Cybersikkerhed

Anthropic IndsÃĶtter Inline Data Loss Prevention I Claude Enterprise

mm
FÃļj Unite.AI til dine foretrukne kilder pÃĨ Google

Anthropic lancerede inference hooks den 5. august 2026, en beta-funktion til Claude Enterprise, der routerer hver medarbejderprompt gennem organisationens egen sikkerhedsserver for en tillad- eller afvisningsbeslutning, fÃļr modellen nogensinde ser det. Systemet, der er beskrevet i Anthropics meddelelse, udvider den type inline data loss prevention, som sikkerhedsteams allerede kÃļrer pÃĨ e-mail og webtrafik, til chat, Claude Code og Claude Cowork-sessioner, med en enkelt organisationsniveau-konfiguration.

Indtil nu har Anthropics eneste native inline-enforcement levet i Claude Codes client-side hooks, der kÃļrer pÃĨ brugernes maskine. Inference hooks flytter checkpointet til Anthropics servere, efter en anmodning forlader klienten og fÃļr inferens kÃļrer, sÃĨ en kontrol dÃĶkker alle regulerede overflader uden noget installeret pÃĨ brugerens enheder.

How the enforcement path works

NÃĨr en bruger pÃĨ en reguleret overflade indsender en prompt, sender Anthropic samtaletranskriptet til organisationens sikkerhedsserver over en signeret forbindelse og venter pÃĨ en beslutning. Ved tilladelse fortsÃĶtter inferensen. Ved afvisning nÃĨr anmodningen aldrig modellen, og brugeren ser en besked, der er blokeret af politik, opbygget af ÃĨrsagen til, at sikkerhedsserveren returnerede den, plus en stÃĨende meddelelse, som organisationens administratorer konfigurerer, f.eks. hvor man kan anmode om en undtagelse. Hver afvisning lander i organisationens Aktivitetsfeed.

Den samme inspektion kÃļrer pÃĨ vÃĶrktÃļjsanmodninger. NÃĨr Claude aktiverer et vÃĶrktÃļj, herunder vÃĶrktÃļjer, der er forbundet via MCP-tilslutninger, fÃĶrdigheder og plugins, kontrolleres vÃĶrktÃļjets svar, fÃļr det returneres til modellen. Det lukker den anden halvdel af data-bevÃĶgelsesproblemet: fÃļlsomt materiale, der kommer ind i en samtale fra et forbundet system, og ikke kun det, som en medarbejder indsÃĶtter. VÃĶrktÃļjs-svar er blevet et overvÃĨget angrebsomrÃĨde af netop denne grund, da de bringer data ind i modellens kontekst fra uden for organisationens perimeter, som nylig forskning i agent sandbox-undgÃĨelse har understreget.

Beslutningen selv er et lille JSON-objekt, og serveren skal svare inden for en konfigurerbar timeout, fem sekunder som standard, ifÃļlge produkt-dokumentationen. Anmodninger er signeret under Standard Webhooks-specifikationen, sÃĨ snart organisationen genererer en signatur-hemmelighed, sÃĨ sikkerhedsserveren kan verificere, at trafikken virkelig kom fra Anthropic.

Sikkerhedsserveren ser transkripttekst, vÃĶrktÃļjsanmodninger og deres resultater, og tekst, der er udtrukket fra vedhÃĶftninger. Den modtager aldrig rÃĨ fil- eller billed-bytes, systemprompts eller vÃĶrktÃļjsdefinitioner. Biplan-anmodninger som samtale-titel-generering springer endepunktet over, og tale-tilstand er ikke dÃĶkket.

Built to sit in front of the existing DLP stack

Anthropic sÃĶlger ikke scanning-motoren. Protokollen er baseret pÃĨ webhooks med en publiceret skema, og meddelelsen nÃĶvner Netskope, Palo Alto Networks (PANW ), Proofpoint og Zscaler som destinationer, som organisationer kan pege pÃĨ, sammen med interne servere. SikkerhedsleverandÃļrer kan bygge integrationer mod det dokumenterede skema og have fÃĶlles kunder, der routerer beslutninger til deres platforme. Arkitekturen inverterer den sÃĶdvanlige DLP-installation: i stedet for at leverandÃļrens appliance jagter AI-trafik pÃĨ nettet, kalder AI-leverandÃļren leverandÃļrens verdict-API pÃĨ hver anmodning. Check Point tog den spejlbillede-tilgang fÃĨ dage tidligere, da de flyttede AI-prompt-inspektion ind i deres firewalls, sÃĨ netvÃĶrkslaget intercepterer model-bunden trafik.

Rulningskontroller anerkender, at blokering af medarbejdere pÃĨ dag ÃĐn er, hvordan DLP-programmer dÃļr. Skygge-tilstand observerer beslutninger pÃĨ live-trafik uden at blokere noget, en rulningsprocent kontrollerer en valgt brÃļkdel af anmodninger, og undtagelser fratager medlemmer af valgte roller fuldstÃĶndig. Hvis sikkerhedsserveren er utilgÃĶngelig, fejler eller overskrider tidsgrÃĶnsen, vÃĶlger organisationen fejlholdningen: blok anmodningen eller lad den passere uninspektet.

Dokumentationen nÃĶvner DLP som den mest almindelige installation, men beskriver tre andre: real-time-transkript-arkivering som en push-baseret alternativ til at afhÃļre Anthropics Compliance-API, prompt-telemetri fanget pÃĨ brugstidspunktet, og brugerdefinerede politik-motorer, der gennemtvinger regler som model-allowlister eller projekt-omfattende begrÃĶnsninger, fÃļr inferens.

What the beta does not cover

Dokumentationens angivne begrÃĶnsninger definerer den nuvÃĶrende omslutning. Beslutninger er binÃĶre: serveren kan tillade eller afvise en prompt, men kan ikke omskrive eller redigere en. VedhÃĶftninger ankommer som metadata og udtrukket tekst, sÃĨ billed-indhold, f.eks. en skÃĶrmbillede af et dokument, gÃĨr uninspektet. Den eneste hook-hÃĶndelse ved lancerings tidspunkt udlÃļses pÃĨ prompten, fÃļr inferens; response-side-enforcement, der kontrollerer, hvad modellen returnerer, er planlagt som en senere hÃĶndelse. Og funktionen regulerer kun Claude Enterprise-overflader: API-adgang gennem Claude Platform er uden for omrÃĨdet, og organisationer, der kÃļrer Claude pÃĨ Amazon Bedrock eller Google Cloud, fÃĨr intet.

Det efterlader inspektion-punkts-konkurrencen med to levende modeller. NetvÃĶrks-lag-kontroller ser, hvad der krydser wiren, men strÃĶber mod krypteret, spredt AI-trafik; provider-side-hooks som denne ser prÃĶcis, hvad modellen ville se, men kun inden for ÃĐn leverandÃļrs perimeter. Dokumentationen begrÃĶnser hooks til Claude Enterprise-overflader og udelukker Bedrock og Google Cloud, mens Check Points firewall-tilgang inspekterer trafik pÃĨ netvÃĶrkslaget.

Inference hooks er tilgÃĶngelig i beta til Claude Enterprise-organisationer, med konfiguration lÃĨst bag organisationens admin-roller. Prompt-hÃĶndelsen er live pÃĨ tvÃĶrs af claude.ai, Cowork og Claude Code-sessioner pÃĨ web, desktop og CLI, og Anthropics dokumentation rammer response-side-enforcement som det nÃĶste checkpoint, der ankommer.

Miles Okada er en AI-genereret analytiker hos Unite.AI, der dÃĶkker kunstig intelligens og cybersikkerhed med fokus pÃĨ nye trusler, defensive arkitekturer og de udviklende dynamikker mellem angribere og automatiserede systemer. Hans arbejde undersÃļger, hvordan AI omformrer sikkerhedsoperationer, fra autonome trusselsdetektering og respons til opkomsten af modstandsfÃļrer-teknikker med AI.

Med en teknisk og undersÃļgende perspektiv analyserer Miles sikkerhedsforskning, incident-disclosure og virkelige installationer for at forstÃĨ, hvor AI styrker forsvar - og hvor det introducerer nye sÃĨrbarheder. Han lÃĶgger sÃĶrlig vÃĶgt pÃĨ model-udnyttelse, datapÃĨvirkning, angrebsautomatisering og de operationelle realiteter ved at sikre AI-drevne systemer i stor mÃĨlestok.

Artikler skrevet af Miles Okada er AI-genereret og gennemgÃĨet af Unite.AIs redaktionelle team for at sikre nÃļjagtighed, rigor og ansvarlig dÃĶkning af det hurtigt skiftende AI-sikkerhedslandskab.