Os mecanismos por trás da confidencialidade e segurança.

Esta página descreve os mecanismos por trás de cada afirmação que aparece em outras partes do site. Cada seção nomeia um mecanismo e mostra onde ele vive no pipeline. Nada disso é política sem implementação por baixo.

O resumo: a voz do respondente é substituída por uma voz sintética antes de qualquer coisa ser armazenada. Cada citação que sai do sistema foi algo que a pessoa realmente disse. O entrevistador é auditado em cada conversa. O caminho de dados aplica isolamento de tenant no nível de linha e nó. O cliente é proprietário do tenant. Anthropic e ElevenLabs operam sob contratos de não treinamento e não retenção. Em conformidade com a política de uso e as exigências de conformidade da Anthropic, não trabalhamos em aplicações militares e não ajudaremos ninguém a re-identificar um respondente.

O áudio do respondente passa pela ElevenLabs sob o Modo de Zero Retenção, que exclui a cópia do lado do provedor após a chamada. A remoção de entidades acontece antes de a transcrição sair do perímetro do cliente. Um proxy dentro do próprio tenant do cliente remove nomes em lista de bloqueio, evocações e identificadores de pessoas contra uma lista que o cliente controla. A Nexa não retém essa lista e não vê a transcrição original. A fronteira é aplicada pelo fato de o cliente ser proprietário do proxy, de modo que nossa própria equipe fica do lado de fora dela.

A retenção de áudio é definida por implantação. Um cliente que conduz uma auditoria pública ou um concurso mantém a gravação, porque esse caso de uso precisa dela. Um cliente cuja política proíbe voz retida é configurado de modo que o áudio nunca chegue a nenhum sistema que operamos. Nessa configuração, a re-identificação por voz não tem com o que trabalhar, porque nenhuma gravação foi mantida.

Quando um registro de áudio anonimizado é desejado, a transcrição limpa é regerada como uma nova voz sintética. O mesmo design de minimização de dados funciona em configurações de nível HIPAA sem trabalho de conformidade personalizado na camada de captura.

Cada citação que sai do sistema é uma substring literal de um turno USER real de uma entrevista real. Um filtro determinístico verifica isso antes da persistência. Quando o filtro detecta uma citação inventada, ele a exclui em vez de reescrevê-la. Uma verificação separada de contaminação cruzada verifica que as saídas de mapeamento de percepção não contêm entidades que o respondente nunca mencionou. Quando a verificação é acionada, os campos afetados são limpos e sinalizados.

As camadas de exibição limpas, abreviadas e traduzidas são todas derivadas do verbatim original. Nenhuma etapa introduz novas palavras. O verbatim no idioma fonte nunca é traduzido. Ele permanece em seu idioma original como registro de proveniência.

Cada afirmação em cada relatório é vinculada à transcrição que a produziu por meio de um identificador de chunk da forma transcript_id / turn_id / sentence_id. O vínculo está sempre presente, em cada conversa, sem amostragem. A mesma propriedade se aplica a cinquenta entrevistas e a cinquenta mil.

Nosso agente de conversa de IA é construído com uma árvore de comportamento, regras de aplicação de protocolo, domínios de conhecimento e guardrails por agente, todos definidos em uma especificação versionada. A auditoria é executada separadamente, por um agente de auditoria independente que avalia o agente de entrevista contra seis KPIs de protocolo em cada entrevista: entrega de contexto, cobertura de perfil, cobertura de percepção de marca, ausência de perguntas repetidas, neutralidade e encerramento gracioso.

A especificação de protocolo que configura o agente é o mesmo documento que o auditor usa como referência. Ambos os lados se baseiam na mesma fonte, de modo que a auditoria não pode silenciosamente se desviar do protocolo que está medindo. Uma conversa com execução ruim tem sua inteligência descontada no score composto.

Não encontramos outra plataforma na categoria que audite seu próprio instrumento por conversa.

Antes que qualquer agente chegue a um respondente real, o Claude assume o papel de um respondente simulado e executa nossa biblioteca de ataques adversariais contra o agente de entrevista em escala. A biblioteca cobre confusão deliberada, injeção de dados falsos, ocultação de sinal e ataques de confusão de marca. O agente precisa detectar a manipulação e revelar o sinal real. A biblioteca é entregue com a plataforma. O cliente a estende com os padrões específicos de seu domínio.

Falhas graves bloqueiam a implantação. Falhas leves se tornam monitores de produção. Para cada padrão de falha leve, o sistema observa se a mesma classe de falha aparece em conversas reais. Quando isso ocorre, qualquer inteligência rastreada até aquele momento é excluída da saída compilada.

Quando um especialista do domínio do cliente informa ao sistema que uma interpretação está errada em seu contexto, o sistema encontra cada conversa no corpus que corresponde a esse contexto e as re-processa. Ele re-analisa, re-rotula e re-pondera cada correspondência. A correção do especialista se propaga por todo o corpus histórico. A trilha de auditoria mantém cada interpretação anterior ao lado da nova, de modo que nenhuma das duas é perdida.

