Die Mechanismen hinter Vertraulichkeit und Sicherheit.

Diese Seite beschreibt die Mechanismen hinter jedem Anspruch, der anderswo auf der Website erscheint. Jeder Abschnitt benennt einen Mechanismus und zeigt, wo er in der Pipeline lebt. Nichts davon ist eine Richtlinie ohne darunter liegende Implementierung.

Die Kurzfassung: Die Stimme des Befragten wird durch eine synthetische ersetzt, bevor irgendetwas gespeichert wird. Jedes Zitat, das das System verlasst, ist etwas, das die Person tatsachlich gesagt hat. Der Interviewer wird bei jedem Gesprach gepruft. Der Datenpfad erzwingt Tenant-Isolation auf Zeilen- und Knotenebene. Der Kunde besitzt den Tenant. Anthropic und ElevenLabs arbeiten unter No-Training- und No-Retention-Vertragen. Gemass der Nutzungsrichtlinie und den Compliance-Anforderungen von Anthropic arbeiten wir nicht an militarischen Anwendungen und werden niemandem helfen, einen Befragten re-zu-identifizieren.

Das Audio des Befragten lauft uber ElevenLabs im Zero-Retention-Modus, der die anbieterseitige Kopie nach dem Anruf loscht. Die Entfernung der Entitaten erfolgt, bevor dieses Transkript jemals den Perimeter des Kunden verlasst. Ein Proxy innerhalb des eigenen Tenants des Kunden entfernt auf der Schwarzungsliste stehende Namen, Anspielungen und Personenidentifikatoren gegen eine Liste, die der Kunde kontrolliert. Nexa halt diese Liste nicht und sieht das Original-Transkript nicht. Die Grenze wird dadurch durchgesetzt, dass der Kunde Eigentumer des Proxys ist, sodass unsere eigenen Mitarbeitenden ausserhalb davon stehen.

Die Audio-Aufbewahrung wird je Deployment festgelegt. Ein Kunde, der ein offentliches Audit oder einen Wettbewerb durchfuhrt, behalt die Aufnahme, weil dieser Anwendungsfall sie benotigt. Ein Kunde, dessen Richtlinie aufbewahrte Stimme untersagt, wird so konfiguriert, dass das Audio nie ein von uns betriebenes System erreicht. In dieser Konfiguration hat die Re-Identifizierung per Stimme nichts, woran sie ansetzen konnte, weil keine Aufnahme aufbewahrt wurde.

Wo ein anonymisierter Audiobeleg gewunscht ist, wird das bereinigte Transkript als neue synthetische Stimme regeneriert. Dasselbe Datenminimierungsdesign lauft in HIPAA-konformen Konfigurationen ohne bespoke Compliance-Arbeit auf der Erfassungsschicht.

Jedes Zitat, das das System verlasst, ist eine wortliche Teilzeichenfolge eines echten USER-Turns aus einem echten Interview. Ein deterministischer Filter verifiziert dies vor der Persistenz. Wenn der Filter ein erfundenes Zitat erkennt, loscht er das Zitat, anstatt es umzuschreiben. Eine separate Kreuzverunreinigungs-Prufung verifiziert, dass Wahrnehmungs-Mapping-Ausgaben keine Entitaten enthalten, die der Befragte nie erwahnt hat. Wenn die Prufung ausgelost wird, werden die betroffenen Felder geleert und markiert.

Bereinigte, verkurzte und ubersetzte Anzeigeschichten sind alle aus dem originalen Verbatim abgeleitet. Kein Schritt fuhrt neue Worter ein. Das Verbatim in der Quellsprache wird nie ubersetzt. Es verbleibt in seiner Originalsprache als Provenance-Aufzeichnung.

Jeder Befund in jedem Bericht verweist uber einen Chunk-Identifier der Form transcript_id / turn_id / sentence_id auf das Transkript, das ihn erzeugt hat. Die Verknupfung ist immer vorhanden, fur jedes Gesprach, ohne Sampling. Dieselbe Eigenschaft gilt bei funfzig Interviews wie bei funfzigtausend.

