Les mécanismes derrière la confidentialité et la sécurité.

Cette page décrit les mécanismes derrière chaque affirmation qui apparaît ailleurs sur le site. Chaque section nomme un mécanisme et indique où il se situe dans le pipeline. Rien de tout cela n'est une politique sans implémentation en dessous.

En résumé : la voix du répondant est remplacée par une voix synthétique avant que quoi que ce soit ne soit stocké. Chaque citation qui quitte le système est quelque chose que la personne a réellement dit. L'intervieweur est audité à chaque conversation. Le chemin de données applique l'isolation par tenant au niveau de la ligne et du noeud. Le client est propriétaire du tenant. Anthropic et ElevenLabs opèrent sous des contrats de non-entraînement et de non-rétention. Conformément à la politique d'utilisation et aux exigences de conformité d'Anthropic, nous ne travaillons pas sur des applications militaires, et nous n'aiderons personne à ré-identifier un répondant.

L'audio du répondant passe par ElevenLabs sous le Mode de zéro rétention, qui supprime la copie côté fournisseur après l'appel. Le retrait des entités se produit avant que cette transcription ne quitte le périmètre du client. Un proxy à l'intérieur du propre tenant du client retire les noms sur liste noire, les évocations et les identifiants de personnes selon une liste que le client contrôle. Nexa ne détient pas cette liste et ne voit pas la transcription originale. La frontière est appliquée par le fait que le client est propriétaire du proxy, de sorte que notre propre personnel se situe à l'extérieur de celle-ci.

La rétention de l'audio est définie par déploiement. Un client qui mène un audit public ou un concours conserve l'enregistrement, parce que ce cas d'usage en a besoin. Un client dont la politique interdit la conservation de la voix est configuré de façon à ce que l'audio n'atteigne jamais aucun système que nous opérons. Dans cette configuration, la ré-identification par la voix n'a aucune prise, parce qu'aucun enregistrement n'a été conservé.

Lorsqu'un enregistrement audio anonymisé est souhaité, la transcription nettoyée est régénérée sous la forme d'une nouvelle voix synthétique. La même conception de minimisation des données fonctionne dans des configurations de niveau HIPAA sans travail de conformité spécifique sur la couche de capture.

Chaque citation qui quitte le système est une sous-chaîne littérale d'un vrai tour de parole USER issu d'un vrai entretien. Un filtre déterministe le vérifie avant la persistance. Lorsque le filtre détecte une citation inventée, il la supprime plutôt que de la réécrire. Une vérification distincte de contamination croisée vérifie que les sorties de cartographie des perceptions ne contiennent pas d'entités que le répondant n'a jamais mentionnées. Lorsque la vérification se déclenche, les champs concernés sont effacés et marqués.

Les couches d'affichage nettoyées, raccourcies et traduites sont toutes dérivées de l'original verbatim. Aucune étape n'introduit de nouveaux mots. Le verbatim dans la langue source n'est jamais traduit. Il reste dans sa langue originale comme enregistrement de provenance.

Chaque affirmation de chaque rapport est reliée à la transcription qui l'a produite via un identifiant de fragment de la forme transcript_id / turn_id / sentence_id. Le lien est toujours présent, pour chaque conversation, sans échantillonnage. La même propriété s'applique à cinquante entretiens comme à cinquante mille.

Notre agent de conversation IA est construit avec un arbre de comportements, des règles d'application du protocole, des domaines de connaissance et des garde-fous par agent, tous définis dans une spécification versionnée. L'audit s'exécute séparément, par un agent d'audit indépendant qui évalue l'agent d'entretien sur six KPI de protocole pour chaque entretien : livraison du contexte, couverture du profil, couverture de la perception de marque, absence de questions répétées, neutralité et clôture gracieuse.

La spécification de protocole qui configure l'agent est le même document que l'auditeur utilise comme référence. Les deux parties s'ancrent dans la même source, de sorte que l'audit ne peut pas silencieusement dériver du protocole qu'il mesure. Une conversation dont l'exécution est mauvaise voit son intelligence réduite dans le score composite.

Nous n'avons pas trouvé d'autre plateforme dans la catégorie qui audite son propre instrument par conversation.

Avant qu'un agent n'atteigne un répondant réel, Claude joue le rôle d'un répondant simulé et exécute notre bibliothèque d'attaques adversariales contre l'agent d'entretien à grande échelle. La bibliothèque couvre la confusion délibérée, l'injection de fausses données, l'enfouissement de signaux et les attaques de confusion de marque. L'agent doit détecter la manipulation et faire remonter le vrai signal. La bibliothèque est livrée avec la plateforme. Le client l'étend avec les schémas spécifiques à son domaine.

Les échecs graves bloquent le déploiement. Les échecs légers deviennent des moniteurs de production. Pour chaque schéma d'échec léger, le système surveille si la même classe d'échec apparaît dans des conversations réelles. Lorsque c'est le cas, toute intelligence tracée à ce moment est exclue de la sortie compilée.

Lorsqu'un expert du domaine client indique au système qu'une interprétation est incorrecte dans son contexte, le système trouve chaque conversation dans le corpus qui correspond à ce contexte et les re-traite. Il ré-analyse, ré-étiquette et re-pondère chaque correspondance. La correction de l'expert se propage à l'ensemble du corpus historique. La piste d'audit conserve chaque interprétation antérieure aux côtés de la nouvelle, de sorte qu'aucune des deux n'est perdue.