Há duas superfícies para fazer uma correção. A primeira é uma anotação no painel: o especialista vê a interpretação da IA, o verbatim fonte e a metodologia, e sobrescreve onde necessário. A segunda é o agente de entrevista diretamente, em voz. O especialista fala com o agente como uma superfície de coaching, e o refinamento entra no mesmo loop de correção.

O mesmo loop calibra as meias-vidas. Fatos de percepção de marca decaem em semanas. Fatos de lacunas de treinamento só decaem quando o catálogo de treinamento muda. Entregamos uma base calibrada ao longo de dois anos de trabalho. O Expert-in-the-Loop a ajusta para a vertical.

A segurança é aplicada pelo próprio caminho de acesso a dados. Não há uma camada de política separada entre a requisição e os dados. Cada ticket de sessão carrega um escopo de segurança. Esse escopo se propaga em quais ferramentas MCP o LLM chamador pode ver, quais nós do grafo ele pode percorrer, quais linhas no armazenamento de fatos ele pode ler e quais chunks verbatim são resolvidos quando ele cita.

Uma requisição não autorizada não é negada com um erro. Em vez disso, os dados não autorizados são invisíveis para o chamador. Um ator mal-intencionado dentro de uma ferramenta privilegiada vê os dados que seu escopo permite. Ele não pode ver além disso, e não tem nenhum sinal de que algo foi ocultado.

Concretamente: um usuário do Excel chama nosso MCP com seu ticket de sessão OAuth. O ticket é criado com seu escopo. A partir desse escopo, o sistema filtra a lista de ferramentas visível ao LLM, filtra o percurso do grafo no nível do nó, filtra as leituras do Postgres no nível da linha e resolve citações apenas para chunks no escopo.

Cada implantação é executada dentro do próprio tenant do cliente. O substrato padrão é o Cloudflare, ou seja, a própria conta Cloudflare do cliente. Nós a configuramos. Ela pertence ao cliente. AWS, Azure e local seguem o mesmo modelo em um fornecedor diferente. O pipeline de captura, as transcrições limpas, a camada de conhecimento bi-temporal (construída sobre o modelo temporal Zep e mem0, com Apache AGE sobre Postgres como implementação do grafo), o armazenamento de fatos, os painéis e os agentes de IA vivem todos em infraestrutura que o cliente controla.

O esquema é aberto. O corpus é portátil. O modelo bi-temporal permite ao cliente reproduzir o estado de seu corpus em qualquer data passada, comparar com hoje e auditar a evolução da metodologia ao longo do tempo. Se a Nexa Intelligence encerrasse as atividades amanhã de manhã, o cliente continuaria operando sem interrupção.

O corpus enriquecido do cliente é o produto. Ele não alimenta o treinamento de modelos. Cada plano usa o contrato de não treinamento da Anthropic por padrão. Enterprise também usa o contrato de não retenção: nenhum dado de cliente LLM persiste no provedor de modelos além da requisição. A voz opera não retenção em todos os planos e todos os níveis, com a ElevenLabs.

A distinção importa. A voz é não retenção em todas as contas. A camada LLM é não treinamento em todas as contas e não retenção no Enterprise. Todas essas propriedades estão em contratos assinados antes de qualquer fluxo de dados.

Não recusamos as decisões estratégicas que nossos clientes tomam com base em inteligência agregada. Fechar lojas, reestruturar unidades de negócio, redesenhar funções: essas são decisões que o operador já estava em posição de tomar. O corpus existe para informá-las. Não fazemos comentários editoriais sobre o uso da inteligência que o cliente pagou para capturar.

A re-identificação individual é uma questão separada. O sistema não foi construído para recuperar quem disse o quê. Recuperar isso seria uma falha arquitetural e não está em nenhuma lista de casos de uso permitidos.

O que recusamos:

• ×Aplicações militares.
• ×Vigilância de indivíduos nomeados. Qualquer escopo OAuth que o permitisse é rejeitado antes de qualquer fluxo de dados.
• ×Re-identificação de respondentes. A Cascata de Segurança e a cadeia de Substituição de Voz não deixam nenhuma alça utilizável para tentar isso.
• ×Venda de transcrições brutas a terceiros.
• ×Treinamento de LLMs de terceiros com dados de clientes.
• ×Aumento por respondentes sintéticos apresentado como captura real.

A Nexa Intelligence foi construída dentro do ACET, a incubadora de tecnologia da Université de Sherbrooke. O protocolo de interação comportamental por trás de nosso agente de conversa de IA foi desenvolvido em colaboração com o programa de pesquisa CEL, baseado em um estudo comportamental de 4.000 entrevistas sobre dinâmica conversacional humano-IA.

Cada propriedade desta página vem de uma escolha de design específica. O pipeline de voz não tem onde reter uma impressão. O filtro de alucinação roda inline sobre a transcrição limpa. O log de auditoria de enriquecimento é somente de acréscimo. A auditoria do entrevistador é executada como uma etapa de primeira classe no protocolo. A cascata de segurança vive no caminho de acesso a dados. O sistema foi construído desta forma desde a primeira implantação.