تصور کنید هر پیامی که کارمندان شما برای هوش مصنوعی میفرستند، ابتدا از یک پست بازرسی امنیتی عبور کند تا هیچ رمز عبور یا سند محرمانهای لو نرود. در ۵ اوت ۲۰۲۶، آنتروپیک (Anthropic) قابلیت استنتاج قلابها (Inference Hooks) را برای کلود اینترپرایز (Claude Enterprise) بهصورت بتا عرضه کرد. این ویژگی به سازمانها اجازه میدهد تا روی هر درخواست ارسالی، یک حکم دوتایی «اجازه» یا «رد» صادر کنند.
این تغییر، رویکرد حاکم بر مدیریت مجموعههای هوش مصنوعی را دگرگون میکند. پیش از این، تیمهای امنیتی به دیوارههای آتش در لایهی شبکه یا قلابهای سمت کاربر متکی بودند. این روشها یا بهراحتی دور زده میشدند و یا به دلیل رمزنگاری ترافیک، تحت فشار قرار میگرفتند. تا پیش از این، تنها اجرای داخلی آنتروپیک محدود به قلابهای سمت کاربر در «کلود کد» بود که روی دستگاه کاربر اجرا میشد. با انتقال این پست بازرسی به سرورهای آنتروپیک، اکنون یک کنترل واحد تمام سطوح تحت مدیریت را پوشش میدهد، بدون اینکه نیازی به نصب هیچ نرمافزاری روی دستگاههای کاربران باشد. طبق گزارش unite.ai، آنتروپیک اساساً مدل استاندارد جلوگیری از نشت داده (DLP) را وارونه کرده است؛ زیرا اکنون ارائهدهندهی AI است که در هر درخواست، API شرکت امنیتی را صدا میزند.
این معماری بر اساس اکوسیستم گستردهتری از کنترلهای سازمانی AI بنا شده است. این رویکرد همسو با روح دسترسیهای ساختاریافتهای است که در کاتالوگ MCP مشاهده کردیم (موضوعی که پیش از این در مورد لیستهای انتظار محدود و قیمتگذاری آن بحث کردیم). در حالی که آن ابزارها مدیریت میکردند که «چه کسی به چه قابلیتهایی دسترسی دارد»، قلابهای استنتاج دقیقاً مدیریت میکنند که «چه دادهای اجازه خروج از محیط امنیتی سازمان را دارد».
زمینه و استقرار
این سامانه همان لایهی inline DLP را که تیمهای امنیتی پیش از این برای ایمیلها و ترافیک وب به کار میبردند، به چتها، جلسات کلود کد (Claude Code) و کلود کوورک (Claude Cowork) گسترش میدهد. از آنجا که این سیستم از یک پیکربندی واحد در سطح سازمان استفاده میکند، یک لایهی امنیتی یکپارچه در تمام این رابطهای متنوع ایجاد میکند. این تلاش برای کنترل دقیقتر دادهها، یادآور رویکردهای سختگیرانهتری است که آنتروپیک پیشتر برای محیطهای آموزشی به کار گرفته بود و در آن حریم خصوصی دادههای آموزشی در مدارس تضمین شده بود.
برای جلوگیری از شکست برنامههای DLP — که معمولاً به دلیل مسدود کردن سریع کارکنان در روز اول رخ میدهد — آنتروپیک کنترلهای خاصی برای استقرار تدریجی قرار داده است. مدیران میتوانند از «حالت سایه» (Shadow Mode) استفاده کنند تا احکام را روی ترافیک واقعی مشاهده کنند بدون اینکه دسترسیها را مسدود کنند. همچنین میتوانند از «درصد استقرار» (Rollout Percentage) استفاده کنند تا تنها بخشی از درخواستها را بازرسی نمایند. علاوه بر این، قابلیت «استثنائات» (Exclusions) اجازه میدهد تا نقشهای شغلی خاصی بهطور کامل از بازرسی معاف شوند.
گردش کار فنی
زمانی که کاربر پرامپتی را در یک سطح تحت مدیریت ارسال میکند، سیستم توالی دقیقی را دنبال میکند:
- رهگیری (Interception): آنتروپیک متن گفتگو را از طریق یک اتصال امضاشده به سرور امنیتی سازمان میفرستد. این سرور متن گفتگو، فراخوانیهای ابزار و نتایج آنها، و متن استخراجشده از پیوستها را میبیند، اما هرگز بایتهای خام فایلها، بایتهای تصاویر، پرامپتهای سیستمی یا تعاریف ابزارها را دریافت نمیکند.
- صدور حکم (Verdict): سرور یک شیء JSON کوچک (اجازه یا رد) را در بازهی زمانی قابل تنظیم (که بهطور پیشفرض ۵ ثانیه است) برمیگرداند. درخواستها طبق مشخصات Standard Webhooks و با استفاده از یک رمز امضا (Signing Secret) امضا میشوند تا تأیید شود ترافیک واقعاً از سوی آنتروپیک ارسال شده است.
- اجرا (Enforcement): اگر درخواست رد شود، هرگز به مدل نمیرسد و کاربر پیامی مبنی بر مسدود بودن توسط سیاستهای سازمان میبیند. این پیام از ترکیب «دلیل» بازگردانده شده توسط سرور امنیتی و یک «اعلان ثابت» که توسط مدیران پیکربندی شده (مانند دستورالعملهایی برای درخواست استثنا)، ساخته میشود.