Unser KI-Gesprachsagent wird mit einem Verhaltensbaum, Protokoll-Durchsetzungsregeln, Wissensdomanen und agentenspezifischen Leitplanken erstellt, die alle in einer versionierten Spezifikation definiert sind. Das Audit lauft separat, durch einen unabhangigen Audit-Agenten, der den Interview-Agenten fur jedes einzelne Interview gegen sechs Protokoll-KPIs bewertet: Kontextlieferung, Profilabdeckung, Markenwahrnehmungsabdeckung, keine Wiederholungsfragen, Neutralitat und eleganter Abschluss.

Die Protokollspezifikation, die den Agenten konfiguriert, ist dasselbe Dokument, das der Auditor als Referenz verwendet. Beide Seiten grunden in derselben Quelle, sodass das Audit nicht still vom Protokoll, das es misst, abweichen kann. Ein Gesprach mit schlechter Ausfuhrung erhalt seine Intelligence im Composite-Score herabgestuft.

Wir haben keine andere Plattform in der Kategorie gefunden, die ihr eigenes Instrument pro Gesprach pruft.

Bevor ein Agent einen echten Befragten erreicht, ubernimmt Claude die Rolle eines simulierten Befragten und fuhrt unsere adversarielle Angriffsbibliothek im grossen Massstab gegen den Interview-Agenten aus. Die Bibliothek deckt absichtliche Verwirrung, Falschdaten-Einschleusung, Signalverbergung und Markenverwirrungsangriffe ab. Der Agent muss die Manipulation erkennen und das echte Signal herausstellen. Die Bibliothek wird mit der Plattform geliefert. Der Kunde erweitert sie um die fur seine Domane spezifischen Muster.

Harte Fehler blockieren das Deployment. Weiche Fehler werden zu Produktionsmonitoren. Fur jedes weiche Fehlermuster uberwacht das System, ob dieselbe Fehlerklasse in echten Gesprachen auftritt. Wenn das der Fall ist, wird jede auf diesen Moment zuruckgefuhrte Intelligence aus der kompilierten Ausgabe ausgeschlossen.

Wenn ein Kunden-Domainexperte dem System mitteilt, dass eine Interpretation in seinem Kontext falsch ist, findet das System jedes Gesprach im Korpus, das zu diesem Kontext passt, und verarbeitet es neu. Es re-analysiert, re-taggt und re-gewichtet jede Ubereinstimmung. Die Korrektur des Experten propagiert uber den gesamten historischen Korpus. Der Audit-Pfad behalt jede vorherige Interpretation neben der neuen, sodass weder die alte noch die neue verloren geht.

Es gibt zwei Oberflachen fur eine Korrektur. Die erste ist eine Dashboard-Annotation: der Experte sieht die KI-Interpretation, das Quell-Verbatim und die Methodik und uberschreibt bei Bedarf. Die zweite ist der Interview-Agent direkt, per Stimme. Der Experte spricht mit dem Agenten als Coaching-Oberflache, und die Verfeinerung gelangt in dieselbe Korrekturschleife.

Dieselbe Schleife kalibriert die Halbwertszeiten. Markenwahrnehmungstatsachen verfallen in Wochen. Schulungsdefizit-Tatsachen verfallen nur, wenn sich der Schulungskatalog andert. Wir liefern eine uber zwei Jahre Arbeit kalibrierte Baseline. Der Expert-in-the-Loop stimmt sie fur das jeweilige Segment ab.

Sicherheit wird durch den Datenzugriffspfad selbst erzwungen. Es gibt keine separate Policy-Schicht zwischen der Anfrage und den Daten. Jedes Session-Ticket tragt einen Security-Scope. Dieser Scope kaskadiert in die MCP-Tools, die das aufrufende LLM sehen kann, die Knoten im Graph, die es traversieren kann, die Zeilen im Fact Store, die es lesen kann, und die Verbatim-Chunks, die aufgelost werden, wenn es zitiert.

Eine nicht autorisierte Anfrage wird nicht mit einem Fehler abgelehnt. Stattdessen sind die nicht autorisierten Daten fur den Aufrufer unsichtbar. Ein Angreifer innerhalb eines privilegierten Tools sieht die Daten, die sein Scope erlaubt. Er kann nicht daruber hinaussehen, und er hat kein Signal, dass irgendetwas verborgen wurde.

Konkret: Ein Excel-Benutzer ruft unser MCP mit seinem OAuth-Session-Ticket auf. Das Ticket wird mit seinem Scope gemint. Aus diesem Scope filtert das System die fur das LLM sichtbare Tool-Liste, filtert die Graph-Traversierung auf Knotenebene, filtert Postgres-Lesevorgange auf Zeilenebene und lost Zitate nur fur Chunks im Scope auf.

