By · Last updated 2026-04-09

Kembali ke BlogTeknologi Undang-Undang

Tunggakan FOIA: Redaksi Automatik Kerajaan

Permintaan FOIA AS mencapai 1.5 juta dalam TK2024 — peningkatan 25%. Tunggakan meningkat 33% kepada 267,056 permintaan tertangguh. Kerajaan membelanjakan $723 juta untuk memprosesnya.

April 9, 20268 min baca
FOIA automationgovernment document redactionpublic records compliancebatch Word processingfederal agency efficiency

Krisis Tunggakan FOIA Persekutuan

Agensi persekutuan AS menerima 1.5 juta permintaan FOIA dalam TK2024 — meningkat 25% berbanding tahun sebelumnya. Tunggakan tertangguh meningkat 33% kepada 267,056 permintaan. Agensi membelanjakan anggaran $723 juta untuk mengurusnya.

Ini menunjukkan jurang kapasiti. Kira-kira 5,638 kakitangan FOIA bekerja di semua agensi persekutuan. Dengan 1.5 juta permintaan setahun, setiap orang mengendalikan kira-kira 266 permintaan setiap tahun. Itu lebih sedikit daripada satu permintaan setiap hari bekerja. Tiada ruang untuk permintaan yang besar dan kompleks. Tiada penampan untuk pertumbuhan tunggakan 33%. Pengurangan kakitangan di banyak agensi memburukkan lagi keadaan.

Mengapa Setiap Permintaan Mengambil Masa Lama

Kebanyakan dokumen persekutuan adalah fail Word. Memorandum undang-undang, keputusan dasar, dan surat-menyurat semuanya tersimpan dalam Word. Kakitangan mesti membaca setiap halaman. Mereka mesti menerapkan setiap pengecualian. Kemudian mereka mesti menyemak kerja mereka sebelum dikeluarkan.

Pengecualian 6 sahaja merangkumi nama, alamat, nombor Jaminan Sosial, dan tarikh lahir. Satu fail 50 halaman mungkin mengandungi berpuluh-puluh titik data yang masing-masing memerlukan semakan berasingan. Darabkan itu dengan ribuan dokumen dan masa pemprosesan menjadi masalah struktur — bukan masalah sekali sahaja.

Kakitangan lebih sedikit, jumlah sama. Matematik tunggakan tidak akan bertambah baik dengan sendirinya.

Apa yang Automasi Ubah

ATF — Biro Alkohol, Tembakau, Senjata Api dan Bahan Letupan — mengakui bahawa alat redaksi automatik memberikan keuntungan produktiviti 20-30% dalam aliran kerja pemprosesan mereka. Itu adalah hasil nyata. Dan ia berkemungkinan meremehkan keuntungan bagi agensi yang masih menggunakan semakan manual sepenuhnya.

Pemindaian automatik melalui dokumen adalah pantas. Sistem mencari nama, nombor ID, dan data lain yang dilindungi. Ia menandakan setiap satu. Kakitangan kemudian menyemak item yang ditandakan dan bukannya membaca setiap baris. Pemindaian mengambil masa beberapa saat. Masa manusia beralih kepada pertimbangan — di mana ia menambah nilai sebenar.

Bagi permintaan kelompok yang mengandungi 8,000 dokumen berkaitan keputusan dasar, peralihan itu adalah perbezaan antara boleh dilakukan dan mustahil pada tahap kakitangan biasa.

Memadankan Alat yang Betul dengan Tugasan

Kerja FOIA kerajaan mempunyai keperluan yang jelas. Dokumen mesti kekal dalam format Word. Pemformatan mesti terselamat sepanjang proses. Perubahan yang dijejaki, nota kaki, dan objek terbenam semuanya mesti kekal utuh. Fail yang rosak memberi pemohon alasan untuk membuat cabaran.

Permintaan besar memerlukan keupayaan kelompok. Menjalankan ratusan dokumen setiap laluan adalah lantai, bukan siling. Dan kakitangan di seluruh agensi mesti menerapkan peraturan pengecualian yang sama setiap masa — yang bermakna konfigurasi praset yang dikongsi dan dikunci.

Aliran kerja redaksi berasaskan praset melakukan tepat ini. Satu praset merangkumi nama, alamat, dan nombor Jaminan Sosial di bawah Pengecualian 6. Satu lagi merangkumi bahan musyawarah di bawah Pengecualian 5. Kakitangan memilih praset yang betul dan menyemak keputusan — dan bukannya membuat setiap keputusan kategori dari awal pada setiap dokumen. Untuk gambaran kepatuhan yang lebih luas, lihat gambaran keselamatan dan kepatuhan.

Hasil ATF menunjukkan bagaimana ini kelihatan dalam amalan. Dua puluh hingga tiga puluh peratus lebih banyak output daripada pasukan yang sama. Jenis keuntungan itu penting apabila jumlah permintaan meningkat 25% setahun dan kakitangan tidak dapat mengikuti.

Tunggakan tidak akan memperbaiki diri sendiri. Alat untuk melambatkannya sudah tersedia sekarang.

Sumber

Sedia untuk melindungi data anda?

Mulakan pengenalan PII dengan 285+ jenis entiti dalam 48 bahasa.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.