Il existe deux surfaces pour effectuer une correction. La première est une annotation dans le tableau de bord : l'expert voit l'interprétation de l'IA, le verbatim source et la méthodologie, et annule ce qui est nécessaire. La seconde est l'agent d'entretien directement, en voix. L'expert parle à l'agent comme à une surface de coaching, et le raffinement entre dans la même boucle de correction.

La même boucle calibre les demi-vies. Les faits de perception de marque se déprécient en quelques semaines. Les faits de lacunes de formation ne se déprécient que lorsque le catalogue de formation change. Nous livrons une base calibrée sur deux ans de travail. L'expert en boucle l'ajuste pour le secteur vertical.

La sécurité est appliquée par le chemin d'accès aux données lui-même. Il n'y a pas de couche de politique séparée entre la requête et les données. Chaque ticket de session porte une portée de sécurité. Cette portée se propage dans les outils MCP que le LLM appelant peut voir, les noeuds du graphe qu'il peut parcourir, les lignes du magasin de faits qu'il peut lire, et les fragments verbatim qui se résolvent lorsqu'il cite.

Une requête non autorisée n'est pas refusée avec une erreur. Au lieu de cela, les données non autorisées sont invisibles pour l'appelant. Un mauvais acteur à l'intérieur d'un outil privilégié voit les données que sa portée lui permet. Il ne peut pas voir au-delà, et il n'a aucun signal indiquant que quelque chose a été caché.

Concrètement : un utilisateur Excel appelle notre MCP avec son ticket de session OAuth. Le ticket est créé avec sa portée. À partir de cette portée, le système filtre la liste d'outils visible pour le LLM, filtre le parcours du graphe au niveau du noeud, filtre les lectures Postgres au niveau de la ligne, et résout les citations uniquement pour les fragments dans la portée.

Chaque déploiement s'exécute à l'intérieur du propre tenant du client. Le substrat par défaut est Cloudflare, c'est-à-dire le propre compte Cloudflare du client. Nous le configurons. Il lui appartient. AWS, Azure et sur site suivent le même modèle sur un autre fournisseur. Le pipeline de capture, les transcriptions nettoyées, la couche de connaissance bi-temporelle (construite sur le modèle temporel de Zep et mem0, avec Apache AGE sur Postgres comme implémentation du graphe), le magasin de faits, les tableaux de bord et les agents IA vivent tous sur l'infrastructure que le client contrôle.

Le schéma est ouvert. Le corpus est portable. Le modèle bi-temporel permet au client de rejouer l'état de son corpus à n'importe quelle date passée, de comparer avec aujourd'hui, et d'auditer l'évolution de la méthodologie dans le temps. Si Nexa Intelligence fermait demain matin, le client continuerait à opérer sans interruption.

Le corpus enrichi du client est le produit. Il n'alimente pas l'entraînement de modèles. Chaque plan utilise le contrat de non-entraînement d'Anthropic par défaut. Enterprise utilise en plus le contrat de non-rétention : aucune donnée client LLM ne persiste chez le fournisseur de modèle au-delà de la requête. La voix fonctionne en non-rétention pour chaque plan et chaque niveau, avec ElevenLabs.

La distinction est importante. La voix est en non-rétention pour chaque compte. La couche LLM est en non-entraînement pour chaque compte et en non-rétention pour Enterprise. Toutes ces propriétés sont dans des contrats signés avant que les données ne circulent.

Nous ne refusons pas les décisions stratégiques que nos clients prennent sur la base d'une intelligence agrégée. Fermer des magasins, restructurer des unités opérationnelles, repenser des rôles : ce sont des décisions que l'opérateur était déjà en mesure de prendre. Le corpus existe pour les éclairer. Nous ne faisons pas de commentaires éditoriaux sur l'utilisation de l'intelligence que le client a payé pour capturer.

La ré-identification individuelle est une question distincte. Le système n'a pas été conçu pour retrouver qui a dit quoi. Le retrouver serait un échec architectural et ne figure sur aucune liste de cas d'utilisation autorisés.

Ce que nous refusons :

• ×Les applications militaires.
• ×La surveillance d'individus nommés. Toute portée OAuth qui l'activerait est rejetée avant que les données ne circulent.
• ×La ré-identification des répondants. La cascade de sécurité et la chaîne de substitution vocale ne laissent aucune prise utilisable pour la tenter.
• ×La vente de transcriptions brutes à des tiers.
• ×L'entraînement de LLM tiers sur les données clients.
• ×L'augmentation par des répondants synthétiques présentée comme une capture réelle.

Nexa Intelligence a été construit au sein d'ACET, l'incubateur technologique de l'Université de Sherbrooke. Le protocole d'interaction comportementale derrière notre agent de conversation IA a été développé en collaboration avec le programme de recherche CEL, ancré dans une étude comportementale de 4 000 entretiens sur la dynamique conversationnelle humain-IA.

Chaque propriété de cette page résulte d'un choix de conception spécifique. Le pipeline vocal n'a nulle part où conserver une empreinte. Le filtre d'hallucination s'exécute en ligne sur la transcription nettoyée. Le journal d'audit d'enrichissement est en ajout seulement. L'audit de l'intervieweur s'exécute comme une étape de premier rang dans le protocole. La cascade de sécurité est dans le chemin d'accès aux données. Le système a été construit ainsi dès le premier déploiement.