Jedes Deployment lauft innerhalb des eigenen Tenants des Kunden. Das Standard-Substrat ist Cloudflare, d.h. das eigene Cloudflare-Konto des Kunden. Wir richten es ein. Es gehort ihm. AWS, Azure und On-Premise folgen demselben Modell auf einem anderen Anbieter. Die Erfassungspipeline, die bereinigten Transkripte, die bi-temporale Wissensschicht (aufgebaut auf dem temporalen Modell von Zep und mem0, mit Apache AGE auf Postgres als Graph-Implementierung), der Fact Store, die Dashboards und die KI-Agenten leben alle auf Infrastruktur, die der Kunde kontrolliert.

Das Schema ist offen. Der Korpus ist portierbar. Das bi-temporale Modell ermoglicht dem Kunden, den Zustand seines Korpus zu einem beliebigen vergangenen Datum wiederzugeben, mit heute zu vergleichen und die Evolution der Methodik im Laufe der Zeit zu prufen. Wenn Nexa Intelligence morgen fruhs geschlossen wurde, betriebe der Kunde weiter ohne Unterbrechung.

Der angereicherte Korpus des Kunden ist das Produkt. Er fliesst nicht in das Modelltraining. Jeder Plan verwendet standardmasig den Anthropic-No-Training-Vertrag. Enterprise verwendet zusatzlich den No-Retention-Vertrag: Keine LLM-Kundendaten bleiben beim Modellanbieter uber die Anfrage hinaus bestehen. Stimme lauft auf jedem Plan und jeder Stufe mit ElevenLabs unter No-Retention.

Der Unterschied ist wichtig. Stimme ist auf jedem Konto No-Retention. Die LLM-Schicht ist auf jedem Konto No-Training und auf Enterprise No-Retention. All diese Eigenschaften sind in unterzeichneten Vertragen, bevor Daten fliessen.

Wir lehnen die strategischen Entscheidungen, die unsere Kunden auf Basis aggregierter Intelligence treffen, nicht ab. Filialen schliessen, Geschaftsbereiche restrukturieren, Rollen neu gestalten: Das sind Entscheidungen, die der Betreiber bereits treffen konnte. Der Korpus existiert, um sie zu informieren. Wir kommentieren nicht die Nutzung der Intelligence, die der Kunde bezahlt hat, um sie zu erfassen.

Individuelle Re-Identifizierung ist eine separate Frage. Das System wurde nicht gebaut, um wiederherzustellen, wer was gesagt hat. Es wiederherzustellen ware ein architektonisches Versagen und steht auf keiner Liste erlaubter Anwendungsfalle.

Was wir ablehnen:

• ×Militarische Anwendungen.
• ×Uberwachung namentlich genannter Personen. Jeder OAuth-Scope, der dies ermoglichen wurde, wird abgelehnt, bevor Daten fliessen.
• ×Re-Identifizierung von Befragten. Die Sicherheitskaskade und die Stimm-Substitutions-Kette lassen keinen nutzbaren Ansatzpunkt fur einen Versuch.
• ×Verkauf von Roh-Transkripten an Dritte.
• ×Training von Dritt-LLMs mit Kundendaten.
• ×Synthetische-Befragten-Augmentierung, die als echte Erfassung ausgegeben wird.

Nexa Intelligence wurde innerhalb von ACET, dem Technologieinkubator der Universite de Sherbrooke, gebaut. Das Verhaltensinteraktionsprotokoll hinter unserem KI-Gesprachsagenten wurde in Zusammenarbeit mit dem CEL-Forschungsprogramm entwickelt, basierend auf einer 4.000 Interviews umfassenden Verhaltensstudie uber menschlich-KI-Gesprachsdynamik.

Jede Eigenschaft auf dieser Seite resultiert aus einer spezifischen Designentscheidung. Die Stimmpipeline hat keinen Ort, an dem sie einen Abdruck behalten konnte. Der Halluzinationsfilter lauft inline gegen das bereinigte Transkript. Das Anreicherungs-Audit-Log ist Append-Only. Das Interviewer-Audit lauft als First-Class-Schritt im Protokoll. Die Sicherheitskaskade lebt im Datenzugriffspfad. Das System wurde so vom ersten Deployment an gebaut.