一家公司融了 1000 万美元，只为做一件听起来有点绕的事：用一套系统管住另一个 AI。

ZeroDrift 本周宣布完成 1000 万美元种子轮融资，投资方包括 a16z Speedrun、Reign Ventures、PitchDrive Ventures、U&I Ventures 等。它不做新的大模型，也不和 OpenAI、Anthropic 正面抢饭碗。

它站在模型和终端用户之间。模型先生成，ZeroDrift 再拦截可能带来合规问题的回复，并改写成更安全的版本。

这笔钱真正说明的，不是又一家 AI 安全公司拿到融资。它说明企业部署 AI 时，最怕的东西变了。

模型不够聪明，最多不好用。模型在消费者面前说错话，可能就是投诉、审计、监管和赔偿。

ZeroDrift 做的是合规中间层

ZeroDrift 的产品逻辑很短：先用传统程序按 SOC 2、GDPR 等标准做确定性触发，识别可能违规的内容；再调用 LLM，把问题回复改写成合规版本。

它不声称能彻底解决幻觉，也不是把所有风险一键清零。它处理的是更窄的一件事：识别并替换可能带来合规麻烦的信息。

问题ZeroDrift 的做法企业得到什么
放在哪里夹在底层模型和终端用户之间不替代模型，做拦截层
怎么识别风险按 SOC 2、GDPR 等标准确定性触发规则更稳定，便于解释
怎么处理回复用 LLM 改写被标记内容降低高风险表达进入用户界面的概率
主要场景面向消费者的 AI 聊天机器人客服、金融、保险、教育等场景更敏感
潜在扩展自动化系统内部生成、无人查看的消息机器对机器的内容也需要治理

它宣称的优势是更低延迟、更可靠。这个说法要放在架构里看。

不是 OpenAI、Anthropic 做不了合规。问题在于，企业系统往往需要一个可配置、可解释、可留痕的责任层。底层模型负责生成，中间层负责拦截、改写和记录。

这条路线不性感，但企业采购听得懂。

企业买的不是安全口号，是责任边界

面向消费者的 AI 聊天机器人，是 ZeroDrift 最直接的场景。

客服机器人乱承诺，金融助理说错规则，医疗、保险、教育类产品给出越界建议，麻烦不会停在“体验不好”。它会进入合规流程。

企业 AI 负责人真正要问的，不是“模型能不能回答”。而是这些问题：

  • 哪些内容被拦了？
  • 按什么规则拦的？
  • 改写前后差异是什么？
  • 出问题时，责任落在模型、应用，还是合规层？

这会直接影响动作。

对企业 AI 产品负责人来说，原本可以直接接入大模型上线的项目，可能会被延后。不是因为模型不强，而是因为缺少审计链路。尤其是金融、医疗、保险、教育、客服这类高接触场景，合规层会从“可选项”变成上线前检查项。

对合规和风控负责人来说，采购标准也会变。以前看模型能力、价格、响应速度。现在还要看拦截规则能不能配置，日志能不能追溯，延迟增加多少，误拦会不会影响用户体验。

这里有一个现实约束：合规层本身也会出错。

规则太松，拦不住风险。规则太紧，用户体验会塌。LLM 改写得太保守，产品像机器人背法规；改写得太自由，又可能把风险换一种说法放出去。

所以 ZeroDrift 这类产品卖的不是“绝对安全”。它卖的是一套更容易被企业接受的控制结构。

AI 从野蛮生长进入治理结账期

这事很像早期互联网走过的路。不完全一样，但节奏相似。

早期网站、广告、支付、用户数据先跑起来。等规模做大，身份验证、风控、隐私合规、内容审核、支付反欺诈，一层层中间件才长出来。

“其兴也勃焉，其亡也忽焉。”放在 AI 公司身上太重，放在企业 AI 项目上刚好。一个 demo 可以很快上线，一个合规事故也可以很快让项目停摆。

ZeroDrift 面对的市场目前还小。三周完成融资、超额认购 3 倍，只能说明投资人对这类需求敏感，不等于商业成功已经被验证。

接下来真正要看三件事。

观察点为什么重要
延迟是否足够低合规层如果拖慢对话，业务方会抵触
误拦和漏拦如何平衡这决定它是工具，还是新麻烦
日志和规则能否满足审计企业买单买的是责任边界，不只是改写能力

我更倾向把 ZeroDrift 看成一个信号，而不是一个已被证明的大生意。

AI 的基础设施正在分层。底层模型继续比能力，上层应用继续抢用户，中间会长出一批“不耀眼但很贵”的控制系统。

天下熙熙，皆为利来。企业愿意为合规中间层付钱，不是因为它们突然热爱治理，而是因为出事成本开始变得可计算。

模型越像员工，企业越需要管理制度。没有制度的聪明，只是更快的风险放大器。