Los mecanismos detrás de la confidencialidad y la seguridad.

Esta página describe los mecanismos detrás de cada afirmación que aparece en otras partes del sitio. Cada sección nombra un mecanismo e indica dónde se encuentra en el pipeline. Nada de esto es política sin implementación debajo.

En resumen: la voz del encuestado es reemplazada por una voz sintética antes de que se almacene cualquier cosa. Cada cita que sale del sistema fue algo que la persona realmente dijo. El entrevistador es auditado en cada conversación. La ruta de datos aplica aislamiento por inquilino a nivel de fila y nodo. El cliente es propietario del inquilino. Anthropic y ElevenLabs operan bajo contratos de no entrenamiento y no retención. De conformidad con la política de uso y los requisitos de cumplimiento de Anthropic, no trabajamos en aplicaciones militares, y no ayudaremos a nadie a reidentificar a un encuestado.

El audio del encuestado pasa por ElevenLabs bajo el modo de cero retención, que elimina la copia del lado del proveedor después de la llamada. La eliminación de entidades ocurre antes de que esa transcripción salga del perímetro del cliente. Un proxy dentro del propio inquilino del cliente elimina nombres, evocaciones e identificadores de personas que figuran en una lista negra que el cliente controla. Nexa no conserva esa lista y no ve la transcripción original. La frontera la impone el hecho de que el cliente es propietario del proxy, de modo que nuestro propio personal queda fuera de ella.

La retención de audio se define por despliegue. Un cliente que realiza una auditoría pública o un concurso conserva la grabación, porque ese caso de uso la necesita. Un cliente cuya política prohíbe la voz retenida se configura de modo que el audio nunca llegue a ningún sistema que operemos. En esa configuración, la reidentificación por voz no tiene nada con lo que trabajar, porque no se conservó ninguna grabación.

Cuando se desea un registro de audio anonimizado, la transcripción limpia se regenera como una nueva voz sintética. El mismo diseño de minimización de datos funciona en configuraciones de grado HIPAA sin trabajo de cumplimiento específico en la capa de captura.

Cada cita que sale del sistema es una subcadena literal de un turno USER real de una entrevista real. Un filtro determinista lo verifica antes de la persistencia. Cuando el filtro detecta una cita inventada, la elimina en lugar de reescribirla. Una verificación separada de contaminación cruzada confirma que los resultados del mapeo de percepción no contienen entidades que el encuestado nunca mencionó. Cuando la verificación se activa, los campos afectados se borran y se marcan.

Las capas de visualización limpias, acortadas y traducidas se derivan todas del original textual. Ningún paso introduce palabras nuevas. El texto original en el idioma fuente nunca se traduce. Permanece en su idioma original como registro de procedencia.

Cada afirmación en cada informe se vincula a la transcripción que la produjo mediante un identificador de fragmento de la forma transcript_id / turn_id / sentence_id. El enlace siempre está presente, en cada conversación, sin muestreo. La misma propiedad se aplica a cincuenta entrevistas y a cincuenta mil.

Nuestro agente de conversación de IA está construido con un árbol de comportamientos, reglas de aplicación del protocolo, dominios de conocimiento y salvaguardas por agente, todos definidos en una especificación con versiones. La auditoría se ejecuta por separado, por un agente de auditoría independiente que evalúa al agente entrevistador en seis KPI de protocolo por cada entrevista: entrega del contexto, cobertura del perfil, cobertura de percepción de marca, ausencia de preguntas repetidas, neutralidad y cierre adecuado.

La especificación de protocolo que configura al agente es el mismo documento que el auditor usa como referencia. Ambas partes se anclan en la misma fuente, de modo que la auditoría no puede desviarse silenciosamente del protocolo que mide. Una conversación con mala ejecución ve su inteligencia descontada en la puntuación compuesta.

No hemos encontrado otra plataforma en la categoría que audite su propio instrumento por conversación.

Antes de que cualquier agente llegue a un encuestado real, Claude toma el rol de un encuestado simulado y ejecuta nuestra biblioteca de ataques adversariales contra el agente entrevistador a escala. La biblioteca cubre la confusión deliberada, la inyección de datos falsos, el enterramiento de señales y los ataques de confusión de marca. El agente debe detectar la manipulación y extraer la señal real. La biblioteca se entrega con la plataforma. El cliente la amplía con los esquemas específicos de su dominio.

Los fallos graves bloquean el despliegue. Los fallos leves se convierten en monitores de producción. Para cada esquema de fallo leve, el sistema vigila si la misma clase de fallo aparece en conversaciones reales. Cuando ocurre, cualquier inteligencia trazada a ese momento se excluye del resultado compilado.

Cuando un experto del dominio del cliente le indica al sistema que una interpretación es incorrecta en su contexto, el sistema encuentra cada conversación en el corpus que coincide con ese contexto y las reprocesa. Reanali za, reetiqueta y repondera cada coincidencia. La corrección del experto se propaga a través de todo el corpus histórico. La pista de auditoría conserva cada interpretación anterior junto a la nueva, de modo que ninguna de las dos se pierde.

