Contexte et besoin de conformité automatisée
Les agents autonomes génèrent des milliers de messages clients chaque seconde, dépassant largement la capacité des équipes de conformité humaines. ZeroDrift cible ce goulet d'étranglement en proposant une couche d’inspection qui s’interpose avant l’envoi de chaque communication. Le service s’appuie sur une API nommée Guard for Agents, capable d’insérer les contrôles directement dans les flux de travail des agents, afin de garantir que chaque texte respecte les exigences réglementaires et les politiques internes.
Architecture de la famille Anchor 3.0
La gamme comprend trois variantes : Mini, le modèle phare et Max. Anchor 3.0 Mini est un modèle mixture‑of‑experts de 9 milliards de paramètres, dont 4 milliards sont actifs à l’inférence, optimisé pour le trafic à haut volume et l’exécution de plus de 200 règles pré‑construites. Le modèle phare conserve le même nombre total de paramètres mais ajoute la capacité d’identifier les lignes incriminées et de les réécrire automatiquement. Anchor 3.0 Max, quant à lui, porte 27 milliards de paramètres et est dédié aux documents longs, pièces jointes et à l’application de politiques d’entreprise sans besoin de fine‑tuning supplémentaire. Tous les modèles sont post‑entraînés à partir des bases Gemma E4B de Google et Qwen 3.8‑27B d’Alibaba, ce qui combine les forces de deux architectures de grande taille.
Performances mesurées et comparaison avec les leaders du marché
ZeroDrift affirme que le modèle phare détecte plus de 95 % des violations dans un benchmark basé sur les règles de la FINRA, avec une précision comparable à GPT‑6 Astra d’OpenAI et Claude Fable 5.1 d’Anthropic. La vitesse d’inférence serait 34 fois supérieure et le coût d’exécution réduit à un douzième de celui des modèles concurrents. Sur le même test, Anchor 3.0 Mini aurait détecté 5 % de violations supplémentaires par rapport à Claude Fable 5.1 et 20 % de plus que GPT‑6 Astra, tout en générant moins de la moitié des faux positifs de Claude. Le benchmark repose sur des données annotées par des avocats, fournies par Surge AI, mais il a été publié par ZeroDrift lui‑même, ce qui limite la vérifiabilité indépendante des chiffres.
Intégration, capacités d’intervention et limites
Le système d’ZeroDrift intercepte les messages, les compare aux exigences réglementaires (FINRA, SEC, etc.) et aux règles internes, puis décide de les flagger, réécrire, bloquer ou rediriger vers une revue humaine. Chaque décision est journalisée pour permettre un audit post‑hoc. La capacité à réécrire automatiquement les passages non conformes représente un avantage opérationnel, mais la dépendance à des règles pré‑construites implique que les nouvelles exigences légales doivent être intégrées manuellement. De plus, l’absence de validation tierce du benchmark laisse une incertitude quant à la robustesse du modèle face à des scénarios de fraude ou de manipulation de texte sophistiqués.