- ثبت (Logging): تمام موارد رد بهصورت خودکار در «فید فعالیتهای» (Activity Feed) سازمان ثبت میشود.
این بازرسی فراتر از پرامپتهای ساده است و فراخوانی ابزارها را نیز شامل میشود. وقتی کلود ابزاری را فراخوانی میکند — از جمله ابزارهای متصل از طریق کانکتورهای MCP، مهارتها یا پلاگینها — پاسخ ابزار پیش از بازگشت به مدل بررسی میشود. این کار نیمهی دوم مشکل جابهجایی دادهها را حل میکند: ورود مطالب حساس به گفتگو از طریق یک سیستم متصل. این موضوع بسیار حیاتی است زیرا پاسخهای ابزارها به یک سطح حمله مورد توجه تبدیل شدهاند، بهویژه پس از تحقیقات اخیر در مورد «فرارهای سندباکس» (Sandbox Escapes) در عاملهای هوشمند. در همین راستا، شرکتهای امنیتی دیگر نیز در حال توسعه روشهای شناسایی دقیقتر هستند، همانطور که کلودفلر با تحلیل لرزش دست و چرخش مچ سعی در شناسایی عاملهای هوش مصنوعی دارد.
ادغام و موارد استفاده
آنتروپیک خود موتور اسکن را فراهم نمیکند. در عوض، یک پروتکل مبتنی بر Webhook با طرحواره (Schema) منتشر شده ارائه میدهد که با فروشندگان امنیتی شناختهشده ادغام میشود. این شرکت بهطور مشخص از Netskope، Palo Alto Networks (PANW)، Proofpoint و Zscaler به عنوان مقصدهای سازگار در کنار سرورهای داخلی سازمانها نام برده است.
در حالی که DLP رایجترین مورد استقرار است، مستندات سه مورد استفاده اصلی دیگر را شرح میدهند:
- بایگانی آنی گفتگوها: یک جایگزین مبتنی بر Push برای روش Polling در APIهای تطبیق (Compliance API) آنتروپیک.
- تلهمتری پرامپت: ثبت و جمعآوری دادهها دقیقاً در لحظهی استفاده.
- موتورهای سیاست سفارشی: اعمال قوانینی مانند فهرستهای مجاز مدلها یا محدودیتهای محدود به پروژه پیش از اجرای استنتاج.
محدودیتها و پوشش
این نسخه بتا شکافهای قابل توجهی دارد. سیستم نمیتواند پرامپتها را بازنویسی یا سانسور کند؛ بلکه فقط میتواند احکام دوتایی (اجازه/رد) صادر کند. پیوستها به عنوان «متن استخراجشده» پردازش میشوند، به این معنی که اسکرینشاتهای تصویری از اسناد حساس، بازرسی نمیشوند. علاوه بر this، درخواستهای جانبی مانند «تولید عنوان گفتگو» از این نقطه بازرسی عبور میکنند و حالت صوتی (Voice Mode) نیز پوشش داده نمیشود.
این قلابها منحصر به سطوح کلود اینترپرایز (وب، دسکتاپ و CLI) هستند. این بدان معناست که دسترسی API از طریق Claude Platform خارج از محدوده است و سازمانهایی که کلود را روی Amazon Bedrock یا Google Cloud اجرا میکنند، به این ویژگی دسترسی ندارند. این تمرکز بر دسترسیهای سازمانی و گسترش ابزارها، در ادامه استراتژی آنتروپیک برای نفوذ به بخشهای تخصصی است، مشابه اقدامی که با ارائه دسترسی رایگان ۱ ساله به Claude برای معلمان آمریکا انجام داد.
این تغییر، آنتروپیک را در یک رقابت معماری مستقیم با راهکارهای لایهی شبکه مانند Check Point قرار میدهد. شرکت Check Point اخیراً بازرسی پرامپتهای AI را به داخل دیوارههای آتش منتقل کرد تا ترافیک را در لایهی شبکه رهگیری کند. در حالی که دیوارههای آتش هر چیزی که از سیم عبور کند را میبینند، اغلب با ترافیک رمزنگاریشده مشکل دارند. در مقابل، قلابهای سمت ارائهدهنده دقیقاً همان چیزی را میبینند که مدل میبیند، اما فقط در اکوسیستم خود آن فروشنده عمل میکنند.
سازمانها اکنون باید ارزیابی کنند که آیا استک DLP فعلی آنها میتواند تأخیر یک رفت و برگشت ۵ ثانیهای را برای هر تعامل AI که مدیریت میکنند، تحمل کند یا خیر.
گام بعدی شما
- اگر مدیر IT هستید، بررسی کنید آیا استک امنیتی فعلی شما میتواند تأخیر ۵ ثانیهای برای هر تعامل AI را تحمل کند.
- در صورت استفاده از مدلهای چندارائهدهنده، تفاوت بین بازرسی در لایهی شبکه و بازرسی در سطح مدل را تحلیل کنید.
- برای تست قابلیتها، ابتدا حالت Shadow Mode را فعال کرده و نرخ خطای مثبت (False Positive) را بسنجید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو