считать ИИ. Официальные тексты проводят границу в разных местах. Пункт 12 преамбулы Регламента ЕС об искусственном интеллекте (AI Act) относит подходы, основанные на логике и знаниях, к методам ИИ и в том же пункте говорит, что определение «не должно охватывать системы, основанные на правилах, которые заданы исключительно физическими лицами для автоматического выполнения операций». Канадская федеральная директива об автоматизированном принятии решений, которая регулирует административные решения в федеральном правительстве, этот вопрос обходит: её определение системы автоматизированного принятия решений охватывает любую технологию, которая помогает человеку, принимающему решение, вынести суждение или заменяет его суждение, и называет системы на основе правил в одном ряду с машинным обучением и нейронными сетями. Мы не берёмся утверждать, к какому классу отнёс бы наш движок регулятор.
Второй вид — тот, который сегодня большинство и имеет в виду под этим словом: языковая модель. Она необязательна. У обладателей ключа один щелчок делает один вызов, и тот объясняет находки в нескольких простых предложениях. Модель только пишет слова, а уровень риска остаётся за движком. Она получает находки и никогда не получает файл, причём находки сначала деидентифицируются обычными средствами науки о данных: это минимизация данных, псевдонимизация (обнаруженные идентификаторы и имена авторов и редакторов файла заменяются условными обозначениями, а настоящие значения возвращаются на место только в вашем браузере), обобщение и усечение. Анонимизацией мы это не называем, потому что фрагмент, как сказано у нас на странице о конфиденциальности, «всё ещё может содержать имя другого человека, сумму или фразу из документа». В размещённой у нас демоверсии этот вызов уходит к стороннему поставщику ИИ-сервиса. При развёртывании у самого заказчика модель может быть той, которую выберет заказчик, в том числе работающей на его собственных машинах. Стандартный отчёт полон и без неё.
Где это пригодится и как клиент это подключает
Шаг один и тот же везде, где документ пересекает границу: юридическая фирма отправляет договор, в записанных исправлениях которого ещё хранится удалённый ею текст; государственный орган отвечает таблицей на запрос о доступе к информации; кто-то собирается загрузить отчёт ИИ-ассистенту; конвейер публикует или архивирует документы, которые никто не читает по одному.
Интеграция — это один HTTPS-вызов с загрузкой в формате multipart, из любого языка программирования или из HTTP-шага в инструменте автоматизации процессов. В одном вызове можно передать до 20 документов. Один документ возвращается в виде очищенного файла. Несколько — в виде ZIP с манифестом, где для каждого указано, какие опции очистки применены и что удалено: это для собственных журналов клиента. Документ, который обработать не удалось, указывается в манифесте, а остальные всё равно возвращаются; отказ из-за превышения лимита сообщает, что было измерено, каков лимит и зачем он существует.
Готовых коннекторов мы не поставляем. Вызов можно поставить туда, где ваши документы и так проходят: шаг исходящей почты на почтовом шлюзе, шаг публикации в системе управления документами, скрипт, который следит за общей папкой, шаг перед загрузкой в ИИ-ассистент. Сейчас API размещён у нас. Запуск в собственном облачном аккаунте клиента или на его серверах возможен по запросу, но готового пакета для этого пока нет.
Перенос на другой хост
Лимиты — это настройки, а не код: на более мощном хосте число документов, их размер и потолок объёма работы повышаются конфигурацией. Движок уже работает на хостах двух видов: в edge-песочнице в продакшене и в обычном серверном процессе при разработке и во всех описанных выше тестах.
Весь движок существует и во втором экземпляре: он написан для второй среды выполнения в виде нативного приложения для Windows, которому сервер не нужен вовсе, так что ни один файл не покидает компьютер. Приложение не выпущено. Поскольку результаты можно было сверять с первым движком, на второй ушёл один день — 7 ноября 2026 года. Корпус из 48 документов прошёл через оба движка в пяти режимах: все проверки совпали полностью, все чистые копии эквивалентны. Единственное найденное различие — несколько байтов в находке, которая выводит размер встроенного архива. Установщик приложения занимает 2,1 МБ.
Чего демоверсия пока не умеет
BADR — это демоверсия, и вот её сегодняшние ограничения. Она читает только текст: текст внутри картинки или отсканированной страницы не проверяется и не маскируется. В длинном PDF читается текст не более чем первых 400 страниц, и отчёт об этом сообщает. Файлы Word, Excel и PowerPoint 97–2003 не поддерживаются. Идентификаторы настроены под Канаду и Квебек. Обнаружение работает по шаблонам, поэтому номер, который выглядит правильным, но идентификатором не является, может быть отмечен, а идентификатор, записанный с ошибкой, пропущен. Файл может быть не больше 10 МБ, а документ Office после распаковки может содержать не больше 5 МБ текста и разметки. У зашифрованного PDF анализируется только структура, и чистой копии он не получает. Внешнего аудита безопасности не было, и обязательств по уровню обслуживания нет. Проверяйте каждую чистую копию перед отправкой; на шаге, который выполняется без участия человека, такая проверка — это человек или правило, читающие манифест.
Проверка на albadr.ai бесплатна. Цена не опубликована. Чтобы получить ключ, обсудить запуск BADR внутри ваших собственных систем или его приобретение в нынешнем виде, пишите на contact@albadr.ai.