Hay dos superficies para realizar una corrección. La primera es una anotación en el panel de control: el experto ve la interpretación de la IA, el texto fuente y la metodología, y anula lo que sea necesario. La segunda es el agente entrevistador directamente, en voz. El experto habla con el agente como una superficie de entrenamiento, y el refinamiento entra en el mismo ciclo de corrección.

El mismo ciclo calibra las semividas. Los hechos de percepción de marca se deprecian en semanas. Los hechos de brechas de formación solo se deprecian cuando cambia el catálogo de formación. Entregamos una línea base calibrada con dos años de trabajo. El experto en el ciclo la ajusta para el sector vertical.

La seguridad es aplicada por la propia ruta de acceso a datos. No existe una capa de política separada entre la solicitud y los datos. Cada ticket de sesión lleva un alcance de seguridad. Ese alcance se propaga en qué herramientas MCP puede ver el LLM que llama, qué nodos del grafo puede recorrer, qué filas del almacén de hechos puede leer, y qué fragmentos textuales se resuelven cuando cita.

Una solicitud no autorizada no se deniega con un error. En cambio, los datos no autorizados son invisibles para el llamante. Un actor malicioso dentro de una herramienta privilegiada ve los datos que su alcance le permite. No puede ver más allá, y no tiene ninguna señal de que algo fue ocultado.

Concretamente: un usuario de Excel llama a nuestro MCP con su ticket de sesión OAuth. El ticket se crea con su alcance. A partir de ese alcance, el sistema filtra la lista de herramientas visible para el LLM, filtra el recorrido del grafo a nivel de nodo, filtra las lecturas de Postgres a nivel de fila, y resuelve citas solo para los fragmentos dentro del alcance.

Cada despliegue se ejecuta dentro del propio inquilino del cliente. El sustrato predeterminado es Cloudflare, es decir, la propia cuenta de Cloudflare del cliente. Nosotros lo configuramos. Es suyo. AWS, Azure y local siguen el mismo modelo en otro proveedor. El pipeline de captura, las transcripciones limpias, la capa de conocimiento bitempoural (construida sobre el modelo temporal de Zep y mem0, con Apache AGE sobre Postgres como implementación del grafo), el almacén de hechos, los paneles de control y los agentes de IA viven todos en infraestructura que el cliente controla.

El esquema es abierto. El corpus es portable. El modelo bitemporal permite al cliente reproducir el estado de su corpus en cualquier fecha pasada, comparar con hoy, y auditar la evolución de la metodología a lo largo del tiempo. Si Nexa Intelligence cerrara mañana por la mañana, el cliente continuaría operando sin interrupciones.

El corpus enriquecido del cliente es el producto. No fluye hacia el entrenamiento de modelos. Cada plan utiliza el contrato de no entrenamiento de Anthropic de forma predeterminada. Enterprise utiliza adicionalmente el contrato de no retención: ningún dato LLM del cliente persiste en el proveedor del modelo más allá de la solicitud. La voz opera en no retención para cada plan y cada nivel, con ElevenLabs.

La distinción es importante. La voz opera en no retención en cada cuenta. La capa LLM opera en no entrenamiento en cada cuenta y en no retención en Enterprise. Todas estas propiedades están en contratos firmados antes de que fluyan los datos.

No rechazamos las decisiones estratégicas que nuestros clientes toman sobre la base de inteligencia agregada. Cerrar tiendas, reestructurar unidades de negocio, rediseñar roles: estas son decisiones que el operador ya estaba en condiciones de tomar. El corpus existe para informarlas. No editorializamos el uso de la inteligencia que el cliente pagó para capturar.

La reidentificación individual es una pregunta distinta. El sistema no fue construido para recuperar quién dijo qué. Recuperarlo sería un fallo arquitectónico y no figura en ninguna lista de casos de uso permitidos.

Lo que rechazamos:

• ×Las aplicaciones militares.
• ×La vigilancia de individuos identificados. Cualquier alcance OAuth que lo habilitara es rechazado antes de que fluyan los datos.
• ×La reidentificación de encuestados. La cascada de seguridad y la cadena de sustitución de voz no dejan ningún punto de apoyo utilizable para intentarla.
• ×La venta de transcripciones brutas a terceros.
• ×El entrenamiento de LLM de terceros con datos de clientes.
• ×La aumentación con encuestados sintéticos presentada como captura real.

Nexa Intelligence fue construido dentro de ACET, el incubador tecnológico de la Universidad de Sherbrooke. El protocolo de interacción conductual detrás de nuestro agente de conversación de IA fue desarrollado en colaboración con el programa de investigación CEL, anclado en un estudio conductual de 4.000 entrevistas sobre dinámica conversacional humano-IA.

Cada propiedad de esta página resulta de una elección de diseño específica. El pipeline de voz no tiene dónde retener una huella. El filtro de alucinaciones se ejecuta en línea contra la transcripción limpia. El registro de auditoría de enriquecimiento es de solo adición. La auditoría del entrevistador se ejecuta como un paso de primer orden en el protocolo. La cascada de seguridad está en la ruta de acceso a datos. El sistema fue construido así desde el primer despliegue.